发布时间：
一、一般格式和顺序1.封面：（由文印中心统一制作）2．中文摘要：中文摘要，约300字以内。内容应包括工作目的、研究方法、成果和结论，要突出本论文的创造性成果，语言力求精炼。为了便于文献检索，应在本页下方另起一行注明论文的关键词（3-5个）。3.英文摘要：中文摘要后为英文摘要。内容与中文摘要同。4.目录：其内容从第一章开始。5.引言（第一章）6.正文7.结论（最后一章）：应明确、精炼、完整、准确，使人只要一看结论就能全面了解论文的意义、目的和工作内容。8.致谢：致谢对象限于在学术方面对论文的完成有较重要帮助的团体和人士。（限200字）9.参考文献：只列作者直接阅读过、在正文中被引用过、正式发表的文献资料。参考文献不得放在各章之后。10.附录11.文献翻译：放置顺序为先译文，后原文。汉语原文字数不少于1000字，英文原文字数不少于1500字。 二、论文的书写1.层次和标题（1）层次要清楚：标题要重点突出，简明扼要。（2）层次代号的格式如下：第一章 ××××（居中书写）1.1 ××××1.1.1 ××××2.页眉和页码页眉：（1）对中文摘要、英文摘要、目录等前置部分，页眉全用各部分内容的标题；（2）从第一章开始，奇数页页眉用“本章标题”，偶数页页眉用“电子科技大学本科生学位论文”（3）页眉字体采用宋体五号字居中书写，页眉线为单横线。页码：（1）中文摘要、英文摘要、目录等前置部分用罗马数字连续编排；（2）从引言（第一章）开始按阿拉伯数字连续编排；（3）页码位于页面底端，居中书写。3.有关参考文献英文部分严格按照字母顺序排序中文部分,置于英文部分之后，严格按照拼音字母顺序排列三、论文的印刷要求1.封面：由文印中心统一制做。2.论文字体、字型及字号要求（1）大标题 Times New Roman加粗小三 （2）一级节标题 Times New Roman加粗四号 （3）二级节标题 Times New Roman加粗四号 （4）三级节标题 Times New Roman加粗小四 （5）正 文 Times New Roman 5号 （6）参考文献及篇眉 Times New Roman 5号(中文用宋体五号) 3.段落及行间距要求（1）正文段落和标题均取1.5倍的行间距。（2）按照标题的不同，分别采用不同的段前段后间距： 标题级别 段前段后间距 大标题 30磅 一级节标题 18磅 二级节标题 12磅 三级节标题 6磅（3）参考文献行间距取1.5倍。注意不要在一篇文献段落中间换页。4.用纸及打印规格（要求双面印刷，除中英文扉页须单面印制外）纸张规格（mm） 页边距(mm) 页眉距边界(mm) 页脚距边界(mm) 左、右 上、下 A4(210×297) 30 35 27.5 27.5
与机器进行语音交流，让机器明白你说什么，这是人们长期以来梦寐以求的事情。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科。近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。 任务分类和应用 根据识别的对象不同，语音识别任务大体可分为3类，即孤立词识别（isolated word recognition)，关键词识别（或称关键词检出，keyword spotting)和连续语音识别。其中，孤立词识别 的任务是识别事先已知的孤立的词，如“开机”、“关机”等；连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话；连续语音流中的关键词检测针对的是连续语音，但它并不识别全部文字，而只是检测已知的若干关键词在何处出现，如在一段话中检测“计算机”、“世界”这两个词。根据针对的发音人，可以把语音识别技术分为特定人语音识别和非特定人语音识别，前者只能识别一个或几个人的语音，而后者则可以被任何人使用。显然，非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。另外，根据语音设备和通道，可以分为桌面（PC）语音识别、电话语音识别和嵌入式设备（手机、PDA等）语音识别。不同的采集通道会使人的发音的声学特性发生变形，因此需要构造各自的识别系统。语音识别的应用领域非常广泛，常见的应用系统有：语音输入系统，相对于键盘输入方法，它更符合人的日常习惯，也更自然、更高效；语音控制系统，即用语音来控制设备的运行，相对于手动控制来说更加快捷、方便，可以用在诸如工业控制、语音拨号系统、智能家电、声控智能玩具等许多领域；智能对话查询系统，根据客户的语音进行操作，为用户提供自然、友好的数据库检索服务，例如家庭服务、宾馆服务、旅行社服务系统、订票系统、医疗服务、银行服务、股票查询服务等等。 前端前端处理是指在特征提取之前，先对原始语音进行处理，部分消除噪声和不同说话人带来的影响，使处理后的信号更能反映语音的本质特征。最常用的前端处理有端点检测和语音增强。端点检测是指在语音信号中将语音和非语音信号时段区分开来，准确地确定出语音信号的起始点。经过端点检测后，后续处理就可以只对语音信号进行，这对提高模型的精确度和识别正确率有重要作用。语音增强的主要任务就是消除环境噪声对语音的影响。目前通用的方法是采用维纳滤波，该方法在噪声较大的情况下效果好于其它滤波器。处理声学特征 声学特征的提取与选择是语音识别的一个重要环节。声学特征的提取既是一个信息大幅度压缩的过程，也是一个信号解卷过程，目的是使模式划分器能更好地划分。由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，也即进行短时分析。这一段被认为是平稳的分析区间称之为帧，帧与帧之间的偏移通常取帧长的1/2或1/3。通常要对信号进行预加重以提升高频，对信号加窗以避免短时语音段边缘的影响。常用的一些声学特征* 线性预测系数LPC：线性预测分析从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n 时刻的信号可以用前若干时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小LMS，即可得到线性预测系数LPC。对 LPC的计算方法有自相关法（德宾Durbin法）、协方差法、格型法等等。计算上的快速有效保证了这一声学特征的广泛使用。与LPC这种预测参数模型类似的声学特征还有线谱对LSP、反射系数等等。* 倒谱系数CEP：利用同态处理方法，对语音信号求离散傅立叶变换DFT后取对数，再求反变换iDFT就可得到倒谱系数。对LPC倒谱（LPCCEP），在获得滤波器的线性预测系数后，可以用一个递推公式计算得出。实验表明，使用倒谱可以提高特征参数的稳定性。* Mel倒谱系数MFCC和感知线性预测PLP：不同于LPC等通过对人的发声机理的研究而得到的声学特征，Mel倒谱系数MFCC和感知线性预测 PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。PLP仍用德宾法去计算LPC参数，但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。声学模型语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。本节和下一节分别介绍声学模型和语言模型方面的技术。HMM声学建模：马尔可夫模型的概念是一个离散时域有限状态自动机，隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值只与当前状态（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、Viterbi算法和前向后向算法。语音识别中使用HMM通常是用从左向右单向、带自环、带跨越的拓扑结构来对识别基元建模，一个音素就是一个三至五状态的HMM，一个词就是构成词的多个音素的HMM串行起来构成的HMM，而连续语音识别的整个模型就是词和静音组合起来的HMM。上下文相关建模：协同发音，指的是一个音受前后相邻音的影响而发生变化，从发声机理上看就是人的发声器官在一个音转向另一个音时其特性只能渐变，从而使得后一个音的频谱与其他条件下的频谱产生差异。上下文相关建模方法在建模时考虑了这一影响，从而使模型能更准确地描述语音，只考虑前一音的影响的称为Bi- Phone，考虑前一音和后一音的影响的称为Tri-Phone。英语的上下文相关建模通常以音素为基元，由于有些音素对其后音素的影响是相似的，因而可以通过音素解码状态的聚类进行模型参数的共享。聚类的结果称为senone。决策树用来实现高效的triphone对senone的对应，通过回答一系列前后音所属类别（元/辅音、清/浊音等等）的问题，最终确定其HMM状态应使用哪个senone。分类回归树CART模型用以进行词到音素的发音标注。 语言模型语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。语言模型的性能通常用交叉熵和复杂度（Perplexity）来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。 搜索连续语音识别中的搜索，就是寻找一个词模型序列以描述输入语音信号，从而得到词解码序列。搜索所依据的是对公式中的声学模型打分和语言模型打分。在实际使用中，往往要依据经验给语言模型加上一个高权重，并设置一个长词惩罚分数。Viterbi：基于动态规划的Viterbi算法在每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，并在每个节点记录下相应的状态信息以便最后反向获取词解码序列。Viterbi算法在不丧失最优解的条件下，同时解决了连续语音识别中HMM模型状态序列与声学观察序列的非线性时间对准、词边界检测和词的识别，从而使这一算法成为语音识别搜索的基本策略。由于语音识别对当前时间点之后的情况无法预测，基于目标函数的启发式剪枝难以应用。由于Viterbi算法的时齐特性，同一时刻的各条路径对应于同样的观察序列，因而具有可比性，束Beam搜索在每一时刻只保留概率最大的前若干条路径，大幅度的剪枝提高了搜索的效率。这一时齐Viterbi- Beam算法是当前语音识别搜索中最有效的算法。 N-best搜索和多遍搜索：为在搜索中利用各种知识源，通常要进行多遍搜索，第一遍使用代价低的知识源，产生一个候选列表或词候选网格，在此基础上进行使用代价高的知识源的第二遍搜索得到最佳路径。此前介绍的知识源有声学模型、语言模型和音标词典，这些可以用于第一遍搜索。为实现更高级的语音识别或口语理解，往往要利用一些代价更高的知识源，如4阶或5阶的N-Gram、4阶或更高的上下文相关模型、词间相关模型、分段模型或语法分析，进行重新打分。最新的实时大词表连续语音识别系统许多都使用这种多遍搜索策略。N-best搜索产生一个候选列表，在每个节点要保留N条最好的路径，会使计算复杂度增加到N倍。简化的做法是只保留每个节点的若干词候选，但可能丢失次优候选。一个折衷办法是只考虑两个词长的路径，保留k条。词候选网格以一种更紧凑的方式给出多候选，对N-best搜索算法作相应改动后可以得到生成候选网格的算法。前向后向搜索算法是一个应用多遍搜索的例子。当应用简单知识源进行了前向的Viterbi搜索后，搜索过程中得到的前向概率恰恰可以用在后向搜索的目标函数的计算中，因而可以使用启发式的A算法进行后向搜索，经济地搜索出N条候选。 系统实现 语音识别系统选择识别基元的要求是，有准确的定义，能得到足够数据进行训练，具有一般性。英语通常采用上下文相关的音素建模，汉语的协同发音不如英语严重，可以采用音节建模。系统所需的训练数据大小与模型复杂度有关。模型设计得过于复杂以至于超出了所提供的训练数据的能力，会使得性能急剧下降。听写机：大词汇量、非特定人、连续语音识别系统通常称为听写机。其架构就是建立在前述声学模型和语言模型基础上的HMM拓扑结构。训练时对每个基元用前向后向算法获得模型参数，识别时，将基元串接成词，词间加上静音模型并引入语言模型作为词间转移概率，形成循环结构，用Viterbi算法进行解码。针对汉语易于分割的特点，先进行分割再对每一段进行解码，是用以提高效率的一个简化方法。对话系统：用于实现人机口语对话的系统称为对话系统。受目前技术所限，对话系统往往是面向一个狭窄领域、词汇量有限的系统，其题材有旅游查询、订票、数据库检索等等。其前端是一个语音识别器，识别产生的N-best候选或词候选网格，由语法分析器进行分析获取语义信息，再由对话管理器确定应答信息，由语音合成器输出。由于目前的系统往往词汇量有限，也可以用提取关键词的方法来获取语义信息。 自适应与强健性 语音识别系统的性能受许多因素的影响，包括不同的说话人、说话方式、环境噪音、传输信道等等。提高系统鲁棒性，是要提高系统克服这些因素影响的能力，使系统在不同的应用环境、条件下性能稳定；自适应的目的，是根据不同的影响来源，自动地、有针对性地对系统进行调整，在使用中逐步提高性能。以下对影响系统性能的不同因素分别介绍解决办法。解决办法按针对语音特征的方法（以下称特征方法）和模型调整的方法（以下称模型方法）分为两类。前者需要寻找更好的、高鲁棒性的特征参数，或是在现有的特征参数基础上，加入一些特定的处理方法。后者是利用少量的自适应语料来修正或变换原有的说话人无关（SI）模型，从而使其成为说话人自适应（SA）模型。说话人自适应的特征方法有说话人规一化和说话人子空间法，模型方法有贝叶斯方法、变换法和模型合并法。语音系统中的噪声，包括环境噪声和录音过程加入的电子噪声。提高系统鲁棒性的特征方法包括语音增强和寻找对噪声干扰不敏感的特征，模型方法有并行模型组合PMC方法和在训练中人为加入噪声。信道畸变包括录音时话筒的距离、使用不同灵敏度的话筒、不同增益的前置放大和不同的滤波器设计等等。特征方法有从倒谱矢量中减去其长时平均值和RASTA滤波，模型方法有倒谱平移。 微软语音识别引擎 微软在office和vista中都应用了自己开发的语音识别引擎，微软语音识别引擎的使用是完全免费的，所以产生了许多基于微软语音识别引擎开发的语音识别应用软件，例如《语音游戏大师》《语音控制专家》《芝麻开门》等等软件。 语音识别系统的性能指标 语音识别系统的性能指标主要有四项。①词汇表范围：这是指机器能识别的单词或词组的范围，如不作任何限制，则可认为词汇表范围是无限的。②说话人限制：是仅能识别指定发话者的语音，还是对任何发话人的语音都能识别。③训练要求：使用前要不要训练，即是否让机器先“听”一下给定的语音，以及训练次数的多少。④正确识别率：平均正确识别的百分数，它与前面三个指标有关。小结以上介绍了实现语音识别系统的各个方面的技术。这些技术在实际使用中达到了较好的效果，但如何克服影响语音的各种因素还需要更深入地分析。目前听写机系统还不能完全实用化以取代键盘的输入，但识别技术的成熟同时推动了更高层次的语音理解技术的研究。由于英语与汉语有着不同的特点，针对英语提出的技术在汉语中如何使用也是一个重要的研究课题，而四声等汉语本身特有的问题也有待解决。
多媒体图像压缩技术姓名:Vencent Lee摘要：多媒体数据压缩技术是现代网络发展的关键性技术之一。由于图像和声音信号中存在各种各样的冗余，为数据压缩提供了可能。数据压缩技术有无损压和有损压缩两大类，这些压缩技术又各有不同的标准。一、多媒体数据压缩技术仙农(C．E．Shannon)在创立信息论时，提出把数据看作是信息和冗余度的组合。早期的数据压缩之所以成为信息论的一部分是因为它涉及冗余度问题。而数据之所以能够被压缩是因为其中存在各种各样的冗余；其中有时间冗余性、空间冗余性、信息熵冗余、先验知识冗余、其它冗余等。时间冗余是语音和序列图像中常见的冗余，运动图像中前后两帧间就存在很强的相关性，利用帧间运动补兴就可以将图像数据的速率大大压缩。语音也是这样。尤其是浊音段，在相当长的时间内(几到几十毫秒)语音信号都表现出很强的周期性，可以利用线性预测的方法得到较高的压缩比。空间冗余是用来表示图像数据中存在的某种空间上的规则性，如大面积的均匀背景中就有很大的空间冗余性。信息熵冗余是指在信源的符号表示过程中由于未遵循信息论意义下最优编码而造成的冗余性，这种冗余性可以通过熵编码来进行压缩，经常使用的如Huff-man编码。先验知识冗余是指数据的理解与先验知识有相当大的关系，如当收信方知道一个单词的前几个字母为administrato时，立刻就可以猜到最后一个字母为r，那么在这种情况下，最后一个字母就不带任何信息量了，这就是一种先验知识冗余。其它冗余是指那些主观无法感受到的信息等带来的冗余。通常数据压缩技术可分为无损压缩(又叫冗余压缩)和有损压缩(又叫熵压缩)两大类。无损压缩就是把数据中的冗余去掉或减少，但这些冗余量是可以重新插入到数据中的，因而不会产生失真。该方法一般用于文本数据的压缩，它可以保证完全地恢复原始数据；其缺点是压缩比小(其压缩比一般为2：1至5：1)。有损压缩是对熵进行压缩，因而存在一定程度的失真；它主要用于对声音、图像、动态视频等数据进行压缩，压缩比较高(其压缩比一般高达20：1以上。最新被称为“E—igen—ID”的压缩技术可将基因数据压缩1．5亿倍)。对于多媒体图像采用的有损压缩的标准有静态图像压缩标准(JPEG标准，即‘JointPhotographicExpertGroup’标准)和动态图像压缩标准(MPEG标准，即‘MovingPictureExpertGroup’标准)。JPEG利用了人眼的心理和生理特征及其局限性来对彩色的、单色的和多灰度连续色调的、静态图像的、数字图像的压缩，因此它非常适合不太复杂的以及一般来源于真实景物的图像。它定义了两种基本的压缩算法：一种是基于有失真的压缩算法，另一种是基于空间线性预测技术(DPCM)无失真的压缩算法。为了满足各种需要，它制定了四种工作模式：无失真压缩、基于DCT的顺序工作方式、累进工作方式和分层工作方式。MPEG用于活动影像的压缩。MPEG标准具体包三部分内容：(1)MPEG视频、(2)MPEG音频、(3)MP系统(视频和音频的同步)。MPEG视频是标准的核心分，它采用了帧内和帧间相结合的压缩方法，以离散余变换(DCT)和运动补偿两项技术为基础，在图像质量基不变的情况下，MPEG可把图像压缩至1／100或更MPEG音频压缩算法则是根据人耳屏蔽滤波功能。利用音响心理学的基本原理，即“某些频率的音响在重放其频率的音频时听不到”这样一个特性，将那些人耳完全不到或基本上听到的多余音频信号压缩掉，最后使音频号的压缩比达到8：1或更高，音质逼真，与CD唱片可媲美。按照MPEG标准，MPEG数据流包含系统层和压层数据。系统层含有定时信号，图像和声音的同步、多分配等信息。压缩层包含经压缩后的实际的图像和声数据，该数据流将视频、音频信号复合及同步后，其数据输率为1．5MB／s。其中压缩图像数据传输率为1．2M压缩声音传输率为0．2MB／s。MPEG标准的发展经历了MPEG—I,MPEG一2、MPEG一4、MPEG-7、MPEG一21等不同层次。在MPEG的不同标准中，每—个标准都是建立在前面的标准之上的，并与前面的标准向后的兼容。目前在图像压缩中，应用得较多的是MPEG一4标准，MPEG-是在MPEG-2基础上作了很大的扩充，主要目标是多媒体应用。在MPEG一2标准中，我们的观念是单幅图像，而且包含了一幅图像的全部元素。在MPEG一4标准下，我们的观念变为多图像元素，其中的每—个多图像元素都是独立编码处理的。该标准包含了为接收器所用的指令，告诉接收器如何构成最终的图像。上图既表示了MPEG一4解码器的概念，又比较清楚地描绘了每个部件的用途。这里不是使用单一的视频或音频解码器，而是使用若干个解码器，其中的每一个解码器只接收某个特定的图像(或声音)元素，并完成解码操作。每个解码缓冲器只接收属于它自己的灵敏据流，并转送给解码器。复合存储器完成图像元素的存储，并将它们送到显示器的恰当位置。音频的情况也是这样，但显然不同点是要求同时提供所有的元素。数据上的时间标记保证这些元素在时间上能正确同步。MPEG一4标准对自然元素(实物图像)和合成元素进行区分和规定，计算机生成的动画是合成元素的一个例子。比如，一幅完整的图像可以包含一幅实际的背景图，并在前面有一幅动画或者有另外一幅自然图像。这样的每一幅图像都可以作最佳压缩，并互相独立地传送到接收器，接收器知道如何把这些元素组合在一起。在MPEG一2标准中，图像被看作一个整体来压缩；而在MPEG一4标准下，对图像中的每一个元素进行优化压缩。静止的背景不必压缩到以后的I帧之中去，否则会使带宽的使用变得很紧张。而如果这个背景图像静止10秒钟，就只要传送一次(假设我们不必担心有人在该时间内切人此频道)，需要不断传送的仅是前台的比较小的图像元素。对有些节目类型，这样做会节省大量的带宽。MPEG一4标准对音频的处理也是相同的。例如，有一位独唱演员，伴随有电子合成器，在MPEG一2标准下，我们必须先把独唱和合成器作混合，然后再对合成的音频信号进行压缩与传送。在MPEG一4标准下，我们可以对独唱作单独压缩，然后再传送乐器数字接口的声轨信号，就可以使接收器重建伴音。当然，接收器必须能支持MIDI放音。与传送合成的信号相比，分别传送独唱信号和MIDI数据要节省大量的带宽。其它的节目类型同样可以作类似的规定。MPEG一7标准又叫多媒体内容描述接口标准。