1 |
1
마이크를 통해 입력되는 음성신호를 샘플링하고 양자화하기 위한 샘플링/양자화 수단; 상기 샘플링/양자화 수단을 경유한 신호를 주파수에 따라 나누는 필터뱅크 수단; 상기 필터뱅크 수단을 경유한 신호를 제로 크로싱 값으로 변환하는 제로 크로싱 수단; 및 상기 제로 크로싱 값을 다운 샘플링을 통해 데시메이션(decimation)하여 나온 특징 벡터를 시간차 신경망(TDNN; temporal difference neural network)의 입력으로 하는 시간차 신경망 입력수단을 포함하고, 상기 필터뱅크는 밴드패스 필터로 이루어지도록 된 것을 특징으로 하는 시간차 신경망을 이용한 고립단어 인식을 위한 하드웨어 구조
|
2 |
2
제1항에 있어서, 연결강도를 다운받고 필요시에 연결강도를 넘기는 연결강도저장 모듈; 입력프레임 값과 연산된 프레임 값을 다운로드 및 저장하는 프레임저장 모듈; 및 실질적인 연산을 수행하는 연산 모듈;을 포함하는 것을 특징으로 하는 시간차 신경망을 이용한 고립단어 인식을 위한 하드웨어 구조
|
3 |
3
제1항 또는 제2항에 있어서, 호스트(host)로부터 연결강도를 다운받을 때, 쉬프트 레지스터를 통해 일률적으로 연결강도를 채워나가고, 상기에서 채워진 연결강도 집합들 중에서 필요한 집합이 연결 선택 비트를 통해서 선택되게 하여 특정 카테고리의 패턴에 대한 인식을 가능하게 하는 연결강도저장 모듈을 구비하는 것을 특징으로 하는 시간차 신경망을 이용한 고립단어 인식을 위한 하드웨어 구조
|
4 |
4
제1항 또는 제2항에 있어서, 소정의 제1 시간(n-2)에서의 출력뉴런의 값들을 구한 후에, 제2 시간(n-1)에서 소정의 제2 히든 레이어(hidden layer)의 프레임 값을 구하고, 제3 시간(n)에서 제1 히든 레이어의 프레임 값을 구하는 과정을 통해 시간적으로 차등을 두어서 연산결과를 나오게 하여 출력단과 프레임단 각각이 값을 병렬적으로 구할 수 있게 된 것을 특징으로 하는 시간차 신경망을 이용한 고립단어 인식을 위한 하드웨어 구조
|
5 |
5
제1항 또는 제2항에 있어서, 소정의 반도체 칩의 용적을 절약하기 위해 개략적인 곱셈결과를 출력하는 보상기; 누산값을 구할 때마다 일일이 리셋 신호를 발생시키거나 할 필요가 없이, 단순히 값을 클럭 신호에 맞춰서 집어넣은 후에 얼마 간의 시간지연을 거치고 출력값을 받아내기 위한 누산기; 상기 누산기의 시간지연을 이용하여 작은 용적의 룩업테이블(LUT)을 사용할 수 있도록 하기 위한 연산모듈을 구비하여 된 것을 특징으로 하는 시간차 신경망을 이용한 고립단어 인식을 위한 하드웨어 구조
|
6 |
6
제1항 또는 제2항에 있어서, 연결 연산한 값들을 일렬로 이동시켜서 시그모이드를 통과한 후에 프레임저장 모듈의 쉬프트 레지스터에 채우고, 모든 프레임 값들과 출력뉴런의 값이 채워지면 수직으로 모든 값들을 이동시켜 다음 연산을 준비하도록 하는 프레임저장 모듈을 구비하여 된 것을 특징으로 하는 시간차 신경망을 이용한 고립단어 인식을 위한 하드웨어 구조
|
7 |
7
제1항 또는 제2항에 있어서, 소정의 단어 인식과 같이 하나의 패턴이 긴 경우, 추가적인 연결강도저장 모듈과 프레임저장 모듈 쌍에 단어의 부분들을 처리하도록 하여 처리된 값을 호스트에서 다운받아 이를 조합하여 전체적인 단어를 인식하도록 하는 것을 특징으로 하는 시간차 신경망을 이용한 고립단어 인식을 위한 하드웨어 구조
|