[논문]음성 명료도 향상을 위한 분류 모델의 잡음 환경 적응

정준영; 김기백

doi:10.5909/jbe.2018.23.4.511

음성 명료도 향상을 위한 분류 모델의 잡음 환경 적응
Adaptation of Classification Model for Improving Speech Intelligibility in Noise 원문보기

방송공학회논문지 = Journal of broadcast engineering, v.23 no.4, 2018년, pp.511 - 518

초록
AI-Helper

본 논문에서는 잡음 환경의 음성 신호를 시간-주파수 영역으로 분해한 후 0 또는 1로 표현되는 이진 마스크를 적용하여 음성의 명료도를 높이는 방법에 대해 다룬다. 시간-주파수 영역으로 분해된 신호에 대해 상대적으로 잡음이 많이 섞인 경우는 마스크 "0"을 할당하여 제거하고, 그렇지 않은 경우는 마스크 "1"을 할당하여 보존하는 방식을 채택한다. 이러한 이진 마스크의 추정은 가우시안 혼합 모델로 학습된 베이지안 분류기를 사용한다. 가우시안 혼합 모델 학습에 포함된 잡음 환경에 대해서는 학습된 모델을 이용하여 추정된 이진 마스크의 적용을 통해 잡음 환경에서 음성 명료도를 높일 수 있으나 학습에 포함되지 않은 잡음 환경에 대해서는 음성 명료도를 향상시키지 못하는 문제가 있다. 본 논문에서는 이러한 문제를 해결하기 위해 학습 모델을 잡음 환경에 적응시키고자 한다. 새로운 잡음 환경에 대처하고자 음성 인식에서 사용되는 대표적인 화자 적응 방법을 적용하였으며 실험을 통해 새로운 잡음 환경에 적응함을 확인하였다.

Abstract ▼ AI-Helper

This paper deals with improving speech intelligibility by applying binary mask to time-frequency units of speech in noise. The binary mask is set to "0" or "1" according to whether speech is dominant or noise is dominant by comparing signal-to-noise ratio with pre-defined threshold. Bayesian classifier trained with Gaussian mixture model is used to estimate the binary mask of each time-frequency signal. The binary mask based noise suppressor improves speech intelligibility only in noise condition which is included in the training data. In this paper, speaker adaptation techniques for speech recognition are applied to adapt the Gaussian mixture model to a new noise environment. Experiments with noise-corrupted speech are conducted to demonstrate the improvement of speech intelligibility by employing adaption techniques in a new noise environment.

주제어

AI 본문요약
AI-Helper

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

문제 정의

따라서 음질 향상을 위한 잡음 제거 연구는 주로 5~15 dB SNR 수준의 잡음 환경을 대상으로 하고 있는 반면 명료도 향상은 이보다 낮은 수준 (–5~0 dB SNR)의 심한 잡음 환경에서의 청취자에 의한 음성 인식률을 높이는 것을 목표로 한다.
해당 논문의 결과에서 보듯이 적은 양의 적응 데이터로 모델 적응이 가능하나 데이터 양이 늘어나더라도 성능 향상이 제한적임을 알 수 있다. 본 논문에서는 신호를 몇 개의 고유벡터 가중합으로 표현하여 적응시키는 eigenvoice와 달리 가우시안 모델을 직접 적응시키는 MAP (Maximum a posterior)과 가우시안 모델의 평균을 변환시키는 MLLR(Maximum Likelihood Linear Regression) 등의 보다 전통적인 화자 적응 방법을 이용하고자 한다^[15,16]. 실험을 통하여 비대각 공분산행렬 (full covariance matrix) 가우시안 혼합 모델의 적응을 위한 반복적인 MLLR 적응방법이 MAP보다 우수하고, MLLR 적용 후 순차적으로 MAP을 적용하는 것이 가장 우수한 성능 나타냄을 확인하였다.
두 가지 목적이 서로 깊은 관련이 있으나 기본적으로 다음과 같이 구분될 수 있다. 음질 향상은 잡음을 제거하여 청취자가 좀 더 편안하게 들을 수 있게 하는데 그 목적이 있다. 반면에 명료도 향상은 청취자가 음성에 담겨있는 내용을 얼마나 정확하게 의미를 파악할 수 있는가에 초점을 맞추고 있다.
성능 평가를 위해서는 알고리즘 적용 전후의 음성 명료도를 평가해야 하는데, 가장 바람직한 방법은 기존의 논문에서와 같이 정상청력을 가진 영어 원어민들을 대상으로 하는 평가이다. 피험자들에게 음성 파일을 들려주고 들은 내용을 받아 적도록 하여 얼마나 많은 단어들이 제대로 인식되었는지 평가하는 것이다. 그러나 영어 원어민 피험자들을 모집하여 청취 실험하는 것은 시간과 비용 측면에서 부담이 될 뿐만 아니라 개인 간의 오차도 발생하므로 큰 성능 향상이 있는 경우를 제외하고는 의미있는 실험 결과를 도출하기 어려운 단점이 있다.

제안 방법

음질 향상을 다루는 실험에서는 16kHz 샘플링이 널리 이용되나 음성의 내용을 파악하는 명료도를 다루는 문제에서는 그보다 낮은 12kHz 샘플링을 사용하는 것이 바람직하다. 64개의 가우시안 분포를 이용하여 가우시안 혼합 모델을 구성하였다. 사전 모델을 생성을 위하여 34가지 잡음을 이용하였고, 테스트를 위해서는 사전 모델학습에 포함되지 않은 babble, factory, speech-shaped 잡음을 사용하였다.
1절에서 설명한 실험 환경에 대해 MAP, MLLR 적응 알고리즘을 적용하였다. III장에서 설명한 MAP과 MLLR 방법을 이용하여 잡음 환경 적응 성능을 평가하였다. MAP적응 후 MLLR을 적용하거나 MLLR 후 MAP을 적용하는 실험도 추가하였다.
모델 적응에 사용된 문장 수에 대해 각 적응 방법의 성능을 그림 2에 나타내었다. MAP, MLLR과 함께 두 가지 적응 과정을 순차적으로 적용한 MAP+MLLR, MLLR+MAP결과도 포함하였다. 비교를 위해 eigenvoice(K=5)의 결과도 함께 나타내었다.
III장에서 설명한 MAP과 MLLR 방법을 이용하여 잡음 환경 적응 성능을 평가하였다. MAP적응 후 MLLR을 적용하거나 MLLR 후 MAP을 적용하는 실험도 추가하였다. 성능 평가를 위해서는 알고리즘 적용 전후의 음성 명료도를 평가해야 하는데, 가장 바람직한 방법은 기존의 논문에서와 같이 정상청력을 가진 영어 원어민들을 대상으로 하는 평가이다.
이러한 문제를 해결하기 위해 새로운 잡음 데이터를 점진적으로 모아서 학습시키는 점증 학습 (incremental training) 방법이 제안되었다^[12]. 가우시안 혼합 모델 (Gaussian Mixutre Model: GMM)의 파라미터들을 재귀적 베이즈 추정 방식의 유사베이즈 (quasi-Bayes) 방법으로 추정하기 위해 여러 개의 하이퍼 파라미터를 설정하고 순차적으로 계산한 후, 이들 파라미터들로부터 각 가우시안 분포의 가중치, 평균벡터, 분산행렬 등을 구한다. 이러한 점증 학습 방법으로 새로운 잡음 환경에 대해 이진 마스크 추정 성능이 점진적으로 향상됨을 확인하였다.
그러나 영어 원어민 피험자들을 모집하여 청취 실험하는 것은 시간과 비용 측면에서 부담이 될 뿐만 아니라 개인 간의 오차도 발생하므로 큰 성능 향상이 있는 경우를 제외하고는 의미있는 실험 결과를 도출하기 어려운 단점이 있다. 따라서 본 실험에서는 청취 실험 대신 추정된 이진 마스크의 정검출율(Hit)과 오검출율(False Alarm:FA)을 계산하여 그 차이(Hit-FA)로서 성능을 평가한다. Hit는 실제 마스크가 “1”인 영역이 “1”로 추정되는 비율이며, FA는 실제 마스크가 “0”인 영역이 “1”로 잘못 추정되는 비율이다.
본 논문에서는 잡음 환경 음성에 대해 이진 마스크 적용을 통한 음성 명료도를 향상하는 방법 중, 사전 모델 생성을 위한 학습에 포함되지 않은 새로운 잡음 환경에 적응시키기 위해 음성 인식에서 사용하는 대표적인 화자 적응 방법을 이용하였다. 음성 신호에 비해 다양한 잡음 신호의 특성상, 고유값분해를 통한 고유벡터를 이용한 eigenvoice 적응 방법보다는 적응 데이터에 의존하는 MAP, MLLR 방법이 더 효과적임을 확인할 수 있었다.
Eigenvoice 방법은 여러 잡음 환경에 대해 학습된 가우시안 혼합 모델로부터 가우시안 분포들의 평균벡터를 연결하여 생성한 슈퍼벡터를 사용한다. 이렇게 생성된 슈퍼벡터들을 PCA (Principal Component Analysis) 분석을 통해 eigenvoice를 추출한다. 이렇게 추출된 eigenvoice의 가중합과 여러 잡음 환경 데이터를 이용하여 만든 모델을 결합하여 새로운 환경의 가우시안 평균벡터를 추정한다.
이렇게 생성된 슈퍼벡터들을 PCA (Principal Component Analysis) 분석을 통해 eigenvoice를 추출한다. 이렇게 추출된 eigenvoice의 가중합과 여러 잡음 환경 데이터를 이용하여 만든 모델을 결합하여 새로운 환경의 가우시안 평균벡터를 추정한다. 이와 같은 eigenvoice 적응 방법은 고유 벡터의 가중치만 구하면 되므로 추정해야 할 파라미터의 수가 적고 그에 따라 음성 인식의 화자 적응에서는 적은 양의 데이터에 대해서도 높은 성능을 나타내는 것으로 알려져 있다^[14].
각 주파수 대역에 대해 32ms (128샘플) 동안의 전력 스펙트럼들을 모아서 다시 Hann 윈도우를 적용하고, 이러한 과정을 16ms마다 진행하여 수행하게 된다. 이제 Hann 윈도우를 적용한 128개의 데이터에 128개의 제로를 추가하여 256 샘플을 만든 후, 256 포인트 FFT를 적용한다. 이 후, 절대값을 취하여 진폭 변조 스펙트럼을 얻는다.
학습 데이터로부터 가우시안 혼합 모델을 사용하여 마스크 “0”과 “1”에 해당하는 모델(λ0 , λ1)을 생성하고, 이진 마스크를 분류할 시간-주파수 영역의 특징 벡터(AMS)가 주어지면 “0”과 “1”로 분류될 사후 확률 (posterior prob- ability)을 각각 구한 후, 두 확률값을 비교하여 마스크를 결정한다.

대상 데이터

Babble은 남녀 각각 10명이 동시에 서로 다른 문장을 읽는 것을 혼합하여 생성하였고, factory 잡음은 NOISEX 데이터베이스에서 발췌하였다[20]. NOISEX 데이터베이스는 20kHz 샘플링 주파수로 수집되었으며 본 실험에서는 12kHz로 다운 샘플링되었다. Speech-shaped 잡음은 IEEE 데이터베이스 음성 데이터들의 평균 스펙트럼을 갖도록 백색 잡음을 변조한 stationary 잡음이다.
사전 모델 생성을 위한 학습 데이터로 200 개의 문장을 사용하였고, 신호 대 잡음비 –5, 0, 5 dB 등으로 잡음을 섞어 학습 데이터를 생성하였다.
64개의 가우시안 분포를 이용하여 가우시안 혼합 모델을 구성하였다. 사전 모델을 생성을 위하여 34가지 잡음을 이용하였고, 테스트를 위해서는 사전 모델학습에 포함되지 않은 babble, factory, speech-shaped 잡음을 사용하였다. Babble은 남녀 각각 10명이 동시에 서로 다른 문장을 읽는 것을 혼합하여 생성하였고, factory 잡음은 NOISEX 데이터베이스에서 발췌하였다[20].
잡음 환경 적응 테스트를 위해서 –5dB 10개 문장부터 10개씩 증가시키며 50개 문장까지 사용하였다.

