CNN新闻

2024-10-23

CNN新闻（精选10篇）

CNN新闻篇1

一、电视字幕新闻的定义和发展

电视字幕是电脑控制新闻发生器, 在电视屏幕打出字简洁文字, 向观众传播最新消息, 是电视新闻最简便的报道方式。

李家国 (2003) 等认为, 从狭义上看, 电视字幕新闻是独立于面, 又依附于电视屏幕, 对刚在发生的事实文字报道样式。这样的电视字幕新闻多以滚动的形式出现, 所以也称为滚动新闻。国内的如CCTV新闻频道播出节目下方的字幕条;国外的如CNN等播出节目下方的字幕。本文讨论内容以狭义的电视字幕新闻为主。

电视字幕新闻的发展已经有比较长的时间, 在奥运会等大型体育赛事, 最新的赛情往往以字幕新闻的形式快速地出现在电视屏幕上为观众提供最便捷的信息服务。而在2003年的伊拉克战争期间, 美国有线电视新闻网CNN在以电视画面深入报道最新战争进展的同时, 还以滚动字幕的形式快速地报道最新的战况。而国内的中央电视台新闻频道自2003年创建以来更是大量使用滚动字幕报道, 从神舟飞船到冰雪灾害, 到汶川地震, 字幕新闻总是迅速快捷地把国内外最新资讯呈现在广大观众面前。而今的电视行业, 字幕新闻已经成为除了画面报道之外最常用的新闻报道形式。

电视字幕新闻的产生有电视本身的原因, 也有信息技术发展的影响。

信息时代的到来为电视字幕新闻奠定了受众基础。信息时代, 媒体受众有着新的特点, 受众对信息需求增多和受众接受多元信息能力的增强。21世纪是一个信息化的世纪, 人们对信息的需求量越来越大。同时, 人们所接受到的信息量也越来越多, 接受信息的能力会越来越强。而互联网的普及加强了大众的这种能力。这给电视字幕新闻出现和繁荣带来了受众基础。

二、CNN电视字幕新闻的语言特点

本文主要以CNN为例, 讨论电视字幕新闻的语言特点。由于CNN字幕新闻是上下滚动, 因此屏幕的空间和容量相对于左右滚动来说是比较有限, 也就是说, CNN字幕新闻的容量和空间都是很有限的。这个特点也影响到CNN字幕新闻的语言。一般说来, CNN字幕新闻的语言具有以下几个特点:

(一) 以简单句为主, 句子精练

由于字幕新闻的物理空间有限, 所以, CNN电视字幕新闻 (注:商业字幕新闻中的股市证券信息不在本文讨论的范围, 股市信息只有数字和符号, 不是句子) 一般都是一个句子, 例如: (注:以下例子皆选自CNN新闻, 例子最后是新闻播发的日期)

例1:Significant aftershock strikes China’s Sichuan province. (2008年5月18日)

明显的余震袭击中国的四川省。

这是一个具备主谓宾结构的SVO句子, 也是CNN字幕新闻常见的句子型式。句子可以说是非常的精干和浓缩, 表达的意思也很简练, 只传达了事件和事件发生的地点, 没有时间也没有人物等更多的信息。

(二) 省略相当的语法成分, 句子简便

此外, CNN字幕新闻语言最显著的特点是这些字幕新闻省略了相当多的语法成分, 概括起来主要在以下方面:

1. 省略谓语

因为空间的有限性, CNN字幕新闻的句子非常简练, 有时还省略了谓语部分, 变成一个只有主语和宾语的SO结构的不完整句子。

例2:Death toll from earthquake nownearly 29, 000. (同上)

地震造成的死亡人数已接近两万九千人。

从例2来看, 这个新闻只有主语成分Death toll from earthquake和宾语29, 000, 没有句子的核心部分谓语。

2. 省略助动词be

在很多CNN的字幕新闻中, 助动词be是经常被省略的语法结构, 这些省略的助动词be按所起的语法作用和位置不同可分为两类:

(1) 省略被动语态和进行体中的助动词be

完整的句子在运用被动语态和进行体的时候be动词都是不可以省略的, 而在CNN字幕新闻中, 往往是这个助动词经常省略。

例3:U.S Sen.Ted Kennedy hospitalized after suffering seizure. (同上)

美国参议员泰得·肯尼迪疾病发作后住院。

例4:Kennedy undergoing tests at Boston hospital. (同上)

肯尼迪在波士顿医院接受检查。

以上两个例子都是省略助动词be的句子, 或者说是句子的片段。其中, 例3省略的是被动语态中的be动词, 而例4省略的是进行体中的助动词be。

(2) 省略表语中的助动词be

CNN字幕新闻不但省略了被动语态和进行体中的助动词be, 其他表语成分中的助动词be也省略了。

例5:Ted Kennedy in Boston hospital after suffering seizure. (同上)

泰得·肯尼迪疾病发作后住院。

例5中介词动语in Boston hospital应该是句子的表语部分, 然而却没有助动词be。

3. 省略冠词

冠词的使用在CNN字幕新闻中也是相当的经济和节约, 省略冠词, 包括定冠词和不定冠词, 在CNN字幕新闻中是比较常见的现象。

例6:Woman rescued after being trapped more than 124 hours. (同上)

在被困超过124小时之后, 有一名女性获救。

在例6里, Woman一词没有任何冠词, 也没有更明确的指称, 只是最基本的性别提示。在上文出现的例1、2、4和5的Significant aftershock, Death toll, Boston hospital.也相应省略了不定冠词和定冠词。

(三) 使用冒号代替谓语

上文中我们提到, 有时候CNN字幕新闻省略了谓语, 而实际上, 谓语可能省略了, 也有可能是用冒号来代替了。冒号的使用在CNN字幕新闻中也很普遍, 作为特殊的标点符号, 冒号在字幕新闻中起到了很关键的作用, 替代了谓语出现在述谓结构中。

例7:U.S geological survey:Aftershock measured 6.0. (同上)

美国地理调查发现, 余震测算为6.0级。

这个句子可以说是没有谓语的, 但是冒号的作用却起到了谓语的作用, 在这里冒号相当于是谓语动词show;find等。同样的例子还很多, 如:

例8:Bush:Saudi oil increase not enough. (同上)

布什说:沙特的原油生产增加得还不够。

这里的冒号同样起到谓语的作用, 相当于动词say等。在新闻标题研究中, 把这种使用冒号的句子成为“A:B”式标题 (张丽萍2007;杜晓莉2006;陆庆和1999;) , 我们把CNN字幕新闻中的这种信息成为A:B型信息, 实际上在CNN字幕新闻中, 冒号的作用不仅仅是替代谓语, 在本文的第三部分将继续讨论这种类型的字幕新闻的语义关系及理解。

(四) 不定式充当谓语指将来

不定式结构在具体的使用中加上助动词be可以表示将来发生的动作, 这一点在CNN字幕新闻也得到了广泛的使用, 只是在使用中省略了助动词be, 只剩下不定式短语。如:

例9.New York torecognize gaymarriage. (2008年5月30日)

纽约将承认同性婚姻。

例10.Prince William to become rescue pilot. (2008年9月15日)

威廉王子将成为救援飞机飞行员。

例9和例10当中的不定式短语to recognize和to become省略了be, 用来表示将来发生的事情。当然, 在CNN字幕新闻中, 不定式并不是表示将来的唯一语法手段, 其他的将来语法结构也同时在使用。

三、CNN字幕新闻语言的理解

由于使用了大量的语法手段, CNN字幕新闻的语言非常简练和浓缩, 然而字符数量的减少在带来经济性的同时也会让相关语言的理解和解读带来困难甚至影响信息的传递和沟通。

句子简化和语法成分省略直接带来的结果还有句子结构本身的不完整。要理解这些不完整的句子片段, 那就必须有一定的信息量补充, 帮助进行推理, 而这些信息的来源在这里我们统称为语境。

陈治安、文旭 (1997) 将语境的最基本功能分为制约功能和解释功能。制约主要是限制说话者写作者对语言的使用, 解释既可以指对情景意义的解释, 也可指对模糊现象的解释。

对于帮助理解CNN字幕新闻的语境可以分成两类:句际语境和画面语境。

(一) 句际语境

尽管CNN字幕新闻句子省略部分多, 但是字幕新闻是24小时不断更新, 往往在一个消息播出不久, 就会有更多的消息对前者进行信息的补偿, 这就是字幕新闻的句子间语境。

以例句3至5为例:这三个例子都是同一天出现的CNN字幕新闻。例3出现的时候我们对句子的理解是初步的, 句子省略助动词be, 是一个不完整的句子片段。而接着出现的例4和例5则对例3进行句际语境的补偿, 让观众对整个事件的发生和发展有了大概的比较全面的了解。正是有了对这个事情较全面的了解, 根据我们大脑对事物认知的完形倾向, 在了解了事情的框架之后, 就可以忽略这些句子本身被省略了的语法成分, 从而达到了只了解信息而忽视句子语法正确与否。

(二) 画面语境

除了语言内语境之外, CNN电视字幕新闻还通过24小时不断滚动播出的画面新闻对字幕新闻进行信息的补偿。

如在例6中, 尽管仅仅凭这个字幕新闻本身无法进一步理解其信息, 然而在当天的新闻中, CNN就引用CCTV地震报道的画面对这个新闻进行了进一步的报道, 这样画面新闻就对字幕新闻起到了补充作用。

四、结语

本文主要讨论了CNN电视字幕新闻的语言特点, 认为CNN字幕新闻语言的特点是以主谓结构的简单句为主, 句子精练, 同时通过省略了相当多的语法成分来达到其经济性;文章还讨论了这些字幕新闻的理解。本文只是初步的研究, 关于CNN字幕新闻的语言特点, 我们还需要更多更深入的探讨。

参考文献

[1]陈治安, 文旭.试论语境的特征与功能[J].外国语, 1997 (4) :22-26.

[2]杜晓莉.试析“A:B”式报纸标题各种语义关系的使用频率[J].新闻界, 2006, (4) :126-127.

[3]李家园, 杨俊伦等.电视字幕新闻的勃兴[J].新闻三昧, 2003, (9) :22-23.

[4]陆庆和.冒号与话题式标题[J].语文建设, 1999 (4) :32-34.

[5]蒋乐进.电视字幕新闻的发展与制作[J].电视字幕特技与动画, 2006, (5) :64-65.

[6]张丽萍.新闻标题中的冒号[J].汉字文化, 2007 (2) :85-87.

CNN新闻篇2

近日，一部以“典型中国，熊猫故乡”为主题的成都城市形象广告片在美国有线新闻网(CNN)、英国广播公司(BBC)等西方主流媒体播出。大熊猫、杜甫草堂、三圣花乡、成都老茶馆、春熙路、宽窄巷子……这些成都元素在美国东部时间8月1日上午在美国纽约时报广场一块近240平方米的电子屏上滚动播出———以“典型中国，熊猫故乡”为主题的成都市城市形象宣传片《熊猫篇》登陆纽约时报广场，向世界诠释了一个文化底蕴与时尚气息完美交融的中国城市形象。这也是继大熊猫美兰加入“地球关灯一小时”、全球征召大熊猫守护使活动、《功夫熊猫2》等成功植入成都元素后，成都城市形象在海外的又一次重要亮相。

“熊猫让我想回家”

历史文化街区宽窄巷子里老成都的市井之态;喧嚣热闹的大小茶馆里的成都式悠闲、繁华商业区春熙路的熙来攘往„„通过成都在CNN投放的宣传片，西方观众可以一睹他们之前或许并不熟悉的中国西部城市成都的风貌。让很多西方观众更感亲切的是，广告片的主角是一只憨态可掬的大熊猫。该片由屡获国际大奖的中国广告导演唐高鹏执导，片中的熊猫由日本道具师土井真一设计。那么，作为一部试图从外国人视角拍摄的城市形象广告片，它的反响到底如何呢? “对于伦敦人来说，中国还是太远，四川就更远了，要说我来自四川成都，周围的外国人知道的不多，但一听我说来自熊猫的故乡，老外们顿时就变得十分兴奋。”生活在伦敦的成都人“嗨咪”离开家乡已经10年，近日，在BBC网页上看到这则成都形象片视频的他感到非常惊喜和骄傲。“嗨咪”说他无数次观看这个视频，思乡之情涨得“心尖发痛”，“熊猫让我想回家”。除了勾起海外成都人的思乡情，该片也赢得了外国观众的好评。一些外国网友在观看了“熊猫篇”后赞叹不已——他们原来对中国的城市只知道北京、上海，没想到中国还有成都这座非常漂亮的城市，而且还是熊猫的故乡。坦桑尼亚人皮莉告诉记者，看过宣传片后，她发觉成都是一个非常适合旅游的城市。

对外宣传要遵循规律

近年来，作为中国新的经济增长极和西部大开发的引擎城市，成都的国际影响力不断提升。截至目前，已经有包括英特尔、IBM、马士基等在内的179家“世界500强”企业来成都投资发展。不久前，《福布斯》杂志刊登文章称成都是“未来10年世界上发展最快的城市”。受到越来越多关注的成都希望向世界传递更加开放的信息。“我们从去年年底就有了向海外营销成都城市形象的念头，广告无疑是最直接抵达受众的方式之一。”成都市市委外宣办新闻联络处处长黄琳告诉记者，城市形象广告片项目在2010年年初正式启动。

这部城市形象广告片从论证立项、筹备、招标、制作到投放，前前后后花了近1年时间。“国际视野”是黄琳在参与整个项目运作过程中体会最深的四个字。黄琳向记者介绍说，其实此次成都同时制作了两个版本的城市形象广告片。一部是在中央电视台播放的“国内篇”，另一部是面向西方观众的“海外篇”。国内外两个版本针对不同的受众人群，思路大有不同。对外宣传不是一拍脑门的事情，拍城市形象广告片也并不是拿了钱就可以立项。在财力物力有限的情况下怎样才能拍好城市形象广告片?怎么才能让更多的外国观众认识成都、喜爱成都?国际传播有哪些规律性的东西可循?这种种问题，一直萦绕在城市形象广告片工作小组所有人的心里。黄琳说，为了进一步了解国外广告风格，工作小组开了一次又一次的专题会，观摩了上百部国外优秀形象广告片。

在一个几十秒的广告里，要做到既不铺陈高楼大厦形象，又不简单堆砌文化符号，还要达到让外国观众产生亲切感和认同感的目的，就必须挑选一个成都辨识度最高的核心元素。黄琳说形象片大打熊猫牌有两个原因。其一，一直以来，熊猫作为城市名片经常出现在成都各类对外经济文化交流活动中，在海外有很强的认同感。“今年举办的成都全球招募熊猫守护使活动引起的国际关注热度未消，形象片推出熊猫是一种借势营销。”其二，熊猫会使人们联想起自然环保这一全球共同关心的主题，熊猫元素所能起到的传播效果自然不言而喻。“广告投放的时间也是考量再三的，选择在了收视率相对较高的圣诞节前后。由于城市形象宣传是一个持续性工作，2011年有可能还会继续投放该广告。”黄琳透露，成都市市委外宣办还将配合整个城市的发展规划在日、韩等地分步骤推出成都形象宣传片，更好地营销成都。

用感性方式表现中国形象

近年来，中国在对外形象宣传方面的一系列动作被认为是中国“国家公关”时代的到来。随着中国综合实力的日益增强，以及融入全球化的程度越来越深，中国确实需要有意识地对外树立和推广国家形象。在这样的背景下，应该如何去解读成都市政府在西方主流媒体投放城市形象广告片之举呢? 中国传媒大学外国语学院教授刘笑盈表示，从2008年汶川地震到北京奥运会，再到2010年上海世博会，国外媒体报道中国的镜头逐渐从原来的俯视、轻视变成了平视和重视。而在成功应对国际金融危机后，中国争取到更多的国际话语权。如今的中国，对外宣传和国际传播都出现了新势头。“中国地方政府的外宣工作一向非常活跃，但地方政府直接在西方主流媒体投放城市形象广告片应当算是一个先例。这说明，中国“走出去”的愿望变得更加强烈。”

我被CNN解雇之后篇3

在我的内心有句话不断重复着：“达琳，应该是行动的时候了。”我不知道那句话是什么意思。但我以前一直没有时间去想。老板说完，我离开了办公室，开车回家。回到家。我抱了抱三条腿的猫，然后牵狗出去散步。一路上，我老是想不明白自己为什么被解雇，我喜欢这份工作，我想继续做下去。我喜欢和那些制片人、作家和技师在一起。他们那些人。女的爱化妆，男的爱谈论体育。他们都要从我的生活里消失了。我不知道下一步该做什么。随后去工作的时候，我照样抬头挺胸，没有跟人家谈起我将要被解雇的事情。我的内心其实很乱。

“达琳，离开电视台后你要做什么工作?”家人和朋友们不断这样问我。我自己都不知道要做什么。反正，我不大喜欢去广播电台工作。我总是想着我做的那些励志故事，我喜欢这些精神层面的故事，这些故事也使我在挫折中找到了安慰。做励志故事不能成为一种工作，但我可以把它做成什么样子呢?有一天，在上网时我突然有了个创意，我想做一个勵志网站。

网站的主题我都想好了：“一个女人，一年时间，一个目的：搜集所有的励志故事。”我想跟雅虎合作，但跟管理人员谈的时候。他们的反应很冷淡，谈过，他们再也没有给我打电话了。在泄气之前，我到纽约找我姐姐谈这事。她的反应出乎我的意料。她说： “你为什么要放弃你的创意呢?你可以自己做啊，为什么不做一个励志视频网站呢?你可以写书，可以拍电视、上广播。还有其他很多事情。”

作为新闻工作者，我总是想为其他人工作。我能够自己做吗?我请网页制作公司为我制作网站，然后自己写故事、制作视频节目放到上面。今天，我仍然像在美国新闻网的时候那样工作，每天起床很早，读新闻稿，追踪最新的消息，对镜头说话。只不过现在我完全是在家里面做节目，上身穿上镜头的衣服，下身穿着紧身裤。我的网站吸引了来自107个国家的访客，最重要的是我现在知道了以前学的专业知识都是为现在准备的。我现在向世界传播好消息，传播激励世人的好故事。

CNN新闻篇4

在系统功能语法中, 韩礼德把语言的纯理功能分成:概念功能、人际功能和语篇功能。概念功能指的是语言对人们在现实世界中的各种经历的表达。概念功能包括“及物性”、语态和归一度。

及物性是英语中表现概念功能的一个语义系统, 其作用在于把人们在现实世界中的所见所闻、所作所为分成若干种“过程”, 并指明与各种过程有关的“参加者”和“环境成分”。 (胡壮麟, 1989:71) 及物系统包括六种不同的过程:物质过程、心理过程、关系过程、行为过程、言语过程和存在过程。物质过程主要是一个动作者对一个目标做了什么事。心理过程是表示感觉、反应和认知等心理活动的过程。[1]关系过程是反映事物之间处于何种关系的过程。[1]行为过程指诸如呼吸、咳嗽、叹息、做梦、苦笑等生理活动过程。[1]言语过程是通过讲话交流信息的过程。[1]存在过程是表示有某物存在的过程。[1]

二、语篇分析

本文选取了两则分别摘自中国日报和CNN关于中国警告美国越境间谍飞机的新闻报道。本文基于系统功能语法的及物性系统将两则新闻语篇进行比较研究, 试图揭露其潜在的意识形态, 尽管新闻报道被认为是相对客观公正的。[2]

研究者首先对两则新闻语篇中所有的动词进行标注, 判断这些动词所在句子分别属于六个及物过程中的哪个过程, 然后分别计算出各个过程在各自新闻语篇中所占比例。这样研究者便可看出各及物过程在新闻语篇中的分布情况, 从而深入分析两则新闻语篇的主要及物过程的结构特点, 探究其隐藏在背后的主观倾向和偏见。

从表1我们可以清楚地看到在两则新闻语篇中, 物质过程都占了最大的比例, 言语过程次之。关系过程、心理过程和存在过程也在两则新闻语篇中出现, 但频率较小。两则新闻语篇中都没有行为过程。两则新闻语篇及物过程的分布情况大体相似, 这与新闻报道的特点相吻合。新闻报道是对客观世界最新发生的事情的报道, 而物质过程就是对客观世界发生事情的客观描述, 所以物质过程占据了最大的比例。为了追求新闻报道的实事求是以达到客观的目的, 新闻报道经常会直接和间接引用新闻发言人的话, 因此言语过程也占据了较大的比例。军事新闻中偶尔会有一些复杂的难理解的关系问题, 所以需要借助关系过程来帮助读者理解。此外, 有时新闻发言人需要表达自己的感受, 这也就是心理过程出现在这两则新闻语篇中的原因。至于行为过程和存在过程与新闻报道的特点不相符, 所以在两则新闻语篇中极少甚至不出现。由于物质过程和言语过程在两则新闻语篇中是主要的及物过程, 接下来研究者将研究这两种及物过程的结构特点, 以探究其隐藏在背后的主观倾向和偏见。

