1 |
1
오염된 음성 신호로부터 오염된 음성 특성을 추출하는 특징 추출부;훈련 음성 특징, 훈련 잡음 특징 및 훈련 오염된 음성 특징으로부터 심층 신경망을 기반으로 하여 비선형 관계 모델을 생성하는 관계 모델 생성부;상기 오염된 음성 특징과, 과거 프레임에서 보상된 음성 특징을 이용하여 평균과 공분산을 포함한 잡음 특징의 확률 분포를 추정하는 잡음 특징 확률 분포 추정부;상기 잡음 특징의 확률 분포를 반영하여 잡음 특징을 표본화하는 잡음 표본화부;상기 심층 신경망 기반 비선형 관계 모델을 기반으로 상기 오염된 음성 특징에서 상기 표본화된 잡음 특징을 제거하는 잡음 제거부; 및상기 표본화된 잡음 특징이 제거된 음성 특징을 결합하여 보상된 음성 특징을 생성하는 특징 결합부로 구성되는음성 인식을 위한 특징 보상 시스템
|
2 |
2
제 1 항에 있어서,상기 보상된 음성 특징과 상기 표본화된 잡음 특징이 제거된 음성 특징의 차이의 공분산을 결합하고, 상기 표본화된 잡음 특징간의 거리로 인해 발생하는 공분산의 크기를 조정함으로써, 보상된 음성 특징의 불확실성을 생성하는 불확실성 생성부를 더 포함하는음성 인식을 위한 특징 보상 시스템
|
3 |
3
제 2 항에 있어서,상기 잡음 표본화부는 상기 추정된 잡음 특징의 공분산에 비례하도록, 평균 잡음 특징과 평균으로부터 복수의 일정한 거리에 있는 잡음 특징으로 구성된 중앙 차분 구조로 표본화하는 것인 음성 인식을 위한 특징 보상 시스템
|
4 |
4
제 3 항에 있어서,상기 잡음 표본화부는 상기 잡음 특징의 확률 분포에 비례하는 가중치를 부여하도록 잡음 특징을 표본화하는 것인 음성 인식을 위한 특징 보상 시스템
|
5 |
5
제 4 항에 있어서,상기 특징 결합부는 상기 표본화된 잡음 특징의 가중치를 사용하여 표본화된 잡음 특징이 제거된 음성 특징을 선형 결합함으로써 상기 보상된 음성 특징을 생성하는 것인 음성 인식을 위한 특징 보상 시스템
|
6 |
6
제 4 항에 있어서,상기 불확실성 생성부는 상기 표본화된 잡음 특징의 가중치를 사용하여 보상된 음성 특징과 표본화된 잡음 특징이 제거된 음성 특징을 선형 결합함으로써 상기 보상된 음성 특징의 불확실성을 생성하는 것인 음성 인식을 위한 특징 보상 시스템
|
7 |
7
제 1 항에 있어서,상기 잡음 특징 확률 분포 추정부는 상기 잡음 특징을 다변수 정규 분포로 설정하고 확장 칼만 필터를 사용하여 잡음 특징의 평균과 공분산을 추정하는 것인 음성 인식을 위한 특징 보상 시스템
|
8 |
8
제 1 항에 있어서,상기 관계 모델 생성부는 상기 추정된 훈련 잡음 특징의 평균을 추가로 이용하여 비선형 관계 모델을 생성하는 것 인 음성 인식을 위한 특징 보상 시스템
|
9 |
9
제 1 항에 있어서,상기 관계 모델 생성부는 잡음 환경에서 수집한 훈련 잡음 신호와 조용한 환경에서 수집한 훈련 음성 신호를 다양한 신호 대 잡음 비로 합하여 훈련 오염된 음성 신호를 생성하고, 생성된 훈련 오염된 음성 신호로부터 훈련 오염된 음성 특징을 추출하는 것인 음성 인식을 위한 특징 보상 시스템
|
10 |
10
오염된 음성 신호로부터 오염된 음성 특성을 추출하는 단계;훈련 음성 특징, 훈련 잡음 특징 및 훈련 오염된 음성 특징으로부터 심층 신경망을 기반으로 하여 비선형 관계 모델을 생성하는 단계;상기 오염된 음성 특징과, 과거 프레임에서 보상된 음성 특징을 이용하여 평균과 공분산을 포함한 잡음 특징의 확률 분포를 추정하는 단계;상기 잡음 특징의 확률 분포를 반영하여 잡음 특징을 표본화하는 단계;상기 심층 신경망 기반 비선형 관계 모델을 기반으로 상기 오염된 음성 특징에서 상기 표본화된 잡음 특징을 제거하는 단계; 및표본화된 잡음 특징이 제거된 음성 특징을 결합하여 보상된 음성 특징을 생성하는 단계를 포함하는음성 인식을 위한 특징 보상 방법
|
11 |
11
제 10 항에 있어서,상기 보상된 음성 특징과 상기 표본화된 잡음 특징이 제거된 음성 특징의 차이의 공분산을 결합하고, 상기 표본화된 잡음 특징간의 거리로 인해 발생하는 공분산의 크기를 조정함으로써, 보상된 음성 특징의 불확실성을 생성하는 단계를 더 포함하는음성 인식을 위한 특징 보상 방법
|
12 |
12
제 11 항에 있어서,상기 표본화하는 단계는 상기 추정된 잡음 특징의 공분산에 비례하도록, 평균 잡음 특징과 평균으로부터 복수의 일정한 거리에 있는 잡음 특징으로 구성된 중앙 차분 구조로 표본화하는 것인 음성 인식을 위한 특징 보상 방법
|
13 |
13
제 12 항에 있어서,상기 표본화하는 단계는 상기 잡음 특징의 확률 분포에 비례하는 가중치를 부여하도록 잡음 특징을 표본화하는 것인 음성 인식을 위한 특징 보상 방법
|
14 |
14
제 13 항에 있어서,상기 보상된 음성 특징을 생성하는 단계는 표본화된 잡음 특징의 가중치를 사용하여 표본화된 잡음 특징이 제거된 음성 특징을 선형 결합함으로써 상기 보상된 음성 특징을 생성하는 것인 음성 인식을 위한 특징 보상 방법
|
15 |
15
제 13 항에 있어서,상기 보상된 음성 특징의 불확실성을 생성하는 단계는 상기 표본화된 잡음 특징의 가중치를 사용하여 보상된 음성 특징과 표본화된 잡음 특징이 제거된 음성 특징을 선형 결합함으로써 상기 보상된 음성 특징의 불확실성을 생성하는 것인 음성 인식을 위한 특징 보상 방법
|
16 |
16
제 10 항에 있어서,상기 잡음 특징의 확률 분포를 추정하는 단계는 상기 잡음 특징을 다변수 정규 분포로 설정하고 확장 칼만 필터를 사용하여 잡음 특징의 평균과 공분산을 추정하는 것인 음성 인식을 위한 특징 보상 방법
|
17 |
17
제 10 항에 있어서,상기 비선형 관계 모델을 생성하는 단계는 추정된 상기 훈련 잡음 특징의 평균을 추가로 이용하여 비선형 관계 모델을 생성하는 것인 음성 인식을 위한 특징 보상 방법
|
18 |
18
제 10 항에 있어서,상기 비선형 관계 모델을 생성하는 단계는 잡음 환경에서 수집한 훈련 잡음 신호와 조용한 환경에서 수집한 훈련 음성 신호를 다양한 신호 대 잡음 비로 합하여 훈련 오염된 음성 신호를 생성하고, 생성된 훈련 오염된 음성 신호로부터 훈련 오염된 음성 특징을 추출하는 것인 음성 인식을 위한 특징 보상 방법
|