簡(jiǎn)介：介詞短語(yǔ)是漢語(yǔ)中一種重要的短語(yǔ)類(lèi)型。介詞短語(yǔ)識(shí)別可以縮小句子中心動(dòng)詞的選擇范圍；可以簡(jiǎn)化句子結(jié)構(gòu)降低后續(xù)句法分析的難度；在基于模板的翻譯中它還能為模板匹配提供方便。由于自然語(yǔ)言的靈活性和復(fù)雜性使得句法分析成為一項(xiàng)十分艱難的工作因此淺層句法分析成了當(dāng)前的研究熱點(diǎn)。淺層句法分析的優(yōu)點(diǎn)是可以識(shí)別出確定性高的部分分析結(jié)果減少句法分析中的歧義從而降低句法分析的難度。盡管目前的淺層句法分析以組塊識(shí)別為主但是由于介詞短語(yǔ)本身的復(fù)雜性和特殊性所以依然有必要如前人單獨(dú)討論名詞短語(yǔ)識(shí)別一樣分析和探討介詞短語(yǔ)的識(shí)別問(wèn)題。語(yǔ)言學(xué)研究表明介詞短語(yǔ)的內(nèi)部構(gòu)成比較復(fù)雜但有著顯著的邊界特征和上下文特征。本文繼承了CHURCH提出的把BASENP識(shí)別看作詞性標(biāo)注同構(gòu)問(wèn)題的思想利用這些特征構(gòu)造了一個(gè)有效的漢語(yǔ)介詞短語(yǔ)識(shí)別模型嘗試在淺層句法分析這個(gè)層級(jí)識(shí)別介詞短語(yǔ)。即在分詞和詞性標(biāo)注的基礎(chǔ)上把介詞短語(yǔ)作為一個(gè)整體識(shí)別出來(lái)而不對(duì)其內(nèi)部構(gòu)成作分析。模型分為兩部分1根據(jù)介詞和介詞短語(yǔ)右邊界經(jīng)常出現(xiàn)固定搭配的特點(diǎn)構(gòu)造了兩個(gè)搭配模板從訓(xùn)練語(yǔ)料中自動(dòng)提取可信搭配關(guān)系并用這些搭配關(guān)系對(duì)介詞短語(yǔ)進(jìn)行初步識(shí)別。2考慮到介詞對(duì)介詞短語(yǔ)右邊界的影響把介詞作為一元加入到CHURCH提出的基于詞性的二元邊界統(tǒng)計(jì)模型中構(gòu)成了三元模型。又根據(jù)介詞短語(yǔ)的上下文特征加入了規(guī)則方法。用基于詞性的三元邊界統(tǒng)計(jì)模型和規(guī)則相結(jié)合的方法識(shí)別第一步無(wú)法處理的介詞短語(yǔ)。對(duì)含有7324個(gè)介詞短語(yǔ)的語(yǔ)料作交叉測(cè)試精確率達(dá)到8829％。實(shí)驗(yàn)結(jié)果表明在淺層句法分析中識(shí)別介詞短語(yǔ)是可行的。

簡(jiǎn)介：文語(yǔ)轉(zhuǎn)換是人機(jī)交互中一個(gè)重要組成部分是最有希望首先在智能通信終端中得到普及應(yīng)用的一項(xiàng)關(guān)鍵技術(shù)通過(guò)文本分析從中提取文本的韻律特征是目前提高輸出語(yǔ)音質(zhì)量的一個(gè)重要研究領(lǐng)域漢語(yǔ)同其它語(yǔ)系相比沒(méi)有實(shí)行分詞連寫(xiě)以及使用時(shí)沒(méi)有形態(tài)變化等特點(diǎn)使得文本分析難度更大該文在借鑒外文文本分析相關(guān)理論以及漢語(yǔ)文本分析研究成果的基礎(chǔ)上針對(duì)文本分析中文本預(yù)處理、切詞、詞性標(biāo)注以及韻律短語(yǔ)識(shí)別等環(huán)節(jié)的特點(diǎn)分別給出了多步處理策略提出未登錄詞一體化識(shí)別算法改進(jìn)了歧義甄別、詞性印證標(biāo)注和基于邊界點(diǎn)特性的韻律短語(yǔ)識(shí)別等算法此外對(duì)語(yǔ)料庫(kù)建設(shè)理論也進(jìn)行了深入研究

簡(jiǎn)介：當(dāng)今信息處理中占絕大比例的是語(yǔ)言文字的處理，與傳統(tǒng)的理性主義方式相輔的是經(jīng)驗(yàn)主義方法，其中大規(guī)模真實(shí)文本語(yǔ)料庫(kù)加工因具有實(shí)用性強(qiáng)、見(jiàn)效快的特點(diǎn)，普遍受人歡迎。語(yǔ)料庫(kù)語(yǔ)言學(xué)是80年代才嶄露頭角的一門(mén)計(jì)算語(yǔ)言學(xué)的新的分支學(xué)科，它的應(yīng)用領(lǐng)域極廣，包括文本分類(lèi)、檢索、自動(dòng)摘要、信息獲取、簡(jiǎn)單的機(jī)器翻譯和基于實(shí)例的對(duì)話系統(tǒng)。語(yǔ)料庫(kù)語(yǔ)言學(xué)研究的基礎(chǔ)是機(jī)器可讀的大容量語(yǔ)料庫(kù)，由于原始的未經(jīng)加工處理的文本生語(yǔ)料很少直接起作用，需要先對(duì)其進(jìn)行分析處理才能運(yùn)用于實(shí)踐。漢語(yǔ)不同于印歐語(yǔ)種，缺乏天然的分割信息，要進(jìn)行漢語(yǔ)的計(jì)算機(jī)處理，必須首先將漢語(yǔ)的詞與詞分開(kāi)，即分詞也稱(chēng)切分，切分是中文語(yǔ)料處理的第一步；為詞語(yǔ)標(biāo)上其所屬的詞類(lèi)就是詞性標(biāo)注，是語(yǔ)料進(jìn)一步加工的必須過(guò)程。由于多年來(lái)漢語(yǔ)語(yǔ)料切分標(biāo)準(zhǔn)缺乏一個(gè)全國(guó)統(tǒng)一的詳盡的加工標(biāo)準(zhǔn)，各家研究機(jī)構(gòu)由于研究目的等不同，加工的語(yǔ)料不能兼容，造成了資源的重復(fù)建設(shè)和浪費(fèi)；同時(shí)，切分中的排岐和未登錄詞特別是專(zhuān)有名詞的識(shí)別一直困擾著切分標(biāo)注，成為語(yǔ)料加工的瓶頸，甚至可以說(shuō)也成為整個(gè)中文信息處理平臺(tái)的瓶頸。