[논문]바타챠랴 거리 측정 기법을 사용한 가우시안 모델 기반 음소 인식 향상

오상엽

doi:10.9717/kmms.2011.14.1.085

바타챠랴 거리 측정 기법을 사용한 가우시안 모델 기반 음소 인식 향상
Improving Phoneme Recognition based on Gaussian Model using Bhattacharyya Distance Measurement Method 원문보기 논문타임라인

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.14 no.1, 2011년, pp.85 - 93

오상엽 (경원대학교 IT대학 컴퓨터소프트웨어)

초록
AI-Helper

기존의 어휘 인식에서는 일반적인 벡터 값을 데이터베이스를 이용하여 구하므로 탐색 중에 형성되는 음소를 처리하지 못하는 문제점을 제공하며, 음소 데이터에 대한 모델을 구성할 수 없는 단점으로 인하여 가우시안 모텔의 정확성을 확보하지 못하게 된다. 따라서 본 논문에서는 음소가 갖는 특징을 기반으로 바타챠랴 거리 측정법을 이용하여 정확한 음소로 인식할 수 있도록 유도하였으며 유사 음소 인식과 오인식 오류를 최소화하여 인식률을 향상시켰다. 연속 확률 분포의 공유로부터 가우시안 모델 최적화를 실험한 결과 향상된 신뢰도로 인해 높은 인식 성능을 확인하였으며, 본 논문에서 제안한 바타챠랴 거리 측정법을 이용하여 실험한 결과 기존의 방법들에 비하여 평균 1.9%의 성능 향상을 나타내었으며 신뢰성을 바탕으로 인식율에서 평균 2.9%의 성능 향상을 나타내었다.

Abstract ▼ AI-Helper

Previous existing vocabulary recognition programs calculate general vector values from a database, so they can not process phonemes that form during a search. And because they can not create a model for phoneme data, the accuracy of the Gaussian model can not secure. Therefore, in this paper, we recommend use of the Bhattacharyya distance measurement method based on the features of the phoneme-thus allowing us to improve the recognition rate by picking up accurate phonemes and minimizing recognition of similar and erroneous phonemes. We test the Gaussian model optimization through share continuous probability distribution, and we confirm the heighten recognition rate. The Bhattacharyya distance measurement method suggest in this paper reflect an average 1.9% improvement in performance compare to previous methods, and it has average 2.9% improvement based on reliability in recognition rate.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

어휘 인식에서는 인식 학습 시 나타나지 않는 미등록어의 트라이 폰이 나타나므로 모델 파라미터들의 초기 추정치를 생성할 수 없으므로 음소 데이터에 대한 모델을 구성할 수 없다’ 이러한 단점으로 인하여 가우시안 모델의 정확성이 떨어지게 되어 인식의 신뢰도가 저하되고, 일반적인 벡터 값을 데이터베이스를 이용하여 구하므로 탐색 중에 형성되는 음소를 처리하지 못하는 문제점을 제공하지만, 본 논문에서는 이를 개선하기 위하여 본 논문에서는 바타차랴거리 측정법을 이용한 가우시안 모델을 최적화한 방법을 제안하여 가우시안 모델의 정확성을 향상하고, 음소를 관리 및 제어할 수 있도록 하였다.
모델을 구성할 수 없다’ 이러한 단점으로 인하여 가우시안 모델의 정확성이 떨어지게 되어 인식의 신뢰도가 저하되고, 일반적인 벡터 값을 데이터베이스를 이용하여 구하므로 탐색 중에 형성되는 음소를 처리하지 못하는 문제점을 제공하지만, 본 논문에서는 이를 개선하기 위하여 본 논문에서는 바타차랴거리 측정법을 이용한 가우시안 모델을 최적화한 방법을 제안하여 가우시안 모델의 정확성을 향상하고, 음소를 관리 및 제어할 수 있도록 하였다.

제안 방법

구성한다. 구성되어진 특징 벡터들로부터 가우시 안 모델을 생성하기 위해 가우시안 값을 추정하고 모델화하는 과정을 나타내었다. 최적화된 모델들은 미리 생성되어진 가우시안 모델값들과 비교하여 인식하기 위해 사용된다.
단 음소의 상태 출력 분포는 재 추정하여 훈련된 트라이 폰 모델 집합을 초기화하기 위해 복사한다. 동일한 각 음소로부터 유도된 트라이폰들의 각 집합에 대해 대응되는 상태들을 군집화한다. 각 결과 군집에서 대표적인 상태가 선택되고 모든 군집 내의 상태들은 대표상태로 묶이게 된다.
본 논문에서 제안한 바타차랴 거리 측정법을 이용한 가우시안 모델을 최적화한 방법을 제안하여 가우시안 모델을 구성하여 인식 실험을 수행하였다. 실험은 다양한 가우시안 모델을 포함하고 있는 한국전자통신연구원(ETRI)에서 제작한 음성 인식용 PBW(Phonetically Balanced Words) 445DB를 이용하였다.
본 연구에서는 모노폰으로 훈련시킨 훈련 데이터의 음소에 HMM(Hidden Markov Model) 특징 추출 방법을 이용하며, 유사한 음소는 바타챠랴 거리 측정법을 이용하여 정확한 음소로 인식할 수 있도록 유도하였으며 유사 음소 인식과 오인식 오류를 최소화하여 인식률을 향상시켰다.
본 연구에서는 모노폰으로 훈련시킨 훈련 데이터의 음소에 HMM(Hidden Markov Model) 특징 추출 방법을 이용하며, 유사한 음소는 바타챠랴 거리 측정법을 이용하여 정확한 음소로 인식할 수 있도록 유도하였으며 유사 음소 인식과 오인식 오류를 최소화하여 인식률을 향상시켰다.
유사 음소 인식 처리는 모노폰으로 훈련시킨 훈련데이터의 음소에 HMM을 이용하여 특징을 추출하여 모델링하고 추출된 특징들의 모델들은 유사한 음소로 군집화하여 각 대표값을 구성한다.
음소 유사율의 신뢰도 정규화에 따른 신뢰도를 확인하기 위하여 바타차랴 거리 측정법을 이용한 가우시안 모델을 최적화한 방법에 적용하였다. 가우시안 모델을 최적화한 방법에 대한 인식율과 거절율은 식(13)과 식(15)를 이용하여 표 3에 나타내었다.
효율적 특징 추출 처리 과정에서는 군집 모델에 포함되지 않는 특징들에 대해 HMM을 이용하여 이미 구성되어진 모델들 함께 특징을 재추출하여 군집들의 모델에 포함되는 특징을 추출한다.

대상 데이터

실험은 다양한 가우시안 모델을 포함하고 있는 한국전자통신연구원(ETRI)에서 제작한 음성 인식용 PBW(Phonetically Balanced Words) 445DB를 이용하였다. 어휘수가 총 445개로 구성되어 있으며 1명 이 2회 발성한 것을 1개의 set로 구성하였다.
실험은 다양한 가우시안 모델을 포함하고 있는 한국전자통신연구원(ETRI)에서 제작한 음성 인식용 PBW(Phonetically Balanced Words) 445DB를 이용하였다. 어휘수가 총 445개로 구성되어 있으며 1명 이 2회 발성한 것을 1개의 set로 구성하였다. 이러한 set이 남성음이 5set, 여성음이 5set으로 모두 lOset으로 구성하였다[15].

이론/모형

이러한 set이 남성음이 5set, 여성음이 5set으로 모두 lOset으로 구성하였다[15]. 녹음된 데이터는 인식기 학습을 위해 MFCC 특성 추출 방법을 사용하였고 인식기는 SITEC에서 개발한 ECHOSU6]를 이용하였다.
다음은 바타챠랴 거리 측정에 대한 알고리즘이며 입력되어진 두 모델로부터 벡터를 구하여 각각의 벡터 값들로부터 평균과 분산으로 계산하여 바타챠랴거리 측정법을 사용하여 근접한 벡터들을 테이블로 구성하여 모델로 사용한다.
핵심어 검출 방식은 문법을 설계할 때 핵심어만 고려하고 나머지 단어는 가비지(garbage) 모델을 사용하여 불필요한 단어를 제거하여 사용하는 방법이다[3]. 발화 검증 방식은 인식 결과를 확인하는 과정이 추가되며 필러(filler) 모델을 이용한다. 필러 모델은 구성방식이 단어 기반이므로 가변 어휘 단어 인식 시스템을 위한 발화 검증 구현을 위해서는 매 음소단위의 검증기능이 있어야하며 반음소 모델을 사용하는 방식이 제안되고 있다[4].
거리 측정의 목적은 가장 비슷한 것을 찾아내는 것을 의미한다. 출력 확률 분포를 연속 확률 밀도로 갖는 가우시안의 경우 오류율 측정에 기반을 두고 있는 바타챠랴 거리 측정법을 사용하였으며 다음 수식(13)과 같다.
패턴인식에서 거리의 개념은 패턴들이 특징 공간상에서 서로 얼마나 떨어져 있는지를 통하여 패턴들 사이의 비슷한 정도를 측정하기 위한 기준으로 사용하며 특징 공간상에서 매우 근접한 거리에 있는 두 패턴은 거의 동일한 특징을 가지므로 유사도가 크게 나타나게 되며 이러한 유사도를 측정하기 위해 바타챠랴 거리 측정 방법을 사용하였다.

