-
簡(jiǎn)介:人類有個(gè)理想,讓機(jī)器具有“聽”、“說”人類語(yǔ)言的能力。這個(gè)理想,在信息時(shí)代正逐步變成現(xiàn)實(shí)。語(yǔ)音識(shí)別正是解決機(jī)器“聽”懂人類語(yǔ)言的一項(xiàng)研究。孤立詞語(yǔ)音識(shí)別實(shí)現(xiàn)簡(jiǎn)單、技術(shù)成熟,有著廣泛的應(yīng)用前景,是深入研究語(yǔ)音識(shí)別的基礎(chǔ)。本文對(duì)小詞匯量、非特定人的漢語(yǔ)孤立詞的語(yǔ)音識(shí)別技術(shù)進(jìn)行了分析和研究。首先介紹了語(yǔ)音識(shí)別系統(tǒng)的組成和識(shí)別原理,并對(duì)語(yǔ)音信號(hào)的預(yù)處理過程、端點(diǎn)檢測(cè)常用的特征參數(shù)以及語(yǔ)音識(shí)別的方法作了分析,重點(diǎn)討論了MFCC特征參數(shù)的提取。繼而重點(diǎn)研究了孤立詞的端點(diǎn)檢測(cè)算法,并在基于信息熵、子帶譜熵和頻帶方差的端點(diǎn)檢測(cè)算法的基礎(chǔ)上,對(duì)原有算法做了修正和改進(jìn),仿真結(jié)果表明,在不同噪聲下,基于改進(jìn)的端點(diǎn)檢測(cè)算法在低信噪比條件下的檢測(cè)準(zhǔn)確率明顯高于傳統(tǒng)的基于能量和過零率的雙門限檢測(cè)算法,其中基于改進(jìn)的頻帶方差的檢測(cè)效果最好。最后深入研究了基于DTW和HMM的語(yǔ)音識(shí)別方法。其中基于DTW的高效算法具有運(yùn)算復(fù)雜度低的特點(diǎn),仿真結(jié)果表明,它非常適合于小詞匯量、特定人的語(yǔ)音識(shí)別,識(shí)別率可以達(dá)到100%。但是對(duì)于非特定人識(shí)別,本文選用主流的基于HMM的識(shí)別方法,并仔細(xì)探討了CHMM應(yīng)用到語(yǔ)音識(shí)別中的具體問題。結(jié)合改進(jìn)的端點(diǎn)檢測(cè)算法并采用基于CHMM的語(yǔ)音識(shí)別方法,最終實(shí)現(xiàn)了對(duì)自建的漢語(yǔ)孤立數(shù)字語(yǔ)音庫(kù)92%的平均識(shí)別率。
下載積分: 5 賞幣
上傳時(shí)間:2024-03-09
頁(yè)數(shù): 83
大小: 4.61(MB)
子文件數(shù):
-
簡(jiǎn)介:劣妻。未交L占】715二碩士學(xué)位論文基于語(yǔ)音識(shí)別的漢語(yǔ)發(fā)音評(píng)測(cè)研究RESEARCHOFMANDARINPRONOUNCINGEVALUATIONBASEDONSPEECHRECOGNITION作者謝朝強(qiáng)導(dǎo)師苗振江北京交通大學(xué)2010年6月學(xué)位論文版權(quán)使用授權(quán)書\帆Y帆1M7帆8叭們0叭7M4LL\\0帆本學(xué)位論文作者完全了解北京交通大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定。特授權(quán)北京交通大學(xué)可以將學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索,提供閱覽服務(wù),并采用影印、縮印或掃描等復(fù)制手段保存、匯編以供查閱和借閱。同意學(xué)校向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和磁盤。保密的學(xué)位論文在解密后適用本授權(quán)說明學(xué)位論文作者簽名銥磊日禹導(dǎo)師簽名弓予厶I,Z簽字日期_I口年多月叫EL簽字日期加,B年∥尾/,日
下載積分: 5 賞幣
上傳時(shí)間:2024-03-09
頁(yè)數(shù): 120
大小: 4.07(MB)
子文件數(shù):
-
簡(jiǎn)介:隨著WEB20的興起和社會(huì)網(wǎng)絡(luò)的迅速發(fā)展,人們以網(wǎng)絡(luò)為媒介發(fā)表自己對(duì)某個(gè)事件或事物的評(píng)論和看法。產(chǎn)品評(píng)論作為最重要的情感信息來源,一直被學(xué)術(shù)界廣泛使用。如何挖掘這些產(chǎn)品評(píng)論中所蘊(yùn)含的豐富情感信息,成為當(dāng)前自然語(yǔ)言處理NATURALLANGUAGEPROCESSING,NLP相關(guān)領(lǐng)域的研究熱點(diǎn)之一。復(fù)述是指使用不同的詞匯來表達(dá)相同含義的句子或短語(yǔ)。由于復(fù)述具有廣泛的獲取來源,且可以引入豐富的語(yǔ)言特征,所以復(fù)述在NLP的很多領(lǐng)域中都有重要的應(yīng)用。本文在深入分析漢語(yǔ)產(chǎn)品評(píng)論的復(fù)述特點(diǎn)基礎(chǔ)上,從語(yǔ)義角度出發(fā),探索語(yǔ)義和情感極性相融合的意見復(fù)述抽取方法。并將獲取的復(fù)述知識(shí)應(yīng)用于漢語(yǔ)產(chǎn)品意見文本分析,以緩解統(tǒng)計(jì)情感分析所面臨的數(shù)據(jù)稀疏問題,從而提高了情感分析性能。具體地,本文從以下三個(gè)方面展開研究1基于語(yǔ)素的漢語(yǔ)未登錄詞詞義預(yù)測(cè)。未登錄詞的詞義預(yù)測(cè)一直是制約漢語(yǔ)詞義消歧性能的一個(gè)瓶頸。為了獲取情感分類所需的詞義信息,本文以語(yǔ)素作為基本標(biāo)注單位,在最大熵模型的框架下融合未登錄詞語(yǔ)內(nèi)部結(jié)構(gòu)特征和外部上下文特征,提出一種基于語(yǔ)素的漢語(yǔ)詞義預(yù)測(cè)方法。實(shí)驗(yàn)結(jié)果表明,基于語(yǔ)素的方法可以有效融合詞語(yǔ)內(nèi)部特征,從而提高了未登錄詞詞義預(yù)測(cè)的準(zhǔn)確性。2融合語(yǔ)義和情感極性的漢語(yǔ)意見復(fù)述識(shí)別。本文在分析漢語(yǔ)意見復(fù)述特點(diǎn)的基礎(chǔ)上,以意見要素為基本單位,探索語(yǔ)義和情感極性相融合的意見復(fù)述識(shí)別方法,并分析和比較了不同的復(fù)述識(shí)別方法。實(shí)驗(yàn)結(jié)果證明了融合語(yǔ)義和情感極性的意見復(fù)述識(shí)別方法的有效性。3基于復(fù)述生成的漢語(yǔ)情感分類。為了解決統(tǒng)計(jì)情感分類面臨的數(shù)據(jù)稀疏問題,本文引入復(fù)述生成技術(shù),通過對(duì)訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)同時(shí)進(jìn)行復(fù)述生成,不僅擴(kuò)展了訓(xùn)練語(yǔ)料的規(guī)模,還通過測(cè)試數(shù)據(jù)復(fù)述擴(kuò)展,彌補(bǔ)了訓(xùn)練語(yǔ)料覆蓋度不足而引起的數(shù)據(jù)稀疏問題。在不同條件下的情感分類實(shí)驗(yàn)結(jié)果證明引入復(fù)述生成可以顯著提高情感極性分類的性能。
下載積分: 5 賞幣
上傳時(shí)間:2024-03-10
頁(yè)數(shù): 72
大?。?3.38(MB)
子文件數(shù):
-
簡(jiǎn)介:句法分析的任務(wù)是根據(jù)給定的語(yǔ)法,自動(dòng)推導(dǎo)出句子的語(yǔ)法結(jié)構(gòu)。句法分析性能的提高將對(duì)信息檢索、信息抽取以及機(jī)器翻譯等應(yīng)用產(chǎn)生重要的推動(dòng)作用。在句法分析的研究中,依存語(yǔ)法以其形式簡(jiǎn)潔、易于標(biāo)注、便于應(yīng)用等優(yōu)點(diǎn),逐漸受到研究人員的重視。目前,已經(jīng)被自然語(yǔ)言處理領(lǐng)域的許多專家和學(xué)者所采用,應(yīng)用于多種語(yǔ)言之中。但由于語(yǔ)料資源以及技術(shù)等原因,漢語(yǔ)在依存句法分析方面的相關(guān)研究并不多。為了彌補(bǔ)這方面的不足,本文使用基于語(yǔ)料庫(kù)的統(tǒng)計(jì)學(xué)習(xí)方法,對(duì)漢語(yǔ)的依存句法分析技術(shù)進(jìn)行了探索。首先,實(shí)現(xiàn)了一個(gè)包含分詞和詞性標(biāo)注的詞法分析系統(tǒng),并增加了動(dòng)詞子類標(biāo)注的功能。區(qū)分動(dòng)詞的語(yǔ)法屬性是為了減少由動(dòng)詞引起的語(yǔ)法歧義,降低句法結(jié)構(gòu)的復(fù)雜度。本文首先制定了一個(gè)動(dòng)詞細(xì)分類體系,將動(dòng)詞分為8個(gè)子類,然后使用最大熵的方法對(duì)動(dòng)詞進(jìn)行子類標(biāo)注,用以改善句法分析的性能。其次,進(jìn)行了短語(yǔ)分析的工作。名詞復(fù)合短語(yǔ)是各種語(yǔ)言中的普遍存在的一種語(yǔ)法結(jié)構(gòu),對(duì)信息抽取、機(jī)器翻譯等應(yīng)用有很大的影響。由于傳統(tǒng)的句法分析對(duì)此類結(jié)構(gòu)的處理不夠理想,本文對(duì)名詞復(fù)合短語(yǔ)進(jìn)行專門處理,以降低句法分析的難度。針對(duì)漢語(yǔ)名詞復(fù)合短語(yǔ)的特點(diǎn),本文提出一種基于隱馬爾科夫樹模型的名詞復(fù)合短語(yǔ)分析方法,較好地解決了此類短語(yǔ)對(duì)句法分析的影響。另外,句法分析對(duì)句子的長(zhǎng)度非常敏感,隨著長(zhǎng)度的增加,句法分析的效率以及準(zhǔn)確率均會(huì)受到嚴(yán)重的影響。為了減少句子長(zhǎng)度的影響,本文對(duì)句子片段進(jìn)行識(shí)別。先將句子劃分為多個(gè)片段,并使用基于支持向量機(jī)的方法對(duì)每個(gè)片段類型進(jìn)行識(shí)別;然后對(duì)片段進(jìn)行依存分析,再識(shí)別出各片段之間的依存關(guān)系,最后將各個(gè)片段組合為一個(gè)完整的分析樹。在以上三種技術(shù)基礎(chǔ)之上,根據(jù)漢語(yǔ)的特點(diǎn),本文探索了一個(gè)高效的漢語(yǔ)依存句法分析算法。針對(duì)漢語(yǔ)語(yǔ)法結(jié)構(gòu)靈活、樹庫(kù)資源不是非常充分的情況,本文使用分治策略對(duì)句子中的一些特定語(yǔ)法結(jié)構(gòu)進(jìn)行預(yù)處理。在搜索算法上,使用動(dòng)態(tài)局部?jī)?yōu)化的確定性分析算法對(duì)句子進(jìn)行解碼,提高了搜索的效率。為了檢驗(yàn)漢語(yǔ)依存句法分析方法的擴(kuò)展性,并探索單語(yǔ)依存分析同多語(yǔ)依存分析的不同之處,本文最后實(shí)現(xiàn)了一個(gè)基于分步策略的多語(yǔ)依存分析系統(tǒng),并在CONLL2006的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。通過對(duì)實(shí)驗(yàn)結(jié)果的分析以及同評(píng)測(cè)結(jié)果的比較,驗(yàn)證了本文方法的有效性。本文前面的詞法分析、短語(yǔ)分析、句子片段識(shí)別三部分工作是為句法分析服務(wù)的,每部分工作在不同層面上解決了漢語(yǔ)依存分析中的難點(diǎn)問題,對(duì)句法分析工作做了有力的支撐。后面的兩部分工作分別在漢語(yǔ)和多語(yǔ)方面對(duì)依存句法分析做了理論和技術(shù)上的探索。
