Método de Detección Híbrido para el Reconocimiento de Múltiples Intenciones en Texto de Comunicación Aire-Tierra
Autores: Pan, Weijun; Wang, Zixuan; Wang, Zhuang; Wang, Yidi; Huang, Yuanjing
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Método de Detección Híbrido para el Reconocimiento de Múltiples Intenciones en Texto de Comunicación Aire-Tierra
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Aeroespacial
Palabras clave
Automatización
Inteligencia
Comunicación aire-tierra
Intenciones
Reconocimiento
Modelos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 28
Citaciones: Sin citaciones
En los últimos años, la industria de la aviación civil ha promovido activamente la automatización y la inteligencia de los procesos de control con el uso creciente de diversas tecnologías de inteligencia artificial. La comunicación aire-tierra, como el principal medio de interacción entre controladores y pilotos, generalmente implica una o más intenciones. Reconocer múltiples intenciones dentro de los textos de comunicación aire-tierra es un paso crítico para automatizar y avanzar en el proceso de control de manera inteligente. Por lo tanto, este estudio propone un método de detección híbrido para el reconocimiento de múltiples intenciones en el texto de comunicación aire-tierra. Este método mejora la precisión del reconocimiento utilizando diferentes modelos para textos de intención única y textos de múltiples intenciones. Primero, el texto de comunicación aire-tierra se divide en dos categorías utilizando tecnología de detección de múltiples intenciones: texto de intención única y texto de múltiples intenciones. A continuación, para el texto de intención única, se utiliza el modelo Enhanced Representation through Knowledge Integration (ERNIE) 3.0 para el reconocimiento; mientras que se propone el modelo A Lite Bidirectional Encoder Representations from Transformers (ALBERT)_Sequence-to-Sequence_Attention (ASA) para identificar textos de múltiples intenciones. Finalmente, combinar los resultados de reconocimiento de los dos modelos produce el resultado final. Los resultados experimentales demuestran que el uso del modelo ASA para el reconocimiento de texto de múltiples intenciones logró una tasa de precisión del 97.84%, que es un 0.34% más alta que el modelo base ALBERT y entre un 0.15% y un 0.87% más alta que otros modelos mejorados basados en ALBERT y ERNIE 3.0. El modelo de reconocimiento de intención única logró una precisión del 96.23% al reconocer textos de intención única, que es al menos un 2.18% más alta que el modelo de reconocimiento de múltiples intenciones. Los resultados indican que emplear diferentes modelos para varios tipos de textos puede mejorar sustancialmente la precisión del reconocimiento.
Descripción
En los últimos años, la industria de la aviación civil ha promovido activamente la automatización y la inteligencia de los procesos de control con el uso creciente de diversas tecnologías de inteligencia artificial. La comunicación aire-tierra, como el principal medio de interacción entre controladores y pilotos, generalmente implica una o más intenciones. Reconocer múltiples intenciones dentro de los textos de comunicación aire-tierra es un paso crítico para automatizar y avanzar en el proceso de control de manera inteligente. Por lo tanto, este estudio propone un método de detección híbrido para el reconocimiento de múltiples intenciones en el texto de comunicación aire-tierra. Este método mejora la precisión del reconocimiento utilizando diferentes modelos para textos de intención única y textos de múltiples intenciones. Primero, el texto de comunicación aire-tierra se divide en dos categorías utilizando tecnología de detección de múltiples intenciones: texto de intención única y texto de múltiples intenciones. A continuación, para el texto de intención única, se utiliza el modelo Enhanced Representation through Knowledge Integration (ERNIE) 3.0 para el reconocimiento; mientras que se propone el modelo A Lite Bidirectional Encoder Representations from Transformers (ALBERT)_Sequence-to-Sequence_Attention (ASA) para identificar textos de múltiples intenciones. Finalmente, combinar los resultados de reconocimiento de los dos modelos produce el resultado final. Los resultados experimentales demuestran que el uso del modelo ASA para el reconocimiento de texto de múltiples intenciones logró una tasa de precisión del 97.84%, que es un 0.34% más alta que el modelo base ALBERT y entre un 0.15% y un 0.87% más alta que otros modelos mejorados basados en ALBERT y ERNIE 3.0. El modelo de reconocimiento de intención única logró una precisión del 96.23% al reconocer textos de intención única, que es al menos un 2.18% más alta que el modelo de reconocimiento de múltiples intenciones. Los resultados indican que emplear diferentes modelos para varios tipos de textos puede mejorar sustancialmente la precisión del reconocimiento.