基于神经网络的汉语自动分词系统的设计与分析

应用神经网络进行汉语自动分词研究是中文信息处理领域的重要课题。本文从分析神经网络的一个主要模型和算法入手,阐述了基于神经网络的汉语自动分词系统的设计方法,较详细地介绍了该系统的实验结果,并给出了必要的分析。     

神经网络语言模型在统计机器翻译中的应用

近两年来,神经机器翻译（Neural Machine Translation, NMT）模型主导了机器翻译的研究,但是统计机器翻译（Statistical Machine Translation, SMT）在很多应用场合（尤其是专业领域）仍有较强的竞争力。如何利用深度学习技术提升现有统计机器翻译的水平成为研究者们关注的主要问题。由于语言模型是统计机器翻译中最核心的模块之一,本文主要从语言模型的角度入手,探索神经网络语言模型在统计机器翻译中的应用。本文分别探讨了基于词和基于短语的神经网络语言模型,在汉语到英语和汉语到日语的翻译实验表明神经网络语言模型能够显著改善统计机器翻译的译文质量。     

基于BP神经网络的中文图书采购招标评价

在建立中文图书采购招标评价指标体系的基础上,设计了一种基于BP神经网络的中文图书采购招标评价系统。这一系统加快了算法速度,改善了算法性能,主要通过增加动量项、动态调整学习率等方法使过去静态BP网络动态化,采用层次分析法生成网络训练样本,有效地利用了BP神经网络的优点,避免了中文图书采购招标评价过程中的一些人为失误。     

Chebyshev神经网络的Levenbers-Marquardt算法

基于函数逼近理论,构建了一种神经网络模型,该神经网络采用正交Chebyshev多项式作为隐层激励函数。在此基础上,推导了Chebyshev神经网络的Levenberg—Marquardt学习算法。理论分析及仿真实验表明,该神经网络能够很好地学习样本数据中的不同模式,具有较快训练速度和较高的计算精度。     

免疫神经网络在故障预测中的实现与应用

免疫神经网络实质上是一种将免疫与神经网络相融合的网络,具有广泛应用性。LabVIEW作为一种图形化编程语言,因其编程简单、功能图表丰富为开发者提供了一个便捷、轻松的设计环境,在工业和实验室中得到了广泛的应用。文中通过将免疫疫苗引入到神经网络中,改变激励函数,建立基于免疫神经网络的预测模型。并通过刀具磨损故障预测的仿真分析,精确直观地反应预测结果,验证了算法的可行性以及预测的准确性,体现了免疫神经网络在故障预测中具有广泛的应用价值。     

基于Hopfield神经网络和PSO的线性系统辨识方法

研究了一种基于连续型Hopfield神经网络和粒子群优化（PSO）的线性系统辨识方法。首先建立了系统的预测模型以及辨识误差函数,然后将误差函数近似为连续型Hopfield神经网络的能量函数。利用神经网络的自我演化,得到近似的辨识参数。通过引入PSO机制,缓解了Hopfield神经网络在辨识过程可能陷入局部极小值的缺陷,增强了辨识的效果。最后,仿真研究验证了所提方法的有效性。     

动态K-均值聚类算法在RBF神经网络中心选取中的应用

RBF神经网络构造的关键问题是中心的选取,动态K-均值聚类算法采用调整聚类中心的方法,使网络中心的选择更精确。本文先简介了RBF神经网络的结构原理,然后将动态K-均值算法应用于BRF神经网络的中心选取,最后进行了仿真实验。实验结果表明采用动态K-均值算法确定中心的RBF神经网络逼近性能更好,具有较强的实用性。     

Chebyshev神经网络的Levenberg-Marquardt算法

基于函数逼近理论,构建了一种神经网络模型,该神经网络采用正交Chebyshev多项式作为隐层激励函数.在此基础上,推导了Chebyshev神经网络的Levenberg-Marquardt学习算法.理论分析及仿真实验表明,该神经网络能够很好地学习样本数据中的不同模式,具有较快训练速度和较高的计算精度.     

国内神经网络应用于图书馆服务研究评述

随着全球社会信息化的迅速发展,神经网络算法现已成为信息领域前沿研究方向之一,在图书馆资源管理与建设、图书馆工作满意度、图书馆建筑、信息化水平测度等服务系统有着广泛的应用前景。对国内将神经网络算法应用于图书馆服务系统相关研究论文作了统计分析,对神经网络算法类型和研究主题分别进行了深入的探讨,揭示了神经网络应用于图书馆的各个领域,并对其未来的发展提出展望。     

情报神经网络的设计与应用

人工神经网络是一门近年来得到迅速发展的理论，它是人工智能的重要分支学科。本文从分析神经网络的基本特征和信息处理能力以及情报业务问题入手，论述了情报神经网络的设计原理与方法，提出了情报神经网络模型，并以存贮检索和文献自动分词为例，阐述了情报神经网络的设计与应用等基本问题、作者希望在情报科学领域引入神经网络技术，以加速情报业务的智能化、自动化进程。     

基于文本复杂网络的内容结构特征分析

针对文本信息内容结构参差不齐的问题,提出一种评价文本内容结构分析方法,该方法将文本中的句子作为节点,句子之间的共同名词作为边,构建文本复杂网络,并选取复杂网络的拓扑性质对文本结构特征进行分析。基于一个新闻文本案例构建复杂网络,并计算度、强度、最短路径、加权聚类系数等衡量指标,这些指标能很好地评价文本内容结构的好坏,也为理解和提取文本的中心思想、生成摘要、文本检索过滤提供重要参考依据。     