下載積分: 5 賞幣
上傳時(shí)間:2024-03-10
頁(yè)數(shù): 140
大?。?1.89(MB)
子文件數(shù):
-
簡(jiǎn)介:句法分析是自然語(yǔ)言處理研究中的關(guān)鍵技術(shù)之一其任務(wù)是根據(jù)給定的語(yǔ)法自動(dòng)推導(dǎo)出句子的語(yǔ)法結(jié)構(gòu)。它對(duì)于機(jī)器翻譯、信息檢索、信息抽取、文本分類和自動(dòng)文摘等自然語(yǔ)言處理系統(tǒng)都有著極其重要的意義。句法分析是依賴于某種語(yǔ)法理論的在形式語(yǔ)法體系中依存語(yǔ)法逐漸成為研究人員重視的熱點(diǎn)。依存句法分析技術(shù)也不斷得到發(fā)展和完善并在英語(yǔ)等印歐語(yǔ)言中取得較好的研究成果。但目前為止針對(duì)漢語(yǔ)在依存句法分析方面的相關(guān)研究并不多見漢語(yǔ)的依存分析研究成果與比印歐語(yǔ)言遜色得多。為此本文采用基于統(tǒng)計(jì)理論的學(xué)習(xí)方法針對(duì)漢語(yǔ)特有的語(yǔ)法特點(diǎn)對(duì)漢語(yǔ)的依存句法分析方法進(jìn)行了研究和探索。本文主要采用決策式的依存句法分析方法解決了漢語(yǔ)句法分析中存在的一些問題。本文工作的主要貢獻(xiàn)和創(chuàng)新點(diǎn)如下1提出并實(shí)現(xiàn)了一種針對(duì)漢語(yǔ)長(zhǎng)句的決策式分析方法CLDP。該方法針對(duì)漢語(yǔ)復(fù)雜長(zhǎng)句句法分析存在的困難考慮一種“分而治之”的處理策略采用分層分析的方法把復(fù)雜的句法分析問題分解為幾個(gè)易于處理的子問題以降低分析難度提高分析效率。本文提出并實(shí)現(xiàn)了非貪婪的考慮長(zhǎng)距離依存的決策式漢語(yǔ)分析方法NCLDP。該方法利用漢語(yǔ)句子中根的唯一性對(duì)長(zhǎng)句進(jìn)行了分割。實(shí)現(xiàn)時(shí)利用機(jī)器學(xué)習(xí)方法SVM設(shè)計(jì)了一種高效的根搜索器ROOTSEARCHER該根搜索器ROOTSEARCHER可以標(biāo)記出每個(gè)句子的根結(jié)點(diǎn)依據(jù)根結(jié)點(diǎn)句子被分割成兩個(gè)子句。對(duì)子句分別進(jìn)行依存分析后進(jìn)行子句的連接。把兩個(gè)子句的根結(jié)點(diǎn)合二為一合并兩個(gè)子依存結(jié)構(gòu)從而得到長(zhǎng)句的完整的依存結(jié)構(gòu)。實(shí)驗(yàn)數(shù)據(jù)表明本文構(gòu)造的根搜索器ROOTSEARCHER具有較高的準(zhǔn)確性。在長(zhǎng)句占的比例較大的訓(xùn)練集和測(cè)試集上本文的方法達(dá)到了較好的分析性能有效降低了句子的復(fù)雜度顯著地提高了句法分析器的準(zhǔn)確率。2提出并實(shí)現(xiàn)了一種基于二段式的子句依存分析方法TSP。本文針對(duì)決策式依存分析中存在的EARLYREDUCE問題設(shè)計(jì)并實(shí)現(xiàn)了二段式的子句依存分析方法。該方法采用了有效的特征組合利用二段分析特征復(fù)用等手段有效解決了漢語(yǔ)右依存中動(dòng)詞與動(dòng)詞之間以及動(dòng)詞與介詞之間的VPEARLYREDUCE問題并且降低了算法的貪婪性。另外本文提出并實(shí)現(xiàn)了子句的雙向分析策略BSP。根據(jù)分割后句子的特點(diǎn)以及漢語(yǔ)語(yǔ)言所具有的投影性特征提出了采用向前分析和向后分析相結(jié)合的策略。在分析時(shí)將從前向后與從后向前兩種分析方向結(jié)合使用。實(shí)驗(yàn)中將二段式句法分析策略與一次分析進(jìn)行了性能比較并考察了句法分析方向?qū)τ诜治鼋Y(jié)果的影響。實(shí)驗(yàn)結(jié)果表明本文的二段式的子句依存分析方法TSP提高了句法分析器的性能。子句的雙向分析策略BSP也比單向分析獲得了更好的分析效率。3提出并實(shí)現(xiàn)了一種基于介詞短語(yǔ)右邊界的自動(dòng)識(shí)別的依存句法分析算法RPP。根據(jù)介詞短語(yǔ)的語(yǔ)用特征提出一種對(duì)介詞短語(yǔ)的后續(xù)詞進(jìn)行分析的方法相應(yīng)得到介詞短語(yǔ)右邊界的識(shí)別方法。通對(duì)過介詞短語(yǔ)的分析有效解決了決策式分析方法在分析介詞短語(yǔ)時(shí)存在的缺陷。避免了分析介詞在長(zhǎng)距離依存時(shí)由于過早比較、提前決策依存關(guān)系出現(xiàn)的錯(cuò)誤。實(shí)驗(yàn)結(jié)果表明本文實(shí)現(xiàn)的基于介詞短語(yǔ)右邊界的自動(dòng)識(shí)別的依存句法分析算法RPP對(duì)漢語(yǔ)的介詞的長(zhǎng)距離依存分析是有效的。
下載積分: 5 賞幣
上傳時(shí)間:2024-03-10
頁(yè)數(shù): 120
大?。?3.88(MB)
子文件數(shù):
-
