信息场的数学结构分析

以系统论的理论作指导,将众多具有相互联系的信息点纳入到一个系统内,从而构成信息场。对信息场的数学结构予以了分析,探讨了信息场内信息强度与相关性问题,讨论了互信息的一些基本性质。以信息点集合之间的互信息为基础,定义了信息传递函数、期望信息距离及信息面等具有信息强度的概念,同时给出了相应的计算公式。     

词项搭配的定量分析方法

文章阐明了语言学家如何将信息理论中的互信息熵(MI值)和统计学及概率理论中的零假设T检验值(T值)实际应用于测量词项共现中两词项间的搭配强弱(Collocability)和判断搭配强弱的置信度(Confidence Level).并通过例词分析,说明了利用MI值和T值可以从大量的词项共现中分辨出高频典型搭配,阐明了MI值和T值所提供量化标准的客观性和科学性,并指出藉此得到的有关高频典型搭配资料,对于提高外语学习者的搭配意识和搭配知识、优化外语教学效率和效果,将是不可或缺的资源.词项搭配研究对于语义识别、词典编撰、教材编写、ESP大纲设计、比较语言学研究等也有较大的指导意义.     

基于率失真理论的模糊聚类模型与算法

本文从信息论的角度考虑了聚类问题,将聚类看成是有损信息压缩的过程.首先运用率失真理论建立了模糊聚类的优化模型,与经典的模糊聚类模型相比,模型的目标函数中多了一个描述聚类过程复杂度的指标.同时为了估计聚类数目,还提出了一个新的聚类有效性指标.其次通过求解优化模型得到基于率失真理论的模糊聚类算法.最后将基于率失真理论的模糊聚类算法与经典模糊C均值算法进行了数值实验比较.数值实验结果表明基于率失真理论的模糊聚类算法能够自动确定聚类数目,在运行时间上比模糊C均值算法有一定减少,且最终的模糊划分矩阵与模糊C均值算法相比有较少的模糊性,因而聚类结果更加明确可靠.     

词结合型未登录词识别方法研究

介绍一种基于词结合提取的未登录词识别方法.该方法对碎片分词后的文本建立二元模型,结合互信息和规则过滤提取由若干个词组合而成的未登录词(组).测试结果准确率为84.71%,召回率为72.13%.     

基于词汇链与互信息的关键词抽取研究

基于统计的关键词抽取方法忽略了词语的深层语义信息,而词汇链的关键词抽取方法能弥补这一缺陷,但词汇链的构造需要计算语义相似度,而语义相似度的计算需要知识库的支持,提出了一种综合考虑词汇链和互信息模型的关键词抽取算法。首先对文本进行预处理。借助词汇链和互信息模型来表达词语间语义关系,以及对未包含词及相关联度高而相似度值不理想的关键词识别。实验结果表明：在准确率和召回率方面．较基于统计的和基于词汇链的关键词抽取算法均有所提高。     

共现关键词—叙词同义关系自动识别研究——基于互信息法、概率法的对比分析

以科技文献中的共现关键词—叙词词对(以下简称共现词对)为研究对象,运用互信息法、概率法计算方法,以准确率和召回率为衡量指标,通过绝对值方式和相对最高值方式,分析这两种统计方法在不同区间内对同义共现词对的自动识别效果及特点。研究发现,概率法的相对最高值方式具有最佳的同义共现词对识别效果。最后,探讨互信息法、概率法与共现频率的关系,揭示这两种统计方法在同义共现词对的识别上存在互补的特性。     

基于深度学习的概念语义空间查询扩展研究

为解决信息检索应用实践中存在用户表达查询请求不够准确、文档与查询词不匹配以及查询优化等影响检索性能的问题,提出一种基于深度学习的概念语义空间查询扩展方法。利用深度学习算法为各个原查询词构建概念树,并使用WordNet将这些概念树向上溯源,建立完整的概念语义空间。以共现信息为特征参数对扩展源进行筛选,同时引入平均互信息及观察窗口得到相关度算法,通过共现信息衡量单词之间的关联度。在TREC数据集上的实验表明：与传统伪相关反馈算法的扩展质量相比,该扩展算法有所改进。     

医学关键词与叙词对照表自动构建研究

以中国生物医学文献数据库部分数据作为语料，通过实验比较几种测量词间相关性的方法在测量关键词与叙词相关性时的准确性，探讨自动构建关键词与叙词对照表的可行性和有效方法。     

基于B样条函数的多模态医学图像弹性配准

论文提出一种一次B样条函数完成全局配准,高次B样条函数实现局部变形的弹性配准方法。利用互信息坝4度和窗口函数插值算法对多模态图像配准。实验结果表明本方法不但可以加速配准,而且可以改善图像的局部配准。     

Graphic processing unit-accelerated mutual information-based 3D image rigid registration

Mutual information (MI)-based image registration is effective in registering medical images, but it is computationally expensive. This paper accelerates MI-based image registration by dividing computation of mutual information into spatial transformation and histogram-based calculation, and performing 3D spatial transformation and trilinear interpolation on graphic processing unit (GPU). The 3D floating image is downloaded to GPU as flat 3D texture, and then fetched and interpolated for each new voxel location in fragment shader. The transformed results are rendered to textures by using frame buffer object (FBO) extension, and then read to the main memory used for the remaining computation on CPU. Experimental results show that GPU-accelerated method can achieve speedup about an order of magnitude with better registration result compared with the software implementation on a single-core CPU.