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
- KNN 분류기는 특징 파라메터로 피치 평균, 피치 표준 편차, 피치 최대값, 에너지 평균, 에너지 표준편차가 감정 인식 시스템의 파라메터로 사용되는 경우에 감정 인식 성능을 평가하기 위하여 실험되었다. KNN 분류기는 감정의 운율적 정보를 잘 반영하는 특징인 피치와 에너지에 관한 파라메터들이 적합함을 보이는 기존의 대표적인 감정 인식 알고리듬이다.
- 본 연구에서는 GMM (Gaussian Mixture Model)을 이용한 화자 및 문장 독립적인 감정 인식 시스템을 제안하였다. 또한 화자 및 문장 독립적 감정 인식 시스템에 적합한 특징 파라메터를 찾기 위하여 인식 실험을 통하여 제안한 시스템에 적합한 특징 파라메터를 구하였고, KNN 분류기 (K-Nearest Neighbor Classifier)와 VQ (Vector Quantization)를 이용한 기존 감정 인식 시스템과 함께 인식 실험을 수행하여 제안된 시스템의 인식 성능을 평가하였다.
- 본 연구에서는 GMM을 이용한 감정 인식 시스템을 제 안 하였다. 감정 인식 시스템은 감정별로 GMM을 추정한 후, 입력된 음성 신호에 대한 GMM의 관찰 확률을 통해 입력된 음성 신호의 감정을 인식하였다.
제안 방법
-
3.3.1 KNN 분류기를 이용한 인식기의 성능 평가
KNN 분류기는 특징 파라메터로 피치 평균, 피치 표준 편차, 피치 최대값, 에너지 평균, 에너지 표준편차가 감정 인식 시스템의 파라메터로 사용되는 경우에 감정 인식 성능을 평가하기 위하여 실험되었다. KNN 분류기는 감정의 운율적 정보를 잘 반영하는 특징인 피치와 에너지에 관한 파라메터들이 적합함을 보이는 기존의 대표적인 감정 인식 알고리듬이다.
-
3.3.3 GMM을 이용한 인식기의 성능평가
혼합 차수 M의 개수와 분산의 최소값 0*血의 결정은 인식의 성능에 영향을 미치기 때문에 성분 혼합 차수 M은 1, 2, 4, 8, 16, 32, 64, 128, 256, 512 으로 하고 최소 분산 (煮m 은 0.002, 0.005, 0.01, 0.05, 0.1의 값으로 선정하여 각각에 대해 인식 성능을 평가하였다.
- GMM을 이용한 인식 시스템은 그림 2와 그림 3의 블록 도와 같으며, 학습 과정에서 감정별 학습 데이터마다 ML (Maximum Likelihood) Estimation과 EM (Expec tation Maximization) 알고리즘을 이용하여 최대 가우시안 혼합 분포 값을 갖는 GMM의 파라메터를 추정하고 인식 과정에서는 추정된 감정별 GMM 파라메터를 이용하여 입력된 음성 데이터의 특징 벡터에 대한 각각의 기우시안 혼합 분포를 구하여 그중 가장 큰 확률값을 가지는 GMM의 감정을 입력된 음성 데이터의 감정으로 선택하게 된다.
-
2. VQ를 이용한 인식기의 성능 평가
피치 (P), 델타 피치 (DP), 델타 델타 피치 (DDP), 에너지 (E), 델타 에너지 (DE), 델타 델타 에너지 (DDE) 및 MFCC(M), 델타 MFCC (DM)
. 델타 델타 MFCC (DDM) 를 파라메터로 하여 각 감정별로 집단화를 통한 코드북을 만든 후 입력을 테스트 입력을 양자화하여 최소의 거리를 갖는 코드북을 입력의 감정으로 인식하는 인식 시스템을 구성하여 성능을 평가하였다. - 가우시안 혼합 분포를 표현하기 위해서는 평균 벡터 (means vector) 缶 들과 공분산 행人={Pi, 部 i = 1,...," (2) GMM을 이용한 인식 시스템은 그림 2와 그림 3의 블록 도와 같으며, 학습 과정에서 감정별 학습 데이터마다 ML (Maximum Likelihood) Estimation과 EM (Expectation Maximization) 알고리즘을 이용하여 최대 가우 시안 혼합 분포값을 갖는 GMM의 파라메터를 추정하고 인식 과정에서는 추정된 감정별 GMM 파라메터를 이용하여 입력된 음성 데이터의 특징 벡터에 대한 각각의 기우시안 혼합 분포를 구하여 그 중 가장 큰 확률값을 가지는 GMM의 감정을 입력된 음성 데이터의 감정으로 선택하게 된다.
