国外几种主要物理学分类法简介

本文简要地介绍了《国际物理学分类表》、英国《物理文摘》及美国《近期物理学索引》分类法的体系结构和标记，以便于读者检索。     

《物理学与天文学分类法》简介

《物理学与天文学分类法》(简称PACS)1993年版是美国物理学会和国际科技信息理事会的一些成员一道对1991年的《物理与天文学分类法》进行修订的基础上再版的。该分类法是国际上物理学和天文学的一部重要的分类法。它是美国著名的检索刊物《近期物理学索引》所采用的分类法。现在,几乎所有的美国物理学会及各成员组织的期刊均用此分类法。我国的科学研究人员向美国的这些科技期刊投稿,均被要求将自己的论文用PACS分类,才可能被接受。为此,本文将PACS韵体系结构做一简要介绍。 PACS是在国际物理学分类法的基础上编制出来     

利用BP神经网络光谱分类法研究肉品新鲜度

利用自行设计的一种光纤探头式生物表面光谱测试系统 ,对肉品进行测量。建立用于肉品新鲜度的自动分类和识别的 BP神经网络 ,准确率达到 93.3%。试验表明 ,利用光谱分析法测量肉品的新鲜度快捷、准确 ,可用于实际肉品检测     

基于卷积神经网络的混合颗粒分类法研究

针对混合颗粒的分类问题,传统算法多利用颗粒的二值化图像提取其特征,并通过精细的特征设计结合BP神经网络、支持向量机(SVM)等分类器进行分类,但颗粒粘连以及不精确的特征设计都会严重影响分类的准确率。利用卷积神经网络提取颗粒的特征,通过区域建议网络(RPN)搜索颗粒的位置,同时建立分类器,并结合全卷积网络实现像素级的颗粒分割。对由球形、长条形及非规则形颗粒组成的混合流动颗粒体系进行实验研究,结果表明:利用人工特征设计的SVM法可以达到87%的分类精确率和召回率,而基于卷积神经网络的方法则可以达到97%的分类精确率和93%的召回率,并且对于非规则颗粒的数目中位径,该方法不仅可以将分析误差降低11%以上,还避免了传统方法需要精确设计人工特征等的不足,更易形成一个端对端的混合颗粒分类体系,为流动混合颗粒的图像在线分析提供了更加有效的思路。     

汉语标准频谱

言语平均频谱是言语信号的主要物理特性之一.它对于计算言语可懂度和设计言语传递系统是必不可少的参数.本文讨论根据测量数据通过近似、修匀以后计算得出汉语标准频谱.言语标准频谱与实际测得的言语平均频谱相差不大,但其形状简单,便于应用,甚至可用简单的解析式来代表,从而大大便利于各种工程设计.总观汉语平均频谱,可以看出,男声在250赫和500赫、女声在300赫和600赫左右有两个谱级最大的区域.在这两个区域之间,有一略为下降的小谷.这两个峰与基频和第一共振峰有关(有些音的第一共振峰与基频相距甚近).男声在500赫以上、女声在800赫以上开始下跌,平均斜率为12分贝/倍频程.但由于第二、第三共振峰的影响,使得曲线在1600到3000赫之间又略有起伏.     

药用植物化学分类法与红外指纹图谱的相关性研究

本文首次采用傅里叶变换红外光谱法(FTIR)对五加科、桔梗科、木兰科、樟科、豆科、蕨类等科目中的典型药用植物进行了系统研究,比较了各科内植物的异同,并且讨论了相同植物不同药用部位、不同采药时间对其红外谱图的影响。结合药典中关于药物主体有效成分的记载,分析了各药用植物谱图中主要成分的特征基团,对主要吸收峰进行了指认。在传统形态比较分类方法的基础上,FTIR可以成为一种快速、可靠、客观、有效的化学分类学的补充方法。     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

SOLO分类法在物理教学形成性评价中的应用

论证了将SOLO分类法应用于物理教学形成性评价的必要性与可行性,提出应用SOLO分类理论指导物理教学形成性评价单元试题编制的方法并给出了实例,构建了考查学生认知反应层次的试题评价标准,为教师评价学生的认知反应水平提供了可操作的方案.     

连呼汉语识别研究

本文介绍一种连呼汉语识别方法,方案中,提出一种自适应幅度规正(AAN)算法处理输入语音特征频谱,并引入声刺激量参数对其作时域非线性压缩规正。以单呼样本作参考样本。构造出一种快速动态时间弯折(FDTW)匹配过程。最后,设计出一种基于FDTW算法的二分叉树搜索决策方案进行连呼汉语识别。对十个汉语数字组成的2—5字随机序列按两种发音方式的实验给出的平均字串及字音识别率分别为:按汉语普通话发音96.8%及98.8%;按电报呼号发音97.6%及99.0%。     

汉语多功能语音合成器

本文介绍了一种实用的汉语语音合成系统，本系统采用线性预测方法对语音信号进行分析与合成，并对码本进行矢量量化，码率压缩到1200bit／s，大幅度降低了语音的存储能量，合成出的语音仍具有较高的清晰度．这种以数字信号处理专用芯片TMS320C10为处理器的便携式语音合成器，合成语音数量大，成本低，功耗较小，既可联机使用，也可用电池供电，自成系统．实际应用证明，汉语多功能语音合成器实用性强，用途广泛，适于推广．     

汉语普通话语音数据库

中国科学院声学研究所建立了一个汉语普通话语音数据库,这个语音数据库由声母、韵母、1282个单音节、几百个双音词和三音词、语音试验句、短文及数字0—9等构成。该语音数据库的发音人有六位(三男三女),他们是广播学院的教师和职业播音员,讲标准的汉语普通话。语音材料录制在高质量的磁带上,其中有一部分已数字化。已有许多汉语语音研究部门使用该语音数据库。     

一种基于主分量分析的恒星光谱快速分类法

恒星光谱分类是天体光谱自动识别中的重要组成部分。本文主要介绍一种实用的基于主分量分析(PCA)法对恒星光谱进行快速自动的分类方法。该方法在恒星的主分量空间中对样本点进行投影 ,并利用最近邻分类器进行分类 ,获得与恒星MK分类标准的光谱型基本一致的结果。本文的主要工作有 :(1 )利用PCA方法构造恒星光谱的特征矩阵 ,建构恒星的主分量空间 ;(2 )对恒星光谱进行主分量投影 ,对投影点进行光谱型和光度级的分类器设计 ,利用最近邻法分类 ,最后得出恒星的分类树。该分类法速度快 ,分类准确率较高 ,对目前许多大型光谱巡天计划所获得的大量光谱数据的处理有着重要的意义。     

基于近红外的Fisher分类法识别茶叶原料品种的研究

提出一种可对成品茶的原料品种进行准确识别的方法.在实验中对不同原料品种(龙井43#与其他品种)制成的茶叶样本进行近红外光谱的采集,通过主成分分析(principal component analysis,PCA)后获得了20个主成分,利用逐步回归法筛选出8个主成分作为自变量,建立茶叶原料品种的Fisher识别甬数对成品茶的原料品种进行识别分析.实验结果表明建立的识别函数能很好地对茶叶的原料品种进行准确识别,在定标集中的识别准确率达到了96.8%,并且利用外部样本进行验证的识别准确率也达到了93.5%.本实验证实了利用PCA和Fisher识别组合分析识别成品茶原料品种的可行性.     

汉语人机语音通信基础

<正>张家騄著,(上海科学技术出版社,2010,4)言语科学和言语技术是多学科交叉、范围广阔的学术领域。在电子技术和计算机技术的支持和推动下,语言机器的研究和应用得到了迅速和极大的发展。特别是在某些应用领域里,语言机器得到了普及和推广。汉语作为目前全球使用人数最多的语言,其人机交往的研究和应用同样也取得了迅速和极大的发展,和颇有成果,并将有非常广泛的应用前景。     

汉语儿童情感语声合成

情感语声合成技术对于人机交互具有重要的意义。面对儿童情感语声合成所需汉语语声数据资源缺乏以及模型训练时长较长等问题,该文提出利用迁移学习实现汉语儿童情感语声合成的方法。首先基于汉语语声数据库训练深度学习模型实现中文语声端到端合成模型,再使用高质量大样本的中文情感语料库完成情感语声合成模型,最后利用自行采样的小样本汉语儿童情感语料对模型进行迁移学习实现低资源的语声合成。客观实验结果中梅尔倒谱失真指标为4.91,主观听辨实验指标分别为3.61和4.17。通过实验对比表明,该文的方法在情感语声合成技术的应用上具有良好的性能表现,并且优于现有先进的低资源情感语声合成方法。     

汉语语音的动态频谱

利用为电话传输质量评价而设计的试验句,对汉语语音的动态特性进行了分析研究。发音人男女各六人,每个人分别在消声室中发音。试验条件包括:(1)五种不同的发话声级(距发音人唇部1m远,声级为55、60、65、70和75dB),(2)两种不同的说话速度(正常的和加快的)。试验结果表明:(1)语言的长时平均频谱随着总声级而改变,特别是低频和中频部分;(2)元音的基频F_O和共振峰,特别是F_1、F_2,随总声级的提高而提高,在相同坐标下所绘元音三角图平移并加大;(3)说话速度加快,元音三角图缩小,元音有央化的倾向;(4)总声级加大,元音-辅音(能量)比提高,但与辅音的发音方式有密切关系。     

汉语普通话双基频检测

鉴于传统方法在语音双基频检测方面的局限性,本文提出了汉语双基频检测(DDPM)的方法。该方法利用混合汉语语音在短时帧之内的准周期性,经搜索得到每一帧内的双基频候选点,再根据正常情况下人的发音在相邻帧内基频不产生突变的特点,实现了双基频检测。应用此方法,在纯净与加噪的情形下,对汉语四种声调单音节的各种组合分别进行了检测实验,检测效果十分理想。新方法也可以直接应用到连续语音双基频的检测。