[논문]나이브 베이지안 분류기를 이용한 판소리 분류 프로그램 구현

김원종; 이강복; 김명관

doi:10.7236/jiwit.2011.11.3.153

나이브 베이지안 분류기를 이용한 판소리 분류 프로그램 구현
An Implementation of Pan-So-Ri Classification Program Using Naive Bayesian Classifier 원문보기

한국인터넷방송통신학회 논문지 = The journal of the Institute of Internet Broadcasting and Communication, v.11 no.3, 2011년, pp.153 - 159

김원종 (을지대학교 의료IT마케팅학과) , 이강복 (을지대학교 의료IT마케팅학과) , 김명관 (을지대학교 의료IT마케팅학과)

초록
AI-Helper

판소리는 이야기를 노래로 부르는 우리나라의 전통음악 형식 중 하나로 두 가지 유파(동편제, 서편제)로 나누어진다. 판소리에 대한 지식이 없는 사람은 판소리를 듣고서 이 두 가지 유파를 구별해내기 어렵다. 본 논문에서는 PCD(Pitch Class Distribution)와 나이브 베이지안 분류기를 이용한 판소리 분류 프로그램 구현 과정을 기술한다. 분류기에 사용되는 속성값으로는 각 음계의 출현빈도를 이용하였다. 실험은 확률값을 반올림한 위치를 다르게 하여 두 번 실행하였으며, 그 중 보다 뛰어난 결과로 동편제를 80%, 서편제를 97%, 총 88%의 정확도로 올바르게 분류해 내는 것을 알 수 있었다. 구현한 프로그램에는 이 결과를 적용하였다.

Abstract ▼ AI-Helper

Pan-So-Ri singing a story as song is one of Korea traditional musics. it divide into two sect(east-sect, west-sect), and it is hard to classify two sect without knowledge about Pan-So-Ri. In this paper, we have propose a Pan-So-Ri classification program using PCD(Pitch Class Distribution) and Naive Bayesian Classifier. Attribute value of classifier is each appearance frequency of pitch. Experiment is conducted two time with different rounding off location of probability value. Better one show correct classification with east-sect 80%, west-sect 97%, and total accuracy of 88%. this result is used our program.

주제어

AI 본문요약
AI-Helper

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

가설 설정

나이브 베이지안 분류기는 속성 값들이 주어진 목적 값에 조건부 독립적(Conditionally Independence)이라는 가정을 기반으로 한다.^[8][11] 실제 적용시 이 가정은 맞지 않는다.
음계 추출 중 고수의 북소리와 창자의 소리가 섞여 나오는 소리 등 비정상적으로 높은 음계가 추출 될 수 있는데, 이러한 경우 그 음계를 삭제(Smoothing)한다. 음계 삭제 과정으로는 전후 음계의 연속성을 고려하여 5음계 이상 차이가 나게 될 경우 비정상적인 음계로 가정하여 삭제한다.

제안 방법

Chordia가 인디언 음악 분류를 위해 사용한 PCD는 음의 높낮이 분류 방법으로 실시간으로 연주되는 음악 내의 진동수를 이용하여 인디언 전통음악의 음계를 12가지 음으로 분류 하였다.
실시간으로 연주되는 음악을 토대로 분류해 낸 12개의 음의 분포를 이용, 기존 학습된 인디언 음악과의 음계 출현 횟수를 비교, 분석하여 연주되는 음악이 무엇인지 구별한다. 이와 같은 원리는 본 논문에서도 동일하게 적용된다.
위 과정을 토대로 60개 실험 데이터의 유파를 올바르게 구별해 낼 수 있는지 실험하였다. 실험은 추출된 확률 값을 소수점 두 번째 자리에서 반올림해서 한 번(실험 1), 소수점 첫 번째 자리에서 반올림해서 한 번(실험 2), 총 두 번에 걸쳐 진행되었다. 표 3과 표 4는 각각 실험 1과 실험 2의 판소리 분류 결과표이다.
음계는 입력된 파일의 진동수를 1/10초 단위로 구한 후, 10을 곱하는 방법으로 초당 진동수를 구하여 추출하였다. 진동수를 구하는 방법은 판소리 진폭의 영교차(zero-crossing) 횟수를 구하는 것이다.
음악의 음계 분산을 도시하는 PCD(Pitch Class Distribution)^[3][4][5]와 조건부 확률에 기초하는 분류 알고리즘인 나이브 베이지안 분류기를 이용하여 판소리 분류 프로그램 구현 과정을 기술한다.
이러한 이유로, 본 논문에서는 분류하는 유파로 동편제, 서편제만을 다루기로 하였다. 그리고 실험에서 사용되는 판소리들의 유파(동편제, 서편제)를 구분하는 데에는 판소리 전승계보^[1]를 이용하였다.
이렇게 추출된 각 음계들의 출현 빈도를 구하고, 이 출현 빈도를 이용하여 나이브 베이지안 분류기에 적용시킨다. 식(3)은 나이브 베이지안 분류기를 적용시킨 판소리 분류식이다.
추출된 각 음계의 출현 빈도에 PCD를 적용하여 도시하고, 나이브 베이지안 분류기를 통해 입력된 판소리 음악 파일의 유파를 구별해 낸다.
학습 데이터를 토대로 동편제, 서편제 각각에 PCD를 적용하였다. 그림 4, 그림 5는 PCD를 적용한 동편제, 서편제의 음계별 출현빈도를 그래프로 표현한 것이다.
학습 데이터와 실험 데이터의 판소리 음악 파일의 포맷은 wav 파일, 초당 진동수는 22050Hz, 채널은 1채널 모노로 통일 하였다.

대상 데이터

그림 2가 의미하는 것은 프로그램의 블록 다이어그램이다. 구현에 사용된 학습, 실험 데이터인 판소리 음악 파일은 모두 진동수 22050Hz, 1채널 모노 형태의 wav파일을 대상으로 하였다.
판소리 유파 분류 실험은 110개의 학습 데이터(동편제 55, 서편제 55)와 60개의 실험 데이터(동편제 30, 서편제 30)가 각 유파별 5:5 비율로 사용되었다.
판소리 음악 파일을 입력받고 각 음계의 초당 진동수를 이용하여 서양 7음계 세 개의 옥타브(C4∼B6), 총 21개 음계를 추출한다.
판소리의 아니리(명창이 말로 이야기를 하는 판소리의 한 부분) 부분은 적절한 음높이가 존재하지 않아 실험 대상에서 제외하고 실제 노래하는 부분인 창 부분으로만 학습, 실험 데이터를 구성하였다. 실험에 사용된 음원은 표 2와 같다.

이론/모형

본 논문에서는 판소리 분류 프로그램 구현을 위하여 Chordia의 인디언 음악 분류 논문^[3][4]을 참고하였다.

성능/효과

본 논문에서는 나이브 베이지안 분류기를 이용한 판소리 분류 프로그램을 구현하였으며, 동편제 80%, 서편제 97%로 전체 판소리 유파를 88%의 정확도로 구별해낼 수 있었다.
표 3, 표 4에서 보여지듯 실험1 보다 실험2에서 보다 우수한 정확도로 판소리가 분류되었고, 동편제 30개 중 24개, 서편제 30개 중 29개, 전체 60개의 실험 데이터 중 7개를 제외한 나머지 데이터들의 유파를 알맞게 구별 해냈다.

후속연구

향후 과제로는 MP3포맷과 스테레오 형식을 추가 지원하여 판소리 파일 입력의 유연성을 높이고, 나이브 베이지안 이외의 마이닝 기법 사용과 판소리의 박자(중모리, 자진모리 등) 개념을 적용하여 분류하는 것이다. 이렇게 한다면 보다 향상된 성능을 기대할 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 연구에서 다루는, 판소리의 두가지 유파는?	판소리는 이야기를 노래로 부르는 우리나라의 전통음악 형식 중 하나로 두 가지 유파(동편제, 서편제)로 나누어진다. 판소리에 대한 지식이 없는 사람은 판소리를 듣고서 이 두 가지 유파를 구별해내기 어렵다.
	Chordia가 인디언 음악 분류를 위해 사용한 PCD는 어떤 방법이며, 무엇을 이용하여 음계를 분류하였는가?	Chordia가 인디언 음악 분류를 위해 사용한 PCD는 음의 높낮이 분류 방법으로 실시간으로 연주되는 음악 내의 진동수를 이용하여 인디언 전통음악의 음계를 12가지 음으로 분류 하였다.
	본 연구에서 구현한 나이브 베이지안 분류기를 이용한 판소리 분류 프로그램의 문제점은?	현재 구현된 프로그램의 문제점은 판소리 파일의 입력이 22050Hz, 1채널 모노의 wav 파일로 제한된다는 점과 크기가 큰 파일의 경우 로딩 시간이 상당히 오래 걸린다는 점이다.

참고문헌 (15)

최동현, 판소리 이야기, 도서출판 인동, pp.44-49, 1999.
장윤정, 주제중심의 판소리 지도방안 연구, 한국국악교육연구학회 제 3회 정기총회 및 학술세미나, pp. 129-149, 2009.
P. Chordia and A. Rae, Real-time Raag Recognition for interactive music, New Interfaces for Musical Expression, 2008.
P. Chordia and A. Rae, Raag recognition using pitch-class and pitch-class dyad distributions. In Proceedings of International Conference on Music Information Retrieval, 2007.
P, Chordia and A. Rae, Automatic raag Classification of pitch-tracked performances using pitch-class and pitch-class dyad distributions. In Poceedings of International Conference on Music Information Retrieval, 2007.
서종문, 김석배, 판소리 '중고제'의 역사적 이해, 국어교육학회, 24권, pp.33-64, 1992.
이중훈, 경상도 지방을 중심으로 발달한 동편제 판소리와 송문일가인 국창 송만갑, 한국음반학, 4호, 1994.
조한철, 조근식, 나이브 베이지안 분류자와 메세지 규칙을 이용한 스팸메일 필터링 시스템, 한국 정보과학회 봄 학술논문 발표집, 29권, 1호, pp.223-225, 2002.
Mitchell Tom, Machine Learning, McGraw-Hill, Chapter 6 : Bayesian Learning, 1997.
Jon Kagstrom, Improving Naive Bayesian Spam Filtering, Mittuniversitetet, 2005
문현구, Hybrid Naive Bayes HMM 기법을 사용한 텍스트로부터의 감정 분류, 석사 학위논문, 2002.
P. Domingos and M. Pazzani. Beyond Independence: Conditions for the Optimality of the simple Bayesian Classfier. In Proc. of the 13th International Conference on Machine Learning in the New Information Age, ECML 2000.
Lawrence R. Rabiner, Michael J. Cheng, Aaron E. Rosenberg, Carol A. Mcgonegal, A Comparative Performance Study of Several Pitch Detection Algorithms, IEEE Transactions on Acoustics, Speech, and Signal Processing, VOL. ASSP-24,NO. 5, 1976.
Kristoffer Jensen, Declan Murphy, Segmenting Melodies into Notes, In Olsen, S., ed.: Proc. 10th Danish Conf. on Pattern Recognition and Image Analysis, 2001.
김형태, 보이스 오디세이, 북로드, pp135-135, 2007.

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

나이브 베이지안 분류기를 이용한 판소리 분류 프로그램 구현
An Implementation of Pan-So-Ri Classification Program Using Naive Bayesian Classifier 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

나이브 베이지안 분류기를 이용한 판소리 분류 프로그램 구현 An Implementation of Pan-So-Ri Classification Program Using Naive Bayesian Classifier 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

김명관 (15)

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

나이브 베이지안 분류기를 이용한 판소리 분류 프로그램 구현
An Implementation of Pan-So-Ri Classification Program Using Naive Bayesian Classifier 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper