RISS 학술연구정보서비스

검색
다국어 입력

http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

변환된 중국어를 복사하여 사용하시면 됩니다.

예시)
  • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
  • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
닫기
    인기검색어 순위 펼치기

    RISS 인기검색어

      검색결과 좁혀 보기

      선택해제
      • 좁혀본 항목 보기순서

        • 원문유무
        • 원문제공처
        • 등재정보
        • 학술지명
        • 주제분류
        • 발행연도
        • 작성언어
        • 저자

      오늘 본 자료

      • 오늘 본 자료가 없습니다.
      더보기
      • 무료
      • 기관 내 무료
      • 유료
      • KCI등재

        Comparison of ICA Methods for the Recognition of Corrupted Korean Speech

        김선일  (Seonil Kim) 대한전자공학회 2008 電子工學會論文誌 IE (Industry electronics) Vol.45 No.3

        두 가지 Independent Component Analysis(ICA) 알고리즘을 적용하여 자동차 엔진 소음과 섞인 음성 신호의 인식을 시도하였다. 이를 이용하여 추정한 신호를 HMM을 이용하여 인식하였고 이 신호의 인식률을 소음이 섞이기 전의 음성 신호의 인식률과 비교하였다. 음성 신호를 추정하는데 두 가지 서로 다른 ICA를 사용하였으며 그 중의 하나는 negentropy 를 최대화하는 FastICA 알고리즘이며 다른 하나는 출력 신호 사이의 독립성을 최대화하여서 입력과 출력 사이의 mutual information을 최대화하는 information-maximization approach 이다. 남성 앵커가 진행한 한국어 뉴스 문장에 대한 단어 인식률은 87.85%이며 다양한 신호 대 잡음비를 갖도록 소음을 섞어서 추정을 한 후 인식을 시도한 결과 FastICA를 이용해 추정한 음성 신호에 대한 인식률은 1.65%, information-maximization을 이용해 추정한 음성 신호에 대한 인식률은 2.02% 인식률 저하가 나타났다. 따라서 어느 방법을 적용하든지 의미 있는 차이가 없음을 확인하였다. Two independent component analysis(ICA) algorithms were applied for the recognition of speech signals corrupted by a car engine noise. Speech recognition was performed by hidden markov model(HMM) for the estimated signals and recognition rates were compared with those of original speech signals which are not corrupted. Two different ICA methods were applied for the estimation of speech signals, one of which is FastICA algorithm that maximizes negentropy, the other is information-maximization approach that maximizes the mutual information between inputs and outputs to give maximum independence among outputs. Word recognition rate for the Korean news sentences spoken by a male anchor is 87.85%, while there is 1.65% drop of performance on the average for the estimated speech signals by FastICA and 2.02% by information-maximization for the various signal to noise ratio(SNR). There is little difference between the methods.

      • KCI등재

        음성 신호의 주파수 대역별 자기 공분산 기울기 분포

        김선일,Kim, Seonil 한국정보통신학회 2013 한국정보통신학회논문지 Vol.17 No.5

        The frequency bands were discovered which maximize the slopes of autocovariances of speech signals in frequency domain to increase the possibility of segregation between speech signals and background noise signal. A speech signal is divided into blocks which include multiples of sampled data, then those blocks are transformed to frequency domain using Fast Fourier Transform(FFT). To find linear equation by Linear Regression, the coefficients of autocovariance within blocks of some frequency band are used. The slope of the linear equation which is called the slope of autocovariance is varied from band to band according to the characteristics of the speech signal. Using speech signals of a man which consist of 200 files, the coefficients of the slopes of autocovariances are analyzed and compared from band to band. 자기 공분산 기울기를 이용하여 음성 신호와 배경 잡음 신호를 구분할 때 구분 가능성을 높이기 위해 주파수 영역에서 음성 신호의 자기 공분산 기울기를 최대화하는 주파수 대역을 찾아내었다. 디지털 샘플링 된 음성 신호를 일정한 개수의 신호로 이루어진 블록으로 나눈 후 각 블록에 고속푸리에변환(Fast Fourier Transform, FFT)을 하여 주파수 영역으로 변환한 다음 임의의 주파수 대역에서 각 블록에서의 공분산을 구하고 이 공분산 값들을 연결하는 직선 근사를 한 후에 이 직선의 기울기를 자기 공분산 기울기로 사용하는데 이 값은 음성 신호의 특성 상 주파수 대역별로 차이가 있다. 따라서 어느 주파수 대역에서 자기 공분산 기울기가 크게 나타나는지 200개의 남성 음성 파일을 이용하여 주파수 대역별로 비교 분석하였다.

      • 블록 크기 변화에 따른 자기 공분산 기울기 변화

        김선일(Seonil Kim) 한국정보기술학회 2013 Proceedings of KIIT Conference Vol.2013 No.5

        자기 공분산 기울기를 이용하면 해당 신호가 특정한 상관관계를 갖는 신호인지 아니면 상관관계가 없는 백색 잡음의 특징에 가까운 신호인지 구별하여 음성 신호에 섞여있는 백색 잡음을 분리했을 때 음성과 백색 잡음을 구별해 낼 수 있다. 그러나 각 신호를 단위 블록으로 나누어 자기 공분산 기울기를 구할 때 블록(block)의 크기에 따라 자기 공분산 기울기가 변하게 된다. 따라서 여러 음성 파일을 이용하여 가장 적절하면서도 큰 값의 자기 공분산 기울기를 얻을 수 있는 블록의 크기에 대해 살펴보고 왜 이런 결과를 내는지를 추정하였다. The slopes of autocovariances of signals can be used to validate speech signals which are different from white noises in correlations when they are segregated from the white noises. But the size of blocks to calculate the coefficients of slopes of the autocovariances gives different results in their slopes. Studied was what the size for the block to get the best result and why.

      • KCI등재

        배경 잡음을 제거하는 음성 신호 잡음 제거기의 구현

        김선일(Seonil Kim),양성룡(Seong Ryong Yang) 대한전자공학회 2012 電子工學會論文誌 IE (Industry electronics) Vol.49 No.2

        자동차 배기음은 음성과 무관한 거의 독립적인 음원이라고 볼 수 있다. 따라서 자동차 배기음과 섞인 음성 신호의 경우에 두 음원에 대한 사전 정보가 없는 상황이므로 Blind Source Separation 의 한 방법인 Independent Component Analysis를 이용하여 분리해 내었다. 스테레오 마이크를 통해 섞여 들어 온 두 음원을 분리해 내기 위해 Maximum Likelyhood Estimation을 이용하여 각 신호들 사이의 독립성을 최대화 하는 방향으로 분리하였다. 분리된 신호는 어느 쪽이 음성 신호인지 알 수 없으므로 주파수 영역에서 자기 공분산을 구한 후 이 공분산 값들의 기울기를 이용하여 음성 신호와 자동차 배기음 신호을 구분하였으며 이 두 알고리즘을 결합하여 음성 신호 잡음 제거기를 구현하였다. The sounds of exhaust emissions of automobiles are independent sound sources which are nothing to do with voices. We have no information for the sources of voices and exhaust sounds. Accordingly, Independent Component Analysis which is one of the Blind Source Separaton methods was used to segregate two source signals from each mixed signals. Maximum Likelyhood Estimation was applied to the signals came through the stereo microphone to segregate the two source signals toward the maximization of independence. Since there is no clue to find whether it is speech signal or not, the coefficients of the slope was calculated by the autocovariances of the signals in frequcency domain. Noise remover for speech signals was implemented by coupling the two algorithms.

      • 주성분 분석을 이용한 자동차 소음과 음성의 구분

        김선일(Seonil Kim) 한국정보기술학회 2014 Proceedings of KIIT Conference Vol.2014 No.5

        주성분 분석은 임의 신호를 분석하여 공분산 값이 가장 큰 축과 그에 직교하는 그 다음 큰 축 등을 구하여 신호의 중복된 신호를 제거함으로써 원래 신호보다 적은 수의 데이터로 원래 신호를 표현하고자 할 때 많이 쓰인다. 본 연구에서는 주성분 분석을 통하여 주성분이 잘 드러나도록 신호를 변환한 후 변환된 신호의 공분산 값을 비교하고 이 값의 비교를 통해 음성신호와 자동차 소음 신호를 구분할 수 있는 근거를 제안하고자 한다. Principle Component Analysis(PCA) is used to remove redundancy in signals mostly by finding the axis which is the largest in covariance and the second, and so on. In this study signals are transformed using PCA to find out principal components. The covariances of PCA transformed speech signals and car sound signals are compared and it is given that whether PCA can be used or not to classify the signals.

      • KCI등재

        ICA로 분리한 신호의 분류

        김선일(Seonil Kim) 대한전자공학회 2010 電子工學會論文誌 IE (Industry electronics) Vol.47 No.4

        ICA(Independent Component Analysis)를 이용하여 신호를 분리했을 때 그 중 어느 것이 원하는 신호인지 알아낼 수 있는 일반적인 방법이 없다. 본 논문에서는 자동차 배기음에 오염된 음성 신호를 가정하고 이를 ICA를 이용해 분리했을 때 분리된 신호에서 어느 것이 배기음이고 음성 신호인지 구별할 수 있는 방법을 제시하였다. 음성 신호는 음성 신호와의 상관계수가 가장 크게 나타날 것으로 예상되므로 오염된 음성 신호와 같은 동일인의 단모음 ‘아’, ‘오’, ‘우’ 신호와 타인의 단모음 신호를 이용하여 분리된 각 신호와의 상관계수를 구하되 일괄 방식, 최대값 방식, 평균값 방식 등 세가지 방식으로 구하고 각 방식마다 ‘아’, ‘오’, ‘우’와의 상관 계수로 구분하고 이외에 투표 방법, 합산 방법을 추가한 다섯 가지 방법을 시도하여 가정 좋은 분류율을 나타내는 방식 및 방법을 제시하였다. There is no general method to find out from signals of the channel outputs of ICA(Independent Component Analysis) which is what you want. Assuming speech signals contaminated with the sound from the muffler of a car, this paper presents the method which shows what you want, It is anticipated that speech signals will show larger correlation coefficients for speech signals than others. Batch, maximum and average method were proposed using 'ah', 'oh', 'woo' vowels whose signals were spoken by the same person who spoke the speech signals and using the same vowels whose signals are by another person. With the correlation coefficients which were calculated for each vowel, voting and summation methods were added. This paper shows what the best is among several methods tried.

      연관 검색어 추천

      활용도 높은 자료

      이 검색어로 많이 본 자료

      해외이동버튼