排序方式: 共有7条查询结果,搜索用时 0 毫秒
1
1.
于迎霞 《中国信息技术教育》2010,(21)
为提高当代大学生的信息素养,许多高校开设或改革信息技术类课程,笔者对高校信息技术类课程的多媒体教学方式环节改革进行了探索:提出面向非信息专业的课程可根据教学对象差异采取分级授课,按教学内容侧重不同变换多媒体教学环境,并采取相应教学方法;对信息专业的课程则在课堂教学、实践教学、网络教学各环节结合使用多媒体组合教学方式,适应信息技术发展的特点. 相似文献
2.
随着智能手机的大量普及,人类的吃穿住行,甚至娱乐,消费都离不开手机APP,在国内市场,Android操作系统远多于Ios操作系统,所以我们必须利用好Android平台来开发各类软件,为解决app前端与web服务端的数据交互问题,我们一般采用post和get请求方式通过解析服务端返回的Json数据流,实现数据传递。 相似文献
3.
基于语音学知识的鲁棒性两级语音起点检测方法 总被引:2,自引:2,他引:2
语音识别系统的实用化,需要对噪声有很强的鲁棒性,而噪声环境下的端点检测对整个识别系统性能起着关键的作用。提出一种基于语音学知识的两级起点检测方法,其中第一级选取短时能零比和短时谱幅作为初检特征,并采取自适应门限,第二级根据语音起点能量变化和语音性持续时间进行起点的确定。实验结果表明该方法在常见噪声环境下鲁棒性较好,且适于实时应用。 相似文献
4.
为提高当代大学生的信息素养,许多高校开设或改革信息技术类课程,笔者对高校信息技术类课程的多媒体教学方式环节改革进行了探索:提出面向非信息专业的课程可根据教学对象差异采取分级授课,按教学内容侧重不同变换多媒体教学环境,并采取相应教学方法;对信息专业的课程则在课堂教学、实践教学、网络教学各环节结合使用多媒体组合教学方式,适应信息技术发展的特点。 相似文献
5.
基于LPC美尔倒谱特征的带噪语音端点检测 总被引:2,自引:0,他引:2
复杂的噪声环境是语音识别系统在实际应用中性能下降的原因之一,识别预处理中的带噪端点检测作为关键技术,其性能的优劣某种程度上决定了识别率的高低。笔者提出了基于LPC美尔倒谱特征的带噪端点检测方法,对语音信号分高低频段分别提取IPC美尔倒谱特征分析,根据Mel倒谱距离判决,采用自适应噪声估计,实验结果表明,该方法计算效率较高,低信噪比下有较好的检测性能。 相似文献
6.
一种改进的基于倒谱特征的带噪端点检测方法 总被引:6,自引:0,他引:6
影响语音识别性能的一个关键因素是端点检测的准确性。实际应用中的信噪比较低,使得某些高信噪比下性能好的检测算法不能有效地工作,影响系统的识别率。该文针对基于倒谱特征的带噪端点检测算法提出了3点改进:(1)将语音信号经滤波后分成高低频两子带,分别进行分析;(2)用LPC美尔倒谱特征LPCCMCC代替常规倒谱特征作为特征参数;(3)改进噪声估计,使其具有自适应性。实验结果表明本方法在低信噪比下有较好的检测性能。 相似文献
7.
1