基于Internet的汉语后控全文检索系统的研究与开发

概述国内外后控词表检索系统的研究状况;重点论述基于iBASE非结构化数据库系统的汉语后控全文检索系统的研制与开发。     

Neural Network Agents for Learning Semantic Text Classification

The research project AgNeT develops Agents for Neural Text routing in the internet. Unrestricted potentially faulty text messages arrive at a certain delivery point (e.g. email address or world wide web address). These text messages are scanned and then distributed to one of several expert agents according to a certain task criterium. Possible specific scenarios within this framework include the learning of the routing of publication titles or news titles. In this paper we describe extensive experiments for semantic text routing based on classified library titles and newswire titles. This task is challenging since incoming messages may contain constructions which have not been anticipated. Therefore, the contributions of this research are in learning and generalizing neural architectures for the robust interpretation of potentially noisy unrestricted messages. Neural networks were developed and examined for this topic since they support robustness and learning in noisy unrestricted real-world texts. We describe and compare different sets of experiments. The first set of experiments tests a recurrent neural network for the task of library title classification. Then we describe a larger more difficult newswire classification task from information retrieval. The comparison of the examined models demonstrates that techniques from information retrieval integrated into recurrent plausibility networks performed well even under noise and for different corpora.     

基于Internet的后控制全文检索系统的研究与综述

基于自然语言的全文检索已经成为目前主要的信息检索技术。主要论述在Interne环境下,采用后控制检索机制（以后控制词表为代表）如何提高自然语言的检索效率和系统的友好性,并以国内外具有代表性的后控制词表检索系统为例,对该领域的研究状况进行综述性研究。     

生成式自动文摘的深度学习方法综述

自动文摘是文本挖掘的主要任务之一。相比于抽取式自动文摘,生成式自动文摘在思想上更接近人工摘要的过程,具有重要研究意义。近几年伴随着深度学习方法的发展,基于深层神经网络模型的生成式自动文摘也有了令人瞩目的发展。为了更全面地理解该类方法的思想和研究现状,本文从生成式自动文摘的任务描述入手,梳理了基于RNN (recurrent neural network,循环神经网络)的模型、基于CNN (convolutional neural network,卷积神经网络)的模型、基于RNN+CNN的模型、融合注意力机制的模型和融合强化学习的模型共五大类生成式自动文摘的深度学习方法。这类方法表明,在深层神经网络的训练下,特别是融合注意力机制和强化学习后,摘要效果得以明显提升。在生成式自动文摘研究的未来发展中,除深度学习方法本身的不断应用和改进外,还需关注如何有效实现篇章级语义理解下的摘要、面向不同文本对象特点的摘要和摘要结果自动评价等问题。此外,如何结合传统摘要研究中的成熟方法进一步提高摘要效果,也是一个很有价值的研究方向。     

基于RBF神经网络和关联规则的Web文本分类规则获取方法

根据互信息、RBF神经网络和关联规则原理,提出了一种抽取WEB文本分类规则的新方法。先根据互信息选择和各类相关程度大的若干词条,然后采用RBF神经网络方法对选择的特征进行进一步提取,得到维数较小的文本特征向量空间。之后再根据挖掘出的关联规则获取WEB文本分类规则,建立文本分类器,在保证了分类精度的前提下抽取出利于理解的文本分类规则。     

基于局域网的检索教学模式与系统构建

基于局域网的多媒体辅助教学系统是由硬件环境、软件系统和教学资源库组成的有机整体,本文结合文检课辅助教学系统构建与实施的研究,分析了教学资源与课程教学的整合模式,探讨了远程教学中文检课教学的模式与特点,并指出网络环境下辅助教学系统的发展方向.     

P2P网络信息检索的研究进展

在分析P2P网络概念和P2P网络信息检索的基本机制的基础上，基于信息检索的一般原理给出P2P网络信息检索的研究模型，并基于该模型从资源定位、检索模型及用户模型3个方面讨论当前P2P网络信息检索的研究现状，展望P2P网络信息检索的发展趋势。     

电子信息资源检索课网络教学系统的研制与应用

Internet与信息技术的发展推动了教学方式的改革,我馆采用流媒体技术与课程教学整合制作的多媒体网络课件,为学生提供视频、音频、文本、图片一体化的真正的多媒体互动教学。本文通过探讨电子信息资源检索课网络教学的发展趋势、特点与意义,阐述建设网络教学系统的必要性与可行性,提出组织电子信息资源检索课网络教学的具体措施,对优化网上教学资源,更好地组织电子信息资源检索课课程网上教学进行了探讨。     

一种改进的余弦向量度量法文本检索模型

针对用户对索引项要求的不同提出改进余弦向量度量法（ICVMM）文本检索模型,该模型将索引项分为主索引项和特征索引项,根据查询相关文本集中特征索引项相关性概率值来修改文本和查询特征索引项的初始权值;通过实例对传统余弦向量度量法（TCVMM）文本检索模型和ICVMM文本检索模型的查询效率进行对比,说明ICVMM文本检索模型的查询结果更接近用户的需求。