图像可以用色彩、纹理、形状、运动等参数来描述，MPEG一7标准是依靠众多的参数对图像与声音实现分类，并对它们的数据库实现查询。二、多媒体数据压缩技术的实现方法目前多媒体压缩技术的实现方法已有近百种，其中基于信源理论编码的压缩方法、离散余弦变换(DCT)和小波分解技术压缩算法的研究更具有代表性。小波技术突破了传统压缩方法的局限性，引入了局部和全局相关去冗余的新思想，具有较大的潜力，因此近几年来吸引了众多的研究者。在小波压缩技术中，一幅图像可以被分解为若干个叫做“小片”的区域；在每个小片中，图像经滤波后被分解成若干个低频与高频分量。低频分量可以用不同的分辨率进行量化，即图像的低频部分需要许多的二进制位，以改善图像重构时的信噪比。低频元素采用精细量化，高频分量可以量化得比较粗糙，因为你不太容易看到变化区域的噪声与误差。此外，碎片技术已经作为一种压缩方法被提出，这种技术依靠实际图形的重复特性。用碎片技术压缩图像时需要占用大量的计算机资源，但可以获得很好的结果。借助于从DNA序列研究中发展出来的模式识别技术，能减少通过WAN链路的流量，最多时的压缩比率能达到90％，从而为网络传送图像和声音提供更大的压缩比，减轻风络负荷，更好地实现网络信息传播。三、压缩原理由于图像数据之间存在着一定的冗余，所以使得数据的压缩成为可能。信息论的创始人Shannon提出把数据看作是信息和冗余度（redundancy）的组合。所谓冗余度，是由于一副图像的各像素之间存在着很大的相关性，可利用一些编码的方法删去它们，从而达到减少冗余压缩数据的目的。为了去掉数据中的冗余，常常要考虑信号源的统计特性，或建立信号源的统计模型。图像的冗余包括以下几种：(1) 空间冗余：像素点之间的相关性。(2) 时间冗余：活动图像的两个连续帧之间的冗余。(3) 信息熵冗余：单位信息量大于其熵。(4) 结构冗余：图像的区域上存在非常强的纹理结构。(5) 知识冗余：有固定的结构，如人的头像。(6) 视觉冗余：某些图像的失真是人眼不易觉察的。对数字图像进行压缩通常利用两个基本原理：(1) 数字图像的相关性。在图像的同一行相邻像素之间、活动图像的相邻帧的对应像素之间往往存在很强的相关性，去除或减少这些相关性，也就去除或减少图像信息中的冗余度，即实现了对数字图像的压缩。(2) 人的视觉心理特征。人的视觉对于边缘急剧变化不敏感(视觉掩盖效应)，对颜色分辨力弱，利用这些特征可以在相应部分适当降低编码精度，而使人从视觉上并不感觉到图像质量的下降，从而达到对数字图像压缩的目的。编码压缩方法有许多种，从不同的角度出发有不同的分类方法，比如从信息论角度出发可分 为两大类：(1)冗余度压缩方法，也称无损压缩，信息保持编码或熵编码。具体讲就是解码图像和压缩 编码前的图像严格相同，没有失真，从数学上讲是一种可逆运算。(2)信息量压缩方法，也称有损压缩，失真度编码或熵压缩编码。也就是讲解码图像和原始图像是有差别的，允许有一定的失真。应用在多媒体中的图像压缩编码方法，从压缩编码算法原理上可以分类为：(1)无损压缩编码种类 •哈夫曼编码 •算术编码 •行程编码 •Lempel zev编码(2)有损压缩编码种类 •预测编码：DPCM，运动补偿 •频率域方法：正文变换编码(如DCT)，子带编码 •空间域方法：统计分块编码 •模型方法：分形编码，模型基编码 •基于重要性：滤波，子采样，比特分配，矢量量化(3)混合编码 •JBIG，H261，JPEG，MPEG等技术标准衡量一个压缩编码方法优劣的重要指标(1)压缩比要高，有几倍、几十倍，也有几百乃至几千倍；(2)压缩与解压缩要快，算法要简单，硬件实现容易；(3)解压缩的图像质量要好。四、JPEG图像压缩算法1．.JPEG压缩过程JPEG压缩分四个步骤实现：1.颜色模式转换及采样；2.DCT变换；3.量化；4.编码。2．1．颜色模式转换及采样RGB色彩系统是我们最常用的表示颜色的方式。JPEG采用的是YCbCr色彩系统。想要用JPEG基本压缩法处理全彩色图像，得先把RGB颜色模式图像数据，转换为YCbCr颜色模式的数据。Y代表亮度，Cb和Cr则代表色度、饱和度。通过下列计算公式可完成数据转换。Y=0.2990R+0.5870G+0.1140BCb=-0.1687R-0.3313G+0.5000B+128Cr=0.5000R-0.4187G-0.0813B＋128人类的眼晴对低频的数据比对高频的数据具有更高的敏感度，事实上，人类的眼睛对亮度的改变也比对色彩的改变要敏感得多，也就是说Y成份的数据是比较重要的。既然Cb成份和Cr成份的数据比较相对不重要，就可以只取部分数据来处理。以增加压缩的比例。JPEG通常有两种采样方式：YUV411和YUV422，它们所代表的意义是Y、Cb和Cr三个成份的资料取样比例。2．2.DCT变换DCT变换的全称是离散余弦变换(Discrete Cosine Transform)，是指将一组光强数据转换成频率数据，以便得知强度变化的情形。若对高频的数据做些修饰，再转回原来形式的数据时，显然与原始数据有些差异，但是人类的眼睛却是不容易辨认出来。压缩时，将原始图像数据分成8*8数据单元矩阵，例如亮度值的第一个矩阵内容如下：JPEG将整个亮度矩阵与色度Cb矩阵，饱和度Cr矩阵，视为一个基本单元称作MCU。每个MCU所包含的矩阵数量不得超过10个。例如，行和列采样的比例皆为4:2:2，则每个MCU将包含四个亮度矩阵，一个色度矩阵及一个饱和度矩阵。当图像数据分成一个8*8矩阵后，还必须将每个数值减去128，然后一一代入DCT变换公式中，即可达到DCT变换的目的。图像数据值必须减去128，是因为DCT转换公式所接受的数字范围是在-128到+127之间。DCT变换公式：x,y代表图像数据矩阵内某个数值的坐标位置f(x,y)代表图像数据矩阵内的数个数值u,v代表DCT变换后矩阵内某个数值的坐标位置F(u,v)代表DCT变换后矩阵内的某个数值u=0 且 v=0 c(u)c(v)=1/1.414u>0 或 v>0 c(u)c(v)=1经过DCT变换后的矩阵数据自然数为频率系数，这些系数以F（0，0）的值最大，称为DC，其余的63个频率系数则多半是一些接近于0的正负浮点数，一概称之为AC。3．3、量化图像数据转换为频率系数后，还得接受一项量化程序，才能进入编码阶段。量化阶段需要两个8*8矩阵数据，一个是专门处理亮度的频率系数，另一个则是针对色度的频率系数，将频率系数除以量化矩阵的值，取得与商数最近的整数，即完成量化。当频率系数经过量化后，将频率系数由浮点数转变为整数，这才便于执行最后的编码。不过，经过量化阶段后，所有数据只保留整数近似值，也就再度损失了一些数据内容，JPEG提供的量化表如下：2．4、编码Huffman编码无专利权问题，成为JPEG最常用的编码方式，Huffman编码通常是以完整的MCU来进行的。编码时，每个矩阵数据的DC值与63个AC值，将分别使用不同的Huffman编码表，而亮度与色度也需要不同的Huffman编码表，所以一共需要四个编码表，才能顺利地完成JPEG编码工作。DC编码DC是彩采用差值脉冲编码调制的差值编码法，也就是在同一个图像分量中取得每个DC值与前一个DC值的差值来编码。DC采用差值脉冲编码的主要原因是由于在连续色调的图像中，其差值多半比原值小，对差值进行编码所需的位数，会比对原值进行编码所需的位数少许多。例如差值为5，它的二进制表示值为101，如果差值为-5，则先改为正整数5，再将其二进制转换成1的补码即可。所谓1的补码，就是将每个Bit若值为0，便改成1；Bit为1，则变成0。差值5应保留的位数为3，下表即列出差值所应保留的Bit数与差值内容的对照。在差值前端另外加入一些差值的霍夫曼码值，例如亮度差值为5（101）的位数为3，则霍夫曼码值应该是100，两者连接在一起即为100101。下列两份表格分别是亮度和色度DC差值的编码表。根据这两份表格内容，即可为DC差值加上霍夫曼码值，完成DC的编码工作。AC编码AC编码方式与DC略有不同，在AC编码之前，首先得将63个AC值按Zig-zag排序，即按照下图箭头所指示的顺序串联起来。63个AC值排列好的，将AC系数转换成中间符号，中间符号表示为RRRR/SSSS，RRRR是指第非零的AC之前，其值为0的AC个数，SSSS是指AC值所需的位数，AC系数的范围与SSSS的对应关系与DC差值Bits数与差值内容对照表相似。如果连续为0的AC个数大于15，则用15/0来表示连续的16个0，15/0称为ZRL（Zero Rum Length），而（0/0）称为EOB（Enel of Block）用来表示其后所剩余的AC系数皆等于0，以中间符号值作为索引值，从相应的AC编码表中找出适当的霍夫曼码值，再与AC值相连即可。例如某一组亮度的中间符为5/3，AC值为4，首先以5/3为索引值，从亮度AC的Huffman编码表中找到1111111110011110霍夫曼码值，于是加上原来100（4）即是用来取[5，4]的Huffman编码1111111110011110100，[5，4]表示AC值为4的前面有5个零。由于亮度AC，色度AC霍夫曼编码表比较长，在此省略去，有兴趣者可参阅相关书籍。实现上述四个步骤，即完成一幅图像的JPEG压缩。
多媒体的应用很广泛，请链接
现在其实发表一个文章挺难得，一般杂志社都提前很久征稿，而且审稿很严格，所以根据我的经验，你可以去发表吧上问问他们的编辑有没有适合你的期刊，要在网址上输入发表吧，我觉得这样比较保稳，希望我的回答能够帮到你！！