本文主要著重解決這兩個(gè)問(wèn)題。本文設(shè)計(jì)并基本實(shí)現(xiàn)了一個(gè)具有專(zhuān)名識(shí)別功能的多輸出的漢語(yǔ)切分標(biāo)注系統(tǒng)，同時(shí)考慮了系統(tǒng)的效率和可擴(kuò)充性等實(shí)用方面的問(wèn)題。為了能使加工的語(yǔ)料既符合國(guó)家制定的加工規(guī)范，又能適應(yīng)不同應(yīng)用的實(shí)際需求，本文提出了一個(gè)規(guī)范獨(dú)立的加工模型。在基本的分詞和標(biāo)注模塊之后，有一個(gè)單獨(dú)的規(guī)范規(guī)則處理模塊，系統(tǒng)的分詞和標(biāo)注模塊可同切分標(biāo)注的相關(guān)規(guī)范無(wú)關(guān)，一旦規(guī)范修改，只需替換切分標(biāo)注規(guī)范規(guī)則文件即可。同時(shí)，本系統(tǒng)在加工中對(duì)每個(gè)詞都加上了信息，個(gè)性化輸出模塊可以根據(jù)這些信息按需輸出不同顆粒度大小的加工結(jié)果。在切分和標(biāo)注模塊，系統(tǒng)改進(jìn)了前綴碼分詞算法，采用了結(jié)合前綴詞表的首尾二字哈希查找算法來(lái)提高效率，同時(shí)，針對(duì)單獨(dú)使用規(guī)則或概率方法消歧的不足，將兩種方法有機(jī)的結(jié)合起來(lái)進(jìn)行歧義消減。在專(zhuān)名識(shí)別方面，在參考國(guó)內(nèi)各家方法的基礎(chǔ)上，系統(tǒng)設(shè)計(jì)了自己的人名識(shí)別和地名識(shí)別的統(tǒng)計(jì)模型，提出了一套結(jié)合上下文信息，綜合運(yùn)用統(tǒng)計(jì)、規(guī)則、資源庫(kù)的識(shí)別方法。方法提出了專(zhuān)名識(shí)別緩沖區(qū)的概念，更加注重局部范圍內(nèi)專(zhuān)有名詞的出現(xiàn)頻率。在實(shí)現(xiàn)系統(tǒng)中獲得顯著效果在本文的最后，在對(duì)測(cè)試數(shù)據(jù)分析的基礎(chǔ)上，針對(duì)系統(tǒng)的不足，提出了系統(tǒng)進(jìn)行進(jìn)一步改進(jìn)的側(cè)重點(diǎn)和方法。

簡(jiǎn)介：詞法分析是自然語(yǔ)言處理領(lǐng)域中最基礎(chǔ)的處理步驟，尤其對(duì)漢語(yǔ)這種沒(méi)有分割符的語(yǔ)言來(lái)說(shuō)更是如此。本文研究的漢語(yǔ)詞法分析主要包括自動(dòng)分詞、詞性標(biāo)注和詞義相似度計(jì)算三個(gè)方面。詞法分析是句法分析的先期處理步驟，其錯(cuò)誤會(huì)沿處理鏈條擴(kuò)散，并最終影響信息檢索、機(jī)器翻譯等面向最終用戶的應(yīng)用系統(tǒng)的質(zhì)量；同時(shí)，詞法分析所用的技術(shù)也可以直接應(yīng)用到音字轉(zhuǎn)換和語(yǔ)音識(shí)別等應(yīng)用系統(tǒng)中，所以對(duì)它的研究具有極其重要的意義。本文在統(tǒng)計(jì)語(yǔ)言模型方面主要探討了NGRAM模型、最大熵模型、支持向量機(jī)模型和矢量空間模型。重點(diǎn)研究了三個(gè)方面的內(nèi)容傳統(tǒng)NGRAM模型的改進(jìn)方法；利用觸發(fā)對(duì)提高矢量空間模型的質(zhì)量；在最大熵模型中加入轉(zhuǎn)換觸發(fā)對(duì)特征。最后利用以上統(tǒng)計(jì)語(yǔ)言模型的研究成果對(duì)漢語(yǔ)詞法分析進(jìn)行了深入研究。主要內(nèi)容包括四個(gè)方面第一、從兩個(gè)方面改進(jìn)了傳統(tǒng)NGRAM模型。第二、分詞是漢語(yǔ)詞法分析中最基本的步驟，所有的漢語(yǔ)自然語(yǔ)言處理都要基于分詞的結(jié)果。第三、詞性標(biāo)注可以看成是噪聲信道的解碼問(wèn)題。傳統(tǒng)的HMM模型有兩個(gè)缺點(diǎn)首先它用聯(lián)合概率解決一個(gè)條件概率問(wèn)題，而且它不能包含長(zhǎng)距離詞法特征。針對(duì)以上問(wèn)題，本文分別利用支持向量機(jī)模型和最大熵模型對(duì)復(fù)雜兼類(lèi)詞標(biāo)注進(jìn)行了研究，試驗(yàn)結(jié)果證明兩種模型都可以有效降低兼類(lèi)詞標(biāo)注的錯(cuò)誤。在此基礎(chǔ)上，利用最大熵模型對(duì)基于句子的詞性標(biāo)注進(jìn)行了研究，重點(diǎn)研究了長(zhǎng)距離聚類(lèi)轉(zhuǎn)換觸發(fā)對(duì)“WA→WBTB”特征的加入以及用于系列分類(lèi)的BEAMSEARCH搜索算法。最后，利用與詞性標(biāo)注相同的技術(shù)對(duì)音字轉(zhuǎn)換做了初步的探討，主要試驗(yàn)了簡(jiǎn)單和復(fù)雜兩種特征模板。第四、詞義是詞法分析中的核心問(wèn)題，本文重點(diǎn)利用矢量空間模型對(duì)詞義相似度計(jì)算進(jìn)行了研究。

