陳默

（北京語言大學(xué) 漢語進修學(xué)院，北京100083）

1 引言

由于很多漢語聲調(diào)偏誤的形成主要是因為第二語言學(xué)習(xí)者沒有形成較好的聲調(diào)范疇，不能區(qū)分不同調(diào)類之間的差異，從而形成了各種各樣的“洋調(diào)”。對于無聲調(diào)語言母語者而言，漢語聲調(diào)范疇的建立是一個從無到有的過程，是習(xí)得的難點和重點，所以對漢語聲調(diào)范疇浮現(xiàn)的研究是十分重要的。筆者發(fā)現(xiàn)，目前漢語聲調(diào)范疇的研究主要是橫向的感知研究［1－3］，對聲調(diào)范疇認(rèn)知發(fā)展過程的研究很少，對聲調(diào)范疇習(xí)得機制的探討也很少。

聲調(diào)范疇的實驗研究存在著一定的局限性，不能綜合考察語音特征之間的相互作用，不能觀測到多層面因素特征相互作用隨時間變化的特性等。所以目前的實驗研究還不能全面地分析聲調(diào)范疇是如何在多層面特征的相互作用下浮現(xiàn)而出的，這也是對聲調(diào)范疇習(xí)得機制了解不夠深入的主要原因。因為不同的特征（聲調(diào)特征、母語音段特征、二語音段特征以及外部環(huán)境特征等）在聲調(diào)范疇浮現(xiàn)的過程中起著不同的作用，所以我們應(yīng)該把這些聲調(diào)特征融合在一起，來探討聲調(diào)范疇的浮現(xiàn)。

因為聲調(diào)范疇的浮現(xiàn)涉及聲調(diào)特征相互作用的過程。筆者在模型中加入的聲調(diào)的主要聲學(xué)特征有：（1）調(diào)值，也就是基頻高度；（2）調(diào)形，即基頻曲線；（3）調(diào)長，即聲調(diào)時長；（4）調(diào)域，即高音點音高與低音點音高的距離。另外，模型涉及母語語音特征和漢語語音特征，這樣做的優(yōu)勢一是可以動態(tài)地研究各因素相互作用的過程，二是可以直觀地觀測不同層面的特征相互作用的結(jié)果。

神經(jīng)網(wǎng)絡(luò)方法在漢語漢字和語音識別的研究中已經(jīng)得到廣泛的應(yīng)用［4－6］，但是由于語言習(xí)得的動態(tài)性，常規(guī)的神經(jīng)網(wǎng)絡(luò)難以直接使用。本文利用生長型樹形結(jié)構(gòu)自組織特征映射神經(jīng)網(wǎng)絡(luò)（GTSSOFM）來模擬英語母語者漢語聲調(diào)范疇的浮現(xiàn)過程。通過建立零起點、初級和中級三個子模型，來考察三個子模型的聲調(diào)特征的聚類過程、三個子模型不同類聲調(diào)之間的距離以及三個子模型聲調(diào)混淆的數(shù)量和類型。綜合這三個方面對三個子模型聲調(diào)范疇的浮現(xiàn)進行研究，是為了跟行為實驗研究［7］進行比較，以更深入地發(fā)掘漢語聲調(diào)范疇的習(xí)得機制。

模擬研究跟行為實驗研究［7］的不同點在于，行為實驗研究是利用實驗語音學(xué)的方法來分析被試的物理聲學(xué)特征，通過語音軟件來提取語音參數(shù)，用多因素方差分析來考察特征之間的關(guān)系。模擬研究是通過計算機模型的構(gòu)建來實現(xiàn)聲調(diào)范疇學(xué)習(xí)的。從提取的聲調(diào)特征來看，行為實驗只考察了調(diào)值特征，而模擬研究綜合考察調(diào)值、調(diào)形、調(diào)域和調(diào)長四類特征，可以更好地觀察聲調(diào)特征之間的相互作用以及聲調(diào)特征和外部因素（知識的變化和語言水平的變化）相互作用的結(jié)果。從研究對象來看，行為實驗由于受實驗條件的限制，采取的是橫向研究方法，而且被試分屬于不同的無聲調(diào)語言國家，存在著一定的個人差異。而模擬研究更類似于縱向研究，選擇的是一種母語背景，可以保證被試的同質(zhì)性。所以，我們可以通過計算機模擬的方法來驗證行為實驗的結(jié)果，同時也能提供行為實驗觀察不到的結(jié)果。

