1) word-semantics BM neural network
词―语义BM神经网络
2) semantic neural network
语义神经网络
1.
Deep-seated Semantic Computing Based on Semantic Neural Network;
基于语义神经网络的深层语义的计算
2.
Studying the Construction of Chinese Surface Semantic Neural Network Based on Ontology;
基于本体的汉语表层语义神经网络的构造研究
3.
This paper puts forward a new methodology for parsing the surface semantics of the Chinese language based on semantic neural networks,which combines symbolism and connectionism.
本文提出一种基于语义神经网络的汉语表层语义分析方法。
3) lexical semantic network
词汇语义网络
1.
To represent this organization of one\'s mental lexicon,the lexical semantic network is so far the most satisfactory model.
其中词汇语义网络被认为是目前反映心理词库组织最理想的模型。
4) generalized neural networks
广义神经网络
1.
New sufficient conditions of globally exponential stability of generalized neural networks with time delays were presented by using Liapunov algorithm,linear matrix inequality and integral inequality.
对于具有时滞的广义神经网络,利用Liapunov函数方法、线性矩阵不等式以及积分不等式等技巧,给出了该神经网络模型的平衡点的存在性、惟一性以及全局指数稳定的一些充分条件。
5) general regression neural network
广义神经网络
1.
A kind of smoothing factor,which optimizes general regression neural network (GRNN) by improved particle swarm optimization (PSO),is put forward and a method to forecast system marginal price by GRNN with optimized parameters is proposed.
提出了一种利用改进粒子群算法优化广义神经网络的平滑因子,并采用优化后的网络预测系统边际价格的方法,该方法克服了利用梯度下降法优化平滑因子时易陷入局部极值点以及利用遗传算法优化平滑因子时收敛速度慢等缺点。
6) generalized neural network
广义神经网络
1.
Research of generalized neural network and it′s application to traffic flow prediction;
广义神经网络的研究及其在交通流预测中的应用
2.
Grid parallel computation of online traffic status prediction using generalized neural network
在线广义神经网络交通状态预测的网格并行算法
补充资料：语义网络理论
用于表示词与词之间的语义关系的一种网络理论。1973年由美国人工智能专家司马贺提出。其原理是以句中词的概念为网络的结点，以沟通结点之间的有向弧来表示概念与概念之间的语义关系，构成一个彼此相连的网络，以理解自然语言句子的语义。
例如， John saw Mary dancing（约翰看到玛丽跳舞。）这个句子，可用下面的语义网络符号来表示：
C1 TOKEN(see)
TIME PAST
DATIVEC2
OBJECT C3
C2 TOKEN(John)
NUMBER SINGULAR
C3 TOKEN (dancing)
TIME PROGRESSIVE PAST
AGENT C4
C4 TOKEN(Mary)
NUMBER SINGULAR
这里,C1，C2，C3，C4是语义网络中表示概念的结点。see的意义项是C1,John的意义项是C2, dancing的意义项是C3,Mary的意义项是C4。TOKEN表示词项, TIME表示时态，NUMBER表示数,PAST表示过去时, PROGRESSIVE表示进行时，SINGULAR 表示单数， AGENT 表示主体格，DATIVE表示给予格，OBJECT表示客体格，它们都是深层格。根据这样的语义关系，这个句子可用语义网络表示如：
采用语义网络来理解自然语言时，首先分解输入句的句法关系，同时分析句子的深层格结构，记录语义关系，最后求出输入句的语义网络，借以理解自然语言的语义。
例如， John saw Mary dancing（约翰看到玛丽跳舞。）这个句子，可用下面的语义网络符号来表示：
C1 TOKEN(see)
TIME PAST
DATIVEC2
OBJECT C3
C2 TOKEN(John)
NUMBER SINGULAR
C3 TOKEN (dancing)
TIME PROGRESSIVE PAST
AGENT C4
C4 TOKEN(Mary)
NUMBER SINGULAR
这里,C1，C2，C3，C4是语义网络中表示概念的结点。see的意义项是C1,John的意义项是C2, dancing的意义项是C3,Mary的意义项是C4。TOKEN表示词项, TIME表示时态，NUMBER表示数,PAST表示过去时, PROGRESSIVE表示进行时，SINGULAR 表示单数， AGENT 表示主体格，DATIVE表示给予格，OBJECT表示客体格，它们都是深层格。根据这样的语义关系，这个句子可用语义网络表示如：
采用语义网络来理解自然语言时，首先分解输入句的句法关系，同时分析句子的深层格结构，记录语义关系，最后求出输入句的语义网络，借以理解自然语言的语义。
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