$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

SVM음성인식기 구현을 위한 강인한 특징 파라메터
Robust Feature Parameter for Implementation of Speech Recognizer Using Support Vector Machines 원문보기

電子工學會論文誌. Journal of the Institute of Electronics Engineers of Korea. SP, 신호처리, v.41 no.3 = no.297, 2004년, pp.195 - 200  

김창근 (동아대학교 전자공학과) ,  박정원 (LG 이노텍 구미연구) ,  허강인 (동아대학교 전자공학과)

초록
AI-Helper 아이콘AI-Helper

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 ▼ AI-Helper 아이콘AI-Helper

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 thi...

주제어

#Support Vector Machines   #Independent Component Analysis   #Principal Component Analysis  

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 

저자의 다른 논문 :

관련 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로