让自己成为一个不可多得的人

在一个单位工作,弄不好就有可能使自己成为一个多余的人。如果成了多余的人,那就离下岗失业不远了。因此,我们无论在何单位,做何工作,都要努力使自己成为一个不可多得的人。     

一种基于支持向量机的数字音频认证方法

提出一种基于数字水印技术的音频内容认证方法.选取稳定的梅尔倒谱特征构造特征向量,利用支持向量机自适应地选取合适的帧进行水印的嵌入和提取.结果表明,算法在保证嵌入水印的不可感知性的同时,能够有效地区分恶意的内容篡改和非恶意的常规信号处理操作,准确地定位篡改发生的位置.     

为一夫多妻辩护

正赤几的文化部长,作家吉列米娜·梅库依通过小说《三心一意》证明了在一夫多妻的家庭里爱情不但是可能的,甚至可以是完美动人的。民国时期的新女性,林语堂笔下的完美女人木兰多次想替丈夫纳妾,认为,若是有一个"副妻子",就如同总统之职之外有个副总统,这个总统的职位就听起来越好听,也越发值得去做了。这还不算最想为丈夫纳妾的,《浮生六记》里的芸娘曾遇一貌美的歌妓,简直发起痴了,竟暗中替丈夫撮合,欲     

见面礼节忆趣 外交场合“礼多人不怪”

正各国社会制度不同,风俗习惯差别很大,语言各异,因而人们在交往中的称呼差别很大。必须善于正确把握,恰当表述,文明称呼。在我多年的礼宾实践中,看到诸多外交见面礼节。当然握手是最为常见的一种了,不足为奇。但每个国家都有自己的见面礼节。点头、握手、吻手、亲脸、脱帽、戴帽、鞠躬等礼节,各国传统、文化习俗不同,礼节有异。不同的宗教也有各自习惯的见面礼。在中国的外交史上毛泽东主席行吻手礼、邓小平戴牛仔帽、江泽民行碰鼻礼三件事在我的脑海中     

面向多场景的环境异常声音识别

随着人工智能和大数据的发展,各种场景中对异常声音识别的需求日益增长,基于人工智能的声音识别技术正在兴起并被高度重视。现行主流的异常声音识别算法多为浅层机器学习模型结构,对异常声音的识别率较低,且识别的声音类型单一。为了有效识别异常声音,提出一种基于梅尔频率倒谱系数(Mel-frequency cepstral coefficient, MFCC)和卷积神经网络(convolution neural network, CNN)的环境声音识别算法,对各类异常声音进行采集和有效识别,并及时反馈声音状态,为各类声识别应用场景提供精细化管理技术手段。结果表明：提出的算法对5类场景下环境异常声音的识别率得到极大提高,适用于更广泛的声学场景,具有明显的优势。     

基于梅尔频率倒谱系数和支持向量机的汽车鸣喇叭声识别

使用违法鸣笛辅助执法设备监测城市交通中汽车鸣喇叭事件的发生,可以有效地治理扰民的喇叭噪声,汽车鸣喇叭声的识别方法是其关键.为了准确高效地在交通噪声里识别出汽车鸣喇叭声,采用支持向量机(support vector machine,SVM)作为喇叭声和交通噪声的二分类器,针对汽车喇叭声的谐波特征分布特点,提取其梅尔频率倒谱系数(Mel frequency cepstrum coefficient,MFCC)作为特征向量,并分析MFCC的梅尔滤波器个数及特征维数对识别效果的影响.实验结果表明,通过增加MFCC特征中梅尔滤波器个数及特征维数可以改善识别效果,信噪比越低越明显.     

基于改进的长短期神经网络的贵州方言辨识系统的设计与实现

汉语方言的辨识能为案件侦破提供重要的线索,为了对贵州方言进行辨识,本文设计并实现了贵州方言辨识系统,该系统采用Client/Server与Browser/Server相结合的架构,其用户端采用Matlab实现并具有改进的长短期记忆神经网络算法,主要用于方言的辨识和方言语音样本的采集。方言样本采集于贵州省6个地区,首先提取语音样本与口头禅的梅尔频率倒谱系数MFCC,然后每份语音样本MFCC后面加上相应地区的口头禅MFCC,最后通过奇异值分解得到该系统的输入数据。该系统的网站主要用于训练数据的储存与修改,采用ASP.NET技术并利用C#、JavaScript和T-SQL等编程语言实现。实验结果证明贵州方言辨识系统是高效的,让用户获得极大的方便和客观统一的方言辨识结果。     

开放的写实——记俄罗斯现实主义新生代画家戈留塔

尤里.戈留塔是俄罗斯当代著名现实主义画家,他以肖像画创作为主,注重人物内心的刻画。戈留塔通过对西方艺术前辈以及中国艺术传统的研习,特别是通过学习20世纪俄罗斯最著名的现实主义绘画大师梅尔尼科夫、罗马尼亚画家巴巴等卓越艺术家的丰硕成果,形成了独具个人特色的艺术面貌,从而深化了俄罗斯现实主义艺术的内涵并拓宽了其发展的道路。     

基于MFCC与CHMM的方向指令语音识别

随着科学技术尤其是计算机技术的不断发展,语音识别被广泛应用到各个领域.针对方向指令的语音,使用梅尔倒谱系数(Mel-Frequency Cepstrum Coefficient,MFCC)作为特征参数,连续马尔科夫模型(Continuous Hidden Markov Model,CHMM)作为识别模型,对语音信号进行识别处理.实验结果显示,此方法在方向指令语音识别中取得了良好的结果,有较高的识别准确率.     

数据挖掘技术在语音识别中的应用

通过数据挖掘技术实现对语音来源的识别,从而完成对说话人身份的认证以及操作权限的分配,具有非常重要的理论和实际意义。主要针对相同和不同语音内容两个类别的说话人语音识别进行了研究。通过在说话人识别领域广泛应用的梅尔频率倒谱系数进行语音的特征提取,并结合动态时间规整算法进行模式匹配分类。特别地,在不同的语音内容识别探究中,在采用动态时间规整算法前,结合了K-means++算法以及主成分分析算法来对梅尔频率倒谱系数矩阵进行降维和聚类,以保证待匹配模板的维度相近或相同。结果表明,在相同语音内容的识别过程中,选择合适的阈值可以获得较好的识别效果。