簡(jiǎn)介:解決耳聾患者聽覺問題已是當(dāng)今世界的一大難題傳統(tǒng)的方法有佩戴助聽器和植入電子耳蝸但二者都有明顯的缺陷前者將聲音信號(hào)簡(jiǎn)單的放大只適用于輕度耳聾患者依賴于殘余聽覺神經(jīng)后者也要利用人的聽覺神經(jīng)并且其植入手術(shù)復(fù)雜造價(jià)過高不適于廣泛的推廣。而皮膚聽聲器完全不依賴于殘余聽覺神經(jīng)僅依靠皮膚感受電刺激然后將電流信號(hào)傳遞給大腦使佩戴者能通過皮膚感受到外界的聲音。但是由于目前研制的變壓式皮膚聽聲器是單通道的聾人佩戴皮膚聽聲器后能夠感知聲音但不能夠很好的理解語(yǔ)意即其語(yǔ)音辨析能力不理想。為使皮膚聽聲器能夠辨析簡(jiǎn)單語(yǔ)音本文主要進(jìn)行了兩個(gè)方面的研究首先應(yīng)用時(shí)頻分布理論比較分析語(yǔ)音信號(hào)語(yǔ)譜圖提供的時(shí)域和頻域信息總結(jié)出漢語(yǔ)語(yǔ)音關(guān)鍵頻率的大致分布情況并以此為基礎(chǔ)為后續(xù)皮膚聽聲器辨析語(yǔ)音提供理論依據(jù)其次將語(yǔ)音識(shí)別技術(shù)應(yīng)用于皮膚聽聲器并設(shè)計(jì)了皮膚聽聲器系統(tǒng)該系統(tǒng)能夠辨析簡(jiǎn)單的語(yǔ)音。本系統(tǒng)以MATLAB軟件為平臺(tái)主要功能有錄制語(yǔ)音、播放語(yǔ)音、預(yù)處理、分段濾波、特征提取和辨析語(yǔ)音。根據(jù)系統(tǒng)主要功能將其分為三個(gè)模塊采集模塊、處理模塊和辨析模塊。采集模塊將語(yǔ)音錄制成WAVE文件然后播放語(yǔ)音得到其波形圖和語(yǔ)譜圖處理模塊對(duì)語(yǔ)音信號(hào)進(jìn)行預(yù)處理然后分段濾波將信號(hào)通過濾波器組分成M個(gè)子帶每個(gè)子帶通過電極片將電刺激傳遞給皮膚接下來提取語(yǔ)音的MFCC參數(shù)作為特征參數(shù)辨析模塊將待測(cè)語(yǔ)音信號(hào)的特征參數(shù)與數(shù)據(jù)庫(kù)中參考模板的特征參數(shù)進(jìn)行模式匹配找出相似度最高的參考模板所對(duì)應(yīng)的發(fā)音即為所要辨析的結(jié)果然后將辨析結(jié)果輸出。以“0、1、2、3、4、5、6、7、8、9”十個(gè)語(yǔ)音為例進(jìn)行仿真實(shí)驗(yàn)仿真結(jié)果表明每個(gè)語(yǔ)音都得到了較為準(zhǔn)確的辨析說明本系統(tǒng)能夠辨析簡(jiǎn)單語(yǔ)音基本完成皮膚聽聲器辨析語(yǔ)音的任務(wù)
下載積分: 5 賞幣
上傳時(shí)間:2024-03-11
頁(yè)數(shù): 70
大小: 11.26(MB)
子文件數(shù):
-
簡(jiǎn)介:該文對(duì)漢語(yǔ)語(yǔ)音識(shí)別中的聲學(xué)模型進(jìn)行了理論研究和實(shí)驗(yàn)分析研究成果主要有以下7個(gè)方面1首次將FISHER算法應(yīng)用于語(yǔ)音模型的狀態(tài)分割2對(duì)廣義模型算法的收斂性進(jìn)行了分析3根據(jù)漢語(yǔ)語(yǔ)音特點(diǎn)該文首次在廣義模型中引進(jìn)了首、尾寂靜狀態(tài)的零懲罰自環(huán)并成功構(gòu)造了一種無需端點(diǎn)檢測(cè)算法的漢語(yǔ)普通話識(shí)別器4從信息熵的角度出發(fā)對(duì)兩個(gè)隨機(jī)序列發(fā)生器簡(jiǎn)單語(yǔ)音模型和隱馬爾可夫模型之間的相似度進(jìn)行比較分析5該文首次指出漢語(yǔ)語(yǔ)音的音尾部分對(duì)其特征的作用很小甚至完全切除音尾部分對(duì)最終識(shí)別結(jié)果影響不大6該文回顧了語(yǔ)音識(shí)別系統(tǒng)所涉及的功能模塊綜述了各模塊常用的算法7首次實(shí)現(xiàn)了基于語(yǔ)音識(shí)別技術(shù)的漢語(yǔ)發(fā)音輔助教學(xué)系統(tǒng)
下載積分: 5 賞幣
上傳時(shí)間:2024-03-11
頁(yè)數(shù): 103
大?。?2.9(MB)
子文件數(shù):
-
簡(jiǎn)介:在神經(jīng)解剖學(xué)和神經(jīng)心理學(xué)層次上仿真和描述大腦中語(yǔ)音生成和理解相關(guān)區(qū)域的功能是近年來人工語(yǔ)音合成系統(tǒng)追求的主要目標(biāo)。圍繞這一目標(biāo),許多學(xué)者在語(yǔ)音神經(jīng)網(wǎng)絡(luò)計(jì)算模型的研究方面做出了巨大努力。其中最突出的是波士頓大學(xué)語(yǔ)音實(shí)驗(yàn)室的岡瑟教授FRANKHGUENTHER及其團(tuán)隊(duì)研究的DIVADIRECTIONSINTOVELOCITIESOFARTICULATS模型。它是一種可以描述語(yǔ)音生成與獲取相關(guān)的處理過程,并可以通過控制一個(gè)模擬聲道生成單詞、音節(jié)或音素的神經(jīng)網(wǎng)絡(luò)模型。但是,DIVA模型是以英文29個(gè)基本音素為研究背景,其在漢語(yǔ)語(yǔ)音研究過程中存在局限性。針對(duì)DIVA模型及漢語(yǔ)語(yǔ)音研究的特點(diǎn),本文主要進(jìn)行如下研究首先,針對(duì)DIVA模型所采用的語(yǔ)音感興趣區(qū)域是基于英語(yǔ)語(yǔ)音研究而制定的問題,本文對(duì)漢語(yǔ)語(yǔ)音加工過程進(jìn)行功能磁共振成像實(shí)驗(yàn)研究,并基于DIVA模型對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。