변형된 MFCC를 이용한 전기부하 판별 방법

임용배,이기연,박원경,조성원 한국지능시스템학회 2017 한국지능시스템학회논문지 Vol.27 No.6

This paper proposes a new method for classification of the electrical loads as a part of research for the development of electrical selfcontrol safety management techniques used in apartment houses. The electric load data are obtained from CTs(Current Transformers), and a modified MFCC(Mel-Frequency Cepstral Coefficients) algorithm is used to extract feature vectors for classification of the electrical load. Based on the extracted features, neural networks are used to classify the patterns of diverse electrical loads. The original MFCC is being frequently used for speech signal processing and recognition. In this paper, MFCC is modified for the improvement of classification performance of the electrical loads. The proposed MMFCC(modified MFCC) is simpler than the original MFCC. Thus, the proposed MMFCC has the advantage that reduce the size and the processing time of the extracted feature vectors. In addoitni , it improves the classification accuracy. The experimentale rsults show the superiority of the proposed method for classification of eth electrical loads. 본 논문은 공동주택용 자율전기안전관리 기술 개발에 관한 연구의 일환으로, 전기부하 판별을 위한 새로운 방법을 제안한다. 전기부하로부터 얻어진 전류파형을 변형된 MFCC를 이용하여 신호 처리하여 전기부하 판별을 위한 특징벡터를 추출하고, 신경회로망을 이용하여 다양한 전기부하의 패턴을 분류한다. 음성신호처리를 위해 많이 사용되고 있는 MFCC 알고리즘은전기부하 판별 성능 향상을 위해 변형되어 신호처리 과정에 적용된다. 제안된 변형 MFCC는 기존의 MFCC 보다 간단한신호처리 과정을 거치게 되며, 특징벡터 사이즈 축소가 가능하고 분류 정확도 향상과 함께 처리시간도 단축할 수 있다는장점이 있다. 실험결과는 제안된 방법이 전기부하 판별에 유용하게 사용될 수 있음을 보여준다

MFCC와 L2-norm 최소화를 이용한 고래소리의 재생

정의필,전서윤,홍정필,조세형 한국융합신호처리학회 2018 융합신호처리학회 논문지 (JISPS) Vol.19 No.4

Underwater transient signals are complex, variable and nonlinear, resulting in a difficulty in accurate modeling with reference patterns. We analyze one type of underwater transient signals, in the form of whale sounds, using the MFCC(Mel-Frequency Cepstral Constant) and synthesize them from the MFCC and the weighted L2-norm minimization techniques. The whales in this experiments are Humpback whales, Right whales, Blue whales, Gray whales, Minke whales. The 20th MFCC coefficients are extracted from the original signals using the MATLAB programming and reconstructed using the weighted L2-norm minimization with the inverse MFCC. Finally, we could find the optimum weighted factor, 3∼4 for reconstruction of whale sounds 수중에서의 일시적인 신호는 복잡하고, 변화가 심하며, 비선형적이므로 신호의 패턴을 정확히 모델링하기 어렵다. 본 논문에서는 수중 신호중 하나인 고래 소리를 선택하여 음성분석 기법에 많이 사용하는 Cepstral 분석에 의한 MFCC 추출법을 이용하여 분석하였고, MFCC와 L2-norm 최소화 기법을 이용하여 고래소리를 재생하였다 실험 분석에 사용된 고래의 종류는 혹등고래(Humpback whale), 참고래(Right whale), 대왕고래(Blue whale), 귀신고래(Gray whale), 밍크고래(Minke whale) 등 5종으로서 과거 한반도 동해안에 출몰한 적이 있는 고래들이다. 원본 고래소리에서 MATLAB프로그래밍을 이용하여 20차 MFCC계수들을 추출한 후 이를 가중 L2-norm 최소화를 이용한 MFCC역변환을 통해 재생한다. 최종적으로 가중치가 3∼4의 값에서 고래소리 재생이 가장 적합함을 알 수 있었다.

