输入输出模型论文

2024-06-18

输入输出模型论文（精选8篇）

输入输出模型论文第1篇

具有输出噪声干扰的线性系统的辨识是系统辨识领域的一个热点, 许多国内外学者对此进行了较为深入的研究, 并随之出现了许多辨识方法[1,2,3,4,5,6], 但是在实际应用中, 许多学者发现, 在辨识过程中系统的输入项也不可避免地受到噪声的污染, 即实际辨识过程中所用到的输入项实际上是被污染过的输入项, 利用受污染的输入项代替实际输入项辨识出的参数非系统真实的参数。针对具有输入输出噪声干扰的系统, 文献[7]提出利用极大似然函数来实现对系统参数的辨识, 文献[8]利用谱密度分解来实现对参数的估计。在控制领域来实现系统参数辨识的目的, 就是为了对系统设计更加合理的控制器, 从而使系统能跟踪到目标系统, 所以理想的辨识算法是设计合理的控制器的基础。

针对具有输入输出误差的OE模型, 先将OE模型转化成FIR模型, 接着通过递阶辨识算法辨识出FIR模型的参数, 再通过矩阵转换法, 求出OE模型的参数, 最后针对参数已知的OE模型, 设计出合理的控制器使OE模型的输出能渐近跟踪到目标系统的输出。

1 算法设计

考虑OE模型描述的系统

$y (t) = \frac{B (z)}{A (z)} u_{0} (t) + Δ y_{0} (t) (1)$

式 (1) 中y (t) =y0 (t) +Δy0 (t) , u (t) =u0 (t) +Δu0 (t) , y0 (t) , u0 (t) 分别为系统的实际输入和输出序列, 是不可测的, Δy0 (t) , Δu0 (t) 是未知的输出输入噪声干扰, y (t) , u (t) 是系统的可测输出与输入, 而实际的系统可用下式表示

$y_{0} (t) = \frac{B (z)}{A (z)} u_{0} (t) (2)$

令 $G (z) = \frac{B (z)}{A (z)}$ , 对G (z) 采用长除法, 可将G (z) 转化为

G (z) =g0+g1z-1+g2z-2+…+giz-i+…。

于是系统式 (1) 变为

y (t) = (g0+g1z-1+g2z-2+…+giz-i+…) ×u0 (t) +Δy0 (t) 。

假设系统式 (1) 是稳定的, 则当i→∞时, gi→0, 因此上述系统可用一个有限脉冲响应模型近似为

y (t) = (g0+g1z-1+g2z-2+…+gp-1z-p+1) ×u0 (t) +Δy0 (t) , (3)

G (p, z) :=g0+g1z-1+g2z-2+…+gp-1z-p+1。

这里G (p, z) 称为FIR模型的传递函数, p为FIR模型参数数目, 或者称为FIR模型阶次, 只要阶次p足够大, 式 (3) 可以任意精度逼近式 (1) , 式 (3) 逼近式 (1) 的精度取决于p的大小, p的选择又依赖于系统的快速性, 一种可行的方法是通过一个准则函数来选择一个合适的p值。定义FIR模型参数向量ϑ和输入数据向量Φ如下

ϑ:=[g0, g1, g2, …, gp-1]T∈Rp;

Φ (t) :=[u0 (t) , u0 (t-1) , …, u (t-p+1) ]∈Rp。

于是式 (3) 可以写成最小二乘格式的辨识模型

y (t) =ΦT (t) ϑ+Δy0 (t) (4)

当Φ (t) 是可测的, 递推最小二乘算法可以获得FIR模型参数向量ϑ的无偏估计, 算法如下

$\hat{ϑ} (t) = \hat{ϑ} (t - 1) + L (t) [y (t) - Φ^{Τ} (t) \hat{ϑ} (t - 1)]$ ;

$L (t) = Ρ (t) Φ (t) = \frac{Ρ (t - 1) Φ (t)}{1 + Φ^{Τ} (t) Ρ (t - 1) Φ (t)}$ ;

$\begin{array}{l} Ρ (t) = Ρ (t - 1) - \frac{Ρ (t - 1) Φ (t) Φ^{Τ} (t) Ρ (t - 1)}{1 + Φ^{Τ} (t) Ρ (t - 1) Φ (t)} = \\ [Ι - L (t) Φ^{Τ} (t)] Ρ (t - 1), Ρ (0) = p_{0} Ι (5) \\ Φ (t) = [u_{0} (t), u_{0} (t - 1), \dots, u_{0} (t - p + 1)]^{Τ} ； \end{array}$

$\hat{ϑ} (t) = [\hat{g}_{0} (t), \hat{g}_{1} (t), \dots, \hat{g}_{p - 1} (t)]^{Τ}$ 。

由于上面算法中假设ΦT (t) 是可测的, 而在实际中ΦT (t) 是不可测的, 所以对于 (4) 式可以利用递阶辨识法

$\hat{Φ} (t) = [\hat{ϑ} (t) \hat{ϑ}^{Τ} (t)]^{- 1} \hat{ϑ} (t) y (t) (6)$

$\hat{ϑ} (t + 1) = [\hat{Φ} (t) \hat{Φ}^{Τ} (t)]^{- 1} \hat{Φ} (t) y (t) (7)$

根据式 (6) 和式 (7) 可以辨识出FIR模型的参数, 进一步辨识原系统的参数。

2 由FIR模型参数确定系统参数

根据式 (3) 可得

$\frac{b_{0} + b_{1} z^{- 1} + b_{2} z^{- 2} + \dots + b_{n} z^{- n}}{1 + a_{1} z^{- 1} + a_{2} z^{- 2} + \dots + a_{n} z^{- n}} = \hat{g}_{0} + \hat{g}_{1} z^{- 1} + \hat{g}_{2} z^{- 2} + \dots + \hat{g}_{p - 1} z^{- p + 1}$ 。

即

$b_{0} + b_{1} z^{- 1} + b_{2} z^{- 2} + \dots + b_{n} z^{- n} = (\hat{g}_{0} + \hat{g}_{1} z^{- 1} + \hat{g}_{2} z^{- 2} + \dots + \hat{g}_{p - 1} z^{- p + 1}) (1 + a_{1} z^{- 1} + a_{2} z^{- 2} + \dots + a_{n} z^{- n})$ 。

设p≥2n+1, 比较上式两边的z-i的系数, 可建立2n+1个方程

${\begin{cases} z^{0} : b_{0} = \hat{g}_{0} \\ z^{- 1} : b_{1} = \hat{g}_{0} a_{1} + \hat{g}_{1} \\ z^{- 2} : b_{2} = \hat{g}_{0} a_{2} + \hat{g}_{1} a_{1} + \hat{g}_{2} \\ ⋮ \\ z^{- n} : b_{n} = \hat{g}_{0} a_{n} + \hat{g}_{1} a_{n - 1} + \dots + \hat{g}_{n - 1} a_{1} + \hat{g}_{n} \\ z^{- n - j} : 0 = \hat{g}_{j} a_{n} + \hat{g}_{j + 1} a_{n - 1} + \dots + \hat{g}_{j + n - 1} a_{1} + \hat{g}_{j + n}, \\ j = 1, 2, \dots, n 。 \end{cases}$

令

将上式2n+1个方程的前n+1个方程和后n个方程分别联立起来, 可得

${\begin{matrix} b = \hat{g}_{a} + Q_{1} a \\ g_{b} = - Q_{2} a 。 \end{matrix}$

于是可得

$[\begin{matrix} a \\ b \end{matrix}] = [\begin{matrix} - Q_{1} & Ι_{n + 1} \\ - Q_{2} & 0 \end{matrix}]^{- 1} [\begin{matrix} \hat{g}_{a} \\ \hat{g}_{b} \end{matrix}] (8)$

