奧運國家縮寫三碼的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

我不是妖精(요정)還真對不起呢!95個連韓國人也不知道的韓語知識

為了解決奧運國家縮寫三碼的問題，作者裵相復,吳京順 這樣論述：

　　榮獲韓國文化部守護韓語勳章、韓國語文賞大賞， 　　著作被譽為「現代寫作理論聖經」， 　　媒體界最厲害的韓語高手，告訴大家「什麼才是韓語的真面目」！ 　　為什麼韓國人掛電話要說「您請回去」？ 　　拜金女和「大醬」之間有什麼關係？ 　　「妖精」到底能不能拿來讚美人？ 　　外語之所以有趣，是因為語言背後的文化背景。有因為時事發展出的新語言，也有因外來語大舉入侵而改變的說話習慣，甚至還有母語人士才可能得到的「語言癌」。如果你認為韓國人都了解韓語且使用正確的話，可就大錯特錯了！ 　　本書作者於1987年進入韓國中央日報擔任實習記者，現已為中央日報語文研究所部長，長期在中央日報連載專欄，就是

要教大家如何用簡單又有趣的方式了解韓語與寫作。本書即是作者集結了那些有趣、發人深省，甚至能堂而皇之糾正韓國人的韓語知識： 　　――韓國人掛電話時為什麼說「들어가세요（您請回去）」？ 　　因為在電話還不普及的年代，如果要打電話或接電話，都要到村子裡有電話的人家使用電話，「들어가세요（您請回去）」 　　這句話正源自有電話的人家對用完電話準備回家的鄰居所說。所以這句話可說是蘊含了過去人和人之間相處的純樸和友善的分享，但年輕的韓國人可能已經不知道這個典故了。 　　――科技的快速發展也影響著韓語的使用，在資訊講求快速傳遞的現代生活，韓語也出現了大量的縮語，像是 Wifi 在哪人在哪的現代生活，詢問

Wifi密碼時，「비밀번호（密碼）」被減縮成了「비번（？）」。而這樣的縮寫正日新月異，甚至走向極端，並充斥韓國人的網路世界。 　　――有時候甚至得在韓國使用一些「奇特的」外語，像是韓國人邀請英語系國家的朋友去「health club（헬스클럽，健身房）」，或許外國朋友還真會以為是個不喝酒的「健康夜店」？ 　　――韓語雖然深受中國、日本文化影響，許多字詞都有中文、日文的影子，但意思已經大不同了。在韓國申辦2018年平昌冬季奧運時，花式滑冰女王金妍兒優雅迷人的儀態被大讚為「국민 요정（國民妖精）」。同樣是「妖精」，卻不是我們印象中妖邪不正經的狐狸精，而是每個韓國女性都希望獲得的極佳讚美呢！

　　――連韓國人自己也常用得暈頭轉向的就是韓語的「敬語」了！依對象、場合的不同，用字遣詞、整體句子的表現都不同，因此同樣意思的句子可以有很多不同的說法。也因為複雜的敬語系統，出現過度使用敬語、根本用錯敬語，甚至對無須致敬的「東西」也使用敬語，真的讓資深媒體記者不得不站出來為正確韓語發聲啊！ 　　曾榮獲韓國文化部守護韓語勳章、韓國語文賞大賞，甚至著作被譽為「現代寫作理論聖經」的作者裵相復，嚴選 95 個韓語的例子，告訴大家這些韓語的發展與來歷。現代韓語的變化有些可能已經歪到讓當初創制韓文的世宗大王也難以諒解；有些擁抱了時代的影響而形成了韓語特有的現象；有些就像我們使用中文一樣，因長久以來寫錯字

、用錯詞而致積非成是。如果你不懂韓語，可以利用這本書了解韓國與中國、日本有點像又不太像的語言文化思維；如果你正在學韓語，或對韓語有興趣，這本書剛好可以告訴你「連韓國人也不知道的韓語」！  

解析深度學習：語音識別實踐

為了解決奧運國家縮寫三碼的問題，作者（美）俞棟，鄧力 這樣論述：

首部介紹語音識別中深度學習技術細節的專著。全書首先概要介紹了傳統語音識別理論和經典的深度神經網絡核心算法。接着全面而深入地介紹了深度學習在語音識別中的應用，包括「深度神經網絡-隱馬爾可夫混合模型」的訓練和優化，特征表示學習、模型融合、自適應，以及以循環神經網絡為代表的若干先進深度學習技術。俞棟，1998 年加入微軟公司，現任微軟研究院首席研究員、浙江大學兼職教授和中科大客座教授。他是語音識別和深度學習方向的資深專家，出版了兩本專著，發表了150 多篇論文，是近60 項專利的發明人及有廣泛影響力的深度學習開源軟件CNTK 的發起人和主要作者之一。他在基於深度學習的語音識別技術上的工作帶來了語音識

