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
- 이같은 부호화 방식은 고대역의 추가적인 비트할당이 적은 경우에는 주파수 왜곡에 의한 음질의 저하가 나타나게 된다[5-7]. 따라서 본 논문에서는 정현파 모델 기반 부호화 방식을 사용하여 적은 비트를 추가하는 경우에도 주파수 왜곡이 적고 원본 파형을 충실하게 부호화하는 방법을 제시한다.
- 이같은 부호화 방식은 고대역의 추가적인 비트할당이 적은 경우에는 주파수 왜곡에 의한 음질의 저하가 나타나게 된다[5-7]. 따라서 본 논문에서는 정현파 모델 기반 부호화 방식을 사용하여 적은 비트를 추가하는 경우에도 주파수 왜곡이 적고 원본 파형을 충실하게 부호화하는 방법을 제시한다.
제안 방법
- 고대역 (4kHz-8kHz)에서 주기성이 강한 신호에 대해서 앞 절에서 설명한 정현파 사전을 이용한 정현파 모델링 (MP)을 한다. 이때 고대역 신호의 주파수 는 저대역 신호의 기본 주파수로부터 얻을 수 있다.
- 고대역 (4kHz-8kHz)에서 주기성이 강한 신호에 대해서 앞 절에서 설명한 정현파 사전을 이용한 정현파 모델링 (MP)을 한다. 이때 고대역 신호의 주파수 는 저대역 신호의 기본 주파수로부터 얻을 수 있다.
- 광대역 음성부호화기에서의 성능 향상을 위해서는 고대역의 하모닉을 효율적으로 모델링하는 것이 중요하다는 점에 착안하여 고대역 신호에서 정현파 모델을 기반으로 하는 MP 알고리즘과 파라미터를 효율적으로 양자 화하기 위한 스펙트럼 크기 양자화기와 위상 양자화기를제안하였다. 정현파 모델링에서의 중요한 파라미터인 피치정보 전송에 비트할당이 전혀 없도록 저대역의 피치를 이용한 MP (Matching Pursuit) 알고리즘으로 고대역의 스펙트럼 크기와 위상의 파라미터를 분석하여 정확한 파라미터 정보를 얻었다.
- 광대역 음성부호화기에서의 성능 향상을 위해서는 고대역의 하모닉을 효율적으로 모델링하는 것이 중요하다는 점에 착안하여 고대역 신호에서 정현파 모델을 기반으로 하는 MP 알고리즘과 파라미터를 효율적으로 양자 화하기 위한 스펙트럼 크기 양자화기와 위상 양자화기를제안하였다. 정현파 모델링에서의 중요한 파라미터인 피치정보 전송에 비트할당이 전혀 없도록 저대역의 피치를 이용한 MP (Matching Pursuit) 알고리즘으로 고대역의 스펙트럼 크기와 위상의 파라미터를 분석하여 정확한 파라미터 정보를 얻었다.
- 8개의 스펙트럼 크기값을 2단 벡터 양자화 한다. 그리고 첫 번째 단에서 4개의 후보값을 저장하고, 두 번째 단에서의 양자화를 통해 가장 작은 주파수 왜곡을 갖는 값으로 양자화하였다[20]. 합성시에는 8개 이상의 스펙트럼 크기값은 1을 채워주는 방법을 사용한다.
- 8개의 스펙트럼 크기값을 2단 벡터 양자화 한다. 그리고 첫 번째 단에서 4개의 후보값을 저장하고, 두 번째 단에서의 양자화를 통해 가장 작은 주파수 왜곡을 갖는 값으로 양자화하였다[20]. 합성시에는 8개 이상의 스펙트럼 크기값은 1을 채워주는 방법을 사용한다.
- 따라서 4kHz-8kHz 의 전대역을 FFT하여 정현파 파라미터를 검출하는 것보다 MP 알고리즘을적용하여 낮은 대 역 (4kHz)부터 정현파 파라미터를 검출하는 것은 계산량이나 파라미터의 정확성에서 개선된 성능을 얻을 수 있다. 본 논문에서는 이러한 가정하에 고대역 신호에서 주기성이 강한 부분에 대해, 정현파 모델을 기반으로 한 수정된 MP 알고리즘을 분석-합성 시스템에 적용한다. 제안한 MP 방법과 FFT 피크 검출 방법의 성능 비교를 통해 개선된 성능을 확인하고, 분석된 스펙트럼 크기 파라미터와 위상 파라미터를 효율적으로 양자화하는 방법을 제안한다.
- 따라서 4kHz-8kHz 의 전대역을 FFT하여 정현파 파라미터를 검출하는 것보다 MP 알고리즘을적용하여 낮은 대 역 (4kHz)부터 정현파 파라미터를 검출하는 것은 계산량이나 파라미터의 정확성에서 개선된 성능을 얻을 수 있다. 본 논문에서는 이러한 가정하에 고대역 신호에서 주기성이 강한 부분에 대해, 정현파 모델을 기반으로 한 수정된 MP 알고리즘을 분석-합성 시스템에 적용한다. 제안한 MP 방법과 FFT 피크 검출 방법의 성능 비교를 통해 개선된 성능을 확인하고, 분석된 스펙트럼 크기 파라미터와 위상 파라미터를 효율적으로 양자화하는 방법을 제안한다.
- 분석된 위상 파라미터 중에서 낮은 주파수에 해당하는 고정차원을 갖는 위상은 제안하는 순환 가중치 양자화 방법을 사용하며, 양자화 하지 않은 위상은 랜덤 위상을 사용한다. 순환 가중치 양자화는 위상의 순환 (modular 2tt ) 하는 특성을 이용한다[21].
- 분석된 위상 파라미터 중에서 낮은 주파수에 해당하는 고정차원을 갖는 위상은 제안하는 순환 가중치 양자화 방법을 사용하며, 양자화 하지 않은 위상은 랜덤 위상을 사용한다. 순환 가중치 양자화는 위상의 순환 (modular 2tt ) 하는 특성을 이용한다[21].
- 순환 구조와 더불어 입력 음성의 스펙트럼 크기에 따라 인덱스 위상에서의 에러 가중치를 다르게 하여 합성된 음성이 시간축에서 원본 음성과 가장 가깝게 표현되기 위한 위상 가중치 필터를 사용하였다. 위상 가중치 필터는 LPC 계수에 의한 포락선과 LPC 잔여신호의 스펙트럼 크기를 이용하여 같은 차원의 위상에 대한 식 (20)의 위상 가중치 함수 尸风2)를 구한다.
- 순환 구조와 더불어 입력 음성의 스펙트럼 크기에 따라 인덱스 위상에서의 에러 가중치를 다르게 하여 합성된 음성이 시간축에서 원본 음성과 가장 가깝게 표현되기 위한 위상 가중치 필터를 사용하였다. 위상 가중치 필터는 LPC 계수에 의한 포락선과 LPC 잔여신호의 스펙트럼 크기를 이용하여 같은 차원의 위상에 대한 식 (20)의 위상 가중치 함수 尸风2)를 구한다.
- 순환 가중치 양자화는 위상의 순환 (modular 2tt ) 하는 특성을 이용한다[21]. 위상을 크기가 1인 단위원 위의 극 좌표계에서의 표현 방법을 이용하여 각 차원의 목적위상과 양자화된 위상의 차를 고대역 입력신호의 스펙트럼 크기에 따라 가중치를 주어 최적화하는 양자화 방법을 제안한다.
- 순환 가중치 양자화는 위상의 순환 (modular 2tt ) 하는 특성을 이용한다[21]. 위상을 크기가 1인 단위원 위의 극 좌표계에서의 표현 방법을 이용하여 각 차원의 목적위상과 양자화된 위상의 차를 고대역 입력신호의 스펙트럼 크기에 따라 가중치를 주어 최적화하는 양자화 방법을 제안한다.
- 그림 2는 제안하는 위상 양자화기의 구조를 나타낸다. 적은 비트로 많은 수의 위상을 양자화 하기 위해서 벡터 양자화를 실시하였다. 각 차원의 에러는 수직선상에서 양자화를 한다면 최대 에러는 2k 가 된다.
- 그림 2는 제안하는 위상 양자화기의 구조를 나타낸다. 적은 비트로 많은 수의 위상을 양자화 하기 위해서 벡터 양자화를 실시하였다. 각 차원의 에러는 수직선상에서 양자화를 한다면 최대 에러는 2k 가 된다.
- 광대역 음성부호화기에서의 성능 향상을 위해서는 고대역의 하모닉을 효율적으로 모델링하는 것이 중요하다는 점에 착안하여 고대역 신호에서 정현파 모델을 기반으로 하는 MP 알고리즘과 파라미터를 효율적으로 양자 화하기 위한 스펙트럼 크기 양자화기와 위상 양자화기를제안하였다. 정현파 모델링에서의 중요한 파라미터인 피치정보 전송에 비트할당이 전혀 없도록 저대역의 피치를 이용한 MP (Matching Pursuit) 알고리즘으로 고대역의 스펙트럼 크기와 위상의 파라미터를 분석하여 정확한 파라미터 정보를 얻었다. 스펙트럼 크기 양자화기 성능은 2단 고정 차원 벡터 양자화 방법보다 주파수 왜곡이 0.
- 본 논문에서는 이러한 가정하에 고대역 신호에서 주기성이 강한 부분에 대해, 정현파 모델을 기반으로 한 수정된 MP 알고리즘을 분석-합성 시스템에 적용한다. 제안한 MP 방법과 FFT 피크 검출 방법의 성능 비교를 통해 개선된 성능을 확인하고, 분석된 스펙트럼 크기 파라미터와 위상 파라미터를 효율적으로 양자화하는 방법을 제안한다.
- 본 논문에서는 이러한 가정하에 고대역 신호에서 주기성이 강한 부분에 대해, 정현파 모델을 기반으로 한 수정된 MP 알고리즘을 분석-합성 시스템에 적용한다. 제안한 MP 방법과 FFT 피크 검출 방법의 성능 비교를 통해 개선된 성능을 확인하고, 분석된 스펙트럼 크기 파라미터와 위상 파라미터를 효율적으로 양자화하는 방법을 제안한다.
- 정규화된 스펙트럼 크기는 양자화를 위해 식 (17)에 정의된 MDCT로 변환되어 4개의 스펙트럼 크기 후보 인덱스를 찾는다. 찾아진 후보인덱스는 두 번째 단에서의 스펙트럼 크기와 합성하여, 최소 에러를 갖는 인덱스를 검출한다.
- 정규화된 스펙트럼 크기는 양자화를 위해 식 (17)에 정의된 MDCT로 변환되어 4개의 스펙트럼 크기 후보 인덱스를 찾는다. 찾아진 후보인덱스는 두 번째 단에서의 스펙트럼 크기와 합성하여, 최소 에러를 갖는 인덱스를 검출한다.
대상 데이터
- 그림 4는 고대역 신호 중 주기적 성분이 강하게 나타나는 100샘플을 분석하고 합성한 결과를 나타낸다. 실험을 위하여 사용된 음성은 NTT DB 중 16 kHz로 샘플링된 "The boss ran the show with the watchfull eyes. ”라는 굉대역 여자 음성의 일부분이다.
- 목적신호와 합성신호와의 비교를 그림 6을 통해 알 수 있다. 목적 신호는 고대역 신호 중 피치주기가 30 (九=266Hz)인 350 샘플을 나타낸 것이다. 그림 6의 ⑴에서의 스펙트럼을 보면 기본주파수의 정수배 되는 곳에서 원본신호와오차가 적다는 것을 스펙트럼을 확인할 수 있고, (3에서는 양자화의 오차가 음성신호의 스펙트럼에서 중요한 기본주파수의 배수 부분에서의 왜곡이 적다는 것을 알 수 있다.
데이터처리
- 스펙트럼 크기 양자화 방법의 성능 비교를 위해 고정 차원 벡터 양자화 방법과 비교한다. MDCT를 이용한 2단 벡터 양자화 방법과의 비교를 위해 다음과 같이 형평성을 맞춘다.
- 스펙트럼 크기 양자화 방법의 성능 비교를 위해 고정 차원 벡터 양자화 방법과 비교한다. MDCT를 이용한 2단 벡터 양자화 방법과의 비교를 위해 다음과 같이 형평성을 맞춘다.
성능/효과
- 하지만 MP 정현파 사전 방법은 시간축에서 분석및 합성하고 잔여신호를 다시 분석 합성하는 MP의 특성상 시간축의 포락선이 급하게 변화하여도 512 point FFT 방법과 동일한 해상도 분석만으로도 포락선을 잘 표현함을 알 수 있다[13,14,16]. 또한 2048 point FFT 방법과 MP 정현파 사전 방법이 유사한 성능을 나타내는 것을 확인 할 수 있다.
- 하지만 MP 정현파 사전 방법은 시간축에서 분석및 합성하고 잔여신호를 다시 분석 합성하는 MP의 특성상 시간축의 포락선이 급하게 변화하여도 512 point FFT 방법과 동일한 해상도 분석만으로도 포락선을 잘 표현함을 알 수 있다[13,14,16]. 또한 2048 point FFT 방법과 MP 정현파 사전 방법이 유사한 성능을 나타내는 것을 확인 할 수 있다.
- 정현파 모델링에서의 중요한 파라미터인 피치정보 전송에 비트할당이 전혀 없도록 저대역의 피치를 이용한 MP (Matching Pursuit) 알고리즘으로 고대역의 스펙트럼 크기와 위상의 파라미터를 분석하여 정확한 파라미터 정보를 얻었다. 스펙트럼 크기 양자화기 성능은 2단 고정 차원 벡터 양자화 방법보다 주파수 왜곡이 0.5dB이상의 성능 향상을 보였다. 위상 양자화기는 벡터 양자화보다 제안한 방법을 적용했을때 0.
- 정현파 모델링에서의 중요한 파라미터인 피치정보 전송에 비트할당이 전혀 없도록 저대역의 피치를 이용한 MP (Matching Pursuit) 알고리즘으로 고대역의 스펙트럼 크기와 위상의 파라미터를 분석하여 정확한 파라미터 정보를 얻었다. 스펙트럼 크기 양자화기 성능은 2단 고정 차원 벡터 양자화 방법보다 주파수 왜곡이 0.5dB이상의 성능 향상을 보였다. 위상 양자화기는 벡터 양자화보다 제안한 방법을 적용했을때 0.
- 결과는 표 3과 같다. 양자화 비트수에따라 일반적인 백터 양자화한 경우보다 제안한 양자화 기법을 적용했을 때가 0.4-0.5dB정도 SNR 성능 개선을 보였다.
- 결과는 표 3과 같다. 양자화 비트수에따라 일반적인 백터 양자화한 경우보다 제안한 양자화 기법을 적용했을 때가 0.4-0.5dB정도 SNR 성능 개선을 보였다.
- 5dB이상의 성능 향상을 보였다. 위상 양자화기는 벡터 양자화보다 제안한 방법을 적용했을때 0.4- 05dB의 높은 SNR값을 보였다. 제안된 방법들을 대역 분할의 고대역 음성부호화기에 적용하므로써 굉대역 음성부호화기의 성능 향상을 기대할 수 있다.
- 5dB이상의 성능 향상을 보였다. 위상 양자화기는 벡터 양자화보다 제안한 방법을 적용했을때 0.4- 05dB의 높은 SNR값을 보였다. 제안된 방법들을 대역 분할의 고대역 음성부호화기에 적용하므로써 굉대역 음성부호화기의 성능 향상을 기대할 수 있다.
- 합성시에는 8개 이상의 스펙트럼 크기값은 1을 채워주는 방법을 사용한다. 표 2에서 보는 바와 같이 2단 고정 차원 벡터 양자화 방법보다 0.5dB이상의 성능 향상을 나타내었다.
- 합성시에는 8개 이상의 스펙트럼 크기값은 1을 채워주는 방법을 사용한다. 표 2에서 보는 바와 같이 2단 고정 차원 벡터 양자화 방법보다 0.5dB이상의 성능 향상을 나타내었다.
후속연구
- 4- 05dB의 높은 SNR값을 보였다. 제안된 방법들을 대역 분할의 고대역 음성부호화기에 적용하므로써 굉대역 음성부호화기의 성능 향상을 기대할 수 있다.
- 4- 05dB의 높은 SNR값을 보였다. 제안된 방법들을 대역 분할의 고대역 음성부호화기에 적용하므로써 굉대역 음성부호화기의 성능 향상을 기대할 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.