簡(jiǎn)介：本文研究了漢語(yǔ)數(shù)字語(yǔ)音識(shí)別技術(shù)及其實(shí)現(xiàn)的方法。本文基于語(yǔ)音信號(hào)產(chǎn)生的數(shù)學(xué)模型，從時(shí)域、頻域、倒譜域出發(fā)，對(duì)語(yǔ)音信號(hào)進(jìn)行分析，論述了語(yǔ)音識(shí)別的基本理論。在此基礎(chǔ)上，討論了語(yǔ)音識(shí)別系統(tǒng)的主要技術(shù)及其在本課題中的應(yīng)用，并重點(diǎn)討論了本課題中語(yǔ)音信號(hào)特征參數(shù)的提取，并在其中加入RASTA濾波抗噪。在比較三種模式匹配方法的基礎(chǔ)上，本文選擇隱馬爾可夫（HMM）模型作為本課題中模式匹配的方法，并討論了經(jīng)典齊次隱馬爾可夫（HMM）模型的基本原理及其用于語(yǔ)音識(shí)別的訓(xùn)練和識(shí)別算法。接著用MATLAB65對(duì)模型訓(xùn)練和識(shí)別算法進(jìn)行了仿真，并分別給出了主要仿真結(jié)果。然后討論了基于C＋＋的數(shù)字語(yǔ)音識(shí)別系統(tǒng)的程序設(shè)計(jì)，給出了系統(tǒng)的軟件結(jié)構(gòu)圖，設(shè)計(jì)了其類(lèi)庫(kù)規(guī)劃并實(shí)現(xiàn)了人機(jī)交互界面。本文還介紹了本課題組自己設(shè)計(jì)的錄音軟件，建立了用于訓(xùn)練和測(cè)試模型的數(shù)字語(yǔ)音數(shù)據(jù)庫(kù)，并對(duì)系統(tǒng)算法的實(shí)時(shí)性和準(zhǔn)確性進(jìn)行了測(cè)試，結(jié)果表明，采用改進(jìn)算法的DDBHMM模型準(zhǔn)確性高于經(jīng)典的HMM模型，但實(shí)時(shí)性低于經(jīng)典的HMM模型。最后指出了本課題研究未來(lái)的改進(jìn)方向。

簡(jiǎn)介：南開(kāi)大學(xué)碩士學(xué)位論文基于AMEMM的漢語(yǔ)韻律短語(yǔ)預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)姓名趙廷健申請(qǐng)學(xué)位級(jí)別碩士專(zhuān)業(yè)計(jì)算機(jī)應(yīng)用技術(shù)指導(dǎo)教師朱耀庭20090601ABSTRACTABSTRACTSPEECHSYNTHESISISAHOTRESEARCHTOPICINCOMPUTERINTELLIGENCERESEARCHATPRESENTITISWIDELYUSEDINALLASPECTSOFSOCIALLIFEBUTNOWTHEDIFFICULTPOINTSISTHENATURALNESSOFTHESYNTHETICSPEECHBASEDONTHEHISTORYANDSTATUSRESEARCHOFCHINESEPROSODICPREDICTION，USINGSTATISTICALMACHINELEARNINGMETHOD，THEAUTHORPUTFORWARDAMAXIMUMENTROPYMARKOVMODEIMEMMTOPREDICTPROSODICPHRASEBOUNDARIESINUNRESTRICTEDCHINESETEXTCONSIDERINGREDUCINGTHEMANUALLABELING，THEAUTHORALSEALIZESAPROTOTYPESYSTEMBASEDONACTIVEMAXIMUMENTROPYMARKOVMODEIAMEMMFORTHEPREDICTINGOFCHINESEPROSODICPHRASEBOUNDARIESNOWTHEBESTMODELFORCHINESEPROSODICPHRASESPREDICTIONISMAXIMUMENTROPYME。MEMMISAKINDOFOUTSPREADFORMEITCOMBINESTHETHEADVANTAGESOFMEANDHMMTHEAUTHORDOSOMEEXPERIMENTSTOPOINTOUTTHATINUSINGTHESAMETEMPLATE，MEMMISMORESUITABLEFORCHINESEPROSODICPHRASESPREDICTIONTHANMEHOWEVERALMOSTALLTHEMACHINELEARNINGALGORITHMSWIDELYUSEDATPRESENTNEEDLARGEAMOUNTOFTRAININGDATAITWILLCOSTMUCHINORDERTOLABELTHEMBYHANDINCONTRAST，UNLABELEDDATAISVERYEASYTOACHIEVEMININGHIDDENINFORMATIONFROMUNLABELEDDATACANIMPROVETHECORRECTNESSOFLABELINGEFFECTIVELYWHENLABELEDDATAISLIMITEDTHETHESISWILLINTRODUCEANACTIVELEARNINGMETHODWORKSONMEMMITWORKSTOGETHERWITHPEOPMBEGINRDNGFROMPARTIALLABELEDTRAININGDINFMDINGTHEPROPERDATATOASKPEOPLETOLABELWHICHWILLHELPTRAININGTHEMODELMOSTAFTERLABELINGTHEMETHODISUSEDTOPREDICTPROSODICPHRASEBOUNDARIESINUNRESTRICTEDCHINESETEXTEXPERIMENTS011THEAMEMMPROVETHATTHEMETHODCALLSOLVETHEACTIVELEARNINGPROBLEMOFPROSODICLABELINGEFFECTIVELYWITHOUTLABELINGSOMUCHDATASOTHATTHEWORKLOADOFLABELINGWILLBEGREATLYREDUCEDKEYWORDSCHINESEPROSODICPHRASE，ACTIVELEARNING，MEMMⅡ

