自然语言训练的机器人基本行为控制器

本文探索了一种直接利用自然语言进行机器人运动技能训练的控制方法， 提出了利用模糊神经网络结构作为基本行为控制单元，通过教师的自然语言指令完成针对某 一特定行为的运动经验获取和控制器训练，这是一种更加自然的控制器构造方式，以基本运 动单元为基础，可以进一步实现机器人复杂任务的语言编程与控制．所提控制方法最终在一 个轮式移动机器人系统上进行了语言训练实验．     

一类非线性系统基于最小二乘支持向量机的自适应H∞控制

提出一类非线性不确定系统基于最小二乘支持向量机的白适应H∞控制方法．该方法基于最小二乘支持向量机估计对象的未知非线性函数,并给出了最小二乘支持向量机权向量和偏移值的在线学习规则．引入H∞控制器用于减弱外部干扰及最小二乘支持向量机近似误差对输出误差的影响．利用李亚普诺夫理论证明了整个闭环系统一致最终有界稳定．仿真结果表明了该方法的有效性．     

基于启发式信息的支持向量机规则抽取

提出一种基于启发式信息的支持向量机规则抽取方法,解决了规则抽取中处理连续属性困难的问题。将支持向量回归（SVR）分类超曲面位置和形状特征作为启发式信息指导属性选择和属性区间的合理分割,然后给出了分类规则抽取的具体算法。通过UCI中多个数据集进行测试,证明与其他规则抽取方法相比,该方法显著提高了分类规则抽取的效率,尤其对复杂的分类问题。     

基于最小二乘支持向量机的一类非自治系统自适应控制

提出了一种基于最小二乘支持向量机(LS-SVM)的一类不确定非自治系统自适应控制器设计方法.该方法基于最小二乘支持向量机来估计对象的部分未知非线性项,并给出了最小二乘支持向量机权向量和偏移值的在线学习规则.利用李亚普诺夫理论严格证明了整个闭环系统的跟踪误差、控制器参数以及最小二乘支持向量机权参数和偏移值的一致最终有界.此控制方法可以保证对象在线稳定地跟踪任何光滑的目标轨迹,仿真结果表明了此控制方法的可行性和有效性.     

基于遗传算法的模糊支持向量网络控制

将模糊控制与支持向量网络相结合，设计了一种模糊支持向量网络控制器．该控制器融合了模糊控制与支持向量网络的优点，具有不依赖被控对象模型、泛化能力强等特点．利用遗传算法来优化支持向量机参数和控制器比例因子参数，以期实现最优的控制性能. 仿真结果表明了控制系统具有优良的控制性能．     

模糊逻辑系统与支持向量机的关系探索

研究了模糊逻辑系统和支持向量机的关系，指出模糊逻辑系统是以峰点作为支持向量，以隶属函数作为基函数的推理系统．模糊逻辑系统是一种特殊的支持向量机。文中提出了一种基于模糊规则的支持向量机控制模型，仿真结果表明了这种模型的可行性和有效性。     

采用自然语言的移动机器人任务编程

本文在机器人具备基本运动技能的基础上［1］，采用基于指令教导的学习方法．通 过自然语言教会机器人完成抽象化任务，并以程序体方式保存所学知识，也即通过自然语言 对话自动生成程序流．通过让机器人完成导航等任务，验证所提自然语言编程方法的可行性 ．     

基于LS-SVM的一类非线性系统直接自适应H∞输出反馈控制

针对一类状态不可测的单输入单输出非线性不确定系统,提出了一种基于最小二乘支持向量机（LS-SVM）的直接自适应H∞输出反馈控制方法．该方法首先设计一种误差观测器,间接地估计出系统的状态;然后利用LS-SVM构造白适应控制器,并给出了LS-SVM权向量和偏移值的在线学习规则,通过引入如控制器减弱外部干扰及LS-SVM近似误差对输出误差的影响,利用李亚普诺夫理论证明了整个闭环系统的稳定性．仿真研究表明了该控制方案的可行性和有效性．     

支持向量机在PID控制器参数整定中的仿真研究

PID控制是应用最为广泛的控制方法,由于系统中存在非线性和时变性,影响建立精确的模型,系统性能.为了解决控制参数整定,改善系统性能,提出一种基于支持向量机的PID控制器参数整定方法.通过将支持向量机和PID控制器相结合建立支持向量机的参数整定模型,在控制过程中将PID控制的参数作为支持向量机的输入,构造参数自适应学习的PID控制器,在控制过程中动态调整PID的三个控制参数,进行仿真的在线整定.仿真结果表明,支持向量机的PID控制方法在处理非线性和时变系统时,提高了实时性能,增强系统稳定性,并获得更好的控制效果,为通用非线性PID控制器设计提供了依据.     

基于支持向量机的一类混沌系统自适应逆控制

本文研究了基于支持向量机回归自适应逆控制的混沌控制方法,用支持向量机建立系统的辨识器,同时在控制过程可逆的条件下设计基于支持向量回归的系统逆控制器.将该自适应逆控制的方法应用于Lorenz混沌系统的控制,仿真结果表明在系统带有不确定性和测量噪声的情况下,该方法可以有效的将混沌系统的状态控制到给定状态.     

Extraction of Robot Primitive Control Rules from Natural Language Instructions

A support vector rule based method is investigated for the construction of motion controllers via natural language training. It is a two-phase process including motion control information collection from natural language instructions, and motion information condensation with the aid of support vector machine (SVM) theory. Self-organizing fuzzy neural networks are utilized for the collection of control rules, from which support vector rules are extracted to form a final controller to achieve any given control accuracy. In this way, the number of control rules is reduced, and the structure of the controller tidied, making a controller constructed using natural language training more appropriate in practice, and providing a fundamental rule base for high-level robot behavior control. Simulations and experiments on a wheeled robot are carried out to illustrate the effectiveness of the method.     

