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
- 따라서 본 논문에서는 음소가 가지는 어휘 특성을 고려한 어휘 인식 후처리에서 오류 보정 시스템을 제안한다. 어휘 인식 후처리에서 오류 보정을 위한 본 논문의 접근 방법은 인식된 음소열을 형태소 분석 과정을 통해 음운 변동이 적용되기 이전의 문자열로 복원한다.
- 본 논문에서는 음소가 가지는 어휘 특성을 고려한 어휘 인식 후처리에서 오류 보정 시스템을 제안하였다.
제안 방법
- HMM 기반 ECHOS는 각 단어별 데이터로 학습된 인식 모델을 이용하여 발화된 단어의 인식 가능한 단어들의 인식 가능도를 우도로 표현하고 최대값을 가지는 단어를 최종 결과로 선정한다.
- 그림 2는 어휘 오류 보정에 구성도를 나타내고 있으며, 인식된 음소열을 음절 복원을 통해 음운 변동이 적용되기 이전의 문자열로 복원시킨다. 복원된 어절의 형태소 분석을 통해 문법적 어절과 비문법적 어절의 필터링을 하고 비문법적 어절에 대해 오류보정을 수행 한다. 음절 복원기와 형태소 분석 단계를 다시 거치게 된다[8].
- 본 논문에서 제안한 음소가 가지는 어휘 특성을 고려한 어휘 인식 후처리에서 오류보정 시스템 모델을 구성하여 인식 실험을 수행하였다.
- 어휘 인식 후처리에서 오류 보정을 위한 방법은 인식된 음소열을 오인식된 음소열을 관리하여 형태소 분석 과정을 통해 음운변동이 적용되기 이전의 문자열로 복원한다. 부정확한 어휘의 입력으로부터 특징을 추출하여 인식된 유사한 음소와 오인식 오류로 나타난 어휘를 형태소 분석인 문법적 어절과 비문법적 어절의 필터링하여 문법적 어절은 인식시키고 비문법적 어절은 오류 보정을 수행하여 재인식하여 오류를 최소화하고 인식률을 향상시켰다. 의미적으로 분석하기 힘든 핵심어들은 문장을 복원하여 전체적으로 인식할 수 있도록 해결하였다.
- 어휘 인식 후처리에서 오류 보정을 위한 본 논문의 접근 방법은 인식된 음소열을 형태소 분석 과정을 통해 음운 변동이 적용되기 이전의 문자열로 복원한다. 부정확한 어휘의 입력으로부터 특징을 추출하여 인식할 경우 유사한 음소로 인식하거나 오인식 오류로 나타나게 되므로 입력되어진 어휘를 형태소 분석 과정을 통해 유사 음소 인식과 오인식 오류를 최소화하여 인식률을 향상시켰다. 형태소 분석은 문법적 어절과 비문법적 어절의 필터링하여 문법적 어절은 인식시키고 비문법적 어절은 오류 보정을 수행하여 재인식시킨다.
- 따라서 본 논문에서는 음소가 가지는 어휘 특성을 고려한 어휘 인식 후처리에서 오류 보정 시스템을 제안한다. 어휘 인식 후처리에서 오류 보정을 위한 본 논문의 접근 방법은 인식된 음소열을 형태소 분석 과정을 통해 음운 변동이 적용되기 이전의 문자열로 복원한다. 부정확한 어휘의 입력으로부터 특징을 추출하여 인식할 경우 유사한 음소로 인식하거나 오인식 오류로 나타나게 되므로 입력되어진 어휘를 형태소 분석 과정을 통해 유사 음소 인식과 오인식 오류를 최소화하여 인식률을 향상시켰다.
- 어휘는 실내 환경과 잡음 환경에서 이동기기 등에 내장되어 있는 내장형 마이크로폰을 사용하여 16kHz Mono로 녹음 하였고, 16bit PCM 양자화를 사용하였다. 실험 어휘는 실내 10명, 실외 5명 등 총 15명의 성인 남성이 참가하였다.
- 후보 음절을 선정한 후 우선 순위 어절을 선정한다. 우선순위 어절은 오류 보정율의 평균으로 구하며 음절 복원과 형태소 분석을 재 수행한다. 신뢰도가 높은 음절의 경우 다음 후보 음절과의 오류 보정율 차이는 작으며, 신뢰도가 낮은 음절의 경우 다음 후보 음절과의 오류 보정율 차이가 크게 나타나므로 우선순위 어절을 선정할 때 올바른 어절이 낮은 순위로 나타나게 된다.
- 음소 유사율 처리는 음소 사이의 거리를 측정하여 비슷한 음소를 찾아 관리하며 신뢰도 측정 및 처리에서는 음소의 신뢰도를 측정 및 처리한다. 오류 보정율 관리는 유사율과 신뢰도를 비교하여 오류 보정을 위한 음소와 음절을 관리하며 음절 복원 관리에서는 오류 보정된 음소와 음절을 복원하여 후보 음절을 생성한다.
- 음소 유사율의 구성에 따른 음소 유사율의 정확성을 확인하기 위하여 MFCC와 LPC의 특성 추출 방법을 사용하여 음소 유사율을 구성하고 어휘 인식 후처리에서 오류보정 시스템 모델에 적용하였다.
- 음절 복원을 수행하기 위하여 어절을 구성하고 있는 음소의 신뢰도와 음소에 대한 타 음소와의 유사율을 사용하여 각각의 음소에 대한 후보 음절을 생성한다. 생성된 후보 음절을 통하여 우선순위 어절을 선정한다.
- 입력되어진 음소를 음소 유사률 처리를 통해 음소 사이의 거리를 측정하여 수치로 나타내고 신뢰도 측정을 통하여 인식 되어진 결과를 확인한다. 인식 결과로부터 오류로 판명되어진 음소를 확인하여 오인식되어진 음소열은 형태소 분석을 통해 문법적 어절과 비문법적 어절의 필터링하여 문법적 어절은 인식시키고 비문법적 어절은 오류 보정을 수행하여 오류 복원률을 확인하여 관리하여 재인식을 수행한다.
- 입력되어진 음소를 음소 유사률 처리를 통해 음소 사이의 거리를 측정하여 수치로 나타내고 신뢰도 측정을 통하여 인식 되어진 결과를 확인한다. 인식 결과로부터 오류로 판명되어진 음소를 확인하여 오인식되어진 음소열은 형태소 분석을 통해 문법적 어절과 비문법적 어절의 필터링하여 문법적 어절은 인식시키고 비문법적 어절은 오류 보정을 수행하여 오류 복원률을 확인하여 관리하여 재인식을 수행한다.
- 입력된 어휘 신호의 잡음 제거는 프레임 단위로 실행된다. 입력된 신호가 프레임 단위로 나뉜 후에는 각 프레임 별로스펙트럼을 추정하고 스펙트럼 평활화를 수행한다. 특징 추출은 인식에 유용한 성분을 어휘 신호로부터 뽑아내는 과정이다.
- 어휘 인식에는 음향학적 지식을 이용하는 방법, 통계적 방법, 인공 지능을 이용한 방법, 신경 회로망을 이용한 방법 등이 널리 연구되었다. 통계적 어휘 인식에서는 다음 그림 1에서와 같이 학습 단계에서 추출된 특징 벡터를 이용하여 기준이 되는 시간적으로 변화하는 음성 신호의 특징을 모델링한 음향 모델 또는 기준 패턴을 구한 다음, 어휘 인식 단계에서 부분 최적인 각 상태를 통하여 최상의 단일한 상태열을 찾는 비터비 알고리즘 또는 상태열의 길이가 일정하지 않은 두 열의 유사도를 측정하는 DTW(Dynamic Time Warping)와 같은 패턴 정합 알고리즘을 이용하여 미리 학습된 패턴 중에서 가장 유사한 것을 찾아서 인식 결과로 출력한다. 일체형 인식 구조는 탐색 과정에서 모든 가능한 지식 정보들을 가져오므로 일체형 탐색 방법은 복잡한 단어간 문법을 고려한 언어 모델과 시간적으로 변화하는 음성 신호의 특징을 모델링한 음향 모델을 사용한다[6].
대상 데이터
- 본 실험에서는 단말기에서 사용되는 단어를 선정하여 총 20개를 표 1과 같이 선별하였고 후처리 실험을 위해 5명의 사용자가 100회의 데이터를 구축하였다.
- 어휘는 실내 환경과 잡음 환경에서 이동기기 등에 내장되어 있는 내장형 마이크로폰을 사용하여 16kHz Mono로 녹음 하였고, 16bit PCM 양자화를 사용하였다. 실험 어휘는 실내 10명, 실외 5명 등 총 15명의 성인 남성이 참가하였다.
이론/모형
- 녹음된 데이터는 인식기 학습을 위해 MFCC 특성 추출 방법을 사용하였고 인식기는 SITEC에서 개발한 ECHOS[16]를 이용하였다.
성능/효과
- 3%의 인식률 향상을 보였다. 또한 MFCC가 LPC보다 우수한 성능을 보였으며, 전체적으로 86.5%, 82.9%의 인식률을 보였다.
- 제안한 어휘 인식 후처리에서 오류 보정 시스템으로 인하여 인식률을 향상 시킬 수 있는 장점을 확인하였으며 검색 시속도와 인식률에서 기존 시스템인 에러 패턴 학습을 이용한 시스템과 의미기반을 이용한 시스템보다 나은 결과를 얻을 수 있었다. 시스템 성능 평가 결과 MFCC와 LPC는 각각 7.5% 와 5.3%의 인식 향상률을 보였다.
- 에러 패턴 학습을 이용한 오류 보정의 경우 3.1%, 의미 기반의 오류 보정의 경우 7.5%의 인식 향상률을 보였으며, 본 논문에서 제안한 MFCC, LPC를 이용한 음소 유사율을 사용할 경우 각각 7.5%, 5.3%의 인식률 향상을 보였다. 또한 MFCC가 LPC보다 우수한 성능을 보였으며, 전체적으로 86.
- 제안한 어휘 인식 후처리에서 오류 보정 시스템으로 인하여 인식률을 향상 시킬 수 있는 장점을 확인하였으며 검색 시속도와 인식률에서 기존 시스템인 에러 패턴 학습을 이용한 시스템과 의미기반을 이용한 시스템보다 나은 결과를 얻을 수 있었다. 시스템 성능 평가 결과 MFCC와 LPC는 각각 7.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.