3 控制器的设计

重新考虑系统式 (1)

$y (t) = \frac{B (z)}{A (z)} u_{0} (t) + Δ y_{0} (t) (9)$

式 (9) 中A (z) 是系统的参数, 当系统的参数未知时, 很难设计控制器来使系统的输出来跟踪已知目标系统的输出, 但是通过前两节的推导可知系统的参数是已知的。假设系统的输出y (t) 可测且可导, Δy0 (t) 是系统的未知输出噪声干扰, 且||Δy0 (t) ||≤M, M是未知的正常数, yr (t) 是目标系统的输出, 且yr (t) 也是可导的, 设计的目标是对系统 (9) 设计合适的控制器, 使得

$\lim_{t \to \infty} (y (t) - y_{r} (t)) = \lim_{t \to \infty} e (t) = 0 (10)$

式 (9) 两边同时减去目标输出得

$e (t) = y (t) - y_{r} (t) = \frac{B (z)}{A (z)} u_{0} (t) + Δ y_{0} (t) - y_{r} (t) (11)$

定理1 对于系统式 (11) , 设计如下控制器和自适应率

$u_{0} (t) = \frac{A (z)}{B (z)} [2 y (t) - y_{r} (t) + \dot{y} (t) - \dot{y}_{r} (t) + \hat{Μ} sgn (e (t))] (12)$

$\dot{\hat{Μ}} (t) = ∥ e (t) ∥ (13)$

则系统式 (9) 输出y (t) 能渐近跟踪到目标yr (t) 。

证明设计李亚普诺夫函数

$V (t) = \frac{1}{2} e^{2} (t) + \frac{1}{2} (\hat{Μ} - Μ)^{2}$ 。

两边求导, 并利用式 (12) 。

$\begin{array}{l} \dot{V} (t) = e (t) \dot{e} (t) + (\hat{Μ} - Μ) \dot{\hat{Μ}} = e (t) (- e (t) - \\ \hat{Μ} sgn (e (t)) - Δ y_{0} (t)) + (\hat{Μ} - Μ) \dot{\hat{Μ}} = \\ - e^{2} (t) - \hat{Μ} ∥ e (t) ∥ - e (t) Δ y_{0} (t) + (\hat{Μ} - Μ) \dot{\hat{Μ}} \leq - e^{2} (t) - \hat{Μ} ∥ e (t) ∥ + Μ ∥ e (t) ∥ + (\hat{Μ} - Μ) \dot{\hat{Μ}} = - e^{2} (t) + (Μ - \hat{Μ}) ∥ e (t) ∥ + (\hat{Μ} - Μ) \dot{\hat{Μ}} = - e^{2} (t) + (\hat{Μ} - Μ) (\dot{\hat{Μ}} - \\ | e (t) |) 。 \end{array}$

将式 (13) 代入上式得

$\dot{V} (t) \leq - e^{2} (t) \leq 0$ 。

由上式e (t) ∈L2, 而e (t) ∈L∞, $\dot{e}$ (t) ∈L∞, 根据babalat引理得

$\lim_{t \to \infty} (y (t) - y_{r} (t)) = \lim_{t \to \infty} e (t) = 0$ 。

所以系统式 (9) 输出y (t) 能渐近跟踪到目标。

4 结论

借助于递阶辩识理论, 解决了具有输入输出误差OE模型参数辩识问题, 同时利用辩识出的参数对OE模型设计控制器, 使OE模型的输出能渐近跟踪到目标输出, 理论结果证明了本文多设计的辩识方法和控制器的设计是有效的。

参考文献

[1]Ding F, Chen T.Bias compensation based recursive least squares identification algorithmfor MISO systems.IEEE Transactions on Cir-cuits and Systems-II:Express Briefs, 2006;53 (5) :349—353

[2]Ding F, Chen T.Parameter estimation for dual-rate systems with fi-nite measurement data.Dynamics of continuous, Discrete and Impul-sive Systems, Series B:Application Algorithms, 11 (1) :101—121

[3] Ding F, Yang H Z. Parameter identification and intersample output estimation for dual-rate systems. IEEE Transactions on Systems, Man, and Cybernetics, Part A:Systems and Humans, 2008;38 (4) :966—975

[4]Ding F, Shi Y, Chen T.Amendments to Performance analysis of esti-mation algorithms of nonstationary ARMA processes.IEEE Transac-tions on Signal Processing, 2008;56 (10) Part I:4983—4984

[5] Ding F, Chen T. Performance analysis of multi-innovation gradient type identification methods.Automatica, 2007;43 (1) :1—14

[6] Lu W P, Fisher D G. Multirate adaptive inferential estimation. IEE Proceedings, Part D, Control Theory and Applications 1992;139:181—189

[7]Roberto D, Roberto G, Umberto S.Maximum likelihood identifica-tion of noisy input-output models.Automatica, 2007;43 (2) :464—472

有效输入，优质输出第2篇

【关键词】词块句式结构输入输出书面表达

一、问题的提出

中考书面表达分值15—20分，但从中考的书面表达得分结果看，平均分偏低、高分人数较少，学生书面表达能力悬殊，从学生卷面情况来看，不足主要表现为：逐字翻译，中文式表达多；简单句多，结构不紧凑；句式单一，不会使用多种表达；文本框架不清晰，缺乏语法结构。这个结果说明初中英语写作教学的成效不高，广大初中英语教师需要切实加强英语写作教学方法、策略。

二、问题的解决

1.大量积累词块。词块作为一种介于单词与句子之间的语言结构，是写作教学的理想单位。词块，即词汇组块（lexical chunks），是语言使用者在语言输入和输出过程中频繁使用的，集语法、词汇和功能于一体，具有特定予以和结构并以固定或固定形式存在，有益于提高语言生成能力的短语、固定搭配、习惯用语和句式。例如在九年级Unit5 B2b的文章中，学生可以整理出高频词块，教师应要求学生在书面表达时熟练运用这些词块。

2.不断丰富文章句式。好作文由好句子构成，打好句子基础是提高英语写作水平的关键。那什么是好句子呢？笔者认为应包含以下要素：语法正确、结构连贯、句意完整、语言简洁。笔者从学生的日常习作中提取典型句子，让学生参与评析，然后通过讲解，使其对好句的四要素有更感性的认识。

除此以外，笔者对于学生作文进行选择性批改。每次布置写作任务时，明确告诉学生本次批改的重点，提醒学生注意。

3.精心锤炼逻辑结构。《英语课程标准》五级标准对写作有这样的描述：能使用常见的连接词表示顺序和逻辑关系；能根据图示或表格写出简单的段落或操作说明。

九年级Unit8 B2b阅读材料中要求学生找到常用连接词并说明功能。如：so—expressing a result； as， because， since—giving reasons； but， however， though—expressing a difference. 并在课本2d部分加以练习。依托课本，笔者还引导学生归纳总结，补充不同功能的连接短语，要求学生在平时练习书面表达时充分运用。如：

4.课内外结合获取语言素材。要提高学生的写作能力，可以有效地利用阅读教学，依托阅读文本，进行写作技能的指导，对文本的篇章结构、句式、词汇进行合理的整合、总结，并有意识输入其他与文本话题相关的词汇、句型等，让学生能够模仿文本并在文本基础上进行拓展，以提高写作能力。人教版初中英语教材Go For It中的3a，2b文章具有内容完整统一、文章结构清晰、上下文衔接自然、句式丰富多样等特点，是很好的学习素材。

5.注重实践，加强写作练习。

（1）突出重点，翻译句子。有些书面表达题目要求学生根据中文提示信息，完成文章。学生很容易用中文句式表达英文内容。因此，要求学生进行中英互译就很有必要。翻译练习是培养学生语言意识，排除母语干扰的好方法。

如九年级Unit 7 2b文章中有许多使用频率高的词块，笔者将这些词块编成中译英练习，既要学生熟悉教材中的词块，又需要思考灵活使用，而不是死记硬背课文句子。

a.看电视会阻碍我们的学业。

Watching TV can get in the way of our schoolwork.

b. 我不反对跑步。

I have nothing against running.