自然手语动作序列生成的研究

文章探讨了如何让在手语新闻播报中的卡通人按照自然手语的语法规则而非正常人的语法规则来打手语。首先整理了现代汉语自然手语的规则并将其形式化,并建立了正常汉语到汉语自然手语转换的形式规则库;从而实现了现代汉语文本到相应的自然手语的手语动作序列的自动生成。最后将其嵌入到通过手语合成技术和卡通动画的手语新闻播报系统中,使其在线输出的是符合聋人习惯的自然手语。     

DF控制推理模型的研究

针对控制系统中对象的模糊性和动态性,基于动态模糊集(Dynamic Fuzzy Sets)及动态模糊逻辑(Dynamic FuzzyLogic)系统理论,给出DF控制推理模型的相关概念,如DF向量、DF语言变量、DF语言规则和DF蕴涵关系等,并在此基础上探讨基于DF语言规则的DF推理方法,最后通过实例说明这些概念和方法的应用。     

基于卷积神经网络的中文医疗弱监督关系抽取

随着医疗领域受到越来越多的关注,自然语言处理的理论和应用逐渐拓展到该领域,其中信息抽取技术在该领域的应用成为研究热点。针对信息抽取技术在医疗领域实体关系抽取中的应用,提出一种基于卷积神经网络的弱监督关系抽取方法。该方法通过添加人工规则使训练语料带有实体关系标签,然后将该弱关系训练语料转换为向量特征矩阵,并输入到卷积神经网络进行分类模型训练,最终实现实体关系抽取。实验结果表明,该方法比常规机器学习方法更加准确高效。     

基于深度学习的语言模型研究进展

语言模型旨在对语言的内隐知识进行表示,作为自然语言处理的基本问题,一直广受关注．基于深度学习的语言模型是目前自然语言处理领域的研究热点,通过预训练-微调技术展现了内在强大的表示能力,并能够大幅提升下游任务性能．本文围绕语言模型基本原理和不同应用方向,以神经概率语言模型与预训练语言模型作为深度学习与自然语言处理结合的切入点,从语言模型的基本概念和理论出发,介绍了神经概率与预训练模型的应用情况和当前面临的挑战,对现有神经概率、预训练语言模型及方法进行对比和分析．我们又从新型训练任务和改进网络结构两方面对预训练语言模型训练方法进行详细阐述,并对目前预训练模型在规模压缩、知识融合、多模态和跨语言等研究方向进行概述和评价．最后总结语言模型在当前自然语言处理应用中的瓶颈,对未来可能的研究重点做出展望．     

Formalising natural language specifications using a cognitive linguistic/configuration based approach

This paper addresses the problem of transforming business specifications written in natural language into formal models suitable for use in information systems development. It proposes a method for transforming controlled natural language specifications based on the Semantics of Business Vocabulary and Business Rules standard. This approach is unique in combining techniques from Model-Driven Engineering (MDE), Cognitive Linguistics, and Knowledge-based Configuration, which allows the reliable semantic processing of specifications and integration with existing MDE tools to improve productivity, quality, and time-to-market in software development. The method first learns the vocabulary of the specification from glossary-like definitions then parses the rules of the specification and outputs the resulting formal SBVR model. Both aspects of the method are tested separately, with the system correctly learning 98% of the vocabulary and correctly interpreting 98% of the rules of an SBVR SE based example. Finally, the proposed method is compared to state-of-the-art approaches for creating formal models from natural language specifications, arguing that it meets the criteria necessary to fulfil the three goals of (1) shifting control of specification to non-technical business experts, (2) reducing the manual effort involved in formalising specifications, and (3) supporting business experts in creating well-formed sets of business vocabularies and rules.     

感知器在语言模型训练中的应用

感知器（perceptron）是神经网络模型中的一种，它可以通过监督学习（supervised learning）的方法建立模式识别的能力．将感知器应用到语言模型的训练中，实现了感知器的两种不同训练规则以及多种特征权值计算方法，讨论了不同的训练参数对训练效果的影响．在训练之前，使用了一种基于经验风险最小化（empirical risk minimization，ERM）的特征选择算法确定特征集合．感知器训练之后的语言模型在日文假名到汉字（kana-kanji）的转换中进行评估．通过实验对比了感知器的两种训练规则以及变形算法的性能，同时发现通过感知器训练的模型比传统模型（N-gram）在性能上有了很大的提高，使相对错误率下降了15％～20％．     

Incremental statistical learning for integrating motion primitives and language in humanoid robots

We describe a novel approach that allows humanoid robots to incrementally integrate motion primitives and language expressions, when there are underlying natural language and motion language modules. The natural language module represents sentence structure using word bigrams. The motion language module extracts the relations between motion primitives and the relevant words. Both the natural language module and the motion language module are expressed as probabilistic models and, therefore, they can be integrated so that the robots can both interpret observed motion in the form of sentences and generate the motion corresponding to a sentence command. Incremental learning is needed for a robot that develops these linguistic skills autonomously . The algorithm is derived from optimization of the natural language and motion language modules under constraints on their probabilistic variables such that the association between motion primitive and sentence in incrementally added training pairs is strengthened. A test based on interpreting observed motion in the forms of sentence demonstrates the validity of the incremental statistical learning algorithm.     

NI控制卡在转台系统中的应用

介绍了电动三轴仿真转台的计算机控制系统,该系统基于美国M公司的PCI-7344运动控制卡,实现了一系列复杂的运动控制功能;简述了M控制卡的基本特点,并分别给出了转台工作在速度和位置两种方式下,使用LabWindows/CVI编程语言对NI控制卡进行控制,从而实现转台系统快速随动的方法.