변형된 MFCC를 이용한 위험 음향 감지시스템

강상훈,Phan Thai Trung,이호경,조성원,이기성 한국지능시스템학회 2020 한국지능시스템학회논문지 Vol.30 No.1

본 논문에서는 스마트 홈 연구의 일환으로 가정 내의 위험 음향 감지를 위한 새로운 시스템을 제안한다. 제안하는 위험음향 감지 시스템에서는 음향 신호의 특징추출을 위해 변형 MFCC(Mel- Frequency Cepstral Coefficient)을 이용한다. 변형MFCC는 기존 MFCC에서 DCT(Discrete Cosine Transform)를 제거하고 Wiener필터를 추가한 변형된 필터뱅크를 사용한다. Wiener필터는 잡음(Noise) 제거 기능을 하고, 필터뱅크의 변형은 배경음 제거 및 위험 음향데이터의 인식률 향상을 위해적용된다. 기존 MFCC와의 성능을 비교하기 위해 딥러닝 분류기로 시계열 데이터에 적합한 LSTM(Long short-Term Memory)을이용하여 학습 정확도와 인식률 실험을 하였다. 실험 결과, 변형 MFCC가 기존 MFCC에 비해 학습 정확도 개선 및 인식률향상이 가능함을 확인하였다.

PCA-optimized 필터뱅크 기반의 MFCC 특징파라미터 추출 및 한국어 4연숫자 전화음성에 대한 인식실험

정성윤,김민성,손종목,배건성 대한전자공학회 2004 電子工學會論文誌-SP (Signal processing) Vol.41 No.6

음성신호의 스펙트럼으로부터 MFCC를 추출할 때, 일반적으로 필터뱅크의 처리과정에서 삼각형 형태의 필터를 사용한다. 그러나 더 나은 인식성능을 위해, 훈련 음성데이터의 스펙트럼에 PCA를 적용하여 필터뱅크의 필터형태를 최적화하는 PCA-optimized 필터뱅크 방법이 Lee et al. 에 의해 제안되었다. 본 논문에서는 대용량의 4연숫자 전화음성 DB를 사용하여PCA-optimized 필터뱅크 기반의 MFCC 특징파라미터를 추출하고 인식실험을 수행한 후, 기존의 삼각형 형태의 필터를 사용하는 MFCC와 각 대역별 로그에너지로 가중시켜서 얻어지는 MFCC와의 인식성능을 비교하였다. 실험결과, PCA-optimized 필터뱅크 기반의 MFCC 특징파라미터가 기존의 삼각형 형태의 필터뱅크 기반 MFCC에 비해 조금 향상된 인식률을 나타내었지만, 각 대역별 로그에너지로 가중치를 주어 얻어지는 MFCC보다는 인식률이 떨어졌다. In general, triangular shape filters are used in the filter bank when we extract MFCC feature parameters from the spectrum of the speech signal. A different approach, which uses specific filter shapes in the filter bank that are optimized to the spectrum of training speech data, is proposed by Lee et al. to improve the recognition rate. A principal component analysis method is used to get the optimized filter coefficients. Using a large amount of 4-digit telephone speech database, in this paper, we get the MFCCs based on the PCA-optimized filter bank and compare the recognition performance with conventional MFCCs and direct weighted filter bank based MFCCs. Experimental results have shown that the MFCC based on the PCA-optimized filter bank give slight improvement in recognition rate compared to the conventional MFCCs but fail to achieve better performance than the MFCCs based on the direct weighted filter bank analysis. Experimental results are discussed with our findings.

단순화한 Mel-Frequency Cepstral Coefficients를 이용한 전기적 이상상태 예측 방법

박원경(Won Gyeong Park),임용배(Young Bae Lim),김동우(Dong Woo Kim),이호경(Ho Kyoung Lee),조성원(Sdeongwon Cho) 한국지능시스템학회 2018 한국지능시스템학회논문지 Vol.28 No.5

본 논문은 전기사고 예측을 위해 전기부하의 정상상태와 아크, 누설 상태와 같은 이상상태를 판별하는 새로운 알고리즘을 제시한다. CT를 이용하여 취득된 전기부하의 전류파형으로부터 단순하게 수정된 MFCC와 Shoulder 지속 시간 변화율, 최대치 변화율, 실효치 변화율, 누설전류의 실효치 등을 이용하여 특징벡터를 추출하고, 신경회로망을 이용하여 이상상태와 정상상태를 판별한다. 음성신호처리에 이용되는 MFCC알고리즘을 보다 단순하게 수정한 알고리즘을 전기부하 전류파형에 적용하여 전기부하 이상상태 판별을 위한 특징벡터를 추출하고, 각종 변화율을 계산한다. 신호 처리된 특징벡터는 신경회로망을 이용하여 전기부하의 이상상태 유무를 판별하기 위하여 사용된다. 제안된 단순화 MFCC는 기존의 MFCC 보다 간단한 신호처리 과정을 거치게 되며, 특징벡터 사이즈의 축소가 가능하고 판별 정확도 향상과 함께 처리시간도 단축시킬 수 있다는 장점이 있다. 실험결과는 제안된 방법이 전기부하 이상상태 판별에 유용하게 사용될 수 있음을 보여준다. This paper proposes a new method to classify electrical abnormal states such as arc and leakage currents for predicting electrical accidents. Current data of electric loads are obtained from CTs(Current Transformers), and a simplified MFCC(Mel-Frequency Cepstral Coefficients) algorithm and several change rates are used to extract feature vectors for prediction of electrical accidents. Based on the extracted features, neural networks are used to predict electrical accidents of diverse electrical loads. The original MFCC is being frequently used for speech signal processing and recognition. In this paper, MFCC is modified for the improvement of prediction performance of electrical accidents. The proposed SMFCC(simpified MFCC) is simpler than the original MFCC. Thus, the proposed SMFCC has the advantage that reduce the size and the processing time of the extracted feature vectors. The experimental results show the superiority of the proposed method for predicting electrical accidents.

간략화된 MFCC를 이용한 PIR 센서 기반 침입감지 시스템

박원경(Won Gyeong Park),Tran Linh Tam,이호경(Ho Kyung Lee),조성원(Seongwon Cho) 한국지능시스템학회 2018 한국지능시스템학회논문지 Vol.28 No.4

PIR 센서를 사용하는 침입감지 시스템이 사람이 아닌 동물들로 인해 발생하는 오작동을 막기 위해 사람과 다른 동물을 구별하는 시스템의 필요성이 대두되고 있다. 본 논문에서는 사람과 동물을 구별하기 위해 PIR(Pyroelectric Infrared Sensor)센서로 부터 얻은 신호를 간략화된 MFCC(Mel-Frequency Cepstral Coefficients)를 이용하여 신호처리하여 성능을 개선한 방법을 제안한다. 음성신호처리에 주로 사용되는 MFCC를 사람과 동물신호를 구별하기에 적합하도록 수정하여 신호처리에 사용하였다. 처리된 신호들은 인공 신경회로망의 특징벡터로 사용되었다. 본 논문에서는 기존의 MFCC를 활용한 분류결과와 제안된 간략화 MFCC를 활용한 분류결과에 대해 비교하여 간략화된 MFCC가 정확도 개선에 우수함을 실험 결과로서 제시하였다. The intruder detection system using the PIR sensor has the problem that it can`t recognize human correctly. In this paper, we propose a new intruder detection system based on the PIR sensor to get around the drawbacks of the previous method. The signal captured using the PIR sensor is sampled, and its frequency feature is extracted using the simplified MFCC. The extracted features are used for the input of neural networks. After neural network is trained using various human and pet’s intrusion data, it is used for classifying human and pet in the intrusion situation. The experimental results show the superiority of the proposed method in comparison to the origianl MFCC.

네트워크 환경에서 서버용 음성 인식을 위한 MFCC 기반 음성 부호화기 설계

이길호,윤재삼,오유리,김홍국,Lee, Gil-Ho,Yoon, Jae-Sam,Oh, Yoo-Rhee,Kim, Hong-Kook 대한음성학회 2005 말소리 Vol.54 No.-

Existing standard speech coders can provide speech communication of high quality while they degrade the performance of speech recognition systems that use the reconstructed speech by the coders. The main cause of the degradation is that the spectral envelope parameters in speech coding are optimized to speech quality rather than to the performance of speech recognition. For example, mel-frequency cepstral coefficient (MFCC) is generally known to provide better speech recognition performance than linear prediction coefficient (LPC) that is a typical parameter set in speech coding. In this paper, we propose a speech coder using MFCC instead of LPC to improve the performance of a server-based speech recognition system in network environments. However, the main drawback of using MFCC is to develop the efficient MFCC quantization with a low-bit rate. First, we explore the interframe correlation of MFCCs, which results in the predictive quantization of MFCC. Second, a safety-net scheme is proposed to make the MFCC-based speech coder robust to channel error. As a result, we propose a 8.7 kbps MFCC-based CELP coder. It is shown from a PESQ test that the proposed speech coder has a comparable speech quality to 8 kbps G.729 while it is shown that the performance of speech recognition using the proposed speech coder is better than that using G.729.

MFCC와 변화율을 이용한 전기사고 예측방법에 대한 연구

임용배(Young Bae Lim),김동우(Dong Woo Kim),박원경(Won Gyeong Park),이호경(Ho Kyung Lee),조성원(Seongwon Cho) 한국지능시스템학회 2018 한국지능시스템학회논문지 Vol.28 No.2

4차 산업혁명 시대가 도래됨에 따라 재해예방 분야에서도 사물인터넷과 인공지능 기술의 도입이 진행되고 있다. 본 논문은 이와 같은 기술 환경변화에 따라 공동주택용 자율전기안전관리 기술에 음성인식 분야에서 주로 활용되는 MFCC 알고리즘과 전류 변화율을 이용한 옥내 전기회로의 이상상태를 판별하는 방법을 제시한다. CT를 이용하여 전류파형을 측정하고, MFCC와 변화율 계산을 통해 신호를 변환하여 역전파 신경회로망에 적용함으로써 개선된 정확도를 얻을 수 있다. 정상상태와 아크, 누전, 아크와 누전이 동시에 일어난 이상상태 4가지로 구분하여 판별하는 실험을 수행 한 결과 제안된 방법의 우수함을 확인할 수 있었다. 기존의 MFCC를 활용하여 이상상태를 판별할 경우 51.22%, 변화율만 채택할 경우 75.61%의 정확도를 얻을 수 있었고, 본 연구에서 제안한 방식인 MFCC와 변화율을 모두 사용할 경우, 80.49%로 정확도가 향상되었다. We are living in the age of fourth industrial revolution, and new disaster prevention techniques were developed using IoT(Internet of Things) and artificial intelligence. In this paper, a new signal processing method for predicting electrical accidents using MFCC and change rate is proposed. Current data are extracted from electric loads, and then the sampled CT(Current Transformer) data are converted using MFCC and change rate. The processed data are used for the input data of back propagation neural networks. Current data for 4 kinds of electric loads were used in this experiments. Experiments show the superiority of the proposed method. The accuracy of the MFCC is 51.22% and the accuracy of change rate is 75.61%, and the proposed method produced 80.49% accuracy.

