论文部分内容阅读
为了满足人们实际工作中的需要，数据库中的知识发现近年来逐渐发展起来。本文对数据库中的知识发现处理过程模型进行了研究，并将数据挖掘应用于普通话韵律规则发现，取得了良好的效果。 目前进行的数据挖掘的研究目前所进行的关于KDD的研究，大多只着眼于对学习算法的研究，而忽视了整个处理过程的研究。基于上述因素，本文提出了支持多数据集多学习目标的KDD处理过程模型，以使得KDD更适合实际工作的需要并使得最终用户和数据挖掘人员的之间的影响尽量小，提高学习效率。 目前的合成语音的自然度和连续度不够高，影响合成语音质量不高的一个很重要因素在于目前所使用的韵律控制规则不够完善。本文提出在基音同步叠加基础上利用数据挖掘进行汉语韵律规则的学习，并在汉语两字词和句子的韵律规则学习中得到应用，收到了良好的效果，目前国内外有关语音合成的文献中未见同类成果的报道。 本文将两字词中的音节韵律规则看做是对孤立音节和词中发音的一种映射关系的描述，通过训练神经网络获取基频和时长的映射关系，利用训练后得到的网络直接计算出所需的基频以用于合成，通过实验，得到较好的学习效果并且利用神经网络生成的基频变化结果完全符合公认的声调变化规律。 为了学习句子中音节的韵律变化规律，本文首先通过聚类分析得出典型的句中音节基频模式，这些基频模式完全可以对应于目前通用的声调曲线。在基频模式基础上，本文将训练数据中的基频变换到高层次描述并综合采用多种数据挖掘方法进行韵律规则的学习，取得了较好的实验结果。通过学习所获取的变化规则完全包容了变调规则，而且产生的新规则对声调变化的研究也将起到一定的启发作用。 在上述工作的基础上，本文开发出基于数据挖掘的普通话文语转换的研究原型系统DMTalker，该系统利用数据挖掘进行韵律规则学习，并将学习得到的韵律规则用于文语转换中。