CN107239449A - 一种英语识别方法和翻译方法 - Google Patents
一种英语识别方法和翻译方法 Download PDFInfo
- Publication number
- CN107239449A CN107239449A CN201710428636.XA CN201710428636A CN107239449A CN 107239449 A CN107239449 A CN 107239449A CN 201710428636 A CN201710428636 A CN 201710428636A CN 107239449 A CN107239449 A CN 107239449A
- Authority
- CN
- China
- Prior art keywords
- mrow
- english
- msup
- msubsup
- munderover
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000013519 translation Methods 0.000 claims abstract description 13
- 230000005284 excitation Effects 0.000 claims abstract description 4
- 230000000644 propagated effect Effects 0.000 claims abstract description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 238000009987 spinning Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/42—Data-driven translation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Character Discrimination (AREA)
Abstract
本发明公开了一种英语识别方法,包括:给定训练集N={(xi,ti)xi∈Rn,ti∈Rn,i=1,2,3,…N},激励函数
Description
技术领域
本发明涉及英语教学领域,更具体的是,本发明涉及一种英语识别方法和翻译方法。
背景技术
英语学习已经成为很多国家的教育的基础部分。根据以英语作为母语的人数计算,英语可能是世界上第三大语言,但它是世界上最广泛的第二语言。世界上60%以上的信件是用英语书写的,上两个世纪英国和美国在文化、经济、军事、政治和科学上的领先地位使得英语成为一种准国际语言。
英语学习中其实对学习者困扰最大的就是听力、单词记忆、写作、口语四个专项。这四个专项紧密联系,缺一不可。具体地说,例如,听力不好,口语就很差,英语语感就好不到哪去,单词也就很难记住。
常用的英语翻译装置需要对英语进行识别,而传统的英语识别方法识别英语过程慢,且正确率较低。
发明内容
为解决英语识别过程慢,正确率低这一技术问题,本发明提供一种英语识别方法,能够有效快速的识别英文单词。
本发明的另一目的是提供一种翻译方法,能够快速、正确识别英语并翻译。
本发明的另一目的是提供一种用于英文识别的神经网络的权值和阈值的训练方法。
本发明提供的技术方案为:
一种英语识别方法,包括以下步骤:
步骤1:给定训练集N={(xi,ti)|xi∈Rn,ti∈Rn,i=1,2,3,…N},激励函数将训练样本和实际标签输入卷积神经网络逐层传播,得到输出特征值,
如果当前为全连接层,输出特征值为:
yi l=f(Wlyi l-1+bl)
如果当前为卷积层,输出特征值为:
yi l=f(Wl*yi l-1+bl)
如果当前为池化层,输出特征值为:
yi l=pool(yi l-1)
其中,xi为待识别英语训练样本,ti为实际英语标签,yi l第i个样本在第l层的输出特征值,yi l-1为第i个样本在第l-1层的输出特征值,Wl为第l层的输出权值,bl为第l层的偏置,yi 0=xi,pool为按照池化区域大小和池化标准将输入缩小的过程;
步骤2:利用网络输出值和实际标签之间的误差和误差梯度进行反向传播,调整权值和偏置,直至误差梯度小于停止迭代阈值,否则重复对所述卷积神经网络进行模型训练,
如果当前为全连接层,误差梯度为:
δi l-1=(Wl)Tδi l⊙f'(yi l-1)
如果当前为卷积层层,误差梯度为:
δi l-1=δi l*rot180(Wl)⊙f'(yi l-1)
如果当前为池化层,误差梯度为:
δi l-1=upsampleδi l⊙f'(yi l-1)
其中,δi l为误差梯度,rot180()表示上下翻转一次后再左右翻转一次。
优选的是,所述步骤2中的误差为:
其中,EN为每个样本集的误差的和,c为卷积神经网络所分层数,N为训练样本数。
优选的是,所述步骤2中调整权值和偏置包括:
如果当前为全连接层:
如果当前为卷积层:
其中,α为梯度迭代参数,(δi l)u,v为误差梯度δil各个子矩阵的项。
优选的是,所述步骤1中还包括:对所述文字训练样本进行归一化处理,归一域为[-1,1]。
优选的是,所述训练样本为英语单词和短语。
优选的是,所述卷积神经网络包括:
多个卷积层;
池化层,设置在每两个卷积层之间;以及
全连接层,设置在最后一个卷积层之后。
相应地,本发明还提供一种英语翻译方法,包括以下步骤:
步骤1:采用上述的英语识别方法对英语图像进行特征识别,得到英语图像特征值;
步骤2:按照预设的英语编码表,得到所述英语图像特征值对应的英语;
步骤3:将得到的所述英语翻译成对应的汉语。
优选的是,所述步骤3的翻译方法为逐词翻译,整句对应。
本发明所述的英语识别方法和翻译方法,能够快速、正确识别英语并翻译成对应的汉语,有助于人们在日常生活中对英文进行正确的记忆和学习。
附图说明
图1为本发明所述卷积神经网络的结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明可以有许多不同的形式实施,而不应该理解为限于再次阐述的实施例,相反,提供这些实施例,使得本公开将是彻底和完整的。
本发明提供一种英语识别方法,包括以下步骤:
步骤1:给定训练集N={(xi,ti)xi∈Rn,ti∈Rn,i=1,2,3,…N},激励函数将训练样本和实际标签输入卷积神经网络逐层传播,得到输出特征值,
如果当前为全连接层,输出特征值为:
yi l=f(Wlyi l-1+bl)
如果当前为卷积层,输出特征值为:
yi l=f(Wl*yi l-1+bl)
如果当前为池化层,输出特征值为:
yi l=pool(yi l-1)
其中,xi为待识别英语训练样本,ti为实际英语标签,yi l第i个样本在第l层的输出特征值,yi l-1为第i个样本在第l-1层的输出特征值,Wl为第l层的输出权值,bl为第l层的偏置,yi 0=xi,pool为按照池化区域大小和池化标准将输入缩小的过程;
步骤2:利用网络输出值和实际标签之间的误差和误差梯度进行反向传播,调整权值和偏置,直至误差梯度小于停止迭代阈值,否则重复对所述卷积神经网络进行模型训练,
如果当前为全连接层,误差梯度为:
δi l-1=(Wl)Tδi l⊙f'(yi l-1)
如果当前为卷积层层,误差梯度为:
δi l-1=δi l*rot180(Wl)⊙f'(yi l-1)
如果当前为池化层,误差梯度为:
δi l-1=upsampleδi l⊙f'(yi l-1)
其中,δi l为误差梯度,rot180()表示上下翻转一次后再左右翻转一次。
所述步骤2中的误差为:
其中,EN为每个样本集的误差的和,c为卷积神经网络所分层数,N为训练样本数。
所述步骤2中调整权值和偏置包括:
如果当前为全连接层:
如果当前为卷积层:
其中,α为梯度迭代参数,(δi l)u,v为误差梯度δi l各个子矩阵的项。
所述步骤1中还包括:对所述文字训练样本进行归一化处理,归一域为[-1,1]。
本实施例中所使用的训练样本为英语单词和短语。
如图1所示,本发明所述英语识别方法采用的卷积神经网络包括:多个卷积层;池化层,设置在每两个卷积层之间;以及全连接层,设置在最后一个卷积层之后。
实验数据和设计
实验将在英语数据库上进行测试:
英语数据库:该库包含50000个英语单词和50000个英语短语,该库内的英文图像已进行过归一化处理。实验时,分别选择60000、80000和90000个单词、短语为训练样本,则剩余的40000、20000和10000个单词、短语为测试样本。
识别结果及分析
由于卷积神经网络模型中初始的权值和偏置是随机赋值的,因此会对实验效果具有一定的影响。为了更好的说明卷积神经网络的效果,在该数据库进行150次实验,识别率取其平均值,并记录下这150组数据的标准差以说明算法的稳定性,结果如表1所示。
表1
上述结果表明,本发明所述的英语识别方法能够更加快速的识别英语,并且正确率较高。
本发明还提供一种英语翻译方法,包括以下步骤:
步骤1:采用上述的英语识别方法对英语图像进行特征识别,得到英语图像特征值;
步骤2:按照预设的英语编码表,得到所述英语图像特征值对应的英语;
步骤3:将得到的所述英语翻译成对应的汉语。
本实施例中,采用上述英语识别方法对英语进行识别,由于该识别方法中采用的训练样本为英语单词和短语,所在在步骤3中使用的翻译方法为逐词翻译,整句对应。
应当理解的是,本发明采用的英语识别方法和翻译方法并不限于英语,也可以是汉语,法语,德语等具有一定图像的语言,仅需在模型训练时修改训练样本即可。
本发明提供的英语识别方法和翻译方法,采用卷积神经网络进行英语图像识别,能够快速、正确的识别英语,并将其翻译成对应的汉语。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (8)
1.一种英语识别方法,其特征在于,包括以下步骤:
步骤1:给定训练集N={(xi,ti)|xi∈Rn,ti∈Rn,i=1,2,3,…N},激励函数将训练样本和实际标签输入卷积神经网络逐层传播,得到输出特征值,
如果当前为全连接层,输出特征值为:
yi l=f(Wlyi l-1+bl)
如果当前为卷积层,输出特征值为:
yi l=f(Wl*yi l-1+bl)
如果当前为池化层,输出特征值为:
yi l=pool(yi l-1)
