선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 두 번째 실험은 첫 번째 실험에서 사용한 4개의 채널을 통과시킨 채널 불일치 음성을 이용한 폐쇄집단 문장독립 화자식별을통해 실제 불일치 조건에서의 성능을 비교하기 위해 수행되었다. 인식기로는 Naik의 방법과 동일하게 46개의 혼합 (mixture)으로 구성된 가우시안 혼합 모델 (GMM： Gaussian Mixture Model) 알고리즘을 사용하였고 음성 특징으로는 12차의 LPCC만을 사용하였다.
- 본 논문에서는 음성인식이나 화자인식에서의 채널 불일치에 의한 성능저하를 최소화하기 위하여 CMS를 기반으로 효과적으로 채널성분을 추정하고 제거할 수 있는 채널 정규화방법을 제안하였다. 제안된 FBCMS 방법은 선형 예측 다항식의 우세 극점에 해당하는 근을구하기 위해 켑스트럼으로부터 변환된 로그 스펙트럼에서의 포먼트를 찾고 대역폭을 확장한 켑스트럼을 얻는 과정으로 이루어진다.
- 본 논문에서는 채널정규화를 위해 널리 사용되는 CMS의 성능을 향상시키기 위해 PFCMS에서 제안된 극점 필터링의 결과를 얻을수 있고 연산량관점에서 좀더 효과적인 포먼트 대역확장 CMS (FBCMS； formant-broadened CMS)에 대해서 설명한다.
- 본 실험은 채널 통과 음성의 켑스트럼으로부터 추정된 채널 성분이 실제 채널과 얼마나 가까운지를 알아보기 위해 수행되었다. 켑스트럴 거리는 각 채널에 대하여 실제 채널의 켑스트럼, cch,과 추정된 채널의 켑스트럼, 즉 채널 통과 음성의 켑스트럼 평균, # 사이의 거리로서 다음과 같은 식 (13)에 의해서 정의된다.
제안 방법
- 이러한 단점을 극복하기 위해 최근까지 보다 효과적인 채널 성분을 추정하기 위한 연구가 진행되어 왔다. MMCMNFW［4］는 로그 스펙트럼으로부터채널 켑스트럼을 추정하는 방법을, PFCMW［5,6］는 선형 예측 모델에서의 극점을 필터링하는 방법을, CSAR［7］은 훈련과 테스트의 발성이 유사하고 스테레오 데이터를 사용할 수 있을 경우에 복소 켑스트럼을 통해 채널 성분을 추정하는 방법을, 그리고 DPCMS［8］에서는 채널 특성에 민감한특정 대역의 극점을 제거하여 채널 성분을추정하는 방법을 각각 제안하였다.
- 그리고 채널을 통과한 음성 데이터로부터 20 ms 길이에 대해 10 msec 간격으로 선형 예측 분석을 수행하여 12차의 LPCC 특징벡터를 추출하였다. PFCMS α-방법을 구현하기 위해 복소근을 얻을 수 있는 고유값 알고리즘을 사용하여 선형 예측 계수로 이루어진 다항식의 근을 얻었다. 또한 FBCMS 방법을 구현하기 위해 256 크기의 고속 푸리에 변환을 이용하여 로그 스펙트럼을 얻었다.
- 실제 실험에서는 16 Khz로 샘플링된 음성 데이터를 8 Khz로 다운 샘플링하고 다시 201개 계수로 구성된 FIR 필터 형식의 채널 시뮬레이터를 거쳤다. 그리고 채널을 통과한 음성 데이터로부터 20 ms 길이에 대해 10 msec 간격으로 선형 예측 분석을 수행하여 12차의 LPCC 특징벡터를 추출하였다. PFCMS α-방법을 구현하기 위해 복소근을 얻을 수 있는 고유값 알고리즘을 사용하여 선형 예측 계수로 이루어진 다항식의 근을 얻었다.
- 이는 실제 인식 실험 이전에 채널 추정에 대한 비교를 정량적으로 수행하기 위한것이며 인식 결과와반드시 일치한다고 보기는 어렵다. 두 번째 평가 방법으로서 38명에 대한 문장독립 화자 인식실험을 수행하였다. 마지막으로 제안된 방법과 기존 방법의 연산량 비교를 위해 제안된 방법과 PFCMS- a 방법을 MATLAB으로 구현하고 비교하였다.
- Naik는 단위 원에 가까우면서 협대 역을 가진 선형 예측 극점은 채널이나 잡음의 영향에 덜 민감하고 유용한 음성의 정보를 많이 포함하고 있으면서 채널 성분 추정에 큰 영향을 미친다는 것을 보여주었다. 따라서 이런 협대역 극점의 대역을 넓히기 위해 선형예측 분석에서 극점을 수정하는 작업, 즉 극점 필터링을 통해서 중심 주파수를 유지하면서 단위 원으로부터 원점에 가까워지도록 근을 이동하는 일을 수행하였다[4-6].
- 푸리에 변환에 의해 켑스트럼으로부터 얻어진 로그 스펙트럼은 매우 스무딩된 형태가 되므로 피치 정보 없이 포먼트를 쉽게 찾을 수 있다[11]. 따라서 제안된 방법은우세 극점에 대응되는 선형 예측 다항식의 근을 직접 구하지 않고 로그 스펙트럼에서 포먼트를 검출함으로써 간접적으로 구한다.
- PFCMS α-방법을 구현하기 위해 복소근을 얻을 수 있는 고유값 알고리즘을 사용하여 선형 예측 계수로 이루어진 다항식의 근을 얻었다. 또한 FBCMS 방법을 구현하기 위해 256 크기의 고속 푸리에 변환을 이용하여 로그 스펙트럼을 얻었다.
- 본 실험에서는CMV, CPV, EMV 그리고 EFV등의 4개의 채널 통과 음성으로부터 CMS, PFCMS- α PFCMS- γ, 그리고 FBCMS 방법으로 채널을 추정하여 실제 채널과의 거리를 구하였다. 그림 10부터 13까지 각 채널에 대해 화자 38명 발성 전체의 켑스트럴 거리 평균을 문턱값의 변화에 따라 제시하였으며 그림 14에서 4개 채널에 대한 평균을나타내었다.
- 제안된 방법을 평가하기 위해 TIMIT 데이터 베이스를 이용하여 기존의 CMS, PFCMS, 그리고 포먼트 평활화 켑스트럴 평균 차감법 (FBCSS)의 성능을 비교하였다. 비교를 위한 구체적인 방법에 있어서 첫 번째로 각각의 방법에 의해 추정된 채널이 얼마나 실제 채널에 근사한지를 분석하기 위해 켑스트럴 거 리를 구하였다. 이는 실제 인식 실험 이전에 채널 추정에 대한 비교를 정량적으로 수행하기 위한것이며 인식 결과와반드시 일치한다고 보기는 어렵다.
- 순수하게 채널의 영향만을 받은 데이터를 얻기 위하여 음성 데이터를 전화선 채널 시뮬레이터에 통과시켰다. 전화선 시뮬레이터는 대륙성 중음성 (CMV： continental mid Voice), 대륙성 저음성 (CPV： continental poor voice), 유럽식 중음성 (EMV： european mid voice), 유럽식 저음성 (EPV： european poor voice) 등 모두 4개로 통과 대역폭, 통과 대 역 감쇠, 전이구간 길이, 전이구간 감쇠 등에 따른 특성을 가지고 있다［15］.
- 실제적인 연산량의 차이를 알아보기 위해 MATLAB을 이용하여 두가지 알고리즘을 구현하고 수행하였다. LPC 알고리즘과 고유값 알고리즘은 MATLAB의 라이브러리를 이용하고, 12차의 LPCC와 256 고속 푸리에 변환을 사용하였을 때 FBCMS의 1)연산량은 PFCMS- α 연산량의 약 62.
- 본 논문에서는 음성인식이나 화자인식에서의 채널 불일치에 의한 성능저하를 최소화하기 위하여 CMS를 기반으로 효과적으로 채널성분을 추정하고 제거할 수 있는 채널 정규화방법을 제안하였다. 제안된 FBCMS 방법은 선형 예측 다항식의 우세 극점에 해당하는 근을구하기 위해 켑스트럼으로부터 변환된 로그 스펙트럼에서의 포먼트를 찾고 대역폭을 확장한 켑스트럼을 얻는 과정으로 이루어진다.
- 한편 선형 예측 계수의 차수가 p일때 최대 근의 수는 (#+ 1)이며 이는 실근은 최대 2개일 수 있고 나머지 복소근은 켤레근을 고려해야 하기 때문이다. 제안된 방법은 포먼트를 중심으로 처 리되므로 중심주파수에 의해 처리될 포먼트를 선택하게 되는데 유성음일 경우 3~4개의 포먼트를 선택하고 포먼트의 중심주파수의 분포 등을 고려하여 유성음 이외의 구간에서는 협대역의 포먼트라도 무시할 수 있다.
- 제안된 알고리즘은 우세 극점을 구하는 다항식의 계산을 피하기 위해 이러한 우세 극점 필터 링과 포먼트 대역확장 관계를 이용한다. 제안된 알고리즘은 켑스트럼으로부터 변환된 로그 스펙트럼에서 협대역 포먼트를 선택하는 포먼트 검출과 이를 통해 추정된 근을 이용해서 포먼트 대역확장 켑스트럼을 생성하는 과정으로 구성된다.
- 제안된 알고리즘은 우세 극점을 구하는 다항식의 계산을 피하기 위해 이러한 우세 극점 필터 링과 포먼트 대역확장 관계를 이용한다. 제안된 알고리즘은 켑스트럼으로부터 변환된 로그 스펙트럼에서 협대역 포먼트를 선택하는 포먼트 검출과 이를 통해 추정된 근을 이용해서 포먼트 대역확장 켑스트럼을 생성하는 과정으로 구성된다.
- PFCMS 방법은 선형예측 모델로부터 협대역 극점을 필터링을 함으로써 기존의 CMS 방법에서 음성에 의한 평균 켑스트럼의 편향을 최소화시킨다. 즉 PFCMS는 우세 극점들의 영향을 줄인 후 켑스트럼 평균을 구함으로써 채널 추정시에 잔여 음성에 의한 편향을 최소화하고 장구간 음성 성분 평균이 0에 가깝도록 하여 켑스트럼 차감법의 효과를 높이고자 한다.
- 인식기로는 Naik의 방법과 동일하게 46개의 혼합 (mixture)으로 구성된 가우시안 혼합 모델 (GMM： Gaussian Mixture Model) 알고리즘을 사용하였고 음성 특징으로는 12차의 LPCC만을 사용하였다. 총 38명의 화자 발성 가운데 훈련용으로 SX발성을 사용하였고 나머지 인식용으로 SI, SA발성을 사용하였다.
- 그림 8은 TMT 데이터베이스의 한 화자에 대한 처리결과를 보여준다. 한 프레임에 켑스트럼에 대해서 각각 LPCC, PFCC- α, PFCC- γ, 그리고 FBCC 알고리즘에 의해 처리한 후 이를 로그 스펙트럼으로 변환하여 나타내었다.
대상 데이터
- 음성 데이터는 기존PFCMS와의 성능 비교를 위해 Naik가 사용한 TIMIT DR1 영역의 훈련용 음성 데이터들을 선택하여 사용하였다. DR1 영역의 데이터들은 38명의 화자가 동일한 2 문장 (SA)과 각기 다른 8문장 (SI, SX) 등 총 10문장을 깨끗한 환경에서 발성한 것들이다. 각 문장들은 음향학적인 분포를 적절히 고려하여 작성된 것들이다[6].
- 실제 실험에서는 16 Khz로 샘플링된 음성 데이터를 8 Khz로 다운 샘플링하고 다시 201개 계수로 구성된 FIR 필터 형식의 채널 시뮬레이터를 거쳤다. 그리고 채널을 통과한 음성 데이터로부터 20 ms 길이에 대해 10 msec 간격으로 선형 예측 분석을 수행하여 12차의 LPCC 특징벡터를 추출하였다.
- 음성 데이터는 기존PFCMS와의 성능 비교를 위해 Naik가 사용한 TIMIT DR1 영역의 훈련용 음성 데이터들을 선택하여 사용하였다. DR1 영역의 데이터들은 38명의 화자가 동일한 2 문장 (SA)과 각기 다른 8문장 (SI, SX) 등 총 10문장을 깨끗한 환경에서 발성한 것들이다.
데이터처리
- 두 번째 평가 방법으로서 38명에 대한 문장독립 화자 인식실험을 수행하였다. 마지막으로 제안된 방법과 기존 방법의 연산량 비교를 위해 제안된 방법과 PFCMS- a 방법을 MATLAB으로 구현하고 비교하였다.
- 제안된 방법을 평가하기 위해 TIMIT 데이터 베이스를 이용하여 기존의 CMS, PFCMS, 그리고 포먼트 평활화 켑스트럴 평균 차감법 (FBCSS)의 성능을 비교하였다. 비교를 위한 구체적인 방법에 있어서 첫 번째로 각각의 방법에 의해 추정된 채널이 얼마나 실제 채널에 근사한지를 분석하기 위해 켑스트럴 거 리를 구하였다.
이론/모형
- 선형 예측 시스템의 우세 극점 필터링 결과는 단 구간에서 선형 예측 시스템인 성도 모델의 주파수 응답에서 확인될 수 있다. 이를 확인하기 위해 음성의 모음 부분에 대한 α-방법과 γ-방법에 의한극점 필터링 처리를수행하였다. 각 방법들을 위해 0.
- 두 번째 실험은 첫 번째 실험에서 사용한 4개의 채널을 통과시킨 채널 불일치 음성을 이용한 폐쇄집단 문장독립 화자식별을통해 실제 불일치 조건에서의 성능을 비교하기 위해 수행되었다. 인식기로는 Naik의 방법과 동일하게 46개의 혼합 (mixture)으로 구성된 가우시안 혼합 모델 (GMM： Gaussian Mixture Model) 알고리즘을 사용하였고 음성 특징으로는 12차의 LPCC만을 사용하였다. 총 38명의 화자 발성 가운데 훈련용으로 SX발성을 사용하였고 나머지 인식용으로 SI, SA발성을 사용하였다.
성능/효과
- 실제적인 연산량의 차이를 알아보기 위해 MATLAB을 이용하여 두가지 알고리즘을 구현하고 수행하였다. LPC 알고리즘과 고유값 알고리즘은 MATLAB의 라이브러리를 이용하고, 12차의 LPCC와 256 고속 푸리에 변환을 사용하였을 때 FBCMS의 1)연산량은 PFCMS- α 연산량의 약 62.5%에 해당하는 것으로 나타났다.
- 결론적으로 우세 극점을 보다 정확하게 필터링함으로써 켑스트럴 거리에서 가장 우수했던 PFCMS- α과 포먼트 중심의 제안된 정규화 방법은 오히려 가장 단순한 극점 대역 확장 방법인 PFCMS- γ보다 뛰어난 성능을 보이지 않았다. 이는 실제 채널과 가장 가까운 채널 성분을 구하는 것이 불일치 조건을 정규화해 줄 만큼 뛰어나지 않은 것을 의미하며 보다 적응적인 알고리즘이 필요할 것으로 사료된다.
- 특히 CFV/CMV불일치 환경에서는 기존의 CMS 방법과 개선된 방법이 큰 차이를 보이지 않고 문턱값에 따라 오히려 낮은 인식률을 보였다. 결론적으로 채널이 안정적일수록 기존의 방법에 비해 큰 성능 향상을 보이며 통과 대역에서 가장 큰 감쇄를 보이는 CFV 훈련 환경에서 가장 작은 성능 향상을 보이는 것으로 판단된다.
- 문장 독립 화자 식별에서도 기존의 CMS 방법에 비해 우세한 결과를 나타내었다. 그러나 기존의 극점 중심의 개선된 CMS 방법인 PFCMS- α와 PFCMS- γ 방법에 비해서는 두드러진 성능 향상을 나타내지 못했으며 특히 PFCMS--γ과 비교하여 많은 연산량에 비해서 오히려 낮은 성능을 나타내는 근본적인 단점을 가지는 것으로 나타났다. 이는 훈련과 인식 불일치 환경의 다양한 원인에 대한 포먼트 중심의 정규화가 정확하지 못하며 일관되지 않은 알고리즘의 한계로 사료된다.
- 그림 19의 전체 채널의 평균을 살펴볼 때 PFCMS- γ 가 최고 인식률을 보이지만 전체적으로 문턱값에 따라 편차가 큰 편이며 PFCMS- α, FBCMS는 보다 안정된 성능을 보이는 것으로 나타났다. 하지만 제안된 FBCMS 방법은 전체 평균에서는 기존 방법보다 낮은 성능을 보이는 것으로 나타났으며 현재의 실험 환경에서는 채널 환경 불일치에 대한 포먼트 중심의 정규화가 기존 all-pole 모델의 극점 중심의 정규화에 비해 뛰어나지 못한 것으로 사료된다.
- 하지만 제안된 FBCMS 방법은 전체 평균에서는 기존 방법보다 낮은 성능을 보이는 것으로 나타났으며 현재의 실험 환경에서는 채널 환경 불일치에 대한 포먼트 중심의 정규화가 기존 all-pole 모델의 극점 중심의 정규화에 비해 뛰어나지 못한 것으로 사료된다. 따라서 기존의 포먼트 평활화 방법 (FBI)과 PFCMS- γ 와 결합한 형태의 방법 (FB2)에 대한 실험을 시도하였는데, 이는 PFCMS- γ 의 대역 확장 정규화 방법이 PFCMS- α 의 협대역 극점 필터링보다 전체적으로 뛰어난 성능을 나타낸 결과에 근거한 것이며 결과적으로 제안된 방법의 성능을 어느 정도 향상시킬 수 있는 것으로 나타났다.
- 마지막 실험은 성능과 비례하여 연산량의 정도를 알아보기 위해 수행되었으며 PFCMS- α 방법과 FBCMS 방법에 대해서만 연산량을 비교하였는데, 이는 PFCMS- γ의 경우 상대적으로 PFCMS- α 방법과 FBCMS 방법에 비해 연산량이 매우 작기 때문이다. 이는 앞으로의 성능 향상이 PFCMS- γ과 비교할 만큼 작은 연산량을 함께 갖추어야 함을 의미한다고 할 수 있다.
- 가 동일하다면 선형 예측 시스템의 근을 직접 문턱값처리하여 식 (14)에 의해 얻은 것과 동일한 켑스트럼 계수를 식 (15), (16)을 통해서 얻을 수 있다. 이상의 과정을 통해 얻은 포먼트 평활화된 켑스트럼을 평균하여 이를 최초의 선형 예측 계수에 의한 켑스트럼에서 차감하여 채널의 영향을 줄인 켑스트럼을 얻을 수 있다. 이를 정리하면 다음과 같다.
- 그림 10부터 13까지 각 채널에 대해 화자 38명 발성 전체의 켑스트럴 거리 평균을 문턱값의 변화에 따라 제시하였으며 그림 14에서 4개 채널에 대한 평균을나타내었다. 전체적으로 FBCMS 방법이 CMS, PFCMS γ 방법보다 실제 채널과 근사하며 PFCMS α 방법보다는 떨어지는 것으로 나타났다 이는 각 프레임에서의 음성 성분인 우세 극점을 제거하는 방법의 차이 때문이며 방법이 정확할수록 실제 채널과의 유사도가 높음을 보여준다.
- 그림 15부터 18까지 4가지 채널 불일치 환경에서의 문턱값 변화에 대한 인식 결과, 그림 19에서 각 문턱값에 대한 모든 결과의 평균을 나타내었다. 전체적으로 PFCMS 방법과 제안된 방법이 모두 기존의 CMS에 비해 뛰어난 인식률을 보여주었다. 하지만 채널 추정의 정확도를 측정한 채널 켑스트럴 거 리 실험의 결과와는 일치되는 결과를 보이지 않음을 확인할 수 있다.
- 전통적인 CMS, Naik의 PFCMS와의 비교 실험을 수행한 결과, 제안된 방법은 전통적인 CMS에 비해 음성 성분의 영향을완화시켜 실제 채널에 보다 가까운 켑스트럼을 얻을 수 있음을 보여주었다. 문장 독립 화자 식별에서도 기존의 CMS 방법에 비해 우세한 결과를 나타내었다.
- 하지만 채널 추정의 정확도를 측정한 채널 켑스트럴 거 리 실험의 결과와는 일치되는 결과를 보이지 않음을 확인할 수 있다. 즉 PFCMS- α, FBCMS 그리고 PFCMS- γ 방법의 순서로 채널 추정의 정확도를 보였지만 실제 인식 결과에서는 큰 차이를 보이지 않고 최고 인식률에서는 오히려 PFCMS- γ 이 가장 높게 나타났다. 이는 채널 추정의 정확도로는 훈련과 인식 환경의 불일치로 인한 오류를 직접적으로 설명할 수 없음을 나타내며 상대적으로 채널 추정이 정확하지 않으며 오히려 불일치를 최소화화는 것이 인식률에 도움을 주는 것으로 판단된다.
- 이는 훈련과 인식 불일치 환경의 다양한 원인에 대한 포먼트 중심의 정규화가 정확하지 못하며 일관되지 않은 알고리즘의 한계로 사료된다. 최종적으로 제안된 방법은 연산량 측면에서 거의 부담이 없는 PFCMS- γ방법과의 결합을 통해서 보다 향상된 성능을 얻을 수 있었다.
- 또한 상대적인 차이를 살펴보면 CMV와EMV에서 가장 커지며 CPV와 EPV에서 보다 작은 차이를 보인다. 특히 CFV/CMV불일치 환경에서는 기존의 CMS 방법과 개선된 방법이 큰 차이를 보이지 않고 문턱값에 따라 오히려 낮은 인식률을 보였다. 결론적으로 채널이 안정적일수록 기존의 방법에 비해 큰 성능 향상을 보이며 통과 대역에서 가장 큰 감쇄를 보이는 CFV 훈련 환경에서 가장 작은 성능 향상을 보이는 것으로 판단된다.
- 그림 19의 전체 채널의 평균을 살펴볼 때 PFCMS- γ 가 최고 인식률을 보이지만 전체적으로 문턱값에 따라 편차가 큰 편이며 PFCMS- α, FBCMS는 보다 안정된 성능을 보이는 것으로 나타났다. 하지만 제안된 FBCMS 방법은 전체 평균에서는 기존 방법보다 낮은 성능을 보이는 것으로 나타났으며 현재의 실험 환경에서는 채널 환경 불일치에 대한 포먼트 중심의 정규화가 기존 all-pole 모델의 극점 중심의 정규화에 비해 뛰어나지 못한 것으로 사료된다. 따라서 기존의 포먼트 평활화 방법 (FBI)과 PFCMS- γ 와 결합한 형태의 방법 (FB2)에 대한 실험을 시도하였는데, 이는 PFCMS- γ 의 대역 확장 정규화 방법이 PFCMS- α 의 협대역 극점 필터링보다 전체적으로 뛰어난 성능을 나타낸 결과에 근거한 것이며 결과적으로 제안된 방법의 성능을 어느 정도 향상시킬 수 있는 것으로 나타났다.
- 한편 채널에 따른 인식률을 살펴볼 때 CMS의 경우 대륙성에 비해 유럽식 채널에서 보다 높은 성능을 보이며 그 외 개선된 CMS 방법의 경우 CMV와 EMV 채널에서 훈련된 경우에 가장 높게 나타났다. 또한 상대적인 차이를 살펴보면 CMV와EMV에서 가장 커지며 CPV와 EPV에서 보다 작은 차이를 보인다.
후속연구
- 앞으로 이러한 문제점을 개선하기 위해 우선 각 발성, 채널에 따른 적응적 문턱값 결정에 대한 연구를 진행하고 프레임 내에서 뿐만 아니라 프레임 상호간에 처리할수 있는 기법을 추가할 예정 이다. 또한 제안된 방법과 기존 방법의 실시간 정규화 성능에 대한 실험을 진행할 예정이다.
- 앞으로 이러한 문제점을 개선하기 위해 우선 각 발성, 채널에 따른 적응적 문턱값 결정에 대한 연구를 진행하고 프레임 내에서 뿐만 아니라 프레임 상호간에 처리할수 있는 기법을 추가할 예정 이다. 또한 제안된 방법과 기존 방법의 실시간 정규화 성능에 대한 실험을 진행할 예정이다.
- 결론적으로 우세 극점을 보다 정확하게 필터링함으로써 켑스트럴 거리에서 가장 우수했던 PFCMS- α과 포먼트 중심의 제안된 정규화 방법은 오히려 가장 단순한 극점 대역 확장 방법인 PFCMS- γ보다 뛰어난 성능을 보이지 않았다. 이는 실제 채널과 가장 가까운 채널 성분을 구하는 것이 불일치 조건을 정규화해 줄 만큼 뛰어나지 않은 것을 의미하며 보다 적응적인 알고리즘이 필요할 것으로 사료된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.