$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

SVM음성인식기 구현을 위한 강인한 특징 파라메터

Robust Feature Parameter for Implementation of Speech Recognizer Using Support Vector Machines

초록

본 논문은 두 가지 비교 실험을 통하여 효과적 음성인식 시스템을 제안한다. 분별적 이진 패턴 분류기인 SVM(Support Vector Machines)은 특징 공간에서 비선형 경계를 찾아 분류하는 방법으로 적은 학습 데이터에서도 좋은 분류 성능을 나타낸다고 알려져 있다. 본 논문에서는 학습데이터 수에 따른 HMM(Hidden Markov Model)과 SVM의 인식 성능을 비교하고, 최적의 특징 파라메터를 선택하기 위해 SVM을 이용하여 주성분해석과 독립성분분석을 적용하여 MFCC(Mel Frequency Cepstrum Coefficient)의 특징 공간을 변화시키면서 각각의 인식 성능을 비교 검토하였다. 실험 결과 SVM은 HMM에 비해 적은 학습데이터에서도 높은 인식 성능을 보여주었고, 독립성분분석에 의한 특징 파라메터가 특징 공간상에서의 높은 선형 분별성에 의해 다른 특징 파라메터보다 인식 성능에서 우수함을 확인 할 수 있었다.

Abstract

In this paper we propose effective speech recognizer through two recognition experiments. In general, SVM is classification method which classify two class set by finding voluntary nonlinear boundary in vector space and possesses high classification performance under few training data number. In this paper we compare recognition performance of HMM and SVM at training data number and investigate recognition performance of each feature parameter while changing feature space of MFCC using Independent Component Analysis(ICA) and Principal Component Analysis(PCA). As a result of experiment, recognition performance of SVM is better than 1:.um under few training data number, and feature parameter by ICA showed the highest recognition performance because of superior linear classification.

저자의 다른 논문

참고문헌 (7)

  1. A.Hyvarinen, J.Karhunen, E.Oja, Independent Component Analysis, John Wiley & Sons, 2001 
  2. S.Haykin, Neural Networks, Prentice hall, 1999 
  3. Scholkopf, Smola Learning with Kernels, The MIT Press, 2002 
  4. N.Cristianini, J.S.Taylor, An Introduction to Support Vector Machine and other kernel-based learning methods, Cambridge University Press, 2000 
  5. S.Choi, A.Cichocki, S.Amari, 'Flexible independent component analysis', IEICE Trans. Fundamentals, vol.E83-A, no.12, pp.2715- 2722, August, 2000 
  6. G.J.Jang, Y.H.Oh, 'Text-independent speaker identification using support vector machines', Proceeding of 11th KISS fall conference, pp.45 -48, November, 1999 
  7. C.K.Kim, S.B.Kim, S.H.Kim, K.I.Hur, 'Performance Improvement of Speech Recognition Based on Independent Component Analysis', ICSP2001, Vol.2 of 2, pp.663-666, August, 2001 

이 논문을 인용한 문헌 (1)

  1. Kang, Jae-Hwan ; Do, Jun-Hyeong ; Kim, Jong-Yeol 2010. "Voice Classification Algorithm for Sasang Constitution Using Support Vector Machine" 사상체질의학회지 = Journal of Sasang Constitutional Medicine, 22(1): 17~25 

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

상세조회 0건 원문조회 0건

DOI 인용 스타일