[논문]MFCC 특징 파라미터를 이용한 인식 알고리즘

최재승

MFCC 특징 파라미터를 이용한 인식 알고리즘
Recognition Algorithm using MFCC Feature Parameter 원문보기

최재승 (신라대학교)

배경잡음은 음성신호의 특징을 왜곡하기 때문에 음성인식 시스템의 인식율 향상의 방해요소가 된다. 따라서 본 논문에서는 배경잡음이 존재하는 환경에서의 음성인식을 실시하기 위해서, 신경회로망과 Mel 주파수 켑스트럼 계수를 사용하여 연속음성 식별 알고리즘을 제안한다. 본 논문의 실험에서는 본 알고리즘을 사용하여 배경잡음이 섞인 음성신호에 대하여 음성인식의 식별율 개선을 실현할 수 있도록 연구를 진행하며, 본 알고리즘이 유효하다는 것을 실험을 통하여 명백히 한다.

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

문제 정의

본 논문에서는 다층 퍼셉트론 신경회로망에 MFCC 켑스트럼 계수를 입력함으로써 연속어 음성식별을 실시하는 화자식별 모델를 구축하는 알고리즘을 제안하였다. 본 실험에서는 음성신호에 중첩되는 잡음을 억제하기 위해서 배경잡음 하에서 음성식별율의 개선이 가능하도록 하는 연구를 실시하였다.
잡음이 존재하는 환경에서의 음성인식을 실시하기 위해서 본 논문에서는 신경회로망과 Mel 주파수 켑스트럼 계수(Mel Frequency Cepstral Coefficient, MFCC)[7, 8]를 사용하여 연속음성 식별을 실시하는 인식 알고리즘을 제안한다. 본 논문의 실험에서는 이러한 알고리즘을 음성신호에 중첩된 배경잡음을 억제하기 위하여 음성식별율의 개선이 가능하도록 실험을 진행한다.
본 논문에서는 다층 퍼셉트론 신경회로망에 MFCC 켑스트럼 계수를 입력함으로써 연속어 음성식별을 실시하는 화자식별 모델를 구축하는 알고리즘을 제안하였다. 본 실험에서는 음성신호에 중첩되는 잡음을 억제하기 위해서 배경잡음 하에서 음성식별율의 개선이 가능하도록 하는 연구를 실시하였다.
잡음이 존재하는 환경에서의 음성인식을 실시하기 위해서 본 논문에서는 신경회로망과 Mel 주파수 켑스트럼 계수(Mel Frequency Cepstral Coefficient, MFCC)[7, 8]를 사용하여 연속음성 식별을 실시하는 인식 알고리즘을 제안한다. 본 논문의 실험에서는 이러한 알고리즘을 음성신호에 중첩된 배경잡음을 억제하기 위하여 음성식별율의 개선이 가능하도록 실험을 진행한다.

제안 방법

본 논문에서는 14차의 MFCC 특징벡터를 사용한다. 또한 본 논문에서는 음성인식을 위하여 3층으로 구성된 다층 퍼셉트론 네트워크를 사용한다. 본 논문의 음성인식에 사용하는 기본적인 알고리즘은 다층 퍼셉트론에 의한 신경회로망의 네트워크이며, 본 네트워크는 각 특징량 벡터에 따라 화자가 다른 입력신호를 다른 계층으로 분류한다.
본 논문에서는 MFCC의 특징벡터를 사용한다. 본 논문에서는 14차의 MFCC 특징벡터를 사용한다. 또한 본 논문에서는 음성인식을 위하여 3층으로 구성된 다층 퍼셉트론 네트워크를 사용한다.
본 논문에서는 MFCC의 특징벡터를 사용한다. 본 논문에서는 14차의 MFCC 특징벡터를 사용한다.
또한 본 논문에서는 음성인식을 위하여 3층으로 구성된 다층 퍼셉트론 네트워크를 사용한다. 본 논문의 음성인식에 사용하는 기본적인 알고리즘은 다층 퍼셉트론에 의한 신경회로망의 네트워크이며, 본 네트워크는 각 특징량 벡터에 따라 화자가 다른 입력신호를 다른 계층으로 분류한다.
본 실험에서는 본 알고리즘을 사용하여 14차의 MFCC 켑스트럼 계수터를 사용하여 식별률 실험을 실시하였다. 원 음성을 사용한 경우에 평균 식별율은 99.

대상 데이터

본 실험에 사용한 음성신호는 8 kHz로 표본화된 일본인 성인 남성화자에 의한 음성 데이터베이스를 사용하였다. 잡음 데이터로는 백색잡음을 사용하여 평가하였다.
잡음 데이터로는 백색잡음을 사용하여 평가하였다. 본 실험에서는 각 연속음성의 문장에 백색잡음을 부가하며 한 프레임을 256 샘플로 한다.
본 실험에 사용한 음성신호는 8 kHz로 표본화된 일본인 성인 남성화자에 의한 음성 데이터베이스를 사용하였다. 잡음 데이터로는 백색잡음을 사용하여 평가하였다. 본 실험에서는 각 연속음성의 문장에 백색잡음을 부가하며 한 프레임을 256 샘플로 한다.

성능/효과

06%의 결과를 나타냈다. 따라서 본 논문에서 제안한 화자식별 알고리즘의 성능이 배경잡음 하에서 본 논문에서 제안한 알고리즘이 유효하다는 것을 실험 결과로 부터 확인할 수 있었다.
본 논문의 실험결과로부터, 백색잡음이 부가된 음성신호의 경우에 대해서도 평균 식별률이 양호한 결과를 나타냈다. 따라서 본 논문의 식별 실험에서는 제안한 알고리즘이 배경잡음 하에서 화자 식별률의 개선에 유효하다는 것을 알 수 있었다.
본 논문의 실험결과로부터, 백색잡음이 부가된 음성신호의 경우에 대해서도 평균 식별률이 양호한 결과를 나타냈다. 따라서 본 논문의 식별 실험에서는 제안한 알고리즘이 배경잡음 하에서 화자 식별률의 개선에 유효하다는 것을 알 수 있었다.
본 실험에서는 본 알고리즘을 사용하여 14차의 MFCC 켑스트럼 계수터를 사용하여 식별률 실험을 실시하였다. 원 음성을 사용한 경우에 평균 식별율은 99.60%로 나타났으며, 백색잡음이 중첩된 음성의 경우에는 평균 식별률이 99.06%의 결과를 나타냈다. 따라서 본 논문에서 제안한 화자식별 알고리즘의 성능이 배경잡음 하에서 본 논문에서 제안한 알고리즘이 유효하다는 것을 실험 결과로 부터 확인할 수 있었다.

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

MFCC 특징 파라미터를 이용한 인식 알고리즘
Recognition Algorithm using MFCC Feature Parameter 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

MFCC 특징 파라미터를 이용한 인식 알고리즘 Recognition Algorithm using MFCC Feature Parameter 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

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

MFCC 특징 파라미터를 이용한 인식 알고리즘
Recognition Algorithm using MFCC Feature Parameter 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper