Preview

Дискурс

Расширенный поиск

Лингвистическая модель данных для естественных языков и искусственного интеллекта. Часть 3. Распознавание

https://doi.org/10.32603/2412-8562-2019-5-6-132-143

Полный текст:

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. Поляков
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Россия

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.


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

Просмотров: 36


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2412-8562 (Print)
ISSN 2658-7777 (Online)