Лингвистическая модель данных для естественных языков и искусственного интеллекта. Часть 3. Распознавание
https://doi.org/10.32603/2412-8562-2019-5-6-132-143
Аннотация
Введение. Статья продолжает серию публикаций по лингвистике отношений (далее R-лингвистика) и посвящена анализу проблемы распознавания применительно к рассматриваемому в рамках серии подходу. Распознавание непосредственным образом влияет на языковые формы тем более, что модель, используемая в рамках R-лингвистики, создает существенные особенности в распознавании.
Методология и источники. Методы исследования заключаются в разработке необходимых математических понятий для лингвистики в области идентификации, для чего используется вербальный подход к ранее полученным результатам по идентификации в лингвистических пространствах.
Результаты и обсуждение. В качестве задачи распознавания в R-лингвистике выделены две задачи: распознавание видов и распознавание значений признаков. Каждая из этих задач имеет специфику по размерности, по расширению на кортежи параметров, блокированию ошибок в распознавании и т. д. Кроме того, наличие лингвистической модели способствует упрощению решения указанных задач. В разделе сформулированы особенности и пути решения обоих задач распознавания с учетом изложенной специфики.
На основе материала, изложенного в данной серии публикаций, описываются общие контуры и свойства лингвистической модели мира. Здесь также обсуждаются различные аспекты распознавания, связанные с лингвистическими пространствами: переменные, память, проблемы расширения и т. д.
Заключение. Сформулирован закон созидательного мышления, следующий из лингвистической модели данных.
Об авторе
О. М. ПоляковРоссия
Поляков Олег Маратович - кандидат технических наук (1982), доцент кафедры информационных технологий предпринимательства.
Ул. Большая Морская, д. 67, лит. А, Санкт-Петербург, 190000
Список литературы
1. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов (статистические проблемы обучения). М.: Наука, 1974.
2. Мерков А. Б. Распознавание образов: введение в методы статистического обучения. 2-е изд. испр. М.: УРСС, 2019.
3. Минский М., Пейперт С. Персептроны / пер. Г. Л. Глимельфарба, В. М. Шарыпанова; под ред. В. А. Ковалевского. М.: Мир, 1971.
4. Потапов А. С. Распознавание образов и машинное восприятие: общий подход на основе принципа минимальной длины описания. СПб.: Политехника, 2007.
5. Polyakov О. М. Linguistic Data Model for Natural Languages and Artificial Intelligence. Part 1. Categorization // DISCOURSE. 2019. Vol. 5, No. 4. P. 102-114. DOI: 10.32603/2412-8562-2019-5-4-102-114.
6. Polyakov O. М. Linguistic Data Model for Natural Languages and Artificial Intelligence. Part 2. Identification // DISCOURSE. 2019. Vol. 5, No. 5. P. 99-113. DOI: 10.32603/2412-8562-2019-5-5-99-113.
Рецензия
Для цитирования:
Поляков О.М. Лингвистическая модель данных для естественных языков и искусственного интеллекта. Часть 3. Распознавание. Дискурс. 2019;5(6):132-143. https://doi.org/10.32603/2412-8562-2019-5-6-132-143
For citation:
Polyakov O.M. Linguistic Data Model for Natural Languages and Artificial Intelligence. Part 3. Recognition. Discourse. 2019;5(6):132-143. https://doi.org/10.32603/2412-8562-2019-5-6-132-143