（2）创设情景，仿写句子。仿写是以教材为基础在课文或其他语言材料中选取具有典型意义的表达方式或结构再引导学生有意识地将其改变成具有其他意义的句子。是实现英语语言优质输出的有效手段。通过仿写，学生可以将“书本的语言”变成“自己的语言”。选取生活中的话题、情景让学生仿写，才能激发他们的表达热情和积极性，学生对于该句型印象会更加深刻。

（3）实战演练，限时写作。限时写作是检验学生所学写作知识内化程度的最佳方式，也是教师制定下一步教学内容的重要依据。通常，笔者会根据学生的限时作文，提取出易错点，让学生进行改错练习；列举出好词好句，并标注使用该词句的学生姓名，以增加学生写作信心；归纳改写范文，并引导学生进行评析。

三、总结

书面表达是综合性很强的语言运用方式，教师在教学中要注重学生写作能力的培养和训练，同时也要将听说读写综合起来，以“听”“说”“读”促“写”。通过课本、课堂、课外多方面多层次的输入，实现句子到篇章的优质输出，切实提高初三学生的书面表达能力。

参考文献：

[1]范庆.整合课本阅读素材，提高学生写作能力[J].中小学英语教学与研究，2015，（2）.

输入输出模型论文第3篇

在工业生产中存在着这样一类系统,它们的输入采样和(或)输出刷新呈现出不等时间间隔的非均匀的特点,这类系统被称为非均匀采样系统[1,2]。这类系统有的是由于硬件设备的限制、经济条件的制约或环境因素的影响等原因造成的被动非均匀采样系统,如产品组分和浓度的检测[3,4]、熔融指数的人工采样[5,6]和Kappa值的测量[7,8]等。还有的是为了在同样采样点数的情况下获得更多的有用信号而根据信号幅值变化情况主动调整采样间隔的主动非均匀采样系统[9]。近年来,非均匀采样系统的研究受到了国内外专家和学者的普遍关注,特别是作为状态估计和控制理论基础的系统辨识领域[10,11,12,13,14,15,16,17,18]。

在白噪声的前提下,传统算法,如最小二乘算法等,都能给出非均匀采样系统的参数无偏估计。而在工业实践中的扰动都是有色噪声,传统的最小二乘等算法不能满足无偏估计的要求[19]。为了获得参数的无偏估计,研究人员提出了一系列的算法。例如,基于滤波的算法[20]、最大似然算法[21,22]、基于辅助模型的算法[23]等。基于滤波的算法首先采样一个动态的滤波器来白化有色噪声,然后使用传统算法,如最小二乘算法等,获得无偏估计。但是当工业过程输出信号噪信比较大或者参数较多时这类算法会出现估计偏差[24]。并且最大似然类算法给出的估计值都是渐近无偏的,也就是说最大似然算法并不能保证给出的所有估计都是无偏的。此外,最大似然算法的计算量比较大,也在一定程度上限制了其应用[24]。基于辅助模型的算法,如基于辅助模型的递推最小二乘算法(AM-RLS)和基于辅助模型的随机梯度(AM-SG)等,可以同时对系统模型和噪声模型的无偏估计,是一类比较有应用前景的算法。但在辨识过程中,AM-RLS和AM-SG都没有把系统噪声的方差考虑进辨识算法以提高算法的辨识精度,所以本文的基本思路是考虑结合噪声的方差,基于辅助模型的思想和递推最小二乘的形式提出一种递推贝叶斯RB(recursive Bayesian)辨识算法。并用输入非均匀采样广义输出误差模型NUSID-GOE(non-uniformly sampled input data for generalized output error model)验证了算法的有效性。

1 问题描述

考虑如图1所示的输入非均匀更新和输出定期采样的NUSIDGOE模型。图中,包括零阶保持器Hτ、线性时不变过程Pc和采样器ST三个部分。其中,u(t)和x(t)分别是输入信号和无噪输出信号;y(t)为有噪输出;w(t)是有色噪声;y(k T+T)是采样时刻t=k T+T时刻的输出采样值,其中T为输出采样周期,也称框架周期。

假定输入非均匀采样时间间隔为{τ1,τ2,…,τr},它们满足如下的条件:T=τ1+τ2+…+τr。定义t0=0,ti=ti-1+τi,其中i=1,2,…,r,那么输入u(t)可以写为:

其中k=0,1,2,…。

如图1所示,若Pc和w(t)采用文献[20]的形式,则NUSIDGOE模型的连续输出y(t)可以表示为:

其中:

定义参数向量如下:

其中:

ns=na+rnb+1,nn=nc+nd,n=ns+nn;下标s和n分别表示过程模型和噪声模型。

类似地,分别定义信息向量φ如下:

对于t=k T时刻,等式可以改写成:

其中:

假定系统的模型结构是已知的,即(na,nb,nc,nd)和输入采样次数r均是已知的,那么算法的目的就是如何利用观测数据D(k)估计参数向量θ。

2 递推贝叶斯参数辨识算法

贝叶斯方法的主要观点就是把待估计参数作为一个随机变量,通过观测与该变量相关的其他随机变量来推测该变量的值[25]。在提出的算法中,以最大化后验概率密度作为估计准则,即:

根据贝叶斯公式,参数的后验概率密度函数表示为:

其中p(y(k)|θ,D(k-1))为在给定参数θ和数据条件下输出y(k)的先验概率密度。

但是式并不能直接用于计算p(θ|Dk),因为数据的先验概率密度和p(y(k)|θ,D(k-1))和参数的概率密度p(θ|D(k-1))均是未知的。对于后者,一个可行的假设是p(θ|D(k-1))为均值为方差为P(k-1)的正态分布,其概率密度函数为:

对于p(y(k)|θ,D(k-1))未知的情况,假定噪声模型输入v(t)为均值为零方差为σv2的白噪声,即v(k)~N(0,σv2),那么根据式(13),可以得到y(k)~N(φT(k)θ,σv2),因此数据的先验概率密度函数为:

于是参数的后验密度函数p(θ|Dk)的表达式为:

又因为式等价于,求导后整理得到:

其中:

这样就得到了递推贝叶斯(RB)算法的简洁形式:式(22)和式(23)。为了避免计算P(k)的逆矩阵以减小算法的计算量,对式(23)运用矩阵求逆反演公式,得到:

为方便,定义增益向量,RB算法的常用形式如下所示:

标准的RB算法并不能用于参数的估计,原因是:信息向量φ(k)中的x(k T-i T)项和噪声项w(k T-i T)及v(k T-i T)、噪声的方差项σv2均是未知的。可以采用辅助模型的思想[16]:用辅助模型的输出代替x(k T-i T),分别用w(k T-i T)和v(k T-i T)的估计值代替信息向量中的相应项,定义:

其中:

考虑到图1的模型,根据式(28)-式(30),可以表示为:

噪声方差可以用下式进行估计:

于是,RB算法可以整理如下:

RB算法的计算步骤如下:

Step1

收集输入输出数据u(k T+ti)和y(k),i=0,1,2,…,r,k=1,2,…。

Step2

令u(k T+ti)=0,i=0,1,2,…,r-1,y(k)=0,

Step3

为参数和矩阵P设置初值如下:

其中1n为元素全为1的n维列向量。

Step4

分别根据式(29)、式(30)和式(28)构造。

Step5

利用式(34)估计,利用式(36)计算增益矩阵L(k)。

Step6

分别使用式(35)和式(37)计算参数向量和协方差矩阵P(k)。

Step7

从参数向量中分离出过程参数,并分别利用式(31)-式(33)估计。

Step8

令k=k+1,转step4。

3 收敛性分析

定理1对于系统式(13)和RB算法式(22)、式(23),假设{v(t),Ft}是定义在概率空间{Ω,F,P}上的鞅差向量序列,其中{Ft}是截至时刻t之前所有观测数据生成的σ代数序列[26];如果噪声序列{v(t)}满足如下假设:

并且存在正常数c1,c2和t0使得下面的持续激励条件成立[27]:

那么算法给出的参数估计值收敛于真值,即:

其中θ0为参数真值。

证明在式两边同时减去θ0并用φT(k)θ0+v(k)代替y(k),得到:

其中:

众所周知,,w.p.1,并考虑到式(38),可得为式(41)的不变集[19]。那么问题式(40)转化为差分方差的稳定性问题。

在式(23)两边同乘以P(k),则Q(k)可以写成:

令λ为矩阵Q(k)的一个特征值,p为其对应的特征向量,那么下式成立:

考虑到式(42)、式(43)可以写成:

在式(44)的两边同乘以P-1(k),考虑到式(23),并整理得:

在式(45)两边同乘以pT并整理得:

考虑到P(k)的对称正定性和式(39),P-1(k-1)和φ(k)φT(k)均是正定的,所以均大于0。从而式(46)中的项(1-λ)和λ是正负同号的,也即,这也就是说Q(k)的特征值满足0<λ<1。根据差分方差稳定性理论,差分方差式(43)是稳定的,即,,因此定理1成立。

4 仿真实例

考虑如下的NUSIDGOE模型:

其中:

仿真时,输入序列{u(t)}采用零均值单位方差的不相关随机信号,噪声序列{v(t)}采用零均值方差为σv2=0.82白噪声。分别使用RB算法和AM-RGELS算法[20],对系统进行了辨识,辨识结果和估计误差见表1、表2所示,其中参数估计误差定义为。图2为两种算法参数估计值和估计误差的对比情况。

根据表1、表2的数据和图2的仿真结果可以看出:

(1)数据长度增加时,两种算法的估计误差都在变小;

(2)对同样的数据长度,RB算法比AM-RGELS算法的估计精度高;

(3)在相同噪声水平下,RB算法比AM-RGELS算法的收敛速度要快。

5 结语

本文针对输入非均匀采样广义输出误差模型提出了一种递推贝叶斯参数估计算法。它以通过最大化参数的条件后验概率密度函数作为估计准则,由于不仅考虑了参数的先验概率密度而且还考虑了数据的先验概率密度。因此该算法与单纯考虑数据的概率密度的极大似然类参数估计方法相比,精度更高。同时,该算法的辨识精度也会比传统最小二乘算法略高,因为它在辨识过程中考虑了噪声的方差。综上所述,该算法把给定数据集下最可能出现的参数值作为参数的估计值。收敛性分析表明,所提算法的参数估计值能收敛到真值,仿真结果表明了算法的有效性和较高的估计精度。

摘要：针对传统最小二乘算法在辨识过程中没有考虑噪声的协方差和参数的先验概率密度的问题,提出一种递推贝叶斯算法。该算法以最大化参数的后验概率密度函数为准则进行参数估计。实验结果证明所提算法可以获得更高精度的参数估计值。收敛性分析表明,该算法给出的参数估计值收敛于参数真值。该算法综合考虑了噪声方差、数据的先验概率分布和参数的先验概率分布,可以获得比最小二乘法更高的精度的估计值。

中文语音代码输入输出方案的设计第4篇

人的语音信息很复杂, 在中文的一个汉字是一个音节, 一个音节由声母、韵母和声调确定, 这个音节还受到情感、发音的轻重等副语言学信息的影响。说话时一个音节的发音时间和音节与音节之间的节奏都是非常重要的信息。想通过输入代码的方法, 并且用说话类似的节奏驱动语音合成设备产生自然的发音, 输入代码的时间和节奏就很重要了。

2、中文语音的代码设想

手指一共有32个姿态, 用32个不同数字代替, 这些二进制代码就是手指姿态代码。手指、腕关节、肘关节姿态与键盘输入文字不通, 他这些姿态是可以同时敲击完成的, 因此声调以及儿化音、副语言等方面的信息可以同时表达出来, 就可以采用腕关节、肘关节的相应变化来对应。腕关节的姿态可以多种划分, 一般来说弯曲、不弯曲、向向外弯曲三个姿态是容易区分的, 两只手的腕关节姿态就可以表达9个不同的代码。从而相对于手掌的姿态, 在代码设计中只要注意区分拇指和小手指的下方的两块肌肉是否与其它物体挤压接触, 这样手掌姿态就有4个不同的代码来表示, 两手掌姿态代码可以用16个不同代码来表示。肘关节与其它物体挤压接触可以有两种可能, 两个肘关节姿态代码用4个代码表示。肘关节可以弯曲零度到θ。语音代码中可以用不同类别的代码来区分如声调和儿化音码。比如有轻重和节奏强弱的区分的信息如语气的轻重、情绪的强如用关节的弯曲角度θ来表示。

图1 (1手指姿态感应设备、2腕关节姿态作感应设备、3手掌姿态感应设备、4肘关节姿态作感应设备、5语音代码处理设备、6语音代码输入器、7声韵母感应设备、8声调感应设备、9语音代码感知器、10语音合成设备、11文字处理设备、12显示器、13手掌、14腕关节、15肘关节、16鱼际 (人手掌部位的名称) 、17小鱼际)

3、中文语音代码输入输出分析

如图2是输入器、感知器与外围设备工作原理框图。语音代码输入器6由1、2、3、4、5构成。1是手指姿态感应器、2是腕关节姿态感应器、3是手掌姿态感应器、4是肘关节姿态感应器、5是语音代码处理器。语音代码感知装置9由7、8组成。7是声韵母感应器、8是声调感应器。安装在手指尖有十个按钮被称为手指姿态感应器1, 安装在腕关节有角度感应器作为腕关节姿态感应器2。手掌姿态感应器3由16、17组成。16、17是安装在鱼际和小鱼际的按钮。4是肘关节姿态感应器, 其结构是安装于肘关节部位的按钮以及角度感应装置构成。安装在十个手指指尖的电刺激器组成了声母、韵母感应器。安装在手背和手心位置的电刺激器组成了声调感应器。一个典型的输入姿态如图1d, 此时的输入信号:左手00111、右手10001、手腕代码, 左手001、θ等于α左, 右手100、θ为零, 根据表1获得语音代码, 然后代码将会经过处理器5驱动发音器读出相应的语音。语音代码处理器5可以将代码输入到文字处理设备11完成文字输入, 以拼音的代码直接输入到显示器, 语音代码处理设备13将语音代码记录下来, 被记录的语音代码可以任意的回放, 此过程利用计算机软件来实现。当语音代码被输入到感知器9, 此时感知器会分别向小指、无名指、拇指、手背等部位输送一个点刺激信号, 这个电刺激信号与输入的方式相同, 所以输入的人很快能理解出对应的语音代码信息, 从而实现了输入与感知类似方式的体验。

4、结语

根据对语音代码的设计分析, 只要能有效的编制语音代码的规则方案, 相信就能获得一种较好的语音代码输入输出方案。

摘要：本文设计了一种中文语音代码输入输出方案, 设计目的在于帮助视听觉方面的残疾人应用这套输入输出方案解决生活中的交流问题。聋哑人利用这种中文语音代码输入到语音合成设备可更自然的与他人交流。

关键词：文语音代码,残疾人,输入输出

参考文献

[1]吴家安.现代语音编码技术, 出版时间2008年1月.科学出版社, P1-60.

