《世说新语》中的程度补语研究

在详细调查南朝刘义庆《世说新语》的基础上,对其出现的程度补语(简称程补)作了细致的分析探讨,认为其基本句式可以分为“动 程补 宾”、“(主语) 动 宾 (状)程补”、“动(形) (状)程补”三种。其中,“动(形) (状)程补”格式出现频率最高。在《世说新语》中充当程度补语的动词主要有“毕”“竟”“酣”等;形容词主要有“困”“良久”“危急”等;副词主要有“甚”“极”等。     

《大连海事大学学报》参考文献标注方法

<正>《大连海事大学学报》参考文献标注方法采取顺序编码制,各篇文献要按正文部分标注的序号依次列出,连续编码,并将序号置于方括号中。参考文献的页码一般置于参考文献表中,如多次引用同一著者的同一文献,则在正文中标注首次引用文献的序号。参考文献为中文的,请给出该文献的英文对照。文献作者3个及以下的全部列出,4个及以上的只列前3个,后加",等"或",et al";外文作者姓前名后,姓全部字母大写,名用缩写,不加缩写点。     

融入词性自注意力机制的方面级情感分类方法

针对基于注意力机制的模型在方面级情感分类任务中忽略了单词词性信息的问题,提出一种融入词性自注意力机制的方面级情感分类方法.该方法首先基于自然语言处理词性标注工具获得词性标注序列,并随机初始化一个词性嵌入矩阵得到词性嵌入向量;然后用自注意力机制学习单词之间的句法依赖关系;最后计算出每个单词的情感分数,利用词情感的结合表示特定方面的情感极性.实验结果表明,在5个公共数据集上,该方法相比效果最好的基线模型,在准确率和宏观F₁分数上分别提升2%和4.83%.表明融入词性信息的注意力机制模型在方面级情感分类任务中性能更好.     

一种融合特征选择的AdaBoost集成算法

针对Ada Boost算法训练分类器的特征具有大量冗余问题,提出了一种融合特征选择的Ada Boost集成算法.首先,使用一种特征选取方法,选择图像特征之间冗余度最小的特征,构造最优训练集;其次,采用Ada Boost算法训练分类器,构建分类模型;最后,使用分类模型实现待标注图像的自动标注.实验使用华盛顿大学用于图像自动标注的数据集,结果验证算法的有效性,并且相比其他传统算法,该算法具有更高的分类精度.     

结合金字塔模型和随机森林的运动捕获序列语义标注

针对原始运动捕获数据结构复杂、语义模糊的问题,提出一种结合金字塔模型和随机森林的运动捕获序列语义标注方法.首先,利用概率主成分分析将运动序列划分为具有特定语义的运动片段.然后,将运动片段的欧拉角数据转换为人体各个关节点的三维空间位置坐标数据,统一骨骼长度,提取运动数据的2种互补性几何特征,并分别归一化.再次,运用傅里叶时间金字塔模型构建运动片段完整的时空特征.最后,利用已训练的随机森林分类器对各个运动片段进行标注.结果表明:该方法能够对具有不同语义的复杂运动序列进行有效标注,且可用于不同表演者,具有一定的实用性和通用性.     

论刀具角度参考系及不同参考系的角度变换

本文阐明建立刀具角度参考系所遵循的原则．并对刀具标往角度参考系进行分析与比较，根据各自特点，确定使用场合．为确定角度变换中的复杂相互关系，而采用了既简明又便于记忆的二面角正切（余切）圆矢量图法来表示垂直于基面的不同参考系的角度变换．     

语音数据库标注系统的初步设计

此设计旨在完成语音数据库系统的语音标注工作，定义了标注件的格式和标注系统的主要功能。     

基于区域标注的车牌提取算法研究

提出了一种基于区域标注的方法来实现静态图像中的车牌提取。车牌提取的主要步骤由以下几步构成:原始图像灰度化、数学形态学处理(前景图像处理)、图像二值化(阈值法)、图像滤波处理、特征区域标注,车牌特征提取、采用matlab进行实验仿真。在实验中,通过对各种场景下采集到1 000幅图像做测试,车牌定位率为98%。实验结果表明基于区域标注的车牌提取算法运算快,对背景较为复杂的图像中车牌的提取有良好的效果。     

AutoCAD系统机械图尺寸及公差自动标注功能的开发

本文论述了以微机辅助绘图软件ＡｕｔｏＣＡＤ为图形支撑软件实现机械图尺寸公差自动标注和尺寸标注的程序设计方法。用这种方法设计的程序面向用户，标注参数易于控制，使尺寸公差自动标注成为可能。     

基于最大熵模型的词位标注汉语分词

近年来基于字的词位标注汉语分词方法极大地提高了分词的性能,该方法将汉语分词转化为字的词位标注问题,借助于优秀的序列标注模型,词位标注汉语分词逐渐成为汉语分词的主要技术路线.该方法中特征模板集设定和词位标注集的选择至关重要,采用不同的词位标注集,使用最大熵模型进一步研究了词位标注汉语分词技术.在国际汉语分词评测Bakeoff2005的语料上进行了封闭测试,并对比了不同词位标注集对分词性能的影响.实验表明所采用的六词位标注集配合相应的特征模板集TMPT-6较其他词位标注集分词性能要好.