這為完善DIVA模型,使其適用于漢語(yǔ)語(yǔ)音研究提供了可行的方案。其次,針對(duì)漢語(yǔ)神經(jīng)分析系統(tǒng)研究中,非侵入式腦機(jī)接口采集到的腦電數(shù)據(jù)存在的分辨率低、干擾大的問題,本文提出了一種基于DIVA模型的腦電信號(hào)約束處理方法。使用模型模擬生成的功能性磁共振成像數(shù)據(jù)激活點(diǎn)的空間信息作為限制條件,對(duì)腦電信號(hào)進(jìn)行分析定位。實(shí)驗(yàn)結(jié)果表明該處理方法可以對(duì)受試者的激活腦區(qū)進(jìn)行精確定位。本文的研究為使用DIVA模型進(jìn)行漢語(yǔ)語(yǔ)音研究提供了可行的方案和數(shù)據(jù)處理方法,實(shí)驗(yàn)過程中形成的影像數(shù)據(jù)集將對(duì)漢語(yǔ)語(yǔ)音相關(guān)研究提供重要的參考。
下載積分: 5 賞幣
上傳時(shí)間:2024-03-10
頁(yè)數(shù): 63
大小: 2.02(MB)
子文件數(shù):
-
簡(jiǎn)介:隨著虛擬現(xiàn)實(shí)技術(shù)的發(fā)展,對(duì)三維虛擬人的研究成為虛擬現(xiàn)實(shí)領(lǐng)域的熱點(diǎn)。在電視動(dòng)畫和計(jì)算機(jī)游戲中,逼真的模型給人以良好的視覺效果。近些年來,越來越多的學(xué)者對(duì)虛擬人的建模以及虛擬人的驅(qū)動(dòng)方式的研究表現(xiàn)出極大的興趣,并分別提出了自己的方法。三維虛擬人驅(qū)動(dòng)方法的研究不僅減少了開發(fā)商的投資,而且讓用戶有更大的選擇范圍,所以,它的商業(yè)價(jià)值與實(shí)用價(jià)值都是不可估量的。由于語(yǔ)音與口型有明顯的映射關(guān)系,可以通過這種映射關(guān)系實(shí)現(xiàn)語(yǔ)音信號(hào)對(duì)虛擬人口型動(dòng)畫的驅(qū)動(dòng)。而語(yǔ)音與虛擬人的動(dòng)作之間則沒有直接的對(duì)應(yīng)關(guān)系,很難通過語(yǔ)音信號(hào)直接驅(qū)動(dòng)虛擬人動(dòng)作。雖然目前研究者們已經(jīng)提出了許多方法,實(shí)現(xiàn)了對(duì)虛擬人的驅(qū)動(dòng),但是方法的復(fù)雜度較高,有必要對(duì)其進(jìn)行進(jìn)一步改進(jìn)。針對(duì)上述問題,本文提出一種基于漢語(yǔ)語(yǔ)音識(shí)別的方法驅(qū)動(dòng)虛擬人,該方法通過語(yǔ)音識(shí)別,可以分別驅(qū)動(dòng)虛擬人的肢體動(dòng)作與面部動(dòng)畫。首先,建立語(yǔ)音識(shí)別模塊,將語(yǔ)音信號(hào)轉(zhuǎn)化為文本信息其次,將語(yǔ)音識(shí)別模塊加入到虛擬人聊天系統(tǒng)中,實(shí)現(xiàn)語(yǔ)音信號(hào)對(duì)虛擬人動(dòng)作的驅(qū)動(dòng)和聊天系統(tǒng)的控制接著將語(yǔ)音識(shí)別模塊加到三維人臉口型動(dòng)畫的系統(tǒng)中,實(shí)現(xiàn)語(yǔ)音信號(hào)對(duì)虛擬人口型動(dòng)畫以及表情細(xì)節(jié)的驅(qū)動(dòng),并通過TTS技術(shù),得到與輸入語(yǔ)音同步的三維人臉動(dòng)畫。本文使用微軟語(yǔ)音開發(fā)包,首先通過構(gòu)建語(yǔ)音識(shí)別類,從而建立語(yǔ)音識(shí)別模塊,完成語(yǔ)音信號(hào)到文本信息的轉(zhuǎn)換,接著將語(yǔ)音識(shí)別模塊分別添加到虛擬人聊天系統(tǒng)和三維虛擬人臉動(dòng)畫的系統(tǒng)中,實(shí)現(xiàn)了漢語(yǔ)語(yǔ)音信號(hào)對(duì)虛擬人動(dòng)作和面部動(dòng)畫的驅(qū)動(dòng)。最后,實(shí)驗(yàn)結(jié)果表明該方法簡(jiǎn)單實(shí)用,識(shí)別的準(zhǔn)確率也能被用戶所接受。
下載積分: 5 賞幣
上傳時(shí)間:2024-03-11
頁(yè)數(shù): 55
大?。?5.64(MB)
子文件數(shù):
-
簡(jiǎn)介:2001年TIMBERNERS首次提出了語(yǔ)義網(wǎng)的概念。但是隨著研究的深入,越來越多的研究者注意到了當(dāng)今網(wǎng)絡(luò)與語(yǔ)義網(wǎng)之間的差距,一方面是當(dāng)前的萬維網(wǎng)上存在的大量HTML文檔是為人類閱讀準(zhǔn)備的,而不是為了機(jī)器處理。網(wǎng)頁(yè)知識(shí)由自然語(yǔ)言結(jié)合HTML標(biāo)記表示,計(jì)算機(jī)無法利用這些知識(shí)的語(yǔ)義信息,無法滿足用戶的高級(jí)需求。另一方面,語(yǔ)義網(wǎng)要求網(wǎng)絡(luò)資源的語(yǔ)義知識(shí)被加到文檔中去,文檔是機(jī)器可以處理的。信息抽取、分詞、詞性標(biāo)注、句法分析等語(yǔ)義標(biāo)注技術(shù)都相對(duì)比較成熟,將語(yǔ)義標(biāo)注應(yīng)用于網(wǎng)絡(luò)資源越來越受人們的關(guān)注,逐漸成為語(yǔ)義網(wǎng)研究的重要組成部分。本體的本質(zhì)就是通過對(duì)領(lǐng)域內(nèi)概念和概念之間關(guān)系的嚴(yán)格定義來確定概念的精確含義,從而提供對(duì)該領(lǐng)域知識(shí)的共同理解,達(dá)到知識(shí)的共享和重用,使該領(lǐng)域內(nèi)的不同系統(tǒng)、模型間能夠進(jìn)行互操作。