맞춤기술찾기

홈으로 가기
맞춤기술찾기
이전대상기술
프린트하기

이전대상기술

인공 잡음에 강인한 음성 대역폭 확장을 위한 심화 신경망 앙상블

  • 기술번호 : KST2019031025
  • 담당센터 : 서울서부기술혁신센터
  • 전화번호 : 02-6124-6930
상담신청 PDF 받기
요약, Int. CL, CPC, 출원번호/일자, 출원인, 등록번호/일자, 공개번호/일자, 공고번호/일자, 국제출원번호/일자, 국제공개번호/일자, 우선권정보, 법적상태, 심사진행상태, 심판사항, 구분, 원출원번호/일자, 관련 출원번호, 기술이전 희망, 심사청구여부/일자, 심사청구항수의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 서지정보 표입니다.
요약 인공 잡음에 강인한 음성 대역폭 확장을 위한 심화 신경망 앙상블이 제시된다. 　일 실시예에 따른 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 방법을 이용한 음성 처리 방법은, 음성의 협대역(Narrowband, NB) 신호와 광대역(Wideband, WB) 신호에서 특징벡터를 추출하는 단계; 및 추출된 상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 단계를 포함하여 이루어질 수 있다.
Int. CL G10L 21/038 (2013.01.01) G10L 19/038 (2013.01.01) G10L 25/30 (2013.01.01) G06N 3/08 (2006.01.01)
CPC G10L 21/038(2013.01) G10L 21/038(2013.01) G10L 21/038(2013.01) G10L 21/038(2013.01)
출원번호/일자 1020170081020 (2017.06.27)
출원인 한양대학교 산학협력단
등록번호/일자 10-1998950-0000 (2019.07.04)
공개번호/일자 10-2019-0001278 (2019.01.04) 문서열기
공고번호/일자 (20190710) 문서열기
국제출원번호/일자
국제공개번호/일자
우선권정보
법적상태 등록
심사진행상태 수리
심판사항
구분 신규
원출원번호/일자
관련 출원번호
심사청구여부/일자 Y (2017.06.27)
심사청구항수 12

출원인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 출원인 표입니다.
번호 이름 국적 주소
1 한양대학교 산학협력단 대한민국 서울특별시 성동구

발명자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 발명자 표입니다.
번호 이름 국적 주소
1 장준혁 대한민국 서울특별시 강남구
2 노경진 대한민국 서울특별시 성동구

대리인

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 대리인 표입니다.
번호 이름 국적 주소
1 양성보 대한민국 서울특별시 강남구 선릉로***길 ** (논현동) 삼성빌딩 *층(피앤티특허법률사무소)

