• 한국콘텐츠학회논문지
• /
• 제5권2호
• /
• pp.251-256
• /
• 2005

영어 단음절 차용어가 한국어에 적응될 때 여분의 음절이 더해져서 음절수가 증가하는 경향이 있다. 본 논문에서는 음절수를 증가시키는 구체적인 조건을 밝힐 뿐만 아니라, 음절수를 예측하는 알고리즘을 제안하는 것을 목적으로 한다. 음절수를 증가시키는 요인은 3가지가 있는데, 우선 단어에 이중 모음이나 자음 군이 있으면 음절수가 증가한다. 세 번째 요인으로는, 단어에서 마지막 자음의 특성에 따라서 어말 모음이 삽입될 수 있다. 이 세 가지 요인에 근거하여 단음절 차용어의 음절수 예측 알고리즘을 3가지 규칙으로 제시하고 그 구체적인 적용과정을 데이터를 통해서 보여주고 있다.

• The Journal of the Acoustical Society of Korea
• /
• 제17권2E호
• /
• pp.26-30
• /
• 1998

In this paper, we compose neural network predictive HMM(NNPHMM) to provide the dynamic feature of the speech pattern for the HMM. The NNPHMM is the hybrid network of neura network and the HMM. The NNPHMM trained to predict the future vector, varies each time. It is used instead of the mean vector in the HMM. In the experiment, we compared the recognition abilities of the one hundred Korean syllables according to the variation of hidden layer, state number and prediction orders of the NNPHMM. The hidden layer of NNPHMM increased from 10 dimensions to 30 dimensions, the state number increased from 4 to 6 and the prediction orders increased from 10 dimensions to 30 dimension, the state number increased from 4 to 6 and the prediction orders increased from the second oder to the fourth order. The NNPHMM in the experiment is composed of multi-layer perceptron with one hidden layer and CMHMM. As a result of the experiment, the case of prediction order is the second, the average recognition rate increased 3.5% when the state number is changed from 4 to 5. The case of prediction order is the third, the recognition rate increased 4.0%, and the case of prediction order is fourth, the recognition rate increased 3.2%. But the recognition rate decreased when the state number is changed from 5 to 6.

• 한국음향학회지
• /
• 제18권3호
• /
• pp.62-67
• /
• 1999

본 논문은 회귀신경망을 이용한 음성인식에 관한 연구이다. 예측형 신경망으로 음절단위로 모델링한 후 미지의 입력음성에 대하여 예측오차가 최소가 되는 모델을 인식결과로 한다. 이를 위해서 예측형으로 구성된 신경망에 음성의 시변성을 신경망 내부에 흡수시키기 위해서 회귀구조의 동적인 신경망인 회귀예측신경망을 구성하고 Elman과 Jordan이 제안한 회귀구조에 따라 인식성능을 서로 비교하였다. 음성DB는 ETRI의 샘돌이 음성 데이터를 사용하였다. 그리고, 신경망의 최적모델을 구하기 위하여 예측차수와 은닉층 유니트 수의 변화에 따른 인식률의 변화와 문맥층에서 자기회귀계수를 두어 이전의 값들이 문맥층에서 누적되도록 하였을 경우에 대한 인식률의 변화를 비교하였다. 실험결과, 최적의 예측차수, 은닉층 유니트수, 자기회귀계수는 신경망의 구조에 따라 차이가 나타났으며, 전반적으로 Jordan망이 Elman망보다 인식률이 높았으며, 자기회귀계수에 대한 영향은 신경망의 구조와 계수값에 따라 불규칙하게 나타났다.