基于智能助手的工程数据应用设计
发布时间：2022-02-18 03:14
随着人工智能的发展,语音识别技术和自然语言处理技术越来越成熟,许多公司推出了一系列智能助手产品。这些技术和产品极大地影响着人们的生活,使得人类和计算机可以直接交流。人与智能助手通过自然语言沟通很可能成为一种主流的人机交互方式。在这样的背景下,智能助手在工程应用领域存在巨大的应用前景。在车间场景中,,相比较于通过键盘和触摸屏手动输入工程信息,通过智能助手直接命令可以作为查询和检索一些工程数据时的替代方式。本文设计开发了一款Alexa技能作为工程数据的检索应用,旨在利用亚马逊的智能助手Alexa对工程数据进行操作。用户可以利用语音命令智能助手,对数据库中的工程数据执行查询、添加及修改操作,并可以使用后退和帮助的功能。亚马逊为开发人员提供了大量用于开发Alexa技能的平台和产品。亚马逊开发者控制台可以用来设计技能的交互模型,Lambda平台用于设计技能所需的计算服务,Dynamo DB作为数据库用于保存所有工程数据。本文采用上述三种工具对技能的交互模型、计算服务和数据库进行开发,并将这些部分组合形成了最后的技能。经过测试,本文所设计的Alexa技能可以实现所需的功能。此外,Alexa与用户进...
【文章来源】：西安电子科技大学陕西省211工程院校教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 智能助手
1.2.2 意图识别
1.3 本文主要研究内容
1.3.1 用于工程数据处理的Alexa技能开发
1.3.2 对于Alexa用户命令意图识别能力的优化
1.4 本文的结构安排
第二章 智能助手原理与意图识别概述
2.1 Alexa工作原理
2.1.1 自动语音识别
2.1.2 语音合成
2.1.3 语义识别与对话管理
2.2 Alexa技能需求分析
2.2.1 Alexa技能分类
2.2.2 功能性需求分析
2.2.3 非功能性需求分析
2.3 技能开发工具
2.3.1 交互模型设计平台
2.3.2 计算服务开发平台
2.3.3 技能所需的数据库
2.4 对Alexa意图识别功能的优化
2.4.1 用户意图识别
2.4.2 文本表示的向量模型
2.4.3 语言模型
2.4.4 分类算法
2.5 本章小结
第三章 Alexa技能的实现与验证
3.1 数据库
3.2 交互模型建立
3.3 计算服务
3.3.1 Lambda平台配置
3.3.2 连接数据库
3.3.3 交互模型的信息输入
3.3.4 激活函数
3.3.5 处理启动请求
3.3.6 处理意图请求
3.3.7 回复响应
3.4 技能的整合与验证
3.4.1 Lambda平台
3.4.2 亚马逊开发者控制台的验证
3.4.3 基于智能音箱的验证
3.5 本章小结
第四章 Alexa意图识别功能的优化模型
4.1 模型框架
4.2 文本数据预处理
4.2.1 数据增强
4.2.2 建立词向量模型
4.3 添加词嵌入模型
4.4 循环神经网络结构
4.4.1 基本结构
4.4.2 双向循环神经网络
4.4.3 GRU计算单元
4.5 Softmax分类器
4.6 模型的训练
4.7 本章小结
第五章 意图识别优化模型的实现与仿真
5.1 实验平台说明
5.1.1 实验所用硬件
5.1.2 实验所用软件
5.2 实验数据
5.3 实验设置
5.4 实验结果分析
5.5 本章小结
第六章 总结与展望
6.1 研究总结
6.2 未来展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]工业云应用与技术综述[J]. 徐泉,王良勇,刘长鑫. 计算机集成制造系统. 2018(08)
[2]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟. 上海大学学报(自然科学版). 2018(03)
[3]智能音箱技术与产品现状及未来发展趋势分析[J]. 苏军根,林健,洪博宇,甘玉珏,鲁维. 广东通信技术. 2018(06)
[4]结合句法特征和卷积神经网络的多意图识别模型[J]. 杨春妮,冯朝胜. 计算机应用. 2018(07)
[5]语音识别技术的研究进展与展望[J]. 王海坤,潘嘉,刘聪. 电信科学. 2018(02)
[6]基于词频统计规律的文本数据预处理方法[J]. 池云仙,赵书良,罗燕,高琳,赵骏鹏,李超. 计算机科学. 2017(10)
