http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
펄스 GMA 위빙 용접에서 그루브형상에 따른 아크특성에 관한 연구
최광덕,조원익,김철희,나석주,Choi, Kwang-Deok,Cho, Won-Ik,Kim, Cheol-Hee,Na, Suck-Joo 대한용접접합학회 2009 대한용접·접합학회지 Vol.27 No.4
In this paper, arc characteristics of V groove joints using pulsed GMA welding were found out. The bevel angles of $22.5^{\circ}$ and $30.0^{\circ}$ were chose to make the V groove configuration with the groove angles of $45^{\circ}$ and $60.0^{\circ}$, respectively. In the experiment, the arc current waveform measurement and the high speed photography were taken to investigate the arc characteristics for a single-beveled asymmetric workpiece. Consequently, the welding current was changed abnormally around the edge of groove. As the arc moved close to the groove face, the welding current was increased rapidly because the welding arc was affected by the inclined surface. Also the welding current waveforms were measured for the double-sided symmetric workpiece to verify the previous measurements for the single-beveled workpiece, and similar current waveforms were found.
윈도우 마스킹을 이용한 종단형 감정 음성합성시스템의 강인한 주의집중 정렬 기법
최병진(Byoung Jin Choi),천성준(Sung Jun Cheon),조원익(Won Ik Cho),김석민(Seok Min Kim),손병찬(ByungChan Son),김남수(Nam Soo Kim) 한국통신학회 2021 한국통신학회 학술대회논문집 Vol.2021 No.2
본 논문은 윈도우 마스킹을 이용하여 종단형 감정 음성합성시스템(end-to-end speech synthesis system)의 강인한 어텐션 정렬 기법을 제안한다. 딥러닝을 이용한 종단형 음성합성 시스템에서는 주의집중 기법 (attention mechanism)을 통해 텍스트와 오디오의 시퀀스 사이의 정렬을 학습한다. 하지만, 주의집중을 통한 정렬은 추론시 단일 프레임에서 전체 텍스트 시퀀스에 대한 소프트맥스 값을 구하기 때문에 단어, 글자 등을 건너뛰는 skipping과 반복하는 repeating등의 문제가 발생한다. 본 논문에서는 윈도우 마스킹을 통해 텍스트와 오디오 시퀀스 사이의 단조로운(monotonic) 정렬을 만들며, 위의 skipping과 repeating등의 문제를 해결하는 강인한 주의집중 정렬 기법을 적용해 보았다. 다감정 데이터셋을 이용한 실험을 통해 종단형 음성합성시스템에서의 주의집중 정렬이 개선됨을 확인 할 수 있었다.
최병진(Byoung Jin Choi),정명훈(Myeonghun Jeong),조원익(Won Ik Cho),김남수(Nam Soo Kim) 한국통신학회 2022 한국통신학회 학술대회논문집 Vol.2022 No.2
본 논문은 음성 합성시 레퍼런스 오디오와 스타일 태그 텍스트를 활용한 다화자 스타일 음성 합성 기법을 제안한다. 스타일 제어를 위해 학습 시 스타일 태그를 활용한 임베딩을 도출하며 화자에 대한 정보를 추출하기 위하여 레퍼런스 오디오 무작위 셔플링 방식을 도입하였다. 또한, 텍스트 인코더를 convolutional 스택 아키텍쳐 기반의 텍스트 인코더를 활용하여 보다 안정적으로 한국어 학습이 될 수 있도록 개선하였다. 실험을 통해 제안하는 모델이 기존 베이스라인 모델에 비해 합성음 품질과 화자 및 스타일 유사도 측면에서 모두 우월한 성능을 보이는 것을 확인할 수 있었다.