其中,xi为待识别英语训练样本,ti为实际英语标签,yi l第i个样本在第l层的输出特征值,yi l-1为第i个样本在第l-1层的输出特征值,Wl为第l层的输出权值,bl为第l层的偏置,yi 0=xi,pool为按照池化区域大小和池化标准将输入缩小的过程;
步骤2:利用网络输出值和实际标签之间的误差和误差梯度进行反向传播,调整权值和偏置,直至误差梯度小于停止迭代阈值,否则重复对所述卷积神经网络进行模型训练,
如果当前为全连接层,误差梯度为:
δi l-1=(Wl)Tδi l⊙f'(yi l-1)
如果当前为卷积层层,误差梯度为:
δi l-1=δi l*rot180(Wl)⊙f'(yi l-1)
如果当前为池化层,误差梯度为:
δi l-1=upsampleδi l⊙f'(yi l-1)
其中,δi l为误差梯度,rot180()表示上下翻转一次后再左右翻转一次;
步骤3:对所述神经网络的输入层输入待识别英文,经过所述神经网络的中间层,所述神经网络的输出层输出识别后的英文。
2.如权利要求1所述的英语识别方法,其特征在于,所述步骤2中的误差为:
<mrow>
<msup>
<mi>E</mi>
<mi>N</mi>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>c</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>t</mi>
<mi>i</mi>
</msup>
<mo>-</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
其中,EN为每个样本集的误差的和,c为卷积神经网络所分层数,N为训练样本数。
3.如权利要求1所述的英语识别方法,其特征在于,所述步骤2中调整权值和偏置包括:
如果当前为全连接层:
<mrow>
<msup>
<mi>W</mi>
<mi>l</mi>
</msup>
<mo>=</mo>
<msup>
<mi>W</mi>
<mi>l</mi>
</msup>
<mo>-</mo>
<mi>&alpha;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<msup>
<mi>b</mi>
<mi>l</mi>
</msup>
<mo>=</mo>
<msup>
<mi>b</mi>
<mi>l</mi>
</msup>
<mo>-</mo>
<mi>&alpha;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
</mrow>
如果当前为卷积层:
<mrow>
<msup>
<mi>W</mi>
<mi>l</mi>
</msup>
<mo>=</mo>
<msup>
<mi>W</mi>
<mi>l</mi>
</msup>
<mo>-</mo>
<mi>&alpha;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>*</mo>
<mi>r</mi>
<mi>o</mi>
<mi>t</mi>
<mn>180</mn>
<mrow>
<mo>(</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
1
<mrow>
<msup>
<mi>b</mi>
<mi>l</mi>
</msup>
<mo>=</mo>
<msup>
<mi>b</mi>
<mi>l</mi>
</msup>
<mo>-</mo>
<mi>&alpha;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</munder>
<msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>i</mi>
<mi>l</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
</mrow>
其中,α为梯度迭代参数,为误差梯度各个子矩阵的项。
4.如权利要求1所述的英语识别方法,其特征在于,所述步骤1中还包括:对所述文字训练样本进行归一化处理,归一域为[-1,1]。
5.如权利要求1所述的英语识别方法,其特征在于,所述训练样本为英语单词和短语。
6.如权利要求1所述的英语识别方法,其特征在于,所述卷积神经网络包括:
多个卷积层;
池化层,设置在每两个卷积层之间;以及
全连接层,设置在最后一个卷积层之后。
7.一种英语翻译方法,其特征在于,包括以下步骤:
步骤1:采用如权利要求1-6任意一项所述的英语识别方法对英语图像进行特征识别,得到英语图像特征值;
步骤2:按照预设的英语编码表,得到所述英语图像特征值对应的英语;
步骤3:将得到的所述英语翻译成对应的汉语。