[7]基于LSTM RNNLM的N-best重打分算法[J]. 李华,屈丹,范正光,张文林. 信息工程大学学报. 2017(04)
[8]智能语音助手抢占AI入口市场[J]. 孟晋. 新经济导刊. 2017(04)
[9]基于ROI-KNN卷积神经网络的面部表情识别[J]. 孙晓,潘汀,任福继. 自动化学报. 2016(06)
[10]基于n-gram语言模型和链状朴素贝叶斯分类器的中文文本分类系统[J]. 毛伟,徐蔚然,郭军. 中文信息学报. 2006(03)
本文编号：3630370
【文章来源】：西安电子科技大学陕西省211工程院校教育部直属院校
【文章页数】：85 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 智能助手
1.2.2 意图识别
1.3 本文主要研究内容
1.3.1 用于工程数据处理的Alexa技能开发
1.3.2 对于Alexa用户命令意图识别能力的优化
1.4 本文的结构安排
第二章 智能助手原理与意图识别概述
2.1 Alexa工作原理
2.1.1 自动语音识别
2.1.2 语音合成
2.1.3 语义识别与对话管理
2.2 Alexa技能需求分析
2.2.1 Alexa技能分类
2.2.2 功能性需求分析
2.2.3 非功能性需求分析
2.3 技能开发工具
2.3.1 交互模型设计平台
2.3.2 计算服务开发平台
2.3.3 技能所需的数据库
2.4 对Alexa意图识别功能的优化
2.4.1 用户意图识别
2.4.2 文本表示的向量模型
2.4.3 语言模型
2.4.4 分类算法
2.5 本章小结
第三章 Alexa技能的实现与验证
3.1 数据库
3.2 交互模型建立
3.3 计算服务
3.3.1 Lambda平台配置
3.3.2 连接数据库
3.3.3 交互模型的信息输入
3.3.4 激活函数
3.3.5 处理启动请求
3.3.6 处理意图请求
3.3.7 回复响应
3.4 技能的整合与验证
3.4.1 Lambda平台
3.4.2 亚马逊开发者控制台的验证
3.4.3 基于智能音箱的验证
3.5 本章小结
第四章 Alexa意图识别功能的优化模型
4.1 模型框架
4.2 文本数据预处理
4.2.1 数据增强
4.2.2 建立词向量模型
4.3 添加词嵌入模型
4.4 循环神经网络结构
4.4.1 基本结构
4.4.2 双向循环神经网络
4.4.3 GRU计算单元
4.5 Softmax分类器
4.6 模型的训练
4.7 本章小结
第五章 意图识别优化模型的实现与仿真
5.1 实验平台说明
5.1.1 实验所用硬件
5.1.2 实验所用软件
5.2 实验数据
5.3 实验设置
5.4 实验结果分析
5.5 本章小结
第六章 总结与展望
6.1 研究总结
6.2 未来展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]工业云应用与技术综述[J]. 徐泉,王良勇,刘长鑫. 计算机集成制造系统. 2018(08)
[2]改进Softmax分类器的深度卷积神经网络及其在人脸识别中的应用[J]. 冉鹏,王灵,李昕,刘鹏伟. 上海大学学报(自然科学版). 2018(03)
[3]智能音箱技术与产品现状及未来发展趋势分析[J]. 苏军根,林健,洪博宇,甘玉珏,鲁维. 广东通信技术. 2018(06)
[4]结合句法特征和卷积神经网络的多意图识别模型[J]. 杨春妮,冯朝胜. 计算机应用. 2018(07)
[5]语音识别技术的研究进展与展望[J]. 王海坤,潘嘉,刘聪. 电信科学. 2018(02)
[6]基于词频统计规律的文本数据预处理方法[J]. 池云仙,赵书良,罗燕,高琳,赵骏鹏,李超. 计算机科学. 2017(10)
[7]基于LSTM RNNLM的N-best重打分算法[J]. 李华,屈丹,范正光,张文林. 信息工程大学学报. 2017(04)
[8]智能语音助手抢占AI入口市场[J]. 孟晋. 新经济导刊. 2017(04)
[9]基于ROI-KNN卷积神经网络的面部表情识别[J]. 孙晓,潘汀,任福继. 自动化学报. 2016(06)
[10]基于n-gram语言模型和链状朴素贝叶斯分类器的中文文本分类系统[J]. 毛伟,徐蔚然,郭军. 中文信息学报. 2006(03)
本文编号：3630370
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3630370.html
