基于混合跳链条件随机场的异构Web记录集成方法

提出了一种混合跳链条件随机场序列统计学习模型,以实现异构Web记录与关系数据库的模式匹配.该模型可以在由手工标注样本和关系数据库记录组成的联合样本集上进行训练,减少了对繁琐手工标注样本的依赖.此外,通过在线性链条件随机场模型上增加对跳边的支持,使得该模型能够有效地处理状态变量间的长距离依赖.在多个领域的真实数据集上的实验结果表明,所提出的方法能够显著提高异构Web记录语义模式匹配的性能.

ρ^--混合随机场的完全收敛性

讨论了ρ--混合随机场的部分和完全收敛性.在一些适当的条件下,获得了较为一般的ρ--混合随机场的部分和完全收敛性定理,并得到了完全收敛速度与矩条件之间的等价关系.所得结果推广了ρ*-混合随机场和负相伴序列的相应结果.且将Hsu-Robbins型定理推广到ρ--混合随机场的情形.定理的证明基于Rosenthal型最大值不等式、Rosenthal型不等式、几个引理及缓变函数的性质.

基于二维混合条件随机场的Web记录抽取模型

提出一种基于混合二维条件随机场的Web记录抽取模型,以克服线性链条件随机场不能充分利用Web实体间二维依赖关系的缺点,且训练条件随机场模型时无需大量手工标注的样本数据。对当当网上的742个数据记录进行抽取,对比同等情况下的其他模型。实验结果表明,混合二维条件随机场模型在抽取TDS数据集时展现了更优越的性能。

基于CRF和HMM混合模型的手势识别方法

针对训练数据较少的小样本情况下,使用隐马尔可夫模型(HMM)的建模准确性较低的问题,提出一种基于条件随机场(CRF)和HMM混合模型的手势识别方法。用一个区分局部观测值的判别模型来提供与序列中的每个局部观测相关联的局部后验。将CRF用于执行这种判别层。通过区分局部观察值来为HMM层提供局部类后验。在HMM解码阶段将这些局部后验组合在一起提供更多的全局信息。通过实际手势识别实验验证了融合HMM建模能力和CRF判别能力的混合模型方法的有效性与准确性,并对不同的可变性来源具有鲁棒性。