【摘要】：陸空通話復(fù)誦差錯一直是影響航空器飛行安全的重要因素,所以如何減少陸空通話復(fù)誦差錯一直是民航業(yè)關(guān)注的重點�，F(xiàn)存的方法多依賴于人工分析事故報告或通話語音完成復(fù)誦差錯分類,以掌握復(fù)誦差錯機理、提升管制員和飛行員之間通話質(zhì)量。但這些方法不僅需要大量的人力物力,還不易處理大量數(shù)據(jù)。因此搭建一個合適的陸空通話復(fù)誦差錯自動分類模型具有重要意義。本文的具體內(nèi)容如下:第一,對詞編碼方法進(jìn)行研究,提出了一種適用于復(fù)誦差錯分類任務(wù)的增強one-hot編碼方式。該編碼方式,通過在one-hot向量之后加入標(biāo)志位,緩解了one-hot編碼方式無法有效建模民航詞語相關(guān)性的問題。第二,對詞語級別的語義匹配進(jìn)行研究,提出了基于交互方式的陸空通話復(fù)誦差錯分類方法。該方法通過數(shù)據(jù)預(yù)處理將復(fù)誦對文本轉(zhuǎn)化為句子矩陣;然后通過交互句子矩陣得到匹配矩陣,并采用神經(jīng)網(wǎng)絡(luò)提取復(fù)誦對之間的匹配特征;最終通過全連接softmax對于匹配特征進(jìn)行分類。第三,對句子級別的語義匹配進(jìn)行研究,提出了基于孿生結(jié)構(gòu)的陸空通話復(fù)誦差錯分類方法。該方法使用兩個相同的神經(jīng)網(wǎng)絡(luò)分別對句子矩陣進(jìn)行編碼得到復(fù)誦對文本的語義向量;然后通過全連接softmax匹配復(fù)誦對的語義向量并對匹配之后的特征分類。通過對改進(jìn)的編碼方式和提出的兩種模型進(jìn)行實驗,證明了提出模型的可行性。實驗結(jié)果表明改進(jìn)的編碼方式更加適用于陸空通話復(fù)誦差錯分類任務(wù)。并且,相比于基于交互方式的方法,基于孿生結(jié)構(gòu)的方法可以有效地捕捉復(fù)誦對之間深層次的匹配關(guān)系。
【學(xué)位授予單位】：中國民航大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：V35;V328
【圖文】：

中國民航大學(xué)碩士學(xué)位論文者開始將 CNN 應(yīng)用到自然語言處理領(lǐng)域。2014 年，Kim 通過改進(jìn)傳統(tǒng) CNN 得到單層CNN，并且經(jīng)過大量的實驗證明單層 CNN 更加適合于文本語義建模。本小節(jié)介紹傳統(tǒng)CNN 和單層 CNN 的基本原理。2.3.1 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)基本原理傳統(tǒng) CNN 包含：輸入層、卷積層、池化層和輸出層，其框架示意圖如圖 2-1 所示。傳統(tǒng) CNN 作為一種層次化的結(jié)構(gòu)，其在計算過程中最重要的兩點是組合性和局部不變性。組合性通過多個卷積層的堆疊實現(xiàn)，前層的卷積層提取一些邊緣特征和簡單的形狀特征，后層的卷積層提取圖片的深層特征。局部不變性指的是 CNN 可以克服圖像簡單的平移、旋轉(zhuǎn)和尺度縮放帶來的問題，這種局部不變性通過池化層實現(xiàn)。

最大池化方式不僅保留了顯著的特征，而且去除了冗余特征和減少了參數(shù)。圖 2-2 最大池化方式示意圖2.3.2 單層卷積神經(jīng)網(wǎng)絡(luò)基本原理處理文本與處理圖像的不同在于：當(dāng) CNN 處理文本時，它的輸入是文本經(jīng)過轉(zhuǎn)化后的文本矩陣。文本矩陣中的每個元素?zé)o物理意義，但其每一行所有的元素聯(lián)系在一起存在一定的物理意義，并表示對應(yīng)詞語的語義向量。單層卷積神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的整體思路一致，單層卷積神經(jīng)網(wǎng)絡(luò)同樣利用卷積-池化操作獲得文本的語義特征，但它是一個淺層的神經(jīng)網(wǎng)絡(luò)，僅包括一層卷積和一層池化，如圖 2-3 所示。單層卷積神經(jīng)網(wǎng)絡(luò)的輸入是文本矩陣n mS ，其中 n 表示文本分詞之后詞語的個數(shù)，m 表示詞向量的維度。為了保持所有文本構(gòu)成的輸入矩陣維度一致，本文對詞語個數(shù)小于 n 的文本進(jìn)行補零操作。單層卷積神經(jīng)網(wǎng)絡(luò)利用尺寸為“h×m”的卷積核對輸入的文本矩陣進(jìn)行卷積。此類卷積核將一個詞向量視為一個“像素點”，并通過對卷積區(qū)域中的 h 個詞語進(jìn)行表示得到一個語義特征ic，該過程可由式（2.5）表示：: 1( ) 1,2,..., 1i i i hc i n h W S b （2.5）在公式（2.5）中

FlattenConvolution3×5 kernel4×5 kernelMax pooling4×1 kernel5×1 kernel圖 2-3 單層卷積神經(jīng)網(wǎng)絡(luò)基本框架圖.6）表示： 1 2 1, ,...,n h c c 中，( n h 1) 1C 代表卷積之后得到的特征圖。一般通過加豐富的特征。此外，我們還可以將卷積核的尺度設(shè)置取文本矩陣中不同組合的語義特征，進(jìn)而得到不同短語積層輸出的特征圖輸入到池化層進(jìn)行特征抽取和降維。得到一個定長的向量，稱之為語義向量。最后，將語義成文本分類工作。建模中，單層卷積神經(jīng)網(wǎng)絡(luò)常用的池化方式為：全局最大池化。全局最大池化方式保留特征圖中最大的特征值

