隨著人工智能的發(fā)展,語音識別技術(shù)和自然語言處理技術(shù)越來越成熟,許多公司推出了一系列智能助手產(chǎn)品。這些技術(shù)和產(chǎn)品極大地影響著人們的生活,使得人類和計算機可以直接交流。人與智能助手通過自然語言溝通很可能成為一種主流的人機交互方式。在這樣的背景下,智能助手在工程應(yīng)用領(lǐng)域存在巨大的應(yīng)用前景。在車間場景中,,相比較于通過鍵盤和觸摸屏手動輸入工程信息,通過智能助手直接命令可以作為查詢和檢索一些工程數(shù)據(jù)時的替代方式。本文設(shè)計開發(fā)了一款A(yù)lexa技能作為工程數(shù)據(jù)的檢索應(yīng)用,旨在利用亞馬遜的智能助手Alexa對工程數(shù)據(jù)進行操作。用戶可以利用語音命令智能助手,對數(shù)據(jù)庫中的工程數(shù)據(jù)執(zhí)行查詢、添加及修改操作,并可以使用后退和幫助的功能。亞馬遜為開發(fā)人員提供了大量用于開發(fā)Alexa技能的平臺和產(chǎn)品。亞馬遜開發(fā)者控制臺可以用來設(shè)計技能的交互模型,Lambda平臺用于設(shè)計技能所需的計算服務(wù),Dynamo DB作為數(shù)據(jù)庫用于保存所有工程數(shù)據(jù)。本文采用上述三種工具對技能的交互模型、計算服務(wù)和數(shù)據(jù)庫進行開發(fā),并將這些部分組合形成了最后的技能。經(jīng)過測試,本文所設(shè)計的Alexa技能可以實現(xiàn)所需的功能。此外,Alexa與用戶進... 

【文章來源】：西安電子科技大學陜西省211工程院校教育部直屬院校

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 智能助手
        1.2.2 意圖識別
    1.3 本文主要研究內(nèi)容
        1.3.1 用于工程數(shù)據(jù)處理的Alexa技能開發(fā)
        1.3.2 對于Alexa用戶命令意圖識別能力的優(yōu)化
    1.4 本文的結(jié)構(gòu)安排
第二章 智能助手原理與意圖識別概述
    2.1 Alexa工作原理
        2.1.1 自動語音識別
        2.1.2 語音合成
        2.1.3 語義識別與對話管理
    2.2 Alexa技能需求分析
        2.2.1 Alexa技能分類
        2.2.2 功能性需求分析
        2.2.3 非功能性需求分析
    2.3 技能開發(fā)工具
        2.3.1 交互模型設(shè)計平臺
        2.3.2 計算服務(wù)開發(fā)平臺
        2.3.3 技能所需的數(shù)據(jù)庫
    2.4 對Alexa意圖識別功能的優(yōu)化
        2.4.1 用戶意圖識別
        2.4.2 文本表示的向量模型
        2.4.3 語言模型
        2.4.4 分類算法
    2.5 本章小結(jié)
第三章 Alexa技能的實現(xiàn)與驗證
    3.1 數(shù)據(jù)庫
    3.2 交互模型建立
    3.3 計算服務(wù)
        3.3.1 Lambda平臺配置
        3.3.2 連接數(shù)據(jù)庫
        3.3.3 交互模型的信息輸入
        3.3.4 激活函數(shù)
        3.3.5 處理啟動請求
        3.3.6 處理意圖請求
        3.3.7 回復(fù)響應(yīng)
    3.4 技能的整合與驗證
        3.4.1 Lambda平臺
        3.4.2 亞馬遜開發(fā)者控制臺的驗證
        3.4.3 基于智能音箱的驗證
    3.5 本章小結(jié)
第四章 Alexa意圖識別功能的優(yōu)化模型
    4.1 模型框架
    4.2 文本數(shù)據(jù)預(yù)處理
        4.2.1 數(shù)據(jù)增強
        4.2.2 建立詞向量模型
    4.3 添加詞嵌入模型
    4.4 循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.1 基本結(jié)構(gòu)
        4.4.2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)
        4.4.3 GRU計算單元
    4.5 Softmax分類器
    4.6 模型的訓(xùn)練
    4.7 本章小結(jié)
第五章 意圖識別優(yōu)化模型的實現(xiàn)與仿真
    5.1 實驗平臺說明
        5.1.1 實驗所用硬件
        5.1.2 實驗所用軟件
    5.2 實驗數(shù)據(jù)
    5.3 實驗設(shè)置
    5.4 實驗結(jié)果分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 研究總結(jié)
    6.2 未來展望
參考文獻
致謝
作者簡介


【參考文獻】：
期刊論文
[1]工業(yè)云應(yīng)用與技術(shù)綜述[J]. 徐泉,王良勇,劉長鑫.  計算機集成制造系統(tǒng). 2018(08)
[2]改進Softmax分類器的深度卷積神經(jīng)網(wǎng)絡(luò)及其在人臉識別中的應(yīng)用[J]. 冉鵬,王靈,李昕,劉鵬偉.  上海大學學報(自然科學版). 2018(03)
[3]智能音箱技術(shù)與產(chǎn)品現(xiàn)狀及未來發(fā)展趨勢分析[J]. 蘇軍根,林健,洪博宇,甘玉玨,魯維.  廣東通信技術(shù). 2018(06)
[4]結(jié)合句法特征和卷積神經(jīng)網(wǎng)絡(luò)的多意圖識別模型[J]. 楊春妮,馮朝勝.  計算機應(yīng)用. 2018(07)
[5]語音識別技術(shù)的研究進展與展望[J]. 王海坤,潘嘉,劉聰.  電信科學. 2018(02)
[6]基于詞頻統(tǒng)計規(guī)律的文本數(shù)據(jù)預(yù)處理方法[J]. 池云仙,趙書良,羅燕,高琳,趙駿鵬,李超.  計算機科學. 2017(10)
[7]基于LSTM RNNLM的N-best重打分算法[J]. 李華,屈丹,范正光,張文林.  信息工程大學學報. 2017(04)
[8]智能語音助手搶占AI入口市場[J]. 孟晉.  新經(jīng)濟導(dǎo)刊. 2017(04)
[9]基于ROI-KNN卷積神經(jīng)網(wǎng)絡(luò)的面部表情識別[J]. 孫曉,潘汀,任福繼.  自動化學報. 2016(06)
[10]基于n-gram語言模型和鏈狀樸素貝葉斯分類器的中文文本分類系統(tǒng)[J]. 毛偉,徐蔚然,郭軍.  中文信息學報. 2006(03)



本文編號：3630370