簡(jiǎn)介：近年來(lái)，漢語(yǔ)普通話文語(yǔ)轉(zhuǎn)換系統(tǒng)的研究取得了長(zhǎng)足的進(jìn)展，但是還有許多理論和應(yīng)用問(wèn)題有待解決，計(jì)算機(jī)的合成語(yǔ)音在自然度上與人類(lèi)的自然語(yǔ)音存在一定的距離。為此，不僅要研究如何利用漢語(yǔ)普通話語(yǔ)音數(shù)據(jù)庫(kù)拼接出高自然度的語(yǔ)音，而且還要從語(yǔ)言學(xué)方面研究中文文本，為后續(xù)的語(yǔ)音處理提供韻律信息和指導(dǎo)。本文的主要工作是面向文語(yǔ)轉(zhuǎn)換系統(tǒng)的中文文本智能化處理研究。本文首先研究了自動(dòng)分詞所涉及的各方面技術(shù)，建立了分詞詞典和語(yǔ)料庫(kù)，采用了增字最大匹配算法進(jìn)行切分，制定了處理歧義字段用的知識(shí)庫(kù)，提出并建立了“多音字語(yǔ)料庫(kù)”用于解決多音字問(wèn)題，最后利用姓名本身和出現(xiàn)環(huán)境的特點(diǎn)，提出了基于規(guī)則和統(tǒng)計(jì)相結(jié)合的漢語(yǔ)姓名識(shí)別算法，達(dá)到了理想的效果，總的精度達(dá)到了99％。在成功地實(shí)現(xiàn)自動(dòng)分詞后，分析了漢語(yǔ)的詞語(yǔ)兼類(lèi)現(xiàn)象和隱馬爾可夫模型理論，認(rèn)為隱馬爾可夫模型在詞性自動(dòng)標(biāo)注上有著非常重要的應(yīng)用價(jià)值，并成功地把它引入到自動(dòng)詞性標(biāo)注上。為了校正應(yīng)用隱馬爾可夫模型產(chǎn)生的少量明顯錯(cuò)誤和無(wú)法保證正確標(biāo)記的語(yǔ)料，提出了一個(gè)規(guī)則集，用于糾錯(cuò)。開(kāi)放和封閉測(cè)試表明該方法取得了相當(dāng)好的結(jié)果。在韻律詞處理方面，提出了一種單字驅(qū)動(dòng)的規(guī)則方法，即利用一些規(guī)則依據(jù)單字的詞性對(duì)單字進(jìn)行向前或向后的歸并，從而減少合成語(yǔ)音中的單音節(jié)詞。在韻律詞內(nèi)部加較小的停頓，在韻律詞間的停頓可以適當(dāng)加長(zhǎng)，使合成語(yǔ)音體現(xiàn)出一定的韻律感。為了進(jìn)行韻律短語(yǔ)的切分，提出了一個(gè)統(tǒng)計(jì)和規(guī)則相結(jié)合的方法。使用統(tǒng)計(jì)方法從已經(jīng)經(jīng)過(guò)人工標(biāo)注的漢語(yǔ)語(yǔ)料庫(kù)中得到的韻律短語(yǔ)切分點(diǎn)的邊界模式以及概率信息，對(duì)中文文本中的韻律短語(yǔ)切分點(diǎn)進(jìn)行自動(dòng)預(yù)測(cè)。對(duì)于統(tǒng)計(jì)方法預(yù)測(cè)出的長(zhǎng)度較短的候選組塊，再利用規(guī)則及組塊的類(lèi)型信息歸并為韻律短語(yǔ)。最后，在系統(tǒng)的實(shí)現(xiàn)過(guò)程中，發(fā)現(xiàn)語(yǔ)素這種詞性具有不確定性，導(dǎo)致韻律短語(yǔ)切分點(diǎn)預(yù)測(cè)的不合理，不利于韻律短語(yǔ)的統(tǒng)計(jì)和韻律短語(yǔ)邊界的預(yù)測(cè)。為此，修改了分詞詞典中有語(yǔ)素這個(gè)詞性出現(xiàn)的1字詞的詞性，使每一個(gè)詞都有了一個(gè)明確的詞性，再進(jìn)行自動(dòng)分詞和自動(dòng)詞性標(biāo)注，從而提高了韻律短語(yǔ)的切分準(zhǔn)確率。經(jīng)過(guò)上述處理，最后計(jì)算機(jī)合成的漢語(yǔ)普通話語(yǔ)音具有相當(dāng)好的自然度。

簡(jiǎn)介：該文面向漢語(yǔ)對(duì)話理解研究了漢語(yǔ)對(duì)話中口語(yǔ)語(yǔ)義的表示建立了漢語(yǔ)對(duì)話理解的情景語(yǔ)義模型DSSMDIALOGUEUNDERSTINGSITUATIONALSEMANTICMODEL并將研究成果應(yīng)用于人機(jī)對(duì)話系統(tǒng)上海市交通信息查詢系統(tǒng)SHTQS中對(duì)話理解不只是涉及語(yǔ)義學(xué)還是語(yǔ)用學(xué)研究的最理想的內(nèi)容針對(duì)當(dāng)前的語(yǔ)義分析和語(yǔ)用分析的狀況情景語(yǔ)義學(xué)突破了語(yǔ)義學(xué)和語(yǔ)用學(xué)的界限把許多語(yǔ)用學(xué)研究的課題納入其描寫(xiě)的范圍在對(duì)話中句子與對(duì)話發(fā)生的情景、上下文存在著密切的關(guān)系該文作者在情景語(yǔ)義學(xué)基礎(chǔ)理論的啟迪下建立了漢語(yǔ)對(duì)話理解的情景語(yǔ)義模型DSSM實(shí)現(xiàn)了漢語(yǔ)對(duì)話的語(yǔ)義和語(yǔ)用綜合分析上下文知識(shí)包括表示和獲取該文采用一種結(jié)構(gòu)化的網(wǎng)絡(luò)來(lái)表示上下文知識(shí)∑∑由結(jié)點(diǎn)和連接結(jié)點(diǎn)的弧構(gòu)成結(jié)點(diǎn)表示詞語(yǔ)或語(yǔ)句的描述情景弧表示詞語(yǔ)和語(yǔ)句的描述情景間的關(guān)聯(lián)上下文知識(shí)的獲取伴隨著對(duì)話中語(yǔ)句的分析進(jìn)行實(shí)施進(jìn)一步對(duì)漢語(yǔ)口語(yǔ)對(duì)話中的語(yǔ)句進(jìn)行理解基于漢語(yǔ)對(duì)話理解的情景語(yǔ)義模型DSSM該文著重研究了漢語(yǔ)口語(yǔ)中疑問(wèn)句的形式化表示、VA動(dòng)詞和形容詞構(gòu)成的述補(bǔ)結(jié)構(gòu)語(yǔ)句的分析以及指代問(wèn)題的處理等該文以朱德熙為代表的疑問(wèn)句轉(zhuǎn)換系統(tǒng)的語(yǔ)法理論為基礎(chǔ)采用結(jié)構(gòu)化意義方法在分析了漢語(yǔ)疑問(wèn)句的分類(lèi)和疑問(wèn)點(diǎn)之后基于DSSM給出了漢語(yǔ)疑問(wèn)句語(yǔ)義的表示并對(duì)三類(lèi)疑問(wèn)句、W呢一類(lèi)漢語(yǔ)疑問(wèn)句主要包括NP呢和VP呢、多疑問(wèn)點(diǎn)疑問(wèn)句和反問(wèn)句的語(yǔ)義進(jìn)行了研究同時(shí)還研究了漢語(yǔ)疑問(wèn)句答句并指出答句的情景語(yǔ)義就是漢語(yǔ)疑問(wèn)句的語(yǔ)義函數(shù)作用到答句中詞或短語(yǔ)本身的語(yǔ)義之上時(shí)產(chǎn)生的命題該文從句子的結(jié)構(gòu)及詞匯的語(yǔ)義知識(shí)出發(fā)建立了語(yǔ)義指向的形式化模型給出了VA語(yǔ)句語(yǔ)義分析的具體步驟在自然語(yǔ)言理解中代詞所指的確定極為復(fù)雜涉及大量話語(yǔ)分析知識(shí)尤其是漢語(yǔ)由于缺乏形態(tài)、強(qiáng)調(diào)意會(huì)其代詞所指在言談環(huán)境中的使用情況更加復(fù)雜該文基于漢語(yǔ)對(duì)話理解的情景語(yǔ)義模型DSSM采用形式化的方法運(yùn)用情景理論的相關(guān)公理和原則通過(guò)情景錨定原則研究了情景對(duì)話內(nèi)容中那短語(yǔ)所指稱(chēng)和替代的實(shí)體對(duì)象的確定為漢語(yǔ)口語(yǔ)對(duì)話中指代問(wèn)題的解決提供新的思路該文還介紹了漢語(yǔ)人機(jī)口語(yǔ)對(duì)話系統(tǒng)SHTQS的實(shí)現(xiàn)著重介紹了語(yǔ)言分析模塊中各子模塊如切分標(biāo)注、句法分析和語(yǔ)義分析的實(shí)現(xiàn)同時(shí)該文給出了系統(tǒng)的測(cè)試結(jié)果和分析

簡(jiǎn)介：隨著社會(huì)的發(fā)展計(jì)算機(jī)日益成為人類(lèi)生活必不可少的一個(gè)部分如何才能方便的與計(jì)算機(jī)進(jìn)行交流就成為人們需要解決的一個(gè)重要的問(wèn)題語(yǔ)言是人類(lèi)最方便的交流方式因此人們希望能夠采用語(yǔ)言與計(jì)算機(jī)直接進(jìn)行交流也就是實(shí)現(xiàn)人機(jī)之間的真正的語(yǔ)聲通訊作為這一要求的計(jì)算機(jī)自然語(yǔ)言輸出部分各種語(yǔ)言的語(yǔ)音合成系統(tǒng)近幾年來(lái)得到了十分迅速的發(fā)展涌現(xiàn)出了大量的新技術(shù)和新設(shè)計(jì)在語(yǔ)音合成系統(tǒng)中韻律模型是必不可少的它將前面的文本分析和后面的語(yǔ)音生成聯(lián)系起來(lái)實(shí)際上起著一個(gè)重要的橋梁作用好的韻律模型使之能夠更加貼近自然語(yǔ)言中的各種各樣的韻律現(xiàn)象是高自然度語(yǔ)音合成系統(tǒng)中的一個(gè)重要的組成部分該文以此為目的對(duì)建立韻律模型中的基音周期的提取、基頻模式的獲取方面進(jìn)行了深入的研究該文首先介紹了漢語(yǔ)語(yǔ)音中的一些基本知識(shí)重點(diǎn)放在基音周期估計(jì)算法的研究和基頻模式的獲取研究了頻域上的基頻周期估值算法如自相關(guān)算法、LPC殘差算法、倒譜法等時(shí)域上的基于波形外觀的基音估值算法并總結(jié)以上算法的優(yōu)缺點(diǎn)提出了取初值步進(jìn)式尋找極值點(diǎn)的基音周期估值算法為了更準(zhǔn)確的提取基音周期設(shè)計(jì)實(shí)現(xiàn)了音節(jié)標(biāo)注工具SPEECHASSISTANT并使用該工具進(jìn)行基音周期數(shù)據(jù)的采集工作研究了聚類(lèi)算法克服傳統(tǒng)的K均值算法的缺點(diǎn)選擇改進(jìn)的自組織數(shù)據(jù)分析方法ISODATA進(jìn)行基頻模式的提取對(duì)聚類(lèi)的基頻序列數(shù)據(jù)進(jìn)行了基頻序列規(guī)整、滑動(dòng)平均、零均值化等預(yù)處理在此基礎(chǔ)上進(jìn)行聚類(lèi)得到了相應(yīng)的基頻模式并對(duì)其結(jié)果進(jìn)行了分析最后該文對(duì)整個(gè)論文進(jìn)行了總結(jié)并提出了進(jìn)一步工作內(nèi)容

簡(jiǎn)介：連續(xù)數(shù)目字語(yǔ)音識(shí)別是當(dāng)今語(yǔ)音識(shí)別領(lǐng)域的一個(gè)重要研究方向。本文簡(jiǎn)述了漢語(yǔ)數(shù)目字語(yǔ)音識(shí)別的發(fā)展與現(xiàn)狀，分析了漢語(yǔ)數(shù)目字語(yǔ)音識(shí)別的困難所在，對(duì)連續(xù)數(shù)目字語(yǔ)音識(shí)別方法進(jìn)行了研究。選取語(yǔ)音識(shí)別系統(tǒng)的特征參數(shù)時(shí)，對(duì)LPC倒譜參數(shù)和MFCC參數(shù)進(jìn)行了比較，選擇能夠反映人的聽(tīng)覺(jué)對(duì)語(yǔ)音感知特性的MFCC參數(shù)作為語(yǔ)音的特征參數(shù)，同時(shí)考慮到特征參數(shù)各維分量對(duì)于識(shí)別性能的貢獻(xiàn)，對(duì)各維分量進(jìn)行了加權(quán)處理。實(shí)驗(yàn)證明，基于MFCC的特征參數(shù)比LPC倒譜參數(shù)具有更佳的抗噪性。本文還討論了在語(yǔ)音信號(hào)的聲學(xué)處理環(huán)節(jié)提高語(yǔ)音識(shí)別魯棒性的問(wèn)題和方法。利用語(yǔ)音聲學(xué)信號(hào)的頻譜分析來(lái)尋找連續(xù)語(yǔ)音信號(hào)幀的分割點(diǎn)，再結(jié)合音素分割方法，成功的提高了分割精度。實(shí)驗(yàn)表明MEL標(biāo)度頻譜法比傳統(tǒng)的以信號(hào)的短時(shí)能量，過(guò)零率等簡(jiǎn)單特征作為判決特征參數(shù)的語(yǔ)音端點(diǎn)檢測(cè)方法更適合語(yǔ)音的分割。實(shí)驗(yàn)結(jié)果表明，這種算法對(duì)于清音和噪聲，以及元音和輔音的區(qū)分都有很好的識(shí)別性能。系統(tǒng)采用VQHMM模型作為語(yǔ)音識(shí)別的聲學(xué)模型。對(duì)搜索算法，識(shí)別算法進(jìn)行了研究，通過(guò)對(duì)隱馬爾柯夫模型輸入語(yǔ)音時(shí)間序列的矢量量化，有針對(duì)性的對(duì)搜索算法進(jìn)行了簡(jiǎn)化。從而使?jié)h語(yǔ)連續(xù)數(shù)目字語(yǔ)音識(shí)別的系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)的難度得到了降低。實(shí)驗(yàn)結(jié)果證明①系統(tǒng)識(shí)別速度快，對(duì)于硬件的要求低。能在PC機(jī)上實(shí)現(xiàn)處理。②對(duì)于平穩(wěn)的孤立語(yǔ)音，該方法有較高的識(shí)別率。③對(duì)于連續(xù)數(shù)目字語(yǔ)音識(shí)別，系統(tǒng)的性能并沒(méi)有急劇下降。

簡(jiǎn)介：近年來(lái)由于計(jì)算機(jī)技術(shù)、多媒體技術(shù)和信息技術(shù)的發(fā)展語(yǔ)音技術(shù)迅猛發(fā)展并取得了很大進(jìn)步為獲得較好的人機(jī)交互環(huán)境對(duì)TTS技術(shù)的研究引發(fā)空前的興趣并得到廣泛的應(yīng)用TTS漢語(yǔ)文本到語(yǔ)音的轉(zhuǎn)換是指通過(guò)軟件和硬件將漢語(yǔ)文本或字串轉(zhuǎn)換為漢語(yǔ)輸出語(yǔ)音目前有常用的兩種TTS合成技術(shù)基于規(guī)則合成和波形拼接合成本文重點(diǎn)介紹波形拼接技術(shù)PSOLA算法PSOLA算法可以在保持語(yǔ)音自然度的情況下通過(guò)改變基頻和時(shí)長(zhǎng)從而改變給定信號(hào)的韻律和幅度生成語(yǔ)音語(yǔ)料TTS系統(tǒng)有三大模塊文本處理、韻律分析和語(yǔ)音合成文本處理和韻律分析主要是提取語(yǔ)音合成所利用的各種韻律控制參數(shù)如合成語(yǔ)音韻律短語(yǔ)的結(jié)構(gòu)和音節(jié)之間的韻律信息等這些參數(shù)受韻律實(shí)現(xiàn)策略和語(yǔ)言學(xué)韻律規(guī)則的影響對(duì)語(yǔ)音合成自然度起關(guān)鍵作用目前由于缺乏比較好的韻律處理算法精確提取韻律參數(shù)比較困難合成效果較差所以目前的研究主要集中在提高合成語(yǔ)音的自然度利用人工神經(jīng)網(wǎng)絡(luò)優(yōu)良性能進(jìn)行韻律處理可提高語(yǔ)音的自然度由于漢語(yǔ)是不同于其它語(yǔ)言的有調(diào)語(yǔ)言在提取語(yǔ)音參數(shù)時(shí)有著自己的規(guī)律漢語(yǔ)韻律是受語(yǔ)境影響的層次結(jié)構(gòu)而神經(jīng)網(wǎng)絡(luò)的運(yùn)行和學(xué)習(xí)速率也極大的受到語(yǔ)境信息的影響語(yǔ)境信息有著重要的作用神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比傳統(tǒng)模型更好地反映了漢語(yǔ)的韻律在漢語(yǔ)TTS系統(tǒng)韻律模型中改善文本處理能力可提高漢語(yǔ)語(yǔ)音合成系統(tǒng)的語(yǔ)音輸出質(zhì)量針對(duì)上述問(wèn)題本文提出了競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)在漢語(yǔ)TTSTEXTTOSPEECH韻律建模中的應(yīng)用通過(guò)輸入多個(gè)不同韻律特征的模板樣本的競(jìng)爭(zhēng)最終選擇與自然語(yǔ)音最匹配的那個(gè)樣本模板聽(tīng)辨的結(jié)果證明競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)模型合成語(yǔ)音的自然度得到進(jìn)一步的提高目前自然語(yǔ)言識(shí)別理解技術(shù)和數(shù)據(jù)挖掘技術(shù)在漢語(yǔ)TTS系統(tǒng)中得到廣泛應(yīng)用語(yǔ)音技術(shù)與多媒體技術(shù)相結(jié)合促成了由文本到可視語(yǔ)音的轉(zhuǎn)換TEXTTOVISUALSPEECHTTVS的實(shí)現(xiàn)

簡(jiǎn)介：本文初步探討了漢語(yǔ)自然語(yǔ)言理解在產(chǎn)品設(shè)計(jì)中的應(yīng)用，重點(diǎn)處理了產(chǎn)品設(shè)計(jì)中的非實(shí)詞概念副詞結(jié)構(gòu)。通過(guò)對(duì)以自然語(yǔ)言形式表達(dá)的用戶需求中的短語(yǔ)和句子進(jìn)行理解和分析，并將最終分析結(jié)果轉(zhuǎn)化成概念設(shè)計(jì)要求，為后續(xù)設(shè)計(jì)提供支持。本文確定了在機(jī)械產(chǎn)品設(shè)計(jì)領(lǐng)域自然語(yǔ)言理解采用基于知識(shí)的方法。在知識(shí)庫(kù)建立和概念模型的基礎(chǔ)上應(yīng)用了本體中的關(guān)系分析方法，對(duì)副詞概念進(jìn)行了深入的分析，并對(duì)副詞知識(shí)進(jìn)行分類(lèi)和分析。在以上工作的基礎(chǔ)上，給出了系統(tǒng)中副詞處理模型，從而實(shí)現(xiàn)對(duì)含有副詞概念的句子進(jìn)行形式化的理解。最后將自然語(yǔ)言理解的局部篇章上下文分析應(yīng)用于機(jī)械控制領(lǐng)域，對(duì)其中的副詞概念進(jìn)行處理，通過(guò)系統(tǒng)測(cè)試，結(jié)果比較令人滿意。

簡(jiǎn)介：語(yǔ)音轉(zhuǎn)換VOICECONVERSION是指通過(guò)語(yǔ)音處理手段改變一個(gè)說(shuō)話人源說(shuō)話人，SOURCESPEAKER的語(yǔ)音個(gè)性特征，使之具有另外一個(gè)說(shuō)話人目標(biāo)說(shuō)話人，TARGETSPEAKER的語(yǔ)音個(gè)性特征，但轉(zhuǎn)換語(yǔ)音所包含的語(yǔ)意內(nèi)容不變。語(yǔ)音轉(zhuǎn)換技術(shù)涉及信號(hào)處理、語(yǔ)言學(xué)、聲學(xué)、計(jì)算機(jī)科學(xué)等學(xué)科領(lǐng)域，它的深入研究勢(shì)必將會(huì)對(duì)語(yǔ)音學(xué)其它領(lǐng)域的研究發(fā)展產(chǎn)生促進(jìn)作用，同時(shí)它在電影、電視節(jié)目的配音、醫(yī)療及保密等許多方面有著廣泛的應(yīng)用前景。因此語(yǔ)音轉(zhuǎn)換技術(shù)的研究具有重要的理論價(jià)值和實(shí)用價(jià)值。本文從不同說(shuō)話人發(fā)聲器官的差異入手，分析了說(shuō)話人個(gè)性特征及其聲學(xué)特征參數(shù)表示，并采用基于STRAIGHT分析合成算法的混合高斯模型GMM轉(zhuǎn)換算法實(shí)現(xiàn)了一個(gè)特定人語(yǔ)音轉(zhuǎn)換系統(tǒng)，并利用該系統(tǒng)對(duì)影響轉(zhuǎn)換性能的因素做了相關(guān)實(shí)驗(yàn)和分析。論文完成的主要工作有1分析了說(shuō)話人個(gè)性信息的聲學(xué)表征問(wèn)題。本文主要研究了不同說(shuō)話人在以聲門(mén)波形參數(shù)為代表的聲源特征，以及以共振峰為代表的聲道特征的差異性，選取基頻參數(shù)，基頻范圍和線譜對(duì)系數(shù)LSF作為轉(zhuǎn)換特征參數(shù)。2實(shí)現(xiàn)了基于STRAIGHT分析合成算法和GMM轉(zhuǎn)換算法的特定人語(yǔ)音轉(zhuǎn)換系統(tǒng)。為了評(píng)測(cè)GMM轉(zhuǎn)換算法，進(jìn)行了客觀和主觀評(píng)測(cè)實(shí)驗(yàn)，指出了GMM轉(zhuǎn)換算法的過(guò)平滑現(xiàn)象使得轉(zhuǎn)換語(yǔ)音音質(zhì)下降的問(wèn)題。3討論了男女語(yǔ)音在聲源特性和聲道特性的不同，搭建了一個(gè)簡(jiǎn)單的男女語(yǔ)音轉(zhuǎn)換系統(tǒng)。針對(duì)男女語(yǔ)音在聲源特性和聲道特性的不同，用基頻線性調(diào)整和頻譜線性插值的方法實(shí)現(xiàn)了男女聲之間地轉(zhuǎn)換。非正式聽(tīng)辨實(shí)驗(yàn)證明該轉(zhuǎn)換系統(tǒng)實(shí)現(xiàn)的女聲到男聲的轉(zhuǎn)換效果要好于男聲到女聲的轉(zhuǎn)換效果。實(shí)現(xiàn)了一個(gè)變聲器應(yīng)用軟件，該系統(tǒng)可以通過(guò)改變聲音的基頻參數(shù)，頻譜參數(shù)和時(shí)長(zhǎng)參數(shù)，來(lái)改變音質(zhì)。