최종권리자

번호, 이름, 국적, 주소의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 인명정보 - 최종권리자 표입니다.
번호 이름 국적 주소
1 한양대학교 산학협력단 대한민국 서울특별시 성동구
번호, 서류명, 접수/발송일자, 처리상태, 접수/발송일자의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 행정처리 표입니다.
번호 서류명 접수/발송일자 처리상태 접수/발송번호
1 [특허출원]특허출원서
[Patent Application] Patent Application		 2017.06.27 수리 (Accepted) 1-1-2017-0614543-49
2 선행기술조사의뢰서
Request for Prior Art Search		 2017.10.16 수리 (Accepted) 9-1-9999-9999999-89
3 선행기술조사보고서
Report of Prior Art Search		 2017.12.11 수리 (Accepted) 9-1-2017-0043032-46
4 [출원서등 보정]보정서
[Amendment to Patent Application, etc.] Amendment		 2019.02.11 수리 (Accepted) 1-1-2019-0140853-27
5 의견제출통지서
Notification of reason for refusal		 2019.04.02 발송처리완료 (Completion of Transmission) 9-5-2019-0241136-47
6 [공지예외적용 보완 증명서류]서류제출서
 2019.04.18 수리 (Accepted) 1-1-2019-0397211-96
7 [출원서 등 보정(보완)]보정서
 2019.04.18 수리 (Accepted) 1-1-2019-0397201-39
8 [명세서등 보정]보정서
[Amendment to Description, etc.] Amendment		 2019.06.03 보정승인간주 (Regarded as an acceptance of amendment) 1-1-2019-0567723-48
9 [거절이유 등 통지에 따른 의견]의견(답변, 소명)서
[Opinion according to the Notification of Reasons for Refusal] Written Opinion(Written Reply, Written Substantiation)		 2019.06.03 수리 (Accepted) 1-1-2019-0567722-03
10 등록결정서
Decision to grant		 2019.07.01 발송처리완료 (Completion of Transmission) 9-5-2019-0473823-25
11 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2019.08.05 수리 (Accepted) 4-1-2019-5155816-75
12 출원인정보변경(경정)신고서
Notification of change of applicant's information		 2019.08.06 수리 (Accepted) 4-1-2019-5156285-09
번호, 청구항의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 청구항 표입니다.
번호 청구항
1 1
음성의 협대역(Narrowband, NB) 신호와 광대역(Wideband, WB) 신호에서 특징벡터를 추출하는 단계; 및 추출된 상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 단계를 포함하고, 상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 단계는, 추출된 상기 특징벡터를 이용하여 제1 심화 신경망 생성 모델을 학습시킨 후, 학습이 완료되면 학습 데이터로 사용된 협대역 신호의 상기 특징벡터들을 이용하여 상기 광대역 신호의 스펙트럼을 추정하고, 추정된 상기 광대역 신호와 실제 광대역 신호를 통해 과추정의 정도를 정량화하여 과추정 데이터와 일반 데이터를 정의하는 단계; 상기 과추정 데이터와 상기 일반 데이터를 분류하는 심화 신경망 분류 모델을 학습시키는 단계; 및 상기 과추정 데이터와 상기 일반 데이터를 이용하여 제2 심화 신경망 생성 모델을 학습시키는 단계를 포함하고, 상기 제2 심화 신경망 생성 모델은, 상기 과추정 데이터에 최적화된 생성 모델을 학습하며, 상기 과추정의 정도를 정량화하여 과추정 데이터와 일반 데이터를 정의하는 단계는, 추출된 상기 특징벡터를 이용하여 제1 심화 신경망 생성 모델을 학습시킨 후, 학습이 완료되면 학습 데이터로 사용된 협대역 신호의 상기 특징벡터들을 이용하여 상기 광대역 신호의 고주파 대역 로그 파워 스펙트럼을 추정하는 단계; 추정된 상기 광대역 신호의 고주파 로그 파워 스펙트럼과 실제 광대역 신호의 고주파 대역 로그 파워 스펙트럼을 비교하여 에러(error)를 계산하는 단계; 상기 에러를 이용하여 과추정 정도를 정량화하기 위해 정의된 비용함수를 계산하고, 상기 비용함수 값의 분포를 히스토그램으로 도시하는 단계; 및 상기 히스토그램 상에서 소정 범위에 해당하는 데이터들을 과추정 데이터로 정의하고 나머지 데이터들을 일반 데이터로 정의하는 단계를 포함하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 방법을 이용한 음성 처리 방법
