动态阈值谱法语音增强

根据人耳能从噪声中提取有用信息的听觉特征，并结合语音信号的基本特征，提出并研究了一个适合于语音增强的听党内模型；实验结果表明，这个方法不仅在提高语音信噪比方面，而且在减小语音失真度方面均有较好的改善。     

汉字改革与汉字编码

汉字是记录汉语语音的书写符号，它笔画繁多，结构复杂，数量庞大，学习和书写十分艰难。因而，近百年来我国的字改革运动非常活跃，解放后，国家更把汉字改革列为社会主义化建设的重大项目之一。但人们对汉字改革的认识历来没有统一过，不少人曾极力主张汉字必须是拉音方向；有的人反对汉字改革，更反对汉字拼音化，提出了种种理由。电脑技术成功地用于处理中信息，给反对汉字改革论提供了有力的根据。汉字编码的研制突破了电脑输入汉字的难关，我国目前上机使用的汉字编码软件已有百余种，其中以“五笔字型”码影响最大。本认为汉字编码中的一种，可望被认可成为老幼皆宜用于电脑写作的“第二字”。人们还看到古老汉字的辉煌前景，信息时代的发展趋势表明，未来国际信息高速公路需要一种作为中介语的世界字，那就是类似汉字性质的图形字。     

线谱对矢量量化方法的改进

介绍了8kb／sCS-ACELP语音编码算法中线谱对参数的基本原理，对线谱对参数作了详细的说明，并给出了由LPC系数到线谱对参数的转变过程。对算法中线谱对量化方法做了分析，提出了改进方法。通过仿真试验，证明了新的量化方法有一定的有效性。     

浅谈提高英语口语能力的途径

中国人在练习英语口语时往往认为:所掌握的英语词汇不多,语音又不好,说不好英语会让人笑话。因此,出现了越不敢说越说不好,越不说就越不会说的恶性循环。我们认为,要练好英语口语,首先要有明确的学习目的,然后要对英语学习百分之百地感兴趣。在练习中克服害羞心理,学会用身体语言和目光交流帮助语言交流,不断地增加词汇量,改进语音语调。经过不懈努力,练习练习再练习,就一定能提高自己的英语口语能力。     

DSP在移动通信语音判选中的应用

利用数字信号处理器(DSP)能快速进行信号的时-频域分析的特点，提出了一种用DSP完成语音判选功能的方案，它具有及时、准确、动态地完成最优语音的判选的特点，为保证通讯网以最小的接入时间实施最优的语音服务奠定了基础。     

基于峰态的盲信号分离

就一种基于信号峰态(kurtosis)极值化的盲信号分离方法进行了探讨．首先介绍算法理论，然后提出了一种简化快速的最速下降算法，解决了收敛指向性的问题，并将对混合语音信号的分离扩展到混合图像信号的分离．实验结果表明，同其他基于峰态的盲分离算法相比，其分离效果好，而且在收敛速度、运算复杂度方面有显著的优势．     

语音DCT变换的一种小波编码方法

语音信号离散余弦变换的小波变换编码方法是根据DCT变换和小波变换特点，并结合语音信号的特征而提出的一种高效简便的语音编码方法，在编码中，对不同层次小波系数分配不同的量化位，可灵活、方便地控制重构话音的质量，以汉语语音音节为例的实验表明，在16kbps的编码数据率时，重构(或再生)的话音质量与原始话音质量基本相同。     

基于Att-BiGRU-CRF模型的中文文本情感分析

基于注意力机制(attention)的神经网络模型在自然语言处理的情感分析任务中至关重要.针对目前情感分析任务中现有神经网络模型耗时长、准确率低、特征提取不充分等问题,本文提出了基于注意力机制结合条件随机场(conditional random field,CRF)和双向门控循环神经网络(bidirectional g...     

基于XLNet的中文文本情感分析

针对Word2vec等静态词向量模型不能解决一词多义、传统情感分析模型不能同时提取文本的全局和局部信息问题,本文提出了结合广义自回归预训练语言模型(XLNet)的文本情感分析模型。首先利用XLNet表示文本特征,然后利用卷积神经网络提取文本向量的局部特征,再利用双向门控循环单元提取文本的更深层次上下文信息,最后引入注意力机制,根据特征的重要性赋予特征不同的权重,并进行文本情感极性分析。仿真实验中将本文模型与5种常用的情感分析模型进行对比,验证了模型的准确率和优越性。     

一种基于词嵌入模型和卷积神经网络的简化文本分类方法

自然语言处理（Natural Language Processing,NLP）可分为自然语言理解（Natural Language Understanding,NLU）和自然语言生成（Natural Language Generation,NLG）两大类子任务。预训练语言模型和神经语言模型在自然语言理解的整个流程中占据重要地位。本文梳理了文本预训练语言模型的发展流程,并分析当下主流的预训练语言模型以及深度学习模型的不足,基于经典预训练语言模型（Word2Vec）和卷积神经网络分类模型（CNN）,提出一种简化的文本分类模型（Simplified CNN）,在多个情感分析（Sentiment Analysis,SA）基准数据集上进行实验测试,实验结果表明,在文本分类任务上,简单网络可以得到与复杂网络相媲美的分类效果并且运行时间优于复杂网络,与传统的分类模型相比较,在分类效果上表现出了优势。