2 聲調(diào)范疇浮現(xiàn)模型的建立

2.1 算法實現(xiàn)

本研究采用筆者建立的動態(tài)生長型樹形結(jié)構(gòu)自組織映射模型（GTS－SOFM），具體實現(xiàn)上主要包括以下幾個關(guān)鍵考慮：1）動態(tài)的神經(jīng)元添加策略以及合理的神經(jīng)元排列方式設(shè)計；2）起始神經(jīng)元權(quán)重初始化以及優(yōu)勝鄰域的設(shè)計；3）自組織樹在生長階段中的獲勝神經(jīng)元搜索方法；4）有效的學(xué)習(xí)函數(shù)以及加入弱近鄰抑制效應(yīng)的參數(shù)調(diào)整方式；5）神經(jīng)元生長閾值隨著網(wǎng)絡(luò)的擴大而動態(tài)增加，控制網(wǎng)絡(luò)的規(guī)模和穩(wěn)定性；6）網(wǎng)絡(luò)趨于穩(wěn)定時合理的收斂條件的設(shè)置和判斷。跟以往的動態(tài)自組織模型相比較［8－10］，GTS－SOFM既克服了Kohonen自組織特征映射網(wǎng)絡(luò)的固定網(wǎng)絡(luò)結(jié)構(gòu)的限制以及容量的有限性，又克服了上述幾個類似動態(tài)網(wǎng)絡(luò)的較弱的拓?fù)溆成涮匦?，從而方便用于語言認(rèn)知習(xí)得的研究，既具有良好的拓?fù)溆成涮匦?，又保證了神經(jīng)元的動態(tài)生成能力。

2.2 表征

由于本研究模擬的是英語母語者漢語聲調(diào)范疇的浮現(xiàn)，所以要建立一個雙語模型。英語作為基礎(chǔ)模型，在此基礎(chǔ)上建立零起點、初級和中級三個子模型。英語表征借鑒Li和MacWhinney的PatPho表征方案［11］，主要從發(fā)音方法和發(fā)音部位來表征元音和輔音。漢語語音表征是在Zhao和Li的漢語音素表征［12］的基礎(chǔ)上加入了漢語聲調(diào)的表征，漢語聲調(diào)的表征參考了前人的諸多研究成果［13］，抽取出漢語聲調(diào)的最主要特征（表1）：1）調(diào)值。陰平和去聲為高，陽平和上聲為非高；2）調(diào)形。分成平、升、降升和降四類；3）調(diào)域。四類聲調(diào)根據(jù)高音點和低音點的距離，陰平為窄，陽平、上聲和去聲為寬；4）調(diào)長。陰平、陽平和上聲為長，去聲為短。對聲調(diào)特征進行定義后，根據(jù)聲調(diào)特征之間的差異程度，對聲調(diào)特征進行賦值（表2）。

表1 漢語語音表征

表2 漢語語音的數(shù)值表征

2.3 訓(xùn)練樣本

結(jié)合《英語常用詞詞典》［14］和《牛津英漢雙解小詞典》［15］選出1 000個英語常用詞，其中單音節(jié)詞535個，雙音節(jié)詞465個，其中重音在前的雙音節(jié)詞282個，重音在后的雙音節(jié)詞183個。這1 000個詞涵蓋了英語所有的發(fā)音模式（圖1），從而建立英語基礎(chǔ)模型。

選擇《漢語教程》［16］作為訓(xùn)練樣本，建立三個漢語水平的模型。零起點學(xué)習(xí)者相當(dāng)于學(xué)習(xí)了《漢語教程》半個月左右，初級學(xué)習(xí)者（初級上）相當(dāng)于學(xué)習(xí)了《漢語教程》半年左右，中級學(xué)習(xí)者（中級上）相當(dāng)于學(xué)習(xí)了《漢語教程》1年左右。訓(xùn)練樣本的選取遵循兩個原則：一是保證樣本的累積效應(yīng)，即在零起點學(xué)習(xí)過的樣本同樣還會在初級和中級出現(xiàn)，初級的樣本會在中級出現(xiàn)；二是保證所選擇的樣本能代表實際整體樣本的頻次分布。

