发布时间：
电子学报、声学学报算是顶级的了。其它的计算机学报、软件学报、模式识别与智能系统。
收录有关语音信号处理文章的期刊刊种有（关键字检索数量由多到少排列）：信号处理、电声技术、数据采集与处理、计算机诚诚与应用、微计算机信息、现代电子技术、声学学报（中文版）、电子学报、通信技术、电子技术应用、清华大学学报（自然科学版）、声学技术、电子技术、计算机工程、应用声学、电讯技术……
《噪声与振动控制》（Noise and Vibration Control）由中国声学学会主办，上海交通大学承办，编辑部设在上海交通大学徐汇校区内。本刊物是科技人员、工程师和大专院校师生,交流学习噪声与振动控制应用研究的理论、技术、方法、经验和知识的公共平台。主要内容有噪声与振动控制理论；噪声振动治理的技术理论、方法、经验、设计技术以及工程实例；基础理论讲座；噪声振动测试技术；国内外噪声振动控制原器件、新技术、新材料、新产品以及工厂介绍等。 办刊宗旨：刊登原创学术论文，跟踪学科领域的最新发展方向及其动态；交流科研成果及噪声与振动控制工作经验；宣传和普及相关标准和规范，促进中国噪声与振动控制技术的发展。 办刊特色：强调学术、突出应用、兼顾理论与工程、提高与普及结合。 读者对象：研究生、大专院校师生、单位从事噪声振动控制科技人员。 十大栏目：1.综述、2.振动理论与数值解法、3.运载工具振动与噪声、4.环境振动与环境声学、5.建筑振动与建筑声学、6.信号处理与故障诊断、7.减振降噪设备和器材、8.标准规范与评价、9.振动噪声测试技术、10.工程实践。本刊系中国科技论文统计源期刊中国科学引文数据库来源期刊中国物理学文献数据库 来源期刊中国学术期刊综合评价数据库来源期刊中国学术期刊（光盘版）全文收录期刊中文科技期刊数据库全文收录期刊CEPS中文电子期刊服务 全文收录期刊中国科协科技期刊论文数据库 全文收录期刊刊入网万方数据-数字化期刊群中国报刊订阅指南信息库 收录期刊主管单位：中国科学技术协会主办单位：中国声学学会承办单位：上海交通大学周期：双月出版地：上海市ISSN：1006-1355CN：31-1346/TB邮发代号：4-672历史沿革：现用刊名：噪声与振动控制曾用刊名：振动与噪声控制该刊被以下数据库收录：JST 日本科学技术振兴机构数据库(日)(2012年计划收录)中国科学引文数据库(CSCD—2008)核心期刊：中文核心期刊(2008)中文核心期刊(2004)主编：严济宽常务副主编：沈荣瀛创刊时间：1981年创刊双月刊编辑出版：上海《噪声与振动控制》杂志编辑部地址：上海华山路1954号上海交通大学机械与动力楼308室邮编：200030发行：上海市报刊发行局订阅：全国各地
是音色，物体的振动快慢影响着音调，它决定着音调的高低。而音色取决于材料的不同。西瓜成熟和未成熟时，它的瓜不同。所以是音色而不是音调。
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。
物理声学包含.超声学.水声学。声学是古老又年轻的学科，因为它有悠久的历史，并且近代声学研究已经广泛渗入到科学研究、国民经济以及国防建设等各个领域，并形成了一些新的交叉学科。物理声学的领域开展了大量应用问题的研究，如超声马达的研究得到国家多项基金的支持，中国在2001年研制出当时世界上最细的弯曲旋转超声马达。在基础研究方面，中国物理学家曾在液晶非线性动力学问题的研究中，发现指向波，获国家教委科技进步奖。物理声学在中国的研究工作中已经发表论文约二百余篇。物理声学领域已经取得国家发明专利近二十项，声学领域的研究大多数得到各类基金或企业的支持，迄今物理声学领域十多项课题获得国家级、部委级奖励。现代中国物理声学领域主要研究课题：超声马达、热声制冷、声致发光、时空有限的波在界面上的反射和透射、厅堂声混响、磁流体声波以及声波在工程检测中的应用等问题的研究。