別研究方向的轉變，極大地推動了語音識別領域的發展，並獲得2013 年IEEE 信號處理協會佳論文獎。俞棟博士現擔任IEEE 語音語言處理專業委員會委員，曾擔任IEEE/ACM音頻、語音及語言處理匯刊、IEEE 信號處理雜志等期刊的編委。鄧力，世界著名人工智能、機器學習和語音語言信號處理專家，現任微軟首席人工智能科學家和深度學習技術中心研究經理。他在美國威斯康星大學先后獲碩士和博士學位，然后在加拿大滑鐵盧大學任教獲得終身正教授。其間，他還任麻省理工學院研究職位。1999 年加入微軟研究院歷任數職，並在2014 年初創辦深度學習技術中心，主持微軟公司和研究院的人工智能和深度學習領域的技術創新。 鄧

立博士的研究方向包括自動語音與說話者識別、口語識別與理解、語音–語音翻譯、機器翻譯、語言模式、統計方法與機器學習、聽覺和其他生物信息處理、深層結構學習、類腦機器智能、圖像語言多模態深度學習，商業大數據深度分析等。他在上述領域做出了重大貢獻，是ASA（美國聲學學會）會士、IEEE（美國電氣和電子工程師協會）會士和理事、ISCA（國際語音通信協會）會士，並憑借在深度學習與自動語音識別方向做出的傑出貢獻榮獲2015年度IEEE 信號處理技術成就獎。同時，他也曾在高端雜志和會議上發表過與上述領域相關的300 余篇學術論文，出版過5 部著作，發明及合作發明了超過70 多項專利。鄧立博士還擔任過IEEE

信號處理雜志和《音頻、語音與語言處理學報》（IEEE/ACMTransactions on Audio, Speech & anguage Processing）的主編。俞凱，IEEE 高級會員，上海交通大學計算機科學與工程系特別研究員。清華大學本科、碩士，英國劍橋大學工程系博士。長期從事智能語音及語言處理、人機交互、模式識別及機器學習的研究和產業化工作。他是中組部「千人計划」（青年項目）獲得者，國家自然科學基金委優秀青年科學基金獲得者，上海市「東方學者」特聘教授；作為共同創始人和首席科學家創立「蘇州思必馳信息科技有限公司」。現任中國聲學學會語音語言、聽覺及音樂分會執委會委員，中國計算機學會人

機交互專委會委員，中國語音產業聯盟技術工作組副組長。他的研究興趣涉及語音識別、語音合成、口語理解、對話系統、認知型人機交互等智能語音語言處理技術的多個核心技術領域，在本領域的一流國際期刊和會議上發表論文80 余篇，申請專利10 余項，取得了一系列研究、工程和產業化成果。在InterSpeech 及IEEE Spoken Language Processing 等國際會議上獲得3 篇國際會議優秀論文獎，獲得國際語音通信聯盟（ISCA）2013 年頒發的2008—2012 Computer Speech and Language 優論文獎。受邀擔任InterSpeech 2009 語音識別領域主席

、EUSIPCO 2011/EUSIPCO 2014 語音處理領域主席、InterSpeech 2014 口語對話系統領域主席等。他負責搭建或參與搭建的大規模連續語音識別系統，曾獲得美國國家標准局（NIST）和美國國防部內部評測冠軍；作為核心技術人員，負責設計並實現的認知型統計對話系統原型，在CMU 組織的2010 年對話系統國際挑戰賽上獲得了可控測試的冠軍。作為項目負責人或Co-PI，他主持了歐盟第7 框架PARLANCE、國家自然科學基金委、上海市教委、經信委，以及美國通用公司、蘇州思必馳信息科技有限公司的一系列科研及產業化項目。2014 年，因在智能語音技術產業化方面的貢獻，獲得中國人工

