为了提高数据传输的可靠性，在现有措施的基础上，通过引入缩短汉明码（40，32）或（72，64），可以把传输误比特率(BER)和误码字率(WER)降低一个数量级以上；在短帧和中等信噪比情况下，（40，32）的性能更好。仿真结果表明，缩短汉明码可以有效提高传感器网络中数据传输的可靠性，降低由于大量数据重传而增加的额外功耗，具有很重要的意义。
2021-12-13 23:42:24
693KB
1
YoungCorrector
本项目是参考开源框架 ，自己实现了一套基于规则的纠错系统。总体来说，基于规则的文本纠错，性能取决于纠错词典和分词质量。目前与相比，在准确率差不多的情况下，本模型所用的时间会少很多（归功于前向最大匹配替代了直接索引替换字典）。代码还没有完善，还有很多优化的空间，后续会持续更新。。。
中文文本纠错
介绍
文本纠错的核心步骤：错误检测，预期召回，纠错排序。
错误检测：找到某些词是错误的。
初步召回：选出纠错错误词。
纠错排序：对预期词进行排序。
主流的三种方法：
基于规则：pycorrector
基于深度模型：百度纠错系统
基于垂直领域：腾讯DCQC纠错框架
中文纠错需要解决的问题：
谐音字词，如配副眼睛-配副眼镜
擅长音字词，如流浪织女-牛郎织女
字词顺序颠倒倒，如伍迪艾伦-艾伦伍迪
字词补全，如爱有天意-假如爱有天意
形似字错误，如高梁-高粱
中文拼音全拼，如x
2021-12-13 08:06:26
19.88MB
1
用纯Python编写的Reed Solomon编码器和解码器
由安德鲁·布朗（Andrew Brown）从头开始编写< > < >（c）2010
我编写此代码是作为实现Reed-Solomon纠错算法的练习。 出版该代码的目的是希望对其他人学习算法的工作方式很有用。 （没有什么比一个好的榜样更好地学习了！）
我的目标是在不使用非标准库的情况下，以纯python实现可工作的Reed-Solomon编码器和解码器。 我还旨在使代码保持良好的注释和井井有条。
但是，其中涉及的许多数学运算都是不平凡的，我无法在评论中全部解释。 要了解有关该算法的更多信息，请参见以下资源：
最后两个资源是布鲁斯·马格斯（Bruce Maggs）上课的课程笔记，我在上学期就读了。 这些注释非常有用，任何想学习算法的人都应该阅读。
在Maggs博士的旧址上的最后两个：
另外，这是我在2010年Sprin
2021-12-09 14:50:05
224KB
1
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