[논문]웨이블렛 변환을 이용한 음성특징 추출에 관한 연구

정의준; 장성욱; 양성일; 권영헌

문제 정의

본 논문에선 MFCC 특징벡터를 이용한 인식 실험과 웨이블렛 변환을 이용한 특징벡터를 가지고 인식 실험을 한 것을 비교해 보았다.
본 논문에선 MFCC 특징벡터를 이용항 인식 실험과 웨이블렛 변환을 이용한 특징벡터를 가지고 인식 실험을 한 것을 비교해 보았다.
본 논문에선 웨이블렛 변환에 대해 서술하고, MFCC 특징벡터와 웨이블렛 변환을 이용한 특징벡터 추출에 대해 다루며, 특징벡터 추출에 대한 실험과정에 대해 기술한다. 마지막으로 실험결돠 및 결론을 언급한다.
본 논문에선 웨이블렛 변환에 대해 서술하고, MFCC 특징벡터와 웨이블렛 변환을 이용한 특징벡터 추출에 대해 다루며, 특징벡터 추출에 대한 실험과정에 대해 기술한다. 마지막으로 실험결돠 및 결론을 언급한다.

제안 방법

Mallet tree는 six-stage two-band로 구성하였으며 음성프레임의 에너지 값을 포함해서 총 9차의 벡터를 구성하였다. 또한 이들 값의 1차, 2차 도함수를 구하여 전체 특징벡터의 차수는 27차로 구성하여 인식에 사용하였다.
와 같이 임펄스 응답과 신호의 convolution과 decimation의 과정을 거치면서 신호를 분석해 나간다.
와 같이 임펄스 응답과 신호의 convolution과 decimation의 과정을 거치면서 신호를 분석해 나간다.
위에서 언급하였듯이 웨이블렛 변환을 이용한 특징 벡터는 에서와 같은 tree 구조로 신호를 low pass fiter와 high pass filter를 이용하여 신호를 분석하 고 decimation을 취한 후 다시 low pass filtering 한 값 을 high pass filter와 low pass filter를 이용하여 신호 를 분석해 나간다.
위에서 언급하였듯이 웨이블렛 변환을 이용한 특징 벡터는 에서와 같은 tree 구조로 신호를 low pass fiter와 high pass filter를 이용하여 신호를 분석하 고 decimation을 취한 후 다시 low pass filtering한 값 을 high pass filter와 low pass filter를 이용하여 신호를 분석해 나간다.
음성신호를 파라미터화 하기 위해서 Mallet Algorithm을 이용하여 신호를 분석해 나간다 [4]. 원래의 샘플 시퀀스를 x(k), 각 필터 뱅크의 임펄스 응답을 각각 h₀(k) (low-pass filter), h₁(k) (high-pass filter) 라고 하면 다음과 같은 방식에 의해 신호를 분석 할 수 있다.
위에서 언급하였듯이 웨이블렛 변환을 이용한 특징 벡터는 <그림 2>에서와 같은 tree 구조로 신호를 low pass fiter와 high pass filter를 이용하여 신호를 분석하 고 decimation을 취한 후 다시 low pass filtering한 값 을 high pass filter와 low pass filter를 이용하여 신호를 분석해 나간다. 이러한 Mallet tree를 이용하여 신호의 다해상도 해석을 통한 분석을 한 후 그 계수 벡터의 에너지값의 로그값을 구한다. 다음으로 DCT를 취해서 특징벡터로 구성을 한다.
위에서 언급하였듯이 웨이블렛 변환을 이용한 특징 벡터는 <그림 2>에서와 같은 tree 구조로 신호를 low pass fiter와 high pass filter를 이용하여 신호를 분석하 고 decimation을 취한 후 다시 low pass filtering한 값 을 high pass filter와 low pass filter를 이용하여 신호를 분석해 나간다. 이러한 Mallet tree를 이용하여 신호의 다해상도 해석을 통한 분석을 한 후 그 계수 벡터의 에너지값의 로그값을 구한다. 다음으로 DCT를 취해서 특징벡터로 구성을 한다.
특징벡터로는 MRA (Multi Resolution AnalysisX 이용하여 필터 에너지와 음성 프레임의 에너지를 구하여 9차의 특징벡터를 추출하고 이에 대한 1차, 2차 도함수를 계산하여 총 27차의 벡터를 이용하였다.

대상 데이터

본 논문의 음소모델은 한국어 음소로서 초성, 중성, 종성, 묵음, 잡음 등으로 지정한 50개의 음소모델을 가지고 인식을 하였다. 특징벡터로는 MRA (Multi-Resolution Analysis)를 이용하여 필터 에너지와 음성 프레임의 에너지를 구하여 9차의 특징벡터를 추출하고 이에 대한 1차, 2차 도함수를 계산하여 총 27차의 벡터를 이용하였다.
실험에 사용한 음성데이터는 남성 화자가 신문을 낭독한 것으로 실험했다.
실험에서 사용한 특징 파라미터는 MFCC(12차)+음성 프레임 에너지(1차), 1차, 2차의 도함수 값을 포함하여 모두 39(13*3)차를 사용하였다. MFCC의 도함수 값들은 음성의 시변 특성을 보다 잘 반영하기 위해 사용되는 값들이며 그것들은 다음과 같은 식으로 나타낼 수 있다.
실험에서 사용한 특징 파라미터는 MFCCU2차)+음성 프레임 에너지(1차), 1차, 2차의 도함수 값을 포함하여 모두 39(13*3)차를 사용하였다.
인식실험은 음소 인식을 했으며 인식에 사용된 문 장은 총 87문장을 인식하였다.
인식실험은 음소 인식을 했으며 인식에 사용된 문 장은 총 87문장을 인식하였다.

이론/모형

본 논문의 음소모델은 한국어 음소로서 초성, 중성, 종성, 묵음, 잡음 등으로 지정한 50개의 음소모델을 가지고 인식을 하였다. 특징벡터로는 MRA (Multi-Resolution Analysis)를 이용하여 필터 에너지와 음성 프레임의 에너지를 구하여 9차의 특징벡터를 추출하고 이에 대한 1차, 2차 도함수를 계산하여 총 27차의 벡터를 이용하였다.

성능/효과

첫째, 웨이블렛 변환은 신호의 저주파 부분에서 좋은 주파수 분해능을 얻을 수 있다. 둘째, 웨이블렛 변환은 고주파 부분에서 좋은 시간 분해능을 얻을 수 있다 [2], 이러한 장점으로 인하여 웨이블렛 변환을 이용한 특징벡터를 사용하게 되면 파열음이나 파찰음에서와 같이 시간/주파수 상에서 갑자기 튀는 국부적 특성을 잘 반영 할 수 있기 때문에 좀 더나은 인식능력을 보일 수 있다.
첫째, 웨이블렛 변환은 신호의 저주파 부분에서 좋은 주파수 분해능을 얻을 수 있다. 둘째, 웨이블렛 변환은 고주파 부분에서 좋은 시간 분해능을 얻을 수 있다 [2], 이러한 장점으로 인하여 웨이블렛 변환을 이용한 특징벡터를 사용하게 되면 파열음이나 파찰음에서와 같이 시간/주파수 상에서 갑자기 튀는 국부적 특성을 잘 반영 할 수 있기 때문에 좀 더나은 인식능력을 보일 수 있다.
위 결론에서 보듯이 전체적 인식률은 MFCC를 특징 벡터로 했을 때보다 더 나은 인식률의 향상을 보여주고 있다, 이는 파열음에서 갑자기 튀는 부분에 대해서 웨이블렛 변환이 Fourier 변환보다 좀 더 잘 검출할 수 있기 때문인 것으로 보인다.
위 결론에서 보듯이 전체적 인식률은 MFCC를 특징 벡터로 했을 때보다 더 나은 인식률의 향상을 보여주고있다. 이는 파열음에서 갑자기 튀는 부분에 대해서 이블렛 변환이 Fourier 변환보다 좀 더 잘 검출할 수 있기 때문인 것으로 보인다.
웨이블렛 변환을 FT(Fourier Transform)를 이용하여 특징벡터를 계산하는 MFCC와 비 교해 보면 다음과 같은 이점을 얻을 수 있다. 첫째, 웨이블렛 변환은 신호의 저주파 부분에서 좋은 주파수 분해능을 얻을 수 있다. 둘째, 웨이블렛 변환은 고주파 부분에서 좋은 시간 분해능을 얻을 수 있다 [2], 이러한 장점으로 인하여 웨이블렛 변환을 이용한 특징벡터를 사용하게 되면 파열음이나 파찰음에서와 같이 시간/주파수 상에서 갑자기 튀는 국부적 특성을 잘 반영 할 수 있기 때문에 좀 더나은 인식능력을 보일 수 있다.

후속연구

이와 같은 결과를 미루어 우리는 웨이블렛 변환의 장점과 MFCC의 장점을 살린 더 나은 특징벡터의 구성을 제시해 볼 수 있을 것으로 생각된다.

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

웨이블렛 변환을 이용한 음성특징 추출에 관한 연구
A Study on Feature Extraction using Wavelet Transform for Speech Recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

웨이블렛 변환을 이용한 음성특징 추출에 관한 연구 A Study on Feature Extraction using Wavelet Transform for Speech Recognition 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

웨이블렛 변환을 이용한 음성특징 추출에 관한 연구
A Study on Feature Extraction using Wavelet Transform for Speech Recognition 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper