NULL
博文链接：https://iamyida.iteye.com/blog/2206107
2021-11-30 15:54:44
2.36MB
1
递归神经网络模型用于纠错
该存储库提供了在描述的各种模型的源代码。 该项目旨在实现和评估神经网络模型，特别是递归神经网络（RNN），双向递归神经网络（BRNN），序列到序列（seq-to-seq）模型以及最终基于注意力的机制。序列到序列模型。 下图说明了预测给定不正确短语的正确形式的编码器-解码器模型。
DyNet库
在当前项目的实施中，我们一直在使用DyNet。 动态神经网络工具包或DyNet是一个神经网络库，适用于具有动态结构的网络。 DyNet支持在神经网络计算中使用的静态和动态声明策略。 在动态声明中，每个网络都是通过使用有向和无环计算图构建的，该图由定义模型的表达式和参数组成。 DyNet在CPU或GPU上有效工作，最近为许多NLP研究论文和项目提供了支持。 您可以找到有关DyNet的更多信息。
资料集
我们的方法与语言无关。 专门针对我们的项目，我们使用对模型进行了训练和评估，
2021-11-30 10:35:40
6.39MB
1
pr
用Rust编写的快速，资源少的自然语言处理和错误纠正库。 nlprule使用资源为NLP实现了基于规则和查找的方法。
from nlprule import Tokenizer , Rules
tokenizer = Tokenizer . load ( "en" )
rules = Rules . load ( "en" , tokenizer )
rules . correct ( "He wants that you send him an email." )
# returns: 'He wants you to send him an email.'
rules . correct ( "I can due his homework." )
# returns: 'I can do his homework.'
for s in rules . suggest ( "S
2021-11-29 11:20:50
99KB
1
通过对多种多媒体传输标准纠错编码技术的研究,结合跳频WLAN信道特性,提出了一种应用于WLAN的移动多媒体传输LDPC RS级联纠错码方案。仿真实验表明,与用于数字广播网移动多媒体传输的DVB-H标准纠错码方案相比,该方案的纠错性能有明显的提高,在基于跳频WLAN的移动多媒体传输系统中应用具有一定的优势。
2021-11-24 20:16:50
918KB
1
循环码的解码方法（检错和纠错）
检错解码原理：由于任意一个码组多项式T(x)都应该能被生成多项式g(x)整除，所以在接收端可以将接收码组R(x)用原生成多项式g(x)去除。
当传输中未发生错误时，接收码组与发送码组相同，即R(x) = T(x)，故接收码组R(x)必定能被g(x)整除；
若码组在传输中发生错误，则R(x) T(x)，R(x)被g(x)除时可能除不尽而有余项，即有
*
以余项是否为零来判别接收码组中有无错码。
捕错解码法
2021-11-23 09:26:15
2.17MB
1