期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
一种基于改进隐马尔克夫模型的词语对齐方法 被引量:2
1
作者 刘颖 姜巍 《中文信息学报》 CSCD 北大核心 2014年第2期51-55,共5页
该文在基本隐马尔克夫模型的基础之上,利用句法知识来改进词语对齐,把英语的短语结构树距离和基本隐马尔克夫模型相结合进行词语对齐。与基本隐马尔克夫模型相比,这个模型可以降低词语对齐的错误率,并且提高统计机器翻译系统BLEU值,从... 该文在基本隐马尔克夫模型的基础之上,利用句法知识来改进词语对齐,把英语的短语结构树距离和基本隐马尔克夫模型相结合进行词语对齐。与基本隐马尔克夫模型相比,这个模型可以降低词语对齐的错误率,并且提高统计机器翻译系统BLEU值,从而提高机器翻译质量。 展开更多
关键词 短语结构树距离 隐马尔克夫模型 词语对齐 BLEU值
在线阅读 下载PDF
基于适应加权非对称AdaBoost HMM的三维模型分类算法 被引量:4
2
作者 刘小明 尹建伟 +1 位作者 冯志林 董金祥 《浙江大学学报(工学版)》 EI CAS CSCD 北大核心 2006年第8期1300-1305,共6页
针对三维模型的分类问题,提出了一种适应性加权非对称AdaBoost隐马尔克夫模型(HMM)分类算法.算法中提出了由三维模型表面的绝对法向量表示的两种新特征,将经过归一化和姿态调整的三维模型划分为若干部分,各部分对应HMM的一个状态,对各... 针对三维模型的分类问题,提出了一种适应性加权非对称AdaBoost隐马尔克夫模型(HMM)分类算法.算法中提出了由三维模型表面的绝对法向量表示的两种新特征,将经过归一化和姿态调整的三维模型划分为若干部分,各部分对应HMM的一个状态,对各部分提取特征并用主成分分析(PCA)降维,对模型的4种特征对应的弱分类器使用非对称AdaBoost算法进行boosting.HMM的结构及参数初始值由模型姿势调整的可能形式及观测顺序确定,训练过程中参数用期望最大化方法计算,最后使用加权相似度计算对三维模型分类.分析及试验结果表明,与基于分布函数的分类算法相比,该算法明显提高了正确率.适应性加权后,分类正确率可进一步提高. 展开更多
关键词 三维模型分类 隐马尔克夫模型 非对称Adaboost
在线阅读 下载PDF
结合DCTM与HMM的音乐分类方法 被引量:4
3
作者 徐桂彬 邓伟 《计算机工程与设计》 CSCD 北大核心 2012年第11期4245-4249,4332,共6页
改进相关主题模型(correlated topic model,CTM)使其具有动态性,提出了动态相关主题模型(dynamic correla-ted topic model,DCTM),使用变分卡尔曼滤波推断模型的隐含主题参数。将DCTM作为降维模型与隐马尔克夫模型(hidden Markov model,... 改进相关主题模型(correlated topic model,CTM)使其具有动态性,提出了动态相关主题模型(dynamic correla-ted topic model,DCTM),使用变分卡尔曼滤波推断模型的隐含主题参数。将DCTM作为降维模型与隐马尔克夫模型(hidden Markov model,HMM)相结合对音乐分类。这一方法将音乐片段分割为等长的小片段,将小片段的声学特征向量通过相似性比较转化为单词序列,通过DCTM将单词序列转换为主题向量。将主题向量输入HMM得出分类结果。由于DCTM的动态建模,更好地提取对分类有用的信息,因此增强了方法的分类能力。实验验证了方法的有效性。 展开更多
关键词 音乐分类 相关主题模型 动态相关主题模型 变分卡尔曼滤波 隐马尔克夫模型
在线阅读 下载PDF
基于图形化的通信光缆管理方法 被引量:2
4
作者 虎啸 刘钰 +3 位作者 汪茂越 刘蕾 肖丹 郝海泉 《光通信技术》 北大核心 2019年第3期30-32,共3页
针对传统光缆路由管理方法存在的路由数据准确率低、管理分散和共享性差等问题,提出了一种基于图形化的光缆路由管理方法。建立基于网络地理信息系统(WebGIS)的光缆路由数据模型,采用隐马尔可夫模型(HMM)的地图匹配算法将空间数据与光... 针对传统光缆路由管理方法存在的路由数据准确率低、管理分散和共享性差等问题,提出了一种基于图形化的光缆路由管理方法。建立基于网络地理信息系统(WebGIS)的光缆路由数据模型,采用隐马尔可夫模型(HMM)的地图匹配算法将空间数据与光缆路由有机结合,确保路由资料和现场实际的一致性;并基于ThinkPHP框架构建了表格-模板转换平台,完成Excel格式的配线资料与路由地理信息的同步显示。该方法能满足运维人员对光缆信息查询和光缆快速定位的需求。 展开更多
关键词 网络地理信息系统 光缆路由 隐马尔克夫模型 ThinkPHP框架
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部