这个问题说起来很生活，但实际上是非常复杂的，我找到了一篇浙大博士论文《西瓜成熟度和内部空心的声学检测技术及装置研究》，专门研究怎么用声音在不破坏西瓜的情况下检测出它的品质。这种无损检测技术是西瓜商品化的关键，前段时间不是有文章吐槽中国人爱吃瓜，99%的国产瓜都被中国人自己吃了，还颇为自豪，其实就是因为我国对厚皮水果的检测技术落后，才导致西瓜出口量低，根本不是一件值得自豪的事。总的来说，论文介绍了中外多种声学检测技术，基本上都是根据西瓜成熟前后质地变化来设计的。西瓜从未成熟到成熟，果肉逐渐变得松散带来弹性模量（硬度）的变小，而弹性模量的变化会导致声学特性的改变，其中最主要的是共振频率，波速。共振频率可以简单理解为敲击西瓜发出的声音，越成熟的西瓜共振频率越低，但共振频率也受体积质量及外形的影响，前人研究认为定义坚实度指数（f^2·m^2/3，f为共振频率，m为质量）更有利于判断西瓜的成熟度。另外波速也是一个比较容易判断西瓜成熟度的指标，成熟的西瓜波速更慢，即敲击后另一侧检测到声音的时间更长，波速与西瓜成熟度具有显著相关性。在另一篇论文《西瓜成熟度音频无损检测技术》中，作者给出了功率谱峰值频率（共振频率存在多个，振动功率峰值所在频率即为功率谱峰值频率）与西瓜成熟度之间的关系，大于 189Hz为“生”瓜，160～189Hz为 “适熟”瓜，133～ 160Hz为“熟”瓜，小于 133Hz为“过熟”瓜，符合我们生活中声音越沉闷瓜越熟的经验。所以这道初中物理题的答案应该是“音调”，即声音频率的高低，而与音色相关的是谐波或泛音的组合差异，目前没有看到通过音色判断西瓜成熟度的应用。最后多说一句，拍西瓜听声音辨生熟既然是可行的，为什么还总是买到生瓜呢？不是你辨音能力差，而是没有考虑体积质量对共振频率的影响，换言之，只有在两个大小相同的瓜之间对比共振频率才能直观地得出结论，否则还是要引入坚实度指数这样的指标才能保证准确。
主要去官网查看扩展资料近日，Stanford大学教授Sourav Chatterjee在统计学顶级期刊JASA发表了题为A new coefficient of correlation的文章，本文对其主要内容进行简介。为什么要提出新的相关性度量？三大经典相关性度量：Pearson’ s correlation coefficient, Spearman’s \rho, and Kendall’s \tau尽管能够有效检测线性或者单调关联且有良好的理论计算p值，但无法检测非单调的关联。因此，检测非线性关联成为一个重要且热点的问题。已有很多学者对此进行研究，提出了诸如maximal correlation coefficient、information theoretic coefficients、kernel-based methods、coefficients based on copulas以及distance correlation等度量。这些新的度量也存在一定缺陷。第一、这些度量用来检验独立性是适当的，但并不能很好地测定不同变量关系的强度。一个好的度量在趋于其最大值时当且仅当其中一个变量是另一个变量的确定性函数。很多新近所提相关性度量并不满足此性质。第二、大多相关性度量并不具有简单的渐近分布。比如Distance correlation的渐近分布是无穷多项加权卡方和。只能借助置换或者Bootstrap方法来计算p值，而这样的操作计算量是很大的。目标提出一种新的相关性度量，其具有以下性质：形式简单易于计算；取值为0当且仅当两个变量是相互独立的；取值为1当且仅当两个变量具有函数关系；在两变量独立时，具有简单的渐近性质。资料来源于网络若侵权联系删
您好！如果是杂志的话！1、IMS是指数理统计学杂志。具体为IMSBulletin。其中IMS为国际数理统计学会（InstituteofMathematicalStatistics）的意思。2、JASA是美国的统计学杂志。(JournaloftheAmericanStatisticalAssociation)从2000年起刊登了一个由50多篇短文组成的连载，每篇短文都着力概括统计学中的某一领域在即将过去的一个世纪所取得的进展。这一计划的初衷在于将统计学中一些最优秀的成果做一总结，并且突出未来研究中的具有潜力的领域。这些文章涵盖了列联表(contingencytable)，对数线性模型(Fienberg,2000)，因果推理在社会科学中的应用(Sobel,2000)，人口学(Xie,2000)，政治学方法论(Beck,2000)，计量心理学(Browne,2000)，经验方法在法律科学中的应用(Eisenberg,2000)等诸多领域，是一些非常好的综述性文章，对于学习统计学的人来说是难得的学习材料。望采纳！
jasa期刊影响因子是，并且美国统计协会(JASA)杂志成立于1888年，于3月、6月、9月和12月份季度出版，长期以来一直被认为是统计科学的首要期刊。
文章集中在统计的应用，理论，和方法在经济，社会，物理，工程和健康科学。促进统计进步的重要书籍在JASA进行了审查。
jasa期刊中分类问题是数据科学发展过程中经典的研究问题，在金融学、医学、气象学等领域都有着广泛的研究与应用。
分类方法主要指通过样本的特征，将其映射到既定类别的方法。目前的研究主要针对于二分类问题，然而在实际应用中，往往会遇到多分类问题。
期刊中影响因子是：
影响因子=前两年所发论文在第三年被引用次数/该期刊前两年发表论文总数。
影响因子实质上是期刊论文的平均被引率，用来衡量期刊的质量和影响力。影响因子的高低，不仅取决于论文被引用次数的多少，也取决于期刊所发表论文的数量。所以影响因子一般呈动态变化。
影响因子现已成为国际上通用的期刊评价指标，它不仅是一直测度期刊有用性和显示度的指标，而且也是测度期刊的学术水平的主要依据。
物理学报、物理学进展、高压物理学报、工程热物理学报、计算物理、原子核物理评论、原子能科学技术、中国科学（物理学, 力学, 天文学）、 光学学报 中国激光 发光学报 光子学报 声学学报 原子与分子物理学报 光谱学与光谱分析 量子电子学报 量子光学学报 物理 低温物理学报 计算物理 核聚变与等离子体物理 大学物理 波谱学杂志 光散射学报
目前没检索到 声学学报 英文版为SCI， 本刊收录在：Ei Compendex (2015年)
声学学报 Acta Acustica
主题分类：
物理学报、物理学进展、高压物理学报、工程热物理学报、计算物理、原子核物理评论、原子能科学技术、中国科学（物理学, 力学, 天文学）、 光学学报。中国激光，发光学报，光子学报。声学学报，原子与分子物理学报，光谱学与光谱分析，量子电子学报，量子光学学报，物理，低温物理学报，计算物理，核聚变与等离子体物理，大学物理，波谱学杂志，光散射学报。
物理学是研究物质运动最一般规律和物质基本结构的学科。作为自然科学的带头学科，物理学研究大至宇宙，小至基本粒子等一切物质最基本的运动形式和规律，因此成为其他各自然科学学科的研究基础。它的理论结构充分地运用数学作为自己的工作语言，以实验作为检验理论正确性的唯一标准，它是当今最精密的一门自然科学学科。
物理学核心期刊有：1.物理学报2.光学学报3.高能物理与核物理4.光子学报5.中国激光6.物理7.原子与分子物理学报8.半导体学报 9.光谱学与光谱分析 10.强激光与粒子束 11.量子电子学报 12.物理学进展 13.声学学报 14.红外与毫米波学报 15.发光学报 16.核技术 17.大学物理 18.金属学报 19.低温物理学报 20.无机材料学报 21.高压物理学报 22.材料研究学报 23.波谱学杂志 24.量子光学学报 25.化学物理学报 26.计算物理 27.人工晶体学报 28.光学技术 29.原子核物理评论
新生儿听力筛查的操作和护理论文
在各领域中，说到论文，大家肯定都不陌生吧，论文是学术界进行成果交流的工具。一篇什么样的论文才能称为优秀论文呢？下面是我为大家收集的新生儿听力筛查的操作和护理论文，仅供参考，希望能够帮助到大家。
【关键词】 新生儿听力筛查护理
新生儿听力筛查是依法开展的全国性母婴保健技术服务工作，听力损害是新生儿常见的异常之一，新生儿听力筛查可以早期发现婴幼儿听力障碍，以便及早进行干预，减少听力损害对婴幼儿各方面的影响。我院自2008年开始对新生儿进行听力筛查，取得了良好的效果，在操作和护理上不断地得以提高，现报告如下。
1资料和方法
对象对2008年1月～2009年4月以来在本院出生的新生儿包括正常新生儿、高危新生儿均进行了听力筛查。
筛查模式的具体标准按卫生部《新生儿听力筛查技术规范》实行两阶段筛查模式。
新生儿出院前进行初筛，未通过者于42天内进行复筛，复筛未通过者3个月再复查，仍未通过者转听力检测中心进行诊断，确定有无听力损失，以及损失程度和干预方案。有高危因素的新生儿，即使通过筛查仍应结合听性行为观察法，3年内每6个月随访一次。
具体方法
设备采用德国产手持式规格MAICO耳声发射听力筛查仪，瞬态声诱发性耳声发射。检测仪器的准备主要包括：①检测仪器要进行定期保养和检查，每次测试前检查仪器是否正常、电量是否充足、探针孔的通畅性。②备好耳科专用棉签，用以清除外耳道阻塞物。③备好探头专用细针及消毒液，以便探针孔被堵塞时能及时清理。
具体的时间和次数按卫生部“规范”实行两阶段筛查模式：新生儿出院前进行初筛，未通过者于42天进行复筛。新生儿听力筛查的最佳时机：选择为出生后48～72小时进行[1]，因出生随着时间的延长，耳道内的羊水与积液等逐渐被吸收，从而提高通过率。
测试环境的准备测试房间保持相对安静、噪音不超过40分贝为好[2]。操作时关闭周围的声源，以保证检测的顺利进行。家长的准备：充分尊重家长的的知情同意权，测试前向家长进行相关知识宣教，很多家长对新生儿听力筛查认知较少，部分父母认为孩子对外界声音刺激有反应，听力不会有问题，不愿意做这项检查。这时应向家长耐心讲解新生儿听力筛查已作为卫生部规定的新生儿筛查项目之一，让其明白筛查的目的、意义、方法和听力障碍的的后果，使其了解，多数听力受损的新生儿能听到一些声音，但并不足以促进说话能力的良好发育，以取得家长的理解和支持。
新生儿的'状态这个很关键，婴儿如哭闹、烦躁不安，则容易影响测试结果，甚至测试无法进行，因此最佳的测试应选择在婴儿喂饱后自然睡眠状态时进行；少数于喂奶中安静状态下测试，并充分地抚摸婴儿头部使其安静熟睡。具体操作耳塞的放置：新生儿侧卧或抱在怀中，测试耳朝上，轻轻地将耳廓向后牵拉使耳道变直，用消毒干棉签清理双侧耳道后，根据耳孔的大小选择合适型号的耳塞，然后将探头轻轻放入，将耳塞放置在新生儿耳道内，方向与外耳道方向一致，注意紧贴在外耳道内，之后用相同方法监测另一侧。预防交叉感染：测试婴儿前后均应洗手，在测试一个婴儿时，如果没有可疑感染，两耳可用同一耳塞。疑有感染时则及时更换耳塞并进行消毒。整个过程应保持探头清洁，使用过的耳塞每天进行清洁消毒后备用。本院听力筛查未出现交叉感染现象。
其它严格查对制度：严格核对新生儿母亲的姓名、床号，及时在测试结果单上做好记录；有些新生儿在测试一耳后哭闹烦躁，不能继续测另一耳，应及时做好标记，避免造成漏测；保持测试环境安静，安抚婴儿，尽量避免假阳性的出现。家长心理指导：针对不同的测试结果要顾及家长的心理状态，减轻家长的心理负担，以取得家长的配合，使每个新生儿都能完成筛查程序。
2结果
本院出生的新生儿包括正常新生儿、高危新生儿均进行了听力筛查。有120例初筛未通过，110例于42天复筛时通过，3例因家长不配合，未能复筛，有3例3个月时复查通过，有4例3个月时复查未能通过，建议到上级医院行诊断性检查。
3结论
新生儿听力筛查能早期发现有听力障碍的儿童，并能给予及时干预，减少对语言发育和其他神经精神发育的影响。现行新生儿听力筛查确定的目标是：永久性双耳或单耳，感音性或传音性，在语频范围（）内平均听力损失等于或大于30-40dB。大宗的研究已经证实，在此范围内的听力损失对儿童的交往、认知、行为、情感发育、学习和将来的就业，均有重大影响，必须及早诊断和处理，使这种负面影响降到最低，因此希望通过普遍筛查，发现这些可疑患者，3个月内接受诊断，6个月内接受干预。
整个听力筛查过程应严格按照操作规范进行，保证仪器的稳定率和伪迹率在正常范围内。提供一个安静环境，保证新生儿熟睡状态、测试者具备高度的责任性与娴熟的操作技巧，是减少假阳性结果的关键。同时周密的安排工作计划，能够提高工作效率，做好卫生宣教能够提高家长对听力筛查的依从性。
参考文献
[1]蔡国荣.新生儿听力筛查的时间选择.护理研究，2003，17（9）：1086.
[2]姜立荣.新生儿测试时间对结果的影响分析[J].中国实用护理杂志，2004，20（1）：28-29.
语音识别技术研究让人更加方便地享受到更多的社会信息资源和现代化服务，对任何事都能够通过语音交互的方式。 我整理了浅谈语音识别技术论文，欢迎阅读!
语音识别技术概述
作者：刘钰 马艳丽 董蓓蓓
摘要：本文简要介绍了语音识别技术理论基础及分类方式，所采用的关键技术以及所面临的困难与挑战，最后讨论了语音识别技术的 发展 前景和应用。
关键词：语音识别;特征提取;模式匹配;模型训练
Abstract:This text briefly introduces the theoretical basis of the speech-identification technology,its mode of classification,the adopted key technique and the difficulties and challenges it have to developing prospect ion and application of the speech-identification technology are discussed in the last part.
Keywords:Speech identification;Character Pick-up;Mode matching;Model training
一、语音识别技术的理论基础
语音识别技术：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级技术。语音识别以语音为研究对象，它是语音信号处理的一个重要研究方向，是模式识别的一个分支，涉及到生 理学 、心理学、语言学、 计算 机 科学 以及信号处理等诸多领域，甚至还涉及到人的体态语言(如人在说话时的表情、手势等行为动作可帮助对方理解)，其最终目标是实现人与机器进行 自然 语言通信。
不同的语音识别系统，虽然具体实现细节有所不同，但所采用的基本技术相似，一个典型语音识别系统主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。此外，还涉及到语音识别单元的选取。
(一) 语音识别单元的选取
选择识别单元是语音识别研究的第一步。语音识别单元有单词(句)、音节和音素三种，具体选择哪一种，由具体的研究任务决定。
单词(句)单元广泛应用于中小词汇语音识别系统，但不适合大词汇系统，原因在于模型库太庞大，训练模型任务繁重，模型匹配算法复杂，难以满足实时性要求。
音节单元多见于汉语语音识别，主要因为汉语是单音节结构的语言，而 英语 是多音节，并且汉语虽然有大约1300个音节，但若不考虑声调，约有408个无调音节，数量相对较少。因此，对于中、大词汇量汉语语音识别系统来说，以音节为识别单元基本是可行的。
音素单元以前多见于英语语音识别的研究中，但目前中、大词汇量汉语语音识别系统也在越来越多地采用。原因在于汉语音节仅由声母(包括零声母有22个)和韵母(共有28个)构成，且声韵母声学特性相差很大。实际应用中常把声母依后续韵母的不同而构成细化声母，这样虽然增加了模型数目，但提高了易混淆音节的区分能力。由于协同发音的影响，音素单元不稳定，所以如何获得稳定的音素单元，还有待研究。
(二) 特征参数提取技术
语音信号中含有丰富的信息，但如何从中提取出对语音识别有用的信息呢?特征提取就是完成这项工作，它对语音信号进行分析处理，去除对语音识别无关紧要的冗余信息，获得影响语音识别的重要信息。对于非特定人语音识别来讲，希望特征参数尽可能多的反映语义信息，尽量减少说话人的个人信息(对特定人语音识别来讲，则相反)。从信息论角度讲，这是信息压缩的过程。
线性预测(LP)分析技术是目前应用广泛的特征参数提取技术，许多成功的应用系统都采用基于LP技术提取的倒谱参数。但线性预测模型是纯数学模型，没有考虑人类听觉系统对语音的处理特点。
Mel参数和基于感知线性预测(PLP)分析提取的感知线性预测倒谱，在一定程度上模拟了人耳对语音的处理特点，应用了人耳听觉感知方面的一些研究成果。实验证明，采用这种技术，语音识别系统的性能有一定提高。
也有研究者尝试把小波分析技术应用于特征提取，但目前性能难以与上述技术相比，有待进一步研究。
(三)模式匹配及模型训练技术
模型训练是指按照一定的准则，从大量已知模式中获取表征该模式本质特征的模型参数，而模式匹配则是根据一定准则，使未知模式与模型库中的某一个模型获得最佳匹配。
语音识别所应用的模式匹配和模型训练技术主要有动态时间归正技术(DTW)、隐马尔可夫模型(HMM)和人工神经元 网络 (ANN)。
DTW是较早的一种模式匹配和模型训练技术，它应用动态规划方法成功解决了语音信号特征参数序列比较时时长不等的难题，在孤立词语音识别中获得了良好性能。但因其不适合连续语音大词汇量语音识别系统，目前已被HMM模型和ANN替代。
HMM模型是语音信号时变特征的有参表示法。它由相互关联的两个随机过程共同描述信号的统计特性，其中一个是隐蔽的(不可观测的)具有有限状态的Markor链，另一个是与Markor链的每一状态相关联的观察矢量的随机过程(可观测的)。隐蔽Markor链的特征要靠可观测到的信号特征揭示。这样，语音等时变信号某一段的特征就由对应状态观察符号的随机过程描述，而信号随时间的变化由隐蔽Markor链的转移概率描述。模型参数包括HMM拓扑结构、状态转移概率及描述观察符号统计特性的一组随机函数。按照随机函数的特点，HMM模型可分为离散隐马尔可夫模型(采用离散概率密度函数，简称DHMM)和连续隐马尔可夫模型(采用连续概率密度函数，简称CHMM)以及半连续隐马尔可夫模型(SCHMM，集DHMM和CHMM特点)。一般来讲，在训练数据足够的，CHMM优于DHMM和SCHMM。HMM模型的训练和识别都已研究出有效的算法，并不断被完善，以增强HMM模型的鲁棒性。
人工神经元 网络 在语音识别中的 应用是现在研究的又一 热点。ANN本质上是一个自适应非线性动力学系统，模拟了人类神经元活动的原理，具有自学、联想、对比、推理和概括能力。这些能力是HMM模型不具备的，但ANN又不个有HMM模型的动态时间归正性能。因此，现在已有人研究如何把二者的优点有机结合起来，从而提高整个模型的鲁棒性。
二、语音识别的困难与对策
目前，语音识别方面的困难主要表现在：
(一)语音识别系统的适应性差，主要体现在对环境依赖性强，即在某种环境下采集到的语音训练系统只能在这种环境下应用，否则系统性能将急剧下降;另外一个问题是对用户的错误输入不能正确响应，使用不方便。
(二)高噪声环境下语音识别进展困难，因为此时人的发音变化很大，像声音变高，语速变慢，音调及共振峰变化等等，这就是所谓Lombard效应，必须寻找新的信号分析处理方法。
(三)语言学、生 理学 、心理学方面的研究成果已有不少，但如何把这些知识量化、建模并用于语音识别，还需研究。而语言模型、语法及词法模型在中、大词汇量连续语音识别中是非常重要的。
(四)我们对人类的听觉理解、知识积累和学习机制以及大脑神经系统的控制机理等分面的认识还很不清楚;其次，把这方面的现有成果用于语音识别，还有一个艰难的过程。
(五)语音识别系统从实验室演示系统到商品的转化过程中还有许多具体问题需要解决，识别速度、拒识问题以及关键词(句)检测技术等等技术细节要解决。
三、语音识别技术的前景和应用
语音识别技术 发展 到今天，特别是中小词汇量非特定人语音识别系统识别精度已经大于98%，对特定人语音识别系统的识别精度就更高。这些技术已经能够满足通常应用的要求。由于大规模集成电路技术的发展，这些复杂的语音识别系统也已经完全可以制成专用芯片，大量生产。在西方 经济 发达国家，大量的语音识别产品已经进入市场和服务领域。一些用户交机、电话机、手机已经包含了语音识别拨号功能，还有语音记事本、语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的机票、 旅游 、银行信息，并且取得很好的结果。
语音识别是一门交叉学科，语音识别正逐步成为信息技术中人机接口的关键技术，语音识别技术与语音合成技术结合使人们能够甩掉键盘，通过语音命令进行操作。语音技术的应用已经成为一个具有竞争性的新兴高技术产业。
参考 文献 ：
[1]科大讯飞语音识别技术专栏. 语音识别产业的新发展. 企业 专栏.通讯世界,:(总l12期)
[2]任天平,门茂深.语音识别技术应用的进展.科技广场.河南科技,
[3]俞铁城.科大讯飞语音识别技术专栏.语音识别的发展现状.企业专栏.通讯世界, (总122期)
[4]陈尚勤等.近代语音识别.西安: 电子 科技大学出版社,1991
[5]王炳锡等.实用语音识别基础.Practical Fundamentals of Speech Recognition.北京:国防 工业 出版社,2005
[6](美)L.罗宾纳.语音识别基本原理.北京:清华大学出版社,1999
点击下页还有更多>>>浅谈语音识别技术论文
新世纪是如何学习雷锋 雷锋是中国解放军全心全意为人民服务的典范，而且也是伟大的共产主义战士。他的无私的爱僧不同，对技术精益求精... 1962年8月15日，全部遇难。 他的精神，毛泽东的“向雷锋同志学习”题词。周恩来“向雷锋同志学习：恨爱鲜明的阶级立场，言行一致的革命精神，无私奉献式的共产主义，无私的无产阶级斗志”。朱德题词“学习雷锋，做毛主席的好战士。” 今年3月5日，毛泽东同志“向雷锋同志学习”的题词发表41周年纪念日。 41年来，雷锋这个伟大的名字，家庭，有光泽，群众性倾向雷锋活动蓬勃发展，城市和农村地区，数以百万计的人的自己的实践雷锋精神的数百。时代的巨大变化发生，但永远活在人民心中的雷锋，雷锋精神始终放射着夺目的光辉。新世纪的继任者，我们必须认真学习和贯彻雷锋精神。那么，我们如何学习和贯彻雷锋精神呢？ “雷锋曾经说过：”人的生命是有限的，但为人民服务是无限的，有限的生命，到无限的为人民服务。“这是雷锋精神的实质。这种伟大的精神的过去，现在和将来都是教育和激励人们提出宝贵的精神财富。 学习雷锋，必要的像雷锋那样，志存高远，胸怀宽广，崇高的理想，坚定地。我们要特别共青团员的责任感和使命感，切实增强忧患意识，为全面建设小康社会，实现了中国民族的伟大复兴，贡献自己的智慧和力量。 学习雷锋，必要的像雷锋那样，跟上的步伐，永不满足，永不懈怠发奋读书。要认真学习马克思列宁主义，毛泽东思想，邓小平理论和“三个代表”重要思想，学习与自己的理想和祖国的知识，更好地适应改革的需要，以及开放和现代化建设的需求。 学习雷锋，必要的像雷锋那样，保持谦虚谨慎，不骄不躁，艰苦奋斗的作风，做一个永不生锈的螺丝钉，努力学习，在日常生活中的简单和节俭和经济坚定地反对享乐主义，奢侈浪费的不良风气，用自己的诚实劳动创造一个更美好的生活在未来。 学习雷锋，必要的像雷锋那样，大力弘扬文明新风，用实际行动促进团结，友爱，诚实守信，乐于助人，勇敢和良好的社会形成，自觉做传统的继承者中国国家的社会主义道德风尚，新的人际关系的倡导者，实践的美德。 我们的年轻人是祖国的未来和希望。在我们的年轻人，深入持久开展学雷锋活动，具有非常重要的意义。团队建设，我们要总结的经验，学习雷锋活动和青年志愿者行动深入实施，全面推进志愿服务组织建设，项目建设和机制建设，促进青年志愿者行动到一个新的水平，引导广大青少年学习雷锋，志愿服务的实践中锻炼成长。 时代的雷锋精神，的人调用雷锋精神。让我们唱雷锋，雷锋精神在中国广袤的土地花更雄伟的歌。