导读:本文包含了错误检测与纠正论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:错误,粒子,时序,序列,模型,基带,立方体。
错误检测与纠正论文文献综述
梁万里[1]（2019）在《纠正直觉错误 培养推理能力——由一道数学检测题引发的思考》一文中研究指出学生在解决数学问题时,凭借直觉思维往往可得出正确结果。但直觉思维也会出错,这时必须引导学生通过逻辑推理进行验证,纠正直觉错误,让学生懂得只有通过逻辑推理验证,才能判断结论是否正确。(本文来源于《小学教学参考》期刊2019年23期）
杨林[2]（2018）在《基于循环神经网络的英文写作错误检测及纠正的研究与实现》一文中研究指出英文是世界上使用最广泛的国际通用语言,其作为第二语言被越来越多的学习者(English as Second Language,ESL)所重视。但是因为文化、地域和生活习惯等差异,ESL学习者在学习英文时,面临听、说、读、写等各种各样的挑战,其中写作是最为重要也最为困难的一项,而语法错误是英文写作中最常出现的错误类型。英文写作语法错误检测及纠正(Grammatical Error Correction,GEC)的研究与实现,对英文学习者和英文教学者均具有极其重要的意义。本文针对英文写作语料中含有的语法错误等噪声对序列信息提取的影响问题,提出基于循环神经网络的序列标注模型;并针对英文写作中的语法错误,提出基于序列标注和序列到序列等两种英文语法错误检测及纠正方法。首先,本文提出的基于循环神经网络的序列标注模型,在ESL语料的词性标注中,准确率达到96.73%;同时,在新闻语料的词性标注中,该模型的准确率达到97.60%;在CoNLL2003命名实体识别任务中,Fi值达到91.38%。然后,本文将序列标注模型应用于英文语法错误检测及纠正任务,在冠词错误纠正中,取得38.05%的F1值,超过2013年CoNLL评测最优结果UIUC的冠词错误纠正F1值33.40%;在介词错误的纠正中,取得28.89%的F1值,超过UIUC的介词错误纠正Fi值7.22%。最后,结合序列标注模型,提出序列到序列模型,该模型在最近2014年CoNLL英文语法错误检测及纠正任务中,取得31.77%的Fo.5值,其中召回率为38.92%,优于2014年CoNLL评测最优结果CAMB的召回结果(30.10%)。本文的具体贡献可以归纳为以下几点:1.提出一种有效解决序列标注的神经网络模型。和以往标注模型不同,该模型在综合字符、单词、序列信息的同时,引入粗粒度学习,将标注过程分为粗细两个阶段,使标注过程更加稳健。2.提出一种基于序列标注模型的英文语法错误检测及纠正方法。该方法使用本文提出的序列标注模型,对语法错误进行标注,并按照标注的结果,对原始单词进行检测及纠正,避免传统方法需要人工提取大量特征的问题。3.提出一种使用序列到序列神经网络模型进行英文语法错误检测及纠正的方法,该序列到序列神经网络模型的Encode部分来自本文提出的序列标注模型,Decode部分引入Attention机制。该方法将原始序列直接映射到目标序列,不再区分错误类型。4.设计并实现一种融合序列标注模型和序列到序列模型的英文写作错误检测及纠正系统。(本文来源于《北京邮电大学》期刊2018-01-18）
赵学军,金威,何卫锋,毛志刚[3]（2017）在《基于iRazor时序错误检测与纠正电路改进与应用》一文中研究指出随着集成电路尺寸缩小和低电压技术的发展,集成电路会出现在工艺、电压、温度及老化等方面的变化(Variation),会使得当前集成电路的时序发生变化,经过各级寄存器的逐渐累积后使得电路发生时序错误(Timing Error),当前时序错误检测与纠正技术正得到越来越多的研究。文中基于SMIC 65nm工艺,针对当下最新的iRazor结构,完成全定制只需要额外增加叁个晶体管的iRazor FF结构的硬件实现并完成时序错误纠正电路的改进和优化设计。在此基础上,设计一款FIR数字滤波器作为验证电路,使EDAC技术应用于该验证电路,仿真结果显示在0.6V工作电压、12.5MHz工作频率下能够实现时序错误检测与纠正。(本文来源于《信息技术》期刊2017年10期）
赵学军[4]（2017）在《面向超低电压的时序错误检测与纠正电路设计》一文中研究指出随着集成电路技术的发展,当前的芯片会出现在工艺、电压、温度以及老化等方面的偏差(Variation),在低电压尤其是超低电压下偏差将变得更加显着。这种偏差会使得当前集成电路的时序发生偏差,时序偏差达到一定程度会使得集成电路的时序信息不满足要求进而发生时序错误(Timing Error),时序错误应当被检测到并且被纠正掉以防止集成电路出现功能上的错误。当前时序错误的检测与纠正技术(EDAC:Error Detection and Correction)正越来越受到人们的关注,得到越来越多的研究。本文针对当下最新的EDAC技术在超低电压下工作时出现的问题,对EDAC技术中检测电路和纠正电路进行改进优化设计,使得EDAC技术能够在超低电压下正常工作。随后,设计一款FIR滤波器作为面向超低电压的EDAC电路的验证电路,使得所设计的面向超低电压的EDAC电路能够在实际电路中得到应用。仿真结果显示,本文设计的面向超低电压的EDAC电路能够在工作电压为0.3V~0.6V范围当检测窗内发生时序错误时完成时序错误的检测与纠正。本文设计的面向超低电压的EDAC电路中纠正电路结构简单,硬件开销低,动态功耗比原系统大约降低13.2%。蒙特卡罗仿真结果显示,迭代次数设置为1000次,工作电压为0.3V~0.6V时,EDAC技术在FIR滤波器上能够完成检错与纠错,从而证明本文对超低电压下EDAC电路的设计是合理可靠的。(本文来源于《上海交通大学》期刊2017-01-01）
丁海[5]（2016）在《超临界汽轮机铸钢件渗透检测中常见错误操作的分析及纠正》一文中研究指出介绍了大型超临界汽轮机铸钢件渗透检测过程中,检测人员常见的错误操作方法,分析了这些错误操作方法可能带来的严重后果,并且给出了相应的正确操作方法。(本文来源于《无损检测》期刊2016年06期）
朱明俊,周宇杰[6]（2016）在《基于立方体纳卫星的软件错误检测与纠正设计》一文中研究指出针对目前立方体纳卫星系统设计可靠性低,卫星上数据较容易受到太空单粒子效应影响发生错误导致卫星软件出现故障,该文提出在立方体纳卫星存储器中应用错误检测与纠正(Error detection and correction,EDAC)容错技术方法。该方法基于u COS实时操作系统,通过软件实现EDAC对存储器数据检错纠错,建立周期性检测任务,提高存储器数据的可靠性。通过仿真分析了错误检测与纠正方法对存储器数据的可靠性影响,通过故障注入实验证明,该方法能够完成数据的可靠性存储,满足预期的设计指标。该方法可以在立方体纳卫星系统的存储器可靠性设计中应用。(本文来源于《南京理工大学学报》期刊2016年01期）
陈朝才[7]（2015）在《英语搭配错误检测与纠正系统的研究与实现》一文中研究指出计算机辅助语言学习的目标是为全世界的语言学习者提供更好的帮助,而搭配是其中研究的难点之一,虽然起步很早,但是如何从语料库中提取搭配,以及如何利用计算机来帮助学习者纠正学习过程中的搭配错误依然是搭配研究领域的难题。在传统教育里面,通常是通过人工编纂辞典或书籍,然后学习者在学习过程中通过这些纸质资料来掌握搭配的使用,这些资料的建设对于人力、物力有极大的要求。因此,本文尝试研究搭配库建设和搭配纠错的方法,并实现一个可以帮助学习者查询常见搭配使用,以及可以对学习者在写作过程中发生的一些错误搭配进行纠正的系统。本文首先调研了现有从大规模语料库中提取搭配、以及利用自然语言处理的技术来对搭配错误进行纠正的方法,比较一些现有的搭配检测的系统,总结其特点和不足,然后从实际学习者语料出发,提出了本文采用依存语法来构建搭配库的方法,将依存关系与搭配对应,最后提取了12类词汇搭配,在搭配纠错上,采用对候选搭配进行排序的方法,并尝试将各种排序方法进行结合,最后在六大类搭配纠错中均取得较好结果。并在此基础上建立了一个大型的搭配库以及实现一个搭配纠正系统,该系统可以对学习者写作过程中犯的搭配错误进行检测以及纠错。最后通过与搭配辞典的比较以及实际学习者作文语料中的实验两个方面来验证本文所搭配库建设方法和搭配纠错算法的有效性。通过实验对比,发现本文所建立的搭配库可以对人工辞典的覆盖率达到76%以上,在搭配错误检测方面,在CoNLL提供的语法检查语料上,准确率、召回率、F值分别为13.82%、24.48%、17.67%,纠错的MRR在最常见的动名词类搭配上可达到0.23,本文提出的利用词向量来进行搭配纠错的方法均优于传统的WordNet、 PMI、 LLR等纠错方法。(本文来源于《中国科学技术大学》期刊2015-04-01）
郑晓东,杨润丰,卞建勇,卢芸[8]（2014）在《DSP错误检测与纠正功能在基站中的应用》一文中研究指出通信系统要求高稳定性,但外部恶劣的电磁环境会导致基带板所使用DSP中的存储器发生单粒子翻转(SEU),从而导致系统异常复位。针对该问题,着重介绍了如何应用DSP的错误检测与纠正(EDAC)功能,以及如何解决EDAC应用与cache操作之间的冲突。通过实际应用,基站出现SEU异常的机率明显降低,系统稳定性得到提高。(本文来源于《现代电子技术》期刊2014年05期）
刘小汇,伍微,欧钢[9]（2011）在《软件错误检测与纠正技术可靠性研究》一文中研究指出基于信息冗余的错误检测与纠正(Error Detection and Correction,EDAC)技术是常见的系统级抗单粒子翻转(Single Event Upsets,SEU)的容错方法,软件实现的EDAC技术是硬件EDAC技术的替代方案,通过软件编程,在现有存储段上增加具有纠错功能的编码(Error-correcting Codes,ECC)来实现存储区错误的检测和纠正。分析了软件EDAC方案中,纠错编码的纠错能力及编码效率、刷新间隔、需保护代码量等因素对可靠性的影响,分析和仿真实验结果表明,对于单个粒子引起的存储器随机错误,提高单个码字的纠错能力及编码效率、增大刷新间隔对可靠性的影响不大,而通过缩短任务执行的代码量来提高刷新间隔,以及压缩需保护代码的总量,对可靠性有较大改进。分析结论能够指导工程实践中,在实现资源、实时性、可靠性之间进行优化选择。(本文来源于《信号处理》期刊2011年08期）
李飞,张志敏,王岩飞[10]（2003）在《错误检测与纠正电路的设计与实现》一文中研究指出针对一些恶劣的电磁环境对随机存储器(RAM)电路误码影响的情况,根据纠错编码的基本原理,提出简单实用的能检查两位错误并自动纠正一位错误的EOAC算法;通过VHDL语言编程设计,由FPGA器件来实现,并给出仿真结果。(本文来源于《单片机与嵌入式系统应用》期刊2003年02期）
错误检测与纠正论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
英文是世界上使用最广泛的国际通用语言,其作为第二语言被越来越多的学习者(English as Second Language,ESL)所重视。但是因为文化、地域和生活习惯等差异,ESL学习者在学习英文时,面临听、说、读、写等各种各样的挑战,其中写作是最为重要也最为困难的一项,而语法错误是英文写作中最常出现的错误类型。英文写作语法错误检测及纠正(Grammatical Error Correction,GEC)的研究与实现,对英文学习者和英文教学者均具有极其重要的意义。本文针对英文写作语料中含有的语法错误等噪声对序列信息提取的影响问题,提出基于循环神经网络的序列标注模型;并针对英文写作中的语法错误,提出基于序列标注和序列到序列等两种英文语法错误检测及纠正方法。首先,本文提出的基于循环神经网络的序列标注模型,在ESL语料的词性标注中,准确率达到96.73%;同时,在新闻语料的词性标注中,该模型的准确率达到97.60%;在CoNLL2003命名实体识别任务中,Fi值达到91.38%。然后,本文将序列标注模型应用于英文语法错误检测及纠正任务,在冠词错误纠正中,取得38.05%的F1值,超过2013年CoNLL评测最优结果UIUC的冠词错误纠正F1值33.40%;在介词错误的纠正中,取得28.89%的F1值,超过UIUC的介词错误纠正Fi值7.22%。最后,结合序列标注模型,提出序列到序列模型,该模型在最近2014年CoNLL英文语法错误检测及纠正任务中,取得31.77%的Fo.5值,其中召回率为38.92%,优于2014年CoNLL评测最优结果CAMB的召回结果(30.10%)。本文的具体贡献可以归纳为以下几点:1.提出一种有效解决序列标注的神经网络模型。和以往标注模型不同,该模型在综合字符、单词、序列信息的同时,引入粗粒度学习,将标注过程分为粗细两个阶段,使标注过程更加稳健。2.提出一种基于序列标注模型的英文语法错误检测及纠正方法。该方法使用本文提出的序列标注模型,对语法错误进行标注,并按照标注的结果,对原始单词进行检测及纠正,避免传统方法需要人工提取大量特征的问题。3.提出一种使用序列到序列神经网络模型进行英文语法错误检测及纠正的方法,该序列到序列神经网络模型的Encode部分来自本文提出的序列标注模型,Decode部分引入Attention机制。该方法将原始序列直接映射到目标序列,不再区分错误类型。4.设计并实现一种融合序列标注模型和序列到序列模型的英文写作错误检测及纠正系统。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
错误检测与纠正论文参考文献
[1].梁万里.纠正直觉错误培养推理能力——由一道数学检测题引发的思考[J].小学教学参考.2019
[2].杨林.基于循环神经网络的英文写作错误检测及纠正的研究与实现[D].北京邮电大学.2018
[3].赵学军,金威,何卫锋,毛志刚.基于iRazor时序错误检测与纠正电路改进与应用[J].信息技术.2017
[4].赵学军.面向超低电压的时序错误检测与纠正电路设计[D].上海交通大学.2017
[5].丁海.超临界汽轮机铸钢件渗透检测中常见错误操作的分析及纠正[J].无损检测.2016
[6].朱明俊,周宇杰.基于立方体纳卫星的软件错误检测与纠正设计[J].南京理工大学学报.2016
[7].陈朝才.英语搭配错误检测与纠正系统的研究与实现[D].中国科学技术大学.2015
[8].郑晓东,杨润丰,卞建勇,卢芸.DSP错误检测与纠正功能在基站中的应用[J].现代电子技术.2014
[9].刘小汇,伍微,欧钢.软件错误检测与纠正技术可靠性研究[J].信号处理.2011
[10].李飞,张志敏,王岩飞.错误检测与纠正电路的设计与实现[J].单片机与嵌入式系统应用.2003
论文知识图
