用CART模型指导TBL算法预测语调短语

语调短语的自动预测是影响合成语音的可懂度和自然度的关键因素之一。该文提出了一种结合分类与回归树(classification and regression tree,CART)和基于转换的错误驱动的学习(transformation-based error-driven learning,TBL)算法的混合算法,从无限制的文本中预测语调短语边界。该方法根据CART模型的指导,自动生成TBL算法的规则模板,从而减少了规则学习过程中的人工参与。实验结果表明:基于该混合算法的语调短语预测的F-score达70.0%。自动生成的TBL模板不仅能较好地替代手工模板,而且在与手工模板一起使用时,也能为其提供有益的补充。     

基于多站扫描的点云特征参数与材积结构动态分析

【目的】采用地面激光雷达(TLS)进行多站点扫描获取立木的点云信息,提取有关点云分布的特征参数,拓展立木测树因子,建立基于特征参数的材积模型。【方法】以马褂木(Liriodendron chinense)人工林为研究对象,利用点云数据提供的立木上部直径(d)、树高(H)等因子对两期(2014、2017年)林分结构变化进行分析;设计并提取基于TLS点云的特征参数高度累计百分比,同时提取了其他与高度相关的特征参数作为一组变量;将提取的立木胸径(DBH)与特征参数作为另一组变量;最后分析特征参数、胸径与材积的相关性,通过逐步回归法分别建立基于两组变量的材积模型,并分析两期材积的动态变化。【结果】选用特征参数H₂₅与H_{t, var}(点云高度方差)拟合两期材积模型,其决定系数R²分别为0.771 1、0.742 6;利用特征参数H₂₅与胸径拟合,模型预测精度有明显的提升。以上两组材积模型预测各径阶材积变化,其模型值与实测值无显著差异,R²均高于0.9。【结论】研究提取的高度累计百分比与立木测树因子紧密相关,可以很好地反演林木的动态结构。研究建立的材积模型均有较高的精度,可用于林木材积动态变化监测,为地面激光扫描点云参与森林资源动态监测提供理论参考。     

语调短语预测中长度约束模型的对比研究

从文本中准确地预测语调短语是提高合成语音自然度的关键之一。已有的语调短语预测方法多从词法或浅层句法信息入手,然而自然语流中语调短语的划分不仅与语法结构相关,也受其长度分布规律的约束。该文详细地比较了基于规则和基于概率、嵌入式和后接式、全局最优和局部最优等多种语调短语长度约束模型。实验结果表明:口语中语调短语的规划是一种短时的局部规划,并且对短语长度独立建模的效果优于将短语长度信息直接加入统计分类模型的特征集。