簡(jiǎn)介：研究腦、保護(hù)腦、開發(fā)腦、創(chuàng)造腦是人類21世紀(jì)最大的挑戰(zhàn)之一。隨著人類腦科學(xué)研究的深入展開，各種新方法、新技術(shù)的使用產(chǎn)生了大量數(shù)據(jù)。激增的數(shù)據(jù)背后隱藏著許多重要的信息，迫切需要提供一種自動(dòng)的數(shù)據(jù)分析方法，對(duì)數(shù)據(jù)進(jìn)行更高層次的分析，腦數(shù)據(jù)挖掘成為必然。該文致力于漢語認(rèn)知腦數(shù)據(jù)挖掘相關(guān)算法研究。首先，分別研究粒子群優(yōu)化算法、粗糙集、人工神經(jīng)網(wǎng)絡(luò)的理論與應(yīng)用；然后，結(jié)合腦結(jié)構(gòu)和功能以及漢語認(rèn)知實(shí)驗(yàn)數(shù)據(jù)特征，研究基于粒子群算法的粗糙集神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法；最后，對(duì)腦成像特征增強(qiáng)、特征提取等算法與所研究的數(shù)據(jù)挖掘算法進(jìn)行集成研究，并將其應(yīng)用于漢語認(rèn)知神經(jīng)信息學(xué)研究中的腦數(shù)據(jù)挖掘。這項(xiàng)研究具有濃重的中國特色和優(yōu)勢(shì)，將不僅為漢語認(rèn)知腦研究提供有效的手段，而且對(duì)人工智能的研究具有重要的理論價(jià)值。全文從以下幾個(gè)方面展開粒子群優(yōu)化算法是簡(jiǎn)單個(gè)體組成的群落以及個(gè)體之間的互動(dòng)行為模擬搜索全局最優(yōu)解的群智優(yōu)化方法。該文對(duì)粒子群優(yōu)化算法的機(jī)理及其收斂性進(jìn)行分析，指出粒子群優(yōu)化算法滿足收斂性的前提下種群多樣性就會(huì)減小，粒子將會(huì)因速度降低而失去繼續(xù)搜索可行解的能力，粒子群優(yōu)化出現(xiàn)停滯狀態(tài)，這種情況大多導(dǎo)致早熟。為此，提出一種混沌粒子群優(yōu)化算法，該算法滿足收斂性的條件下利用混沌確定性與隨機(jī)性的統(tǒng)一、對(duì)初始值敏感性、混沌的遍歷性等特點(diǎn)引導(dǎo)粒子群中的粒子搜索，提高種群的多樣性和粒子搜索的遍歷性，將混沌狀態(tài)引入到優(yōu)化變量，使因速度降低而失去搜索可行解能力的粒子引入混沌量后獲得繼續(xù)索的能力，避免粒子搜索過程中容易發(fā)生的早熟、停滯，提高粒子的搜索效率，改善粒子群優(yōu)化的性能。粗糙集理論知識(shí)約簡(jiǎn)的復(fù)雜度隨著決策表的增大呈指數(shù)增長，許多約簡(jiǎn)方法引入啟發(fā)式搜索方法尋找較優(yōu)的約簡(jiǎn)，主要通過可辨識(shí)矩陣中0和1的個(gè)數(shù)進(jìn)行處理和計(jì)數(shù)來實(shí)現(xiàn)的，在初始化和迭代的過程需要不斷地檢驗(yàn)新生成的個(gè)體是否存在于解空間可辨識(shí)矩陣，而且通常傾向于在同一基礎(chǔ)解系中搜索可行解。粗糙集約簡(jiǎn)實(shí)質(zhì)是找到所含條件屬性最少的條件屬性子集與決策屬性匹配，提出一種基于離散型粒子群優(yōu)化的粗糙集數(shù)據(jù)約簡(jiǎn)算法，有效避免約簡(jiǎn)過程中算法傾向于在同一基礎(chǔ)解系中搜索可行解的可能性。跟蹤實(shí)驗(yàn)結(jié)果表明，所提出的算法求解粗糙集中的決策表屬性最小相對(duì)約簡(jiǎn)問題能夠取得好的效果，與基于遺傳算法的約簡(jiǎn)方法相比，成功率高、穩(wěn)定性好。在數(shù)據(jù)挖掘應(yīng)用方面，粗糙理論和神經(jīng)網(wǎng)絡(luò)有很強(qiáng)的優(yōu)勢(shì)互補(bǔ)性。結(jié)合腦結(jié)構(gòu)和功能以及漢語認(rèn)知實(shí)驗(yàn)數(shù)據(jù)特征，研究基于粒子群算法的粗糙集神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘方法，該方法根據(jù)漢語認(rèn)知實(shí)驗(yàn)?zāi)X數(shù)據(jù)形成的信息表，用粗糙集理論對(duì)條件屬性進(jìn)行相對(duì)約簡(jiǎn)，通過去掉冗余條件屬性和冗余訓(xùn)練樣本，得到信息表的最小條件屬性集和核構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并利用混沌粒子群優(yōu)化算法進(jìn)行學(xué)習(xí)訓(xùn)練，提高網(wǎng)絡(luò)的學(xué)習(xí)效率。針對(duì)腦數(shù)據(jù)分析，在腦成像特征增強(qiáng)、提取等方面也進(jìn)行研究，提出一種基于泰勒類比展開的腦成像著色算法，該算法針對(duì)一幀待著色的目標(biāo)圖像，用一幀原色圖像作為源圖像，依據(jù)泰勒類比展開的一階信息亮度直方圖、二階信息共存矩陣及其展開最小余量在圖像對(duì)中搜索，在源圖像中進(jìn)行自動(dòng)取色，然后將其賦到目標(biāo)圖像上，最終得到結(jié)果圖像，結(jié)果圖像保持目標(biāo)圖像原有的信息不變，而增加源圖像的顏色和真實(shí)感；提出一種基于腦成像自身的語義特點(diǎn)進(jìn)行正交化特征選擇和提取算法，有效地提取漢語認(rèn)知腦成像中的激活特征。最后，對(duì)所研究的腦數(shù)據(jù)挖掘相關(guān)算法進(jìn)行集成研究，形成腦數(shù)據(jù)挖掘的整體集成技術(shù)，進(jìn)一步為漢語認(rèn)知腦研究提供有效的手段。

簡(jiǎn)介：隱喻，不僅是一種修辭手法，更是一種思維推理方式和認(rèn)知機(jī)制不僅是生活中的普遍現(xiàn)象，更是文學(xué)創(chuàng)作的基礎(chǔ)。在以形散神不散而著稱的散文寫作中，作者通常使用大量隱喻來抒發(fā)情感，突出主題。因此，比較散文和譯文中的認(rèn)知過程和概念隱喻的使用情況對(duì)于散文的理解和翻譯有著突出的意義。ONCEMETOTHELAKE是美國著名散文家、文體學(xué)家懷特最具代表性的散文作品之一，其寫作風(fēng)格清新雅致，含有大量匠心獨(dú)運(yùn)的隱喻、娟好靜秀的語調(diào)和迷人雅致的韻律。其較有影響力的中文譯文再到湖上是由中國著名翻譯家、編輯、學(xué)者兼散文家馮亦代先生翻譯完成的。本文以概念隱喻理論作為理論框架，對(duì)英語散文ONCEMETOTHELAKE和其中文譯文再到湖上進(jìn)行了概念隱喻認(rèn)知分析，并回答了以下問題散文ONCEMETOTHELAKE中的認(rèn)知過程是如何實(shí)現(xiàn)的其中的概念隱喻是如何突出散文主題的譯者在再到湖上中重構(gòu)的認(rèn)知過程是否與原散文的認(rèn)知過程一致中英文中概念隱喻的使用情況有何異同通過定性和對(duì)比分析，本文得出以下觀點(diǎn)1ONCEMETOTHELAKE中的隱喻可分為時(shí)間系統(tǒng)、湖系統(tǒng)、人類系統(tǒng)和其他隱喻系統(tǒng)（包括聲音隱喻和生命隱喻），其認(rèn)知過程通過該四類概念隱喻系統(tǒng)得以實(shí)現(xiàn)。2四類隱喻貫穿全文，形成兩條主線“事物發(fā)生變化”和“事物恒定不變”。在“變”與“不變”間，懷特表現(xiàn)出對(duì)緬因湖的喜愛之情，抒發(fā)了物是人非的感慨，并逐步升華了散文主題生命交替更換，我們應(yīng)該敬畏生命。3由于人們享有相似的生理結(jié)構(gòu)和生活經(jīng)歷，使得不同文化的概念認(rèn)知系統(tǒng)有一些相似性，體現(xiàn)在1ONCEMETOTHELAKE和再到湖上中有一些共同的概念隱喻，如“時(shí)間是某物”、“時(shí)間是運(yùn)動(dòng)的物體”、“時(shí)間是靜止的而我們運(yùn)動(dòng)于其中”、“動(dòng)作是聲音”、“思緒是運(yùn)動(dòng)的物體”、“聲音是破壞性事物”、“聲音是鎮(zhèn)靜劑”、“音樂是食物”、“生命是置換”等2英語原文和漢語譯文共有相似的認(rèn)知過程人格化、動(dòng)物化和具體化。4中美文化的差異性使得譯本和原文中的隱喻和認(rèn)知又存在不同之處1在ONCEMETOTHELAKE和再到湖上中，表達(dá)相同的隱喻存在細(xì)微的差別，如感情基調(diào)、比喻意義和深層的語義含義等有所不同2在表達(dá)相同目標(biāo)域時(shí)，英語原文和漢語譯文分別采用了不同的本體域3英語原文和漢語譯文中存在本民族文化獨(dú)有的概念隱喻，如ONCEMETOTHELAKE中的“戲劇隱喻”、“教堂隱喻”、“魔法隱喻”和再到湖上中的“圖畫隱喻”、“吃飯隱喻”等。本文的意義在于本研究在幫助人們更好地理解散文ONCEMETOTHELAKE的基礎(chǔ)上，豐富和拓展了散文翻譯研究的內(nèi)容和視野，同時(shí)證明了概念隱喻理論對(duì)散文認(rèn)知和散文翻譯的解釋力度概念隱喻理論能夠幫助大家更好地分析和理解散文中的隱喻和認(rèn)知過程，并且能夠使翻譯家更好地重構(gòu)原語散文中的“形”和“神”。論文作者希望本研究能為散文認(rèn)知及其翻譯研究提供相關(guān)借鑒。

簡(jiǎn)介：該文基于語音產(chǎn)生的模型從時(shí)域、頻域特別是從倒譜出發(fā)對(duì)語音信號(hào)進(jìn)行分析并結(jié)合模式識(shí)別的理論論述語音識(shí)別的基本理論在介紹DSP特點(diǎn)和TMS320VC549結(jié)構(gòu)的基礎(chǔ)上該文提出基于DSP的語音識(shí)別系統(tǒng)借鑒了TMS320VC54X的評(píng)估模塊EVM對(duì)以TMS320VC549芯片為核心的系統(tǒng)硬件設(shè)計(jì)進(jìn)行了研究闡述了系統(tǒng)的構(gòu)成分析了工作過程采用89C51單片機(jī)對(duì)TMS320VC549的控制代替PC機(jī)的控制并對(duì)PC機(jī)與TMS320VC549的通信方式進(jìn)行改造即將TMS320VC549的HPI口與PC機(jī)的ISA總線相連改為TMS320VC549的HPI口與PC機(jī)的并行口相通信使TMS320VC549成為獨(dú)立于PC機(jī)的系統(tǒng)整個(gè)系統(tǒng)以TMS320VC549為核心電路進(jìn)行設(shè)計(jì)TLE2064進(jìn)行放大TLC320AC02進(jìn)行AD轉(zhuǎn)換TMS320VC549進(jìn)行訓(xùn)練和識(shí)別語音信號(hào)由LCD顯示結(jié)果該文采用的漢語語音的端點(diǎn)信號(hào)的檢測(cè)和清濁信號(hào)切分方法是短時(shí)相對(duì)能頻積的方法對(duì)漢語語音信號(hào)的端點(diǎn)進(jìn)行檢測(cè)短時(shí)相對(duì)能頻比的方法對(duì)語音信號(hào)的清濁音進(jìn)行切分提高漢語語音信號(hào)切分的成功率關(guān)鍵技術(shù)是引入聲調(diào)的特征量作為特征參數(shù)利用基頻、基頻的一階和二階差分作為特征參數(shù)以提高識(shí)別率采用連續(xù)HMM模型利用BAUMWELTH重估、VITERBE算法進(jìn)行訓(xùn)練和識(shí)別實(shí)現(xiàn)系統(tǒng)軟件設(shè)計(jì)

簡(jiǎn)介：文語轉(zhuǎn)換技術(shù)是一種應(yīng)用廣泛的語音技術(shù)。目前，以波形合成為基礎(chǔ)的文語轉(zhuǎn)換技術(shù)已經(jīng)可以合成清晰度、可懂度較好的語音，然而在合成語音的自然度方面仍需進(jìn)一步提高。韻律調(diào)節(jié)是改善合成語音自然度最有效的手段之一。本文的主要工作是圍繞漢語文語轉(zhuǎn)換系統(tǒng)的韻律調(diào)節(jié)技術(shù)進(jìn)行的。本文對(duì)相關(guān)的算法進(jìn)行研究，并開發(fā)一種漢語普通話文語轉(zhuǎn)換系統(tǒng)。本文首先對(duì)韻律理論和漢語的語音特點(diǎn)進(jìn)行了分析，并對(duì)文語轉(zhuǎn)換系統(tǒng)現(xiàn)有的技術(shù)路線進(jìn)行了討論，并在此基礎(chǔ)上提出了一種基于韻律規(guī)則的波形合成法。接下來，本文對(duì)PSOLA、FUJISAKI基頻曲線預(yù)測(cè)算法、音節(jié)與停頓時(shí)長預(yù)測(cè)算法等韻律調(diào)節(jié)的關(guān)鍵算法進(jìn)行了深入的研究，并在對(duì)FUJISAKI模型進(jìn)行部分修改的基礎(chǔ)上，提出了一種充分考慮語音庫中語音基頻特性的語調(diào)曲線預(yù)測(cè)算法，這種方法能夠比較準(zhǔn)確的模擬句子的語調(diào)曲線趨勢(shì)，同時(shí)對(duì)合成基元頻率特性的修改較小。然后，本文從系統(tǒng)構(gòu)成的角度介紹了系統(tǒng)中各個(gè)模塊的功能和設(shè)計(jì)方案；同時(shí)，本文介紹了構(gòu)建語音庫的方法，為了提高合成語音的自然度，本文同時(shí)構(gòu)建了音節(jié)語音庫和漢語中高頻詞語音庫。最后，本文從程序?qū)崿F(xiàn)的角度介紹了代碼中主要函數(shù)的功能和輸入輸出，并對(duì)程序設(shè)計(jì)時(shí)需要考慮的關(guān)鍵問題進(jìn)行了分析。另外，本文還運(yùn)用平均意見分的方法對(duì)開發(fā)的漢語文語轉(zhuǎn)換系統(tǒng)的性能進(jìn)行了評(píng)估，測(cè)試結(jié)果表明系統(tǒng)合成的語音具有比較好的自然度。

簡(jiǎn)介：伴隨著WEB20技術(shù)革命互聯(lián)網(wǎng)上的意見型文本呈爆炸性地增長這些文本蘊(yùn)含著廣大用戶的喜怒哀樂。意見挖掘技術(shù)應(yīng)運(yùn)而生人們圍繞著意見的主題、持有者、陳述和情感四元素展開了許多研究取得了豐碩的成果。本文根據(jù)新應(yīng)用需求對(duì)漢語意見時(shí)空元素展開研究。本文從意見挖掘中語義知識(shí)不全面的問題入手利用WIKIPEDIA世界知識(shí)構(gòu)建概念詞典和WIKIPEDIA詞典詞條的語義用WIKIPEDIA類別表示。概念詞典用于確定主題的內(nèi)涵WIKIPEDIA詞典用于計(jì)算任意兩個(gè)文本的語義相關(guān)度。語義相關(guān)度實(shí)驗(yàn)表明了算法的有效性并成功應(yīng)用于主題識(shí)別。本文以細(xì)顆粒度的方法對(duì)中文句子進(jìn)行傾向性分析側(cè)重于從結(jié)構(gòu)和語言現(xiàn)象揭示中文句子傾向性的特點(diǎn)。