Performance Comparison of Korean Dialect Classification Models Based on Acoustic Features

Young Kook Kim(김영국),Myung Ho Kim(김명호) 한국컴퓨터정보학회 2021 韓國컴퓨터情報學會論文誌 Vol.26 No.10

말소리의 음향 특징을 이용하여 화자에 대한 중요한 사회, 언어학적 정보를 얻을 수 있는데 그 중 한 가지 핵심 특징은 방언이다. 화자의 방언 사용은 컴퓨터와의 상호작용을 방해하는 주요 요소이다. 방언은 발화의 음소, 음절, 단어, 문장 및 구와 같이 다양한 수준에서 구분할 수 있지만 이를 하나하나 식별하여 방언을 구분하기는 어렵다. 이에 본 논문에서는 음성 데이터의 특성 중 MFCC만 사용하는 경량화된 한국어 방언 분류 모델을 제안한다. 한국인 대화 음성 데이터를 통해 MFCC 특징을 활용하는 최적의 방법을 연구하고, 8가지 머신 러닝 및 딥러닝 분류 모델에서 경기/서울, 강원, 충청, 전라, 경상 5개의 한국어 방언 분류 성능을 비교한다. MFCC를 정규화하는 방법으로 대부분의 분류 모델에서 성능을 향상시켰으며, MFCC를 정규화하기 전 분류 모델의 최고 성능과 비교하여 정확도는 1.07%, F1-score는 2.04% 향상된 성능을 기록하였다. Using the acoustic features of speech, important social and linguistic information about the speaker can be obtained, and one of the key features is the dialect. A speaker"s use of a dialect is a major barrier to interaction with a computer. Dialects can be distinguished at various levels such as phonemes, syllables, words, phrases, and sentences, but it is difficult to distinguish dialects by identifying them one by one. Therefore, in this paper, we propose a lightweight Korean dialect classification model using only MFCC among the features of speech data. We study the optimal method to utilize MFCC features through Korean conversational voice data, and compare the classification performance of five Korean dialects in Gyeonggi/Seoul, Gangwon, Chungcheong, Jeolla, and Gyeongsang in eight machine learning and deep learning classification models. The performance of most classification models was improved by normalizing the MFCC, and the accuracy was improved by 1.07% and F1-score by 2.04% compared to the best performance of the classification model before normalizing the MFCC.

MFCC를 이용한 GMM 기반의 음성/혼합 신호 분류

김지은(Ji-Eun Kim),이인성(In-Sung Lee) 대한전자공학회 2013 전자공학회논문지 Vol.50 No.2

본 논문에서는 MFCC를 이용한 GMM 기반의 음성과 혼합 신호 분류 알고리즘을 MPEG의 표준 코덱인 USAC에 적용하였다. 효과적인 패턴 인식을 위해 GMM을 이용하였고, EM알고리즘을 사용하여 최적의 GMM 파라미터를 추출하였다. 제안하는 분류 알고리즘은 두 가지 중요한 부분으로 나뉜다. 첫째는 GMM을 통해 최적의 파라미터를 추출하는 것 이고, 두 번째는 MFCC 값을 이용한 패턴인식을 통해 음성/혼합 신호를 분류하였다. 제안된 알고리즘의 성능을 평가한 결과 MFCC를 이용한 GMM 기반의 제안된 방법이 기존 USAC의 방법보다 우수한 음성/혼합 신호 분류 성능을 보였다 In this paper, proposed to improve the performance of speech and mixed content signal classification using MFCC based on GMM probability model used for the MPEG USAC(Unified Speech and Audio Coding) standard. For effective pattern recognition, the Gaussian mixture model (GMM) probability model is used. For the optimal GMM parameter extraction, we use the expectation maximization (EM) algorithm. The proposed classification algorithm is divided into two significant parts. The first one extracts the optimal parameters for the GMM. The second distinguishes between speech and mixed content signals using MFCC feature parameters. The performance of the proposed classification algorithm shows better results compared to the conventionally implemented USAC scheme.