本體作為一種能在知識(shí)層面提供知識(shí)共享和重用的工具,為語(yǔ)義網(wǎng)提供了可共享、概念化的知識(shí)模型。網(wǎng)絡(luò)資源的語(yǔ)義標(biāo)注是語(yǔ)料庫(kù)的標(biāo)注思想和技術(shù)在網(wǎng)絡(luò)中的應(yīng)用。文章第一章主要介紹了網(wǎng)絡(luò)標(biāo)注提出的背景及在國(guó)內(nèi)外的研究現(xiàn)狀。第二章介紹了框架語(yǔ)義學(xué)、漢語(yǔ)框架網(wǎng)絡(luò)工程及基于漢語(yǔ)框架的領(lǐng)域本體的構(gòu)建。第三章重點(diǎn)介紹了網(wǎng)絡(luò)標(biāo)注的流程,及各流程的實(shí)現(xiàn)。并在通過介紹漢語(yǔ)框架網(wǎng)絡(luò)本體構(gòu)建和網(wǎng)絡(luò)標(biāo)注相關(guān)知識(shí)和背景,分析網(wǎng)絡(luò)標(biāo)注流程和流程的實(shí)現(xiàn)技術(shù)的基礎(chǔ)上,提出了基于漢語(yǔ)框架本體的網(wǎng)絡(luò)標(biāo)注模型。分別從本體管理、信息獲取、依存處理、角色標(biāo)注和結(jié)果存儲(chǔ)五個(gè)方面對(duì)網(wǎng)絡(luò)標(biāo)注進(jìn)行闡述。文章第四章,從文本匹配和最大熵兩個(gè)方面為例,對(duì)網(wǎng)絡(luò)標(biāo)注角色賦予的算法和實(shí)現(xiàn)進(jìn)行說明,并以“盜竊”框架中的詞元“偷”為例進(jìn)行了例證。
下載積分: 5 賞幣
上傳時(shí)間:2024-03-09
頁(yè)數(shù): 54
大?。?2.38(MB)
子文件數(shù):
-
簡(jiǎn)介:隨著現(xiàn)代計(jì)算機(jī)技術(shù)的發(fā)展,人與計(jì)算機(jī)之間的通信接口已經(jīng)不局限于鼠標(biāo)和鍵盤。越來越多的新通訊手段被引入到計(jì)算機(jī),技術(shù)的發(fā)展讓語(yǔ)音數(shù)字處理和語(yǔ)音識(shí)別技術(shù)進(jìn)展使語(yǔ)音逐漸成為一個(gè)有效的輸入。廣大人民夢(mèng)想出現(xiàn)能直接聽懂人的語(yǔ)言的機(jī)器,直接通過語(yǔ)音下指令,語(yǔ)音識(shí)別的技術(shù)指的是讓計(jì)算機(jī)通過對(duì)語(yǔ)音的處理和轉(zhuǎn)化,把人的語(yǔ)音溝通變成為相應(yīng)的指令或者是文字。語(yǔ)音識(shí)別技術(shù)相關(guān)領(lǐng)域的多學(xué)科研究,其中包括了聲學(xué),語(yǔ)言學(xué),數(shù)字信號(hào)處理,計(jì)算機(jī)科學(xué),人工神經(jīng)網(wǎng)絡(luò)在不同領(lǐng)域的研究等等為語(yǔ)音識(shí)別技術(shù)的發(fā)展作出了貢獻(xiàn)。語(yǔ)音信號(hào)自身的特點(diǎn)造成的困難,這些特點(diǎn)包括可變性,動(dòng)態(tài),瞬時(shí)性和連續(xù)性。計(jì)算機(jī)語(yǔ)音識(shí)別處理和語(yǔ)音識(shí)別過程中基本上是相同的。目前主流的語(yǔ)音識(shí)別技術(shù)是基于統(tǒng)計(jì)模式識(shí)別的基本理論。語(yǔ)音識(shí)別技術(shù)研究現(xiàn)在的困難是確定最優(yōu)化的識(shí)別結(jié)果,以及神經(jīng)網(wǎng)絡(luò)的參數(shù)訓(xùn)練。具有大量的神經(jīng)元的人工神經(jīng)網(wǎng)絡(luò)并行分布式計(jì)算的原則,高效率的學(xué)習(xí)算法以及能夠模仿人類的認(rèn)知系統(tǒng),所以它非常適合于解決類似的語(yǔ)音識(shí)別這種問題,對(duì)于底層和頂層均很試用。我們知道神經(jīng)網(wǎng)絡(luò)來源于對(duì)人腦功能的模擬,具有自組織性、自適應(yīng)性、和連續(xù)學(xué)習(xí)的能力。神經(jīng)網(wǎng)絡(luò)是可以訓(xùn)練的,也就是說可以通過不斷的經(jīng)驗(yàn)訓(xùn)練來積累和改進(jìn)。加上具有并行性的特質(zhì),神經(jīng)網(wǎng)絡(luò)具有魯棒性和快速判決的能力,適用于應(yīng)對(duì)算法不能明確描述的場(chǎng)景,但是具有不限量的學(xué)習(xí)樣本可以使用。本文研究了語(yǔ)音識(shí)別中孤立詞語(yǔ)音識(shí)別的方法和特點(diǎn),分別對(duì)語(yǔ)音信號(hào)特征參數(shù)LPCC和MFCC的提取進(jìn)行了分析,通過探討端點(diǎn)檢測(cè)對(duì)語(yǔ)音識(shí)別系統(tǒng)的影響,并結(jié)合提高語(yǔ)音識(shí)別系統(tǒng)穩(wěn)健性的方案,對(duì)傳統(tǒng)的端點(diǎn)檢測(cè)方法做了一定的改進(jìn),采用基于MFCC的距離測(cè)量法提高了語(yǔ)音識(shí)別系統(tǒng)端點(diǎn)檢測(cè)方法的準(zhǔn)確性?;谡Z(yǔ)音識(shí)別中的倒譜技術(shù),實(shí)現(xiàn)了語(yǔ)音識(shí)別中LPC、LPCC、MFCC等幾種特征參數(shù)的提取方法;分析了神經(jīng)網(wǎng)絡(luò)建模方法及其特點(diǎn)。