초록

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

본 논문에서는 입력된 음성이 남성화자인지 여성화자인지를 구분하는 FFT 스펙트럼 및 LPC 켑스트럼 입력에 의한 성별인식 알고리즘을 제안한다. 본 논문에서는 특히 남성화자와 여성화자의 특징벡터를 비교 분석하여, 이러한 남녀의 음향학적인 특징벡터의 차이점을 이용하여 신경회로망에 의한 성별 인식에 대한 실험을 수행한다. 특히 12차의 LPC 켑스트럼 및 8차의 저역 FFT 스펙트럼의 특징벡터를 사용한 경우에, 남성화자 및 여성화자에 대해서 양호한 남녀 성별인식률이 구해졌다.

본 논문에서는 입력된 음성이 남성화자인지 여성화자인지를 구분하는 FFT 스펙트럼 및 LPC 켑스트럼 입력에 의한 성별인식 알고리즘을 제안한다. 본 논문에서는 특히 남성화자와 여성화자의 특징벡터를 비교 분석하여, 이러한 남녀의 음향학적인 특징벡터의 차이점을 이용하여 신경회로망에 의한 성별 인식에 대한 실험을 수행한다. 특히 12차의 LPC 켑스트럼 및 8차의 저역 FFT 스펙트럼의 특징벡터를 사용한 경우에, 남성화자 및 여성화자에 대해서 양호한 남녀 성별인식률이 구해졌다.

AI 본문요약

엑셀 다운로드 AI-Helper

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

• 연구 주제
• 연구 방법
• 연구 결과

문제 정의

• 따라서 본 논문에서는 이러한 신경회로망의 오차역전파 학습 알고리즘에 기초한 남녀 성별인식 알고리즘을 제안한다. 본 논문에서는 특히 남성 및 여성화자의 특징벡터를 사용하여 신경회로망에 의한 남녀 성별인식에 대한 실험을 수행한다.
• 본 논문에서는 음성장치에 음성이 입력될 때에 입력된 음성이 남성화자인지 여성화자인지를 구분하는 성별인식 알고리즘을 제안하였다. 본 논문에서는 남성화자와 여성화자의 특징벡터를 이용하여 신경회로망에 의한 성별 인식에 대한 실험을 수행하였다. 12차의 LPC 켑스트럼 및 8차의 저역 FFT 스펙트럼의 특징벡터를 사용한 경우에, 남성화자에 대해서는 평균 99.
• 본 논문에서는 새롭게 신경회로망에 입력된 음성이 남성화자인지 여성화자인지를 판별하기 위하여 출력층의 유닛을 2개로 설정한다. 신경회로망의 학습 계수는 α=0.
• 본 논문에서는 음성장치에 음성이 입력될 때에 입력된 음성이 남성화자인지 여성화자인지를 구분하는 성별인식 알고리즘을 제안하였다. 본 논문에서는 남성화자와 여성화자의 특징벡터를 이용하여 신경회로망에 의한 성별 인식에 대한 실험을 수행하였다.
• 따라서 본 논문에서는 이러한 신경회로망의 오차역전파 학습 알고리즘에 기초한 남녀 성별인식 알고리즘을 제안한다. 본 논문에서는 특히 남성 및 여성화자의 특징벡터를 사용하여 신경회로망에 의한 남녀 성별인식에 대한 실험을 수행한다. 제안하는 알고리즘에서는 남녀의 특징벡터를 추출하여 각 화자에 대한 성별을 신경회로망의 패턴인식에 의하여 구별하도록 한다.

제안 방법

• 이러한 패턴인식 방법을 이용하여, 본 논문에서는 기초적인 화자종속 음성인식에 의하여 각 화자의 성별을 구별하는 실험을 하여, 일반적인 종래의 방법들과 비교하는 실험을 수행한다. 따라서 본 논문에서는 이러한 연구배경에 기초하여 음성의 특징벡터로는 선형예측에 의한 켑스트럼 계수 및 푸리에 변환에 의한 켑스트럼 계수 등의 특징벡터를 사용한다.
• 제안하는 알고리즘에서는 남녀의 특징벡터를 추출하여 각 화자에 대한 성별을 신경회로망의 패턴인식에 의하여 구별하도록 한다. 이러한 패턴인식 방법을 이용하여, 본 논문에서는 기초적인 화자종속 음성인식에 의하여 각 화자의 성별을 구별하는 실험을 하여, 일반적인 종래의 방법들과 비교하는 실험을 수행한다. 따라서 본 논문에서는 이러한 연구배경에 기초하여 음성의 특징벡터로는 선형예측에 의한 켑스트럼 계수 및 푸리에 변환에 의한 켑스트럼 계수 등의 특징벡터를 사용한다.
• 본 논문에서는 특히 남성 및 여성화자의 특징벡터를 사용하여 신경회로망에 의한 남녀 성별인식에 대한 실험을 수행한다. 제안하는 알고리즘에서는 남녀의 특징벡터를 추출하여 각 화자에 대한 성별을 신경회로망의 패턴인식에 의하여 구별하도록 한다. 이러한 패턴인식 방법을 이용하여, 본 논문에서는 기초적인 화자종속 음성인식에 의하여 각 화자의 성별을 구별하는 실험을 하여, 일반적인 종래의 방법들과 비교하는 실험을 수행한다.
• Aurora2 DB의 모든 음성데이터는 남성화자 55명 및 여성화자 55명에 의해서 발성된 음성을 녹음한 총 8440개의 숫자로 된 테스트 셋 A, B, C의 음성데이터로 구성되어 있다. 제안한 시스템은 Aurora2 DB 중에서 테스트 셋 A의 잡음이 중첩되지 않은 음성데이터에서 남성화자 및 여성화자를 임의로 선택하여 화자인식 실험을 수행하며, 화자인식률에 의하여 인식 성능을 평가한다. 본 논문에서의 화자 인식률의 평가는 입력음성의 전체 프레임에 대하여 각 프레임에서 신경회로망의 출력값이 정확하게 인식되는 프레임 비율로 정의한다.

