RISS 학술연구정보서비스

검색
자동완성 버튼
다국어입력
다국어 입력
あ ぁ か が さ ざ た だ な は ば ぱ ま や ゃ ら わ ゎ ん い ぃ き ぎ し じ ち ぢ に ひ び ぴ み り う ぅ く ぐ す ず つ づ っ ぬ ふ ぶ ぷ む ゆ ゅ る え ぇ け げ せ ぜ て で ね へ べ ぺ め れ お ぉ こ ご そ ぞ と ど の ほ ぼ ぽ も よ ょ ろ を
ア ァ カ サ ザ タ ダ ナ ハ バ パ マ ヤ ャ ラ ワ ヮ ン イ ィ キ ギ シ ジ チ ヂ ニ ヒ ビ ピ ミ リ ウ ゥ ク グ ス ズ ツ ヅ ッ ヌ フ ブ プ ム ユ ュ ル エ ェ ケ ゲ セ ゼ テ デ ヘ ベ ペ メ レ オ ォ コ ゴ ソ ゾ ト ド ノ ホ ボ ポ モ ヨ ョ ロ ヲ ―

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.
ㅥ ㅦ ㅧ ㅨ ㅩ ㅪ ㅫ ㅬ ㅭ ㅮ ㅯ ㅰ ㅱ ㅲ ㅳ ㅴ ㅵ ㅶ ㅷ ㅸ ㅹ ㅺ ㅻ ㅼ ㅽ ㅾ ㅿ ㆀ ㆁ ㆂ ㆃ ㆄ ㆅ ㆆ ㆇ ㆈ ㆉ ㆊ ㆋ ㆌ ㆍ ㆎ
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω α β γ δ ε ζ η θ ι κ λ μ ν ξ ο π ρ σ τ υ φ χ ψ ω
á à Á À é è É È ç Ç ê
Ä Ö Ü ä ö ü ß
ְ ֳ ֲ ֱ ָ ַ ֵ ֶ ִ ֹ ּ ֻ ׂ ׁ ּ פ ם ן ו ט א ר ק ף ך ל ח י ע כ ג ד ש ץ ת צ מ נ ה ב
‘ ’ “ ” 〔 〕 〈 〉 「 」 『 』 【 】 ＂ （ ） ［ ］ ｛ ｝
± × ÷ ≠ ≤ ≥ ∞ ∴ ♂ ♀ ∠ ⊥ ⌒ ∂ ∇ ≡ ≒ ≪ ≫ √ ∽ ∝ ∵ ∫ ∬ ∈ ∋ ⊆ ⊇ ⊂ ⊃ ∪ ∩ ∧ ∨ ￢ ⇒ ⇔ ∀ ∃ ∮ ∑ ∏ ＋ － ＜ ＝ ＞
、 。 · ‥ … ¨ 〃 ― ∥ ＼ ∼ ´ ～ ˇ ˘ ˝ ˚ ˙ ¸ ˛ ¡ ¿ ː ！ ＇ ， ． ／ ： ； ？ ＾ ＿ ｀ ｜
½ ⅓ ⅔ ¼ ¾ ⅛ ⅜ ⅝ ⅞ ¹ ² ³ ⁴ ⁿ ₁ ₂ ₃ ₄
Æ Ð Ħ IJ Ł Ø Œ Þ Ŧ Ŋ æ đ ð ħ ı ij ĸ ŀ ł ø œ ß þ ŧ ŋ ʼn
А Б В Г Д Е Ё Ж З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Щ Ъ Ы Ь Э Ю Я а б в г д е ё ж з и й к л м н о п р с т у ф х ц ч ш щ ъ ы ь э ю я
′ ″ ℃ Å ￠ ￡ ￥ ¤ ℉ ‰ ＄ ％ Ｆ ￦ ㎕ ㎖ ㎗ ℓ ㎘ ㏄ ㎣ ㎤ ㎥ ㎦ ㎙ ㎚ ㎛ ㎜ ㎝ ㎞ ㎟ ㎠ ㎡ ㎢ ㏊ ㎍ ㎎ ㎏ ㏏ ㎈ ㎉ ㏈ ㎧ ㎨ ㎰ ㎱ ㎲ ㎳ ㎴ ㎵ ㎶ ㎷ ㎸ ㎹ ㎀ ㎁ ㎂ ㎃ ㎄ ㎺ ㎻ ㎽ ㎾ ㎿ ㎐ ㎑ ㎒ ㎓ ㎔ Ω ㏀ ㏁ ㎊ ㎋ ㎌ ㏖ ㏅ ㎭ ㎮ ㎯ ㏛ ㎩ ㎪ ㎫ ㎬ ㏝ ㏐ ㏓ ㏃ ㏉ ㏜ ㏆
§ ※ ☆ ★ ○ ● ◎ ◇ ◆ □ ■ △ ▽ → ← ↑ ↓ ↔ 〓 ◁ ◀ ▷ ▶ ♤ ♠ ♡ ♥ ♧ ♣ ⊙ ◈ ▣ ◐ ◑ ▒ ▤ ▥ ▨ ▧ ▦ ▩ ♨ ☏ ☎ ☜ ☞ † ‡ ↕ ↗ ↙ ↖ ↘ ♭ ♩ ♪ ♬ ㉿ ㈜ № ㏇ ™ ㏂ ㏘ ℡ ＃ ＆ ＊ ＠ ª º
ⅰ ⅱ ⅲ ⅳ ⅴ ⅵ ⅶ ⅷ ⅸ ⅹ Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ Ⅵ Ⅶ Ⅷ Ⅸ Ⅹ
ا ب ت ث ج ح خ د ذ ر ز س ش ص ض ط ظ ع غ ف ق ک ل م ن ه و ی
닫기
    인기검색어 순위 펼치기

