http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
김윤수(Yun-Su Kim),석종원(Jong-Won Seok) 한국전기전자학회 2020 전기전자학회논문지 Vol.24 No.4
대역 확장(Bandwidth Extension)이란 채널 용량 부족 혹은 이동통신 기기에 탑재된 코덱의 특성으로 인해 부호화 및 복호화 과정에서 대역 제한(band limited)되거나 손상된 협대역 신호(NB, Narrow Band)를 복원, 확장하여 광대역 신호(WB, Wide Band)로 전환 시켜주는 것을 의미한다. 대역 확장 연구는 주로 음성 신호 위주로 대역 복제(SBR, Spectral Band Replication), IGF(Intelligent Gap Filling)과 같이 고대역을 주파수 영역으로 변환하여 복잡한 특징 추출 과정을 거쳐 이를 바탕으로 사라지거나 손상된 고대역을 복원한다. 본 논문에서는 딥러닝 모델 중 오토인코더(Autoencoder)를 바탕으로 1차원 합성곱 신경망(CNN, Convolutional Neural Network)들의 잔차 연결을 활용하여 복잡한 사전 전처리 과정 없이 일정한 길이의 시간 영역 신호를 입력시켜 대역 확장 시킨 음향 신호를 출력하는 모델을 제안한다. 또한 음성 영역에 제한되지 않는 음악을 포함한 여러 종류의 음원을 포함하는 데이터셋에 훈련시켜도 손상된 고대역을 복원할 수 있음을 확인하였다. Bandwidth Extension refers to restoring and expanding a narrow band signal(NB) that is damaged or damaged in the encoding and decoding process due to the lack of channel capacity or the characteristics of the codec installed in the mobile communication device. It means converting to a wideband signal(WB). Bandwidth extension research mainly focuses on voice signals and converts high bands into frequency domains, such as SBR (Spectral Band Replication) and IGF (Intelligent Gap Filling), and restores disappeared or damaged high bands based on complex feature extraction processes. In this paper, we propose a model that outputs an bandwidth extended signal based on an autoencoder among deep learning models, using the residual connection of one-dimensional convolutional neural networks (CNN), the bandwidth is extended by inputting a time domain signal of a certain length without complicated pre-processing. In addition, it was confirmed that the damaged high band can be restored even by training on a dataset containing various types of sound sources including music that is not limited to the speech.
李道烈 又石大學校 1986 論文集 Vol.8 No.-
文章의 構造的特質이 思考展開의 表現에 있다고 볼 때, 展開의 役割을 擔當하는 것이 接續語句이다. 接續語句는 2개 이상의 語, 句, 文, 文章에 의해 表現된 敍述內容 相互間을 關係짓는 職能을 가지며 그 種類나 方法도 多樣하다. 一般的으로 文에 있어서 接續語句를 使用하는 것은 論理的 關係의 明確化를 기함에 있으므로, 적절한 接續語句를 選擇, 表現함이 무엇보다 重要하다. 本 考察에서는 多樣한 接續語句의 機能, 種類, 接續形態, 共通相異點등을 記述함에 目的을 두었으며, 特히 接續詞의 意味關係에 依한 分類에 重點을 두었다. 다만, 接續語句 全體를 考察함으로 因한 各論의 未備點들은 追後 硏究로 돌리고자 한다.
李道烈 又石大學校 1985 論文集 Vol.7 No.-
終來 外國人에 대한 日本語敎育이라는 實用的 目的에 의해 硏究되어 온 文型은 日本語 敎育에 있어서 必要不可欠한 要素이다. 文 자분가 形式面과 內容面을 가지므로 文型은 成分構造에 의한 文型과 表現意圖에 의한 文型으로 類別된다. 一般的으로 文의 表現意圖는 文末의 述語에 의해 구분화되고, 述語動詞는 格助詞에 의해 條件이 賦?되므로 文의 成分構造의 文型은 格助詞와 有關되어 文形이 成立한다. 다라서, 文形의 學習은 日本語의 文法, 語彙, 表現等의 綜合的인 學習인 동시에 語順硏究의 基本이 된다. 다만, 本 小論에서는 基本文型을 中心으로 하여, 文型敎育的 側面에서 文型을 類型化했으니, 日常生活에서 使用되고 있는 言語를 類型化시키기 위해서는 確率論과 數學的方法에 의한 計量言語學的 硏究方法이 要求된다.
일본어능력 평가시험간의 비교척도 고찰 -JLPT N1 레벨과 EJU 일본어 득점에 대한 비교척도 분석을 중심으로-
이도열 한국일본어문학회 2012 日本語文學 Vol.52 No.-
全世界的に日本語の能力を測定して?定する主な評?試?として「日本語能力試?(JLPT)」と「日本留?試?(EJU)」が?げられる。EJU日本語科目の試?は日本の大?等で??できる日本語能力(Academic Japanese)の測定を目的とする試?で、得点範?0∼400点のSingle Testであるのに?して、JLPTは一般的な日本語能力の評?を目的とするN1∼N5レベルの5段階評?である。??のJLPTとEJUは?習者の多?な目的と要求に?じて2010年から試?の形式と?容が大幅?更された。このように試?の目的と?制が違う二つの評?試?の得点間の相??係を調査して共通尺度を提示することは、日本語?習者の自己能力を比較測定する上に?定結果の利用にも緊要である。こんな必要性に?じ、JLPTのN1レベルの合格点に?たるEJU日本語科目の点?を測定するため、2010年後半期に二つの評?試?を共に受?した3,877名の得点資料を中心にして、得点間のt?定、散点?、相??係、回?分析、誤差棒などの統計的な分析を施し、比較尺度を察してみた。分析の結果、EJU日本語科目の基準値282点をJLPTのN1レベルの合格基準として判定することができることを確認した。