与机器进行语音交流，让机器明白你说什么，这是人们长期以来梦寐以求的事情。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科。近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。 任务分类和应用 根据识别的对象不同，语音识别任务大体可分为3类，即孤立词识别（isolated word recognition)，关键词识别（或称关键词检出，keyword spotting)和连续语音识别。其中，孤立词识别 的任务是识别事先已知的孤立的词，如“开机”、“关机”等；连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话；连续语音流中的关键词检测针对的是连续语音，但它并不识别全部文字，而只是检测已知的若干关键词在何处出现，如在一段话中检测“计算机”、“世界”这两个词。根据针对的发音人，可以把语音识别技术分为特定人语音识别和非特定人语音识别，前者只能识别一个或几个人的语音，而后者则可以被任何人使用。显然，非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。另外，根据语音设备和通道，可以分为桌面（PC）语音识别、电话语音识别和嵌入式设备（手机、PDA等）语音识别。不同的采集通道会使人的发音的声学特性发生变形，因此需要构造各自的识别系统。语音识别的应用领域非常广泛，常见的应用系统有：语音输入系统，相对于键盘输入方法，它更符合人的日常习惯，也更自然、更高效；语音控制系统，即用语音来控制设备的运行，相对于手动控制来说更加快捷、方便，可以用在诸如工业控制、语音拨号系统、智能家电、声控智能玩具等许多领域；智能对话查询系统，根据客户的语音进行操作，为用户提供自然、友好的数据库检索服务，例如家庭服务、宾馆服务、旅行社服务系统、订票系统、医疗服务、银行服务、股票查询服务等等。 前端前端处理是指在特征提取之前，先对原始语音进行处理，部分消除噪声和不同说话人带来的影响，使处理后的信号更能反映语音的本质特征。最常用的前端处理有端点检测和语音增强。端点检测是指在语音信号中将语音和非语音信号时段区分开来，准确地确定出语音信号的起始点。经过端点检测后，后续处理就可以只对语音信号进行，这对提高模型的精确度和识别正确率有重要作用。语音增强的主要任务就是消除环境噪声对语音的影响。目前通用的方法是采用维纳滤波，该方法在噪声较大的情况下效果好于其它滤波器。处理声学特征 声学特征的提取与选择是语音识别的一个重要环节。声学特征的提取既是一个信息大幅度压缩的过程，也是一个信号解卷过程，目的是使模式划分器能更好地划分。由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，也即进行短时分析。这一段被认为是平稳的分析区间称之为帧，帧与帧之间的偏移通常取帧长的1/2或1/3。通常要对信号进行预加重以提升高频，对信号加窗以避免短时语音段边缘的影响。常用的一些声学特征* 线性预测系数LPC：线性预测分析从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n 时刻的信号可以用前若干时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小LMS，即可得到线性预测系数LPC。对 LPC的计算方法有自相关法（德宾Durbin法）、协方差法、格型法等等。计算上的快速有效保证了这一声学特征的广泛使用。与LPC这种预测参数模型类似的声学特征还有线谱对LSP、反射系数等等。* 倒谱系数CEP：利用同态处理方法，对语音信号求离散傅立叶变换DFT后取对数，再求反变换iDFT就可得到倒谱系数。对LPC倒谱（LPCCEP），在获得滤波器的线性预测系数后，可以用一个递推公式计算得出。实验表明，使用倒谱可以提高特征参数的稳定性。* Mel倒谱系数MFCC和感知线性预测PLP：不同于LPC等通过对人的发声机理的研究而得到的声学特征，Mel倒谱系数MFCC和感知线性预测 PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。PLP仍用德宾法去计算LPC参数，但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。声学模型语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。本节和下一节分别介绍声学模型和语言模型方面的技术。HMM声学建模：马尔可夫模型的概念是一个离散时域有限状态自动机，隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值只与当前状态（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、Viterbi算法和前向后向算法。语音识别中使用HMM通常是用从左向右单向、带自环、带跨越的拓扑结构来对识别基元建模，一个音素就是一个三至五状态的HMM，一个词就是构成词的多个音素的HMM串行起来构成的HMM，而连续语音识别的整个模型就是词和静音组合起来的HMM。上下文相关建模：协同发音，指的是一个音受前后相邻音的影响而发生变化，从发声机理上看就是人的发声器官在一个音转向另一个音时其特性只能渐变，从而使得后一个音的频谱与其他条件下的频谱产生差异。上下文相关建模方法在建模时考虑了这一影响，从而使模型能更准确地描述语音，只考虑前一音的影响的称为Bi- Phone，考虑前一音和后一音的影响的称为Tri-Phone。英语的上下文相关建模通常以音素为基元，由于有些音素对其后音素的影响是相似的，因而可以通过音素解码状态的聚类进行模型参数的共享。聚类的结果称为senone。决策树用来实现高效的triphone对senone的对应，通过回答一系列前后音所属类别（元/辅音、清/浊音等等）的问题，最终确定其HMM状态应使用哪个senone。分类回归树CART模型用以进行词到音素的发音标注。 语言模型语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。语言模型的性能通常用交叉熵和复杂度（Perplexity）来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。 搜索连续语音识别中的搜索，就是寻找一个词模型序列以描述输入语音信号，从而得到词解码序列。搜索所依据的是对公式中的声学模型打分和语言模型打分。在实际使用中，往往要依据经验给语言模型加上一个高权重，并设置一个长词惩罚分数。Viterbi：基于动态规划的Viterbi算法在每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，并在每个节点记录下相应的状态信息以便最后反向获取词解码序列。Viterbi算法在不丧失最优解的条件下，同时解决了连续语音识别中HMM模型状态序列与声学观察序列的非线性时间对准、词边界检测和词的识别，从而使这一算法成为语音识别搜索的基本策略。由于语音识别对当前时间点之后的情况无法预测，基于目标函数的启发式剪枝难以应用。由于Viterbi算法的时齐特性，同一时刻的各条路径对应于同样的观察序列，因而具有可比性，束Beam搜索在每一时刻只保留概率最大的前若干条路径，大幅度的剪枝提高了搜索的效率。这一时齐Viterbi- Beam算法是当前语音识别搜索中最有效的算法。 N-best搜索和多遍搜索：为在搜索中利用各种知识源，通常要进行多遍搜索，第一遍使用代价低的知识源，产生一个候选列表或词候选网格，在此基础上进行使用代价高的知识源的第二遍搜索得到最佳路径。此前介绍的知识源有声学模型、语言模型和音标词典，这些可以用于第一遍搜索。为实现更高级的语音识别或口语理解，往往要利用一些代价更高的知识源，如4阶或5阶的N-Gram、4阶或更高的上下文相关模型、词间相关模型、分段模型或语法分析，进行重新打分。最新的实时大词表连续语音识别系统许多都使用这种多遍搜索策略。N-best搜索产生一个候选列表，在每个节点要保留N条最好的路径，会使计算复杂度增加到N倍。简化的做法是只保留每个节点的若干词候选，但可能丢失次优候选。一个折衷办法是只考虑两个词长的路径，保留k条。词候选网格以一种更紧凑的方式给出多候选，对N-best搜索算法作相应改动后可以得到生成候选网格的算法。前向后向搜索算法是一个应用多遍搜索的例子。当应用简单知识源进行了前向的Viterbi搜索后，搜索过程中得到的前向概率恰恰可以用在后向搜索的目标函数的计算中，因而可以使用启发式的A算法进行后向搜索，经济地搜索出N条候选。 系统实现 语音识别系统选择识别基元的要求是，有准确的定义，能得到足够数据进行训练，具有一般性。英语通常采用上下文相关的音素建模，汉语的协同发音不如英语严重，可以采用音节建模。系统所需的训练数据大小与模型复杂度有关。模型设计得过于复杂以至于超出了所提供的训练数据的能力，会使得性能急剧下降。听写机：大词汇量、非特定人、连续语音识别系统通常称为听写机。其架构就是建立在前述声学模型和语言模型基础上的HMM拓扑结构。训练时对每个基元用前向后向算法获得模型参数，识别时，将基元串接成词，词间加上静音模型并引入语言模型作为词间转移概率，形成循环结构，用Viterbi算法进行解码。针对汉语易于分割的特点，先进行分割再对每一段进行解码，是用以提高效率的一个简化方法。对话系统：用于实现人机口语对话的系统称为对话系统。受目前技术所限，对话系统往往是面向一个狭窄领域、词汇量有限的系统，其题材有旅游查询、订票、数据库检索等等。其前端是一个语音识别器，识别产生的N-best候选或词候选网格，由语法分析器进行分析获取语义信息，再由对话管理器确定应答信息，由语音合成器输出。由于目前的系统往往词汇量有限，也可以用提取关键词的方法来获取语义信息。 自适应与强健性 语音识别系统的性能受许多因素的影响，包括不同的说话人、说话方式、环境噪音、传输信道等等。提高系统鲁棒性，是要提高系统克服这些因素影响的能力，使系统在不同的应用环境、条件下性能稳定；自适应的目的，是根据不同的影响来源，自动地、有针对性地对系统进行调整，在使用中逐步提高性能。以下对影响系统性能的不同因素分别介绍解决办法。解决办法按针对语音特征的方法（以下称特征方法）和模型调整的方法（以下称模型方法）分为两类。前者需要寻找更好的、高鲁棒性的特征参数，或是在现有的特征参数基础上，加入一些特定的处理方法。后者是利用少量的自适应语料来修正或变换原有的说话人无关（SI）模型，从而使其成为说话人自适应（SA）模型。说话人自适应的特征方法有说话人规一化和说话人子空间法，模型方法有贝叶斯方法、变换法和模型合并法。语音系统中的噪声，包括环境噪声和录音过程加入的电子噪声。提高系统鲁棒性的特征方法包括语音增强和寻找对噪声干扰不敏感的特征，模型方法有并行模型组合PMC方法和在训练中人为加入噪声。信道畸变包括录音时话筒的距离、使用不同灵敏度的话筒、不同增益的前置放大和不同的滤波器设计等等。特征方法有从倒谱矢量中减去其长时平均值和RASTA滤波，模型方法有倒谱平移。 微软语音识别引擎 微软在office和vista中都应用了自己开发的语音识别引擎，微软语音识别引擎的使用是完全免费的，所以产生了许多基于微软语音识别引擎开发的语音识别应用软件，例如《语音游戏大师》《语音控制专家》《芝麻开门》等等软件。 语音识别系统的性能指标 语音识别系统的性能指标主要有四项。①词汇表范围：这是指机器能识别的单词或词组的范围，如不作任何限制，则可认为词汇表范围是无限的。②说话人限制：是仅能识别指定发话者的语音，还是对任何发话人的语音都能识别。③训练要求：使用前要不要训练，即是否让机器先“听”一下给定的语音，以及训练次数的多少。④正确识别率：平均正确识别的百分数，它与前面三个指标有关。小结以上介绍了实现语音识别系统的各个方面的技术。这些技术在实际使用中达到了较好的效果，但如何克服影响语音的各种因素还需要更深入地分析。目前听写机系统还不能完全实用化以取代键盘的输入，但识别技术的成熟同时推动了更高层次的语音理解技术的研究。由于英语与汉语有着不同的特点，针对英语提出的技术在汉语中如何使用也是一个重要的研究课题，而四声等汉语本身特有的问题也有待解决。
与机器进行语音交流，让机器明白你说什么，这是人们长期以来梦寐以求的事情。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。语音识别是一门交叉学科。近二十年来，语音识别技术取得显著进步，开始从实验室走向市场。人们预计，未来10年内，语音识别技术将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。语音识别技术所涉及的领域包括：信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等。 任务分类和应用 根据识别的对象不同，语音识别任务大体可分为3类，即孤立词识别（isolated word recognition)，关键词识别（或称关键词检出，keyword spotting)和连续语音识别。其中，孤立词识别 的任务是识别事先已知的孤立的词，如“开机”、“关机”等；连续语音识别的任务则是识别任意的连续语音，如一个句子或一段话；连续语音流中的关键词检测针对的是连续语音，但它并不识别全部文字，而只是检测已知的若干关键词在何处出现，如在一段话中检测“计算机”、“世界”这两个词。根据针对的发音人，可以把语音识别技术分为特定人语音识别和非特定人语音识别，前者只能识别一个或几个人的语音，而后者则可以被任何人使用。显然，非特定人语音识别系统更符合实际需要，但它要比针对特定人的识别困难得多。另外，根据语音设备和通道，可以分为桌面（PC）语音识别、电话语音识别和嵌入式设备（手机、PDA等）语音识别。不同的采集通道会使人的发音的声学特性发生变形，因此需要构造各自的识别系统。语音识别的应用领域非常广泛，常见的应用系统有：语音输入系统，相对于键盘输入方法，它更符合人的日常习惯，也更自然、更高效；语音控制系统，即用语音来控制设备的运行，相对于手动控制来说更加快捷、方便，可以用在诸如工业控制、语音拨号系统、智能家电、声控智能玩具等许多领域；智能对话查询系统，根据客户的语音进行操作，为用户提供自然、友好的数据库检索服务，例如家庭服务、宾馆服务、旅行社服务系统、订票系统、医疗服务、银行服务、股票查询服务等等。 前端前端处理是指在特征提取之前，先对原始语音进行处理，部分消除噪声和不同说话人带来的影响，使处理后的信号更能反映语音的本质特征。最常用的前端处理有端点检测和语音增强。端点检测是指在语音信号中将语音和非语音信号时段区分开来，准确地确定出语音信号的起始点。经过端点检测后，后续处理就可以只对语音信号进行，这对提高模型的精确度和识别正确率有重要作用。语音增强的主要任务就是消除环境噪声对语音的影响。目前通用的方法是采用维纳滤波，该方法在噪声较大的情况下效果好于其它滤波器。处理声学特征 声学特征的提取与选择是语音识别的一个重要环节。声学特征的提取既是一个信息大幅度压缩的过程，也是一个信号解卷过程，目的是使模式划分器能更好地划分。由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，也即进行短时分析。这一段被认为是平稳的分析区间称之为帧，帧与帧之间的偏移通常取帧长的1/2或1/3。通常要对信号进行预加重以提升高频，对信号加窗以避免短时语音段边缘的影响。常用的一些声学特征* 线性预测系数LPC：线性预测分析从人的发声机理入手，通过对声道的短管级联模型的研究，认为系统的传递函数符合全极点数字滤波器的形式，从而n 时刻的信号可以用前若干时刻的信号的线性组合来估计。通过使实际语音的采样值和线性预测采样值之间达到均方差最小LMS，即可得到线性预测系数LPC。对 LPC的计算方法有自相关法（德宾Durbin法）、协方差法、格型法等等。计算上的快速有效保证了这一声学特征的广泛使用。与LPC这种预测参数模型类似的声学特征还有线谱对LSP、反射系数等等。* 倒谱系数CEP：利用同态处理方法，对语音信号求离散傅立叶变换DFT后取对数，再求反变换iDFT就可得到倒谱系数。对LPC倒谱（LPCCEP），在获得滤波器的线性预测系数后，可以用一个递推公式计算得出。实验表明，使用倒谱可以提高特征参数的稳定性。* Mel倒谱系数MFCC和感知线性预测PLP：不同于LPC等通过对人的发声机理的研究而得到的声学特征，Mel倒谱系数MFCC和感知线性预测 PLP是受人的听觉系统研究成果推动而导出的声学特征。对人的听觉机理的研究发现，当两个频率相近的音调同时发出时，人只能听到一个音调。临界带宽指的就是这样一种令人的主观感觉发生突变的带宽边界，当两个音调的频率差小于临界带宽时，人就会把两个音调听成一个，这称之为屏蔽效应。Mel刻度是对这一临界带宽的度量方法之一。MFCC的计算首先用FFT将时域信号转化成频域，之后对其对数能量谱用依照Mel刻度分布的三角滤波器组进行卷积，最后对各个滤波器的输出构成的向量进行离散余弦变换DCT，取前N个系数。PLP仍用德宾法去计算LPC参数，但在计算自相关参数时用的也是对听觉激励的对数能量谱进行DCT的方法。声学模型语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。本节和下一节分别介绍声学模型和语言模型方面的技术。HMM声学建模：马尔可夫模型的概念是一个离散时域有限状态自动机，隐马尔可夫模型HMM是指这一马尔可夫模型的内部状态外界不可见，外界只能看到各个时刻的输出值。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值只与当前状态（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、Viterbi算法和前向后向算法。语音识别中使用HMM通常是用从左向右单向、带自环、带跨越的拓扑结构来对识别基元建模，一个音素就是一个三至五状态的HMM，一个词就是构成词的多个音素的HMM串行起来构成的HMM，而连续语音识别的整个模型就是词和静音组合起来的HMM。上下文相关建模：协同发音，指的是一个音受前后相邻音的影响而发生变化，从发声机理上看就是人的发声器官在一个音转向另一个音时其特性只能渐变，从而使得后一个音的频谱与其他条件下的频谱产生差异。上下文相关建模方法在建模时考虑了这一影响，从而使模型能更准确地描述语音，只考虑前一音的影响的称为Bi- Phone，考虑前一音和后一音的影响的称为Tri-Phone。英语的上下文相关建模通常以音素为基元，由于有些音素对其后音素的影响是相似的，因而可以通过音素解码状态的聚类进行模型参数的共享。聚类的结果称为senone。决策树用来实现高效的triphone对senone的对应，通过回答一系列前后音所属类别（元/辅音、清/浊音等等）的问题，最终确定其HMM状态应使用哪个senone。分类回归树CART模型用以进行词到音素的发音标注。 语言模型语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。语言模型的性能通常用交叉熵和复杂度（Perplexity）来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。 搜索连续语音识别中的搜索，就是寻找一个词模型序列以描述输入语音信号，从而得到词解码序列。搜索所依据的是对公式中的声学模型打分和语言模型打分。在实际使用中，往往要依据经验给语言模型加上一个高权重，并设置一个长词惩罚分数。Viterbi：基于动态规划的Viterbi算法在每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，并在每个节点记录下相应的状态信息以便最后反向获取词解码序列。Viterbi算法在不丧失最优解的条件下，同时解决了连续语音识别中HMM模型状态序列与声学观察序列的非线性时间对准、词边界检测和词的识别，从而使这一算法成为语音识别搜索的基本策略。由于语音识别对当前时间点之后的情况无法预测，基于目标函数的启发式剪枝难以应用。由于Viterbi算法的时齐特性，同一时刻的各条路径对应于同样的观察序列，因而具有可比性，束Beam搜索在每一时刻只保留概率最大的前若干条路径，大幅度的剪枝提高了搜索的效率。这一时齐Viterbi- Beam算法是当前语音识别搜索中最有效的算法。 N-best搜索和多遍搜索：为在搜索中利用各种知识源，通常要进行多遍搜索，第一遍使用代价低的知识源，产生一个候选列表或词候选网格，在此基础上进行使用代价高的知识源的第二遍搜索得到最佳路径。此前介绍的知识源有声学模型、语言模型和音标词典，这些可以用于第一遍搜索。为实现更高级的语音识别或口语理解，往往要利用一些代价更高的知识源，如4阶或5阶的N-Gram、4阶或更高的上下文相关模型、词间相关模型、分段模型或语法分析，进行重新打分。最新的实时大词表连续语音识别系统许多都使用这种多遍搜索策略。N-best搜索产生一个候选列表，在每个节点要保留N条最好的路径，会使计算复杂度增加到N倍。简化的做法是只保留每个节点的若干词候选，但可能丢失次优候选。一个折衷办法是只考虑两个词长的路径，保留k条。词候选网格以一种更紧凑的方式给出多候选，对N-best搜索算法作相应改动后可以得到生成候选网格的算法。前向后向搜索算法是一个应用多遍搜索的例子。当应用简单知识源进行了前向的Viterbi搜索后，搜索过程中得到的前向概率恰恰可以用在后向搜索的目标函数的计算中，因而可以使用启发式的A算法进行后向搜索，经济地搜索出N条候选。 系统实现 语音识别系统选择识别基元的要求是，有准确的定义，能得到足够数据进行训练，具有一般性。英语通常采用上下文相关的音素建模，汉语的协同发音不如英语严重，可以采用音节建模。系统所需的训练数据大小与模型复杂度有关。模型设计得过于复杂以至于超出了所提供的训练数据的能力，会使得性能急剧下降。听写机：大词汇量、非特定人、连续语音识别系统通常称为听写机。其架构就是建立在前述声学模型和语言模型基础上的HMM拓扑结构。训练时对每个基元用前向后向算法获得模型参数，识别时，将基元串接成词，词间加上静音模型并引入语言模型作为词间转移概率，形成循环结构，用Viterbi算法进行解码。针对汉语易于分割的特点，先进行分割再对每一段进行解码，是用以提高效率的一个简化方法。对话系统：用于实现人机口语对话的系统称为对话系统。受目前技术所限，对话系统往往是面向一个狭窄领域、词汇量有限的系统，其题材有旅游查询、订票、数据库检索等等。其前端是一个语音识别器，识别产生的N-best候选或词候选网格，由语法分析器进行分析获取语义信息，再由对话管理器确定应答信息，由语音合成器输出。由于目前的系统往往词汇量有限，也可以用提取关键词的方法来获取语义信息。 自适应与强健性 语音识别系统的性能受许多因素的影响，包括不同的说话人、说话方式、环境噪音、传输信道等等。提高系统鲁棒性，是要提高系统克服这些因素影响的能力，使系统在不同的应用环境、条件下性能稳定；自适应的目的，是根据不同的影响来源，自动地、有针对性地对系统进行调整，在使用中逐步提高性能。以下对影响系统性能的不同因素分别介绍解决办法。解决办法按针对语音特征的方法（以下称特征方法）和模型调整的方法（以下称模型方法）分为两类。前者需要寻找更好的、高鲁棒性的特征参数，或是在现有的特征参数基础上，加入一些特定的处理方法。后者是利用少量的自适应语料来修正或变换原有的说话人无关（SI）模型，从而使其成为说话人自适应（SA）模型。说话人自适应的特征方法有说话人规一化和说话人子空间法，模型方法有贝叶斯方法、变换法和模型合并法。语音系统中的噪声，包括环境噪声和录音过程加入的电子噪声。提高系统鲁棒性的特征方法包括语音增强和寻找对噪声干扰不敏感的特征，模型方法有并行模型组合PMC方法和在训练中人为加入噪声。信道畸变包括录音时话筒的距离、使用不同灵敏度的话筒、不同增益的前置放大和不同的滤波器设计等等。特征方法有从倒谱矢量中减去其长时平均值和RASTA滤波，模型方法有倒谱平移。 微软语音识别引擎 微软在office和vista中都应用了自己开发的语音识别引擎，微软语音识别引擎的使用是完全免费的，所以产生了许多基于微软语音识别引擎开发的语音识别应用软件，例如《语音游戏大师》《语音控制专家》《芝麻开门》等等软件。 语音识别系统的性能指标 语音识别系统的性能指标主要有四项。①词汇表范围：这是指机器能识别的单词或词组的范围，如不作任何限制，则可认为词汇表范围是无限的。②说话人限制：是仅能识别指定发话者的语音，还是对任何发话人的语音都能识别。③训练要求：使用前要不要训练，即是否让机器先“听”一下给定的语音，以及训练次数的多少。④正确识别率：平均正确识别的百分数，它与前面三个指标有关。小结以上介绍了实现语音识别系统的各个方面的技术。这些技术在实际使用中达到了较好的效果，但如何克服影响语音的各种因素还需要更深入地分析。目前听写机系统还不能完全实用化以取代键盘的输入，但识别技术的成熟同时推动了更高层次的语音理解技术的研究。由于英语与汉语有着不同的特点，针对英语提出的技术在汉语中如何使用也是一个重要的研究课题，而四声等汉语本身特有的问题也有待解决。
超验的艺术──谈莫札特的音乐轻快愉悦的风格我一直对家与宗教之间的关系很有兴趣。有些人认为宗教是桎梏艺术的最大元凶，有人认为没有宗教就没有办法呈现出艺术最超越的心灵，有人则宣称艺术可以取代宗教，并达到宗教的功能。于是我决定「宗教音乐」。我的想法是，不管宗教与心灵的关系究竟为何，宗教音乐绝对呈现的出最真实的心灵状态。在研究宗教音乐的过程中，我对莫札特尤其好奇，因为他在萨尔兹堡这个宗教重镇成长的岁月中，一直为其生计：教堂管风琴职位谱写为宗教仪式而有的宗教音乐，而萨尔兹堡主教对莫札特这个艺术家又非常的不尊重，把莫札特的才华弃若敝屣，不断限制他的创作，甚至规定莫札特的宗教音乐只能写小弥撒曲，把莫札特自由的心灵视若宗教中的杂质。这期间，莫札特为想离职，主教竟然以辞去莫札特父亲之职务使其生活陷入困境来要胁莫札特。莫札特为了想离开撒尔兹保受限的创作气氛，与不被器重的艺术生命，也曾在母亲陪同下，周游当年以神童之名走访过的诸如慕尼黑，奥斯堡，曼汉，巴黎，伦敦，海牙，巴黎，里昂，瑞士等大城，想另寻创作生涯的开始，结果非但没有成功，母亲反倒因旅途劳累而病故。莫札特并不想耗费时间教授音乐课以餬口，只好再返回撒尔兹堡，忍辱继续作管风琴师，最终还是以跟主教彻底决裂收场。对萨尔兹堡的宗教气氛，莫札特曾写信给朋友说：「作人还是不要太『虔诚』比较好！」所以莫札特的生命，其实一直周旋在创作渴望与维持家计的现实中、周旋在跋扈主教的宗教压力与自由的艺术生命之间挣扎不已。和谐中隐藏的突兀莫札特六岁时的画像，此时的他是人所周知的神童。莫札特的父亲 Leopold Mozart莫札特的母亲莫札特的音乐总体而言非常轻快愉悦，这简直跟他的生命史格格不入。研究音乐史的人都知道莫札特的音乐生命非常早熟，他才三四岁就已充分显出其音乐的才华，七岁就以神童之名周游欧洲演奏钢琴，这时的莫札特深被王公贵族们宠爱，其音乐中的欢快愉悦是很能被理解的。这种欢快性质，也深深著莫札特的宗教音乐。他最早的宗教音乐 Kyrie（KV33）创作时年仅十岁，Kyrie的内涵是「求主垂怜我的生命」，其实应当是深沈的信仰告白，但这绝非被人视为稀罕天才的小小莫札特所能理解的。但很奇怪的，莫札特到了成人，已不再因神童受人宝爱，开始在撒尔兹堡跟主教折冲郁郁不得志以后，其音乐竟然还是有著愉悦欢快的特点。正是因著这种音乐风格，音乐诠释家开始注意在莫札特音乐中潜藏的，突然出现突然消失的小调，不谐和音与半音阶，他们都发现这些音符在诉说著欢快之外的另一些东西，而莫札特每每在彷佛不经意间陈述出这些情绪后，便立即以欢快，以和谐再度压过。而这样的音乐风格出现最明显的，就是在母亲去世，莫札特又必须比以前更卑屈的返回撒尔兹堡作管风琴师以后。譬如莫札特的 E大调小提琴协奏曲（KV364），此曲作于 1779，此时母亲已过世，莫札特回到萨尔兹堡，跟主教仍旧不合，（一年后终于彻底决裂），此曲就在一向欢愉轻快的风格中，间杂有半音阶的快速回旋上升音符，给人很焦虑不安的、彷佛想离开逃跑的感觉，此外还数度出现小提琴与大提琴沈重的往返对应，好像是在不安的质问著什么。但是这种音符的出现，都是突兀的过渡，不知何来何去的在和谐声中突然出现突然消失。虽然这种焦虑感，严厉的大主教是不可能准许莫札特将其放入宗教音乐的。但若仔细聆听同期的宗教音乐C大调庄严弥撒（KV337），就在其 Kyrie中，便有著间杂半音阶的上升，与突然出现嘎然而止的不谐和合音，尤其是因著其合音突然收入休止符，给人「提出没有答案」的不确定感十分的明显。这种宗教音乐的表达，已经是十分露骨了。不管莫札特最终是如何的以欢快否定忧郁与焦虑，其音乐呈现出来的真实心灵，却还是可以被聆听音乐者感觉出来：莫札特渴望自由渴望离开，对当时的生命处境并不满意。莫札特于 1781年终于跟大主教决裂，据说，是大主教踢著他的屁股，当众很难堪的把他赶出去的。莫札特在信中告诉父亲，「主教说为他服务的人中，没有像我这样坏的，又说其他我都不想重复的难听的话，还说我没教养....。请你不要灰心，离开大主教我想我就开始会教好运了。」从此，莫札特开始他更艰困的，收入极不稳定的人生。灵魂深处的信仰告白莫札特离开撒尔兹堡后，于 1783年创作了他最著名的「C小调弥撒」（KV427），这曲弥撒因为没有教堂仪式肯用，终于没有完成，但光就其完成部份，便有人将之与巴哈「B小调弥撒」、贝多芬「庄严弥撒」并列世界最伟大的三大弥撒曲。这首弥撒曲的 Kyrie，先以乐器出现沈重的主题动机后，乐器与人声呈现二种不同的主题赋格，人声也分四部赋格。人声一开始就是急遽升高再急遽下降，给人十分戏剧性的激动感，而器乐主题重头到尾循环反覆进行式，彷佛在陈述一个明知结局却无法停止的抉择，更衬托出人声四部赋格「主我求你垂怜」的哀鸣。中间「基督请你怜悯我」歌词部份，是独唱清柔祈祷风，与合唱清柔祈祷风时而对话，时而互相附合。等祈祷风结束，就又回到器乐与人声二部赋格。
1、音乐是生活中无处不在的一部分，它不仅是一种艺术欣赏，更是一种精神享受，学会享受音乐便是迈出了享受美的第一步。曾经我以为音乐就只是用来听的，其实不然，音乐是有内涵、有思想、有情感的，由一个个音符排起来的乐谱是有生命的，让人感悟，让人身临其境，让人感同身受，让人欣喜不已。
2、我在这门课里不仅学到了很多知名作曲家的人生经历，还通过这些或喜或悲的故事、或欢快或低沉的乐曲提升了自己的精神境界。在情绪低落时，具有愉悦向上旋律交响曲、进行曲使我感到心情豁然开朗；在心情烦躁时，温柔平和的轻音乐让我能慢慢静下心来思考问题；在独自无聊时，听一些浪漫唯美的音乐可以让我感到充实不寂寞。
3、音乐有古典与现代之分，有中国与西方之分。在我国，现代音乐较为流行的是Rap音乐，其中，周杰伦是最著名的、最有影响力的代表人物之一。
潘玮柏、胡彦斌、陶喆也是很受欢迎的优质歌曲高产歌手，他们大多从21世纪初出道并活跃至今。周杰伦的音乐在中国现代音乐史上应该说是具有创造性的，他那融合西方说唱及自身演唱特点的经典唱法使很多人打开眼界——原来歌也可以这样唱。
4、我初中的时候很崇拜他，他是很多人的青春记忆，正如他所说，就算他以后不再流行了，但只要大家对爱情感到累的时候听到《简单爱》可以感到幸福，他就没白在大家的青春里出现过。
虽然他的特色是吐字不清的说唱，但他也有很多融入古典因素的中国风的歌曲，例如《东风破》、《菊花台》、《青花瓷》、《发如雪》等，悠扬动听的旋律广受大家喜爱的原因之一就是大家在潜意识里对古典音乐还是有热爱的。古典音乐的魅力可以影响至今是因为它纯净独特的美。
5、所以我最欣赏的还是古典音乐，西方古典音乐的优秀与卓越是毋庸置疑的，有太多优美的旋律让人万分欣赏，赞叹不已。有太多优秀的作曲家让人敬佩崇拜，我最喜欢的是巴赫，他的作品中我最偏爱《G弦上的咏叹调》，每当心情不好的时候播放此曲，心情总是会渐渐好转，屡试不爽。
其它人的更优秀的作品也是数不清的，拿贝多芬的《命运交响曲》来说，历史上表现命运的音乐很多，但惟独只有贝多芬选择了用敲门声来表现命运，一声声短促而有力的敲门声显示出生命力的旺盛和与命运抗争到底的决心。
大学音乐鉴赏论文范文篇一 经过上音乐鉴赏选修课，多多少少使我了解了一些音乐乐理的知识,也使我领略了中外闻名的音乐乐曲,我对音乐有了新的认识。在还没有上课之前,因为对音乐没有太多的了解，思想中总以为上音乐鉴赏的选修课是一种比较枯燥无味的过程。也许是我不太了解音乐的缘故在还没有开始之前，就已经这样惧怕，而且我一直不明白，为什么选修课程都是一些诸如音乐美术影视等等一类的课程。在我记忆中，从高中开始就没有音乐美术等课程，久而久之也就将它们淡忘了。而如今，感觉又回到小时候上音乐课，因为 唱歌 的时候总跑调，我因此一度对音乐灰心丧气。但是在看电视搜台的时候听到有好听的歌曲总要停下来去听，也许是对音乐的“另类”喜欢，我选择了音乐鉴赏作为我的选修科目。在学习 乐理知识 的同时，也非常荣幸能够听到各种各样乐器演奏的中外名曲。这也使得我在课程结束以后觉得受益匪浅。下面就让我来谈一下这学期所听音乐给我的一点感受。 在很多人心目中，《命运》代表着贝多芬;同样，在另外一些人的心目中，贝多芬代表着《命运》。我想，世界上再没有一首交响曲能够获得如此广阔的知名度以及接受度。贝多芬的伟大，则很大程度上也来自于这部代表作给他带去的声誉和敬仰。一开场那四声令人恐惧的有力音符，几乎让每个人只要一听到它就会永远无法忘却!真的，充满了震慑力的经典段落，如此简短却又如此令人挥之不去!当然，贝多芬对于这四个音符的解释最为权威——命运在敲门!是啊，开门见山，整部作品的主题一览无遗。或许这四个音符给所有人的影响真的太深刻了，所以音乐一开场就表现出一种前所未有的恐怖感觉!我想，这正是贝多芬音乐才华与他个人精神最充分结合的表现!接下去，我们好似看到了一幅激烈战斗的场面，每一个音符，每一段旋律似乎都在舞刀弄剑、奋勇拚杀!你可以把主角想象成贝多芬乃至任何一个不屈不挠的战士或革命斗争史实。但我觉得这还是远远不够的——对于听众而言，主角应该是你自己!那么敌人是谁，很明了——命运!因为我想，每个人都有面对命运考验的时候。主题在重复着，恐怖的声音依然在回荡，似乎斗争者并没有征服这个强大的“命运对手”!我想很多听众在这里会感到一丝精神上的疲乏。 正在这时，第二乐章舒缓的旋律传来了，似乎是一位母亲伸出了双手来抚慰刚刚经历了一场恶战的儿子，也好像是几名携手斗争的勇士在大战之后对敌人、对未来进行交流、思索。虽然音乐是平缓的，但是内在含有一种催人奋进的默默力量，好像在不断的鼓动战士继续前进。在经历了第一乐章激烈的挣扎之后，听众们在这里得到了片刻的休息，好似是一剂疗伤药。第三乐章是快板谐谑曲，但是却听不到任何“幽默、谐谑的成分” 。在这里战士重新拿起了武器，回到了阴云笼罩的战场，音乐的气氛也突然从平和转为阴暗。好像战士脚踏着牺牲者们的血迹在一步一步朝命运之神逼近，不断积累着力量和勇气。 《命运交响曲》的第三、第四乐章是连续演奏的，从第三乐章最后一部分那平静、忧郁的缓慢突然跳跃到第四乐章一开始那突如其来、如同山洪暴发一般的合奏。其实这个手法来自于《第四交响曲》的第一乐章——从引子转到正题的那一部分。正是由于成功写下了《第四》的首乐章，才给《命运》的终曲乐章带来了灵感。我想任何一个听众面对着如此汹涌而来的凯旋之声，心中应该无不感觉激荡——黑暗被打破了、命运被征服了、阳光重新照耀大地!战士在庆祝自己的胜利、人群在欢唱胜利的颂歌!听众也可以送一口气，甚至为作品的伟大而感到一丝快慰和激动。我想这正是为什么几百年来，有许多人可以从《命运交响曲》中获取力量、鼓起勇气面对生活压力、人生挑战的重要原因! 聆听贝多芬的《命运》交响曲，激扬的心仿佛被一只无形的手牵引。穿越岁月沧桑，破空而来，在一片深邃苍莽的林海中升腾，升腾。那些擎天的枝干亘古孑遗， 那些震颤的叶片蓬勃顽强，那些繁茂的果实乐观坚忍，风撼不动，雷劈不倒，时而豪气干云，时而阴柔宛转，于百转千回中传递着不屈的精神和意志。是什么，能够像音乐一样如此畅通地沟通人类与自然?是哪种生命，能够点燃人内心抗争的欲望，铮铮铁骨，生生不息? 聆听贝多芬的《命运》交响曲，似乎就是人生命运的缩影。那激按昂的曲调，那富于变化的旋律，似乎把人的心境都带到了他曲折的命运之中。然而，再那听起来让人感觉困难重重的生活里，又有一种坚毅的精神，从绝望之中脱颖而出，扭转了局面，告诉人们：“只有坚定不移的信念，勇于向命运挑战的精神，才能突破困境，改变命运，让命运拜倒在自己的脚下。” 正如恩格斯听了《命运交响曲》的演出。他在写给妹妹的信中赞美这部作品说：“如果你不知道这奇妙的东西，那么你一生就算什么也没有听见。”他说，他在第一乐章里听到了“那种完全的绝望的悲哀，那种忧伤的痛苦”;在第二乐章里听到了“那种爱情的温柔的忧思”;而第三、第四乐章里“用小号表达出来的强劲有力、年轻的、自由的欢乐”，又是那么鼓舞人 经过上音乐鉴赏选修课，多多少少使我了解了一些音乐乐理的知识,也使我领略了中外闻名的音乐乐曲,我对音乐有了新的认识。在还没有上课之前,因为对音乐没有太多的了解，思想中总以为上音乐鉴赏的选修课是一种比较枯燥无味的过程。也许是我不太了解音乐的缘故在还没有开始之前，就已经这样惧怕，而且我一直不明白，为什么选修课程都是一些诸如音乐美术影视等等一类的课程。在我记忆中，从高中开始就没有音乐美术等课程，久而久之也就将它们淡忘了。而如今，感觉又回到小时候上音乐课，因为唱歌的时候总跑调，我因此一度对音乐灰心丧气。但是在看电视搜台的时候听到有好听的歌曲总要停下来去听，也许是对音乐的“另类”喜欢，我选择了音乐鉴赏作为我的选修科目。在学习乐理知识的同时，也非常荣幸能够听到各种各样乐器演奏的中外名曲。这也使得我在课程结束以后觉得受益匪浅。 下面就让我来谈一下这学期所听音乐给我的一点感受。 在很多人心目中，《命运》代表着贝多芬;同样，在另外一些人的心目中，贝多芬代表着《命运》。我想，世界上再没有一首交响曲能够获得如此广阔的知名度以及接受度。贝多芬的伟大，则很大程度上也来自于这部代表作给他带去的声誉和敬仰。一开场那四声令人恐惧的有力音符，几乎让每个人只要一听到它就会永远无法忘却!真的，充满了震慑力的经典段落，如此简短却又如此令人挥之不去!当然，贝多芬对于这四个音符的解释最为权威——命运在敲门!是啊，开门见山，整部作品的主题一览无遗。或许这四个音符给所有人的影响真的太深刻了，所以音乐一开场就表现出一种前所未有的恐怖感觉!我想，这正是贝多芬音乐才华与他个人精神最充分结合的表现!接下去，我们好似看到了一幅激烈战斗的场面，每一个音符，每一段旋律似乎都在舞刀弄剑、奋勇拚杀!大学音乐鉴赏论文范文篇二 音乐是生活不可缺少的一部分，学会欣赏音乐便走出了欣赏美的关键一部分。因此学习欣赏音乐是一门很重的课程!在这门课程的学习中学到很多东西。 一. 对中国古典音乐的认识 在这课程的学习过程中在一定程度上了解了中国的古典音乐，体味到了中国古典音乐的美。笛声的清脆，箫声的深沉，琵琶的铮铮之音，这些我们都从中感受到了华夏之音的美妙，体味到古典的魅力所在。中国的古典音乐是以五音--宫商角徵羽为基础的，中国古代的音乐大家创作了中国独特的音乐形式 如今在民间十分流行的是唢呐这种乐器，无论民间的喜事还是丧事唢呐都是一种不可或缺的乐器之一。唢呐作为我国传统的乐器我国的音乐大家创作了优秀曲子如《百鸟朝凤》堪称经典。 在这门课的学习中感受最多的就是对我国 传统 文化 的了解，增强了民族的自豪感与自信心，有提升了对祖国的爱。 二. 对西方音乐的认识 《命运交响曲》堪称经典，历史上表现命运的音乐很多唯独只有贝多芬用选取了敲门声来表现命运，一声声短促而有力的敲门声显示出生命力的旺盛和与命运抗争到底的决心。“命运”这一主题在贝多芬的演绎下有了另一种境地，成为了历史上无人挑战的经典。同时在这门课的学习中还有欣赏了幽默曲、圆舞曲等，其中印象深刻的是对幽默曲的欣赏，不但一定程度上了解了这个时代的音乐更是在这些艺术家的身上学到了追求理想的不放弃精神和为实现目标不断奋斗的高尚品格。 三，传统音乐与现代音乐 中国是有着悠久历史的国度，其音乐的发展历史更是一部丰满的史诗。在当今的乐坛最受年轻人欢迎的是Rap音乐，其中周杰伦便是一位现代音乐的代表人，但是即使在人们看来如此现代的音乐人，在他的音乐里我们依旧可以看到传统的音乐元素，如在《菊花台》，这首曲子的结尾用的便是我国云南的传统乐器葫芦丝。再如当今的年轻人所喜欢的歌曲《苏三说》与《One Night in Beijing》更是大胆的吸取了我国传统艺术京剧中的音乐元素，受到人们的欢迎。 回归传统是一种趋势，我国是有着深厚文化底蕴。立足于传统并且与现代的音乐元素相结合进行创新这是一种必然。有我国“西部歌王”之称的王洛宾先生是将传统音乐用现代音乐元素演绎的典范，他创作的歌曲脍炙人口，在广大人民群众中传唱。 四. 音乐对人的影响 音乐由人创作自然表达的是人的情感，音乐的欣赏着便是要在欣赏音乐的过程中体味创作者的情感，从而达到人与音乐的共鸣。《义勇军进行曲》，中国人民内心的坚决，顽强的意志，作曲人满怀的崇高，神圣，庄严都融进那雄壮的旋律之中，无论何时何地听到都热血沸腾，充满希望，让听者蓦地升起对崇高的一团敬畏与仰望。又如在欣赏陈钢、何占豪创作的小提琴协奏曲《梁祝》中，我们可以深刻的感受到梁祝二人真挚的情感，音乐主要以“草桥结拜”、“英台抗婚 ”、“化蝶”为情节展开，大提琴与小提琴交相互应的音乐形式让人印象深刻，欣赏者可以从中清楚的体味主人公的情感。 伴随着社会的发展与进步，音乐在人们的日常生活中扮演着越来越重要的角色，成为生活的调和剂。在日常生活中我们可以深刻的感受到音乐的意义所在。在情绪低落时适合听激情澎湃的音乐如交响曲与进行曲，在心情烦躁的时轻音乐是不错的选择能让人平静下来，认真的思索。 五.音乐与素质 教育 音乐的最大功能是从精神上让我们超越有限的生命的围墙，把视野投向另一个关于美的音乐世界。她最奇妙的力量在于让我们日益漂泊的灵魂有回家的感觉，扩充我们生命的宽度和深度，寻找到生命的精神支柱，找到灵魂的归属。 近年来，我国大学一直在提倡素质教育，其实是在追求自然科学教育和人文艺术教育的平衡。素质教育建立在和谐教育对素质的全面理解上。因此，素质教育本质上应该是面向全体学生的教育。在这个充满竞争的世界，在这个信息化的时代里，每个人都应该从各方面全面的提升自己，而通过各种科学有效的途径，成为“有理想、有道德、有文化、有纪律”，德、智、体、美等全面发展的社会主义事业建设者和接班人。 素质教育其中一个要义就是德、智、体、美的全面发展。于是，我国的各个大学正逐步向综合性大学发展的同时，尤其注意了艺术教育的发展。在大学课程里，艺术不再只是艺术系学生的学习内容，也纳入了普系的教程，艺术成为公共必修课程。 当代大学教育中强调素质教育是我国社会经济不断发展的要求，而艺术教育的关注正是人类感情的关注，作为一种意识形态，作为一种感情重要的存储和表达方式，艺术教育为实现素质教育的总体目标提供了生动的教育手段和教育内容成为受教育者最易接受的、最有活力的一种教育形式.大学音乐鉴赏论文范文篇三 记得中国顶级的成功学激励大师陈安之讲过：比尔盖茨之所以会成为世界首富，答案是他具有非凡的眼光，选择了最具前景的软件行业，如果他选择卖烧饼，答案一定是否定的。由此可见“选择”的重要性。在我们身边很多人每一天都在任劳任怨、勤奋努力的工作，但收获颇少，平凡依旧，原因是没有选择真正属于自己的方是与 方法 。高中音乐鉴赏教材作为教师教学、学生学习的依据，对整个教学活动起着至关重要的作用。因此，根据大纲、教师、学生的实际情况选择适当教学内容就显得尤为重要。 