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
- 3장에서 설명한 음성 특성 지표들을 조합한 지표보다 효과적인 음성 인식 성능 지표를 생성하기 위해 본연구에서는 심층 신경망을 이용한 음향 모델 확률 값을 제안한다. 제안하는 심층 신경망 모델은 입력으로 음성프레임 당 39차원의 MFCC 특징을 사용하며 출력은 깨끗한 음성과 잡음에 오염된 음성인 총 두 개의 레이블로 구성된다.
- 그러나 이러한 음성 데이터의 적합성을 판단하기 위해서는 음성 분석 분야 전문가의 자문이 필요하며, 음성신호에 대한 다양한 분석 자료의 비교가 요구된다. 본 논문에서는 이러한 음성 데이터베이스 구축 문제를 해결하기 위하여 여러 가지 지표들을 조합한 효과적인 음성 성능 지표를 제안한다. 효과적인 음성 성능 지표를 생성하기 위해 다수의 선행 연구가 진행되어 왔다[1-3].
- 본 논문은 음성 인식용 데이터베이스를 평가하기 위해 여러 가지의 음성 특성 지표 추출 알고리즘을 설명하고 새로운 음성 인식 성능 지표 생성 방법을 소개하였다. 선행 연구에서부터 효과적인 음성 인식 성능 지표를 생성하기 위해 대표적인 음성 인식 성능 지표인 단어 오인식률과 상관도가 높은 여러 가지 특성 지표들을 채택, 조합하여 새로운 성능 지표를 제안해왔다.
- 단어 오인식률은 음성 인식의 성능을 직관적으로 표현할 수 있는 대표적인 음성 성능 지표이기 때문에 단어 오인식률과 높은 상관도를 보이는 음성 특성 지표는 음성 성능 지표로 쓰이기 적합하다고 예상하였다. 본 연구에서는 단어 오인식률과 여러 가지 특성 지표들을 대체할 수 있는 효과적인 성능 지표를 생성하기 위해 다양한 음성 특성 지표를 분석하였으며, 그 중단어 오인식률과 상관도가 높은 GMM 음향 모델 확률값, SNR, PESQ, MFCC 계수 유사도를 채택하여 새로운 음성 인식 성능 지표를 생성하였다. 새로운 음성 인식 성능 지표는 식 (5)와 같이 선택된 n개의 음성 특성 지표 중 각 지표 fi를 0~1의 범위로 정규화하고 단어 오인식률과 상관도에 비례하는 가중치를 적용하여 생성하였다.
- 본 저자의 선행 연구[4, 5]에서는 다양한 특성 지표를 여러 방법으로 조합하여 보다 효과적인 음성 인식 성능 지표를 생성하기 위해 진행 된 실험들을 소개하였다. 본 연구에서는 선행 연구에서 제시하였던 조합 방법을 바탕으로 음성 인식 성능 향상을 위해 심층 신경망 기반의 음성 특성 지표를 추가한 새로운 조합을 제안한다.
- 선행 연구에서부터 효과적인 음성 인식 성능 지표를 생성하기 위해 대표적인 음성 인식 성능 지표인 단어 오인식률과 상관도가 높은 여러 가지 특성 지표들을 채택, 조합하여 새로운 성능 지표를 제안해왔다. 본 연구에서는 선행 연구에서 제안했던 음성 성능 지표의 인식 성능을 향상시키기 위해 심층 신경망 모델을 사용한 특징 지표를 조합하는 방법을 제안하였다. 조합한 음성 성능 지표는 Babble 잡음, 자동차 잡음 환경에서 모두 각 음성 특성 지표를 단독으로 사용할 때보다 단어 오인식률과 높은 상관도를 나타내었으며 선행 연구에서 제안하였던 조합보다 향상된 상관도를 보여 음성데이터베이스의 음성 인식 성능을 평가하는데 효과적임을 입증하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.