(一) 物质过程

通过观察两则新闻语篇的物质过程, 研究者发现物质过程的动作者可以分为三类:美方、中方和越境间谍飞行事件本身。图1显示了两则新闻语篇中物质过程的动作者的分布情况, X轴表示出现在动作者位置的参与者, Y轴表示特定参与者出现在动作者位置的句子数量。

从图1, 研究者发现在中国日报中, 最常出现在动作者位置的是美方, 事件本身次之。在物质过程中, 动作者比目标更具主动性, 更具掌控力, 也更能吸引注意。中国日报时不时地把美方放在动作者的位置, 能够将读者的注意力吸引到美方, 并暗示是美方主动进行越境间谍飞行, 对中国的国防安全造成了巨大的威胁。而中方往往出现在目标的位置, 暗示中方在美国越境间谍飞行这件事上是被动的受害方。中国日报想要以此来告诉读者, 美方应该对这件事情承担责任, 而中方迫切要求美方停止越境间谍飞行是合情合理的。除美方外, 事件本身最常出现在动作者的位置, 这说明中国日报报道这件事情是秉着客观公正的态度, 对事不对人, 并非故意针对美方。

与中国日报不同的是, CNN的报道中中方作为动作者的情况比美方作为动作者的情况要多。整个新闻是关于中国警告美国停止越境间谍飞行, 报道通篇都是以中国国防部新闻发言人杨宇军发表的讲话为主。因此, 新闻中有许多对杨宇军讲话的直接引用, 从中国日报直接引用的杨宇军的讲话中, 研究者发现大量的物质过程都是以美方作为动作者的, 也就是说如果CNN直接引用杨宇军的话, 那么美方应该更多地出现在物质过程的动作者的位置上。但事实并非如此, CNN更多地将中方放在动作者的位置上, 以此将读者的注意力转移到中方身上, 不仅弱化美方主动进行越境间谍飞行的事实, 还强化了中方的行为。例如:

(1) a Chinese fighter jet intercepted a U.S.Navy Poseidon patrol plane… (中国战斗机拦截了美国波塞冬海上巡逻机)

(2) a Chinese fighter jet made several dangerous and unprofessional passes at a U.S.Navy plane… (中国战斗机抵近拦截美军机危险不专业)

通过将中方作为动作者, CNN试图告诉读者中国并没有那么无辜, 在整个事件中也有一些不合理的举动, 从而成功地将这件事情的部分责任转移给中方, 弱化美方对这件事情应该承担的责任。此外, 在CNN中, 事件本身很少作为动作者出现, 说明CNN不像中国日报那样关注事件本身, 其报道的客观性也就打了折扣。

(二) 言语过程

为了使新闻报道客观公正, 新闻语篇中往往会直接或者间接引用新闻发言人的讲话, 这就是言语过程在新闻语篇中占据很大一部分的原因。研究者找出两篇新闻语篇的言语过程, 标出直接引用和间接引用, 并关注言语过程所用的谓语动词, 从直接引用和间接引用的数量和使用的谓语动词来探索其隐藏在背后的主观倾向和偏见。表2显示了直接引用和间接引用在两则新闻语篇中的使用次数。

从表2研究者发现中国日报的报道中使用直接引用比CNN频繁。在中国日报的报道中, 直接引用几乎占言语过程的一半, 而在CNN中, 直接引用只占了其言语过程的20%, 大部分言语过程都是间接引用。直接引用和间接引用的区别在于引用者如何看待被引用者的话语。[3]在间接引用中, 引用者用自己的话转述被引用者的话, 这样就可能加入自己的观点, 而直接引用则要原话引述被引用者的话语。所以, 直接引用比间接引用更客观。同时直接引用强调被引用者话语的权威性, 而间接引用削弱了被引用者话语的权威性。中国日报使用直接引用比CNN频繁, 说明中国日报相对来说比CNN更为客观。通过直接引用国防部新闻发言人杨宇军的话, 中国日报想要强调其话语的权威性, 也就是在强调中国在这件事情上的权威。而CNN恰恰相反, 频繁地使用间接引用, 在中方发言人的话语中加入自己的主观观点, 旨在削弱中方发言人所言之权威, 给读者造成了一定误导。

此外, 中国日报和CNN对言语过程的谓语动词的不同选择也暗示了他们不同的主观偏见和倾向。例如:

中国日报:

China urged the United States…;Yang Yujun denied a claim…;Yang denied the allegation and said… (中方催促美方……;杨宇军否认美方说法……;杨宇军否认美方指控并说……)

CNN:

China has warned the U.S.…rejecting claims…;He accused the U.S…;Yang dismissed the claims… (中方警告美国……拒绝承认美方说法;他谴责美方……;杨宇军对美方的说法不予理会……)

从以上例句研究者发现中国日报的报道在言语过程使用较为中立的谓语动词, 如urge (催促) , deny (否认) , say (说) 等, 这说明中国日报的报道比较客观, 试图在中国和美国之间建立和谐的关系。然而, CNN却一再采用带有强烈感情色彩的谓语动词, 如warn (警告) , accuse (谴责) , dismiss (不予理会) 等试图让读者觉得中国咄咄逼人来赢取读者对美国的同情。

三、结论

本研究基于系统功能语法的及物系统对中国日报和CNN关于中国警告美国越境间谍飞机的报道进行了比较研究, 旨在揭露隐藏在新闻报道背后的意识形态。研究发现两篇新闻语篇中物质过程和言语过程最多。就物质过程而言, 中国日报经常把美方和事件本身作为动作者, 把中方作为目标, 以此表明其认为美方该对越境间谍飞行负责, 中方是被动的受害者, 并体现了中国日报的报道相对客观公正。CNN则经常把中方作为动作者, 很少把事件本身作为动作者, 试图将这件事情的部分责任转移给中方, 弱化美方对这件事情应该承担的责任, 也使其报道的客观性大打折扣。就言语过程而言, 中国日报使用直接引用比CNN频繁, 说明中国日报相对来说比CNN更为客观, 并试图强调中国发言人的权威。而CNN恰恰相反, 频繁地使用间接引用, 在中方发言人的话语中加入自己的主观观点, 旨在削弱中方发言人所言之权威, 给读者造成了一定误导。此外, 中国日报的报道在言语过程使用较为中立的谓语动词, 说明中国日报的报道比较客观。然而, CNN却一再采用带有强烈感情色彩的谓语动词, 试图让读者觉得中国咄咄逼人来赢取读者对美国的同情。

以上研究表明新闻报道虽然相对客观公正, 但是其背后往往隐含着一定的主观倾向与偏见, 读者在阅读新闻报道时应该提高这方面的意识, 探究隐藏在背后的意识形态, 以避免被误导。本研究语料较少, 且仅限于军事新闻, 研究结果是否适用于所有新闻语篇还有待进一步验证, 如果选取更多不同题材的新闻语篇来进行研究, 研究结果会更有说服力。

摘要：从韩礼德系统功能语言学入手, 用及物性系统理论对中国日报和CNN对中国警告美国越境间谍飞机的报道进行比较分析, 旨在揭露隐藏在军事新闻语篇背后潜在的意识形态, 从而提高读者的批判阅读能力。

关键词：及物性,物质过程,言语过程,新闻语篇

参考文献

[1]胡壮麟.系统功能语法概论[M].湖南:湖南教育出版社, 1989:73, 75, 79-80.

[2]福勒, 霍奇, 克莱斯, 特鲁.语言和控制[M].伦敦/波士顿/亨利镇:开根宝罗出版社, 1979.

纪录片拯救CNN？篇5

10月9日，CNN宣布正式成立纪录片部门，CNN Film标识也已亮相。这家以突发新闻见长的美国有线电视新闻网打算放弃自己的风格，走一条完全不一样的道路。

根据尼尔森的数据，今年前三季度有线电视台收视率排名中，FOX News依然在新闻领域内占据绝对优势，MSNBC则在其成立16年以来，第一次打败其他对手，拿到黄金时段的最高收视率。美国总统大选电视辩论转播也回天乏力，CNN的黄金时段收视观众比去年同期减少9%，全天收视则下降了18%。对美国总统大选辩论的转播一直是CNN的传统强项，但今年却被FOX News反超，FOX News已经成为新闻集团最大的摇钱树。

从1980年开播至今，CNN造就了诸多神话，“沙漠风暴”行动中的CNN开辟了滚动新闻的时代，成为人类史上除重大体育比赛以外收视率最高的现场直播。CNN与FOX News，MSNBC并称为美国有线电视新闻网的三巨头，每天24小时不间断为观众提供新闻资讯。但是近几年来，CNN却一再被FOX News和MSNBC赶超，黄金时段收视率的下降更是惊人，在CNN的全年收入中，只有10%来自黄金时段。而其他90%的收入都来自于非黄金时段的节目和服务，包括滚动新闻、CNN. com网站等。

一名CNN员工悲哀地说：“30年前，正是我们令新闻界发生了彻底变革，而现在，我们似乎沦为另一场革命的牺牲品。”

为了吸引普通观众， FOX News和MSNBC力推一批党派色彩颇为浓重的主持人，前者包括Bill O’Reilly这样的立场偏右、个性鲜明的主持人，后者则有Rachel Maddow这样言辞犀利的左翼女主播，这些煽动性的言论培养了一批忠实拥趸。而无党派立场，坚持中间路线的CNN只能在它们的夹缝中生存，CNN坚持新闻事实在播出前必须得到两个消息源确认的优秀原则，却客观上使它们在突发新闻上的反应要远落后于对手。

正是如此，CNN急需找到新的出路。此前它以短篇热新闻作为自己的特色，现在则认为操作些大的专题也许也不错。

CNN推出的第一部纪录片Girl Rising，讲述的是在世界上一些地区的女孩们在接受教育时所面临的挑战，这部纪录片的导演是执导过《回家行动：记录战火》并获得奥斯卡奖提名的Richard Robbins。奥斯卡著名演员Meryl Streep 和Anne Hathaway都将为这部影片献声。首映时间将定在2013年春天，在黄金时段播出。CNN同时还签下了诸多知名纪录片导演，包括Alex Gibney（《安然：屋内聪明人》的导演）和Andrew Rossi（《头版内幕》的导演）。CNN计划一年中推出的纪录片，将主要涉及政治、经济和社会问题。按照CNN全球董事总经理Mark Whitaker的设想，CNN其他的节目不仅可以为纪录片做宣传，还可以从节目中汲取新的话题素材。

对CNN来说，做出改变是必要的。但那些放弃自己优势的改变则可能需要时间的检验。但愿CNN是个成功的预言家。

美国有线电视台黄金时段热门电视节目排名

基于CNN的海空目标检测篇6

舰船航行在大海上,主要面临来自空中,海面和水下的威胁,其中空中的威胁最大。这些目标的主要特点是运动速度高,机动频繁,其背景也比较复杂,受云层、烟雾、波浪、飞鸟、山峰等影响较大。传感器如热像仪、电视摄像机、激光测距机等自身带有噪声,另外还会有各种形式的干扰,这些都给目标的识别与跟踪带来很大困难。因此寻找一种能实时对图像信号处理的、抗干扰的,并且适合大规模硬件开发与实现的算法是军事界至今没有完美解决的难题之一。

元(细)胞神经网络(Cellular Neural Networks,CNN),是由加州伯克利大学的华裔学者蔡绍棠教授在1988年提出来的一种局域连接、权可设计的人工神经网络[1]。而后关于CNN的各种理论,算法,改进与应用以及硬件实现等如同雨后春笋般出现。现在CNN在图像、通信、混沌控制、交通、医学等领域都有着广泛的应用。CNN用于图像的处理,例如降噪、分割、特征提取、空洞填充、细化、阴影检测、模式识别、目标跟踪,机器人视觉,水印加密等,比传统的方法更具潜力。CNN结构的局部耦合性对于处理具有混沌性质的背景下的海空光电目标图像具有较大的匹配性。本文主要描述了CNN的理论基础和他应用于图像处理的思想,并给出了算法实现的步骤,然后用Matlab语言编程进行仿真实验,以对海空目标的检测为例,将他与经典的方法进行比较,分析各自的优缺点,最后提出了本算法需要改进的地方。

2 图像目标检测的CNN模型

CNN的基本组成单元是元胞(Cell),每个元胞只同他周围r邻域的元胞相接,连接的个数Nr=((2r+1)2-1)。如图1所示为一个3×3规模的CNN网络结构。用C(i,j)表示第i行、第j列的元胞。C(i,j)只与C(i+1,j),C(i-1,j),C(i,j+1),C(i,j-1),C(i+1,j+1),C(i+1,j-1),C(i-1,j+1),C(i-1,j-1)等8个元胞相连。如图2所示,每个元胞都有一个状态vxij,一个恒定的输入vuij,一个输出vyij,门限I。标准CNN的状态方程可用下述一阶非线性微分方程描述[2]:

输出方程为:

输入方程为:

$v_{u i j} = E_{i j} (3)$

约束条件:

$| v_{x i j} (0) | \leq 1, | v_{u i j} | \leq 1 (4)$

对称条件:

$A (i, j; k, l) = A (k, l; i, j) (5)$

其中,1≤i≤M,1≤j≤N。α,β,I,Eij为大于0的常数。vukl表示C(i,j)邻近元胞的输入,vykl表示C(i,j)邻近元胞的输出,A(i,j;k,l)表示C(k,l)的输出与C(i,j)的联接权,B(i,j;k,l)表示C(k,l)的输入与C(i,j)的联接权。式(3)表示输出与状态的关系。

CNN网络动态系统只要满足下面能量函数有界,就能达到稳定[2],即:

$\begin{array}{l} e (t) = - \frac{1}{2} \sum_{(i, j)} \sum_{(k, l)} A v_{y i j} (t) v_{y k l} (t) + \frac{1}{2} β \sum_{(i, j)} v_{y i j} (t)^{2} - \\ \sum_{(i, j)} \sum_{(k, l)} B v_{y i j} (t) v_{y k l} (t) - \sum_{i, j} Ι v_{y i j} (t) (6) \end{array}$

式(6)有最大值:

$\max | e (t) | \leq e_{\max} (7)$

对于单个元胞,只要满足[2]:

$A (i, j; i, j) > β (8)$

那么每个元胞经过暂态衰减后,一定能落在稳定状态,并且所有稳定点幅值都大于1,即:

$\lim_{t \to \infty} | v_{x i j} | > 1 (9)$

以及

$\lim_{t \to \infty} v_{y i j} = \pm 1 (10)$

其中,1≤i≤M,1≤j≤N。根据式(10),CNN就可用在二值图像或有二值输出的图像中去。

不难看出,元胞神经网络中元胞的排列与图像的像素相同,这一点很适合用作图像的处理。选择与图像规模相等的网络,将图像的每个像素映射到元胞神经网络的每个元胞。以灰度分辨率为L=2k(k为整数),空间分辨率为M×N的图像为例,用CNN进行处理。把像素的灰度值作为元胞的输入。根据式(4)的约束条件,首先要解决像素从0～L-1到-1～1之间的映射。其次,为了便于计算机处理,要将微分方程(1)的计算用差分方程来代替,将连续的时间离散化,然后对边界条件和模版参数初始化。一般选择边界为0,各个元胞的初始状态一般也确定为0。在保持网络稳定的条件下,不同的模板参数可以完成不同的图像处理功能。以边缘检测为例,取参数α=β=1,根据结构的对称性以及只考虑元胞自身输出反馈回来的情况,一般取为a=2,b=8,d=1,I=-0.5[5]。网络稳定后的输出为1或-1。再将{-1,1}映射到{0,255}上,-1对应于白色255,1对应着黑色0。这就完成了对图像的处理。

用Matlab程序实现CNN处理图像的基本步骤为:

(1) 读入待处理图像,将图像转化成256×256大小,灰度级为256的图像;

(2) 把像素的灰度值映射到[-1,1]之间;

(3) 对像素的初始状态、模板参数及初始输出进行初始化;

(4) 将(2)的灰度值作为输入,利用式(1)和式(2)分别计算各元胞的状态与输出;

(5) 判断各元胞的稳定性,若满足稳定条件则停止循环,否则转到步骤(4)继续循环迭代;

(6) 网络所有元胞均收敛稳定,停止循环;

(7) 将输出结果映射到{0,255}上,输出或显示图像。

3 仿真实验与分析

海空背景下的目标的特征提取与检测,一直都是研究热点,难度较高。因为背景比较复杂,受影响的因素较多,包括能见度、光照、云层、烟雾、海浪、海鸟、山峰和建筑物等。空中目标一般速度比较快,运动参数不易捕捉,如果加上云雾、能见度和光照的影响,超低空目标还受海鸟、海浪等的影响,检测的难度就加大了;海上目标速度稍慢,但连绵起伏的海浪、光的反射、云雾等的影响不容忽视,成像的信噪比会随着浪高、距离、能见度的变化而变化。加上传感器的性能等的因素使得获取的目标光电图像的信噪比难以达到所需检测概率和虚警概率的要求。这就要求图像处理方法能够有较好的抗噪性,能保持目标的完整性和细腻性,便于后续的精确计算,方便滤波、制导和跟踪等。

边缘检测是目标特征提取中重要的一步。目前边缘检测的方法有很多种,如Robert算子、Sobel算子、Laplacian算子、Kirsh算子、Prewitt等各种检测算子,形态学以及后来出现的分形法,神经网络法,小波理论及遗传算法等。CNN是边缘检测的一种新方法,以上这些方法都有各自的方法特点和应用范围。由于CNN处理图像的模式是将元胞与像素一一对应,利用元胞之间非线性的耦合性,通过设置不同功能的模板参数,网络经过一段动态的训练后收敛到稳定的状态。这样能较好地保证图像的完整性,保持细节部分不被丢失,很适合对海空背景的图像处理。

以边缘检测为例,为了清晰地看清CNN对海空目标检测的效果,可以从三个仿真实验来进行:其一用 CNN对带有噪声的图像进行去噪和目标检测;其二是横向比较,即将CNN与传统的一些方法对同一幅图像进行目标边缘检测来比较;其三是纵向比较,即用CNN对不同种情况下的目标进行边缘检测。

实验1 对输入图像加入均值为0,方差为0.05的椒盐噪声。先用CNN 实现中值滤波[6](具体方法在此不作叙述),然后再用CNN进行检测。如图3所示,可以看出,带有噪声的图像,目标已经很模糊了,经过CNN的处理后,目标边缘部分依然被较完整地检测出来。

实验2 分别用CNN、Sobel算子、Canny算子、形态学来对一幅云层中的飞机进行边缘提取,效果如图4所示。

实验3 用CNN分别对云层中的飞机和海上的船只图像进行边缘提取,效果如图5所示。

从这几幅图处理的效果可以看出:用Sobel算子只把图中的主要边缘提取出了,损失了一些细节边缘,因为他是通过两个方向上的模板来对图像进行处理,对水平和垂直方向的边缘响应要大,且他受噪声的影响较大;Canny算子几乎把图中的强弱边缘都提取出来了,是最优的阶梯型边缘检测算子,但只对受到白噪声影响的阶跃型边缘是最优的;形态学作边缘检测对细节和边缘都有很好的保留作用,但是与结构元素的选取有关;前三者共同的特点就是检测速度快,但在硬件实现方面意义不大;而元胞神经网络提取的边缘与前面的方法相比,差别不大,但强弱边缘提取得更加细腻,清晰,边缘连续性和完整性好,还可以通过调节模板参数,使提取的效果更佳。

通过上面的仿真实验,可以看出CNN在对海空目标的边缘检测的完整性和细腻方面具有一定的优势。他的更大的优点是适合硬件实现,能够高速并行计算,耗时短(在硬件方面才能体现,软件不能),在图像实时处理方面有很好的应用,因此用于对海空目标实时检测、识别和跟踪,尤其是对速度快、机动频繁的目标,具有显著优势。本算法的不足之处,在于网络的模板参数的选取不一定是最佳的,这可以通过很多方法来改进。例如遗传算法,自适应算法,还有粒子群优化等方法都可以针对具体的应用来找到最佳的控制模板参数。

4 结语

本文主要描述了元胞神经网络的结构、工作原理和他用于图像处理的基本思想,并给出了用Matlab编程实现仿真的步骤,然后将CNN处理不同海空背景下的目标的效果进行实验仿真,分析各个方法处理效果的优缺点,得出了:元胞神经网络在处理低信噪比图像,例如复杂海空背景下的光电目标图像方面具有较大优势,适用于军事上的目标检测、特征提取等应用。本文不足之处是没有对CNN进行图像处理的原因实质做出分析,这是文章后续要开展的工作。

摘要：针对海空目标运动速度快,机动频繁,要对其既准又快的识别和跟踪,算法和硬件都要求很高的特点,提出了一种新的基于元胞神经网络(CNN)海空目标检测方法。通过大量的仿真实验证明,CNN与传统的方法如各种梯度算子、形态学、小波等相比,其处理结果更加完整细腻,细节更加突出,有利于提取目标的细微特征,特别是对于以云层、海浪为背景的海空光电目标,能更好地进行目标检测。该方法收敛时间快,适合高速并行信号处理,能满足实时处理的要求,因此在军事上具有较大的应用潜力。

关键词：元胞神经网络,目标检测,Sobel,Canny,形态学

参考文献

[1]王耀南.智能信息处理技术[M].北京:高等教育出版社,2003.

[2]Chua L O,Yang L.Cellular Neural Networks:Theory.IEEETrans.on CAS,1988,35(10).

[3]Matei R,Goras L.On Linear Filtering Capabilities of 1-DCNNs with Minimum-Size Templates[J].Proc.of SixthSeminar on Neural Network Appl.in Electrical Engineering,Neurel 2002,Belgrad,Yugoslavia,2002:123-128.

[4]Yoshida T,Kawata J,Tada T,et al.Edge Detection Method withCNN[C].SICE Annual Conference in Sapporo,2004:4-6.

[5]Bahram Mirzai,Drahoslav Lim,et al.Robust CNN Tem-plates:Theory and Simulations.CNNA′96:IEEE Interna-tional Workshop on Cellular Neural Networks and their Ap-plications,Seville,Spain,1996:24-26.

基于CNN的录音设备判别研究篇7

由于数字媒体技术的普及使用,国内外音频证据在法庭证据、案件调查中所占比重也越来越大。而录音设备对于判别录音场合和情景有一定的作用,是录音文件是否可以作为有效证据的前提。实际上,不同的录音设备由于成本、专利等原因,采用语音压缩算法不同,这些不同就蕴含了录音设备的个性特征。

2007年,Kraetzer等人[1]采用K-均值和Bayes分类算法第一次提出了录音设备识别的模型,录音设备识别率达到75.99%;2009年,Kraetzer等人采用了决策树和线性逻辑回归模型进行麦克风取证研究;2012年,Cemal等人从手机录音信号中提取了手机的个性特征,并采用了支持向量机(SVM)作为识别模型,对14种不同手机进行了识别获得96%的识别率,SVM在小样本情况下能够取得较好的性能,但在SVM分类器的具体设计中,参数选择对于分类准确率的影响很大,而且也存在着数据量大时分类能力低、速度慢等缺点[2]。

以上这些研究,无论是SVM、高斯混合模型(GMM)还是回归分析等模型,皆为现有的语音识别或说话人识别中表现较好的模型直接应用。从学习的角度看,SVM和GMM都属于浅表学习模型,不能充分描述特征状态空间分布。文章从压缩算法出发,提出了一种基于CNN的录音设备判别研究,在解决音频取证中对录音设备的识别研究提供了方向,对于推动我国录音设备机理研究、音频取证技术发展与应用、深度学习理论与应用,均具有十分重要的意义。

1 特征提取方法

录音设备特征参数即是录音设备录制音频时附加到音频中的某些参量。这些参量很难从直观上去辨别,需要提取倒谱参数等进行识别。从成本和对环境的要求出发,文章主要研究MFCC倒谱参数[3,4,5,6,7,8]。录音设备信息一般处于背景声段中,并且大多都是低频成分。传统MFCC特征参数的提取在预处理阶段对语音信号进行了预加重[9,10],使得语音信号的背景噪声段被抑制了,因此传统的MFCC特征参数在作为录音设备特征参数时不能提高录音设备的识别正确率。文章提取改进的MFCC参数的流程如图1所示。

具体步骤如下:

(1)对信号进行预处理,分帧、加窗

①分帧:由于语音是一个短时平稳的信号,所以需要将语音分成较短的帧来处理,同时两帧之间应有重叠部分,其目的是为了相邻帧之间的参数可以平稳过渡。

一般设一段语音存在X中,X长为N,采样频率Fs,帧长L,后一帧对前一帧位移量S,则将长为N的语音信号进行分帧如式(1)所示。

式中,Fn为语音帧信号。

②加窗:使用语音帧窗口哈明窗,提高左端的连续性和框架的右端,以减少对吉布斯效应的影响。加窗实际上就是乘以一个窗函数,窗函数如式(2)所示,在分帧时会有一定程度的帧移,加窗是为了增强连续性。

式中,x(m)为语音信号,w(m)为单位冲击响应,n,m为整数。

(2)快速傅立叶变换(FFT)并计算谱能量:对分帧后的语音信号进行FFT变换,将其转换到频域上,并将得到的频域数据进行平方即可。

(3)归一化:根据每个通道的截止频率截取Mel频率尺度对Mel滤波器组进行归一化,然后对Mel组进行归一化,然后对Mel滤波器组的输出数据进行归一化。将Mel滤波器组的输出数据变换到对数域,再作离散余弦变换得到MFCC参数,结果如式(3)所示。

式中,N为三角滤波器个数,Xk为第K个滤波器的输出,Ci即为所求的MFCC参数,P为其阶数。

(4)计算离散余弦变换(DCT)倒谱:所述的DCT倒谱和FFT倒谱很相似,就是把滤波器能量取对数后计算DCT。

2 分类方法

2.1 CNN基本原理

文章采用卷积神经网络识别模型。卷积神经网络由卷积层和采样层构成。卷积神经网络对于几何变换、位移等具有一定程度的不变性。录音设备的特征参数一般是稳定的,在变换成适合识别模型输入的输入矩阵时,录音设备信息会发生一定程度的几何变换或位移,因此选取卷积神经网络作为录音设备识别模型更有利于提高识别率。和标准的神经网络相比,卷积神经网络的主要不同是在输入端,卷积神经网络降低反馈神经网络的复杂性,避免了误差反向传播,识别时间缩短,大大提高了识别效率。

2.2 CNN模型构造

如图2所示,CNN卷积神经网络结构图有5层,首先输入参数由输入层输入后,通过3个可以训练滤波器和可加偏置进行卷积后在第1层得到3个特征映射图C1,然后对映射图中每4个像素进行求和、加权值偏置,通过神经元的非线性作用函数(Sigmoid)得到第2层3个特征映射图S2。通过和C1一样的过程得到C3,通过和S2同样的过程得到S4,最后将数值光栅化输入网络,进行训练识别,最终输出结果。

CNN卷积神经网络相比其他神经网络增加了卷积层和下采样,训练过程快速高效,尤其是多维输入参数可以直接输入该网络,这一特点大大降低了特征提取和分类过程中数据重建的复杂度。将提取到的改进倒谱参数转换为28×28的数据输入CNN网络进行训练识别。识别模型构建设置样本的大小N,每输入N个样本,调整一次权值,这一点不同于其他网络,并非等所有样本都输入后才调整权值。设置好下采样和卷积层的参数后,把训练样本输入后,开始训练该网络,用测试样本进行测试。

3 测试方案

3.1 数据采集

本实验收集了12种不同的语音,手机设备和具体比特率如下:

苹果:64kb/s;三星:32kb/s,48kb/s,64kb/s,128kb/s;魅族:32kb/s,48kb/s,64kb/s;小米:64kb/s;诺基亚:32kb/s,48kb/s,64kb/s,每个手机设备录一段音频,每段音频40s左右。

3.2 实验结果与分析

下面以三星48kb/s手机为例展开说明,将三星手机录的语音信号导入到PC端通过Matlab进行处理,进行分帧、加窗,帧长为400 ms,帧移为260ms,窗函数采用汉宁窗,提取500组24维的改进MFCC特征参数。

文章通过Matlab软件提取MFCC特征参数存于data.mat数据库中,图3为提取的MFCC倒谱。

为了验证上述分类算法的有效性,分别用卷积神经网络和BP神经网络对录音设备进行识别。CNN识别模型错误率如图4所示。

用训练好的BP神经网络分类语音特征信号,根据分类结果分析BP神经网络的分类能力,如图5所示。

两种网络的识别正确率如表1所示。从表1结果可以看出,基于卷积神经网络的分类算法相比于BP神经网络具有较高的准确性,能够准确识别出相同语音信号所属类别。

4 结束语

文章针对音频取证技术中的录音设备识别进行了分析和测试,采用改进的Mel倒谱系数分析提取特征,结合CNN神经网络进行分类识别。验证了文章算法对不同比特率的音频有较高的识别准确性,对录音设备识别研究提出了一种新的方法。在分类算法中运用BP神经网络和卷积神经网络进行对比,验证了该算法具有一定的优越性。

实验结论如下:其一,对录音设备的算法分析是一个新的方向;其二,对录音设备的识别准确率大幅度提升;其三,系统成本低廉,实用性强。文章提出的方案有较大的优越性,但同时也有需要改进的地方,识别比特率只能将录音设备的范围缩小,还不能完全判断出是由何种设备录制。需要结合电路、音频格式等综合判断,后续研究将继续深入和提高,期待形成完善的录音设备识别系统,以求达到更好的效果。

摘要：文章拟解决音频取证中录音设备判别的问题。不同设备采用的压缩算法不同,会导致录音设备录音时附加到音频中的某些参量不同。从压缩算法角度,文章介绍一种基于卷积神经网络(Convolution Neural Networks,CNN)的录音设备的判别研究。首先获得不同比特率的音频,结合改进的梅尔频率倒谱系数算法(Mel Frequency Cepstrum Coefficient,Mel),用以分析录音设备对音频文件的特征参数影响,接着构建卷积神经网络识别模型,并将得到的Mel倒谱参数输入至构建好的神经网络中训练测试,最后识别并统计识别结果。实验结果表明,本研究对手机比特率的识别率达到92%。

关键词：音频取证,压缩算法,比特率,卷积神经网络

参考文献

[1]Kraetzer C,Oermann A,Dittmann J,et al.Digital audio forensics:A first practical evaluation on microphone and environment classification[C].ACM.Proceeding of the9th workshop on multimedia and security,USA:ACM,2007:63-74.

[2]Hanilci C,Ertas F,Ertas T,et al.Recognition of brand and models of cell-phones from recorded speech signals[J].IEEE transaction on information forensics and security,2012,7(2):625-634.

[3]Chien S O,Kah P S,Li M A,et al.A new approach of audio emotion recognition[J].Expert systems with applications,2014,41(13):5858-5869.

[4]Fallah A,Jamaati M,Soleamani A.A new online signature verification system based on combining mellin transform,MFCC and neural network[J].Digital signal processing,2010,21(2):404-416.

[5]Li C T.Source camera identification using enhanced sensor pattern noise[J].IEEE transaction inform forensics security,2010,5(2):280-287.

[6]Buchholz R,Kraetzer C,Dittmann J.Microphone classification using Fourier coefficients[J].Computer science,2009,5806(4):235-246.

[7]Gupta S,Cho S,Kuo C C J.Current developments and future trends in audio authentication[J].IEEE multiMedia,2012,19(1):50-59.

[8]Abdel-Hamid O,Mohamed A,Jiang H,et al.Applying convolutional neural networks concepts to hybrid nn-hmm model for speech recognition[C].IEEE.In Acoustics,speech and signal processing,2012IEEE international conference on,Japan:IEEE,2012:4277-4280.

[9]Bengio Y.Learning deep architectures for AI[J].Foundations and trends in machine learning,2009,2(1):1-127.

CNN新闻篇8

图像分割较早就得到人们广泛的重视和研究,也在实际中得到大量的应用,视频分割与图像分割存在着紧密的联系,很多图像分割的方法都可以用到视频分割中去。尽管对图像分割已进行了大量的研究,并已提出了上千种各式各样的算法,但尚没有一种适合于所有图像的通用的分割算法。绝大多数算法都是针对具体问题而提出的。另一方面,给定一个实际要选择适用的分割算法仍是一个很麻烦的问题,由于减少通用的理论指导,常常需要反复的进行实验。本文通过设计基于细胞神经网络的图像分割算法,通过改进参数得到较好视频运动对象分割效果,计算复杂度小,能够得到视频对象的精确边界,不需要依赖太多的人机交互。

1 CNN基础和模板设计

1.1 CNN基础

细胞神经网络是一个大规模非线性模拟系统,结构如图1所示[1,2]。细胞神经网络中,任一细胞仅与邻近细胞相连,彼此之间直接影响;但由于细胞神经网络具有连续时间动力性的传递作用,非邻近细胞之间可以间接相互作用。

定义1一个二维M×N细胞神经网络中处于第i行第j列的细胞记为C(i,j)。

定义2C(i,j)的r领域(影响域)定义为

Nr(i,j)={C(k,l)|max{|k-i|,|l-j|}≤r,

1≤k≤M,1≤l≤N}。

式中:r为正整数。

细胞神经网络的公式推导如式(1)[3]。

状态方程:

输出方程:

$y_{i j} (t) = \frac{1}{2} (| x_{i j} (t) + 1 | - | x_{i j} (t) - 1 |);$

1≤i≤M;1≤j≤N (2)

输入方程:

uij=Eij; 1≤i≤M;1≤j≤N (3)

约束条件:

|xij(0)|≤1;1≤i≤M;1≤j≤N。

|uij|≤1; 1≤i≤M;1≤j≤N (4)

对称性:

A(i,j;k,l)=A(k,l;i,j);

1≤i,k≤M;1≤j,l≤N (5)

方程(1)-(5)中各符号定义如下:xij(t)、yij(t)和uij(t)分别是细胞C(i,j)的状态、输出和输入信号(或电压);I是偏差电流(或阈值);C和Rx分别是线性电容和电阻;A(i,j;k,l) 和B(i,j;k,l)分别是反馈算子和控制算子;f为输出函数,由分段线性函数f(v)=0.5(|v+1|-|v-1|)给出。

1.2模板设计

本算法共用了8种模板,分别是:负片模板、标量加合模板、噪声去除模板、边缘检测模板、膨胀模板、区域填充模板、逻辑合并操作模板、目标分割模板。本文主要介绍除噪模板和边缘提取模板对分割的图像进行处理。

1.2.1 除噪处理模板

噪声对分割效果的影响往往很大,所以许多对分割的预处理都是为了减少或消除图像中的噪音。在本文中,选用的是4个CNN基因模板,这四个基因有除噪功能,可以对图像进行边缘光滑化及除噪处理,而且多次经过这种综合处理对图像不会造成太大的变形。设除噪模板为G1、G2、G3、G4,G1的联络模板B分别旋转180、90、270度就得到G2、G3、G4。模板G1联络矩阵及阈值如下:

$A = (\begin{matrix} 0 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 0 \end{matrix}) ‚ B = (\begin{matrix} 1 & 1 & 0 \\ 0 & - 1 & 1 \\ 1 & 1 & 0 \end{matrix}) ‚ Ι = 0$

G2联络矩阵及阈值:

$A = (\begin{matrix} 0 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 0 \end{matrix}) ‚ B = (\begin{matrix} 0 & 1 & 1 \\ 1 & - 1 & 0 \\ 0 & 1 & 1 \end{matrix}) ‚ Ι = 0$

G3联络矩阵及阈值:

$A = (\begin{matrix} 0 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 0 \end{matrix}) ‚ B = (\begin{matrix} 1 & 0 & 1 \\ 1 & - 1 & 1 \\ 0 & 1 & 0 \end{matrix}) ‚ Ι = 0$

G4联络矩阵及阈值:

$A = (\begin{matrix} 0 & 0 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 0 \end{matrix}) ‚ B = (\begin{matrix} 0 & 1 & 0 \\ 1 & - 1 & 1 \\ 1 & 0 & 1 \end{matrix}) ‚ Ι = 0$

1.2.2 边缘提取模板

在进行图像边缘提取时,模板A,B,I通常取以下格式[4]:

$A = (\begin{matrix} 0 & 0 & 0 \\ 0 & a & 0 \\ 0 & 0 & 0 \end{matrix}) ‚ B = (\begin{matrix} - c & - c & - c \\ - c & b & - c \\ - c & - c & - c \end{matrix}) ‚ Ι = - i$

上式中a,b,c,i的取值很关键,关系到图像边缘提取的效果。但目前还没有文献明确地说明参数值a,b,c,i的确定原则及定量分析这些参数对图像边缘提取效果的影响。本文从实际应用出发,通过反复实验修改模板参数的值,最终模板参数取值如下,边缘提取效果较好:

$\begin{array}{l} A = (\begin{matrix} 0 & 0 & 0 \\ 0 & 5 & 0 \\ 0 & 0 & 0 \end{matrix}) ‚ B = (\begin{matrix} - 1 & - 1 & - 1 \\ - 1 & 9 & - 1 \\ - 1 & - 1 & - 1 \end{matrix}) ‚ \\ Ι = - 0.1 。 \end{array}$

2基于CNN的视频运动对象分割算法

本文所提出的基于CNN的差分图像合并算法是在三帧图像差分算法的基础上针对CNN的特点提出来的,这一算法借鉴了文献[5]的思想方法。三帧图像差分算法的原理非常简单,即对视频序列中连续三帧图像进行两两差分运算,然后求出差分结果的乘积,从而分割出第二帧中的运动对象[6]。其原理可表达为:

P=[F(x,y,i)-F(x,y,i-k)][F(x,y,i+l)-F(x,y,i)]。

其中F(x,y,i-k)、F(x,y,i)和F(x,y,i+l)分别为连续三帧图像中的第i-k帧、第i帧和第i+l帧,P为第二帧F(x,y,i)中的运动对象。算法流程图如图2。

3仿真结果及分析

用以上算法对一组背景静止的视频序列在仿真平台Matlab 7.0上进行仿真实验。

图3中(a)、(b)、(c)分别是视频序列中第68帧、第88帧和第108帧。各帧图像的尺寸是180×160像素,均为8比特灰度图像。 (a)、(b)、(c)即分别代表F(x,y,i-k)、F(x,y,i)、F(x,y,i+l),实验目的是从图(b)中分割出运动对象。(a)、(b)经L1-L6模板处理,(b)、(c)经N1-N6模板处理,将以上两个结果经逻辑合并操作模板、目标分割模板处理分割出(b)中运动对象。

L1-L6仿真过程如下:

L1 先对图3(a)进行负片处理,负片模板的功能是对输入灰度图像各个像素执行相反操作,使输出图像为数学意义上的负片图像,图4(1)是图3(a)通过负片模板处理后所得。

L2 图3(a)的负片结果与图3(b)一起通过标量加合模板处理后得到图4(2),标量加合是指运算仅对矩阵中的标量元素进行操作,从图上可以看出,运动变化区域被检测到。

L3 由于图像截取和处理过程中,会受到噪声因素的干扰,所以引入噪声去除模板,图4(3)是图4(2)经过噪声去除模板得到的图像。

L4 为了准确分割运动对象,对运动变化区域进行边缘检测,图5(x)是图4(3)经过边缘检测模板处理得到的结果。

L5、L6 接下来进行的是膨胀和区域填充处理,膨胀模板的功能是使分割对象的边缘连贯,填充模板的作用是填黑边缘包围的运动变化区域。图5(x)经过一系列处理后,得到的填充结果如图5(y)。

由L6得到的填充结果跟由N6得到的填充结果一起经过逻辑合并操作模板的处理,就得到了图6,由此图3(b)中运动对象的位置被确定。

最后再通过分割模板对图3(b)进行分割,图7即为分割出来的运动对象。

4结论

本文介绍了CNN的理论及其用于图像分割的处理效果,通过反复实验调整模板参数的取值,可以看到本算法已较好地将运动对象从视频序列中分割出来。本文提出的CNN的简化算法速度大大提高,便于硬件实现,但本算法只适用于背景静止的视频序列。虽然基于细胞神经网络的图像分割算法很多,但是没有一种算法适用于所有场景,我们将在以后工作中继续研究这方面问题。

摘要：提出一种基于细胞神经网络的运动对象分割算法。通过引进除噪模板和改进边缘检测模板,去除了图像采集和处理过程中的噪声影响,得到比较满意的图像边缘信息。实验结果验证了算法的有效性,而且处理速度与图像大小无关,能够实现图像实时处理。

关键词：细胞神经网络,除噪模板,边缘检测模板,运动对象

参考文献

[1]黄立宏,李雪梅.细胞神经网络动力学.北京:科学出版社,2007:1—21

[2] Chua L O,Lin Yang.Cellular neural networks:theory.IEEE Trans-actions on Circuits and Systems,1988;35(10):1257—1272

[3] Chua L O.CNN:a paradigm for complexity.World Scientific Series On Nonlinear Science,Series A,1998;31:3—29

[4] Chua L O,Yang Lin.Cellular neural networks:Applications.IEEE Transactions on Circuits and Systems,1988;35(10):1273—1290

[5] Foldesy P,Linan G,et al.Object oriented image segmentation on the CNNUC3 chip.6thIEEE International Workshop on Cellular Neural Networks and Their Application,2000:283—288