教育专家倾力协作 科学构思教学内容 纵观我们整本高中音乐鉴赏教材不难发现：专家为了实现新课改的各项目标，紧扣高中音乐鉴赏教学的指导思想，以审美教育为核心，从学生实际情况出发，多角度、多 渠道 地从各个领域有的放矢地对学生进行审美教育。使学生在聆听中树立正确地情感态度价值观;在实践中体味音乐鉴赏的过程与方法;在学习中掌握必要的知识与技能。 从教学评价入手―――注重学生情感态度价值观 过程与方法 知识与技能的协调发展 首先，在教学内容的设置上，专家们特别注重对学生情感呵护，引导其树立积极乐观的生活态度，形成正确的人生观和学习观。例如：《音乐与人生》、《京剧大师梅兰芳》、《贝多芬》等单元侧重将音乐和作为音乐活动主体的“人“联系起来，使音乐学习过程真正成为”人“的活动。一切从“人”的思想、意识、兴趣、情感出发。 其次，让学生通过对不同体裁、形式、风格的音乐作品的聆听，培养学生分析和评价音乐的能力，引导学生的探究、创造能力，养成良好的音乐学习习惯和 学习方法 。例如：《多彩的民歌》《丰富的民间器乐》等单元是引导学生感受、体验民族音乐的区域风格特征，认识民族音乐中的体裁，感受传统民族音乐文化中的精神财富，从而得到文化、精神洗礼的过程。并在此过程中，运用所学的知识去旁及其他地区或国家的民族音乐，从而归纳民族音乐的鉴赏方法。 第三，通过欣赏多种中外音乐作品，认识、了解、掌握音乐要素、音乐流派、代表人物、风格特征、题材文化、流行音乐等方面知识与技能。例如：在《京剧》、《非洲歌舞音乐》、《爵士乐》等单元中，音乐知识与技能学习是必不可少的。因为这些知识与技能恰好是服务于我们的欣赏过程，有利于我们鉴赏音乐的旋律美、和声美、结构美。例如：京剧单元让我们知道了人物行当、唱腔、京剧名家、京剧的发生发展历史等知识;非洲音乐单元则是让我们了解了非洲乐器、非洲歌舞音乐的特点;爵士乐单元则让我们学习到了爵士乐的相关知识，了解爵士乐的主要特征和风格特点。 在教材的构思的过程中，专家往往在同一单元中同时考虑到了情感态度价值观、过程与方法、知识与技能等多个评价标准，并使它们有机的结合起来。让学生在过程中体验方法;在方法中学习知识和技能，从而形成良好的生活态度，树立积极向上的学习观和人生观，真正达到音乐鉴赏课教学目的。 从音乐内在体裁结构入手―――分时期 分流派 分地区 分门类设置教学内容 专家们在进行内容选编的时候，为了更加全面的让学生了解到各种不同时期的音乐，选择了巴洛克、维也纳古典乐派、浪漫主义、印象主义、现代主义等不同流派的音乐，并对其代表人物进行了介绍;为了更加全面的让学生了解到不同地域的音乐，选择了亚洲、非洲、欧洲、拉丁美洲等地区的具有代表性的民族音乐;为了更加全面的让学生了解到各种不同体裁的音乐，选择了京剧、爵士乐、中国民族歌剧、古琴音乐等不同门类的音乐作品;为了更加全面的让学生了解到各种不同民族的音乐，还选择了中国蒙古族、藏族、维吾尔族等民族的民族歌曲等等。都较系统、全面的含盖了各种音乐题材、风格和流派。从音乐鉴赏内容层面上基本上满足了教师学生“教”与“学”的需求。 根据笔者三年来的新课程教学 经验 发现：尽管教育专家们在教学内容的设置上费了不少心思，也付出了辛勤的劳动，选择的内容顺应了新课程的正确导向，为学生找到他们眼中“最新”的教学内容。作为学生，为了适应新中国成立以来的最彻底的课改，同样也在努力的寻找音乐给他们带来的那份“情”，那份“美”。然而，音乐课堂上他们总是没精打采，毫无兴趣。调查发现：学生对教学内容的“选择”有很大异疑，他们认为教材所选择的内容陈旧、曲调老土、配器难听、版本单一等等，基本上都“不好听”，“不爱听”。所以，现在从学生的角度谈谈音乐鉴赏课教学内容的“选择”。 学生强烈呼喊 我们努力过但没有“兴趣” 学生喜欢音乐，但不喜欢音乐课。因为音乐课堂没有他们想要的东西。所以大多数同学在课堂上要么是迎合老师，做出一副很认真的模样;要么是趴在课桌上睡觉或听音乐;要么是带上其他文化科作业或课外书籍等等。总之，他们在音乐课堂上找不到他们的需求。那么，学生对音乐鉴赏课的需求是怎样的呢? 与时俱进 追求音乐的流行美 现代世界，包括音乐在内的各方面都在飞速的发展。无论是音乐创作，还是音乐表演，都在技术上，艺术上有了很大突破，紧紧的体现了时代气息和人们对音乐文化的需求。作为欣赏主体的学生，理所当然对音乐的品味也越来越高。经过笔者三年来的教学实践发现： 时尚旋律美，是学生音乐鉴赏的首要需求 在《学堂乐歌》单元中，学生对教学内容比较陌生，缺乏兴趣，甚至认为其旋律老土，没有新意。课后，我认真的 反思 并作出了调整，我将“学堂乐歌’和 “校园民谣”结合起来，课堂上简略的聆听“学堂乐歌”，重点是欣赏具有时代气息的“校园民谣”。比如《同桌的你》、《睡在我上铺的兄弟》等，这样既抓住了学生的兴趣，又自然的进行了同类音乐的拓展，收到了良好的教学效果。 看了大学音乐鉴赏论文的范文的人还看： 1. 大学音乐鉴赏论文800字 2. 大学音乐鉴赏论文1000字 3. 大学音乐鉴赏论文范文 4. 大学音乐论文范文 5. 大学音乐论文的范文 6. 大学音乐鉴赏论文2000字
大学生良好自我意识的培养[摘要]大学生经常谈论自我意识方面的问题，如询问我怎么会是这样的人?我应该成为什 么样的人?我怎样才能成为理想中的人等。大学生对这些自我意识问题不清楚容易衍生出一 些难以摆脱的心理问题，有时还会使他们处于紧张状态，产生强烈的内心体验，甚至引起他 们心理失衡和心理障碍，影响身心健康。本文旨在使大学生明确什么是自我意识，以及掌握 自我意识的发展与完善的具体方法，这对他们来说，无论是对于心理保健，还是对于今后的 人生发展，都是极为重要的。前言:大学阶段正是一个人从青春期向成年期转变的重要时期,也是人的自我意识发展、完 善的重要时期。大学生成长过程中的很多困惑背后往往都涉及自我意识问题。自我意识是一 个人在社会化过程中逐步形成和发展起来的,对自我以及自己与周围环境关系的多方面、多 层次的认知、体验和评价。自我意识既是心理活动的主体,又是心理活动的客体,是多层次、 多纬度的心理现象,表现为自我认知,自我体验,自我调节三层结构。自我认识是自我意识的 认知成分,包括自我感觉、自我观察、自我分析、自我概念和自我评价等;自我体验是自我意 识的情感成分,是在自我认识的基础上产生的个体对自己的态度体验,包括自我感受、自尊、 自信、自豪、自卑、自责等;而自我调节是自我意识的意志成分,是个体对自己的心理活动和 行为自我作用的过程,包括自立、自律、自我监督、自我控制与调节等,这三层结构互相联系, 完整统一,成为一个人个性中的核心内容。 一、自我意识的界定 心理学界经过长期的讨论,各国心理学家仍持有多种观点。Freud 强调自我是以生物本 能为基础的心理能量的总体,支配人的一切行为 。新精神分析学派的代表任务E艾里克松从自我意识的形成和发展来探讨自我意识的内涵 。G奥尔波特概括了一些学者关于自我的论述,把自我分为八类,作为主体的自我;作为被认识到的客体的自我;作为原始的利己心 的自我;作为控制冲动的自我;作为精神过程的接受者的自我;作为追求目标者的自我;作为 行动主体的自我;作为文化主体的自我等 。James认为,自我意识经过儿童期那种稳定的, 整体的我得以分化,出现了两个“我” 。
大学生要想完善自我意识 ，首先要给自己有个明确的定位 ，把自己的学历技能及优点了解清楚 ，也为自己今后的发展方向定下基调 。
(一)正确认识自我正确地认识自我是培养健全的自我意识的基础。而人的自我认识可以分成两方面，一方面是自我定性，就是对自己的性格，特长，兴趣，爱好以及家庭对自己的影响，性格的弱点等等。如果一个人能够全面、正确地认识自我，客观、准确地评价自我，就能量力而行，为确立合适的理想自我，并会为实现理想自我而不懈努力。另一方面就是自我反思，这是一个终身的过程。经常进行自我反思才是进步的前提，才不会自以为是。如前所叙，认识自我主要有三条途径—经验法、比较法和反省法。除此之外，大学生还要尽力拓宽生活范围，增加生活阅历，扩展交往空间，积极参加活动，扩大社会实践，才能找到多种参考系，才能凭借这些参考系来多方面、多角度地认识自我。还要学会将通过各种途径获得的关于自我的信息进行分析、综合与比较，实事求是地全面评价自己。要学会用发展的眼光、辩证的方法看待自己和他人。比较的视野越广阔，方法越科学，自我定位就越恰当，才能充分发挥自己的聪明才智，实现自己的人生价值。(二)客观对待自我I.积极地接纳自我接纳自我就是愉快、满意地接受自己，即悦纳自我。悦纳自我是发展健全的自我意识的核心和关键，也是适应社会的前提。悦纳自我不决定于个人财富的多少、地位的高低、生活条件的好坏，而更多的是取决于自己的心理状态。一个悦纳自己的人，才能为他人接纳。这样的人是以积极的态度来接受自己的一切，他们对生活乐观、豁达，能理智地看待自己的长处和短处，冷静地对待得失，不夸大也不贬低自我，能以发展的眼光来看待自己，不回避自身的现状，更不以哀怨、自责甚至厌恶来否定自己。这样才能培养自信、自立、自强、自主的心理品质和良好的自我意识，成为生活的强者。2.良好地控制自我自我控制是健全自我意识、完善自我的根本途径，是主动定向地改造自我的过程，也是个体对待自己的态度具体化的过程。因此，在改变现实自我向理想自我实现的过程中，大学生要面对现实，从实际出发，排除各种干扰，合理定位。并在这一连续的自我监控、自我呈现、自我修正的自我调适系统运行过程中，努力培养自己良好的意志品质，从而做到自我的有效控制，最终实现理想自我。(三)不断超越自我马克思说过:“人生有两大目标，一个是自我的完善，一个是创造人类的幸福。”这两大目标是统一的，前者属于自我追求自我价值，后者属于社会价值;一个伟大的人，两种价值缺一不可。自我成就，自我完善，最好的方式就体现在为社会服务当中，你为人类留下一点什么。一方面自我实现，一方面也为社会做出贡献。因此，完善自我是个体在认识自我、悦纳自我的基础上，自觉规划行为目标，主动调整自身行为，积极改造自己的个性，使个性全面发展以适应社会要求的过程，是个体自我同一的过程，也是其从个人“小我”走向社会“大我”的过程，在为他人和社会的服务中实现真正的自我价值的过程。这个过程是艰难而漫长的，是需要个体毕生不断完善的过程。它要求大学生根据社会的需要和自身的特点，本着科学的态度，辩证地看待社会，在社会实践当中，分析自我，把握自我，一步一个脚印开拓与发展，才能走向理想的自我、完善的自我。大学生自我意识的发展很不平衡，存在诸多不协调和矛盾，而健康的自我意识是形成身心和谐的基础和关键。因此，帮助大学生发挥自我意识中的积极因素，克服消极因素，从多层次多角度地进行调控，不断地完善与改过，才能达到自我实现，形成健康的自我意识，从而提高大学生心理素质，实现高等教育的培养目标，使他们能够和谐、健康、全面地发展。
大学生如何完善自我意识？论文首先是世界观，然后是远的目标，最后是自己的想法，对于人生的认识