이론/모형

1절에서 설명한 실험 환경에 대해 MAP, MLLR 적응 알고리즘을 적용하였다. III장에서 설명한 MAP과 MLLR 방법을 이용하여 잡음 환경 적응 성능을 평가하였다.
본 논문에서 사용하는 특징벡터는 Tchorz와 Kollmeier에 의해 제안된 방법을 변형한 진폭 변조 스펙트로그램 (AMS: Amplitude Modulation Spectrogram)으로서[17,18] 구체적인 추출 과정은 그림 1로 정리할 수 있으며 각 과정에 대한 설명은 다음과 같다.
. 본 논문에서는 비대각 공분산 행렬을 가진 가우시안 혼합 모델의 MLLR 적응을 위해 Povey와 Saon에 의해 제안된 반복적인 (iterative) 방법에 의한 W 업데이트 방법을 이용한다^[15]. 이 방법에서는 먼저, 식(6)과 같은 보조 함수를 설정한다.
추출된 특징 벡터를 입력으로 하여 마스크 “0” 또는 “1” 로 분류하기 위해서는 베이지안 (Bayesian) 분류기를 사용한다.

성능/효과

음성 신호에 비해 다양한 잡음 신호의 특성상, 고유값분해를 통한 고유벡터를 이용한 eigenvoice 적응 방법보다는 적응 데이터에 의존하는 MAP, MLLR 방법이 더 효과적임을 확인할 수 있었다. 또한 두 가지 적응 방법을 순차적으로 적용하여 추가 성능 향상을 기대할 수 있음을 확인하였다.
테스트 잡음 환경이 초기 모델에 포함되어 있는 경우의 성능[7]에는 미치지 못하나, 문장의 개수를 늘려가며 환경 적응시킨 결과 40% 이상으로 성능이 확연히 향상된 것을 알 수 있다. 모든 적응 방법에 대해 적응 데이터 양의 증가에 따라 성능이 향상되는 것을 확인할 수 있으며, MLLR이 MAP보다 우수한 성능을 보이며, MLLR 후에 추가로 MAP 적응을 적용하여 추가 성능 향상을 기대할 수 있음을 확인하였다.
본 논문에서는 신호를 몇 개의 고유벡터 가중합으로 표현하여 적응시키는 eigenvoice와 달리 가우시안 모델을 직접 적응시키는 MAP (Maximum a posterior)과 가우시안 모델의 평균을 변환시키는 MLLR(Maximum Likelihood Linear Regression) 등의 보다 전통적인 화자 적응 방법을 이용하고자 한다^[15,16]. 실험을 통하여 비대각 공분산행렬 (full covariance matrix) 가우시안 혼합 모델의 적응을 위한 반복적인 MLLR 적응방법이 MAP보다 우수하고, MLLR 적용 후 순차적으로 MAP을 적용하는 것이 가장 우수한 성능 나타냄을 확인하였다.
본 논문에서는 잡음 환경 음성에 대해 이진 마스크 적용을 통한 음성 명료도를 향상하는 방법 중, 사전 모델 생성을 위한 학습에 포함되지 않은 새로운 잡음 환경에 적응시키기 위해 음성 인식에서 사용하는 대표적인 화자 적응 방법을 이용하였다. 음성 신호에 비해 다양한 잡음 신호의 특성상, 고유값분해를 통한 고유벡터를 이용한 eigenvoice 적응 방법보다는 적응 데이터에 의존하는 MAP, MLLR 방법이 더 효과적임을 확인할 수 있었다. 또한 두 가지 적응 방법을 순차적으로 적용하여 추가 성능 향상을 기대할 수 있음을 확인하였다.
가우시안 혼합 모델 (Gaussian Mixutre Model: GMM)의 파라미터들을 재귀적 베이즈 추정 방식의 유사베이즈 (quasi-Bayes) 방법으로 추정하기 위해 여러 개의 하이퍼 파라미터를 설정하고 순차적으로 계산한 후, 이들 파라미터들로부터 각 가우시안 분포의 가중치, 평균벡터, 분산행렬 등을 구한다. 이러한 점증 학습 방법으로 새로운 잡음 환경에 대해 이진 마스크 추정 성능이 점진적으로 향상됨을 확인하였다. 그러나 이러한 방법은 점진적으로 성능이 향상되기는 하지만 적은 양의 데이터를 이용한 초기학습 과정에서는 충분한 성능을 발휘하지 못하는 단점이 있다.
잡음 환경 적응 전 모델에 대해서는 20% 내외의 낮은 Hit-FA 성능을 나타내었다. 테스트 잡음 환경이 초기 모델에 포함되어 있는 경우의 성능[7]에는 미치지 못하나, 문장의 개수를 늘려가며 환경 적응시킨 결과 40% 이상으로 성능이 확연히 향상된 것을 알 수 있다. 모든 적응 방법에 대해 적응 데이터 양의 증가에 따라 성능이 향상되는 것을 확인할 수 있으며, MLLR이 MAP보다 우수한 성능을 보이며, MLLR 후에 추가로 MAP 적응을 적용하여 추가 성능 향상을 기대할 수 있음을 확인하였다.
이와 같은 아이디어는 음성 신호에는 효과적으로 적용되었으나, 잡음의 형태는 음성 신호보다 훨씬 다양하여 몇 개의 고유 벡터의 가중합으로 표현하는데 한계가 있다. 해당 논문의 결과에서 보듯이 적은 양의 적응 데이터로 모델 적응이 가능하나 데이터 양이 늘어나더라도 성능 향상이 제한적임을 알 수 있다. 본 논문에서는 신호를 몇 개의 고유벡터 가중합으로 표현하여 적응시키는 eigenvoice와 달리 가우시안 모델을 직접 적응시키는 MAP (Maximum a posterior)과 가우시안 모델의 평균을 변환시키는 MLLR(Maximum Likelihood Linear Regression) 등의 보다 전통적인 화자 적응 방법을 이용하고자 한다^[15,16].

질의응답

핵심어	질문	논문에서 추출한 답변
	MAP 적응 방법의 역할은?	ML 방법에서는 관찰 데이터를 랜덤 벡터로 가정하고 각 모델에 대한 likelihood가 최대가 되도록 하는 모델 파라미터를 찾는다. 이와 달리 MAP 적응 방법은 모델 파라미터를 랜덤 벡터로 가정하고, 데이터의 변화에 따른 확률 분포 함수의 변화에 따라 사후 확률 분포(posterior distribution)가 최대가 되는 모델 파라미터를 찾는다. 관찰 데이터가 적을 때는 사전 확률 분포가 최대가 되는 파라미터를 선택하고, 데이터가 늘어날수록 사전 확률 분포의 영향은 줄어들면서 ML의 결과에 수렴하게 된다.
	Eigenvoice의 기본 아이디어는 사전에 구한 고유 벡터에 대한 의존도가 높은데 어떠한 이유로 그러한가?	이와 같은 eigenvoice 적응 방법은 고유 벡터의 가중치만 구하면 되므로 추정해야 할 파라미터의 수가 적고 그에 따라 음성 인식의 화자 적응에서는 적은 양의 데이터에 대해서도 높은 성능을 나타내는 것으로 알려져 있다[14]. Eigenvoice의 기본 아이디어는 신호의 특성을 몇 개의 주된 모델의 가중합으로 나타낼 수 있다는 사실을 전제로 하여 사전에 구한 고유 벡터에 대한 의존도가 높다. 이와 같은 아이디어는 음성 신호에는 효과적으로 적용되었으나, 잡음의 형태는 음성 신호보다 훨씬 다양하여 몇 개의 고유 벡터의 가중합으로 표현하는데 한계가 있다.
	점증 학습 방법의 단점은 무엇인가?	이러한 점증 학습 방법으로 새로운 잡음 환경에 대해 이진 마스크 추정 성능이 점진적으로 향상됨을 확인하였다. 그러나 이러한 방법은 점진적으로 성능이 향상되기는 하지만 적은 양의 데이터를 이용한 초기학습 과정에서는 충분한 성능을 발휘하지 못하는 단점이 있다.

참고문헌 (20)

Y. Hu and P. Loizou, "Subjective comparison and evaluation of speech enhancement algorithms," Speech communication, vol. 49, no. 7, pp. 588-601, Jul. 2007. https://doi.org/10.1016/j.specom.2006.12.006

상세보기
Y. Hu and P. Loizou, "Evaluation of objective quality measures for speech enhancement," IEEE Transactions on Speech and Audio Processing, vol. 16, no. 1, pp. 229-238, 2008. https://doi.org/10.1109/tasl.2007.911054

상세보기
Y. Hu and P. Loizou, "A comparative intelligibility study of single-microphone noise reduction algorithms." The Journal of the Acoustical Society of America, vol. 122, no. 3, p. 1777, Sep. 2007. https://doi.org/10.1121/1.2766778

상세보기
G. Brown and M. Cooke, "Computational auditory scene analysis," Computer speech and language, vol. 8, pp. 297-336, 1994 https://doi.org/10.1006/csla.1994.1016

상세보기
G. Brown and M. Cooke, "Computational auditory scene analysis," Computer speech and language, vol. 8, pp. 297-336, 1994 https://doi.org/10.1109/9780470043387

상세보기
D. Wang, "On ideal binary mask as the computational goal of auditory scene analysis," In Divenyi P. (ed.), Speech Separation by Humans and Machines, pp. 181-197, Kluwer Academic, Norwell MA, 2005. https://doi.org/10.1007/0-387-22794-6_12
G. Kim. Y. Lu, Y. Hu and P. Loizou, "An algorithm that improves speech intelligibility in noise for normal-hearing listeners," The Journal of the Acoustical Society of America, vol. 126, no. 3, pp 1486-1494, 2009. https://doi.org/10.1121/1.3184603

상세보기
Y. Hu, P. Loizou, "Environment-specific noise suppression for improved speech intelligibility by cochlear implant users", The Journal of the Acoustical Society of America, vol. 127, no. 6, pp 3689-3695, 2010. https://doi.org/10.1121/1.3365256

상세보기
K. Han, D. Wang, "A classification based approach to speech segregation", The Journal of the Acoustical Society of America, vol. 132, no. 5, pp 3475-3483, 2012. https://doi.org/10.1121/1.4754541

상세보기
Y. Wang, K. Han, D. Wang, "Exploring monaural features for classification-based speech segregation", IEEE Transactions on Audio, Speech, and Language Processing, vol. 21, no. 2, pp 270-279, 2013. https://doi.org/10.1109/tasl.2012.2221459

상세보기
G. Kim, "A Post-processing for Binary Mask Estimation Toward Improving Speech Intelligibility in Noise," Journal of Broadcast Engineering, Vol. 18, No.2, pp.311-318, March, 2013. https://doi.org/10.5909/jbe.2013.18.2.311

원문보기 상세보기
G. Kim, P. Loizou, "Improving speech intelligibility in noise using environment optimized algorithms", IEEE Transactions on Audio, Speech, and Language Processing, vol. 18, no. 8, pp 2080-2090, 2010. https://doi.org/10.1109/tasl.2010.2041116

상세보기
G. Kim, "Eigenvoice Adaptation of Classification Model for Binary Mask Estimation," Journal of Broadcast Engineering, Vol.20, No.1, pp.164-170, 2015. https://doi.org/10.5909/jbe.2015.20.1.164

원문보기 상세보기
R. Kuhn, J. Junqua, P. Nguyen, N. Niedzielski, "Rapid Speaker Adaptation in Eigenvoice Space," IEEE Transactions on Speech and Audio Proceeding, vol. 8, no. 6, pp. 695-707, November 2000. https://doi.org/10.1109/89.876308

상세보기
D. Povey and G. Saon, "Feature and model space speaker adaptation with full covariance Gaussians," Proceedings of Interspeech, USA, september 2006.
K. Shinoda, "Speaker Adaptation Techniques for Speech Recognition Using Probabilistic Models," Electronics and Communications in Japan, Part 3, Vol. 88, No. 12, pp.25-42, 2005. https://doi.org/10.1002/ecjc.20207

상세보기
J. Tchorz and B. Kollmeier, "Estimation of the signal-to-noise ratio with amplitude modulation spectrograms," Speech Communication, vol. 38, no. 1-2, pp. 1-17, Sep. 2002. https://doi.org/10.1016/s0167-6393(01)00040-1

상세보기
J. Tchorz and B. Kollmeier, "SNR estimation based on amplitude modulation analysis with applications to noise suppression," IEEE Transactions on Speech and Audio Processing, vol. 11, no. 3, pp. 184-192, May 2003. https://doi.org/10.1109/tsa.2003.811542

상세보기
IEEE, "IEEE recommended practice for speech quality measurements," IEEE Trans. Audio Electroacoust., vol. 17, pp. 225-246, 1969. https://doi.org/10.1109/tau.1969.1162058

상세보기
A. Varga and H. J. M. Steeneken, "Assessment for automatic speech recognition: II. NOISEX-92: A database and an experiment to study the effect of additive noise on speech recognition systems," Speech Communication, vol. 12, pp. 247-251, 1993. https://doi.org/10.1016/0167-6393(93)90095-3

상세보기

저자의 다른 논문 :

LOADING...

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