- 본 연구에서는 GMM을 이용한 감정 인식 시스템을 제 안 하였다. 감정 인식 시스템은 감정별로 GMM을 추정한 후, 입력된 음성 신호에 대한 GMM의 관찰 확률을 통해 입력된 음성 신호의 감정을 인식하였다. GMM은 가우시 안 분포들을 성분으로 하여 각 성분을 표현하는 파라메터 를 집합으로 음성 신호 전체를 모형화하기 때문에 긴 구간의 음성 신호의 표현이 가능하며 음성 신호의 시간적 변화와는 무관한 특성을 가지고 있어 문장 독립적 시스템에 적합하다고 판단하였다.
- 본 연구에서는 GMM을 이용한 감정 인식 시스템을 제 안 하였다. 감정 인식 시스템은 감정별로 GMM을 추정한 후, 입력된 음성 신호에 대한 GMM의 관찰 확률을 통해 입력된 음성 신호의 감정을 인식하였다. GMM은 가우시 안 분포들을 성분으로 하여 각 성분을 표현하는 파라메터 를 집합으로 음성 신호 전체를 모형화하기 때문에 긴 구간의 음성 신호의 표현이 가능하며 음성 신호의 시간적 변화와는 무관한 특성을 가지고 있어 문장 독립적 시스템에 적합하다고 판단하였다.
-
Ⅵ. 결론
본 연구에서는 GMM을 이용한 감정 인식 시스템을 제 안 하였다. 감정 인식 시스템은 감정별로 GMM을 추정한 후, 입력된 음성 신호에 대한 GMM의 관찰 확률을 통해 입력된 음성 신호의 감정을 인식하였다.
- 피치 (P), 델타 피치 (DP), 델타 델타 피치 (DDP), 에너지 (E), 델타 에너지 (DE), 델타 델타 에너지 (DDE) 및 MFCC(M), 델타 MFCC (DM). 델타 델타 MFCC (DDM) 를 파라메터로 하여 각 감정별로 집단화를 통한 코드북을 만든 후 입력을 테스트 입력을 양자화하여 최소의 거리를 갖는 코드북을 입력의 감정으로 인식하는 인식 시스템을 구성하여 성능을 평가하였다. 표 2는 각종 파라 메터에 따른 인식 성능과 그때 사용된 코드북의 크기를 나타낸다.
- 피치 (P), 델타 피치 (DP), 델타 델타 피치 (DDP), 에너지 (E), 델타 에너지 (DE), 델타 델타 에너지 (DDE) 및 MFCC(M), 델타 MFCC (DM). 델타 델타 MFCC (DDM) 를 파라메터로 하여 각 감정별로 집단화를 통한 코드북을 만든 후 입력을 테스트 입력을 양자화하여 최소의 거리를 갖는 코드북을 입력의 감정으로 인식하는 인식 시스템을 구성하여 성능을 평가하였다. 표 2는 각종 파라 메터에 따른 인식 성능과 그때 사용된 코드북의 크기를 나타낸다.
- 본 연구에서는 GMM (Gaussian Mixture Model)을 이용한 화자 및 문장 독립적인 감정 인식 시스템을 제안하였다. 또한 화자 및 문장 독립적 감정 인식 시스템에 적합한 특징 파라메터를 찾기 위하여 인식 실험을 통하여 제안한 시스템에 적합한 특징 파라메터를 구하였고, KNN 분류기 (K-Nearest Neighbor Classifier)와 VQ (Vector Quantization)를 이용한 기존 감정 인식 시스템과 함께 인식 실험을 수행하여 제안된 시스템의 인식 성능을 평가하였다.
- 본 연구에서는 GMM (Gaussian Mixture Model)을 이용한 화자 및 문장 독립적인 감정 인식 시스템을 제안하였다. 또한 화자 및 문장 독립적 감정 인식 시스템에 적합한 특징 파라메터를 찾기 위하여 인식 실험을 통하여 제안한 시스템에 적합한 특징 파라메터를 구하였고, KNN 분류기 (K-Nearest Neighbor Classifier)와 VQ (Vector Quantization)를 이용한 기존 감정 인식 시스템과 함께 인식 실험을 수행하여 제안된 시스템의 인식 성능을 평가하였다.
- 이렇게 샘플링된 신호를 20 msec씩 프레임별로 나누어 분석하여 특징 벡터를 구한다. 본 연구에서는 음성의 특징 벡터를 음소군 특징 벡터와 감정 특징벡터 로 구분하였는데, 음소군 특징 벡터는 발성 기관의 해부학적인 차이나 발성 기관의 조음 방법 차이에서 나타나는 음소 특징을 추출한 MFCC, 델타 MFCC와 같은 특징벡터이 고, 감정 특징 벡터는 감정의 표현에 기여하는 피치, 델타 피礼 델타 델타 피치, 에너지, 델타 에너지, 델타 델타 에너지 등으로 구성된 특징 벡터이다.
- 이렇게 샘플링된 신호를 20 msec씩 프레임별로 나누어 분석하여 특징 벡터를 구한다. 본 연구에서는 음성의 특징 벡터를 음소군 특징 벡터와 감정 특징벡터 로 구분하였는데, 음소군 특징 벡터는 발성 기관의 해부학적인 차이나 발성 기관의 조음 방법 차이에서 나타나는 음소 특징을 추출한 MFCC, 델타 MFCC와 같은 특징벡터이 고, 감정 특징 벡터는 감정의 표현에 기여하는 피치, 델타 피礼 델타 델타 피치, 에너지, 델타 에너지, 델타 델타 에너지 등으로 구성된 특징 벡터이다.
- 전처리를 통하여 16KHz로 샘플링하고, 고주파 성분을 보강한다. 이렇게 샘플링된 신호를 20 msec씩 프레임별로 나누어 분석하여 특징 벡터를 구한다. 본 연구에서는 음성의 특징 벡터를 음소군 특징 벡터와 감정 특징벡터 로 구분하였는데, 음소군 특징 벡터는 발성 기관의 해부학적인 차이나 발성 기관의 조음 방법 차이에서 나타나는 음소 특징을 추출한 MFCC, 델타 MFCC와 같은 특징벡터이 고, 감정 특징 벡터는 감정의 표현에 기여하는 피치, 델타 피礼 델타 델타 피치, 에너지, 델타 에너지, 델타 델타 에너지 등으로 구성된 특징 벡터이다.
- 제안된 GMM 기반의 감정 인식 시스템과 기존 시스템을 비교하기 위하여 감정 인식 및 음성 신호 처리에 널리 사용되고 있는 음성 신호의 피치와 에너지의 평균, 표준 편차와 최대 값 등의 통계적인 파라메터 사용하는 KNN 분류기를 이용한 시스템과 MFCC와 같은 음소적 특징 파라 메터와 VQ를 사용하여 화자 및 문장 독립적 시스템을 사용하여 성능을 평가하였다. 그 결과 운율적 특징을 이용하는 KNN 분류기의 성능이 가장 떨어졌으며, 화자 및 문장 독립적 시스템에 적합하지 않다고 판단되었다.
- 제안된 GMM 기반의 감정 인식 시스템과 기존 시스템을 비교하기 위하여 감정 인식 및 음성 신호 처리에 널리 사용되고 있는 음성 신호의 피치와 에너지의 평균, 표준 편차와 최대 값 등의 통계적인 파라메터 사용하는 KNN 분류기를 이용한 시스템과 MFCC와 같은 음소적 특징 파라 메터와 VQ를 사용하여 화자 및 문장 독립적 시스템을 사용하여 성능을 평가하였다. 그 결과 운율적 특징을 이용하는 KNN 분류기의 성능이 가장 떨어졌으며, 화자 및 문장 독립적 시스템에 적합하지 않다고 판단되었다.
- 혼합 차수 M의 개수와 분산의 최소값 0*血의 결정은 인식의 성능에 영향을 미치기 때문에 성분 혼합 차수 M은 1, 2, 4, 8, 16, 32, 64, 128, 256, 512 으로 하고 최소 분산 (煮m 은 0.002, 0.005, 0.01, 0.05, 0.1의 값으로 선정하여 각각에 대해 인식 성능을 평가하였다.
대상 데이터
- 인간의 주요 감정인 기쁨, 슬픔, 화남의 3가지 감정과 이들의 기준이 되는 평상 감정을 포함한 4가지 감정을 인식 대상 감정으로 결정하였다 음성의 녹음은 평소 감정 표현을 훈련하는 아마추어 연극 단원 남/녀 각 15명을 대상으로 하였고, 각 화자는 "여보세요' 등의 한국어 45개의 문장을 4가지 감정으로 녹음하여 총 5400개 (30명 x4감 정x45문장X1회)의 문장을 구성하였다〔15〕.
- 3.2 데이터 베이스 인간의 주요 감정인 기쁨, 슬픔, 화남의 3가지 감정과 이들의 기준이 되는 평상 감정을 포함한 4가지 감정을 인식 대상 감정으로 결정하였다 음성의 녹음은 평소 감정 표현을 훈련하는 아마추어 연극단원 남/녀 각 15명을 대상으로 하였고, 각 화자는 "여보세요' 등의 한국어 45개의 문장을 4가지 감정으로 녹음하여 총 5400개 (30명 x4감정x45문장X1회)의 문장을 구성하였다〔15〕.
-
3.3 실험 결과
DB 중 주관적 평가를 수행하여 감정이 적절히 반영되었다고 판단되는 문장만을 선별하였다. 주관적 평가는 5400문장을 문장당 10명이 청취한 후 감정 평가를 하여 70% 이상의 정답률을 보인 데이터만을 선별하여 감정인식 실험의 데이터로 사용하였다.
- DB 중 주관적 평가를 수행하여 감정이 적절히 반영되었다고 판단되는 문장만을 선별하였다. 주관적 평가는 5400문장을 문장당 10명이 청취한 후 감정 평가를 하여 70% 이상의 정답률을 보인 데이터만을 선별하여 감정인식 실험의 데이터로 사용하였다.
- 주관적 평가는 5400문장을 문장당 10명이 청취한 후 감정 평가를 하여 70% 이상의 정답률을 보인 데이터만을 선별하여 감정인식 실험의 데이터로 사용하였다. 또한 화자 및 문장 독립적 시스템을 구현하기 위하여 학습 과정과 인식 과정의 데이터를 화자와 문장을 각각 다르게 하여 학습에 2237문장과 인식에 274문장을 각각 사용하였다.
- 주관적 평가는 5400문장을 문장당 10명이 청취한 후 감정 평가를 하여 70% 이상의 정답률을 보인 데이터만을 선별하여 감정인식 실험의 데이터로 사용하였다. 또한 화자 및 문장 독립적 시스템을 구현하기 위하여 학습 과정과 인식 과정의 데이터를 화자와 문장을 각각 다르게 하여 학습에 2237문장과 인식에 274문장을 각각 사용하였다.
- DB 중 주관적 평가를 수행하여 감정이 적절히 반영되었다고 판단되는 문장만을 선별하였다. 주관적 평가는 5400문장을 문장당 10명이 청취한 후 감정 평가를 하여 70% 이상의 정답률을 보인 데이터만을 선별하여 감정인식 실험의 데이터로 사용하였다. 또한 화자 및 문장 독립적 시스템을 구현하기 위하여 학습 과정과 인식 과정의 데이터를 화자와 문장을 각각 다르게 하여 학습에 2237문장과 인식에 274문장을 각각 사용하였다.
- DB 중 주관적 평가를 수행하여 감정이 적절히 반영되었다고 판단되는 문장만을 선별하였다. 주관적 평가는 5400문장을 문장당 10명이 청취한 후 감정 평가를 하여 70% 이상의 정답률을 보인 데이터만을 선별하여 감정인식 실험의 데이터로 사용하였다. 또한 화자 및 문장 독립적 시스템을 구현하기 위하여 학습 과정과 인식 과정의 데이터를 화자와 문장을 각각 다르게 하여 학습에 2237문장과 인식에 274문장을 각각 사용하였다.
- 피치 (P), 델타 피치 (DP), 델타 델타 피치 (DDP), 에너지 (E), 델타 에너지 (DE), 델타 델타 에너지 (DDE) 및 MFCC(M), 델타 MFCC (DM). 델타 델타 MFCC (DDM) 를 파라메터로 하여 각 감정별로 집단화를 통한 코드북을 만든 후 입력을 테스트 입력을 양자화하여 최소의 거리를 갖는 코드북을 입력의 감정으로 인식하는 인식 시스템을 구성하여 성능을 평가하였다.
이론/모형
- KNN 분류기는 감정의 운율적 정보를 잘 반영하는 특징인 피치와 에너지에 관한 파라메터들이 적합함을 보이는 기존의 대표적인 감정 인식 알고리듬이다.〔3〕 기준패턴을 생성하기 위해 LBG 군집화 알고리듬을 사용하였고, 기준 패턴과의 거리측정은 유클리디안 거리를 사용하였다. 코드북의 크기를 8, 16, 32, 64로 바꾸어 실험한 결과 인식률은 약 37.
- KNN 분류기는 감정의 운율적 정보를 잘 반영하는 특징인 피치와 에너지에 관한 파라메터들이 적합함을 보이는 기존의 대표적인 감정 인식 알고리듬이다.〔3〕 기준패턴을 생성하기 위해 LBG 군집화 알고리듬을 사용하였고, 기준 패턴과의 거리측정은 유클리디안 거리를 사용하였다. 코드북의 크기를 8, 16, 32, 64로 바꾸어 실험한 결과 인식률은 약 37.
성능/효과
- GMM을 이용한 인식기는 최대 73.77%의 인식 성능을 보였고, 대부분의 MFCC에 관련한 특징 파라메터들에서 71% 이상의 인식 성능을 보여 VQ를 이용한 인식기와 비교하여 볼 때 화자 및 문장 독립적 감정인식 시스템에 대해 보다 적합한 인식 시스템으로 적용할 수 있다고 판단되었다.
- 12%의 인식 성능을 보였다. GMM을 이용한 인식기는 최대 73.77%의 인식 성능을 보였고, 대부분의 MFCC에 관련한 특징 파라메터들에서 71% 이상의 인식 성능을 보여 VQ를 이용한 인식기와 비교하여 볼 때 화자 및 문장 독립적 감정인식 시스템에 대해 보다 적합한 인식 시스템으로 적용할 수 있다고 판단되었다.
- GMM을 이용한 제안된 시스템은 모델 파라메터의 학습을 위해 성분 혼합 차수 M과 최소 분산 於讪의 값을 선정해야 했으며 실험을 통하여 M은 256과 512에서, o%in 은 0.002와 0.005에서 좋은 인식 성능을 보였고, 특징 파라메터별 성능 평가 실험에서는 MFCC와 델타 MFCC, 델타 델타 MFCC 그리고 델타 에너지와 델타 델타 에너지를 결합하였을 때 (M+DM+DDM+DE+DDE) 최대 73.77%의 인식률을 얻었다.
- 그 결과 운율적 특징을 이용하는 KNN 분류기의 성능이 가장 떨어졌으며, 화자 및 문장 독립적 시스템에 적합하지 않다고 판단되었다. VQ를 이용 한 시스템의 경우, 화자 및 문장 독립적 시스템에 좋은 적응을 보였으며 최대 68.12%의 인식 성능을 보였다. GMM을 이용한 인식기는 최대 73.