微型计算机的输入输出接口技术第5篇

关键词：微型计算机,接口技术,发展,输入输出

世界上第一台可以有程序控制的计算机称为电子数字积分器与计算器, 它是美国宾夕法尼亚大学为了弹道设计的需要于1946年研制出来的。而从20世纪80年代以来, 微型计算机的类型已经很多, 体积越来越小, 功能越来越强。

微型计算机与大、中、小型计算机相比, 微型计算机最大的区别就在于其中央处理器是集中在一小块硅片上的, 而大、中、小型计算机的CPU是有相当多的电路组成的。微型计算机除了有作为MPU的中央处理器外, 还有大规模集成电路制成的主存储器和输入输出接口电路, 这三者之间是采用总线结构联系起来的。因此, 对连接外部设备的输入输出接口电路做以简单了解是很有必要的。

一、接口技术的简介和分类

接口技术即就是采用硬件与软件相结合的方法, 研究CPU与外设之间如何实现高效、可靠的信息交换的一门技术。微型计算机输入输出接口是CPU与外部设备之间交换信息的连接电路, 它们通过总线与CPU相连, 简称I/O接口。

随着科技的进步和实际的需要, I/O接口也多样化, 其基本类型有三类。第一类是总线接口, 作用于缓冲、锁存、隔离和驱动;第二类是人机交互接口, 是微型计算机与操作人员之间相互传递信息的窗口;第三类是监测与控制接口, 主要用于自动化与自动化仪器。

二、输入/输出接口的交换信号

计算机I/O接口电路与外部设备交换的信号, 一般可分为以下4种: (1) 数字量:以二进制表示的数据 (已经过编码的二进制形式的数据) , 以及以ASCII码表示的数或字符。最小单位:“位”bit, 8为称为一个字节 (BYTE) 。 (2) 模拟量:用模拟电压或模拟电流幅值大小表示的物理量。模拟信号不能直接进入计算机, 必须经过A/D (模拟/数字) 转换器, 把模拟量转换成某种形式的数字量, 才能进入计算机。当外部设备需要模拟量控制时, I/O接口电路D/A (数字/模拟) 转换器又能把数字量转换成模拟量信号。 (3) 开关量:只有两种状态, 即“开”或“闭”。例如电机的启与停, 开关的开与关。这样, 只要用一位二进制数表示, 如:可用0, 1表示。 (4) 脉冲量:在计算机控制系统中还经常用到计数脉冲、定时脉冲或控制脉冲。脉冲信号是以脉冲形式表示的一种信号。

三、输入/输出接口的位置

I/O接口是连接外设和主机的一个“桥梁”。I/O接口的外设侧、主机侧各有一个接口。主机侧的接口称为内部接口, 外设侧的接口称为外部接口, 内部接口通过系统总线与内存和CPU相连, 而外部接口则通过各种接口电缆 (如串行电缆、并行电缆、网线或SCSI电缆等) 与外设相连。I/O接口与系统和外设的连接:I/O接口通过数据线、地址线和控制线与系统相连;I/O接口通过数据线、控制线与外设相连。

四、输入输出的控制方式

(1) 程序控制方式。这是指在程序控制下进行信息传送。可细分为:无条件传送和条件传送两种。 (2) 中断控制方式。一般用来传送低俗外部设备与CPU之间的信息交换。 (3) DMA控制方式。直接存储器存取控制方式是一种成块传送数据的方式。 (4) 输入/输出处理机控制方式。这种方式适用于大量输入/输出设备的微型系统, 此时需要CPU工作在最大工作模式。

在微型计算机系统中, 可采用的输入/输出控制方式一般就是以上四种。

随着系统升级和科技的发展, 在微型计算机系统中, 输入/输出接口技术也逐渐多样化。I/O接口的分类和受系统控制的方式各不相同, 在实际应用中要根据具体问题, 具体分析。使微型计算机与外部设备交换信息更加便捷和快速。在了解接口技术在微型计算机中的重要性后, 也希望微型计算机随着输入/输出接口技术的快速进步而发展, 在更多方面的应用中发挥其最大的作用。

参考文献

[1]刘伟.微型计算机原理与应用探析.科技与生活.2012, (1)

[2]郑学坚, 周斌.微型计算机原理及应用 (第三版) .清华大学出版社.2011, 11

[3]付宁, 奚文红.微型计算机的维护与管理.现代营销.2011, (9)

多输入精输出提高英语学习效率第6篇

一、信息加工原理

自从上个世纪中叶以来, 不少心理学家经过研究发现, 人脑类似于计算机, 需要对所输入的信息进行加工处理。其中比较有影响的是加涅 (Robert Mills Gagne) 的观点, 他从信息加工层面描述了学习与记忆的结构与过程。加涅 (Robert Mills Gagne) 把信息输入过程归纳为:感觉接受器——感觉登记器——选择性知觉——短时记忆——长时记忆。这一过程中, 工作记忆即短时记忆是一个比较关键的环节, 因为该阶段记忆容量有限仅为7±2个, 保存时间很短, 不超过20秒。面对大量的记忆信息, 要使它们进入长时记忆阶段, 需要在此阶段进行精加工, 对信息重组、压缩、形成组块、编码等方式, 方能使它们流入下一个环节——长时记忆阶段。

二、英语学习的信息加工过程

英语学习就是信息输入—加工—输出过程, 就像工厂生产流水线, 缺一不可。但它们却始终伴随着学习者的学习过程, 这是已经许多心理学家和教育专家证实。根据长期教授英语的实践和观察, 笔者发现:无论专业还是非专业学生, 他们对信息加工认识不足, 未能掌握加工的具体方法, 英语学习记忆的盲目性、机械性明显, 因而影响了学习效率。英语学习从信息层面分为听、说、读、写、译五个方面。不少学生反映听读易、说写译难。为什么会出现这种情况呢?从信息加工理论来解释, 就是听读属于输入, 说写译则属于输出, 输入、输出的中间环节就是加工, 需要很多技巧, 由于大脑短时记忆容量有量, 急需对语料严控。只有做到量少意多, 方能储存大容量的信息, 从而进入长时记忆阶段。学生学习英语高耗低效, 前学后忘, 输出卡壳、语塞、忘料等现象源于加工这一关键环节未处理好。学习者如何严格遵循记忆模式, 对所输入的语料 (单词、句子、段落、篇章) 进行精心的加工, 使其有效输出, 提高效率。具体做法, 下边详述。

三、英语信息精加工策略

英语作为一门载体可承载无限内容, 但语料却有序可循, 来料加工, 优化输出, 长忆牢存。下边分别从单词、句子、段落、篇章进行分析。

1、单词的记忆加工

词汇是英语的基本元素, 通常由形、音、义三方面组成。英语词汇极其丰富, 它们由26个字母按不同方式进行排列组合。当英语学习进入中、高级阶段后, 不少学生面对海量的词汇感到无所适从, 尤其是记忆长难词汇, 经常丢三忘四, 苦恼不堪, 这大大影响他们的学习效率和阻碍进步。造成这种不利局面的根源是学生缺乏构词法方面的知识和不能有意识对词汇的形成规律探究细研, 形成组块和编码, 增容缩形, 减少记忆负荷, 增强持久记忆效果。扭转这种不利局面学生需要掌握以下策略:

