강인한 음성인식을 위한 극점 필터링을 이용한 켑스트럼 정규화 방식 :Cepstral normalization methods using pole filtering for robust speech recognition

최보경

추천

검색

자료유형: 학위논문

저자정보: 최보경 (부산대학교, 부산대학교 대학원)

지도교수: 김형순

발행연도: 2015

저작권: 부산대학교 논문은 저작권에 의해 보호받습니다.

이용수0

이 논문의 연구 히스토리 (2)

2015

강인한 음성인식을 위한 극점 필터링을 이용한 켑스트럼 정규화 방식

최보경 전자전기컴퓨터공 2015.01 학위논문

강인한 음성인식을 위한 극점 필터링 및 스케일 정규화를 이용한 켑스트럼 특징 정규화 방식

최보경 , 반성민 , 김형순 한국음향학회지 2015.01 학술저널

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

Pole filtering is a technique to remove the residual effects of speech from the cepstral mean used for channel compensation, when the linear prediction based cepstral features are employed. In this paper, we apply the concept of pole filtering to the cepstral mean normalization(CMN), cepstral mean and variance normalization(CMVN) and cepstral mean and scale normalization(CMSN) using the Mel-frequency cepstral coefficients(MFCCs), in order to improve the noise robustness of automatic speech recognition for relatively short utterances. Experimental results on AURORA 2 task show that the pole-filtered CMN, CMVN and CMSN yield small but noticeable improvements over the conventional ones. And the amount of improvement for the short utterances is more than that for the long utterances, which indicates that the pole filtering is effective especially for the short utterances. It is also noted that the cepstral feature normalization method combining the pole-filtering and scale normalization yields the best performance among all the methods evaluated in this paper.

#음성인식 #필터링 #켑스트럼

1. 서 론 2
2. 기존의 켑스트럼 정규화 방법 5
2.1. 개 요 5
2.2. Cepstral Mean Normalization(CMN) 7
2.3. Cepstral Mean and Variance Normalization(CMVN) 12
2.4. Cepstral Mean and Scale Normalization(CMSN) 13
2.5. Histogram Equalization(HE) 14
3. 극점 필터링 기반의 켑스트럼 정규화 방법 16
3.1. 기존의 극점 필터링 방식 16
3.1.1. 선별된 협대역 극점의 대역폭만을 변경하는 방식 17
3.1.2. 모든 극점의 대역폭을 일률적으로 변경하는 방식 18
3.2. MFCC 기반의 PFCMN/PFCMVN/PFCMSN 20
4. 실험 및 결과 26
4.1. 음성 데이터 베이스 26
4.2. 실험 환경 27
4.3. 실험 결과 28
5. 결 론 35
참고문헌 37

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)