汉语是一种声调语言，声调在辨意中发挥着重要作用，因此声调的特征研究是汉语方言研究的重要部分。本书介绍了多种智能算法在汉语方言单字调识别中的应用，为汉语方言的语言研究学者提供了新的研究方法和思路。
本书可供自然语言处理、语言学、语音学和声学领域的科学工作者、教师、研究生学习参考。

邵燕梅，女，1968年出生，山东郯城人。汉语言文字学博士。山东师范大学文学院教授，博士生导师。研究方向为汉语方言学、词汇学与词典学，主要致力于社会方言和地域方言及相关研究。主持国家社科基金后期资助项目1项、中国语言资源保护工程专项任务4项、省部级重点课题2项及其他省部级、市厅级课题多项。出版专著《郯城方言志》《沂南方言志》《费县方言志》等著作，在《方言》《语言研究》《语文研究》《南开语言学刊》等刊物上发表论文多篇。

第1章 语音学与智能计算
1.1 语音学简介
1.2 现代语音学
1.3 现代语音学与信息技术的结合
1.3.1 语音学在智能领域的应用
1.3.2 智能算法在语音学研究领域的应用
第2章 语音信号的分析
2.1 语音信号的声学基础
2.1.1 声波
2.1.2 声波的物理量
2.1.3 声音的四要素
2.2 语音生成系统和感知系统
2.2.1 语音的来源
2.2.2 语音的三种声源
2.2.3 语音产生的声学原理
2.3 语音信号的声学特征提取
2.3.1 时域和频域
2.3.3 语谱图
2.3.4 梅尔频率语谱图与梅尔倒谱系数
2.3.5 基频
第3章 汉语声调的特点
3.1 声调、音高与音调
3.2 汉语的声调
3.3 声调的表示
第4章 基于支持向量机的汉语声调识别
4.1 支持向量机简介
4.2 支持向量机算法原理
4.2.1 线性支持向量机
4.2.2 非线性支持向量机
4.2.3 核函数
4.2.4 对一支持向量机
4.3 基于支持向量机的汉语方言声调分类的实现
4.3.1 图像分类任务
4.3.2 特征选择与提取
4.3.3 基于SVM算法的汉语方言声调分类实现
4.4 总结
第5章 基于卷积神经网络的汉语声调识别
5.1 人工神经网络简介
5.1.1 人工神经网络
5.1.2 神经元
5.1.3 神经元的学习算法
5.1.4 网络拓扑
5.1.5 网络学习算法
5.2 BP神经网络
5.3 卷积神经网络
5.3.1 卷积神经网络简介
5.3.2 卷积神经网络图像识别原理
5.3.2 卷积神经网络模型的建立
5.4 基于卷积神经网络的语谱图分类实现
5.4.1 数据描述
5.4.2 实验步骤
5.4.3 实验结果
5.5 总结
第6章 基于深度学习的汉语声调识别
6.1 深度学习方法
6.2 深度神经网络模型
6.2.1 AlexNet模型
6.2.2 VGGNet模型
6.2.3 GoogLeNet模型
6.3.4 ResNet模型
6.3 基于深度学习的汉语方言声调分类的实现
6.3.1 数据来源及数据特征
6.3.2 实验步骤
6.3.3 实验结果分析
6.3.4 结论
6.4 总结
第7章 基于生物计算的汉语声调识别
7.1 生物计算简介
7.2 脉冲神经膜系统原理
7.2.1 脉冲神经膜系统的基本概念
7.2.2 脉冲神经膜系统的分类
7.2.3 脉冲神经膜系统的形式化定义
7.3 门限脉冲神经膜系统模型
7.3.1 定义
7.3.2 网络模型
7.4 基于GSNP系统的汉语方言声调分类的实现
7.5.1 实验参数的讨论
7.5.4 不同模型的比较
7.6 总结
第8章 汉语声调的无监督聚类
8.1 聚类算法简介
8.2 基于特征提取的汉语声调聚类
8.2.1 图像的主成分分析
8.2.2 图像的神经网络
8.3 聚类有效性评价
8.3.1 内部有效性指标
8.3.2 外部有效性指标
8.4 基于K-means算法的汉语声调聚类
8.4.1 K-means算法的原理
8.4.2 相似性度量方式
8.4.3 K-means算法流程
8.4.4 K-means算法的优缺点及算法复杂度
8.4.5 SciPy聚类包
8.4.6 K值的选取方法
8.4.7 基于K-means算法的汉语方言声调聚类的实现
8.5 基于层次聚类算法的汉语声调聚类
8.5.1 层次聚类算法原理
8.5.2 凝聚和分裂层次聚类
8.5.3 簇间距离度量方法
8.5.4 层次聚类的优缺点
8.5.5 基于最小距离的层次聚类算法的基本思想
8.5.6 基于层次聚类的语谱图的聚类实现
8.6 基于谱聚类的汉语声调聚类
8.6.1 谱聚类基本原理
8.6.2 谱聚类算法流程
8.6.3 sklearn库中的谱聚类使用
8.6.4 基于谱聚类的汉语方言声调聚类的实现
8.7 总结
参考文献