A、掌握构词规律, 识别词根词辍

英语词汇浩如烟海, 面对庞大的词汇, 我们不能望词兴叹, 应该像孙悟空具备超常的“火眼”, 无论妖怪千变万化, 能一眼透视其庐山真面目。英语大量的词汇起源于拉丁和希腊语, 这些构件恰恰是学生陌生领域, 这正是阻碍他们记忆的顽疾。熟知这些知识, 便能化繁为简, 化长为短, 缩形保义, 速效长忆。记忆长难单词便迎刃而解。

如:anthropocentric adj.人类中心说

该词有字母:15个, 熟悉构词规律者能一眼识别:anthrop (人类) centric (中心的) 两个组块, 因此, 记该词只需记两组块即可, 比单纯按字母排序来记省力、牢固得多。

同样:heliocentric (日心的) ——helio太阳+centric中心的

Ethnocentric (种族中心的) ——enthno种族+centric中心的

hexacholorocyclohexane (六氯环已烷, 六六六——hexa (六) +choloro (氯) +cychlo (环) +hex (六) +ane (烷) 经过加工处理由原来的22个记忆单位缩减到6个记忆单位, 这大大提高记忆效率。

B、巧妙变形捆词, 循序集词成群

很多情况下, 只要采用加、减、换、插、抽、拆等手段, 就能开辟记忆新天地, 让学习者喜出望外。

如:

all-mall-small (加)

other-mother-smother (加)

at-eat-heat-cheat (加)

shell-hell (减)

butter-utter

fridge-ridge

class–lass–ass-as

yeast-beast-feast-least (换)

frown-crown-brown-grown (换)

buy-buoy (救生圈) (插)

trust-thrust

book-brook

side-slide

country-county (县) (抽)

friend-fiend (魔鬼)

shore-sore (疼)

manage (man人+age年龄 (拆) , 人性化管理

hatred (憎恨) (hat+red, 发脾气脸红, 连帽子都气红了)

2、发挥想象串词成句

有时, 面对海量无序的单词, 我们可以充分利用我们的想象力和创造力, 将它们有机的结合在一起, 组成意义完整的一句话, 这样其形义长存在我们的记忆里。

如:1、黑人 (Negro) 英雄 (hero) 爱吃土豆 (potato) 和西红柿 (tomato) 这几个词的复数一律加“es”

2、ape人猿-rape (抢劫) -crape (黑纱) -scrape (刮)

串记为:人猿 (ape) -拿着镰刀 (rape) 去抢救在月亮下 (c) 戴着黑纱的女人, 刮破了她的丝巾 (s)

3、句子的记忆加工

对于句子, 重要的是对其结构分析, 理顺逻辑关系, 认清语言表现手段再进行记忆, 这样经过深加工能达到省力、长效。如:历史上俄国大文豪托尔斯泰有句名言:“All happy families resemble one another;every unhappy family is unhappy in its own fashion”。

此句有两个结构:主-谓-宾和主-系-表-状

语义反差:happy-unhappy;resemble-in its own fashion

语言表述:整体-个体All-every

经过这样深入加工后, 按照上述痕迹就能轻松背诵这句名言。

又如《综合英语教程, 邹为诚主编, 高等教育出版社出版》第11页:

The Parent Trap一课中揭示养育孩子之艰辛, 开宗明义, 篇章:Raising children today is just like competing in a triathlon with no finish line in sight”该句言简意赅, 根括提要, 要记住需作以下的加工:

(1) 结构分析:主-系-表-定

(2) 语料组织:动名词作主语, 表语是明喻, 定语用独立主格结构, 养育孩子:raising children;铁人三项:triathlon;看不到尽头:no finish line in sight.

(3) 意义剖析:此句意义具有广泛性, 因而不用定冠词。

经过上述信息加工后, 背诵这句话就易如反掌。

4、段落的记忆加工

段落的记忆同样需要结构分析, 语料层面分析, 总之进行信息加工、编码、存储, 最后便于提取和应用。笔者曾做个实践, 教授《综合英语教程5, 邹为诚主编, 高教育出版社出版》第五单元, 马克·吐温论权力和服饰的精彩论段:“A policeman in plain cloth is one man;but in his uniform he is ten.Clothes and titles are the most potent thing, the most formidable influence, in the earth.They move the human race to willing and spontaneous respect for the judge, the general, the admiral, the bishop, the ambassador, the frivolous earl, the idiot duke, the sultan, the king, the emperor.No great title is efficient without clothes to support it.”

该段落充分论证了权势的影响力, 不可阻挡。那些权贵在百姓心中拥有高不可攀的地位完全依赖于分阶段产手中拥有的权力。一开始用数字从1升到10, 揭示其巨大的威力。后边列举权贵阶层含皇室、君主、军方、宗教、法庭、外交等方面全靠权力支撑, 让普通百姓油然而生崇敬。

结构分析:警察 (便衣) 1;警察 (制服) 10

威力: (1) the most potent

(2) the most formidable

语料组织:驱动:willing and spontaneous respect for

皇族:封建:king国王, 苏·丹王国Sultan苏丹 (伊斯兰教国家最高君主)

司法:judge大法官

军方:admiral海军上将;general将军

宗教:bishop大主教

外交官:ambassador大使

高爵位:duke公爵;earl伯爵

经过这样的思维导图提示, 学生们便能按图索骥, 有条不紊背诵上来。

5、篇章的记忆加工

篇章的记忆加工更需对文本信息结构、逻辑关系、语料的排列组合进行精细分析、把脉、梳理、提要即进行语义编码, 储存, 方能达到长时记忆, 最后提取适用之功效。如要背诵《新概念英语2》Lesson 1 A Private Conversation原文如下:

Last week I went to the theatre.I had a very good seat.The play was very interesting.I did not enjoy it.A young man and a young woman were sitting behind me.They were talking loudly.I got very angry.I could not hear the actors.I turned around.I looked at the man and woman angrily.They did not pay any attention.In the end, I could not bear it.I turned round again.“I can’t hear a word!”I said angrily.“It’s none of your business.”the young man said rudely.This is a private conversation!

该篇信息可作如下加工分析:体裁:记叙文

故事时间:Last week

故事地点:the theatre

主要人物:一对情侣 (a young man and a young woman) .

故事主要情节:上周作者去戏院看戏, 尽管拥有好座位, 戏也精彩, 可作者十分烦恼, 原因是他的前面正好有一对情侣他们旁若无人, 卿卿我我, 挡住了作者视线, 影响作者观戏, 听不清台词。作者忍无可忍, 大声喝斥, 发泄心中不满。那个小男青年转身粗鲁对作者说:这是他们的私语情话, 不关作者的事。

全文叙述清楚, 描述生动、形象, 使读者身临其境, 归功于“过去进行时”, 副词的妙用:如:loudly, angrily, rudely, again。妙趣横生, 极富幽默情调。

经过上述分析加工和处理, 背诵这篇文章就轻松自如。

四、结语

以上分析和例子揭示出外语学习的过程就是信息加工处理过程。加工技术的高低, 加工策略的优劣与学习效果密切相关。希望英语学习者强化信息加工意识和观念, 切实做到多输入, 精输出, 才能提高英语学习效率。

参考文献

[1]丁锦红, 张钦, 郭春彦, 著.认知心理学[M].北京:中国人民大学出版社, 2010.