    RISS 인기검색어

      DNN을 리용한 조선어음성인식의 성능개선

      한글로보기

      https://www.riss.kr/link?id=A106122478

      • 0

        상세조회

      • 0

        다운로드
      서지정보 열기
      • 내보내기
      • 내책장담기
      • 공유하기
      • 오류접수

      부가정보

      국문 초록 (Abstract)

      한국어
      영어
      최근에 심층신경망(DNN)에 기초한 모형화방법이 급속히 발전하여 음성인식성능이 크게 개선되고있다. 론문에서는 DNN음향모형을 리용하여 조선어열린어휘음성인식의 성능을 개선하는 방법을 서술하였다. 발성자독립 및 적응된 DNN모형들을 훈련하는 방법을 주었으며 DNN모형이 GMM모형에 비하여 음소오유률(PER)을 30%정도 줄인다는것을 보여주었다. 또한 음성인식기《룡남산》에서 OOV률이 다른 2가지 시험자료에 대하여 DNN 모형의 성능을 평가하였다. OOV률이 낮은 자료에 대하여 글자오유률(CER)이 상대적으로 74.4%정도, OOV률이 높은 자료에 대하여 39.4% 줄어들었다. 일부 응용들에서 숨은 층개수가 작은 모형들을 리용하는것이 리득일수 있으며 숨은 층개수가 많은 모형이 여러가지 변동에 더 로바스트적이라는것을 보여주었다. 저위수근사화와 공학적최량화에 의하여 모형크기와 사후확률평가 시간이 15배정도 단축되였다.
      번역하기

      최근에 심층신경망(DNN)에 기초한 모형화방법이 급속히 발전하여 음성인식성능이 크게 개선되고있다. 론문에서는 DNN음향모형을 리용하여 조선어열린어휘음성인식의 성능을 개선하는 방법...

      최근에 심층신경망(DNN)에 기초한 모형화방법이 급속히 발전하여 음성인식성능이 크게 개선되고있다. 론문에서는 DNN음향모형을 리용하여 조선어열린어휘음성인식의 성능을 개선하는 방법을 서술하였다. 발성자독립 및 적응된 DNN모형들을 훈련하는 방법을 주었으며 DNN모형이 GMM모형에 비하여 음소오유률(PER)을 30%정도 줄인다는것을 보여주었다. 또한 음성인식기《룡남산》에서 OOV률이 다른 2가지 시험자료에 대하여 DNN 모형의 성능을 평가하였다. OOV률이 낮은 자료에 대하여 글자오유률(CER)이 상대적으로 74.4%정도, OOV률이 높은 자료에 대하여 39.4% 줄어들었다. 일부 응용들에서 숨은 층개수가 작은 모형들을 리용하는것이 리득일수 있으며 숨은 층개수가 많은 모형이 여러가지 변동에 더 로바스트적이라는것을 보여주었다. 저위수근사화와 공학적최량화에 의하여 모형크기와 사후확률평가 시간이 15배정도 단축되였다.

      더보기

      목차 (Table of Contents)

      • 초록
      • Ⅰ. 서론
      • Ⅱ. 《룡남산》기준음성인식체계
      • Ⅲ. DNN에 기초한 모형화
      • Ⅳ. 실험결과
      • 초록
      • Ⅰ. 서론
      • Ⅱ. 《룡남산》기준음성인식체계
      • Ⅲ. DNN에 기초한 모형화
      • Ⅳ. 실험결과
      • Ⅴ. 결론
      • Ⅵ. 앞으로의 연구방향
      • 참고문헌
      더보기

      동일학술지(권/호) 다른 논문

      더보기

      분석정보

      View

      상세정보조회

      0

      Usage

      원문다운로드

      0

      대출신청

      0

      복사신청

      0

      EDDS신청

      0

      동일 주제 내 활용도 TOP

      더보기

      주제

      연도별 연구동향

      연도별 활용동향

      연관논문

      연구자 네트워크맵

      공동연구자 (7)

      유사연구자 (20) 활용도상위20명

      이 자료와 함께 이용한 RISS 자료

      나만을 위한 추천자료

      해외이동버튼