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
- 이 결과, 신경회로망의 파라미터 및 학습횟수 및 입력데이터의 균형에 따라서 본 논문에서 추구하는 목적을 달성할 수 있었다. 그러나 음성인식 및 음성강조에 응용하기 위해서는, 다음과 같은 내용이 향후의 과제 및 목표라고 생각하며, 추후 더 상세한 연구를 실시하고자 한다. (1) 학습데이터에 정확하고 신속하게 수속하기 위한 중간층의 층수 및 유닛수의 선택 (2) 본 실험에서는, 식(11)의 조건에 적합한 프레임 만을 사용하였지만, 역으로 이 조건에 적합하지 않은 프레임을 사용하여 실험한다.
- 본 논문에서는 배경잡음의 영향을 줄여서 음성인식 시스템의 성능을 향상시키고 다양한 음성인식기의 입력으로 사용하기 위하여, 선형예측분석에 의한 선형예측계수를 신경회로망의 입력으로 한 시스템을 구축하고자 한다. 본 논문에서 사용하는 신경회로망의 입력데이터로는 각각의 프레임의 데이터를 사용하여 학습시키며, 신경회로망의 학습조건 및 학습방법 등을 바꾸어 음성 중의잡음량을 인식하여 이러한 잡음을 경감하는 것을 목적으로 한 연구를 진행한다.
- 또한 신경회로망의 입력데이터로는 캡스트럼 변환(cepstral transform)된 저역부의 캡스트럼 데이터를 신경회로망에 입력하여 잡음량을 추정하였다. 본 논문에서는 배경잡음의 영향을 줄여서 음성인식 시스템의 성능을 향상시키고 다양한 음성인식기의 입력으로 사용하기 위하여, 선형예측분석에 의한 선형예측계수를 신경회로망의 입력으로 한 시스템을 구축하고자 한다. 본 논문에서 사용하는 신경회로망의 입력데이터로는 각각의 프레임의 데이터를 사용하여 학습시키며, 신경회로망의 학습조건 및 학습방법 등을 바꾸어 음성 중의잡음량을 인식하여 이러한 잡음을 경감하는 것을 목적으로 한 연구를 진행한다.
- 본 논문에서는 신경회로망에 의한 3종류의 음성신호의 잡음량을 인식하는 것을 목적으로 하여, 선형예측계수를 입력으로 한 잡음량 인식의 실험을 실시하였다. 이 결과, 신경회로망의 파라미터 및 학습횟수 및 입력데이터의 균형에 따라서 본 논문에서 추구하는 목적을 달성할 수 있었다.
- 본 연구의 목적을 달성하기 위하여 본 논문에서는 잡음과 음성신호의 특징을 가진 선형예측계수(Linear Predictive Coefficient, LPC)를 신경회로망의 입력으로 하여 3종류의 잡음량을 인식하는 방법을 제안한다.
- 본장에서는 3층 구조의 퍼셉트론형의 신경회로망을 사용하여, 선형예측계수를 입력으로 하여 각 프레임에서 이 잡음량을 인식하는 것을 목적으로 한 실험에 대하여 기술한다.
가설 설정
- 또한 음성파형은 정상적으로 선형예측계수는시간적으로 변화하지 않는다고 가정한다. 이러한 가정하에서, 선형예측오차 e”의 2승 평균값을 최소로 하도록 선형예측계수를 결정한다.
- 음성신호의 표본값 사이에는 커다란 상관관계가 있으며 음성의 특징 추출을 위하여 이것을 이용한 예측 부호화가 실시되어진다回 이러한 예측의 개념을 일반화하여 다음 식과 같이 음성파형의 연속된 p + 1 개의 표본 값 사이에 높은 선형 예측성이 있다고 가정한다.
- 즉, 어떤 시점 n에서의 표본값은 그 이전의 연속한 p개의 표본값의 선형 하중값으로서 근사할 수 있다고 가정한다. 또한 음성파형은 정상적으로 선형예측계수는시간적으로 변화하지 않는다고 가정한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.