另外還從隱馬爾可夫模型的幾個(gè)基本的步驟開始評(píng)估步驟、解碼步驟、訓(xùn)練步驟入手進(jìn)行討論了其作為如何使用語(yǔ)音識(shí)別應(yīng)用主要數(shù)學(xué)模型當(dāng)前的基本原理,并對(duì)這些技術(shù)在分析語(yǔ)音識(shí)別中如何應(yīng)用。最后在此理論基礎(chǔ)上,針對(duì)非特定人的漢語(yǔ)孤立詞識(shí)別問題,研究構(gòu)造了基于HMM和神經(jīng)網(wǎng)絡(luò)建模的語(yǔ)音識(shí)別算法。該算法的意義主要在于在以隱馬爾可夫模型HMM為基本語(yǔ)音模型的基礎(chǔ)上,引入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行二次識(shí)別,有效的利用了隱馬爾可夫模型的強(qiáng)時(shí)序信號(hào)處理能力和BP神經(jīng)網(wǎng)絡(luò)的強(qiáng)模式分類和泛化性能,改善了孤立詞識(shí)別系統(tǒng)的抗噪性能。以往的算法主要是用傳統(tǒng)的DTW或HMM方法,該算法則將神經(jīng)網(wǎng)絡(luò)應(yīng)用于該領(lǐng)域,將HMM模型和神經(jīng)網(wǎng)絡(luò)BP模型聯(lián)合起來應(yīng)用于語(yǔ)音識(shí)別當(dāng)中,提高了小詞匯量非特定人漢語(yǔ)語(yǔ)音的識(shí)別率,表明了混合網(wǎng)絡(luò)在語(yǔ)音識(shí)別中的優(yōu)勢(shì)。
下載積分: 5 賞幣
上傳時(shí)間:2024-03-09
頁(yè)數(shù): 62
大?。?4.77(MB)
子文件數(shù):
-
簡(jiǎn)介:語(yǔ)音識(shí)別技術(shù)經(jīng)過近半個(gè)世紀(jì)的發(fā)展已日趨成熟。然而由于漢語(yǔ)結(jié)構(gòu)復(fù)雜單音節(jié)為主同音字多方言多語(yǔ)法亦不規(guī)范等問題目前漢語(yǔ)語(yǔ)音識(shí)別還沒有達(dá)到理想的程度距漢語(yǔ)識(shí)別實(shí)用化還有很大的距離。本文就漢語(yǔ)孤立詞識(shí)別系統(tǒng)的基本原理與實(shí)現(xiàn)方法進(jìn)行了詳細(xì)的分析和闡述并對(duì)具體實(shí)際中的部分技術(shù)細(xì)節(jié)進(jìn)行了探討。本文首先介紹了語(yǔ)音識(shí)別的定義及其意義及國(guó)內(nèi)外發(fā)展?fàn)顩r并簡(jiǎn)要說明了語(yǔ)音識(shí)別的基本原理。其次根據(jù)語(yǔ)音識(shí)別系統(tǒng)的基本原理構(gòu)成模型介紹了預(yù)處理、端點(diǎn)檢測(cè)到模板生成及模板管理和模板匹配各部分所涉及到的語(yǔ)音數(shù)字信號(hào)處理、模式識(shí)別等方面的基本原理并討論了在PC機(jī)上實(shí)現(xiàn)語(yǔ)音識(shí)別系統(tǒng)的幾種途徑。接著本文介紹了使用VISUALC60根據(jù)DTW動(dòng)態(tài)時(shí)間彎折模型的語(yǔ)音識(shí)別訓(xùn)練和識(shí)別的基本方法在WINDOWS操作系統(tǒng)上實(shí)現(xiàn)的一個(gè)簡(jiǎn)單的非特定人、小詞匯量、孤立詞語(yǔ)音識(shí)別系統(tǒng)。系統(tǒng)的組成模塊與語(yǔ)音識(shí)別系統(tǒng)的基本構(gòu)成模型基本一致在訓(xùn)練過程中從語(yǔ)音庫(kù)中的波形文件中讀取采樣數(shù)據(jù)分幀計(jì)算出由12維線性預(yù)測(cè)系數(shù)和12維線性預(yù)測(cè)倒譜系數(shù)構(gòu)成的特征矢量并按照聚類的方法進(jìn)行訓(xùn)練得到后續(xù)語(yǔ)音識(shí)別時(shí)需要的模板存放于模板庫(kù)中。識(shí)別時(shí)計(jì)算出輸入語(yǔ)音的特征矢量參數(shù)依據(jù)模板匹配的方法與模板庫(kù)中的語(yǔ)音模板逐一進(jìn)行比較得出最佳的匹配模板或作出拒識(shí)判斷。最后對(duì)系統(tǒng)性能進(jìn)行了小結(jié)指出了該系統(tǒng)的改進(jìn)方向。最后本文對(duì)系統(tǒng)性能進(jìn)行了小結(jié)指出了該系統(tǒng)的改進(jìn)方向。通過對(duì)實(shí)際語(yǔ)音識(shí)別系統(tǒng)的測(cè)試和研究為進(jìn)一步開發(fā)實(shí)用性語(yǔ)音識(shí)別系統(tǒng)做了基礎(chǔ)性的探究工作。
下載積分: 5 賞幣
上傳時(shí)間:2024-03-09
頁(yè)數(shù): 45
大小: 0.54(MB)
子文件數(shù):
-
簡(jiǎn)介:分類號(hào)密級(jí)UDC學(xué)號(hào)406107511075南昌大學(xué)碩士研究生學(xué)位論文漢語(yǔ)孤立詞語(yǔ)音識(shí)別系統(tǒng)設(shè)計(jì)漢語(yǔ)孤立詞語(yǔ)音識(shí)別系統(tǒng)設(shè)計(jì)THEDESIGNOFISOLATEDCHINESEWDSPEECHRECOGNITIONSYSTEM熊中諒培養(yǎng)單位(院、系)信息工程學(xué)院自動(dòng)化系指導(dǎo)教師姓名、職稱彭杰教授指導(dǎo)教師姓名、職稱張肅宇教授申請(qǐng)學(xué)位的學(xué)科門類工學(xué)學(xué)科專業(yè)名稱控制理論與控制工程論文答辯日期2014年5月25日答辯委員會(huì)主席評(píng)閱人2014年月日摘要摘要隨著各式機(jī)器在生產(chǎn)和生活中發(fā)揮著重要作用,因此改善人與機(jī)器的關(guān)系就顯得尤為重要。語(yǔ)音識(shí)別作為一種具備良好體驗(yàn)的人機(jī)交互媒介,對(duì)其展開的研究具有重要的實(shí)際意義。文中介紹了語(yǔ)音識(shí)別理論和技術(shù)發(fā)展過程,對(duì)其主要方法作了較詳細(xì)的論述和分析,特別對(duì)近年來呈現(xiàn)出主流發(fā)展方向的隱馬爾科夫模型(HMM)方法作了較深入的討論,并在此基礎(chǔ)上提出了基于HMM的漢語(yǔ)孤立詞語(yǔ)音識(shí)別系統(tǒng)的設(shè)計(jì)方案。同時(shí),編程實(shí)現(xiàn)了一個(gè)小詞匯量非特定人孤立詞語(yǔ)音識(shí)別系統(tǒng)。論文主要完成以下的工作(1)介紹了語(yǔ)音識(shí)別系統(tǒng)中涉及的相關(guān)概念與方法,在端點(diǎn)檢測(cè)中引入了功率譜熵與短時(shí)平均幅度相結(jié)合的方法,采用MFCC作為特征參數(shù)并添加動(dòng)態(tài)差分參數(shù)形成一個(gè)39維的特征矢量。(2)詳細(xì)介紹了HMM的基本思想以及它在語(yǔ)音識(shí)別系統(tǒng)中的應(yīng)用,并給出其中涉及的主要算法公式詳細(xì)推導(dǎo)。在此基礎(chǔ)上,分別對(duì)HMM的兩個(gè)模型(DHMM和CHMM)的訓(xùn)練做出了詳細(xì)的描述,包括參數(shù)值的選擇與設(shè)定。并且對(duì)模型的訓(xùn)練作了一些改進(jìn),來減少訓(xùn)練時(shí)間。(3)采用C語(yǔ)言編寫了基于WIDOWS系統(tǒng)的非特定人孤立詞識(shí)別系統(tǒng)軟件,并建立了一個(gè)包括10個(gè)詞匯的語(yǔ)音文件與信息的語(yǔ)音數(shù)據(jù)庫(kù)。(4)對(duì)所設(shè)計(jì)的語(yǔ)音識(shí)別系統(tǒng)進(jìn)行了訓(xùn)練與測(cè)試,驗(yàn)證了本文所提出的非特定人孤立詞識(shí)別方法的有效性,明確了進(jìn)一步的改進(jìn)方向。關(guān)鍵詞關(guān)鍵詞語(yǔ)音識(shí)別;功率譜熵;MEL倒譜系數(shù);隱馬爾科夫模型
下載積分: 5 賞幣
上傳時(shí)間:2024-03-10
頁(yè)數(shù): 61
大小: 2.32(MB)
子文件數(shù):
-
簡(jiǎn)介:隨著電子書、電子報(bào)紙、電子郵件、辦公文件等文本電子出版物不斷涌現(xiàn)如何保證這些文本的正確性顯得越來越重要漢語(yǔ)文本自動(dòng)校對(duì)系統(tǒng)的研究己成為一項(xiàng)亟待解決的緊迫課題本文在對(duì)目前漢語(yǔ)文本校對(duì)技術(shù)的深入研究和分析的基礎(chǔ)上在漢語(yǔ)文本自動(dòng)校對(duì)領(lǐng)域進(jìn)行了初步的探討在文本校對(duì)理論研究和技術(shù)實(shí)現(xiàn)上進(jìn)行了有益的嘗試并提出了對(duì)漢語(yǔ)文本校對(duì)的改進(jìn)方法針對(duì)標(biāo)點(diǎn)符號(hào)錯(cuò)誤的校對(duì)本文提出了以標(biāo)點(diǎn)符號(hào)使用規(guī)則為驅(qū)動(dòng)針對(duì)常見的錯(cuò)誤類型在分詞和詞性標(biāo)注的基礎(chǔ)上結(jié)合上下文信息進(jìn)行查錯(cuò)的方法并根據(jù)規(guī)則產(chǎn)生糾錯(cuò)建議實(shí)驗(yàn)結(jié)果顯示本文提出的這種算法可以解決大部分的標(biāo)點(diǎn)符號(hào)錯(cuò)誤并能給出正確的糾錯(cuò)建議對(duì)于漢語(yǔ)文本查錯(cuò)部分本文在歸納總結(jié)錯(cuò)誤類型的基礎(chǔ)上對(duì)早期的查錯(cuò)方法進(jìn)行了改進(jìn)利用漢語(yǔ)文字錯(cuò)誤數(shù)據(jù)稀疏性的特點(diǎn)采用一種在大規(guī)模現(xiàn)代漢語(yǔ)語(yǔ)料庫(kù)的支持下基于疑錯(cuò)窗口進(jìn)行查錯(cuò)的方法這樣有針對(duì)性地查錯(cuò)避免了大量計(jì)算降低了算法的復(fù)雜度并提高了召回率對(duì)于漢語(yǔ)文本糾錯(cuò)部分本文充分利用漢語(yǔ)文本錯(cuò)誤的特點(diǎn)對(duì)早期的糾錯(cuò)建議產(chǎn)生算法進(jìn)行了改進(jìn)和擴(kuò)展本文通過構(gòu)造字詞混淆集、易混淆詞典對(duì)易混淆詞、別字以及多字替換等錯(cuò)誤產(chǎn)生糾錯(cuò)建議通過將教研室已有的詞典重構(gòu)成按字驅(qū)動(dòng)的詞典來對(duì)漏字、多字、易位等錯(cuò)誤產(chǎn)生糾錯(cuò)建議實(shí)驗(yàn)結(jié)果證明該算法是一個(gè)行之有效的方法最后本文提出了這些算法在實(shí)驗(yàn)系統(tǒng)中的一些不足之處以及下一步的工作方向
下載積分: 5 賞幣
上傳時(shí)間:2024-03-09
頁(yè)數(shù): 90
大小: 2.52(MB)
子文件數(shù):
-
下載積分: 5 賞幣
上傳時(shí)間:2024-03-09
頁(yè)數(shù): 51
大小: 2.21(MB)
子文件數(shù):