[2]壹英语教学研究中心.天啊!还能这样背单词[M].北京:中国水利水电出版社, 2011.

[3]王峰.记忆王子教你轻松记[M].北京:化学工业出版社, 2012.

[4]赵丽.不择手段记单词[M].长沙:湖南文艺出版社, 2010.

[5]邹为诚.综合英语教程5[M].北京:高等教育出版社, 2007.

输入输出模型论文第7篇

语言的“输入”和“输出”问题是二语习得研究的一个关键领域, 其中最有影响的是Krashen的输入假设 (Input Hypothesis) 和Swain的输出假设 (Output Hypothesis) 理论。

输入假设强调输入内容应该是可理解, 能引起学生的兴趣, 并且有充足的量, 不应该按语法顺序。

输出假设强调语言输出要促进“注意”功能, 输出通过假设验证对语言学习过程起作用, 输出还具有元语言功能。

在语言教学中, “输入”理论与“输出”理论有着极强的关联性。输入是语言学习的手段, 是习得的先决条件, 是基础;输出是目的, 是习得的必要途径, 是语言学习的终极目的。语言学习者在接受语言输入的同时, 进行语言的输出活动, 两者相互结合才能确保语言习得的成功发生。

二、输入理论对阅读教学的指导

在非英语的语言学习环境当中, 大量信息的输入显得尤为重要, 它是语言实践活动的前提。阅读是获得信息和语言知识的主要渠道和有效途径, 所以, 在阅读材料的选择过程中, 要注重材料的“量”与“质”。文章的阅读分为泛读和精读, 泛读是为了达到量的积累, 最广泛的接触到各方面的语言知识信息, 培养语感, 体验文化;精读则有利于学习者深入并精确把握语言的使用, 通过大量语篇的精细解读, 掌握具体语境下词汇的选择, 遣词造句的规律, 以及章结构的层次关系。通过阅读和分析, 语言知识逐渐内化, 为之后的语言输出做了铺垫。

三、输出理论对写作教学的指导

在写作这样的语言输出的过程中, 学习者会意识到实际表达能力与想表达内容之间的差距, 认识到自己在具体语言知识使用上的欠缺。这样的差距和欠缺对于学习者来说不仅仅是对已掌握知识的验证, 同时也刺激了学习者, 使学习者能够正视自己对语言的应用水平。所以, 此过程引起了学习者对语言问题的注意。教师通过学生的习作, 不但要了解学生对语言掌握的程度, 还要帮助学生归纳出错误类型, 进行错误分析, 适当纠错, 避免石化。通过指导学生反复练习, 提高学生语言应用的准确度和熟练度。

四、兼顾“输入输出”实现读写联动

古人云:“读书破万卷, 下笔如有神。”这句话充分说明了输入与输出, 阅读与写作之间的关系, 阅读是语言学习的基础和前提, 写作是对语言知识吸收效果的验证。想要达到用目标语轻松地道地表达自己的思想, 实现精彩的写作, 唯有在阅读当中积累大量的素材, 深入了解不同文化下语言的表达方式。由此可见, 阅读与写作密不可分, 教学过程中应把两者有效的结合。

如何将二者有效结合?途径之一就是边分析阅读材料边指导写作。在阅读教学中, 要指导学生关注作者用词的选择、句子结构、谋篇布局的方法, 所有这些方法可作为语言知识进行总结、归纳, 对于经典的段落要熟读或者背诵下来。久而久之, 随着阅读量的增大, 学生对词汇句式的表达方式有了一定的积累, 对文章的层次结构也有了进一步的理解, 语言知识从最初的规律性总结逐步过渡到知识的内化, 这就为写好作文打下扎实的基础。途径之二是查找写作不足, 以写促读。在英语写作教学中, 要重视讲评, 可采取自读自评、互读互评等多种形式。从学生习作中归纳出错误类型, 如用词不当、语法结构混乱、篇章层次不明确、主题不突出、文章逻辑结构不符合西方人的思维方式、表达不地道、不流畅、不准确。用写作作为一个标准来衡量阅读中知识的吸收, 然后带着写作中常见的问题回归阅读材料, 比较阅读材料与学生写作, 找出薄弱环节, 挑选相应的阅读材料继续研究, 以促进写作。

五、结语

总之, 教师在教学过程中要兼顾输入输出, 读写结合, 优化教学模式, 使学习者站在读者的角度去写作, 站在写作者的角度去阅读, 使学生最大限度的理解输入内容, 并准确流利地进行语言输出, 促进双向信息的交流。学生应多读适合的阅读材料, 多进行写作训练, 这必将促进学生阅读水平和作文水平的提高。

摘要：大学英语的教学目标是培养学生的听、说、读、写、译全方位语言技能, 这些技能之间互相融合。其中, 阅读与写作是语言输入与输出的两个重要的方面, 在教学过程中, 应该把这两项基本技能的培养紧密结合, 兼顾输入输出, 使其相辅相成, 实现读写联动, 有效提升学生的英语语言应用能力。

关键词：输入理论,输出理论,读写联动

参考文献

[1]Krashen, S.The Input Hypothesis:Issues and Implications[M].London.Longman, 1985.

输入输出假设与大学英语听力教学第8篇

听力在语言系统中占据着重要的地位, 无论从语言发展的历史上看, 还是从儿童学习语言的顺序上看, 亦或是从口语和书面语的作用上看, 听力都居于四大基本技能 (听、说、读、写) 的首位。《大学英语课程教学要求》提到大学英语的教学目标就是培养学生的综合能力, 特别是听说能力, 使他们在今后学习、工作和社会交往中能用英语有效地进行交际。这一目标突出了听说在大学英语教学中的重要性。但是, 目前大部分高校的听力状况却不容乐观, “聋哑英语”现象普遍存在。学生虽然学了很多年英语, 考试得分也不低, 但是听力能力却较差, 听不懂, 速度跟不上, 无法与外国人交流是一大问题。他们不能用所学的英语达到交际目的, 这有悖于大学英语的教学要求和培养目标, 更不利于英语习得的健康良性发展。

二、输入输出理论

1.输入假设和情感过滤假设

美国语言学家斯蒂芬·克拉申于1985年提出的输入假说理论, 认为学习者是通过对语言输入的理解而逐步习得第二语言的。“可理解的语言输入”是语言习得的必要条件。“可理解的语言输入”的基本公式是“i+1”。“i”代表学习者现有的语言知识, “1”代表略高于学习者现有的语言知识部分。“i”和“i+1”之间的差距就是学习的动力所在。因此在语言输入的过程中要仔细把握“1”的量, 它应当稍微高于学习者目前的英语水平。只有当学习者接触到的语言材料是“可理解的”, 才能对语言学习起作用。但是他认为接受可理解的语言输入不是充分条件, 情感因素在语言习得过程中起重要作用, 它对学习者能否有效地运用所获得的可理解输入至关重要。这些因素包括学习目的、学习动机、自信心和焦虑等。当“情感过滤”高时, 学习者可能会懂得他听到的内容, 但其可理解输入量受到限制, 有碍语言习得。当“情感过滤”低时, 学习者会完全把自己看做是讲目标语言的人们中的潜在的一员, 因此有助于习得。

2.可理解性输出假设

克拉申理论片面强调“语言的输入”, 认为只要有足够的“输入”就能自然而然地习得语言, 这无疑否定了语言输出在语言习得中的作用。为补充完善这一理论, 加拿大应用语言学家梅丽尔·斯万在80年代后期提出了可理解性输出假设, 认为可理解输入在习得过程中固然重要, 但仍不足以使学习者全面发展他们的二语水平。只有当这种输入变为吸纳时, 语言的习得才会发生。可理解输入只让学生注意目的语的意义, 而输出则要求学生不得不注意语言的形式以便于准确、连贯、得体地进行交际。因此输出对于运用语言提高交际能力的作用是巨大的。

三、大学英语听力教学存在的主要问题

1.教师因素

随着时代的发展, 高校的规模不断扩大, 对英语教师的需求量也不断增加, 致使青年教师成为英语教师的大多数。这一群体的普遍特征为:社会阅历不足, 缺乏相应的文化背景知识和交际规则知识。从语言是社会符号的角度来看, 将语言与社会、文化背景知识的整合是当今青年教师传输语言知识时需要克服的一大障碍。而从事多年大学英语教学的中、老年教师由于过去教学的惯性, 教学理念的更新速度过慢, 有些人依然延续传统的听力教学方法:即关注词汇和语法的识别, 忽视了语境和意图对于理解的作用, 而这种主观意识在很大程度上影响了大学英语听力教学的效果。

2.学生因素

英语听力能力的培养非一日之功, 是小火慢功, 没有几年苦功是很难有质的变化。刚入学的学生普遍存在语音问题。一方面是因为他们来自各个省区, 各自带有一定程度的方言而且语音普遍没有经过正规、系统的训练;另一方面, 很多学生对语音学习不够重视, 认为只要能读得出、看得懂就可以了。一般来说, 学生存在的语音问题主要表现在:一是受方言影响, 听音、辨音能力较差;二是对英语发音的特点和规律掌握不好。当听力材料中出现连读、弱读、重音转移、失去爆破等现象时, 很多学生就不能准确理解语篇的大意。此外, 由于大学英语四、六级考试中, 听力所占的比例小, 同时听力客观题较多, 使部分学生产生急功近利的想法, 基本放弃听力能力的训练, 只注重应试技巧。在这种应试教育的背景下, 大部分学生丧失了用心学习听力的主观能动性。

3.教材因素

教材是课程的重要组成部分, 一套新颖有趣、系统的好教材能激发学生的学习动机, 也是实现教学目标的重要条件之一。大学英语听力教材具有其特殊性, 它是大学英语全套教材的一部分, 不是孤立的。我们目前使用的听力教材与读写、口语教学内容缺乏有机结合, 重“输入”轻“输出”的理念普遍存在于这些教材当中。其次, 我国传统的听力教材大多表现为题材和体裁单一, 缺乏多样性;有的教材几乎完全是听力测试, 可理解的输入性语料又过少, 致使许多学生丧失了学习语言的积极性。

4.教学模式因素

目前, 大部分高校的大学英语听力学时是每周一学时, 占总学时的四分之一。在教学过程中教师受教学任务和教材影响, 输入方式单一, 往往采用灌输法训练听力, 即重复按键听听力, 对答案。这种输入方式无法调动学生积极性, 学生的学习动机不强, 无法提高听力效果。而且, 有些教师只是听完材料后对对答案, 没有任何的输出, 口语这一技能得不到任何训练, 忽视了说对于听的促进作用。

5.语言测试体制因素

在日益激烈的升学、就业竞争压力下, 考试历来是中国学生学习的指挥棒。从大学英语四、六级, 考研, 考博士的英语考试来看, 一套试题中客观题占了大多数;主观题多数情况是作文, 只占15%。这样的语言测试模式无疑忽略了学生主动驾驭语言能力的培养, 使输出效果更难检测。

四、解决大学英语听力问题的对策

1.以“输入”为导向, 以“输出”为目标, 建构全新的教学理念

教师首先需要转变教学理念, 设计教与学的双边活动。听力教学中教师的灌输法往往使学生一直处于被动的听的状态。只有输入的过程, 没有输出的反馈, 很难使学生将输入的东西消化吸收。因此, 教师要设计双边活动, 让学生参与进来, 学生不是被动地听, 而是不断地输出, 通过说的方式加强吸收输入的信息。其次, 教师可根据学生的设计水平和需要在听力过程中补充相关的知识。这些知识可以包括一般知识和相关领域知识两个类别。对于一般的知识, 教师可以通过鼓励学生利用各种机会听外语广播, 如中央电视台第九频道的电视节目、BBC、VOA、CNN等, 以及阅读一些有关文化和语言的语篇, 通过角色扮演, 布置一定的交际任务来获得。

2.培养学生正确地运用语音语调来表达和理解意义的能力, 降低情感焦虑

教师应重视现代词汇学、文体学以及现代语音学中的主要理论——重音、音高、音强等韵律成分对于表达意义的作用, 并将这些理论应用于听力教学实践中, 有意识地培养学生正确地运用语音语调来表达和理解意义的能力。例如, 教师可以选择一些他们熟悉的含有典型的语音知识句子的日常用语, 让学生反复练习, 仔细体会和掌握正确的发音、连读、爆破和语调变化等语音知识。当学生通过语音语调对语篇的意义理解后, 可以进行模拟。经过强调和对比, 可增强学生理解的精确性和深度。在训练听力过程中, 情感因素起着很重要的作用。情感过滤高时会阻碍学生语言习得的进度, 而情感过滤低时则有益于语言的学习。

3.以系统的教学理念, 改革教材, 将听说融为一体

欲善其事, 必先利其器。教材是教师的教学工具, 教材的编写体例在某些情况下制约着教师的教学方法和手段。系统、适合的教材是取得预期教学效果不可或缺的工具, 所以教材的编写一定要有系统观、全局观。另外, 教材必须难易程度适中, 其中的单词和语法大部分应该是学生已经掌握的, 材料语速应该适中, 让大部分学生经过几遍的听力之后能够听懂, 使学生获得可理解的输入。

4.构建全新教学模式——以听促说, 以说促听

听力与口语不是两个独立的技能训练课堂, 而是一个循环圈。教师应在搜集和总结相关知识的基础上, 首先进行听力教学, 即“输入”性引导, 然后根据所听信息, 让学生进行归纳、复述等口头练习, 即以听促说, 以说促听。

5.改进考试题型, 调整主观题与客观题的比例

调整主、客观题的比例, 加大主观题比例, 尤其是听写等主观题的比例, 将听写作为听力的考查重点, 减少选择题的比例, 可以考虑将听力与口语有机结合。比如教师可以利用多媒体语音室, 让学生每人准备一盒空白带, 在听音并答完试卷后, 录制自己归纳的语篇大意或相关信息, 考试后, 听力答卷与磁带一并上交。这样做, 可将所学与所考紧密结合, 有利于教师对于学生能力的整体把握。

参考文献

[1]DIANE LARSEN-FREEMAN, MICHAEL H.LONG.An Introduction to Second Language Acquisition Research[M].Bei-jing:Foreign Language Teaching and Research Press, 2000.

[2]KRASHEN, S.The Input Hypothesis[M].London:Longman, 1985.

[3]SWAIN, M.The Output Hypothesis:Just Speaking and Writing aren’t Enough[J].The Canadian Modern Language Review, 1993 (50) .

[4]言志峰.英语口语拒绝意义的表达策略[J].中国市场, 2006 (11) .

[5]丰玉芳.图式理论与英语听力理解[J].江苏外语教学研究, 2001 (1) .

本文来自 99学术网(www.99xueshu.com)，转载请保留网址和出处

【输入输出模型论文】相关文章：

输入输出同步07-15

输入输出流07-31

输出驱动—输入促成07-02

输入/输出控制程序05-28

输入输出视角下高职英语教学研究08-26

输入输出理论与学生听说可持续发展能力培养09-10