| 摘要 | 第1-8页 |
| ABSTRACT | 第8-18页 |
| 第一章 绪论 | 第18-33页 |
| ·研究背景与意义 | 第18-20页 |
| ·语义分析理论与技术的发展 | 第18-19页 |
| ·课题实际意义 | 第19-20页 |
| ·研究现状及分析 | 第20-29页 |
| ·心智对符号意义的获取—从哲学到人工智能 | 第21-22页 |
| ·Searle的“中文房间”问题 | 第22-25页 |
| ·Harnad对符号接地问题的定义 | 第25-26页 |
| ·人工智能对心智的模拟 | 第26-27页 |
| ·人工智能统一的机制主义 | 第27-29页 |
| ·认知语义学的发展 | 第29页 |
| ·前人工作 | 第29-31页 |
| ·本文主要工作 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第二章 静态视觉场景描述系统ViMac | 第33-54页 |
| ·VIMAC模型简介 | 第33-36页 |
| ·双通道数据准备 | 第36-38页 |
| ·视觉图像语料 | 第36-37页 |
| ·标注语言语料 | 第37-38页 |
| ·双通道信息预处理 | 第38-40页 |
| ·视觉特征分析 | 第38-39页 |
| ·语言特征分析 | 第39-40页 |
| ·基于HELLINGER距离的自动化特征选择 | 第40-48页 |
| ·语义关联矢量计算 | 第41-44页 |
| ·混合距离度量用于范畴词聚类 | 第44-45页 |
| ·对词类范畴的视觉特征选择 | 第45-48页 |
| ·聚类及特征选择实验结果 | 第48-53页 |
| ·混合聚类结果分析 | 第49页 |
| ·自动化特征选择结果分析 | 第49-51页 |
| ·优化形状不变矩特征的结果分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第三章 静态词类的视觉表征在ViMac评测模式中的应用 | 第54-71页 |
| ·概念表征分析 | 第54-57页 |
| ·定义特征表征(Defining Features Representation) | 第55页 |
| ·原型表征(Prototype Representation) | 第55-56页 |
| ·样例表征(Exemplar Representation) | 第56页 |
| ·基于知识的表征(Knowledge Based Representation) | 第56-57页 |
| ·双层表征(Dual-level Representation) | 第57页 |
| ·VIMAC的视觉语义表征 | 第57-61页 |
| ·基于高斯分布模型的视觉语义表征 | 第57-58页 |
| ·基于k近邻算法的视觉语义表征 | 第58-59页 |
| ·基于核心成分的视觉语义表征 | 第59-61页 |
| ·具有复合词生成能力的描述语言输出 | 第61-63页 |
| ·基于语基表征的复合词生成算法描述 | 第61-62页 |
| ·复合词生成算法流程 | 第62-63页 |
| ·VIMAC的语言输出评测实验 | 第63-70页 |
| ·评测数据准备 | 第63-64页 |
| ·输出语句评测方案 | 第64-65页 |
| ·复合词生成实验 | 第65-67页 |
| ·三种语言输出算法的对比评测 | 第67-70页 |
| ·本章小结 | 第70-71页 |
| 第四章 动态视觉场景描述系统ViMac-V | 第71-90页 |
| ·动词习得特点分析 | 第71-72页 |
| ·框架概念及其功能的演化 | 第72-77页 |
| ·商务事件框架的提出 | 第73-75页 |
| ·框架概念的认知解释 | 第75-76页 |
| ·框架在人工智能中的应用 | 第76-77页 |
| ·VIMAC-V模型简介 | 第77-79页 |
| ·位移事件和位移框架 | 第77-78页 |
| ·ViMac-V的动词语义定义 | 第78-79页 |
| ·数据准备 | 第79-81页 |
| ·视频语料描述 | 第79-80页 |
| ·人工语料标注 | 第80-81页 |
| ·视频-文本描述对齐语料的加工 | 第81-82页 |
| ·视频特征分析 | 第81-82页 |
| ·标注语料分析 | 第82页 |
| ·论元词类及框架提取 | 第82-85页 |
| ·标注语料预处理—切分与词性标注 | 第83页 |
| ·基于视觉特征与词性共现的基础词选择 | 第83-84页 |
| ·基于混合度量的词相似度计算 | 第84页 |
| ·基于二元语法模型的框架抽取 | 第84-85页 |
| ·论元词类与框架提取实验结果 | 第85-88页 |
| ·论元词类分类结果 | 第85-86页 |
| ·框架提取结果 | 第86-88页 |
| ·本章小结 | 第88-90页 |
| 第五章 动词视觉语义表征在ViMac-V中的习得 | 第90-106页 |
| ·框架激活机制 | 第90-92页 |
| ·SOM网络物理结构及信号组成 | 第90-91页 |
| ·学习矢量量化算法 | 第91-92页 |
| ·用于框架激活的LVQ训练算法 | 第92页 |
| ·论元词汇范畴化 | 第92-96页 |
| ·SOM网络组构成 | 第93页 |
| ·网络应激方式及权值调整策略 | 第93-94页 |
| ·SOM网络训练算法流程 | 第94-95页 |
| ·神经元的聚类和语言概念习得 | 第95-96页 |
| ·实验与评测 | 第96-102页 |
| ·框架激活实验 | 第97页 |
| ·SOM网络组的范畴化实验 | 第97-101页 |
| ·特征选择对范畴化结果的影响 | 第101-102页 |
| ·描述语言输出评测 | 第102-104页 |
| ·本章小结 | 第104-106页 |
| 第六章 ViMac-V在MT-AR机器人平台上的实现 | 第106-116页 |
| ·MT-AR型智能机器人简介 | 第106-107页 |
| ·VIMAC-V在MT-AR机器人平台上的结构框架 | 第107-108页 |
| ·VIMAC-V的视觉接口扩展 | 第108-111页 |
| ·CamShift算法原理与实现 | 第108-111页 |
| ·基于MATLAB的中间计算层 | 第111-112页 |
| ·VIMAC-V的语音接口扩展 | 第112页 |
| ·MT-AR平台上的VIMAC-V系统评测 | 第112-115页 |
| ·动词选择与描述语句输出 | 第112-114页 |
| ·对真实场景的描述语句输出实验 | 第114-115页 |
| ·本章小结 | 第115-116页 |
| 第七章 总结与展望 | 第116-119页 |
| ·论文总结 | 第116-117页 |
| ·研究展望 | 第117-119页 |
| 参考文献 | 第119-128页 |
| 附录A | 第128-130页 |
| 附录B | 第130-133页 |
| 附录 C | 第133-136页 |
| 致谢 | 第136-137页 |
| 攻读学位期间发表的学术论文目录 | 第137页 |
