지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김정한
- 발행연도
- 2020
- 저작권
- 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
이 논문은 비지도 학습 기법 (Unsupervised Learning Technique)으로 소스를 분리하는 블라인드 소스 분리 (Blind Source Separation, BSS) 분야에서 널리 사용되는 멀티채널 비음수 행렬 분해 (Multichannel Nonnegative Matrix Factorization, MNMF) 알고리즘에서 공간 공분산 행렬의 단점을 개선하여 다중 채널의 Underdetermined convolutive 혼합 환경에서 BSS문제를 해결한다.
공간 공분산 행렬에 기반을 둔 많은 기존의 BSS 알고리즘에서, 위상차 및 단일 채널의 크기와 같은 정규화 되지 않은 값으로 구성된 공간 공분산 행렬의 각 요소는 주파수 의존성 및 특이치와 관련된 높은 분산으로 인해 분리된 소스의 품질을 저하시키는 경향이 있다. 이 논문에서는 소스 분리에 있어 추정된 소스들을 효과적으로 클러스터링하기 위해 정규화된 레벨 비율과 레벨비율과 동일하게 분산을 맞춰준 스케일링된 방위각의 사인 값으로 구성된 새로운 공간 공분산 행렬과 효과적인 클러스터 쌍별 거리함수를 제안한다.
제안된 알고리즘에서, 레벨 및 주파수 정규화를 통한 소스의 공간적 특성은 모든 시간-주파수 슬롯에서 비교 가능하므로 추정된 소스들 사이의 보다 정확한 쌍별 거리를 구할 수 있다. 본 논문에서는 정규화된 공간 공분산 행렬을 공간 모델 (Spatial model)의 초기화에 활용하여 공간 모델의 향상된 추정과 이를 바탕으로 Bottom-up approach에서의 계층적 응집 클러스터링 (Hierarchical Agglomerative Clustering)에 활용함으로써 효과적인 클러스터링을 통해 궁극적인 분리된 음원의 품질을 향상시켰다.
제안된 알고리즘은 Benchmark datasets인 SiSEC’08 development dataset을 활용하여 균질화된 실험을 하였으며 객관적인 소스 분리 품질 검증 도구인 BSS Eval toolbox를 활용하여 정량적인 결과를 확인하였다. 뿐만 아니라 분리된 음원의 단시간 푸리에 변환 (Short Time Fourier Transform, STFT)을 통해 시각적으로 확인하고 분리된 음원의 청취하는 데모시스템을 통해 정성적인 결과를 검증하였다.
공간 공분산 행렬에 기반을 둔 많은 기존의 BSS 알고리즘에서, 위상차 및 단일 채널의 크기와 같은 정규화 되지 않은 값으로 구성된 공간 공분산 행렬의 각 요소는 주파수 의존성 및 특이치와 관련된 높은 분산으로 인해 분리된 소스의 품질을 저하시키는 경향이 있다. 이 논문에서는 소스 분리에 있어 추정된 소스들을 효과적으로 클러스터링하기 위해 정규화된 레벨 비율과 레벨비율과 동일하게 분산을 맞춰준 스케일링된 방위각의 사인 값으로 구성된 새로운 공간 공분산 행렬과 효과적인 클러스터 쌍별 거리함수를 제안한다.
제안된 알고리즘에서, 레벨 및 주파수 정규화를 통한 소스의 공간적 특성은 모든 시간-주파수 슬롯에서 비교 가능하므로 추정된 소스들 사이의 보다 정확한 쌍별 거리를 구할 수 있다. 본 논문에서는 정규화된 공간 공분산 행렬을 공간 모델 (Spatial model)의 초기화에 활용하여 공간 모델의 향상된 추정과 이를 바탕으로 Bottom-up approach에서의 계층적 응집 클러스터링 (Hierarchical Agglomerative Clustering)에 활용함으로써 효과적인 클러스터링을 통해 궁극적인 분리된 음원의 품질을 향상시켰다.
제안된 알고리즘은 Benchmark datasets인 SiSEC’08 development dataset을 활용하여 균질화된 실험을 하였으며 객관적인 소스 분리 품질 검증 도구인 BSS Eval toolbox를 활용하여 정량적인 결과를 확인하였다. 뿐만 아니라 분리된 음원의 단시간 푸리에 변환 (Short Time Fourier Transform, STFT)을 통해 시각적으로 확인하고 분리된 음원의 청취하는 데모시스템을 통해 정성적인 결과를 검증하였다.
목차
표목차 ⅲ그림목차 ⅲ기호설명 ⅵ약어설명 ⅷI. 서 론 11. 연구의 배경 및 목적 12. Related Works 4II. 기존 방법론 61. Nonnegative Matrix Factorization 62. Multichannel Nonnegative Matrix Factorization 8III. 제안한 방법 141. 문제 정의 142. Normalized Spatial Covariance Matrix 18IV. 시뮬레이션 및 실험 361. 시뮬레이션 362. 실험 41V. 소스 분리 결과 및 고찰 461. 소스 분리 결과 46VI. 결 론 68참고문헌 69영문초록(Abstract) 73감사의글
최근 본 자료
댓글(0)
0