利用HOW自動(dòng)構(gòu)建情感詞典后實(shí)現(xiàn)了一個(gè)系統(tǒng)用于參加COAE2008評(píng)測(cè)結(jié)果表明方法是有效的。本文提出了意見重要因子的概念意見重要因子由時(shí)間重要因子和來源重要因子組成。分析了時(shí)間重要因子在不同應(yīng)用中的計(jì)算公式將來源重要因子分為來源的影響力、來源與領(lǐng)域的相關(guān)度兩個(gè)部分。最后本文回到意見時(shí)空元素的應(yīng)用上探討了“挖掘某段時(shí)間最受歡迎的產(chǎn)品”和“意見趨勢(shì)挖掘”兩個(gè)典型應(yīng)用的挖掘方法和實(shí)驗(yàn)評(píng)估方法。

簡(jiǎn)介：近年來逼真的三維人臉動(dòng)畫系統(tǒng)的研究已成為計(jì)算機(jī)領(lǐng)域的熱門話題，并在人工智能、影視制作、多媒體教學(xué)、遠(yuǎn)程會(huì)議和計(jì)算機(jī)游戲等方面得到廣泛的應(yīng)用。但是，目前國內(nèi)對(duì)于三維動(dòng)畫系統(tǒng)的研究還處于初級(jí)階段，如何針對(duì)特定的人臉建立逼真的三維模型，并運(yùn)用漢語文本驅(qū)動(dòng)人臉動(dòng)畫模型，三維動(dòng)畫關(guān)鍵幀之間的自然過渡，且與實(shí)際生活中人在說話時(shí)的嘴型相符都是目前的研究重點(diǎn)與難點(diǎn)。本文在分析研究了三維人臉建模、三維動(dòng)畫和漢語文本分析的關(guān)鍵技術(shù)和難點(diǎn)問題的基礎(chǔ)上，采用基于形變模型的人臉重建方法，完成了特定三維人臉模型，并對(duì)漢語文本進(jìn)行了系統(tǒng)的分析，歸納了漢語發(fā)音口型中的協(xié)同發(fā)音現(xiàn)象，實(shí)現(xiàn)了在連續(xù)語流中關(guān)鍵幀模型之間的口型過渡，最后設(shè)計(jì)實(shí)現(xiàn)了本文中漢語文本驅(qū)動(dòng)的人臉動(dòng)畫演示系統(tǒng)。其主要內(nèi)容如下1在闡述了MPEG4標(biāo)準(zhǔn)動(dòng)畫原理的基礎(chǔ)上，選取特定人臉作為系統(tǒng)的三維人臉模型設(shè)計(jì)了漢語文本驅(qū)動(dòng)人臉動(dòng)畫演示系統(tǒng)的總體框架，分析了實(shí)現(xiàn)文本驅(qū)動(dòng)三維動(dòng)畫系統(tǒng)的難點(diǎn)以及本文研究實(shí)現(xiàn)的重點(diǎn)。2討論了標(biāo)準(zhǔn)人臉和特定人臉的三維人臉建模的優(yōu)缺點(diǎn)，選用了基于形變模型的三維人臉重建方法，并選擇單張正面人臉圖片標(biāo)定特征點(diǎn)，與形變模型的原始二維圖像進(jìn)行匹配，通過求解最小歐氏距離，得到重建模型的二維人臉圖像，再將紋理映射到三維網(wǎng)格模型上，得到個(gè)性化的三維人臉模型。3通過分析漢語輸入文本，對(duì)應(yīng)查找漢語拼音對(duì)照表，得到輸入漢字的拼音表示。并總結(jié)了漢語語音的發(fā)音規(guī)則，將漢語拼音的基本口型依據(jù)視位的不同分成了12類，并生成相應(yīng)的三維口型關(guān)鍵幀。4分析討論了人在說話過程中普遍存在的協(xié)同發(fā)音問題，通過分析基本元音、輔音發(fā)音口型之間的相互影響程度，對(duì)前后發(fā)音口型關(guān)鍵幀設(shè)置權(quán)值，在關(guān)鍵幀動(dòng)畫之間插入過渡幀，使得各關(guān)鍵幀口型之間的過渡更加自然。5完成了本文漢語驅(qū)動(dòng)的人臉動(dòng)畫演示系統(tǒng)的功能設(shè)計(jì)，采用基于OPENGL庫的VC60編程實(shí)現(xiàn)了以漢語文本作為驅(qū)動(dòng)，將輸入文本轉(zhuǎn)換成漢語拼音音子的三維人臉動(dòng)畫演示系統(tǒng)。

簡(jiǎn)介：語音合成是人機(jī)語音交互的一個(gè)重要組成部分語音合成研究的目的是制造一種會(huì)說話的機(jī)器使一些以其它方式表示和存儲(chǔ)的信息能轉(zhuǎn)化為語音讓人們能通過聽覺而方便地獲得這些信息語音合成的基本方法可以歸納為三大類波形合成方式、參數(shù)合成方式和規(guī)則合成方式數(shù)字樂器接口I設(shè)備是目前一切PC和音頻設(shè)備的標(biāo)準(zhǔn)配置利用它來做語音合成可以最大限度地節(jié)省系統(tǒng)成本和減少運(yùn)算量該文提出了基于I的語音合成算法該算法屬于波形合成方式通過對(duì)標(biāo)準(zhǔn)的可下載聲音DLS波表的語音擴(kuò)展以實(shí)現(xiàn)象合成樂音一樣地合成語音在實(shí)現(xiàn)上述算法過程中該文完成了以下工作1、在分析了漢語普通話語音學(xué)特征的基礎(chǔ)上提出了利用語譜圖和短時(shí)過零分析從音節(jié)中切分普通話聲母和韻母的方法2、將所有的聲母和韻母波形制作成符合DLS結(jié)構(gòu)的語音波表并通過保留韻頭段和對(duì)韻腹段波形的重復(fù)達(dá)到壓縮存儲(chǔ)空間的效果3、利用ADSR修正結(jié)構(gòu)對(duì)陰平波形的頻率進(jìn)行修正以得到其它的三個(gè)聲調(diào)這樣使得每一個(gè)韻母只需要存儲(chǔ)一套波形數(shù)據(jù)和四套ADSR結(jié)合參數(shù)就可以合成出所有聲調(diào)4、將所有的語氣、韻律和節(jié)奏控制信息統(tǒng)一用I消息實(shí)現(xiàn)以合成不同語境下的語音該算法把音樂合成與語音合成統(tǒng)一到一個(gè)標(biāo)準(zhǔn)工業(yè)規(guī)范下面這使得算法的可移植性和可擴(kuò)展性得到了充分的保證同時(shí)也為音頻信號(hào)的統(tǒng)一處理提供了保證

簡(jiǎn)介：各種未收錄的漢語人名、地名、以及機(jī)構(gòu)名稱短語等專有名詞的自動(dòng)識(shí)別，能夠提高中文文本的分析理解能力，是自然語言處理領(lǐng)域的重要和基礎(chǔ)性問題，同時(shí)也是一項(xiàng)具有較高價(jià)值的應(yīng)用研究。的SVM分類器一般具有更少的支持向量數(shù)目，獲得了更好的識(shí)別結(jié)果。研究了一種基于距離估計(jì)的多個(gè)SVM分類器集成方法。該算法首先通過對(duì)特定實(shí)例的訓(xùn)練學(xué)習(xí)，構(gòu)造了不同的SVM分類器；然后采用一種距離估計(jì)的方法，將得到的若干不同SVM分類器以漸進(jìn)的方式融合為一個(gè)單一的分類器。針對(duì)專有名詞和部分UCI數(shù)據(jù)庫的實(shí)驗(yàn)表明對(duì)于類別邊界存在交叉混雜區(qū)域的二類分類問題，該算法能夠較單一分類器取得更好的識(shí)別精度。

簡(jiǎn)介：隨著現(xiàn)代通信技術(shù)的飛速發(fā)展，語音識(shí)別具有巨大的應(yīng)用前景，涉及的領(lǐng)域非常廣泛。在發(fā)達(dá)國家，一些基于中小詞匯、特定領(lǐng)域的語音識(shí)別產(chǎn)品已經(jīng)投入使用，如聲控電話撥號(hào)系統(tǒng)、語音記事本、電話服務(wù)、語音查詢等等。但是在大詞匯量連續(xù)語音識(shí)別方面，距離理想的語音識(shí)別性能仍有相當(dāng)?shù)木嚯x。因此，非特定人、大詞匯量連續(xù)語音識(shí)別已成為目前研究的熱點(diǎn)和難點(diǎn)，許多相關(guān)的問題需要深入探討。本文從系統(tǒng)和算法的角度出發(fā)，以提高模型參數(shù)訓(xùn)練的魯棒性和系統(tǒng)識(shí)別性能為主要目的，對(duì)基于語音學(xué)決策樹參數(shù)聚類、決策樹結(jié)構(gòu)調(diào)整和快速說話人自適應(yīng)等方面做了重點(diǎn)研究。本文首先研究了基于語音學(xué)決策樹參數(shù)聚類問題。一方面，針對(duì)傳統(tǒng)決策樹狀態(tài)聚類受稀少三音子的影響，聚類后捆綁狀態(tài)數(shù)過多、節(jié)點(diǎn)數(shù)據(jù)平衡性差等問題，提出了語音學(xué)決策樹分級(jí)狀態(tài)聚類算法。該算法首先對(duì)稀少三音子進(jìn)行處理，然后對(duì)決策樹葉節(jié)點(diǎn)進(jìn)行加權(quán)合并。另一方面，針對(duì)決策樹對(duì)應(yīng)狀態(tài)間的高斯混合參數(shù)存在重疊現(xiàn)象，為提高參數(shù)訓(xùn)練的魯棒性，本文采用高斯參數(shù)聚類的策略。由于人們通過聽覺器官識(shí)別語音信號(hào)的過程具有一定的模糊性，使得模糊集的思想在語音識(shí)別中得到廣泛應(yīng)用，并取得很好的效果。因此，本文將模糊聚類思想引入模型的參數(shù)聚類，利用模糊等價(jià)矩陣完成模型高斯參數(shù)聚類，并利用模糊聚類軟聚類的特點(diǎn)構(gòu)建異音混合共享模型。接著，本文針對(duì)訓(xùn)練語料與測(cè)試語料的決策樹結(jié)構(gòu)不匹配會(huì)對(duì)系統(tǒng)性能和說話人自適應(yīng)造成影響，首先通過研究識(shí)別結(jié)果中狀態(tài)之間發(fā)生的混淆情況，提出了利用調(diào)整決策樹葉節(jié)點(diǎn)狀態(tài)結(jié)構(gòu)的算法，橫向地對(duì)決策樹結(jié)構(gòu)進(jìn)行調(diào)整，從而減少由于這種結(jié)構(gòu)不匹配造成的識(shí)別率降低。狀態(tài)結(jié)構(gòu)調(diào)整算法的基本思想是1利用訓(xùn)練語料對(duì)狀態(tài)結(jié)構(gòu)調(diào)整可以提高模型本身的精度；2在此基礎(chǔ)上利用自適應(yīng)語料對(duì)狀態(tài)結(jié)構(gòu)調(diào)整可以使決策樹結(jié)構(gòu)包含更多的測(cè)試人信息。然后，在研究不同復(fù)雜度的語音學(xué)決策樹對(duì)系統(tǒng)性能和說話人自適應(yīng)影響的基礎(chǔ)上，本文提出了一種決策樹剪枝算法基于最小描述長度準(zhǔn)則的決策樹動(dòng)態(tài)剪枝。該算法利用訓(xùn)練充分的決策樹作為初始模型，根據(jù)自適應(yīng)語料的數(shù)量動(dòng)態(tài)地選擇不同復(fù)雜度的模型。決策樹剪枝時(shí)初始模型的合理選擇，自適應(yīng)語料的充分利用以及最小描述長度準(zhǔn)則對(duì)隨機(jī)模型和確定性模型的集成，使得這種決策樹動(dòng)態(tài)剪枝算法與說話人自適應(yīng)相結(jié)合時(shí)取得了較好的識(shí)別結(jié)果。本文最后對(duì)快速說話人自適應(yīng)問題進(jìn)行了研究。在討論了最大后驗(yàn)概率估計(jì)算法、最大似然線性回歸算法以及最大似然模型插值算法優(yōu)缺點(diǎn)的基礎(chǔ)上，提出了變換矩陣線性插值算法，并將該算法與最大后驗(yàn)概率估計(jì)相結(jié)合。這種結(jié)合的算法憑借轉(zhuǎn)移矩陣線性插值算法滿足快速說話人自適應(yīng)的特性，又結(jié)合最大后驗(yàn)概率估計(jì)算法對(duì)特定說話人系統(tǒng)的漸近性，較好地提高了說話人自適應(yīng)的性能。本文對(duì)所提出方法進(jìn)行了大量的語音識(shí)別實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明所提出的方法均能在一定程度上有效地改進(jìn)系統(tǒng)性能。同時(shí)，本文提出的方法具有很強(qiáng)的通用性，適用于具有背景噪音或不同年齡、不同性別等多種情況下的語音識(shí)別。

簡(jiǎn)介：漢語語義分析是自然語言處理的核心技術(shù)之一，也是對(duì)漢語的深層理解。漢語語義分析效果的提高對(duì)于信息檢索和機(jī)器翻譯都具有推動(dòng)作用。隨著科技的發(fā)展，術(shù)語也不斷涌現(xiàn)，所以對(duì)術(shù)語語義分析的研究也有著重大的意義。本文對(duì)術(shù)語的特點(diǎn)進(jìn)行研究，實(shí)現(xiàn)了漢語術(shù)語語義分析系統(tǒng)。該系統(tǒng)包括依存分析和語義分析兩個(gè)部分，這兩部分通過機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)。在語義分析的基礎(chǔ)上實(shí)現(xiàn)了漢語術(shù)語翻譯系統(tǒng)，并取得了較好的效果。具體內(nèi)容如下首先，對(duì)大量的漢語術(shù)語進(jìn)行分析，發(fā)現(xiàn)術(shù)語大部分為名詞性短語，而且術(shù)語用詞的重復(fù)性低。針對(duì)上述兩個(gè)特點(diǎn)，在依存分析階段，本文選擇適合術(shù)語的特征，利用支持向量機(jī)SVM訓(xùn)練得到依存分析模型，從而有效識(shí)別出了術(shù)語內(nèi)部的依存關(guān)系。所選特征包括基本特征，互信息特征和知網(wǎng)第一義原特征。其次，提出了一種漢語術(shù)語語義分析方法。本文定義了14種語義關(guān)系，并利用CRF訓(xùn)練得到語義分析模型，該模型可以有效識(shí)別出兩個(gè)詞之間的語義關(guān)系。由于術(shù)語所涉及的語義關(guān)系范圍較窄，所以該模型對(duì)于易混淆的類別分類能力較差。本文對(duì)于易混淆的類別采用SVM訓(xùn)練分類器，對(duì)CRF模型輸出的2BEST結(jié)果中的兩個(gè)語義關(guān)系進(jìn)行識(shí)別，確定詞對(duì)最終語義關(guān)系。最后，將語義分析技術(shù)應(yīng)用到了術(shù)語翻譯。首先對(duì)術(shù)語進(jìn)行依存分析，根據(jù)依存分析的結(jié)果抽取出結(jié)構(gòu)化的短語，再利用傳統(tǒng)的GROWDIALFINAL方法抽取非結(jié)構(gòu)化短語；之后利用提取的調(diào)序模板對(duì)源語言進(jìn)行調(diào)序；最后利用摩西對(duì)已經(jīng)調(diào)序的術(shù)語解碼。實(shí)驗(yàn)結(jié)果表明語義分析方法的有效性，在大類語義關(guān)系和小類語義關(guān)系上正確率分別達(dá)到7713％和6905％。將語義分析結(jié)果應(yīng)用到術(shù)語翻譯，使翻譯的效果有所提高。

簡(jiǎn)介：點(diǎn)擊查看更多模因視角下的漢語網(wǎng)絡(luò)廣.pdf精彩內(nèi)容。

簡(jiǎn)介：漢語屬于分析性語言，缺乏嚴(yán)格意義上的形態(tài)變化，漢語的副詞承擔(dān)著繁重的語法任務(wù)，在漢語語法系統(tǒng)中具有重要地位。副詞在自然語言理解與生成中的重要性不言而喻。目前已有的副詞研究成果大都是面向人用的，對(duì)副詞個(gè)性的描述難以避免主觀性和模糊性，很難直接應(yīng)用于自然語言處理的研究。本論文主要探討了面向機(jī)器的副詞用法自動(dòng)識(shí)別。本文的主要工作包括（1）對(duì)副詞知識(shí)庫、副詞規(guī)則庫和語料進(jìn)行簡(jiǎn)要描述，標(biāo)注系統(tǒng)將利用副詞知識(shí)庫和副詞規(guī)則庫對(duì)語料進(jìn)行標(biāo)注。（2）根據(jù)副詞用法詞典、副詞用法規(guī)則，利用算法實(shí)現(xiàn)對(duì)語料的副詞用法自動(dòng)識(shí)別，副詞的規(guī)則是一種BNF形式，語料已分詞。根據(jù)副詞規(guī)則匹配語料，將匹配成功的規(guī)則ID標(biāo)注在副詞后。（3）基于錯(cuò)誤驅(qū)動(dòng)的規(guī)則學(xué)習(xí)，對(duì)已經(jīng)標(biāo)注好的語料進(jìn)行學(xué)習(xí)，對(duì)現(xiàn)有的規(guī)則進(jìn)行修改使其更加完善，達(dá)到理想的效果。目前只是針對(duì)單個(gè)規(guī)則的副詞進(jìn)行了錯(cuò)誤驅(qū)動(dòng)的規(guī)則學(xué)習(xí)。論文最后對(duì)本課題已有的研究工作進(jìn)行了總結(jié)，并對(duì)今后的進(jìn)一步研究進(jìn)行了展望。

簡(jiǎn)介：語音是人類相互通信和交流的最方便快捷的手段，讓機(jī)器能夠聽懂人類語言或按照人類意志進(jìn)行相關(guān)操作是人們長期以來夢(mèng)寐以求的目標(biāo)。關(guān)鍵詞檢測(cè)是自動(dòng)語音識(shí)別的一個(gè)特殊分支，其主要任務(wù)是從連續(xù)的語音中檢測(cè)出具體應(yīng)用所需要的少量特定詞匯。相對(duì)于連續(xù)語音識(shí)別，關(guān)鍵詞檢測(cè)技術(shù)具有資源耗費(fèi)少、識(shí)別率高和實(shí)用性強(qiáng)的優(yōu)點(diǎn)，因此有著廣泛的應(yīng)用前景。隱馬爾可夫模型HMM是各類語義識(shí)別系統(tǒng)的主流模型，它是完成準(zhǔn)平穩(wěn)時(shí)變信號(hào)分析和識(shí)別的有利工具，能夠很好地描述語音特征的動(dòng)態(tài)變化和統(tǒng)計(jì)分布。本文在系統(tǒng)分析關(guān)鍵詞檢測(cè)系統(tǒng)基本框架、HMM原理、語音特征參數(shù)提取及分形維算法的基礎(chǔ)上，針對(duì)現(xiàn)有關(guān)鍵詞檢測(cè)系統(tǒng)在訓(xùn)練樣本、填料模板、檢測(cè)效率、檢測(cè)時(shí)間方面存在的問題，重點(diǎn)研究設(shè)計(jì)了基于HMM的漢語語音關(guān)鍵詞檢測(cè)系統(tǒng)，并在填料模板創(chuàng)建、狀態(tài)搜索算法和檢測(cè)確認(rèn)策略等方面做了諸多改進(jìn)。論文主要研究?jī)?nèi)容如下1研究了HMM模型的建模過程，詳細(xì)分析了前向后向算法、VITERBI最佳路徑搜索算法、基于BAUMWELCH的多觀察序列輸出高斯混合模型的參數(shù)重估算法，以及與之相應(yīng)的概率輸出、最佳狀態(tài)解碼和模型參數(shù)估計(jì)等問題，為在語音識(shí)別中應(yīng)用HMM打下了基礎(chǔ)。2提出了基于動(dòng)態(tài)幀長的語音信號(hào)分析方法；在語音信號(hào)特征提取時(shí)，先估計(jì)當(dāng)前語音單位的持續(xù)時(shí)間，再根據(jù)持續(xù)時(shí)間動(dòng)態(tài)確定窗長，進(jìn)行分幀，該方案緩解了因?yàn)橛?xùn)練樣本質(zhì)量和數(shù)量問題引起的關(guān)鍵詞檢測(cè)系統(tǒng)的性能惡化，提高了匹配模板的穩(wěn)定性，并應(yīng)用到檢測(cè)過程中，實(shí)現(xiàn)了語速自適應(yīng)。3論證了語音分形維原理，并根據(jù)分形維實(shí)現(xiàn)了音節(jié)實(shí)時(shí)分割；在此基礎(chǔ)上實(shí)現(xiàn)了關(guān)鍵詞訓(xùn)練系統(tǒng)的樣本自動(dòng)標(biāo)注和檢測(cè)系統(tǒng)的兩步式狀態(tài)解碼算法。4對(duì)填料模型的結(jié)構(gòu)和類型進(jìn)行了研究，吸取韻母聚類模型和音節(jié)格模型的優(yōu)點(diǎn)，提出了基于音節(jié)聚類的填料模型，節(jié)省了系統(tǒng)的檢測(cè)時(shí)間，提高系統(tǒng)的檢測(cè)率。5構(gòu)建了關(guān)鍵詞首音節(jié)模型和關(guān)鍵詞確認(rèn)模型，先用填料模型和關(guān)鍵詞首音節(jié)模型與輸入語音片斷進(jìn)行匹配，如果最佳匹配結(jié)果落入某類關(guān)鍵詞首音節(jié)域，則把當(dāng)前的兩個(gè)候選關(guān)鍵詞音節(jié)與關(guān)鍵詞確認(rèn)模型進(jìn)行匹配，并計(jì)算幀平均似然得分，對(duì)關(guān)鍵詞進(jìn)行確認(rèn)。6建立了一個(gè)小詞量的樣本庫和測(cè)試樣本庫，設(shè)計(jì)實(shí)現(xiàn)了一個(gè)基于HMM的無語法限制的關(guān)鍵詞檢測(cè)系統(tǒng)，通過仿真實(shí)驗(yàn)分析了不同特征參數(shù)、幀長方案和填料模板等對(duì)系統(tǒng)性能的影響。

簡(jiǎn)介：湖南師范大學(xué)碩士學(xué)位論文基于統(tǒng)計(jì)特性的漢語方言辨識(shí)方法研究姓名王岐學(xué)申請(qǐng)學(xué)位級(jí)別碩士專業(yè)電路與系統(tǒng)指導(dǎo)教師錢盛友20100401減少模型中的混合數(shù)，提升系統(tǒng)的性能，具有較強(qiáng)的實(shí)用性。關(guān)鍵詞方言辨識(shí)，聲學(xué)特征，動(dòng)態(tài)特征參數(shù)，高斯混合模型GMM，自組織映射神經(jīng)網(wǎng)絡(luò)SOM

簡(jiǎn)介：現(xiàn)代漢語副詞用法自動(dòng)識(shí)別是面向自然語言處理的現(xiàn)代漢語副詞知識(shí)庫研究的重要內(nèi)容之一，針對(duì)基于規(guī)則的現(xiàn)代漢語副詞用法自動(dòng)識(shí)別方法存在的不足，本文在已有工作的基礎(chǔ)上，進(jìn)一步提出了基于統(tǒng)計(jì)的常用漢語副詞用法自動(dòng)識(shí)別方法。分別采用條件隨機(jī)場(chǎng)模型、最大熵模型和支持向量機(jī)模型，在1998年1月份人民日?qǐng)?bào)分詞與詞性標(biāo)注語料上，對(duì)8個(gè)常用的現(xiàn)代漢語副詞進(jìn)行了統(tǒng)計(jì)實(shí)驗(yàn)，實(shí)驗(yàn)表明基于統(tǒng)計(jì)的方法在現(xiàn)代漢語副詞用法自動(dòng)識(shí)別上具有較好的識(shí)別效果，能夠很好地對(duì)未知的副詞用法進(jìn)行預(yù)測(cè)，在真實(shí)語料中取得了較高的準(zhǔn)確率，與規(guī)則方法相比，統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果的平均準(zhǔn)確率有了較大的提高。實(shí)驗(yàn)證明基于統(tǒng)計(jì)的方法在常用現(xiàn)代漢語副詞用法自動(dòng)識(shí)別方面具有良好的應(yīng)用前景。根據(jù)俞士汶等提出的構(gòu)建“三位一體”的現(xiàn)代漢語虛詞知識(shí)庫的思想，本文著重研究現(xiàn)代漢語副詞用法的自動(dòng)識(shí)別，致力于采用統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)副詞用法的自動(dòng)識(shí)別。本文的主要工作包括1針對(duì)已經(jīng)初步構(gòu)建的現(xiàn)代漢語副詞知識(shí)庫，以副詞用法信息詞典中的例句集作為語料來考察副詞用法規(guī)則，分析規(guī)則存在的問題，對(duì)用法規(guī)則進(jìn)行修改，進(jìn)而完善副詞知識(shí)庫。2使用基于規(guī)則的方法對(duì)人民日?qǐng)?bào)語料中副詞用法進(jìn)行自動(dòng)識(shí)別，并對(duì)識(shí)別結(jié)果進(jìn)行人工校對(duì)，形成副詞用法語料庫，并作為實(shí)驗(yàn)語料。在對(duì)人民日?qǐng)?bào)語料進(jìn)行人工校對(duì)的同時(shí)，分析規(guī)則方法識(shí)別結(jié)果存在的問題，并進(jìn)一步完善副詞用法信息詞典以及副詞用法規(guī)則庫。3針對(duì)基于規(guī)則方法存在的不足，實(shí)現(xiàn)基于統(tǒng)計(jì)的常用現(xiàn)代漢語副詞用法自動(dòng)識(shí)別，進(jìn)一步提高副詞用法識(shí)別的準(zhǔn)確率。最后，論文對(duì)本文的研究工作進(jìn)行了總結(jié)，并對(duì)下一步的研究進(jìn)行了展望，指出了規(guī)則與統(tǒng)計(jì)方法相結(jié)合的現(xiàn)代漢語副詞用法自動(dòng)識(shí)別研究的可行性。