대상 데이터

• 본 실험에서 사용한 음성신호는 8 kHz의 샘플링 주파수를 가진 환경에서 녹음된 영어숫자로 구성된 Aurora2 데이터베이스(Database, DB)[5]를 사용하였다. Aurora2 DB의 모든 음성데이터는 남성화자 55명 및 여성화자 55명에 의해서 발성된 음성을 녹음한 총 8440개의 숫자로 된 테스트 셋 A, B, C의 음성데이터로 구성되어 있다. 제안한 시스템은 Aurora2 DB 중에서 테스트 셋 A의 잡음이 중첩되지 않은 음성데이터에서 남성화자 및 여성화자를 임의로 선택하여 화자인식 실험을 수행하며, 화자인식률에 의하여 인식 성능을 평가한다.
• 본 실험에서 사용한 음성신호는 8 kHz의 샘플링 주파수를 가진 환경에서 녹음된 영어숫자로 구성된 Aurora2 데이터베이스(Database, DB)[5]를 사용하였다. Aurora2 DB의 모든 음성데이터는 남성화자 55명 및 여성화자 55명에 의해서 발성된 음성을 녹음한 총 8440개의 숫자로 된 테스트 셋 A, B, C의 음성데이터로 구성되어 있다.
• 본 논문에서의 화자 인식률의 평가는 입력음성의 전체 프레임에 대하여 각 프레임에서 신경회로망의 출력값이 정확하게 인식되는 프레임 비율로 정의한다. 사용한 학습 및 테스트 데이터는 4명의 화자(Speaker A, B, C, D)의 문장을 사용하였다. 음성 데이터는 256 샘플에서 약 20 프레임부터 70 프레임 정도를 나누워진다.

성능/효과

• 본 논문에서는 남성화자와 여성화자의 특징벡터를 이용하여 신경회로망에 의한 성별 인식에 대한 실험을 수행하였다. 12차의 LPC 켑스트럼 및 8차의 저역 FFT 스펙트럼의 특징벡터를 사용한 경우에, 남성화자에 대해서는 평균 99.8%, 여성화자에 대해서는 평균 96.5%의 남녀 성별인식률이 구해졌다. 따라서 본 실험에서 비교한 다른 방법 및 기존 방법들보다 우수하다는 것을 실험으로 확인할 수 있었다.
• 5%의 남녀 성별인식률이 구해졌다. 따라서 본 실험에서 비교한 다른 방법 및 기존 방법들보다 우수하다는 것을 실험으로 확인할 수 있었다. 그러나 향후의 연구과제로서는 학습에 사용하지 않은 데이터를 사용하여 좀 더 많은 문장을 사용한 남녀 성별 화자독립 인식 알고리즘을 개발할 필요가 있다.
• 표 1은 본 논문에서 제안하는 방식으로, 신경회로망의 입력데이터로서 12차의 LPC 켑스트럼 및 8차의 FFT 스펙트럼을 입력하였을 때(20-20-2 네트워크)의 성별 인식률을 나타낸다. 표 5에서 남성화자에 대한 인식률이 평균 99.8%이며, 이 때의 오인식률의 평균은 0.2%로 나타났다. 여성화자에 대해서는 인식률이 평균 96.

후속연구

• 따라서 본 실험에서 비교한 다른 방법 및 기존 방법들보다 우수하다는 것을 실험으로 확인할 수 있었다. 그러나 향후의 연구과제로서는 학습에 사용하지 않은 데이터를 사용하여 좀 더 많은 문장을 사용한 남녀 성별 화자독립 인식 알고리즘을 개발할 필요가 있다. 또한 잡음이 중첩된 음성에 대해서도 연구의 검토가 필요하다고 본다.

본문요약 정보가 도움이 되었나요? 예 아니오 제출

이 논문을 인용한 문헌

더보기