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
- 본 논문에서는 많은 화자로부터 음운 현상이 충분히 반영된 음성 데이터베이스를 가지고 시스템의 훈련성을 확보하기 위해 상태 수준 공유 방법인 결정 트리 방법과 유사 음소 모델을 제공하여 훈련 중에 나타나지 않는 음소에 대한 문제점을 해결하였다. 결정 트리 방법을 사용하여 음운 현상을 반영한 음향 모델을 단위 모델로 학습하고, 인식 음소의 추가 및 변경 등의 관리 작업을 용이하게 처리한다.
- 본 논문에서는 어휘 인식 데이터베이스를 가지고 결정 트리 방법과 유사 음소 모델 지원을 위한 스키마 관리를 통해 결정 트리 방법을 보다 효율적으로 지원하는 방법을 제안하였다.
제안 방법
- 생성된 모델들로부터 결정트리 방법을 이용하여 모델의 재생성 과정을 줄이고 강인하고 정확한 음향 모델링을 제공한다.
- 다음의 스키마 검색 알고리즘은 인식 대상 어휘로부터 트리 및 프로세스 관리를 통해 결정 트리 방법을 보다 효율적으로 지원한다. 검색 알고리즘 또한 이진 탐색 트리를 방법을 따르게 되어 비교하고자 하는 노드를 찾고 좌,우의 노드를 확인한 후 검색한다.
- 결정 트리 처리 지원을 위해서 스키마 변경 관리를 사용하며, 본 연구는 스키마 변경 관리를 위해 트리 및 의미론적 DB 스키마를 대상으로 적용하였다. 결정 트리 및 처리 지원을 위한 스키마 관리를 통하여 어휘 인식 시스템에서 모델을 재 수집하여 모델링하는 시간과 비용을 줄일 수 있으며 재 생성하는 과정을 효과적인 결정 트리방법으로 해결할 수 있다.
- 생성된 모델들로부터 결정트리 방법을 이용하여 모델의 재생성 과정을 줄이고 강인하고 정확한 음향 모델을 제공한다. 또한 제안된 시스템의 사용으로 시스템에서 기존에 생성되어진 음향 모델에 추가적으로 유사 음소 모델을 생성하여 제공하므로 음성 인식에 강인한 음향 모델을 구성하여 제공한다. 결정 트리 방법을 사용하여 음운 현상을 충분히 반영하고, 음향 모델 학습을 통하여 단위 모델로 학습하고 인식 음소가 추가 및 변경되어도 인식할 수 있는 장점을 가진다.
- 생성된 모델들로부터 결정트리 방법을 이용하여 모델의 재생성 과정을 줄이고 강인하고 정확한 음향 모델을 제공한다. 또한 제안된 시스템의 사용으로 시스템에서 기존에 생성되어진 음향 모델에 추가적으로 유사 음소 모델을 생성하여 제공하므로 음성 인식에 강인한 음향 모델을 구성하여 제공한다. 결정 트리 방법을 사용하여 음운 현상을 충분히 반영하고, 음향 모델 학습을 통하여 단위 모델로 학습하고 인식 음소가 추가 및 변경되어도 인식할 수 있는 장점을 가진다.
- 본 논문에서 제안한 결정 트리 방법을 적용하여 어휘인식 성능 실험을 수행하였다. 실험 환경과의 불일치 문제를 해결하기 위해 잡음처리는 워너 필터를 사용하였다.
- 본 연구에서 제안한 시스템의 처리를 위해서는 문맥독립 어휘 모델을 대상으로 상태 기반 공유를 수행한 다음 유사 음소 어휘 모델을 구성한다. 상태 기반 공유의 주요처리를 위해서는 어휘 모델에 대한 클러스터링 작업을 수행하고 나서 결정 트리를 생성하고 관리하며, 이를 위해 유사 음소 처리 지원을 위한 스키마 변경 관리를 수행한다.
- 이러한 인식률 저하는 어휘 인식 시스템의 성능으로 연결되어지므로 모델들로부터 새로운 모델을 생성하기 위하여 결정트리 방법을 사용하여 훈련 중에 나타나지 않는 모델들에 적용한다. 생성된 모델들로부터 결정트리 방법을 이용하여 모델의 재생성 과정을 줄이고 강인하고 정확한 음향 모델을 제공한다. 또한 제안된 시스템의 사용으로 시스템에서 기존에 생성되어진 음향 모델에 추가적으로 유사 음소 모델을 생성하여 제공하므로 음성 인식에 강인한 음향 모델을 구성하여 제공한다.
- 결정 트리 및 처리 지원을 위한 스키마 관리를 통하여 어휘 인식 시스템에서 모델을 재 수집하여 모델링하는 시간과 비용을 줄일 수 있으며 재 생성하는 과정을 효과적인 결정 트리방법으로 해결할 수 있다. 스키마 변경사항이 발생하였을 때는 조회 작업을 수행하고, 스키마의 새로운 테이블의 삽입이 있을 시는 자동으로 버전을 부여하여 관리할 수 있도록 하였으며 삽입 알고리즘은 다음과 같다.
대상 데이터
- 인식 실험은 서울 시내의 지역 명 50개로 구성한 인식 목록을 사용하였다.
- 인식 실험은 서울 시내의 지역 명 50개로 구성한 인식 목록을 사용하였다. 실험을 위한 모델링 음성은 실내 5명, 실외 5명 등 총 10명의 성인 남성의 음성을 모델링 하였다. 인식 실험을 위해 캠브리지 대학에서 만든 HTK(Hidden Markov models toolKit)[13]를 사용하여 실험하였다.
이론/모형
- 상태 기반 공유의 주요처리를 위해서는 어휘 모델에 대한 클러스터링 작업을 수행하고 나서 결정 트리를 생성하고 관리하며, 이를 위해 유사 음소 처리 지원을 위한 스키마 변경 관리를 수행한다. 생성된 결정 트리에서 가장 비슷한 것을 찾기 위해 Euclidean 측정법[10]과 Bhattachayya 거리 측정법[11]을 혼합한 거리 측정법을 사용하였다. Euclidean 측정법은 식(3)과 같이 사용된다.
- 실험을 위한 모델링 음성은 실내 5명, 실외 5명 등 총 10명의 성인 남성의 음성을 모델링 하였다. 인식 실험을 위해 캠브리지 대학에서 만든 HTK(Hidden Markov models toolKit)[13]를 사용하여 실험하였다.
성능/효과
- 또한 제안된 시스템의 사용으로 시스템에서 기존에 생성되어진 음향 모델에 추가적으로 유사 음소모델을 생성하여 제공하므로 음성 인식에 강인한 음향모델을 구성하여 제공한다. 결정 트리 방법을 사용하여 음운 현상을 반영한 음향 모델을 단위 모델로 학습하고, 인식 어휘의 추가 및 변경 등의 관리 작업을 용이하게 처리하였으며, 결정 트리 방법을 사용하여 하나의 음소가 주어졌을 때 루트 노드에서부터 시작하여 트리 순회를 통하여 하나의 모델을 선택할 수 있었으며 프로세스 관리를 통해 결정 트리 방법을 보다 효율적으로 사용할 수 있었다. 제안된 방법으로 실내 환경에 대하여 어휘 종속인식 실험에서는 97.
- 결정 트리 방법을 사용하여 음운 현상을 반영한 음향 모델을 단위 모델로 학습하고, 인식 음소의 추가 및 변경 등의 관리 작업을 용이하게 처리한다. 또한, 스키마를 사용하여 하나의 음소가 주어졌을 때 루트노드에서부터 시작하여 현재의 문맥에 관한 질문의 결과에 따라 다음 노드를 선택하는 방식의 트리 순회를 통하여 하나의 모델을 선택하게 하는 알고리즘을 제공하여 인식 성능이 저하되는 모델의 문제점 해결하고 유사 음소를 효율적으로 지원한다.
- 본 연구에서 제안된 방법으로 실내 환경에 대하여 어휘 종속 인식과 어휘 독립 인식 실험을 수행한 결과 실내 환경의 어휘 종속 실험에서는 98.3%의 인식 성능을 보였고, 어휘 독립 실험에서 98.4%의 인식 성능을 보였다. 제 2장에서는 어휘 인식 시스템에 대해 간략히 소개하고, 제 3장에서는 본 논문에서 제안한 프로세스 모델링에 대하여 설명한다.
- 4%로 나타났다. 어휘 독립 인식률에서도 DTW와 Euclidean는 각각 91.7%와 94.1%로 나타났고 제안한 방법은 95.3%로 나타났다.
- 7%로 나타났다. 어휘 독립인식률에서도 DTW와 Euclidean은 각각 96.3%와 965.5%로 나타났고 제안한 방법은 97.7%로 나타났다.
- 결정 트리 방법을 사용하여 음운 현상을 반영한 음향 모델을 단위 모델로 학습하고, 인식 어휘의 추가 및 변경 등의 관리 작업을 용이하게 처리하였으며, 결정 트리 방법을 사용하여 하나의 음소가 주어졌을 때 루트 노드에서부터 시작하여 트리 순회를 통하여 하나의 모델을 선택할 수 있었으며 프로세스 관리를 통해 결정 트리 방법을 보다 효율적으로 사용할 수 있었다. 제안된 방법으로 실내 환경에 대하여 어휘 종속인식 실험에서는 97.7%의 인식 성능을 보였고, 실외 환경에 대하여 어휘 종속 인식률은 94.4%, 어휘 독립 인식률은 95.3%로 나타났다.
- 표 1에서와 같이 시스템 성능 평가 결과 어휘 종속 인식률은 DTW와 Euclidean에서 각각 95.8%와 96.2%로 측정되었으며 제안한 방법은 97.7%로 나타났다. 어휘 독립인식률에서도 DTW와 Euclidean은 각각 96.
- 표 2의 실험은 실외 환경이 70∼75dB의 소음환경 하에서 실험하였으며 어휘 종속 인식률은 DTW와 Euclidean에서 각각 92,1%와 91.1%로 나타났고 제안한 방법은 94.4%로 나타났다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.