圖1 英語訓(xùn)練樣本在輸出層的映射圖

2.4 訓(xùn)練和測試

對三個子模型分別進行訓(xùn)練。訓(xùn)練前，模型接受前測。因為要和行為實驗結(jié)果［7］進行比較，所以用行為實驗的測試音節(jié)表（見附件1）對三個子模型進行前測。每類聲調(diào)30個音節(jié)，一共120個音節(jié)，即每個子模型都要接受120個音節(jié)的前測。前測結(jié)束，開始進行訓(xùn)練。訓(xùn)練樣本的選擇采取從高頻到低頻樣本的等間隔選取法，零起點子模型的100個訓(xùn)練樣本是從939個樣本中頻次≥20的664個樣本中選取出來的。初級子模型總共選取了200個訓(xùn)練樣本。其中100個和零起點子模型的完全一致，另外100個是從頻次≥8的798個樣本中選取出來的。中級子模型總共選取了400個訓(xùn)練樣本。其中200個和初級子模型的樣本完全一致（其中包含了100個零起點的樣本），另外200個是從所有939個樣本中等間隔選取出來的。三個子模型訓(xùn)練結(jié)束，進行后測。后測文本和行為實驗后測文本［7］一樣（見附件2），后測是對三個子模型分別用120個音節(jié)測試表進行測試，然后和前測結(jié)果進行比較。

3 模擬結(jié)果和分析

對三個子模型聲調(diào)范疇發(fā)展的研究，是通過三方面的考察進行的。一是三個子模型的聲調(diào)范疇圖比較；二是三個子模型在輸出層上不同類聲調(diào)之間距離的比較；三是三個子模型聲調(diào)混淆數(shù)量和類型的比較。綜合這三個方面對三個子模型聲調(diào)范疇的浮現(xiàn)過程進行研究。

3.1 三個子模型的聲調(diào)范疇圖比較

為了更好地看出聲調(diào)范疇的發(fā)展，對三個子模型輸出層進行部分截圖。如圖2、3和4（數(shù)字1、2、3和4分別表示陰平、陽平、上聲和去聲）。

圖2 零起點子模型聲調(diào)范疇部分截圖

圖3 初級子模型聲調(diào)范疇部分截圖

根據(jù)四類聲調(diào)的聚類情況，筆者在圖2、3和4上畫出相應(yīng)的范疇，從而可以直觀地看出三個子模型的聲調(diào)范疇的動態(tài)發(fā)展情況。據(jù)圖示，零起點子模型的四類聲調(diào)還沒有形成范疇，四類聲調(diào)的混淆情況很多，陰平和陽平相混，陰平和去聲相混，陽平和上聲相混，陽平和去聲相混。初級子模型去聲和陰平的聚類最好，上聲次之，陽平最差，可以說初級子模型已經(jīng)開始形成了一定的聲調(diào)范疇。但仍然還有聲調(diào)相混的情況。例如，陽平和上聲相混的很多，另外有很少量的陰平和去聲相混以及陰平和陽平相混。中級子模型聲調(diào)范疇繼續(xù)發(fā)展，去聲的聚類最好，其次是陰平，陽平和上聲最不好。據(jù)圖來看，可以說中級子模型的聲調(diào)范疇好于初級子模型，初級子模型的聲調(diào)范疇好于零起點子模型。

圖4 中級子模型聲調(diào)范疇部分截圖

3.2 三個子模型的聲調(diào)距離比較

通過對輸出層上不同類聲調(diào)距離的計算，可以對聲調(diào)范疇的發(fā)展?fàn)顩r進行量化。衡量的標(biāo)準(zhǔn)是距離越長，不同類聲調(diào)之間的區(qū)分越清楚，聲調(diào)范疇發(fā)展得越好。通過對兩類聲調(diào)所有樣本之間激活神經(jīng)元距離的計算，筆者對三個子模型六對聲調(diào)之間的距離（即陰平和陽平、陰平和上聲、陰平和去聲、陽平和上聲、陽平和去聲以及上聲和去聲這六對聲調(diào)）進行了統(tǒng)計。如表3和圖5所示。

表3 聲調(diào)距離平均值

圖5 三個子模型聲調(diào)距離的比較

非參數(shù)檢驗結(jié)果（Man－Whitney test）顯示，零起點和初級子模型的聲調(diào)距離差異顯著（p＝.004），初級子模型的聲調(diào)距離明顯高于零起點子模型。零起點和中級子模型的聲調(diào)距離差異顯著（p＝.004），中級子模型的聲調(diào)距離明顯高于零起點子模型。初級和中級子模型的聲調(diào)距離差異不顯著（p＝1.000），初級和中級子模型之間的聲調(diào)距離沒有明顯差異。以上結(jié)果表明初級和中級子模型的聲調(diào)范疇發(fā)展得比零起點好。

3.3 三個子模型聲調(diào)混淆數(shù)量和混淆類型的比較

通過統(tǒng)計聲調(diào)的混淆數(shù)量和混淆類型，可以清晰地看出聲調(diào)范疇混淆的具體情況。混淆的數(shù)量和類型越少，說明聲調(diào)范疇發(fā)展得越好；反之，則聲調(diào)范疇發(fā)展得不好。圖6是對零起點、初級和中級三個子模型聲調(diào)混淆數(shù)量的統(tǒng)計，從中可以看出聲調(diào)混淆數(shù)量的變化過程。

圖6 三個子模型聲調(diào)混淆數(shù)量的比較

非參數(shù)檢驗結(jié)果顯示，零起點和初級子模型的聲調(diào)混淆數(shù)量差異顯著（p＝.000），初級子模型聲調(diào)混淆數(shù)量明顯比零起點子模型的少。零起點和中級子模型的聲調(diào)混淆數(shù)量差異顯著（p＝.000），中級子模型聲調(diào)混淆數(shù)量明顯比零起點子模型的少。初級和中級子模型的聲調(diào)混淆數(shù)量差異不顯著（p＝1.000）。從模擬結(jié)果可以看出，初級和中級子模型的聲調(diào)范疇發(fā)展得比零起點子模型好。

為了更好地考察混淆類型的發(fā)展變化，筆者又對不同混淆類型的數(shù)量進行了統(tǒng)計，統(tǒng)計結(jié)果見表4。

表4 三個子模型六對聲調(diào)混淆類型的數(shù)量

把三個子模型的聲調(diào)混淆類型做成圖7，可以更好地看出變化趨勢，如圖7所示（數(shù)字1、2、3和4分別表示陰平、陽平、上聲和去聲四類聲調(diào)）。

根據(jù)表4和圖7可以看出，零起點子模型有四對聲調(diào)混淆，分別是陰平和陽平、陰平和上聲、陰平和去聲以及陽平和上聲。其中陽平和上聲的混淆最多，其次是陰平和去聲。陰平和陽平以及陰平和上聲的混淆比較少。初中級子模型有三對聲調(diào)混淆，分別是陰平和陽平、陰平和去聲以及陽平和上聲。其中陽平和上聲的混淆數(shù)量最多，陰平和去聲以及陰平和陽平的混淆數(shù)量較少。初級和中級子模型的聲調(diào)混淆類型明顯少于零起點子模型，這也說明初級和中級子模型的聲調(diào)范疇發(fā)展得比零起點子模型好。另外，陽平和上聲的混淆數(shù)量在三個子模型里都是最多的，而且初級、中級子模型跟零起點子模型相比，陽平和上聲混淆數(shù)量的減少并不明顯。

圖7 三個子模型的混淆類型數(shù)量的比較

4 討論

從三個子模型的聲調(diào)范疇圖、聲調(diào)距離以及聲調(diào)混淆數(shù)量和類型的比較結(jié)果看出，初級和中級聲調(diào)范疇的發(fā)展明顯好于零起點，陰平和去聲的混淆以及陽平和上聲的混淆是最主要的混淆類型，陰平和去聲的聚類程度好于陽平和上聲。模擬結(jié)果和行為實驗結(jié)果［7］總體上是吻合的，由此可以得出以下結(jié)論。

（1）英語母語者漢語聲調(diào)范疇的發(fā)展是一個從無到有的漸進過程。初級和中級子模型聲調(diào)范疇的發(fā)展明顯比零起點子模型好，中級子模型雖然從聲調(diào)距離、聲調(diào)混淆數(shù)量以及類型的比較上跟初級子模型相比無顯著差異，但是從聲調(diào)范疇圖（圖3和圖4）的比較來看，中級聲調(diào)范疇的發(fā)展明顯好于初級子模型。可以說零起點子模型是聲調(diào)范疇的萌芽期，初級子模型是聲調(diào)范疇的初始形成期，中級子模型是聲調(diào)范疇發(fā)展的穩(wěn)定期。另外，第二語言學(xué)習(xí)者不同調(diào)類聲調(diào)的聚類程度不一樣。例如，三個子模型都是去聲和陰平的聚類程度好于陽平和上聲。這說明陽平和上聲的聲調(diào)范疇較難建立。由于陽平和上聲在調(diào)值特征和調(diào)形特征上都存在著共性，例如，調(diào)值上的低調(diào)性質(zhì)、調(diào)形上的拐點特征以及后半部的升調(diào)性質(zhì)，這些因素共同制約著陽平和上聲聲調(diào)范疇的發(fā)展，無聲調(diào)語言母語者在發(fā)出漢語聲調(diào)時，需要同時利用這些語音特征，但是注意資源的有限使得陽平和上聲的區(qū)分難度大大增加。

（2）第二語言學(xué)習(xí)者的漢語聲調(diào)系統(tǒng)是一個復(fù)雜適應(yīng)性系統(tǒng)，自組織機制是支配第二語言學(xué)習(xí)者漢語聲調(diào)浮現(xiàn)的主要機制。漢語聲調(diào)范疇的浮現(xiàn)基于漢語聲調(diào)特征的自組織，聲調(diào)特征的發(fā)展決定了聲調(diào)的發(fā)展。無聲調(diào)語言母語者首先對聲調(diào)特征進行提取，然后進行特征比較，對不同的聲調(diào)特征賦予不同的權(quán)重，把具有共性的特征進行聚類，然后形成聲調(diào)范疇。其實，聲調(diào)范疇的混淆也體現(xiàn)出了“共性特征的聚類”。例如，陰平和去聲都屬于高調(diào)，陽平和上聲都屬于非高調(diào)，所以這種調(diào)值上的相似點，使學(xué)習(xí)者把陰平和去聲調(diào)值聚在一起，把陽平和上聲的調(diào)值聚類在一起。陽平和上聲都有拐點，這種調(diào)形上的相似點也會使學(xué)習(xí)者把陽平和上聲聚類在一起。聲調(diào)特征自組織的過程也要受到母語語音特征和漢語音段特征的影響。也就是說聲調(diào)特征之間存在著相互作用，聲調(diào)特征和母語語音特征以及漢語音段特征之間也存在著相互作用。模擬研究建立的雙語模型正好可以直觀地展現(xiàn)出不同特征之間相互作用、自組織的動態(tài)過程，這是行為實驗無法做到的。

（3）外部因素對聲調(diào)范疇浮現(xiàn)的結(jié)果具有重要影響。這里的外部因素指的是語言知識的增加和難度的提高，也就是模擬研究中的訓(xùn)練樣本的變化。訓(xùn)練樣本的選取遵循兩個原則：一是保證樣本的累積效應(yīng)，即在零起點學(xué)習(xí)過的樣本同樣還會在初級和中級出現(xiàn)，初級的樣本會在中級出現(xiàn)；二是保證所選擇的樣本能代表實際整體樣本的頻次分布，即所挑選的樣本能比較真實地模擬實際學(xué)習(xí)中的樣本情況。原則一體現(xiàn)了知識的增加和累積，原則二體現(xiàn)了知識難度的提高。語言知識的累積對漢語聲調(diào)范疇的發(fā)展有兩種影響。一是知識累積促進了聲調(diào)范疇的發(fā)展。第二語言學(xué)習(xí)者隨著語音知識的增加，不斷調(diào)整聲調(diào)特征的權(quán)重，使?jié)h語聲調(diào)范疇的發(fā)展不斷進步。二是知識的累積和知識難度的增加造成了聲調(diào)范疇浮現(xiàn)中的種種變異現(xiàn)象。例如，聲調(diào)距離的比較結(jié)果顯示出中級子模型略微有些退步，這就體現(xiàn)了浮現(xiàn)過程中時常發(fā)生的“倒退”現(xiàn)象。

雖然模擬研究基本上驗證了行為實驗［7］的結(jié)果，但是還存在著一些差別。例如，行為實驗中的初中級被試不能區(qū)分兩對聲調(diào)范疇，模擬研究中的初中級子模型不能區(qū)分三對聲調(diào)范疇。從混淆類型來看，對于零起點階段來說，行為實驗中的被試能區(qū)分陰平和陽平以及陰平和上聲之間的聲調(diào)范疇，而模型能區(qū)分陽平和去聲以及上聲和去聲。對于初中級階段來說，行為實驗被試不能區(qū)分陰平和去聲以及陽平和上聲，模型不能區(qū)分陰平和陽平、陰平和去聲以及陽平和上聲。筆者認(rèn)為存在差異的原因主要是因為，行為實驗被試來自于三個無聲調(diào)語言國家（英語、西班牙語和德語），模擬則只研究了英語。行為實驗提取的是調(diào)值特征，而模擬提取了調(diào)值、調(diào)形、調(diào)域和調(diào)長四項特征。語言背景跟特征提取的差異，會使模擬和行為實驗的結(jié)果存在一些不同之處。但是由于模擬研究較好地保證了被試的同質(zhì)性，并且能夠直觀地考察不同因素間動態(tài)的相互作用過程，可以說模擬研究具有較強的可信度和解釋力。

5 小結(jié)

本研究對英語母語者漢語聲調(diào)范疇浮現(xiàn)過程的模擬研究，動態(tài)地表現(xiàn)出聲調(diào)范疇在自組織機制的支配下是如何逐漸浮現(xiàn)的。聲調(diào)范疇模擬研究的理論假設(shè)是：聲調(diào)范疇的獲得是基于聲調(diào)特征的自組織過程，聲調(diào)范疇的浮現(xiàn)過程是學(xué)習(xí)者對聲調(diào)特征聚類的過程。同時，也是母語語音特征和二語語音特征之間以及內(nèi)部語音特征和外部環(huán)境因素特征（時間的變化、知識量的增加以及知識難度的提高等）相互作用的過程。模擬結(jié)果和行為實驗結(jié)果的吻合，證明了筆者的理論假設(shè)，說明聲調(diào)特征的自組織機制就是聲調(diào)范疇發(fā)展的內(nèi)在機制。

聲調(diào)范疇浮現(xiàn)的模擬研究也可以為聲調(diào)教學(xué)提出一些有益的建議。學(xué)習(xí)者在開始學(xué)習(xí)漢語聲調(diào)時，對聲調(diào)范疇沒有概念，教師可以多設(shè)計一些聲調(diào)聽辨和感知的練習(xí)，讓學(xué)習(xí)者了解六對聲調(diào)之間的差異所在。在初、中級階段重點讓學(xué)習(xí)者練習(xí)陽平和上聲以及陰平和去聲的差異。并且要把這些聲調(diào)放在多音節(jié)短語或者語流中，對學(xué)習(xí)者進行范疇感知和產(chǎn)出的練習(xí)。尤其對于無聲調(diào)語言母語者來說，聲調(diào)范疇的感知和產(chǎn)出訓(xùn)練可以使他們對聲調(diào)間的差異逐漸敏感，促使聲調(diào)范疇浮現(xiàn)。

雖然模擬研究能夠動態(tài)地展現(xiàn)不同特征之間相互作用的結(jié)果，但是未能明確地表現(xiàn)出母語語音特征和漢語音段特征對聲調(diào)范疇發(fā)展的影響的具體程度，所以筆者會繼續(xù)改進GTS－SOFM模型，同時設(shè)計新的行為實驗，將母語語音特征（英語語調(diào)或者重音模式）和漢語音段特征（音節(jié)）作為兩個因素進行考察。另外，無聲調(diào)語言母語者聲調(diào)范疇的建立是一個從無到有的過程，也是一個從低層次到高層次的發(fā)展過程。聲調(diào)語言母語者（如泰語母語者）漢語聲調(diào)范疇的浮現(xiàn)跟無聲調(diào)語言母語者不一樣，漢語聲調(diào)的浮現(xiàn)是一個相似范疇的建立過程。如果我們能夠建立一個聲調(diào)語言母語者漢語聲調(diào)范疇浮現(xiàn)的模型，可以更好地解釋漢語聲調(diào)范疇的習(xí)得機制問題以及母語對聲調(diào)范疇浮現(xiàn)的影響。下一步筆者會利用GTS－SOFM模型對聲調(diào)語言母語者聲調(diào)范疇的浮現(xiàn)進行研究。

附錄A

表A1 前測音節(jié)之一

續(xù)表

表A2 前測音節(jié)之二

［1］Leather，J.F0pattern inference in the perceptual acquisition of second language tone［M］／／A.James and J.Leather（eds.），Sound patterns in Second Language Acquisition.Dordrecht：Foris Publications，1987：59－81.

［2］Stagray，J.R.，and Downs，D.1996.Differential sensitivity for frequency among speakers of a tone and nontone language［J］.Journal of Chinese Linguistics，1993，21，143－163.

［3］HalléP.Y－CH.，Chang.C.Best.Identification and discrimination of Mandarin Chinese VS.French listeners［J］.Journal of phonetics，2003.

［4］陳學(xué)德，陳玲，曾碚凱，等.一個基于神經(jīng)網(wǎng)絡(luò)的手寫文字分類／識別模型［J］.中文信息學(xué)報，1993，7（3）：16－25.

［5］張德喜，馬少平，朱紹文，等.基于統(tǒng)計與神經(jīng)元方法相結(jié)合的手寫體相似字識別［J］.中文信息學(xué)報，1999，13（3）：33－39.

［6］顧明亮，沈兆勇.基于語音配列的漢語方言自動辨識［J］，中文信息學(xué)報，2006，5：77－82.

［7］陳默.無聲調(diào)語言母語者漢語聲調(diào)浮現(xiàn)過程的實驗和模擬研究［D］.北京語言大學(xué)博士論文，2009.

［8］Alahakoon D，Halgamuge S K，Srinivasan B.Dynamic self－organizing maps with controlled growth for knowledge discovery［J］.IEEE Trans.on Neural Networks，2000，11（3）：601－604

［9］王莉，王正歐.TGSOFM：一種用于數(shù)據(jù)聚類的動態(tài)自組織映射神經(jīng)網(wǎng)絡(luò)［J］.電子與信息學(xué)報，2003，25（3）：313－319.

［10］陶駿，洪國輝.基于生長的自組織映射的數(shù)據(jù)挖掘［J］.計算機應(yīng)用，2005，25（2）：309－311.

［11］Li，P.，MacWhinney，B.PatPho：A phonological pattern generator for neural networks［J］.Behavior Research Methods，Instruments，and Computers，2002，34：408－415.

［12］Zhao X，Li P.An online database of phonological representation for Mandarin Chinese monosyllables［J］，Behavior Research Methods.2009，41（2）：575－583.

［13］吳宗濟，林茂燦.實驗語音學(xué)概要［M］.高等教育出版社，1989.

［14］方庭鈺等.英語常用詞詞典［M］.外語教學(xué)與研究出版社，1991.

［15］牛津英漢雙解小詞典（第9版）［M］.英國牛津大學(xué)出版社.外語教學(xué)與研究出版社，2008.

［16］楊寄洲.《漢語教程》系列教材［M］.北京語言大學(xué)出版社，2003.