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.
가설 설정
- H1: speech absent : Yk(t) = Xk(t)+Nk(t). (3)
제안 방법
- 기존의 통계적 모델 기반의 음성 검출기의 결정식인 식⑼와 비교하여, 본 논문에서는 위에서 제시된 MCE 훈련 방법을 이용해 구한 식 (19)의 가중치를 각각의 주파수 채널에 곱해서 구해진 우도비를 기하 평균하여 (10)과 같이 최종적으로 음성 검출 여부를 판단한다 . 결론적으로각 주파수가 음성검출의 성능에 다르게 미치는 영향을 고려한 최적화된 가중치가 적용된 새로운 우도비를 이용하여 기하 평균 기반의 결정식을 도출하는 점이 주목할 만 하다 .
- 기존의 통계적 모델 기반의 음성 검출기의 결정식인 식⑼와 비교하여, 본 논문에서는 위에서 제시된 MCE 훈련 방법을 이용해 구한 식 (19)의 가중치를 각각의 주파수 채널에 곱해서 구해진 우도비를 기하 평균하여 (10)과 같이 최종적으로 음성 검출 여부를 판단한다 . 결론적으로각 주파수가 음성검출의 성능에 다르게 미치는 영향을 고려한 최적화된 가중치가 적용된 새로운 우도비를 이용하여 기하 평균 기반의 결정식을 도출하는 점이 주목할 만 하다 .
- 그러나, 각 주파수 채널별 우도비가 음성검출 성능에 균일한 기여를 한다는 것은 음성신호의 주파수특성의 분포 등을 고려하면 실제적이지 않다. 따라서, 본 논문에서는 각 우도비 logAk에 최적화된 가중치를 인가 함으로서 보다 효과적인 음성검출기를 제안하고 새로운 결정식을 다음과 같이 정의한다.
- 따라서, 본 논문에서는 각 우도비 風4에 최적화된 가중치를 인가함으로서 보다 효과적인 음성검출기를 제안하고 새로운 결정 식을 다음과 같이 정의한다.
- 음성과 비음성 구간을 검출하는 음성 검출기 (voice activity detector, VAD)는 음성 부호화, 음성인식 그리고 음향학적 반향제거기 등 음성 통신 시스템에서 많이 적용된다 특히, 음성검출기는 다중 접속 기술에서 한정된 주파수 대역을 효율적으로 사용하기 위한 가변 전송률 부호화기의 실현을 위해 필수적인 부분을 차지하고 있으며 이와 관련하여 다양한 형태의 알고리즘이 제안되고 있다. 많은 알고리즘 중에 Ephraim과 Malah의 연구에서 시작된 minimum mean square error (MMSE) 기반의 음성 향상 기법에 사용된 음성의 존재와 부재에 대한 통계적 모델을 음성 검출기에 적용한 것이 매우 우수한 성능을 가진 것으로 알려져 있는데 [1-8], 구체적으로 음성에 대한 가우시안 통계모델을 decision-directed ①D) 기법에 도입하여 최적의 음성검출 파라미터 추정에 사용 하여 나온 음성의 존재와 부재에 대한 우도비 (likelihood ratio, LR)를 기하평균한 결정식으로 음성검출여부를 최종적으로 판단한다 [3],
- 먼저, 입력 신호로부터 구한 각 주파수 채널별 우도비에 각각 다른 가중치 wk를 적용하여 새로운 우도비 wklogAk를 구하며 각 가중치는 다음의 조건을 만족한다.
- 본 논문에서 제안된 MCE 기법을 이용한 최적화된 가중치 기반의 음성 검출기의 성능을 평가하기 위해 기존의 우도비 테스트를 이용한 통계적 모델 기반의 음성 검출기의 성능과 Receiver Operating Characteristic (ROC) 곡선을 이용하여 비교하였다 [3], 최적화된 가중치를 도출하기 위해 손실함수 L에서 정의된 기울기 파라미터 0=1로 결정하였다. 실험에 사용된 데이터는 성능 평가를 위해 총 230초의 깨끗한 음성 데이터에 음성과 비음성 부분을 10 ms마다 수동으로 표시하였다.
- 본 논문에서는 기존의 음성의 통계적 모델 기반의 음성 검출기에서 제시된 각 주파수 채널별 우도비의 단순한 기하 평균을 이용하여 문턱값을 비교하는 방법 대신, 변별적 가중치 학습 (discriminative weight training)을 위한 rmnimum classification error (MCE) 방법을 이용하여 도출된 최적화된 가중치를 각 주파수 채널별 우도비에 적용하여 기하 평균을 구성하는 새로운 방식을 제안하며, 다양한 잡음환경에서 기존의 통계적 모델 기반의 음성검출기와 성능을 비교하였다.
- 본 논문에서는 기존의 음성의 통계적 모델 기반의 음성 검출기에서 제시된 각 주파수 채널별 우도비의 단순한 기하 평균을 이용하여 문턱값을 비교하는 방법 대신, 변별적 가중치 학습 (discriminative weight training)을 위한 rmnimum classification error (MCE) 방법을 이용하여 도출된 최적화된 가중치를 각 주파수 채널별 우도비에 적용하여 기하 평균을 구성하는 새로운 방식을 제안하며, 다양한 잡음환경에서 기존의 통계적 모델 기반의 음성검출기와 성능을 비교하였다.
- 본 논문에서는 음성의 존재와 부재에 대한 통계적 모델에 기반한 각 주파수 채널별 우도비를 단순히 기하 평균을 취하여 문턱값과 비교하는 기존의 방법 대신, MCE를이용하여 도출한 최적화된 가중치를 각 주파수 채널별 우도비에 적용하는 새로운 방법으로 기존의 방식보다 향상된 통계모델기반의 음성 검출기를 제시하였으며. 객관적인 실험 결과로부터 제안된 음성 검출기의 성능이 우수함을 알 수 있었다.
- 본 논문에서는 음성의 존재와 부재에 대한 통계적 모델에 기반한 각 주파수 채널별 우도비를 단순히 기하 평균을 취하여 문턱값과 비교하는 기존의 방법 대신, MCE를이용하여 도출한 최적화된 가중치를 각 주파수 채널별 우도비에 적용하는 새로운 방법으로 기존의 방식보다 향상된 통계모델기반의 음성 검출기를 제시하였으며. 객관적인 실험 결과로부터 제안된 음성 검출기의 성능이 우수함을 알 수 있었다.
- 본 논문에서 제안된 MCE 기법을 이용한 최적화된 가중치 기반의 음성 검출기의 성능을 평가하기 위해 기존의 우도비 테스트를 이용한 통계적 모델 기반의 음성 검출기의 성능과 Receiver Operating Characteristic (ROC) 곡선을 이용하여 비교하였다 [3], 최적화된 가중치를 도출하기 위해 손실함수 L에서 정의된 기울기 파라미터 0=1로 결정하였다. 실험에 사용된 데이터는 성능 평가를 위해 총 230초의 깨끗한 음성 데이터에 음성과 비음성 부분을 10 ms마다 수동으로 표시하였다. 분류된 음성 데이터의 음성 구간은 총 57.
- 제안된 연구에서는 최적화 알고리즘에 기반한 가중치를 구하기 위해 generalized probabilistic descent (GPD) 기반의 MCE 훈련을 적용하며 ⑼, 실제로 훈련 데이터 프레임 九(2)의 분류 오류 D 를 다음과 같이 정의한다.
- 여기서 e 는 음성과 비음성을 구분하는 문턱값이다 이때 문턱값은 음성과 비음성 훈련 데이터의 분포에서 겹치는 경계값 (θ=0)을 사용하였다. 제안된 연구에서는 최적화 알고리즘에 기반한 가중치를 구하기 위해 generalized probabilistic descent (GPD) 기반의 MCE 훈련을 적용하며 ⑼, 실제로 훈련 데이터 프레임 九⑵의 분류 오류 D 를 다음과 같이 정의한다.
데이터처리
- 본 논문에서 제안된 MCE 기법을 이용한 최적화된 가중치 기반의 음성 검출기의 성능을 평가하기 위해 기존의 우도비 테스트를 이용한 통계적 모델 기반의 음성 검출기의 성능과 Receiver Operating Characteristic (ROC) 곡선을 이용하여 비교하였다 [3], 최적화된 가중치를 도출하기 위해 손실함수 L에서 정의된 기울기 파라미터 0=1로 결정하였다. 실험에 사용된 데이터는 성능 평가를 위해 총 230초의 깨끗한 음성 데이터에 음성과 비음성 부분을 10 ms마다 수동으로 표시하였다.
성능/효과
- 그림 1, 2, 3, 4의 (a)는 각각 street와 car 잡음 환경에 따라 음성 검출기의 문턱값을 변경하면서 실제 음성을 음성이라고 판단한 음성 검출 확률 (Pd)과 비음성에 대해 음성이라고 판단한 오경보 확률 (Pf)을 5, 15 dB SNR에서 측정한 ROC 곡선이며, (b)와 (c)는 (a)와 동일한 SN旧과 동일한 잡음 환경에서 각각 유성음과 무성음에서의 ROC 곡선이다. 실험 분석 결과 동일한 SNm의 주어진 집음 조건에서 각 채널별 가중치를 적용한 음성 검출기의 경우 전체 적으로 기존의 음성 검출기보다 향상된 성능을 보여주며, 특히 그림 (b)와 (©를 비교해보면 유성음 구간에서는 거의 성능이 동일하였으나 무성음 구간에서 뚜렷한 성능개선이 이루어졌다. 이를 통해 MCE 훈련으로부터 도출된 가중치가 주로 무성음구간에서 음성검출성능향상에 기여하는 것을 알 수 있다.
- 본 논문에서는 음성의 존재와 부재에 대한 통계적 모델에 기반한 각 주파수 채널별 우도비를 단순히 기하 평균을 취하여 문턱값과 비교하는 기존의 방법 대신, MCE를이용하여 도출한 최적화된 가중치를 각 주파수 채널별 우도비에 적용하는 새로운 방법으로 기존의 방식보다 향상된 통계모델기반의 음성 검출기를 제시하였으며. 객관적인 실험 결과로부터 제안된 음성 검출기의 성능이 우수함을 알 수 있었다.
- 기존의 통계적 모델 기반의 음성 검출기의 결정식인 식⑼와 비교하여, 본 논문에서는 위에서 제시된 MCE 훈련 방법을 이용해 구한 식 (19)의 가중치를 각각의 주파수 채널에 곱해서 구해진 우도비를 기하 평균하여 (10)과 같이 최종적으로 음성 검출 여부를 판단한다 . 결론적으로각 주파수가 음성검출의 성능에 다르게 미치는 영향을 고려한 최적화된 가중치가 적용된 새로운 우도비를 이용하여 기하 평균 기반의 결정식을 도출하는 점이 주목할 만 하다 .
- 이를 통해 MCE 훈련으로부터 도출된 가중치가 주로 무성음구간에서 음성검출성능향상에 기여하는 것을 알 수 있다. 결론적으로 기존의 우도비의 기하 평균으로 음성을 검출하는 것 보다 각 채널별 최적화된 가중치를 이용한 음성 검출 방법이 우수한 것을 확인할 수 있다.
- 이를 통해 MCE 훈련으로부터 도출된 가중치가 주로 무성음구간에서 음성검출성능향상에 기여하는 것을 알 수 있다. 결론적으로 기존의 우도비의 기하 평균으로 음성을 검출하는 것 보다 각 채널별 최적화된 가중치를 이용한 음성 검출 방법이 우수한 것을 확인할 수 있다.
- 기존의 통계적 모델 기반의 음성 검출기의 결정식인 식⑼와 비교하여, 본 논문에서는 위에서 제시된 MCE 훈련 방법을 이용해 구한 식 (19)의 가중치를 각각의 주파수 채널에 곱해서 구해진 우도비를 기하 평균하여 (10)과 같이 최종적으로 음성 검출 여부를 판단한다 . 결론적으로각 주파수가 음성검출의 성능에 다르게 미치는 영향을 고려한 최적화된 가중치가 적용된 새로운 우도비를 이용하여 기하 평균 기반의 결정식을 도출하는 점이 주목할 만 하다 .
- 실험에 사용된 데이터는 성능 평가를 위해 총 230초의 깨끗한 음성 데이터에 음성과 비음성 부분을 10 ms마다 수동으로 표시하였다. 분류된 음성 데이터의 음성 구간은 총 57.1%로 유성음 44.0%, 무성음 13.1%로 구성되었으며 잡음 환경은 음성 데이터에 street, car 잡음이 5, 15 dB SN^로 부과되었다. 그림 1, 2, 3, 4의 (a)는 각각 street와 car 잡음 환경에 따라 음성 검출기의 문턱값을 변경하면서 실제 음성을 음성이라고 판단한 음성 검출 확률 (Pd)과 비음성에 대해 음성이라고 판단한 오경보 확률 (Pf)을 5, 15 dB SNR에서 측정한 ROC 곡선이며, (b)와 (c)는 (a)와 동일한 SN旧과 동일한 잡음 환경에서 각각 유성음과 무성음에서의 ROC 곡선이다.
- 분류된 음성 데이터의 음성 구간은 총 57.1%로 유성음 44.0%, 무성음 13.1%로 구성되었으며 잡음 환경은 음성 데이터에 street, car 잡음이 5, 15 dB SNe로 부과되었다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.