на главную POISK-IT
 СобытияО компанииПродукцияРешенияТехнологииКонтактыПубликации
poisk-it
На главную Публикации

Распознавание речи в базисе многомерного сигнального пространства.

Задача распознавания речи включает в себя ряд подзадач: шумоочистка, первичная обработка, акустико-фонетическое преобразование, обеспечение независимости от диктора. Шумоочистка позволяет повысить отношение сигнал/шум. Первичная обработка формирует из исходного речевого сигнала последовательность векторов параметров. Акустико-фонетическое преобразование ставит в соответствие текущему вектору параметров гипотезу о его фонетической природе. Языковые модели верхних уровней позволяют из множества гипотез, порождённых на акустико-фонетическом уровне, выделить корректные. В статье рассматривается решение следующих трех задач: увеличение помехоустойчивости, распознавание траекторий в многомерном пространстве, подстройка системы распознавания на диктора, а также затронуты вопросы организации языковых моделей верхнеуровнего анализа.

Введение

Распознавание речи, как всякая сложная задача, для своего решения требует системного подхода. Важно выбрать подходящий базис для решения, который бы гармонично вместил в себя все компоненты задачи. В качестве такого базиса, способного адекватно описывать различные процессы в однородной среде, может быть использовано многомерное сигнальное пространство [1, 5, 6].

Рассмотрим речевой сигнал, преобразованный посредством первичной обработки в последовательность векторов параметров (ВП), размерность которых равна n. Каждый вектор отображается в точку n-мерного пространства. Таким образом, РС отображается в последовательность точек или траекторию в многомерном пространстве признаков, при этом сохраняется вся информация, имевшая место в последовательности ВП. Изменился лишь способ представления этой информации. Любой речевой сигнал можно представить себе как траекторию в многомерном пространстве. При этом все его статические и динамические характеристики находят отражение в форме и направлении траектории, детальность которой определяется только методом первичного анализа. Применение известного метода динамического программирования [2] к траекториям РС в многомерном пространстве позволяет получить хорошие результаты при распознавании. Благодаря такому представлению акустической информации, результаты, как положительные, так и отрицательные легко интерпретируются разработчиком. Если обнаруживаются ошибки, легко понять их происхождение и предпринять верные шаги для их устранения. Такое понятие как вариативность речевого сигнала становится предметным, и поддается анализу. Обращает на себя внимание тот факт, что обработка речевого сигнала в многомерном пространстве обладает некоторым сходством с информационными процессами в живом мозге. Известно, что проекционные отделы височной коры головного мозга человека обладают соматотопичным строением, то есть перцептивно близкие акустические образы проецируются в пространственно близкие области мозга [3].

Проблема дикторонезависимости при таком способе представления акустической информации становится ключевой, поскольку траектории РС разных дикторов для одного слова могут быть удалены друг от друга на значительные расстояния. На сегодняшний день существуют дикторонезависимые (не требующие настройки на диктора) системы, работающие с изолированно произносимыми словами, при этом словарь достигает 1000 слов. Точность около 95%. Способ достижения дикторонезависимости заключается в создании эталонов для большого числа дикторов, при этом система сразу настраивается на всех возможных дикторов. Существующие системы диктовки текстов требуют настройки на диктора.

О чем говорит способность человека выделять голос нужного диктора в зашумленных условиях, даже если шум вызван голосами других людей? О его способности динамически формировать прогнозные шаблоны слуховых образов [4], которые ожидают предстоящего сравнения с входным речевым сигналом. Такая способность является следствием, во-первых, функционирования верхних (интеллектуальных) уровней анализа распознающей системы человека, а во-вторых, настройкой на голос говорящего.

Для решения задачи подстройки под диктора выделим в многомерном пространстве признаков область, соответствующую речевым сигналам одного диктора. Для этого диктору необходимо несколько раз прочитать фонетически представительный текст. Полученный речевой сигнал отображается в многомерное пространство в виде последовательности точек, множество которых и определяет акустико-фонетическое пространство (АФП) диктора. Используя процедуру кластеризации, разбиваем выделенную часть пространства на гиперсферы, присваивая каждой свой идентификационный номер. В результате имеем некоторое кодовое многомерное пространство, состоящее из множества фонетических элементов [Ei].

Множество гипотез, порожденных на акустико-фонетическом уровне, далее, фильтруется через иерархию эталонов верхних уровней, и из него отбирается только та, которая удовлетворяет всем источникам знаний с наименьшими противоречиями

1. Многомерное сигнальное пространство

Отображение информации в многомерное пространство является плодотворной идеей при обработке информации самых разных модальностей, в том числе, обработке изображений [5], анализе текстов [6]. Этот подход дает наглядные результаты и при анализе речевой информации. При этом можно пользоваться либо более общим способом пространственного отображения информации, в этом случае, векторы параметров сигнала представляются точками в многомерном пространстве. Либо более специфическим способом: при отображении можно дополнительно ввести координату времени, в этом случае последовательность векторов параметров преобразуется в последовательность точек – траекторию. И в том, и в другом случае достигается ассоциативность обращения к сформированному в многомерном пространстве представлению. Действительно, поскольку элементы вектора являются координатами точки в многомерном пространстве, появление вектора на входе преобразования в многомерное пространство сразу же адресует нас именно к этой точке. Кроме того, в многомерном пространстве сохраняется топологическая близость: близкие события отображаются в близкие области. Пространство таким образом кластеризуется на области, близкие по некоторым признакам.

В основе всех процессов обработки и представления речевой информации разных уровней, учитывающей временные зависимости РС, в многомерном сигнальном пространстве лежит искусственная нейронная сеть, позволяющая учитывать временную структуру обрабатываемой информации [7], [8]. Эта сеть моделирует многомерное сигнальное пространство, или иерархию из таких пространств. Обработка информации в нейронной сети сводится к отображению информационной последовательности в многомерное сигнальное пространство таким образом, что каждые n символов последовательности составляют координаты одной из точек этого пространства. Тогда последовательность n-членных фрагментов входной информационной последовательности, сдвинутых друг относительно друга на один символ, в многомерном пространстве представляется последовательностью точек – траекторией. Если в вершинах пространства разместить элементы памяти, то отображаемую в многомерное пространство информацию можно запоминать.

Это отображение обладает свойством ассоциативности обращения к хранимой в многомерном пространстве информации. Действительно, как только мы имеемn символов (координат некоторой точки), мы сразу же адресуемся к этой точке траектории.

Ассоциативность адресации порождает свойство структурной обработки. Отображение в многомерное пространство произвольной внутренне структурированной информации, например, текста приводит к формированию в этом пространстве циклических траекторий. Если в тексте встречаются одинаковые элементы, то соответствующие им части траектории совпадают. Мы можем запоминать число прохождений траектории через точки сигнального пространства. При этом некоторые части траекторий проходятся чаще, чем другие (они становятся толще, ярче). Используя пороговое преобразование (с порогом h), мы можем их выделить среди другой информации. При этом формируется словарь событий заданной частоты встречаемости.

В дальнейшем сформированный таким образом словарь можно использовать для фильтрации новой информации в потоке старой. Например, при обработке текстов, имея словарь флексий и рабочих слов, мы можем вычленять в потоке текста основы слов. И далее, имея словарь основ, можно из потока текста выделять флективную структуру синтаксических узлов, или целых предложений.

Можно выстроить иерархию сигнальных пространств, в каждом из которых сформирован словарь соответствующего уровня. Каждое такое пространство может интерпретироваться как источник языковых знаний этого уровня.

Рассмотрим возможности отображения в многомерное сигнальное пространство на примере обработки и представления речевой информации. Такая обработка естественна и эффективна при решении задач шумоочистки, распознавания и дикторонезависимости. Порождение и фильтрация потока гипотез также естественным образом решается в таком представлении.

2. Механизм обеспечения помехоустойчивости

Рассмотрим самый простой механизм обеспечения помехоустойчивости, присущий АФП диктора в многомерном пространстве признаков (МПП). Обозначим вектор параметров (ВП) речевого сигнала какРаспознавание речи в базисе многомерного сигнального пространства.Каждому ВП соответствует точка в многомерном пространстве признаков. ФункцияРаспознавание речи в базисе многомерного сигнального пространства.реализует отображение вектора параметров РС в акустико-фонетическое пространство диктора. Таким образом, речевой сигнал, представленный вектором в многомерном пространстве признаков, проецируется в акустико-фонетическое пространство диктора. Элементы АФП соответствуют областям МПП относительно чистого речевого сигнала диктора, следовательно вариативность параметров речевого сигнала значительно уменьшается при отображении реальной траектории речевого сигнала в последовательность элементов АФП. Любая точка в многомерном пространстве признаков должна принадлежать ближайшему элементу АФП. Другими словами, мы слышим то, что хотим услышать. Впервые эта идея была реализована для анализа речевых признаков, которые создают ощущение звука у человека [9]. Вероятность того, что текущий вектор параметров Vt будет принадлежать не тому et, увеличивается с ростом интенсивности помехи, которая пропорциональна значению среднего расстояния между реальной траекторией РС в МПП и соответствующей траекторией в АФП диктора. Иначе говоря, чем выше интенсивность помехи, тем дальше траектория РС проходит от «чистого» сигнала (от АФП). В случае, когда помеха настолько велика, что ближайший элемент АФП находится достаточно далеко и может оказаться ошибочным для текущего Vt, система принимает решение о включении другого механизма борьбы с помехами, и удаляет данный участок РС из последующего анализа, чтобы не искажать результатов распознавания. Либо, система может включить механизм предсказания, который на основании информации о предыдущем чистом (или относительно чистом) сигнале спрогнозировал бы наиболее вероятную траекторию РС в многомерном пространстве признаков. Данная функция может быть реализована при помощи динамических ассоциативных запоминающих устройств (ДАЗУ) в сочетании с концепцией АФП диктора. Основанием для предсказательной способности системы считаются следующие четыре фактора:

  1. Преобразование Фурье, использующееся для первичной обработки РС, обеспечивает плавность изменения вектора параметров, что исключает появление точек траектории РС в случайных местах многомерного пространства.
  2. Коартикуляция ограничивает множество направлений изменения вектора параметров на коротких участках траектории.
  3. Фонетическая структура языка также ограничивает свободу в смене направлений траектории РС на участках размером, соответствующим произнесению одной, двух фонем.
  4. АФП диктора ограничивает область для потенциально возможных траекторий РС в пространстве признаков.

ДАЗУ [8] представляет собой множество параллельно включенных нейроподобных элементов (НЭ), каждый из которых, являясь элементарным процессором, а также элементом памяти, моделирует одну из точек сигнального пространства, в которое отображается, и в котором запоминается в виде последовательности точек входная последовательность. ДАЗУ обладает способностью ассоциативного обращения к запомненной в ней ранее информации. Если преобразовать фонетически представительный речевой материал от одного диктора в последовательность элементов АФП и подать ее на вход ДАЗУ в качестве обучающего множества, получим базу фонетических элементов с ассоциативным доступом. Проецируя участок любого речевого сигнала на полученную базу данных, мы имеем возможность прогнозировать речевой сигнал на одну-две фонемы вперед (и назад). То есть, восстанавливать две, выколотые из речевого сигнала (по каким-то причинам, например из-за шума), фонемы.

Многие системы распознавания речи неадекватно реагируют на посторонние звуки, скрипы, стуки, мяуканье и пр. В данном случае очень легко сформулировать критерий, по которому посторонние звуки будут удаляться из анализа: если входной сигнал на всём протяжении не попадает в область АФП, он считается посторонним звуком.

3. Распознавание траекторий в многомерном пространстве

Применение метода динамического программирования [2] для распознавания траекторий речевого сигнала в многомерном пространстве признаков стало возможным благодаря использованию акустико-фонетического пространства диктора. Непосредственное сравнение двух траекторий РС в многомерном пространстве сопряжено со значительными затратами вычислительных ресурсов компьютера. При использовании АФП вычислительная сложность для n-мерного пространства эквивалентна 2-х мерному случаю.

Определим матрицу расстояний как Распознавание речи в базисе многомерного сигнального пространства.в которой хранятся значения расстояний между всеми элементами акустико-фонетического пространства. Размерность матрицы Распознавание речи в базисе многомерного сигнального пространства.Эталон k-го слова представляется последовательностью элементов АФП  Распознавание речи в базисе многомерного сигнального пространства..Последовательность элементов, соответствующая текущему речевому сигналу обозначим Распознавание речи в базисе многомерного сигнального пространства.

Распознавание речи в базисе многомерного сигнального пространства.

Рис. 1

Применение метода динамического программирования

Распознавание речи в базисе многомерного сигнального пространства.

Каждая клетка (см. рис.1) заполняется значениямиРаспознавание речи в базисе многомерного сигнального пространства.Затем в рамках ограничительного коридора ищется траектория, для которой значение Распознавание речи в базисе многомерного сигнального пространства.было бы минимальным. При этом допускаются переходы: вверх, вправо, под углом вперед. N –приведенное количество переходов, методика определения N может отличаться для разных задач. Алгоритм заканчивается если мы выходим за рамки ограничительного коридора, либо, если мы достигаем последних элементов в любой из последовательностей. В простейшем случае уравнение описывающее ограничители имеет вид:Распознавание речи в базисе многомерного сигнального пространства.Способ функционирования ограничительного коридора может быть определен опытным путём для обеспечения наилучшего результата распознавания. Например, для многих задач проблематично точно определить ширину ограничительного коридора. В таких случаях можно применить следующий метод: если траектория упирается в ограничительный коридор, алгоритм можно не останавливать, а продолжать движение вдоль линии, но при этом не увеличивать значение N, что обеспечивает большее значение для D. В этом случае, если траектория, соответствующая «правильному ответу» вышла за пределы коридора, она имеет шанс очень быстро вернуться во внутреннюю область лишь незначительно увеличив значение D. Общий результат распознавания гораздо чувствительнее к потере правильной гипотезы, чем к появлению неправильной. Так как на более верхних уровнях неправильные гипотезы легче отфильтровать, чем заполнить недостающие. А траектория неверной гипотезы двигаясь практически постоянно вдоль линии коридора, на выходе будет иметь большое значение D в том числе из-за маленького значения N.

Направление каждого перехода можно определять с разной степенью точности. Точность определяется глубиной анализа. Наименьшая точность соответствует случаю когда каждый следующий шаг определяется из анализа только соседних ячеек Распознавание речи в базисе многомерного сигнального пространства.Распознавание речи в базисе многомерного сигнального пространства..Переход осуществляется в ячейку с наименьшим значением R. Более точный способ подразумевает анализ значений Распознавание речи в базисе многомерного сигнального пространства.

Количество анализируемых траекторий увеличивается в этом случае с трех до семи. И так далее можно увеличивать точность анализа и в конце концов гарантировать оптимальную траекторию с точки зрения временной согласованности. Однако требуемые вычислительные ресурсы с увеличением глубины анализа растут в геометрической прогрессии.

4. Алгоритм подстройки на диктора в базисе многомерного пространства

На сегодняшний день существуют следующие направления работ по решению проблемы дикторонезависимости систем распознавания речи:

  1. Поиск инвариантных для всех дикторов параметров речевого сигнала.
  2. Обучение системы на большое количество дикторов.
  3. Подстройка под диктора.

Рассмотрим третье направление. В этом случае речевой сигнал нового диктора через матрицу перехода проецируется в базовое акустико-фонетическое пространство, где уже осуществляется распознавание, путем сравнения с эталоном. При этом не требуется формирование эталонов слов для каждого нового диктора.

Пусть есть две траектории РС в многомерном пространстве, соответствующих одному слову, произнесенному двумя разными дикторами. Первого диктора обозначим «базовым». Сформулируем постановку задачи для осуществления подстройки под диктора следующим образом: разработать алгоритм, который проецировал бы траекторию РС заданного диктора на соответствующую траекторию «базового» диктора. Другими словами, необходимо осуществить перенос траектории из одного АФП в другое. Для этого нужно определить матрицу перехода между двумя АФП.

Таким образом задача подстройки под диктора сводится к двум подзадачам:

  1. Создание АФП для нового диктора.
  2. Определение коэффициентов матрицы перехода от элементов АФП заданного диктора к элементам АФП «базового» диктора.

Для определения коэффициентов матрицы перехода Распознавание речи в базисе многомерного сигнального пространства. воспользуемся модификацией радиально-базисных нейронных сетей. Акустико-фонетическое пространство очень легко соотносится со скрытым слоем радиально-базисной нейронной сети, так как в обоих случаях используется общая основа - многомерное пространство. Радиально-базисная функция позволяет сопоставлять области пространства между разными АФП, так как положение точки в многомерном пространстве теперь описывается не одним элементом АФП, а множеством коэффициентов, значения которых определяются при вычислении радиально-базисной функции. Каждый коэффициент характеризует степень близости точки к соответствующему элементу. В качестве радиальной функции чаще всего используется функция Гаусса:

Распознавание речи в базисе многомерного сигнального пространства.

Структурная схема сети представлена на рисунке 2.

Схема сети для определения коэффициентов матрицы перехода

Рисунок 2

Схема сети для определения коэффициентов матрицы перехода

После полного цикла обучения, весовые коэффициенты подвергаются нормализации. Необходимость данной процедуры обусловлена неравномерной встречаемостью всех элементов АФП в речевом сигнале. Нормализация выполняется для каждого элемента базового АФП по формуле:

Распознавание речи в базисе многомерного сигнального пространства.

Синхронизация двух речевых сигналов выполняется посредством процедуры динамического программирования. Важным условием для успешной синхронизации является пословное произнесение речевого материала. Синхронизация осуществляется для каждого слова отдельно. Для формирования АФП и определения матрицы перехода может использоваться один речевой материал для диктора. Полученные весовые коэффициенты wijявляются коэффициентами матрицы перехода.

Очевидно, что абсолютно точной синхронизации двух речевых сигналов добиться практически невозможно. Это обстоятельство наделяет матрицу перехода полезным свойством контекстной зависимости, которое можно усилить подавая на вход сети во время обучения не один вектор параметров с каждой стороны, а несколько за одну итерацию. Данное свойство позволяет при переходе к базовому АФП учитывать влияние соседних элементов последовательности. Переход от элементов АФП к элементам БАФП осуществляется по максимальной связи между заданным элементом АФП и элементами БАФП.

5. Верхние уровни представления речевой информации

Традиционно речевая последовательность рассматривается как состоящая из событий разной частоты встречаемости. Их удобно классифицировать в иерархию. Причем, для представления информации акустико-фонетического уровня эффективно использовать пространственное отображение. Для всех остальных – временное. Таких уровней обычно выделяется шесть: четыре из них – акустико-фонетический, морфологический, лексический и синтаксический – содержат лингвистическую информацию, еще два – семантический и прагматический – экстралингвистическую.

5.1.  Акустико-фонетический уровень представления речевой информации

Предварительно обработанный речевой сигнал, представленный в виде последовательности векторов параметров, рассматривается как множество точек в многомерном сигнальном пространстве. Такое представление позволяет решить сразу несколько задач, связанных с автоматическим распознаванием речи. Если мы имеем множество произнесений одного диктора, то будучи отображенными в многомерное пространство, они формируют области (кластеры) близких элементарных звуковых (фонетических) представлений.

Элементами этого представления являются области в многомерном пространстве, соответствующие фонетическим кластерам. Для гласных мы имеем области, соответствующие стационарным участкам гласных в терминах векторов параметров. То же - для шумных согласных. Для взрывных (грубо) – это две области, плавно переходящих одна в другую. Первая - соответствует стационарному участку, порожденному тоном, или шумом. Вторая область соответствует переходному процессу. На акустико-фонетическом уровне отображение в многомерное пространство осуществляется без участия временной координаты.

 5.2. Морфологический уровень

На морфологическом уровне представлены события в многомерном пространстве уже с учетом временной координаты. То есть рассматриваются последовательности событий акустико-фонетического уровня.

Наиболее часто встречающимися элементами речи после фонетических элементов являются элементы морфологического уровня: префиксы, аффиксы, и флексии, а также слоги. Состав их словарей (кроме слогов) не очень велик. Возможно автоматическое (с последующей ручной корректировкой) формирование словарей морфологического уровня.

Корневые морфемы встречаются реже вышеперечисленных единиц. Тем не менее, можно попытаться формировать словарь корневых морфем, если таковой понадобится, аналогично предыдущим после фильтрации обучающей выборки сформированными ранее словарями префиксов, аффиксов, флексий.

Более содержательным, чем словарь корневых морфем является словарь основ слов. Но он относится к следующему уровню представления – лексическому.

5.3. Лексический уровень

К элементам лексического уровня можно отнести основы слов, слова, словоформы. Отфильтровав последовательности обучающей выборки с помощью словарей морфологического уровня, мы можем с помощью представления в многомерном сигнальном пространстве сформировать словарь основ слов. Словари слов и словоформ формируются в лоб частотным анализом. Словарь словоформ отличается от словаря слов в многомерном пространстве. До сих пор мы говорили о цепочках фонетических элементов. В случае представления в сигнальном пространстве гнезд словоформ, в каждом гнезде будет более или менее устойчивое ядро (цепочка фонетических элементов с наибольшей частотой встречаемости), и некоторая флективная бахрома. Поэтому гнездо словоформ в сигнальном пространстве будет представлено не цепочкой, а графом.

Устойчивые словосочетания будем рассматривать на семантическом уровне, поскольку они выступают там наряду с отдельными словами, в качестве понятий ассоциативной сети.

5.4. Синтаксический уровень

Информация синтаксического уровня может быть представлена либо в виде перечня синтаксем, либо в виде графов синтаксических узлов. В отличие от традиционного представления синтаксем [10] и синтаксических узлов [11] для представления информации синтаксического уровня в сигнальном пространстве используются фрагменты текста (пары и более слов) с выколотыми основами слов, то есть только их флективная структура. Это представление более компактно, чем просто перечисление всех синтаксем языка, но менее компактно, чем перечень синтаксем в терминах грамматических категорий.

Словарь синтаксем с выколотыми основами можно сформировать автоматически с последующей ручной корректировкой. Он будет иметь флективную структуру, и будет представлен цепочками фонетических элементов с купюрами вместо корневых основ в многомерном пространстве.

Более компактным может оказаться представление информации синтаксического уровня в виде графов синтаксических узлов. В этом случае мы имеем для каждого синтаксического узла (существительного, глагола, прилагательного и наречия) сложный граф (также не включающий в свой состав основы слов). Или несколько графов близких по своей структуре конструкций. Такое представление может быть составлено преимущественно вручную, поскольку в этом случае велика цена ошибки.

Кроме того, можно рассматривать дополнительно два экстралингвистических уровня: семантический и прагматический.

5.5. Семантический уровень

Если внимательно рассмотреть способы представления лингвистической (и нелингвистической) семантической информации, то можно заметить, что все они сводятся к сетевому представлению, где узлами сети являются понятия. Эта сеть может быть ассоциативной, или иметь неоднородную структуру. Всякая сеть может быть перечислена парами связанных понятий.

В случае использования многомерного сигнального пространства для представления семантики, в пространстве нижнего уровня запоминаются понятия сети, а в пространстве следующего уровня – их связи. Такое представление связей очень сложно формируется, поэтому используется одноуровневое представление, в котором просто перечисляются пары понятий [6]. Понятия в сети представлены основами слов.

Для автоматического формирования такой сети осуществляется частотный анализ состава основ слов текстовой выборки, а также связей основ. Чтобы избежать сложностей, достаточно анализировать частоту попарной встречаемости основ слов в осмысленных фрагментах выборки. В одних случаях таким фрагментом может быть предложение, в других – абзац, или целый текст. Наряду с выделением понятий вычисляются их числовые характеристики, а также числовые характеристики их связей. В качестве узлов сети могут выступать как отдельные слова, так и устойчивые словосочетания.

5.6. Прагматический уровень

Все, что говорилось о семантической сети, может быть отнесено к ее фрагменту, описывающему конкретную ситуацию. Только в этом случае единицей анализа выбирается один (или несколько близких по содержанию) текстов. Назовем такой фрагмент (условно) фреймом. Фрейм, также как и семантическая сеть, состоит из основ понятий, с их связями.

Фрагменты сети, соответствующие отдельным ситуациям, могут быть получены разными способами. Наиболее простой способ – спроецировать текст на семантическую сеть, как это делается в системе Excalibur фирмы Convera. [12] В этом случае фрейм высекается текстом из сети.

Можно поступить иначе. Можно сформировать частотную ассоциативную сеть для отдельного текста, как в случае формирования семантической сети, но потом пернормировать числовые характеристики входящих в сеть понятий. Дело в том, что при формировании сети на основе большого корпуса текстов, мы сразу получаем корректные весовые характеристики понятий: частота их встречаемости приближается к их смысловому весу. При анализе малых по объему текстов частота встречаемости уже не характеризует важности понятия. В этом случае весовые характеристики понятий ассоциативной сети перенормируются с помощью итеративной процедуры, похожей на алгоритм нейронной сети Хопфилда [13]. При этом на каждой итерации перенормировки понятия, связанные с понятиями, имеющими большой вес, свой вес увеличивают. Другие его равномерно теряют. В нейросетевом представлении фрейм также представляется списком пар основ составляющих его понятий.

В случае таким образом формируемых фреймов семантическая сеть может быть собрана как совокупность составляющих ее фреймов.

03.08.2010