说明:双击或选中下面任意单词,将显示该词的音标、读音、翻译等;选中中文或多个词,将显示翻译。
您的位置:首页 -> 词典 -> 最大熵模型(ME)
1)  Maximum entropy model (ME)
最大熵模型(ME)
2)  maximum entropy(ME)
最大熵(ME)
3)  maximum entropy
最大熵模型
1.
Research on Coreference Resolution Based on the Maximum Entropy Model;
基于最大熵模型的共指消解研究
2.
In order to improve veracity of personal pronoun anaphora resolution in Chinese text,in the paper,according to the feature of Chinese personal pronoun in the paroxysmal text of Chinese web pages,we conduct comparative experiments which are based on the corpus,between the maximum entropy and decision tree for personal pronoun anaphora resolution.
代词消解是文本信息处理中的一个重要任务,为了提高中文人称代词消解的准确性,文章在大规模语料的基础上,分析了中文网页突发事件语料中人称代词的特点,提出了最大熵模型算法和决策树算法两种算法,并对比了这两种算法的中文人称代词的消解效果。
3.
A lot of researches have been made on the application of the maximum entropy modeling in the natural language processing during recent years.
最大熵模型的应用研究在自然语言处理领域中受到关注 ,文中利用语料库中词性标注的上下文信息建立基于最大熵方法的汉语词性系统。
4)  maximum entropy Model
最大熵模型
1.
Email categorization with maximum entropy model;
最大熵模型在邮件分类中的应用
2.
Using Maximum Entropy Model for Text Categorization;
使用最大熵模型进行文本分类
3.
Prediction of protein structure class with maximum entropy model;
基于最大熵模型预测蛋白质结构的分类
5)  Maximum entropy models
最大熵模型
1.
Maximum entropy models have been widely adapted in various natural language processing tasks.
最大熵模型已被广泛应用于多种自然语言处理任务,但一些现有研究工作在解码算法上存在有待改进的地方。
2.
This paper analyzes the principle and every parameter meaning of open-source code of maximum entropy models, uses the method of the combination of feature frequency and average mutual information to select the features from the candidate feature set, realizes the maximum entropy models for Chinese Word Sense Disambiguation(WSD) by Delphi, and computes models parameters by GIS algorithm.
分析最大熵模型开源代码的原理和各参数的意义,采用频次和平均互信息相结合特征筛选和过滤方法,用Delphi语言编程实现汉语词义消歧的最大熵模型,运用GIS(Generalized Iterative Scaling)算法计算模型的参数。
6)  Maximum Entropy Classification Modeling
最大熵分类模型
补充资料:最大熵法
      对信号的功率谱密度估计的一种方法。1967年由J.P.伯格所提出。其原理是取一组时间序列,使其自相关函数与一组已知数据的自相关函数相同,同时使已知自相关函数以外的部分的随机性最强,以所取时间序列的谱作为已知数据的谱估值。它等效于根据使随机过程的熵为最大的原则,利用N个已知的自相关函数值来外推其他未知的自相关函数值所得到的功率谱。最大熵法功率谱估值是一种可获得高分辨率的非线性谱估值方法,特别适用于数据长度较短的情况。
  
  最大熵法谱估值对未知数据的假定  一个平稳的随机序列,可以用周期图法对其功率谱进行估值。这种估值方法隐含着假定未知数据是已知数据的周期性重复。现有的线性谱估计方法是假定未知数据的自相关函数值为零,这种人为假定带来的误差较大。最大熵法是利用已知的自相关函数值来外推未知的自相关函数值,去除了对未知数据的人为假定,从而使谱估计的结果更为合理。
  
  熵在信息论中是信息的度量,事件越不确定,其信息量越大,熵也越大。对于上述问题来说,对随机过程的未知的自相关函数值,除了从已知的自相关函数值得到有关它的信息以外,没有其他的先验知识。因而,在外推时,不希望加以其他任何新的限制,亦即使之"最不确定"。换言之,就是使随机过程的熵最大。
  
  最大熵法功率谱估值表达式  最大熵法功率谱估值的表达式为
  式中PM为M阶预测误差滤波器的输出功率;B为随机过程的带宽;为采样周期;ɑm(m=1,2,...,M)由下式决定:
  
  式中rNx(M)为已知的随机过程的自相关函数值。
  
  从功率谱估值的表达式可以看出,最大熵法与自回归信号模型分析法以及线性预测误差滤波器是等价的,只是从不同的观点出发得到了相同的结果。
  
  由已知信号计算功率谱估值的递推算法  应用上述的谱估值表达式进行计算时,需要知道有限个自相关函数值。但是,实际的情况往往是只知道有限长的时间信号序列,而不知道其自相关函数值。为了解决这个问题,J.P.伯格提出了一种直接由已知的时间信号序列计算功率谱估值的递推算法,使最大熵法得到广泛的应用。递推算法如下:
  
  
  递推算法只需要知道有限长的时间信号序列,不须计算其自相关函数值,所得的解保证是稳定的。但是,其解只是次优解。
  
  应用递推算法往往使谱估值出现"谱线分裂"与"频率偏移"等问题,因而,又有各种改进的算法。其中,较著名的有傅格算法和马普尔算法,但是所需的计算量较大。另外,在有噪声的情况下,如何选定阶数仍有待进一步探讨。
  

说明:补充资料仅用于学习参考,请勿用于其它任何用途。
参考词条