$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

이산 Wavelet 변환을 이용한 딥러닝 기반 잡음제거기
Noise Canceler Based on Deep Learning Using Discrete Wavelet Transform 원문보기

한국전자통신학회 논문지 = The Journal of the Korea Institute of Electronic Communication Sciences, v.18 no.6, 2023년, pp.1103 - 1108  

이행우 (남서울대학교 지능정보통신공학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 음향신호의 배경잡음을 감쇠하기 위한 새로운 알고리즘을 제안한다. 이 알고리즘은 이산 웨이블릿 변환(DWT: Discrete Wavelet Transform) 후 기존의 적응필터를 대신 FNN(: Full-connected Neural Network) 심층학습 알고리즘을 이용하여 잡음감쇠 성능을 개선하였다. 입력신호를 단시간 구간별로 웨이블릿 변환한 다음 1024-1024-512-neuron FNN 딥러닝 모델을 이용하여 잡음이 포함된 단일입력 음성신호로부터 잡음을 제거한다. 이는 시간영역 음성신호를 잡음특성이 잘 표현되도록 시간-주파수영역으로 변환하고 변환 파라미터에 대해 순수 음성신호의 변환 파라미터를 이용한 지도학습을 통하여 잡음환경에서 효과적으로 음성을 예측한다. 본 연구에서 제안한 잡음감쇠시스템의 성능을 검증하기 위하여 Tensorflow와 Keras 라이브러리를 사용한 시뮬레이션 프로그램을 작성하고 모의실험을 수행하였다. 실험 결과, 제안한 심층학습 알고리즘을 사용하면 기존의 적응필터를 사용하는 경우보다 30%, STFT(: Short-Time Fourier Transform) 변환을 사용하는 경우보다는 20%의 평균자승오차(MSE: Mean Square Error) 개선효과를 얻을 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we propose a new algorithm for attenuating the background noises in acoustic signal. This algorithm improves the noise attenuation performance by using the FNN(: Full-connected Neural Network) deep learning algorithm instead of the existing adaptive filter after wavelet transform. Aft...

주제어

#잡음 제거기   #심층 학습   #이산 웨이블릿 변환  

표/그림 (7)

참고문헌 (11)

  1. H. Lee, "Nonlinear noise attenuator by adaptive？Wiener filter with neural network," J. of the？Korea Institute of Electronic Communication？Sciences, vol. 18, no. 1, 2023, pp. 71-76. 

  2. S. F. Boll and D. C. Pulsipher, "Suppression of？acoustic noise in speech using two microphone？adaptive noise cancellation," IEEE Trans. Acoust.,？Speech, Signal Processing, vol. ASSP-28, no. 6,？Dec. 1989, pp. 752-753. 

  3. W. A. Harrison, J. S. Lim, and E. Singer, "A new？application of adaptive noise cancellation," IEEE？Trans. Acoust., Speech, Signal Processing, vol.？ASSP-34, Feb. 1986, pp. 21-27. 

  4. S. Mallat and W. L. Hwang, "Singularity detection？and processing with wavelets," IEEE Trans. on？Information Theory, vol. 38, no. 2, 1992, pp. 617-643. 

  5. M. J. Shensa, "The Discrete Wavelet Transform:？Wedding the A Trous and Mallat Algorithms," IEEE？Trans. on Signal Processing, vol. 40, no. 10, 1992, pp.？2464-2482. 

  6. D. L. Donoho, "De-Noising by？Soft-Thresholding," IEEE Trans. on Information？Theory, vol. 41, no. 3, 1995, pp. 613-627. 

  7. I. Daubechies, "The Wavelet Transform？Time-Frequency Localization and Signal？Analysis," IEEE Trans. on Information Theory, vol.？36, no. 5, 1990, pp. 961-1005. 

  8. H. Lee, "Optimization of the number of filter in？CNN noise attenuator," J. of the Korea？Institute of Electronic Communication？Sciences, vol. 16, no. 4, 2021, pp. 625-632. 

  9. D. Rumelhart, G. Hinton, and R. Williams,？"Learning representations by back-propagating？errors," Cognitive modeling, vol. 5, 1988, pp. 3. 

  10. J. Schmidhuber, "Deep learning in neural？networks: An overview," Neural Networks, vol.？61, 2015, pp. 85-117. 

    상세보기

  11. Y. LeCun, L. Bottou, Y. Bengio, and P.？Haffner, "Gradient-Based Learning Applied to？Document Recognition," Proceedings of the？IEEE, vol. 86, no. 11, Nov. 1998, pp.？2278-2324. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로