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.
제안 방법
- 또한 최대/최소값 들이 에너지 감소 방향으로 수렴하는 음량의 범위(dynamic)를 감소시키는 envelope의 경사도의 정의 도 경험적이기 때문에 문제가 될 수 있다. 따라서 본 논문에서는 고주파, 저주파 영역에서의 envelope 대신 에너지 제곱 누적 값 올 특징으로 사용한다.
- 본 논문에서는 특징 파라미터들을 사용하는데 있어서 임계 값 을 경험적으로 정하는 불편함과 부정확성을 보완하기 위해 신경망을 이용한다. 신경망의 지도학습을 통해 각 노드에서의 임계값과 연결 가중치를 자동적으로 학습하여 오류를 최소화한다.
- 이 중에서 ZCR, LCR, PVR 등은 초기 연구단계부터 사용되던 특징들로 시간 축 위에서 얻어지는 데이터들이며 잡음 등에 민감한 특성을 가지고 있다. 본 논문에서도 ZCR올 사용하지만 잡음에 민감한 단점을 감소시키기 위해 이동평균(Moving Average)를 사용하여 시간축 상에서의 음성 데이터의 추이 정보를 사용한다. 또한 Env이ope을 이용한 음성 경계 추출 방법[6]의 경우 특징들의 임계 값을 경험적으로 결정하고 조건 구성을 사람이 직접 해야 한다는 단점이 있다.
대상 데이터
- 본 논문에서는 자체 수집한 20개의 5초~10 이내의 연속음성 문장을 사용하여 실험하였다. 16k니 z PCM 형식으로 녹음되었다. 신경망의 지도 학습을 위해서 10개의 문장이 사용되었고 음성의 경계 부분은 사람이 칙접 표시를 하였다.
- 본 논문에서는 자체 수집한 20개의 5초~10 이내의 연속음성 문장을 사용하여 실험하였다. 16k니 z PCM 형식으로 녹음되었다.
- 10 포인트 이동평균을 사용하였고 초기 9개의 데이터는 잡음으로 간주하여 0으로 초기화하였다. 주파수 변환을 위해서 DCT를 이용하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.