8.如权利要求7所述的英语翻译方法,其特征在于,所述步骤3的翻译方法为逐词翻译整句对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710428636.XA CN107239449A (zh) | 2017-06-08 | 2017-06-08 | 一种英语识别方法和翻译方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710428636.XA CN107239449A (zh) | 2017-06-08 | 2017-06-08 | 一种英语识别方法和翻译方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107239449A true CN107239449A (zh) | 2017-10-10 |
Family
ID=59986850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710428636.XA Pending CN107239449A (zh) | 2017-06-08 | 2017-06-08 | 一种英语识别方法和翻译方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107239449A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595410A (zh) * | 2018-03-19 | 2018-09-28 | 小船出海教育科技(北京)有限公司 | 手写作文的自动批改方法及装置 |
CN109033094A (zh) * | 2018-07-18 | 2018-12-18 | 五邑大学 | 一种基于序列到序列神经网络模型的文言文白话文互译方法及系统 |
CN109359309A (zh) * | 2018-12-11 | 2019-02-19 | 成都金山互动娱乐科技有限公司 | 一种翻译方法及装置、翻译模型的训练方法及装置 |
CN109902313A (zh) * | 2019-03-01 | 2019-06-18 | 北京金山数字娱乐科技有限公司 | 一种翻译方法及装置、翻译模型的训练方法及装置 |
WO2021051513A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于神经网络的中英翻译方法、及其相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335356A (zh) * | 2015-10-28 | 2016-02-17 | 阿坝师范学院 | 一种面向语义识别的纸质翻译方法及翻译笔装置 |
CN106372058A (zh) * | 2016-08-29 | 2017-02-01 | 中译语通科技(北京)有限公司 | 一种基于深度学习的短文本情感要素抽取方法及装置 |
CN106649276A (zh) * | 2016-12-29 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 标题中核心产品词的识别方法以及装置 |
-
2017
- 2017-06-08 CN CN201710428636.XA patent/CN107239449A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105335356A (zh) * | 2015-10-28 | 2016-02-17 | 阿坝师范学院 | 一种面向语义识别的纸质翻译方法及翻译笔装置 |
CN106372058A (zh) * | 2016-08-29 | 2017-02-01 | 中译语通科技(北京)有限公司 | 一种基于深度学习的短文本情感要素抽取方法及装置 |
CN106649276A (zh) * | 2016-12-29 | 2017-05-10 | 北京京东尚科信息技术有限公司 | 标题中核心产品词的识别方法以及装置 |
Non-Patent Citations (4)
Title |
---|
JAKE BOUVRIE: "Notes on Convolutional Neural Networks", 《HTTP://COGPRINTS.ORG/5869/》 * |
ZOHRA SAIDANE ET AL: "Automatic Scene Text Recognition using a Convolutional Neural Network", 《PROCEEDINGS OF THE SECOND INTERNATIONAL WORKSHOP ON CAMERA-BASED》 * |
梁颖红 等: "《基于混合策略的英语基本名词短语识别》", 《计算机工程与应用》 * |
赵继生: "基于卷积神经网络的变电站监控图像识别方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595410A (zh) * | 2018-03-19 | 2018-09-28 | 小船出海教育科技(北京)有限公司 | 手写作文的自动批改方法及装置 |
CN109033094A (zh) * | 2018-07-18 | 2018-12-18 | 五邑大学 | 一种基于序列到序列神经网络模型的文言文白话文互译方法及系统 |
CN109359309A (zh) * | 2018-12-11 | 2019-02-19 | 成都金山互动娱乐科技有限公司 | 一种翻译方法及装置、翻译模型的训练方法及装置 |
CN109359309B (zh) * | 2018-12-11 | 2023-02-03 | 成都金山互动娱乐科技有限公司 | 一种翻译方法及装置、翻译模型的训练方法及装置 |
CN109902313A (zh) * | 2019-03-01 | 2019-06-18 | 北京金山数字娱乐科技有限公司 | 一种翻译方法及装置、翻译模型的训练方法及装置 |
CN109902313B (zh) * | 2019-03-01 | 2023-04-07 | 北京金山数字娱乐科技有限公司 | 一种翻译方法及装置、翻译模型的训练方法及装置 |
WO2021051513A1 (zh) * | 2019-09-19 | 2021-03-25 | 平安科技(深圳)有限公司 | 基于神经网络的中英翻译方法、及其相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107239449A (zh) | 一种英语识别方法和翻译方法 | |
Chen et al. | End-to-end neural network based automated speech scoring | |
CN110276069B (zh) | 一种中国盲文错误自动检测方法、系统及存储介质 | |
CN110427608B (zh) | 一种引入分层形声特征的中文词向量表示学习方法 | |
CN111310474A (zh) | 基于激活-池化增强bert模型的在线课程评论情感分析方法 | |
CN110825850B (zh) | 一种自然语言主题分类方法及装置 | |
Nishanimut et al. | Effect of synthetic phonics instruction on literacy skills in an ESL setting | |
CN110851599A (zh) | 一种中文作文自动评分方法及教辅系统 | |
CN101636774A (zh) | 英文单词的切分、重读标注方法及其应用 | |
CN109410670A (zh) | 一种根据词义联想的外语单词强化训练方法 | |
Ray | Structured Literacy Supports All Learners: Students At-Risk of Literacy Acquisition-Dyslexia and English Learners. | |
Andrews et al. | The “Silk Road” to literacy for Chinese deaf students | |
CN105045410A (zh) | 一种形式化拼音和汉字对应识别的方法 | |
CN115240710A (zh) | 基于神经网络的多尺度融合的发音评测模型优化方法 | |
Chen | The influence of world englishes on chinese english and english teaching in college | |
Chan et al. | Explicit teaching and implicit learning of Chinese characters | |
Pedrazzini | The Principle of ‘Correct Pronunciation’: Teaching English as a Foreign Language in the Early Twentieth Century | |
CN109545014A (zh) | 一种基于语音交互的外语单词练习方法 | |
CN109671308B (zh) | 一种发音口型矫正系统的生成方法 | |
CN113191138B (zh) | 一种基于am-cnn算法的自动文本情感分析方法 | |
KR102086263B1 (ko) | 규칙 패턴을 이용한 한글 어휘 학습장치 및 그 학습방법 | |
CN112651403B (zh) | 基于语义嵌入的零样本视觉问答方法 | |
Sheridan | Primary Chinese language instruction in the People's Republic of China | |
Melani et al. | An Analysis of Vocational High School Students’ Difficulties in Reading Comprehension | |
Rullu et al. | Error Analysis of English Vowels Pronunciation Made by The Students of English Education Study Program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171010 |