2 2
제1항에 있어서, 상기 음성의 협대역 신호와 광대역 신호에서 특징벡터를 추출하는 단계는, 상기 광대역 신호를 다운샘플링(Down Sampling)하는 단계; 다운샘플링 후, 협대역 코덱을 이용하여 상기 협대역 신호를 생성하는 단계; 및 상기 협대역 신호와 상기 광대역 신호에서 로그 파워 스펙트럼(Log Power Spectrum, LPS)을 상기 특징 벡터로 추출하는 단계를 포함하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 방법
3 3
제1항에 있어서,상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 단계는, 추출된 상기 특징벡터를 이용하여 적어도 하나 이상의 심화 신경망 생성 모델 및 심화 신경망 분류 모델의 학습을 통해 음성 대역폭을 확장시키는 것을 특징으로 하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 방법
4 4
삭제
5 5
삭제
6 6
제1항에 있어서, 상기 히스토그램 상에서 소정 범위에 해당하는 데이터들을 과추정 데이터로 정의하고 나머지 데이터들을 일반 데이터로 정의하는 단계는, 상기 히스토그램 상에서 과추정 정도 상위 0
7 7
제1항에 있어서, 추출된 상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 단계는, 상기 제1 심화 신경망 생성 모델, 상기 제2 심화 신경망 생성 모델 및 상기 심화 신경망 분류 모델을 앙상블로 설계하여 최종적으로 상기 광대역 신호의 고주파 대역 로그 파워 스펙트럼을 추정하며, 상기 심화 신경망 분류 모델의 출력이 각각 상기 제1 심화 신경망 생성 모델 및 상기 제2 심화 신경망 생성 모델의 가중치로 적용되어 최종 출력이 결정되는 것을 특징으로 하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 방법
8 8
음성의 협대역(Narrowband, NB) 신호와 광대역(Wideband, WB) 신호에서 특징벡터를 추출하는 단계; 및 추출된 상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 단계를 포함하고, 상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 단계는, 추출된 상기 특징벡터를 이용하여 제1 심화 신경망 생성 모델을 학습시킨 후, 학습이 완료되면 학습 데이터로 사용된 협대역 신호의 상기 특징벡터들을 이용하여 상기 광대역 신호의 스펙트럼을 추정하고, 추정된 상기 광대역 신호와 실제 광대역 신호를 통해 과추정의 정도를 정량화하여 과추정 데이터와 일반 데이터를 정의하는 단계; 상기 과추정 데이터와 상기 일반 데이터를 분류하는 심화 신경망 분류 모델을 학습시키는 단계; 및 상기 과추정 데이터와 상기 일반 데이터를 이용하여 제2 심화 신경망 생성 모델을 학습시키는 단계를 포함하고, 상기 제2 심화 신경망 생성 모델은, 상기 과추정 데이터에 최적화된 생성 모델을 학습하며, 추출된 상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 단계는, 상기 제1 심화 신경망 생성 모델, 상기 제2 심화 신경망 생성 모델 및 상기 심화 신경망 분류 모델을 앙상블로 설계하여 최종적으로 상기 광대역 신호의 고주파 대역 로그 파워 스펙트럼을 추정하며, 상기 심화 신경망 분류 모델의 출력이 각각 상기 제1 심화 신경망 생성 모델 및 상기 제2 심화 신경망 생성 모델의 가중치로 적용되어 최종 출력이 결정되고, 상기 최종 출력에서 과추정이 발생할 경우, 상기 심화 신경망에 재학습시키는 단계를 더 포함하고, 상기 최종 출력에서 과추정이 발생할 경우, 상기 심화 신경망에 재학습시키는 단계는, 학습 데이터를 재추출하여 타겟인 상기 광대역 신호의 고주파 대역 스펙트럼에 필터를 적용하여 확장성을 조절한 후, 상기 제2 심화 신경망 생성 모델에 재학습시켜 업데이트 하는 것을 특징으로 하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 방법
9 9
제8항에 있어서,상기 최종 출력에서 과추정이 발생할 경우, 상기 심화 신경망에 재학습시키는 단계는, 인공 잡음에 강인한 특성을 갖도록 어절 단위로 필터를 적용하여 상기 학습 데이터로 사용하는 것을 특징으로 하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 방법
10 10
음성의 협대역(Narrowband, NB) 신호와 광대역(Wideband, WB) 신호에서 특징벡터를 추출하는 특징벡터 추출부; 및 추출된 상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 음성 대역폭 확장부를 포함하고, 상기 음성 대역폭 확장부는, 추출된 상기 특징벡터를 학습시킨 후, 학습이 완료되면 학습 데이터로 사용된 협대역 신호의 상기 특징벡터들을 이용하여 상기 광대역 신호의 스펙트럼을 추정하고, 추정된 상기 광대역 신호와 실제 광대역 신호를 통해 과추정의 정도를 정량화하여 과추정 데이터와 일반 데이터를 정의하는 제1 심화 신경망 생성 모델; 상기 과추정 데이터와 상기 일반 데이터를 분류하는 심화 신경망 분류 모델; 및 상기 과추정 데이터와 상기 일반 데이터를 이용하여 학습시키는 제2 심화 신경망 생성 모델을 포함하고, 상기 제2 심화 신경망 생성 모델은, 상기 과추정 데이터에 최적화된 생성 모델을 학습하며, 상기 제1 심화 신경망 생성 모델은, 추출된 상기 특징벡터를 이용하여 제1 심화 신경망 생성 모델을 학습시킨 후, 학습이 완료되면 학습 데이터로 사용된 협대역 신호의 상기 특징벡터들을 이용하여 상기 광대역 신호의 고주파 대역 로그 파워 스펙트럼을 추정하고, 추정된 상기 광대역 신호의 고주파 로그 파워 스펙트럼과 실제 광대역 신호의 고주파 대역 로그 파워 스펙트럼을 비교하여 에러(error)를 계산하며, 상기 에러를 이용하여 과추정 정도를 정량화하기 위해 정의된 비용함수를 계산하고, 상기 비용함수 값의 분포를 히스토그램으로 도시하여, 상기 히스토그램 상에서 소정 범위에 해당하는 데이터들을 과추정 데이터로 정의하고 나머지 데이터들을 일반 데이터로 정의하는 것을 특징으로 하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 장치
11 11
제10항에 있어서, 상기 광대역 신호를 다운샘플링(Down Sampling) 후, 협대역 코덱을 이용하여 상기 협대역 신호를 생성하는 다운샘플링부를 더 포함하고, 상기 협대역 신호와 상기 광대역 신호에서 각각 로그 파워 스펙트럼(Log Power Spectrum, LPS)을 상기 특징 벡터로 추출하는 것을 특징으로 하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 장치
12 12
삭제
13 13
삭제
14 14
제10항에 있어서, 상기 음성 대역폭 확장부는, 상기 제1 심화 신경망 생성 모델, 상기 제2 심화 신경망 생성 모델 및 상기 심화 신경망 분류 모델을 앙상블로 설계하여 최종적으로 상기 광대역 신호의 고주파 대역 로그 파워 스펙트럼을 추정하며, 상기 심화 신경망 분류 모델의 출력이 각각 상기 제1 심화 신경망 생성 모델 및 상기 제2 심화 신경망 생성 모델의 가중치로 적용되어 최종 출력이 결정되는 것을 특징으로 하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 장치
15 15
음성의 협대역(Narrowband, NB) 신호와 광대역(Wideband, WB) 신호에서 특징벡터를 추출하는 특징벡터 추출부; 및 추출된 상기 특징벡터를 심화 신경망의 학습을 통해 고주파 대역 주파수 스펙트럼을 추정하여 음성 대역폭을 확장시키는 음성 대역폭 확장부를 포함하고, 상기 음성 대역폭 확장부는, 추출된 상기 특징벡터를 학습시킨 후, 학습이 완료되면 학습 데이터로 사용된 협대역 신호의 상기 특징벡터들을 이용하여 상기 광대역 신호의 스펙트럼을 추정하고, 추정된 상기 광대역 신호와 실제 광대역 신호를 통해 과추정의 정도를 정량화하여 과추정 데이터와 일반 데이터를 정의하는 제1 심화 신경망 생성 모델; 상기 과추정 데이터와 상기 일반 데이터를 분류하는 심화 신경망 분류 모델; 및 상기 과추정 데이터와 상기 일반 데이터를 이용하여 학습시키는 제2 심화 신경망 생성 모델을 포함하고, 상기 제2 심화 신경망 생성 모델은, 상기 과추정 데이터에 최적화된 생성 모델을 학습하며, 상기 음성 대역폭 확장부는, 상기 제1 심화 신경망 생성 모델, 상기 제2 심화 신경망 생성 모델 및 상기 심화 신경망 분류 모델을 앙상블로 설계하여 최종적으로 상기 광대역 신호의 고주파 대역 로그 파워 스펙트럼을 추정하며, 상기 심화 신경망 분류 모델의 출력이 각각 상기 제1 심화 신경망 생성 모델 및 상기 제2 심화 신경망 생성 모델의 가중치로 적용되어 최종 출력이 결정되며, 상기 제2 심화 신경망 생성 모델은, 상기 최종 출력에서 과추정이 발생할 경우, 학습 데이터를 재추출하여 타겟인 상기 광대역 신호의 고주파 대역 스펙트럼에 필터를 적용하여 확장성을 조절한 후, 재학습시켜 업데이트 하는 것을 특징으로 하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 장치
16 16
제15항에 있어서,상기 제2 심화 신경망 생성 모델은, 인공 잡음에 강인한 특성을 갖도록 어절 단위로 필터를 적용하여 상기 학습 데이터로 사용하는 것을 특징으로 하는 음성 대역폭 확장을 위한 심화 신경망 앙상블을 이용한 음성 처리 장치
지정국 정보가 없습니다
패밀리정보가 없습니다
순번, 연구부처, 주관기관, 연구사업, 연구과제의 정보를 제공하는 이전대상기술 뷰 페이지 상세정보 > 국가R&D 연구정보 정보 표입니다.
순번 연구부처 주관기관 연구사업 연구과제
1 과학기술정보통신부 한양대학교 산학협력단 정보통신산업진흥원 부설 정보통신기술진흥센터 / 정보통신방송 연구개발사업 / 방송통신산업기술개발사업(이지바로) AI스피커 음성비서를 위한 지능형 음성신호처리 기술개발