- 제안된 GMM 기반의 감정 인식 시스템과 기존 시스템을 비교하기 위하여 감정 인식 및 음성 신호 처리에 널리 사용되고 있는 음성 신호의 피치와 에너지의 평균, 표준 편차와 최대 값 등의 통계적인 파라메터 사용하는 KNN 분류기를 이용한 시스템과 MFCC와 같은 음소적 특징 파라 메터와 VQ를 사용하여 화자 및 문장 독립적 시스템을 사용하여 성능을 평가하였다. 그 결과 운율적 특징을 이용하는 KNN 분류기의 성능이 가장 떨어졌으며, 화자 및 문장 독립적 시스템에 적합하지 않다고 판단되었다. VQ를 이용 한 시스템의 경우, 화자 및 문장 독립적 시스템에 좋은 적응을 보였으며 최대 68.
- 제안된 GMM 기반의 감정 인식 시스템과 기존 시스템을 비교하기 위하여 감정 인식 및 음성 신호 처리에 널리 사용되고 있는 음성 신호의 피치와 에너지의 평균, 표준 편차와 최대 값 등의 통계적인 파라메터 사용하는 KNN 분류기를 이용한 시스템과 MFCC와 같은 음소적 특징 파라 메터와 VQ를 사용하여 화자 및 문장 독립적 시스템을 사용하여 성능을 평가하였다. 그 결과 운율적 특징을 이용하는 KNN 분류기의 성능이 가장 떨어졌으며, 화자 및 문장 독립적 시스템에 적합하지 않다고 판단되었다. VQ를 이용 한 시스템의 경우, 화자 및 문장 독립적 시스템에 좋은 적응을 보였으며 최대 68.
- 005에서 우수한 인식 성능을 보였다. 그리고 M+DM+DDM+DE+DDE에서 혼합 차수가 512이고 兄* 가 0.002일 때 73.77%로 가장 좋은 인식률을 보였다.
- 다음으로 MFCC 파라메터에 에너지 파라메터를 결합 시 켜 그에 대한 인식 성능을 평가하였으며 그 결과는 그림 5와 같다. 대부분의 파라메터가 혼합 차수가 증가할수록 인식률이 증가하였고 혼합 차수 64개 이상에서 65% 이상의 인식률을 보였다. 여기서 최대 인식률은 모두 70% 이상의 인식률을 보였고 MFCC만을 사용할 때보다 조금 더 우수한 결과를 보였다.
- 다음으로 MFCC 파라메터에 에너지 파라메터를 결합 시 켜 그에 대한 인식 성능을 평가하였으며 그 결과는 그림 5와 같다. 대부분의 파라메터가 혼합 차수가 증가할수록 인식률이 증가하였고 혼합 차수 64개 이상에서 65% 이상의 인식률을 보였다. 여기서 최대 인식률은 모두 70% 이상의 인식률을 보였고 MFCC만을 사용할 때보다 조금 더 우수한 결과를 보였다.
- 인식률이 증가하여 혼합 차수가 64개 이상에서 65% 이상의 인식률이 보였다. 또한 MFCC에 델타 파라메터들을 결합하여 최대 인식률이 70% 이상으로 증가함을 보였다.
- 인식률이 증가하여 혼합 차수가 64개 이상에서 65% 이상의 인식률이 보였다. 또한 MFCC에 델타 파라메터들을 결합하여 최대 인식률이 70% 이상으로 증가함을 보였다.
- 대부분의 파라메터가 혼합 차수가 증가할수록 인식률이 증가하였고 혼합 차수 64개 이상에서 65% 이상의 인식률을 보였다. 여기서 최대 인식률은 모두 70% 이상의 인식률을 보였고 MFCC만을 사용할 때보다 조금 더 우수한 결과를 보였다.
- 대부분의 파라메터가 혼합 차수가 증가할수록 인식률이 증가하였고 혼합 차수 64개 이상에서 65% 이상의 인식률을 보였다. 여기서 최대 인식률은 모두 70% 이상의 인식률을 보였고 MFCC만을 사용할 때보다 조금 더 우수한 결과를 보였다.
- 표 2는 각 특징 파라메터마다의 VQ 최대 인식률을 나 타낸 것으로 그 중 코드북이 512일 때 M+DM+DDM에 서 68.12%로 가장 우수한 인식 성능을 보였고 피치와 에너지에서는 30〜45% 정도의 낮은 인식 성능을 나타내고 있다. 이러한 것은 시스템의 형태가 감정 및 화자독립 감정 인식 시스템이기 때문으로 코드북에 다양한 화자와 다양한 문장이 포함되어 있기 때문이다.
- 표 2는 각 특징 파라메터마다의 VQ 최대 인식률을 나 타낸 것으로 그 중 코드북이 512일 때 M+DM+DDM에 서 68.12%로 가장 우수한 인식 성능을 보였고 피치와 에너지에서는 30〜45% 정도의 낮은 인식 성능을 나타내고 있다. 이러한 것은 시스템의 형태가 감정 및 화자독립 감정 인식 시스템이기 때문으로 코드북에 다양한 화자와 다양한 문장이 포함되어 있기 때문이다.
- 표 2와 4를 비교한 경우, 같은 특징 파라메터를 사용하는 VQ를 이용한 인식기의 성능에 비해서 GMM을 이용한 인식기가 더 좋은 인식률을 보였으며, MFCC와 에너지를 결합한 파라메터는 모두 71% 이상의 최대 인식률로 다른 특징 파라메터보다 좋은 성능을 보였다.
- 표 2와 4를 비교한 경우, 같은 특징 파라메터를 사용하는 VQ를 이용한 인식기의 성능에 비해서 GMM을 이용한 인식기가 더 좋은 인식률을 보였으며, MFCC와 에너지를 결합한 파라메터는 모두 71% 이상의 최대 인식률로 다른 특징 파라메터보다 좋은 성능을 보였다.
- 표 4는 GMM을 이용한 인식기에서 특징별 인식 성능 중 가장 좋은 인식률들만을 나타낸 것이다. 표에서 알 수 있듯이 피치와 에너지는 35.41-46.69% 정도의 낮은 인식률을 보였고, 혼합 차수 M의 선정에서는 256이나 512 에서 다른 차수들에 비해 대체적으로 인식률이 높았으며, 房nin 의 선정에서는 0.002와 0.005에서 우수한 인식 성능을 보였다. 그리고 M+DM+DDM+DE+DDE에서 혼합 차수가 512이고 兄* 가 0.
- 표에서 알 수있듯이 피치와 에너지는 35.41-46.69% 정도의 낮은 인식률을 보였고, 혼합 차수 M의 선정에서는 256이나 512음성 산호를 시용한 GMM 기반의 김정 안식 240에서 다른 차수들에 비해 대체적으로 인식률이 높았으며, 房nin 의 선정에서는 0.002와 0.005에서 우수한 인식 성능을 보였다.
후속연구
- 향후 HMM (Hidden Markov Model)과 같은 모델링 기법들과 GMM을 병행한 형태의 시스템을 감정 인식에 적용하는 연구도 좋은 결과를 얻을 수 있을 것으로 생각된다. 또한 보다 자연스럽고 사실적인 데이터를 취득하여 데이터 베이스를 구축하고 이를 통해 실제 환경에 적용할 수 있는 어플리케이션에 적합한 시스템이나 특징 파라메터에 관한 연구가 필요하다.
- 향후 HMM (Hidden Markov Model)과 같은 모델링 기법들과 GMM을 병행한 형태의 시스템을 감정 인식에 적용하는 연구도 좋은 결과를 얻을 수 있을 것으로 생각된다. 또한 보다 자연스럽고 사실적인 데이터를 취득하여 데이터 베이스를 구축하고 이를 통해 실제 환경에 적용할 수 있는 어플리케이션에 적합한 시스템이나 특징 파라메터에 관한 연구가 필요하다.
- 향후 HMM (Hidden Markov Model)과 같은 모델링 기법들과 GMM을 병행한 형태의 시스템을 감정 인식에 적용하는 연구도 좋은 결과를 얻을 수 있을 것으로 생각된다. 또한 보다 자연스럽고 사실적인 데이터를 취득하여 데이터 베이스를 구축하고 이를 통해 실제 환경에 적용할 수 있는 어플리케이션에 적합한 시스템이나 특징 파라메터에 관한 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.