성능/효과

9%의 성능향상을 나타내었다. 따라서 등록되지 않은 어휘를 거절하여 등록된 어휘에서 인식할 수 있는 신뢰성을 향상시켰으며 신뢰성을 바탕으로 인식율에서 평균 2.9%의 성능 향상을 나타내었다. 본 연구의 결과인 29%의 성능 향상은 미등록어 거절과 신뢰성 향상으로 인한 높은 인식율의 향상을 가져왔다.
이는 기존 등록되어 학습을 수행한 모델에 대한 인식율을 평가하는 기존에는 부족하지만 등록되지 않아 학습을 수행하지 않은 모델을 대상으로 인식율을 측정할 경우 데이터를 학습하지 않아 기존 모델과의 인식율이 저조하게 나타난다. 따라서 본 연구의 결과인 2.9%의 성능 향상은 미등록어 거절과 신뢰성 향상으로 인한 높은 인식율의 향상을 가져왔다.
9%의 성능 향상을 나타내었다. 본 연구의 결과인 29%의 성능 향상은 미등록어 거절과 신뢰성 향상으로 인한 높은 인식율의 향상을 가져왔다.
에러 패턴 학습을 이용한 미등록어 거절의 경우 7.9%, 의미 기반의 미등록어 거절의 경우 8.3%의 미등록어 거절율을 보였으며, 본 논문에서 제안한 가우시안 최적화 모델을 이용한 미능록어 거절은 9.8%로 미등록어 거절 알고리즘이 기존의 방법들에 비하여 평균 거절율이 1.9%의 성능 향상을 나타내었다. 따라서 등록되지 않은 어휘를 거절하여 등록된 어휘에서 인식할 수 있는 신뢰성을 향상시켰으며 신뢰성을 바탕으로 인식율에서 평균 2.
연속 확률 분포의 공유로부터 가우시안 모델 최적화를 실험한 결과 향상된 신뢰도로 인해 높은 인식성능을 확인하였으며 미등록어 거절 알고리즘이 기존의 방법들에 비하여 평균 1.9%의 성능 향상을 나타내었으며, 신뢰성을 바탕으로 인식율에서 평균 2.9%의 성능 향상을 나타내었다. 미등록어 거절이 높은 것은 등록되어 있지 않은 어휘에 대해 인식하지 않는 것을 나타내므로 인식 성능 향상과 어휘 인식의 신뢰성에 영향을 미치게 된다.
연속 확률 분포의 공유로부터 가우시안 모델 최적화를 실험한 결과 향상된 신뢰도로 인해 높은 인식성능을 확인하였으며 미등록어 거절 알고리즘이 기존의 방법들에 비하여 평균 거절율이 1.9%의 성능향상을 나타내었다. 따라서 등록되지 않은 어휘를 거절하여 등록된 어휘에서 인식할 수 있는 신뢰성을 향상시켰으며 신뢰성을 바탕으로 인식율에서 평균 2.

참고문헌 (20)
타임라인 바로가기

안찬식, 오상엽, "공유모델 인식 성능 향상을 위한 효율적인 연속 어휘 군집화 모델링", 한국컴퓨터정보학회지, 제15권, 제1호, 177-183쪽, 2010년 1월.

인용구절

인용 구절

이를 위한 신호 처리 단계에서의 어휘 인식 오류 보정에 대한 여러 가지 연구가 진행되고 있다[1].
김우성, 구명완 "반음소 모델링을 이용한 거절기능에 관한 연구", 한국음향학회지, 제18권, 제3호, 3-9쪽, 1999년 3월.

인용구절

인용 구절

사용범위가 넓고 다양한 화자 독립적인 최근의 시스템에서 전처리인 신호 처리만으로 인식의 효율을 높이는 것은 매우 제한적이므로 어휘의 단순한 신호처리 위주의 인식 결과로부터 좀 더 신뢰할 수 있는 결과를 얻기 위한 어휘 후처리에서 오류 보정에 대한 연구가 진행되고 있다［2］.
문광식, 김회린, 정재호, 이영직, "가변어휘 단어 인식에서의 미등록어 거절 알고리즘의 성능비교", 신호처리합동학술대회논문집, 제12권, 제1호, 305-308쪽, 1999년 10월.

인용구절

인용 구절

핵심어 검출 방식은 문법을 설계할 때 핵심어만 고려하고 나머지 단어는 가비지(garbage) 모델을 사용하여 불필요한 단어를 제거하여 사용하는 방법이다［3］.
방기덕, 강철호, "가변 신뢰도 문턱치를 사용한 미등록어 거절 알고리즘에 대한 연구", 한국멀티미디어학회논문지, 제11권, 제11호, 1471-1479쪽, 2008년 11월.

원문보기 상세보기 타임라인에서 보기
인용구절

인용 구절

필러 모델은 구성방식이 단어 기반이므로 가변 어휘 단어 인식 시스템을 위한 발화 검증 구현을 위해서는 매 음소단위의 검증기능이 있어야하며 반음소 모델을 사용하는 방식이 제안되고 있다［4］.
안찬식, 오상엽, "MLHF 모델을 적용한 어휘 인식 탐색 최적화 시스템", 한국컴퓨터정보학회지, 제14권, 제10호, 217-223쪽, 2009년 10월.

인용구절

인용 구절

그러나 두 시스템 모두 미리정해 놓은 특정 인식 대상 단어가 입력될 것이라는 가정 하에 음성 인식 기능을 수행하며 사용자의 실수 또는 고의로 인식 대상 단어를 말하면 대상 단어중의 하나로 잘못 인식하는 결과를 보여주므로 다른 단어로 인식해 버리는 문제점이 있다［5］.
김용현, 정민화, "에러패턴 학습과 후처리 모듈을 이용한 연속 음성 인식의 성능향상", Proc. KISS Spring Semiannual Conf. 제27권, 제1호, 441-443쪽, 2000년 4월.

인용구절

인용 구절

필러모델들은 핵심어에 해당하지 않는 음성 구간들인 비핵심어들과 비음성, 묵음 또는 배경 잡음 구간들을 표현하는데 사용된다［6］.
A. S. Manos and V. W. Zue, "A study on out-of- vocabulary word modeling for a segment-based keyword spotting system", Master Thesis, MIT, 1996.

인용구절

인용 구절

HMM에서는 관측할 수 없는 음성의 통계적인 특성을 관측 가능한 벡터열을 통해 추정함으로서 음성의 통계적인 변이성을 반영한다[7].
김동주, 김한우, "문맥가중치가 반영된 문장 유사도 척도," 전자공학회 논문지, 제43권, 제6호, 496-504쪽, 2006년.

인용구절

인용 구절

이러한 거리 측정 방법 에는 유클리디안 알고리즘, DTW알고리즘, 바타챠랴 거리 측정 알고리즘이 사용되고 있다[8].
L. R. Bahl, P. V. deSouza, P. S. Gopalakrishnan, D. Nahamoo, and M. Picheny, "A Fast Match for Continuous Speech Recognition Using Allophonic Models", InProc. IEEE ICASSP- 92, Vol.1, pp.17-21, 1992.

인용구절

인용 구절

단순 거리 계산을 수행하는 방법이므로 실시간을 요구하는 인식과정에서는 일반적으로 동적 프로그램 기술인 비터비 코딩(Viterbidecoding) 방법을 이용하여 상태경로의 변이와 최적의 모델을 추정하여 인식한다[9].
L. R. Rabiner, B. H. Juang, "Fundamentals of speech recognition", Prentice Hall, 1993.

인용구절

인용 구절

단일한 가우시안으로는 모델링 할 수 없는 북수개의 중심점을 가지는 1차원 데이터와 2차원 환형 데이터에 대하여 견고하게 모델링된다[10].
T. Jitsuhiro, S. Takatoshi, and K. Aikawa, "Rejection of out-of-vocabulary words using phoneme confidence likelihood", ICASSP, pp.217-220, 1998.

인용구절

인용 구절

계산의 단순함과 오류의 대한 경계값을 제공함으로써 유연성을 갖는다[11].
이경록, 김철, 김진영, 최승호, 최승호, "정규화 신뢰도를 이용한 핵심어 검출 성능향상", 한국음향학회지, 제21권, 제4호, 380-386쪽, 2002년 5월.

인용구절

인용 구절

임의의 음성 특징 벡터의 관측열。티。1，。2，...,이이 사실임을 가정할 때 주어진 N-states HMM 모델에서의 상태열이 ]=心魚,…，如）라면 결국 관측열의 확률은 다음 식（H）과 같이 주어진다 [12].
김동주, 김한우, "문맥가중치가 반영된 문장 유사도 척도", 대한전자공학회논문지, 제43권, 제6호, 496-504쪽, 2006년.

인용구절

인용 구절

이러한 확률 계산은 음성 구간에 따라 모델이 지수 함수적으로 증가하는 상태 열을 갖기 때문에 쉽게 계산할 수 없고 계산량이 지나치게 방대해지므로 전향, 후향 알고리즘을 이용하여 HMM 모델의 관측열의 확률을 추정한다[13].
김상운, 신성효, "ML/MMSE를 이용한 HMM- Net 분류기의 학습에 대한 실험적 고찰",대한전자공학회논문지C, 제36C권, 제6호, 44-51쪽, 1999년 6월.

인용구절

인용 구절

혼합 거리는 비슷한 가중치를 갖는 가우시안들이 조합되기가 더 쉽기 때문에 축적된 형태로 구하게 된다 [14].
S. Young, D. Kershaw, J. Odell, D. Ollason, Valtcher, P. Woodland, "The HTK Book", Cambridge University Engineering Department, 2002.

인용구절

인용 구절

이러한 set이 남성음이 5set, 여성음이 5set으로 모두 l0set으로 구성하였다[15].
권석봉, 윤성락, 장규철, 김용래, 김봉완, 김회린, 유창동, 이용주, 권오욱, "한국어 음성인식 플랫폼(ECHOS)의 개선 및 평가", 대한음성학회지:말소리, 제59호, 53-68쪽, 2006년 9월.

원문보기 상세보기
인용구절

인용 구절

녹음된 데이터는 인식기 학습을 위해 MFCC 특성 추출 방법을 사용하였고 인식기는 SITEC에서 개발한 ECHOSL[16] 이용하였다.
최승호, "정규화 신뢰도 기반 가변 어휘 고립 단어 인식기의 거절기능 성능 분석", 한국음향학회지, 제25권, 제2호, 96-100쪽, 2006년 2월.

인용구절

인용 구절

미등록어 거절의 성능은 다음과 같은 항목을 기준으로 평가하였다[17].
K. Demuynck, J. Duchateau, and D. Van Compernolle, "A static lexicon network representation for cross-word context dependent phones", In Proc. EUROSPEECH, Vol.1, pp.143-146, 1997.

인용구절

인용 구절

표 3은 기존의 에러 패턴 학습을 이용한 방법[18,19] 인 error pattern 과 의미기반의 방법 [20] 인 semantic 그리고 본 논문의 제안 방법인 가우시안 모델 최적화의 결과를 나타내었다.
김기태, 문광식, 김회린, 이영직, 정재호, "가변어휘 단어 인식에서의 미등록어 거절 알고리즘 성능 비교", 한국음향학회지, 제20권, 제2호, 27-34쪽, 2001년 2월.

인용구절

인용 구절

표 3은 기존의 에러 패턴 학습을 이용한 방법[18,19] 인 error pattern 과 의미기반의 방법 [20] 인 semantic 그리고 본 논문의 제안 방법인 가우시안 모델 최적화의 결과를 나타내었다.
M. W. Jeong, B. C. Kim, and G. G. Lee, "Semantic-oriented error correction for spoken query processing", Proc. IEEE Workshop on ASRU, pp.156-161, Nov, 2003.

인용구절

인용 구절

표 3은 기존의 에러 패턴 학습을 이용한 방법[18,19] 인 error pattern 과 의미기반의 방법 [20] 인 semantic 그리고 본 논문의 제안 방법인 가우시안 모델 최적화의 결과를 나타내었다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

바타챠랴 거리 측정 기법을 사용한 가우시안 모델 기반 음소 인식 향상
Improving Phoneme Recognition based on Gaussian Model using Bhattacharyya Distance Measurement Method 원문보기 논문타임라인

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (20)
타임라인 바로가기

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

바타챠랴 거리 측정 기법을 사용한 가우시안 모델 기반 음소 인식 향상 Improving Phoneme Recognition based on Gaussian Model using Bhattacharyya Distance Measurement Method 원문보기 논문타임라인

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

참고문헌 (20) 타임라인 바로가기

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

인용 구절

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

바타챠랴 거리 측정 기법을 사용한 가우시안 모델 기반 음소 인식 향상
Improving Phoneme Recognition based on Gaussian Model using Bhattacharyya Distance Measurement Method 원문보기 논문타임라인

초록
AI-Helper

AI 본문요약
AI-Helper

참고문헌 (20)
타임라인 바로가기