4分析和討論了訓(xùn)練語(yǔ)料類(lèi)型、訓(xùn)練數(shù)據(jù)量、混合高斯混合度、說(shuō)話人差異等影響語(yǔ)音轉(zhuǎn)換系統(tǒng)性能的因素，并分別進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)論為①聯(lián)合概率密度的方法同時(shí)觀察源說(shuō)話人和目標(biāo)說(shuō)話人的參數(shù)，比只觀察源說(shuō)話人的參數(shù)訓(xùn)練的GMM模型的分類(lèi)效果要好，得到的轉(zhuǎn)換語(yǔ)音帶有更多的目標(biāo)說(shuō)話人特征。②當(dāng)訓(xùn)練階段使用單音節(jié)語(yǔ)料時(shí)，轉(zhuǎn)換單音節(jié)的準(zhǔn)確度比轉(zhuǎn)換句子的準(zhǔn)確度要高；當(dāng)訓(xùn)練階段使用句子語(yǔ)料時(shí)，轉(zhuǎn)換句子的準(zhǔn)確度比轉(zhuǎn)換單音節(jié)的準(zhǔn)確度要高。③只有當(dāng)訓(xùn)練數(shù)據(jù)集增大，混合度數(shù)也隨之增大時(shí)，轉(zhuǎn)換效果變好。④特定女性到特定男性的聲音轉(zhuǎn)換效果要好于特定男性到特定女性的聲音轉(zhuǎn)換效果；特定女性之間的聲音轉(zhuǎn)換效果要好于特定男性之間的聲音轉(zhuǎn)換效果。

簡(jiǎn)介：點(diǎn)擊查看更多漢語(yǔ)情感問(wèn)題分析和比較類(lèi)型情感問(wèn)答方法的研究.pdf精彩內(nèi)容。

簡(jiǎn)介：隨著人類(lèi)語(yǔ)音合成系統(tǒng)智能化的提高增強(qiáng)語(yǔ)音自然度的要求顯得十分明顯。自然語(yǔ)音的一個(gè)重要方面就是表達(dá)一定的情感這也正是目前語(yǔ)音合成中所缺少的。情感語(yǔ)音合成是一個(gè)跨學(xué)科、具有很高理論價(jià)值和應(yīng)用價(jià)值的研究課題是語(yǔ)音合成的一個(gè)新的研究方向正受到越來(lái)越多的關(guān)注。本論文在廣泛汲取漢語(yǔ)情感韻律知識(shí)和現(xiàn)代語(yǔ)音信號(hào)處理技術(shù)的基礎(chǔ)上對(duì)漢語(yǔ)情感語(yǔ)音合成技術(shù)及其實(shí)現(xiàn)方法進(jìn)行了深入的研究主要研究工作如下1研究了線性預(yù)測(cè)合成、共振峰合成和基音同步疊加合成PSOLA等傳統(tǒng)的語(yǔ)音合成技術(shù)經(jīng)比較認(rèn)為基音同步疊加技術(shù)能夠方便地對(duì)合成單元的韻律進(jìn)行調(diào)整很適合用于情感語(yǔ)音合成中。時(shí)域基音同步疊加TDPSOLA技術(shù)在對(duì)語(yǔ)音合成單元進(jìn)行拼接前根據(jù)基音同步標(biāo)注對(duì)拼接單元的基音周期、時(shí)長(zhǎng)和強(qiáng)度做出適當(dāng)?shù)卣{(diào)整在不改變?cè)颊Z(yǔ)音單元音質(zhì)細(xì)節(jié)的基礎(chǔ)上能靈活地改變體現(xiàn)語(yǔ)音情感的韻律特征變化從而可以獲得更高的可懂度和自然度。2情感的聲學(xué)關(guān)聯(lián)特征參數(shù)是情感語(yǔ)音合成的關(guān)鍵之一。本文在漢語(yǔ)情感語(yǔ)料庫(kù)的基礎(chǔ)上分析了韻律特征參數(shù)在不同情感狀態(tài)下的規(guī)律。論文中采用基頻參數(shù)、時(shí)長(zhǎng)參數(shù)和能量參數(shù)作為基本韻律特征參數(shù)對(duì)漢語(yǔ)情感語(yǔ)料庫(kù)提取這些參數(shù)得到不同情感狀態(tài)下各韻律特征參數(shù)的特性。根據(jù)韻律特征參數(shù)的統(tǒng)計(jì)結(jié)果確定輸出語(yǔ)音的基頻、時(shí)長(zhǎng)和能量特征參數(shù)的目標(biāo)調(diào)整系數(shù)在確?？啥群妥匀欢鹊那疤嵯率购铣傻恼Z(yǔ)音具備情感表達(dá)的能力。3詳細(xì)分析了基于語(yǔ)音頻譜分解的聲源參數(shù)提取方法整個(gè)方法是在STRAIGHT語(yǔ)音分析合成算法基礎(chǔ)上實(shí)現(xiàn)。4研究了語(yǔ)音合成中的韻律預(yù)測(cè)方法包括規(guī)則驅(qū)動(dòng)的方法、數(shù)據(jù)驅(qū)動(dòng)的方法尤其是其中的神經(jīng)網(wǎng)絡(luò)的方法、數(shù)據(jù)挖掘的方法還有漢語(yǔ)韻律模型如TARGET基頻模型FUJISAKI基頻模型。本文詳細(xì)討論了SFC韻律預(yù)測(cè)模型的原理及實(shí)現(xiàn)方法并給出了針對(duì)漢語(yǔ)情感語(yǔ)音的韻律建模方案在對(duì)情感語(yǔ)音進(jìn)行SFC韻律建模的基礎(chǔ)上分析了模型的層次關(guān)系設(shè)計(jì)了從中立語(yǔ)音進(jìn)行韻律轉(zhuǎn)換的方法。根據(jù)以上研究結(jié)論進(jìn)行漢語(yǔ)情感語(yǔ)音合成的實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果說(shuō)明TDPSOLA算法能夠合成出令人滿意的情感語(yǔ)音。最后對(duì)全文的工作進(jìn)行總結(jié)并指出下一步研究工作的思路。