一类CNN细胞神经网络的稳定性篇9

关键词：细胞神经网络(CNN),CNN基因模板,全局渐近稳定

细胞神经网络(CNN)理论及应用是由Chua和Yang于1988年提出来的[1,2]。细胞神经网络具有局部联接和动态电路性能便于集成,因而在电路硬件特别是超大电路(VLSI)实现上具有广阔前景。同时由于其局部连接性质,CNN有着广泛应用前景,如在图像处理、模式识别、生物视觉处理、高级大脑方程等[3,4]。细胞神经网络(CNN)的非线性动力系统性质非常丰富复杂,其动力系统的稳定性研究有着重要意义。网络系统的稳定性有助于保证电路设计以及VLSI实现的正确性。近年来人们已经探讨了一些细胞神经网络的稳定性研究方法,如比较法、M矩阵法、拟对角占优法[5—8]。本文将CNN方程化为映射方程,利用范数方法分析解稳定性,得到了关于一类细胞神经网络的全局渐近稳定的条件及结论,并且推广了上述文献的结论。

1 网络系统状态方程的描述

设CNN是一个M×N的格形网络,Cij表示第i行第j列的神经元,它的状态、输入、输出,分别用xij,uij,yij表示。半径为γ的标准CNN细胞神经网络的微分方程表示如下[1,2]

$\begin{array}{l} \frac{d x_{i j}}{d t} = - x_{i j} + \sum_{k, l \in Ν_{i j}} (a_{k - i, l - j} f (x_{k l}) + b_{k - i, l - j} u_{k l}) + z_{i j}, \\ 1 \leq i \leq Μ, 1 \leq j \leq Ν (1) \end{array}$

这里Nij表示与神经细胞Cij相邻半径为γ的所有神经细胞;akl,bkl,zij表示反馈,控制和阀值系数。输出f(xij)是一个线性分段函数:

$f (x_{i j}) = \frac{1}{2} (| x_{i j} + 1 | - | x_{i j} - 1 |) 。 (2)$

用[A]=(akl),[B]=(bkl)表示反馈、输入联络模板。限制半径r=1,则有

$\begin{array}{l} [A] = [\begin{matrix} a_{- 1, - 1} & a_{- 1, 0} & a_{- 1, 1} \\ a_{0, - 1} & a_{0, 0} & a_{0, 1} \\ a_{1, - 1} & a_{1, 0} & a_{1, 1} \end{matrix}], \\ [B] = [\begin{matrix} b_{- 1, - 1} & b_{- 1, 0} & b_{- 1, 1} \\ b_{0, - 1} & b_{0, 0} & b_{0, 1} \\ b_{1, - 1} & b_{1, 0} & b_{1, 1} \end{matrix}] 。 \end{array}$

在不引起混淆的情况下仍然记A=(aij)υ×υ,则(1)式也可写成

$\frac{d x_{i}}{d t} = - x_{i} + \sum_{j = 1}^{υ} a_{i j} f (x_{j}) + \sum_{j = 1}^{υ} b_{i j} u_{j} + z_{i} (3)$

记

$X = [\begin{matrix} x_{1} \\ x_{2} \\ ? \\ x_{υ} \end{matrix}], [A] = [\begin{matrix} a_{- 1, - 1} & a_{- 1, 0} & a_{- 1, 1} \\ a_{0, - 1} & a_{0, 0} & a_{0, 1} \\ a_{1, - 1} & a_{1, 0} & a_{1, 1} \end{matrix}] = [\begin{matrix} a & b & c \\ d & e & f \\ g & h & i \end{matrix}] ‚ f (X) = [\begin{matrix} f (x_{1}) \\ f (x_{2}) \\ ⋮ \\ f (x_{υ}) \end{matrix}]$

。

(1)式也可以用下列矩阵向量形式表示,

$\dot{X} = - X + A f (X) + B U + Ζ (4)$

(4)式中A∈Rυ×υ,B∈Rυ×υ,f(X)∈Rυ,X∈Rυ,υ=M×N。

2 定理及证明

本文讨论细胞神经网络方程(4)的输入U以及阀值Z为不变情况。

引理1 对于输出线性分段函数 $f (x_{}) = \frac{1}{2} (| x_{} + 1 | - | x_{} - 1 |)$ ,及向量X1,X2,则对于任意一种范数有 $f (X_{1}) - f (X_{2}) \leq f (X_{1} - X_{2}) \leq X_{1} - X_{2}$ 。

证明由函数f的性质以及范数共性,易知所证成立。

引理2 当 $[A]$ 为中心对称时,即a=i,b=h,c=g,d=f,则M×N神经网络对于0边界条件及周期边界条件,有A=AT。

证明以3×4排列神经细胞

$[\begin{matrix} x_{11} & x_{12} & x_{13} & x_{14} \\ x_{21} & x_{22} & x_{23} & x_{24} \\ x_{31} & x_{32} & x_{33} & x_{34} \end{matrix}]$

为例,这时υ=3×4=12。

重新对应记作

$[\begin{matrix} x_{11} & x_{12} & x_{13} & x_{14} & x_{21} & x_{22} & x_{23} & x_{24} & x_{31} & x_{32} & x_{33} & x_{34} \\ ⇓ & ⇓ & ⇓ & ⇓ & ⇓ & ⇓ & ⇓ & ⇓ & ⇓ & ⇓ & ⇓ & ⇓ \\ x_{1} & x_{2} & x_{3} & x_{4} & x_{5} & x_{6} & x_{7} & x_{8} & x_{9} & x_{10} & x_{11} & x_{12} \end{matrix}]$

,对于0边界条件,则(4)式对应的反馈矩阵

$A = [\begin{matrix} e & f & 0 & 0 & h & i & 0 & 0 & 0 & 0 & 0 & 0 \\ d & e & f & 0 & g & h & i & 0 & 0 & 0 & 0 & 0 \\ 0 & d & e & f & 0 & g & h & i & 0 & 0 & 0 & 0 \\ 0 & 0 & d & e & 0 & 0 & g & h & 0 & 0 & 0 & 0 \\ b & c & 0 & 0 & e & f & 0 & 0 & h & i & 0 & 0 \\ a & b & c & 0 & d & e & f & 0 & g & h & i & 0 \\ 0 & a & b & c & 0 & d & e & f & 0 & g & h & i \\ 0 & 0 & a & b & 0 & 0 & d & e & 0 & 0 & g & h \\ 0 & 0 & 0 & 0 & b & c & 0 & 0 & e & f & 0 & 0 \\ 0 & 0 & 0 & 0 & a & b & c & 0 & d & e & f & 0 \\ 0 & 0 & 0 & 0 & 0 & a & b & c & 0 & d & e & f \\ 0 & 0 & 0 & 0 & 0 & 0 & a & b & 0 & 0 & d & e \end{matrix}],$

对于周期边界条件情况,如图1,

则(4)式对应的反馈矩阵

$A = [\begin{matrix} e & f & 0 & d & h & i & 0 & g & b & c & 0 & a \\ d & e & f & 0 & g & h & i & 0 & a & b & c & 0 \\ 0 & d & e & f & 0 & g & h & i & 0 & a & b & c \\ f & 0 & d & e & i & 0 & g & h & c & 0 & a & b \\ b & c & 0 & a & e & f & 0 & d & h & i & 0 & g \\ a & b & c & 0 & d & e & f & 0 & g & h & i & 0 \\ 0 & a & b & c & 0 & d & e & f & 0 & g & h & i \\ c & 0 & a & b & f & 0 & d & e & i & 0 & g & h \\ h & i & 0 & g & b & c & 0 & a & e & f & 0 & d \\ g & h & i & 0 & a & b & c & 0 & d & e & f & 0 \\ 0 & g & h & i & 0 & a & b & c & 0 & d & e & f \\ i & 0 & g & h & 0 & c & a & b & f & 0 & d & e \end{matrix}]$

。

显然,M×N神经网络对于0边界条件及周期边界条件,当[A]为中心对称时,即a=i,b=h,c=g,d=f,有A=AT。证毕。

由引理2证明过程有如下结果:

引理3 若M×N神经网络为周期边界条件,则有

$\sum_{j = 1}^{υ} a_{i j} = a + b + c + d + e + f + g + h + i 。$

引理4 对于任意矩阵A=(aij)υ×υ,若 $| \sum_{j = 1}^{υ} a_{i j} | = C (\forall i = 1, 2, \dots, υ)$ ,则A的谱半径ρ(A)=C。

证明A的谱半径ρ(A)可以用幂法计算。具体取初始向量 $X^{(0)} = [\begin{matrix} 1 1 \dots 1 \end{matrix}]$ T,得到向量序列

$X^{(1)} = A X^{(0)}, X^{(2)} = A X^{(1)}, \dots, X^{(k)} = A X^{(k - 1)}, \dots$

则 $ρ (A) = \lim_{k \to + \infty} | \frac{x_{i}^{(k + 1)}}{x_{i}^{(k)}} | = | \sum_{j = 1}^{υ} a_{i j} | = C$ 。

引理5[10] 对于任意矩阵A=(aij)υ×υ,则对于任意一种范数有,A的谱半径满足ρ(A)≤‖A‖。若A是严格对角优阵,则A的谱半径ρ(A)<1。

定理1 若CNN网络系统状态方程(4)的反馈矩阵A的谱半径ρ(A)<1,则系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明微分方程(4)的平衡点X*满足方程

$- X^{*} + A f (X^{*}) + B U + Ζ = 0 (5)$

作变量替换 Y=X-X*,由(4)式有 $\dot{Y} = - Y - X^{*} + A f (Y + X^{*}) + B U + Ζ$ ,同时,由(5)式,化简有 $\dot{Y} = - Y + A [f (Y + X^{*}) - f (X^{*})]$ 。 (6)

只要讨论(6)式的0解稳定性。

考虑微分方程(6)的相应映射

|Y|A→A[f(Y+X*)-f(X*)] (7)

由引理1,显然有 $| f (Y + X^{*}) - f (X^{*}) | \leq$ f(Y) $\leq | Y |$ 。

又因为有

$\begin{array}{l} | f (A [f (Y + X^{*}) - f (X^{*})] + X^{*}) - f (X^{*}) | \leq \\ | f (A [f (Y + X^{*}) - f (X^{*})]) | \leq | A [f (Y + X^{*}) - \\ f (X^{*})] | \leq | A | \cdot f (Y + X^{*}) - f (X^{*}) \leq \\ | A | \cdot | f (Y) | \leq | A | \cdot | Y | (8) \end{array}$

由定理条件A的谱半径ρ(A)<1、引理5及(8)式,则(6)式的0解是稳定的,即系统(1)有稳定的平衡点,且为全局渐近稳定的。

定理2 对于CNN神经网络方程(4)矩阵A=(aij)υ×υ,若 $| \sum_{j = 1}^{υ} a_{i j} | = C < 1 (\forall i = 1, 2, \dots, υ)$ ,则即系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明由 $| \sum_{j = 1}^{υ} a_{i j} | = C < 1 (\forall i = 1, 2, \dots, υ)$ 及引理4与定理1,得所证成立。

定理3 若存在对角矩阵

$Ρ = [\begin{matrix} p_{1} \\ p_{2} \\ ⋱ \\ p_{υ} \end{matrix}]$

(A)若|pi|>1(i=1,2,…,υ),使得PA谱半径ρ(PA)≤1,则系统(1)有稳定的平衡点,且为全局渐近稳定的。

(B)若|pi|≥1(i=1,2,…,υ),使得PA谱半径ρ(PA)<1,则系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明由(6)式两左乘以P得

$Ρ \dot{Y} = - Ρ Y + Ρ A [f (Y + X^{*}) - f (X^{*})] (9)$

令PY=W,则(9)式化为

$\dot{W} = - W + Ρ A [f (Ρ^{- 1} W + X^{*}) - f (X^{*})] (10)$

只需讨论上式的0解稳定性。考虑微分方程(10)的相应映射

$W | \to Ρ A [f (Ρ^{- 1} W + X^{*}) - f (X^{*})] (11)$

由引理1,有

$\begin{array}{l} ∥ f (Ρ^{- 1} Ρ A [f (Ρ^{- 1} W + X^{*}) - f (X^{*})] + X^{*}) - \\ f (X^{*}) ∥ \leq ∥ f (Ρ^{- 1} Ρ A [f (Ρ^{- 1} W + X^{*}) - \\ f (X^{*})]) ∥ \leq ∥ Ρ^{- 1} ∥ \cdot ∥ Ρ A [f (Ρ^{- 1} W + X^{*}) - \\ f (X^{*})] ∥ \leq ∥ A ∥ \cdot ∥ [f (Ρ^{- 1} W + X^{*}) - f (X^{*})] ∥ \leq \\ ∥ A ∥ \cdot ∥ f (Ρ^{- 1} W) ∥ \leq ∥ Ρ A ∥ \cdot ∥ Ρ^{- 1} ∥^{2} \cdot ∥ W ∥ 。 (12) \end{array}$

对于(12)式,由定理中(A)条件P(|pi|>1,i=1,2,…,υ)性质知ρ(P-1)<1。另外,由PA谱半径ρ(PA)≤1,因此(10)的0解稳定性,即(1)有稳定的平衡点,且为全局渐近稳定的。

另外,对于(12)式,由定理中(B)条件P(|pi|≥1,i=1,2,…,υ)性质知ρ(P-1)≤1。另外,由PA谱半径ρ(PA)<1,因此(10)式的0解稳定性,即(1)有稳定的平衡点,且为全局渐近稳定的。

推论1 对于周期边界条件情况的CNN神经网络,当|a+b+c+d+e+f+g+h+i|<1时,则系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明当CNN神经网络的边界为周期边界情况,由引理3有

$| \sum_{j = 1}^{υ} a_{i j} | = | a + b + c + d + e + f + g + h + i | 。$

同时,由条件|a+b+c+d+e+f+g+h+i|<1及定理2,得所证成立。

推论2 若A是严格对角优阵,即e>|a|+|b|+|c|+|d|+|f|+|g|+|h|+|i|系统(1)有稳定的平衡点,且为全局渐近稳定的。

证明由A是严格对角优阵,由引理5,则A的谱半径ρ(A)<1,由定理1知结论成立。

3 结论说明及应用实例

当e>1时,则|xi|<1系统没有稳定平衡点,此时稳定平衡点仅存在于区域|xi|<1外。文献[5,6,7,8]定理是对(4)式矩阵A-I分别利用比较法、M矩阵法、拟对角占优法进行讨论稳定性,而本文是对(4)式矩阵A进行讨论,本文所得结果推广了上述结果。文献[9]定理1推广了文献[8]结论,而文献[9]定理1结论是本文定理3的特殊情况,因为对于正对角元素矩阵A-I及P(|pi|>1,i=1,2,…,υ),若P(A-I)为严格对角占优阵,则一定有PA谱半径ρ(PA)≤1; 另外,本文定理3也不需要讨论矩阵为正对角元素矩阵。

另外,本文是对标准CNN模型稳定性进行讨论,而标准CNN模型所有的性质由反馈模板[A]、控制[B]及阀值Z决定。但从本文的定理证明过程可知,本文的结果对输出函数满足|f(x2)-f(x1)|≤|x2-x1|(∀x1,x2∈R)的一般CNN方程同样成立。本文的定理证明过程同时也说明,满足本文定理及推论的CNN细胞神经网络的稳定性只取决于反馈矩阵A,而与输入矩阵B及阀值Z无关。

例1 若CNN细胞神经网络(4)反馈矩阵

$A = [\begin{matrix} - 0.3 & 0.1 & - 0.4 & 0.8 \\ 0.2 & 0.2 & 0.1 & 0.3 \\ 0.5 & - 0.2 & 0.4 & - 0.1 \\ - 0.8 & 0.3 & 0.2 & - 0.2 \end{matrix}] ‚$

则有A的谱半径ρ(A)≈0.8986<1。由定理1知,此时CNN细胞神经网络(4)有稳定平衡点且全局渐近稳定的。

例2 若CNN细胞神经网络(4)反馈矩阵

$A = [\begin{matrix} 2 & 4.2 & - 6 \\ - 8 & 0 & 7.8 \\ 4 & 6 & 2.2 \end{matrix}]$

,则有 $| \sum_{j = 1}^{υ} a_{i j} | = 0.2 < 1$ 由定理2知,此时CNN细胞神经网络(4)有稳定平衡点且全局渐近稳定的。

例3 若CNN细胞神经网络(4)反馈矩阵

$A = [\begin{matrix} - 0.3 & 0.6 & - 0.5 & 0.8 \\ 0.2 & 0.2 & 0.6 & 0.3 \\ 0.5 & - 0.2 & 0.4 & - 0.1 \\ - 0.8 & 0.3 & 0.8 & - 0.2 \end{matrix}] ‚$

此时ρ(A)≈1.007 3>1。但是取对角阵

$Ρ = [\begin{array}{l} - 1.1 \\ 1.2 \\ 1.1 \\ - 1 \end{array}]$

,则PA的谱半径ρ(PA)≈0.970 9<1。由定理3知,此时CNN细胞神经网络(4)有稳定平衡点且全局渐近稳定的。

例4 若标准CNN细胞神经网络的有如下反馈、输入联络模板及阈值

$\begin{array}{l} [A] = [\begin{matrix} 2 & - 1 & 1 \\ - 1 & 8 & 1 \\ 0 & 1 & 0 \end{matrix}], \\ [B] = [\begin{matrix} 1 & 2 & 3 \\ 3 & 2 & 1 \\ 1 & 3 & 2 \end{matrix}] ‚ Ζ = 1 。 \end{array}$

由推论2知CNN细胞神经网络有稳定平衡点且全局渐近稳定的。

参考文献

[1]Chua LO,Yang L.Cellular neural networks:theory.IEEE Trans on Circuits Systems,1988;35(10):1257—1272

[2]Chua L O,Yang L.Cellular neural networks:applications.IEEE Trans on Circuits Systems,1988;35(10):1273—1290

[3]Chua L O.CNN:a visions of complexity.Bifurcation and Chaos in Appli Sci Eng,1997;7(10):2219—2425

[4]Roska T,Hmori J,Labos E,et al.The use of CNN models in sub-cortical visual pathway.IEEE Trans on Circuits Systems,1993;40(9):182—195

[5]Arik S,Tavanoglu V.Equilibrium analysis of nonsymmetric cellular neural networks.Int J Circuit Theory Applicat,1996;24:269—274

[6]Arik S,Tavanoglu V.Equilibrium analysis of delayed cellular neural networks.IEEE Trans CAS I,1998;45(2):168—171

[7]Takahashi N,Chua LO.Anewsufficient condition for nonsymmetric cellular neural net works to have a sable equilibrium point.IEEE Trans CAS I,1997;44(10):1092—1095

[8]Takahashi N,Chua L O.On the complete stability of nonsymmetric cellular neural networks.IEEE Trans Circuits Systems,1998;45(7):754—758

[9]张发明.非对称细胞神经网络稳定平衡点的存在性.电子测量与仪器学报,2005;19(3):25—29

CNN新闻篇10

3月17日，英国广播公司(BBC)在其网站上刊登了一幅图片，显示的是中国公安武警协助医护人员将受伤人员送进救护车的场景，但BBC给出的图片说明却写道：“在拉萨有很多军队”；英国《泰晤士报》等媒体也在报道中使用了“军事镇压”、“武力管制”、“藏人被杀数百人”等歪曲事实真相的文字；3月18日，德国《柏林晨报》网站将一张中国公安武警解救被袭群众的照片硬说成是在“抓人”，美国福克斯电视台网站刊登的一幅照片称，“中国军人”将抗议者拉上卡车，但图片显示的却是印度警察；德国NTV电视台在报道“发生在西藏的事件”时，用的竟是尼泊尔警察抓捕抗议者的电视画面。

同样是在3月17日，美国有线电视新闻网(CNN)和法新社在各自网站上使用了一张描述一辆车正向两名平民驶来的图片，事实上，当时军车旁有约10名暴徒在向军车投掷石块，但CNN的网站上，暴徒向军车投掷石块的场景却被PS掉了。

西方媒体不实报道的转帖在中国国内及海外华人网站中迅速流传，引起了很多中国人的气愤。一位网民指出，一位加拿大人拍下中国武警举着盾牌组成人墙阻挡雨点般砖头袭击的照片，并将其放在自己的博客里，这幅照片后来被《纽约时报》放到了头版，然而，该报的图片说明却根本不提歹徒袭击警察的暴行，而是用了“示威”这种完全不符合事實并带有偏见的字眼。

西方媒体的造假手段被揭发后，CNN只是偷偷摸摸地“重新编辑”了曾被他们刻意篡改的照片，让先前被隐藏的向军车仍石头的暴民露出本来面目，但仍然没有向广大中国人民真诚道歉，仍然没有修改他们诋毁中国形象的初衷。

【CNN新闻】推荐阅读：

品牌新闻发布如何做好品牌新闻推广08-16