语音是人类语言的主要
表现形式，是人类最重要、
最有效、最常用、最便捷的
一种交流方式。从一段语音
中不仅可以识别发音人的语
义、情感，甚至可以判断发
音人的年龄、性别、所在地
，以及生理或心理特征。汉
语是一种声调语言。声调在
辨义中发挥着重要作用，因
此声调的特征研究是汉语方
言研究中的重要部分。
随着信息技术的发展，
计算机智能算法也应用到语
音研究中。目前，智能计算
主要对语音和语义进行识别
，而声调识别的研究较少，
仅有的研究也是针对普通话
的标准进行声调分类。本书
包含了近几年作者采用智能
计算对汉语方言声调识别的
研究成果，采用多种非监督
学习方法和监督学习方法对
汉语方言的单字调语音声调
进行识别、分类，通过实验
比较分析，验证了智能计算
在汉语方言声调批量识别中
的可行性、有效性和实用性
，力求为汉语方言的语言研
究学者提供新的研究思路和
方法。
第1章主要介绍了现代语
音学的研究范畴，讨论了现
代语音学和智能计算之间相
辅相成的关系。一方面，现
代语音学为人工智能、翻译
系统、语言障碍、智能学习
提供了研究理论支持；另一
方面，信息技术又为现代语
音学提供了新的研究方法、
研究内容、研究思路，使现
代语音学研究领域不断发展
，与心理语言学、脑科学、
医疗和司法等研究领域紧密
联系。
第2章介绍了现代语音学
的研究对象——语音信号。
得益于信息技术的发展，现
代语音学不再受限于现场听
音记音，而是转换为数字信
号，实现存储、传播和计算
。本章从语音信号的角度介
绍语音的基本概念及基本信
号分析，并使用Python语言
进行演示，为后续章节的研
究做准备。
第3章讨论了汉语声调的
特点。不同于大部分西方语
言，汉语是依据声调进行辨
义的，声调在汉语语音中是
必不可少的重要组成部分。
本章首先通过对比“声调”“
音高”“音调”的中英文释义
，讨论了三者的异同，然后
从词义的角度理解了“声调”
应包含的内容，最后讨论了
声调的表示方法。
第4章介绍了监督学习方
法——支持向量机。支持向
量机（Support Vector
Machine，SVM）是1964年
由万普尼克（Vapnik）和科
尔特斯（Cortes）共同提出
的，至今仍是一种非常好的
分类方法。相对于传统的模
式识别方法，这种方法能够
在复杂性和处理非线性问题
方面保持均衡。本章介绍了
支持向量机的基本原理，并
使用该方法对汉语方言单字
语谱图进行图像分类实验，
用于声调的识别。
第5章介绍了卷积神经网
络用于图像分类的原理。卷
积神经网络是一种通过模拟
大脑神经组织来传输计算信
息的机器学习方法，它以神
经元为单位、由许多神经元
组成的复杂网络为基础，通
过仿真来模拟神经元的生理
响应特性。从某种意义上说
，卷积神经网络反映了人类
大脑的学习和运算的特征。
本章在解释了卷积神经网络
如何进行语谱图的图像特征
提取、学习、分类后，通过
建立简单的卷积神经网络模
型实现了语谱图的分类，得
到了较好的分类结果。
第6章介绍了深度神经网
络的基本结构，以及几种经
典神经网络的组成，并以语
谱图的图像分类为例进行了
实验比较。实验发现，深度
学习可以应用于语谱图的分
类，帮助语音学者进行汉语
方言单字声调的识别研究，
并证明深度学习适用于汉语
方言单字声调的批量自动识
别。本章又通过比较不同的
网络模型，发现网络模型的
识别效果相差不大。
第7章介绍了生物计算中
脉冲神经膜系统的基本原理
，以及各种不同特质的脉冲
神经膜系统。我们构造了一
个两层的GSNP网络，该网
络中的每个神经元都包含两
个门，分别具有“记忆”和“
遗忘”功能，适用于时间序
列数据。本章使用了山东临
沂片区7个城市的方言进行
声调类别的识别实验，测试
集准确率最高可达99.8%。
GSNP有较好的收敛性，即
使在训练样本较小的情况下
，也能满足我们的需求，更
加表现出了其实用性和高效
性，不仅能提高汉语方言田
野调查的工作效率，还能辅
助研究人员针对有特殊发音
的语音进行筛选。
第8章介绍了无监督学习
方法——聚类。聚类分析是
数据挖掘中的重要数据分析
方法之一，它的优势是在数
据未标记的情况下，根据数
据集本身的特征进行聚类，
可帮助人们了解未知数据集
的一些公共属性，并建立知
识结构，缺点是很多聚类方
法需要事先确定类的个数，
即K值。我们介绍几种确定
K值的方法、聚类的评价指
标计算及几种不同的聚类方
法。通过实验比较，发现在
使用语谱图进行聚类时，手
肘法可比轮廓法更为准确地
确定分类个数，K-means聚
类方法比其他方法对汉语方
言单字声调的聚类更为准确
，普通话比方言的声调聚类
更为准确，这为汉语方言单
字声调在无标注数据的情况
下进行预先自动分类提供了
有力的支持，可以为语言研
究者的听辨提供辅助判断。