基于深度学习的陆空通话差错分类方法研究

发布时间：2020-07-14 09:07

【摘要】：陆空通话复诵差错一直是影响航空器飞行安全的重要因素,所以如何减少陆空通话复诵差错一直是民航业关注的重点。现存的方法多依赖于人工分析事故报告或通话语音完成复诵差错分类,以掌握复诵差错机理、提升管制员和飞行员之间通话质量。但这些方法不仅需要大量的人力物力,还不易处理大量数据。因此搭建一个合适的陆空通话复诵差错自动分类模型具有重要意义。本文的具体内容如下:第一,对词编码方法进行研究,提出了一种适用于复诵差错分类任务的增强one-hot编码方式。该编码方式,通过在one-hot向量之后加入标志位,缓解了one-hot编码方式无法有效建模民航词语相关性的问题。第二,对词语级别的语义匹配进行研究,提出了基于交互方式的陆空通话复诵差错分类方法。该方法通过数据预处理将复诵对文本转化为句子矩阵;然后通过交互句子矩阵得到匹配矩阵,并采用神经网络提取复诵对之间的匹配特征;最终通过全连接softmax对于匹配特征进行分类。第三,对句子级别的语义匹配进行研究,提出了基于孪生结构的陆空通话复诵差错分类方法。该方法使用两个相同的神经网络分别对句子矩阵进行编码得到复诵对文本的语义向量;然后通过全连接softmax匹配复诵对的语义向量并对匹配之后的特征分类。通过对改进的编码方式和提出的两种模型进行实验,证明了提出模型的可行性。实验结果表明改进的编码方式更加适用于陆空通话复诵差错分类任务。并且,相比于基于交互方式的方法,基于孪生结构的方法可以有效地捕捉复诵对之间深层次的匹配关系。
【学位授予单位】：中国民航大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：V35;V328
【图文】：

示意图,示意图,卷积,不变性

中国民航大学硕士学位论文者开始将 CNN 应用到自然语言处理领域。2014 年，Kim 通过改进传统 CNN 得到单层CNN，并且经过大量的实验证明单层 CNN 更加适合于文本语义建模。本小节介绍传统CNN 和单层 CNN 的基本原理。2.3.1 传统卷积神经网络基本原理传统 CNN 包含：输入层、卷积层、池化层和输出层，其框架示意图如图 2-1 所示。传统 CNN 作为一种层次化的结构，其在计算过程中最重要的两点是组合性和局部不变性。组合性通过多个卷积层的堆叠实现，前层的卷积层提取一些边缘特征和简单的形状特征，后层的卷积层提取图片的深层特征。局部不变性指的是 CNN 可以克服图像简单的平移、旋转和尺度缩放带来的问题，这种局部不变性通过池化层实现。

示意图,方式,示意图,文本

最大池化方式不仅保留了显著的特征，而且去除了冗余特征和减少了参数。图 2-2 最大池化方式示意图2.3.2 单层卷积神经网络基本原理处理文本与处理图像的不同在于：当 CNN 处理文本时，它的输入是文本经过转化后的文本矩阵。文本矩阵中的每个元素无物理意义，但其每一行所有的元素联系在一起存在一定的物理意义，并表示对应词语的语义向量。单层卷积神经网络与传统卷积神经网络的整体思路一致，单层卷积神经网络同样利用卷积-池化操作获得文本的语义特征，但它是一个浅层的神经网络，仅包括一层卷积和一层池化，如图 2-3 所示。单层卷积神经网络的输入是文本矩阵n mS ，其中 n 表示文本分词之后词语的个数，m 表示词向量的维度。为了保持所有文本构成的输入矩阵维度一致，本文对词语个数小于 n 的文本进行补零操作。单层卷积神经网络利用尺寸为“h×m”的卷积核对输入的文本矩阵进行卷积。此类卷积核将一个词向量视为一个“像素点”，并通过对卷积区域中的 h 个词语进行表示得到一个语义特征ic，该过程可由式（2.5）表示：: 1( ) 1,2,..., 1i i i hc i n h W S b （2.5）在公式（2.5）中

特征图,单层,特征图,语义

FlattenConvolution3×5 kernel4×5 kernelMax pooling4×1 kernel5×1 kernel图 2-3 单层卷积神经网络基本框架图.6）表示： 1 2 1, ,...,n h c c 中，( n h 1) 1C 代表卷积之后得到的特征图。一般通过加丰富的特征。此外，我们还可以将卷积核的尺度设置取文本矩阵中不同组合的语义特征，进而得到不同短语积层输出的特征图输入到池化层进行特征抽取和降维。得到一个定长的向量，称之为语义向量。最后，将语义成文本分类工作。建模中，单层卷积神经网络常用的池化方式为：全局最大池化。全局最大池化方式保留特征图中最大的特征值

【相似文献】