智能學會頒發的「吳文俊人工智能科學技術獎」。錢彥旻，上海交通大學計算機科學與工程系助理研究員，博士。分別在2007 年6 月和2013 年1 月於華中科技大學和清華大學獲得工學學士和工學博士學位。2013 年4 月起，任上海交通大學計算機科與工程系理研究員。同時從2015 年1 月至2015 年12 月，在英國劍橋大學工程系機器智能實驗室語音組進行訪問，作為項目研究員與語音識別領域的著名科學家Phil Woodland 教授和Mark Gales 教授開展合作研究。現為IEEE、ISCA 會員，同時也是國際開源項目Kaldi 語音識別工具包開發的項目組創始成員之一。此外，擔任IEEE Tran

sactions on Audio, Speech, and Language Processing、SpeechCommunication、ICASSP、Interspeech、ASRU 等國際期刊和會議的審稿人。目前在國內外學術刊物和會議上發表學術論文50 余篇，Google Scholar 總引用數近1000 次。其中包括在語音識別領域優秀國際會議ICASSP、InterSpeech 和ASRU 上發表論文30 余篇，申請國家專利共3 項，已授權1 項。2008 年獲科技奧運先進集體獎，2014 年獲中國人工智能學會頒發的「吳文俊人工智能科學技術獎進步獎」。曾作為負責人和主要參與者參加了

包括英國EPSRC、國家自然科學基金、國家863 等多個項目。目前的研究領域包括：語音識別、說話人和語種識別、自然語言理解、深度學習建模、多媒體信號處理等。 作者及譯者簡介譯者序序前言術語縮寫符號1簡介1.1自動語音識別：更好的溝通之橋1.1.1人類之間的交流1.1.2人機交流1.2語音識別系統的基本結構1.3全書結構1.3.1第一部分 ：傳統聲學模型1.3.2第二部分 ：深度神經網絡1.3.3第三部分 ：語音識別中的DNN—HMM混合系統1.3.4第四部分 ：深度神經網絡中的特征表示學習1.3.5第五部分 ：高級的深度模型第一部分 傳統聲學模型2混合高斯模型2.1隨機變量2

.2高斯分布和混合高斯隨機變量2.3參數估計2.4采用混合高斯分布對語音特征建模3隱馬爾可夫模型及其變體3.1介紹3.2馬爾可夫鏈3.3序列與模型3.3.1隱馬爾可夫模型的性質3.3.2隱馬爾可夫模型的仿真3.3.3隱馬爾可夫模型似然度的計算3.3.4計算似然度的高效算法3.3.5前向與后向遞歸式的證明3.4期望最大化算法及其在學習HMM參數中的應用3.4.1期望最大化算法介紹3.4.2使用EM算法來學習HMM參數—Baum—Welch算法3.5用於解碼HMM狀態序列的維特比算法3.5.1動態規划和維特比算法3.5.2用於解碼HMM狀態的動態規划算法3.6隱馬爾可夫模型和生成語音識別模型的變體

3.6.1用於語音識別的GMM—HMM模型3.6.2基於軌跡和隱藏動態模型的語音建模和識別3.6.3使用生成模型HMM及其變體解決語音識別問題第二部分 深度神經網絡4深度神經網絡4.1深度神經網絡框架4.2使用誤差反向傳播來進行參數訓練4.2.1訓練准則4.2.2訓練算法4.3實際應用4.3.1數據預處理4.3.2模型初始化4.3.3權重衰減4.3.4丟棄法4.3.5批量塊大小的選擇4.3.6取樣隨機化4.3.7慣性系數4.3.8學習率和停止准則4.3.9網絡結構4.3.10可復現性與可重啟性5高級模型初始化技術5.1受限玻爾茲曼機5.1.1受限玻爾茲曼機的屬性5.1.2受限玻爾茲曼機參數學習

5.2深度置信網絡預訓練5.3降噪自動編碼器預訓練5.4鑒別性預訓練5.5混合預訓練5.6采用丟棄手法的預訓練第三部分 語音識別中的深度神經網絡一隱馬爾可夫混合模型6深度神經網絡—隱馬爾可夫模型混合系統6.1DNN—HMM混合系統6.1.1結構6.1.2用CD—DNN—HMM解碼6.1.3CD—DNN—HMM訓練過程6.1.4上下文窗口的影響6.2CD—DNN—HMM的關鍵模塊及分析6.2.1進行比較和分析的數據集和實驗6.2.2對單音素或者三音素的狀態進行建模6.2.3越深越好6.2.4利用相鄰的語音幀6.2.5預訓練6.2.6訓練數據的標注質量的影響6.2.7調整轉移概率6.3基於KL距離

的隱馬爾可夫模型7訓練和解碼的加速7.1訓練加速7.1.1使用多GPU流水線反向傳播7.1.2異步隨機梯度下降7.1.3增廣拉格朗日算法及乘子方向交替算法7.1.4減小模型規模7.1.5其他方法7.2加速解碼7.2.1並行計算7.2.2稀疏網絡7.2.3低秩近似7.2.4用大尺寸DNN訓練小尺寸DNN7.2.5多幀DNN8深度神經網絡序列鑒別性訓練8.1序列鑒別性訓練准則8.1.1最大相互信息8.1.2增強型MMI8.1.3最小音素錯誤／狀態級最小貝葉斯風險8.1.4統一的公式8.2具體實現中的考量8.2.1詞圖產生8.2.2詞圖補償8.2.3幀平滑8.2.4學習率調整8.2.5訓練准則選擇8

.2.6其他考量8.3噪聲對比估計8.3.1將概率密度估計問題轉換為二分類設計問題8.3.2拓展到未歸一化的模型8.3.3在深度學習網絡訓練中應用噪聲對比估計算法第四部分 深度神經網絡中的特征表示學習9深度神經網絡中的特征表示學習9.1特征和分類器的聯合學習9.2特征層級9.3使用隨意輸入特征的靈活性9.4特征的魯棒性9.4.1對說話人變化的魯棒性9.4.2對環境變化的魯棒性9.5對環境的魯棒性9.5.1對噪聲的魯棒性9.5.2對語速變化的魯棒性9.6缺乏嚴重信號失真情況下的推廣能力10深度神經網絡和混合高斯模型的融合10.1在GMM—HMM系統中使用由DNN衍生的特征10.1.1使用Tand

em和瓶頸特征的GMM—HMM模型10.1.2DNN—HMM混合系統與采用深度特征的GMM—HMM系統的比較10.2識別結果融合技術10.2.1識別錯誤票選降低技術（ROVER）10.2.2分段條件隨機場（SCARF）10.2.3最小貝葉斯風險詞圖融合10.3幀級別的聲學分數融合10.4多流語音識別11深度神經網絡的自適應技術11.1深度神經網絡中的自適應問題11.2線性變換11.2.1線性輸入網絡11.2.2線性輸出網絡11.3線性隱層網絡11.4保守訓練11.4.1L2正則項11.4.2KL距離正則項11.4.3減少每個說話人的模型開銷11.5子空間方法11.5.1通過主成分分析構建子空間

11.5.2噪聲感知、說話人感知及設備感知訓練11.5.3張量11.6DNN說話人自適應的效果11.6.1基於KL距離的正則化方法11.6.2說話人感知訓練……第五部分 先進的深度學習模型參考文獻 以自然語言人機交互為主要目標的自動語音識別（ASR），在近幾十年來一直是研究的熱點。在2000年以前，有眾多語音識別相關的核心技術涌現出來，例如：混合高斯模型（GMM）、隱馬爾可夫模型（HMM）、梅爾倒譜系數（MFCC）及其差分、n 元詞組語言模型（LM）、鑒別性訓練以及多種自適應技術。這些技術極大地推進了ASR 以及相關領域的發展。但是比較起來，在2000 年到2010 年間，

雖然GMM-HMM序列鑒別性訓練這種重要的技術被成功應用到實際系統中，但是在語音識別領域中無論是理論研究還是實際應用，進展都相對緩慢與平淡。

2018年亞洲運動會男子柔道中量級選手比賽得分內容技術分析

為了解決奧運國家縮寫三碼的問題，作者謝哲維 這樣論述：

目的：分析2018年亞洲運動會男子柔道中量級（-73公斤、-81公斤、-90公斤）進入八強賽之柔道選手致勝技術、得分技術、得分等級、得分時間、比賽時間的分布與差異情形。方法：以參加 2018年亞洲運動會男子中量級（-73公斤、-81公斤、-90公斤）進入八強賽之柔道選手，所進行的 33 場對戰賽程為對象，統計方法採用描述性統計、卡方檢定，顯著水準定為 α=.05。結果：1.致勝技術方面：主要是以足技致勝比例最高，40%。2.得分技術方面：是以足技得分，得分比例最高占44%，其次則為手技，占26%。3.得分等級方面：整體選手以獲得「犯規」的比例最高，占60%。4.得分時間方面：在整體表現上是落

在3-4分鐘之間。5.比賽時間方面：在整體表現上是落在3-4分鐘之間。結論：本研究結果顯示2018年亞洲運動會柔道男子中量級選手在致勝技術及得分技術主要都是以足技為主，在得分等級上是以犯規的比例最高，在得分時間及比賽時間的統計結果顯示都是落在3-4分鐘之間的比例最高。