第5章 信息源管理的技术.docVIP

第五章 信息资源管理的技术 5.1信息资源采集技术 信息资源采集是指根据信息用户的需要，寻找、选择相关信息并加以聚合和集中的过程。信息资源采集广义上是指在社会上、在馆藏文献和数据库中采集信息、信息机构为用户提供信息而进行的采集过程以及计算机对信息的数字化过程，这里是指信息生成的数字化过程，主要是文本、图像、音视频和数据等的计算机采集过程。 在信息处理系统中，数据的采集是信息系统的基础，这些数据通过数据系统的分析和过滤，最终成为影响决策的信息。 5.1.1文本生成 在信息技术及计算机技术日益普及的今天，如何将汉字方便、快速地输入到计算机中已成为关系到计算机技术能否在我国真正普及的关键问题。 将汉字输入到计算机里一般有两种方法：人工键入和自动输入。其中人工键入速度慢而且劳动强度大，一般的使用者每分钟只能输入40～50个汉字。这种方法不适用于需要处理大量文字资料的办公自动化、文档管理、图书情报管理等场合。而且随着劳动力价格的升高，利用人工方法进行汉字输入也将面临经济效益的挑战。自动输入又分为汉字识别输入及语音识别输入。 由于汉字数量众多，汉字识别问题属于超多类模式集合的分类问题。汉字识别技术可以分为印刷体识别及手写体识别技术。而手写体识别又可以分为联机（on-line）与脱机（off-line）两种。 从识别技术的难度来说，手写体识别的难度高于印刷体识别，而在手写体识别中，脱机手写体的难度又远远超过了联机手写体识别。 联机手写体的输入，是依靠电磁式或压电式等手写输入板来完成的。在书写时，笔在板上的运动轨迹（在板上的坐标）被转化为一系列的电信号，电信号可以串行地进入到计算机中，从这些电信号可以比较容易地抽取笔划和笔顺的信息。 与脱机手写体和联机手写体识别相比，印刷体汉字识别已经实用化，而且在向更高的性能、更完善的用户界面的方向发展。目前，办公自动化已成为信息社会不可避免的发展趋势。虽然在计算机网络飞速发展的今天，许多信息已经电子化，世界各地出现了许多“电子版”的报纸、杂志等出版物。但是我们可以看到印刷材料的数量也大大地增加了，一些专业单位如新闻社、图书馆、出版社、档案馆等所接触的印刷材料更是浩如烟海，毕竟阅读印刷材料更为符合人的自然阅读习惯；同时，网络信息资源的爆炸性增长以及网络传输容量的限制，都是方便、快速地获取这些信息的约束因素。电子化与印刷文本材料如同一枚硬币的两面，互相补充、互相促进，在未来的十几年或更长的时间内将不会出现一者被另一者取代的情况。 1、键盘录入 人工键盘输入是指用手工击键方式按照一定的规则把汉字输入到计算机，目前已有数百种键入方案。 2、语音识别 计算机语音识别过程与人对语音识别处理过程基本上是一致的。目前主流的语音识别技术是基于统计模式识别的基本理论。一个完整的语音识别系统可大致分为三部分： （1）语音特征提取：其目的是从语音波形中提取出随时间变化的语音特征序列。 （2）声学模型与模式匹配（识别算法）：声学模型通常将获取的语音特征通过学习算法产生。在识别时将输入的语音特征同声学模型（模式）进行匹配与比较，得到最佳的识别结果。 （3）语言模型与语言处理：语言模型包括由识别语音命令构成的语法网络或由统计方法构成的语言模型，语言处理可以进行语法、语义分析。 语音识别系统可以根据对输入语音的限制加以分类。从说话者与识别系统的相关性考虑，可以将识别系统分为三类： （1）特定人语音识别系统：仅考虑对于专人的话音进行识别，与讲话的语种没有关系，什么语言都可以识别； （2）非特定人语音系统：识别的语音与人无关，通常要用大量不同人的语音数据库对识别系统进行学习，识别的语言取决于采用训练语音库； （3）多人的识别系统：通常能识别一组人的语音，该系统通常要求对该组人的语音进行学习，通常可以识别3~5个人的语音。 从说话的方式考虑，也可以将识别系统分为三类： （1）孤立词语音识别系统：其输入系统要求输入每个词后要停顿； （2）连接词语音识别系统：其输入系统要求对每个词都清楚发音，开始出现一些连音现象； （3）连续语音识别系统：连续语音输入是自然流利的连续语音输入，会出现大量的连音和变音。 从识别系统的词汇量大小考虑，还可以将识别系统分为三类： （1）小词汇量语音识别系统，通常包括几十个词。 （2）中等词汇量的语音识别系统。通常包括几百个词到上千个词。 （3）大词汇量语音识别系统。通常包括几千到几万个词。这些不同的限制也决定着语音识别系统难易程度。 语音识别过程实际上是一种认识过程。就像人们听语音时，并不把语音和语言的语法结构、语义结构分开，因为当语音发音模糊时，人们可以用这些知识来指导对语言的理解过程。对机器来说，识别系统也要利用这些方面的知识，只是有效地描述这些语法和语义知识还有困难。 3、手写输入 手写输入方法，是完全以平