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張佩云;黃波;孫亞民;;面向服務(wù)組合的服務(wù)語義匹配機制[J];電子科技大學(xué)學(xué)報;2008年06期

2 郝玫;馬建峰;;基于特征觀點對語義匹配的產(chǎn)品評論可信度研究[J];現(xiàn)代情報;2019年06期

3 賈君枝;毛海飛;;基于法律框架網(wǎng)絡(luò)本體的語義匹配技術(shù)研究[J];情報理論與實踐;2008年01期

4 糜德吉;周良;丁秋林;;一種基于命名空間過濾的服務(wù)語義匹配算法[J];中國制造業(yè)信息化;2009年23期

5 邢華橋;武昊;侯妙樂;侯東陽;;顧及語義匹配類別的遙感處理服務(wù)組合方法[J];地理與地理信息科學(xué);2015年05期

6 羅安;王艷東;龔健雅;;顧及上下文的空間信息服務(wù)組合語義匹配方法[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2011年03期

7 吳少洪;彭敦陸;苑威威;陳章;劉叢;;MGSC:一種多粒度語義交叉的短文本語義匹配模型[J];小型微型計算機系統(tǒng);2019年06期

8 姚俊良;樂小虬;;科技查新查新點語義匹配方法研究[J];數(shù)據(jù)分析與知識發(fā)現(xiàn);2019年06期

9 梁汝鵬;鄧克波;毛澤湘;徐沛;;基于軍事知識圖譜的作戰(zhàn)預(yù)案語義匹配方法研究[J];指揮與控制學(xué)報;2019年02期

10 張燕;王鋒;張睿;;基于本體的網(wǎng)格服務(wù)語義匹配方法[J];計算機工程;2007年07期

相關(guān)會議論文 前6條

1 李耀春;徐羽瓊;李石堅;潘綱;;面向任務(wù)遷移的組件語義匹配機制[A];第六屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

2 李貴;張兆鑫;李征宇;韓子洋;;WEB環(huán)境下基于領(lǐng)域本體的語義匹配技術(shù)研究[A];科學(xué)發(fā)展與社會責(zé)任（A卷）——第五屆沈陽科學(xué)學(xué)術(shù)年會文集[C];2008年

3 臧立麗;王卓;馮曉寧;;一種基于語義的軟構(gòu)件檢索方法[A];黑龍江省計算機學(xué)會2007年學(xué)術(shù)交流年會論文集[C];2007年

4 吳桂芳;劉俊;張倩倩;谷雨;;基于本體的語義匹配技術(shù)研究[A];2014第二屆中國指揮控制大會論文集（上）[C];2014年

5 林小青;李畢琴;;刺激屬性的不一致對工作記憶內(nèi)容捕獲注意的影響[A];第二十一屆全國心理學(xué)學(xué)術(shù)會議摘要集[C];2018年

6 白東偉;彭泳;陳俊亮;;一種語義支持的綜合業(yè)務(wù)發(fā)現(xiàn)框架[A];2006年全國通信軟件學(xué)術(shù)會議論文集[C];2006年

相關(guān)博士學(xué)位論文 前8條

1 黃濤;知識服務(wù)的語義匹配機制研究[D];華中師范大學(xué);2007年

2 許楠;基于本體的上下文感知計算關(guān)鍵技術(shù)研究[D];大連海事大學(xué);2015年

3 錢劍鋒;分布式語義發(fā)布/訂閱系統(tǒng)的若干關(guān)鍵技術(shù)研究[D];浙江大學(xué);2011年

4 藺旭東;基于語義的XML查詢及規(guī)范化研究[D];北京交通大學(xué);2010年

5 高建波;本體模型及其在信息安全評估領(lǐng)域的應(yīng)用研究[D];上海交通大學(xué);2015年

6 楊柳;模糊本體建模方法及語義信息處理策略研究[D];中南大學(xué);2011年

7 陳科;語義支持的空間信息服務(wù)組合關(guān)鍵技術(shù)研究[D];解放軍信息工程大學(xué);2012年

8 江志雄;基于動態(tài)語義的Web服務(wù)描述[D];復(fù)旦大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 李東方;結(jié)合多種策略的文本語義匹配方法[D];哈爾濱工業(yè)大學(xué);2018年

2 程方圓;基于深度學(xué)習(xí)的陸空通話差錯分類方法研究[D];中國民航大學(xué);2019年

3 劉興昱;基于勘探開發(fā)知識圖譜的深度問答系統(tǒng)關(guān)鍵技術(shù)研究[D];中國石油大學(xué)(北京);2018年

4 王坤;面向中文醫(yī)療問題檢索的語義匹配技術(shù)研究[D];華東師范大學(xué);2019年

5 金麗嬌;基于深度學(xué)習(xí)的答案選擇方法研究[D];華東師范大學(xué);2019年

6 吳承澤;面向社區(qū)論壇多輪對話線索的連貫性評估方法研究[D];哈爾濱工業(yè)大學(xué);2018年

7 胡宇;面向數(shù)據(jù)融合的文本語義匹配的研究與實現(xiàn)[D];東北大學(xué);2015年

8 張杰;基于地理語義匹配的信息一體化檢索[D];中南大學(xué);2013年

9 邢昆明;基于語義匹配的Web服務(wù)發(fā)現(xiàn)和選擇問題的研究[D];中國石油大學(xué)（華東）;2013年

10 李玲;工作記憶內(nèi)容的語義匹配對注意捕獲效應(yīng)的影響[D];江西師范大學(xué);2017年

本文編號：2754771