CNN 잡음 감쇠기에서 커널 사이즈의 최적화

• 영문명: Optimization of the Kernel Size in CNN Noise Attenuator
• 발행기관: 한국전자통신학회
• 저자명: 이행우(Haeng-Woo Lee)
• 간행물 정보: 『한국전자통신학회 논문지』제15권 제6호, 987~993쪽, 전체 7쪽
• 주제분류: 공학 > 전자/정보통신공학
• 파일형태: PDF
• 발행일자: 2020.12.30

국문 초록

본 논문은 음향잡음감쇠기에서 CNN(Convolutional Neural Network) 계층의 커널 사이즈가 성능에 미치는 영향을 위한 연구하였다 이 시스템은 기존의 적응필터를 이용하는 대신 신경망 적응예측필터를 이용한 심층학습 알고리즘으로 잡음감쇠 성능을 개선한다. 100-neuron, 16-filter CNN 필터와 오차 역전파(back propagation) 알고리즘을 이용하여 잡음이 포함된 단일입력 음성신호로부터 음성을 추정한다. 이는 음성신호가 갖는 유성음 구간에서의 준주기적 성질을 이용하는 것이다. 본 연구에서 커널 사이즈에 대한 잡음감쇠기의 성능을 검증하기 위하여 Tensorflow와 Keras 라이브러리를 사용한 시뮬레이션 프로그램을 작성하고 모의실험을 수행하였다. 모의실험 결과, 커널 사이즈가 16 정도일 때 MSE 및 MAE 값이 가장 작은 것으로 나타났으며 사이즈가 이보다 더 작거나 커지면 MSE 및 MAE 값이 증가하는 것을 볼 수 있다. 이는 음성신호의 경우 커널 사이즈가 16 정도일 때 특성을 가장 잘 포집할 수 있음을 알 수 있다.

영문 초록

In this paper, we studied the effect of kernel size of CNN(Convolutional Neural Network) layer on performance in acoustic noise attenuators. This system uses a deep learning algorithm using a neural network adaptive prediction filter instead of using the existing adaptive filter. Speech is estimated from a single input speech signal containing noise using a 100-neuron, 16-filter CNN filter and an error back propagation algorithm. This is to use the quasi-periodic property in the voiced sound section of the voice signal. In this study, a simulation program using Tensorflow and Keras libraries was written and a simulation was performed to verify the performance of the noise attenuator for the kernel size. As a result of the simulation, when the kernel size is about 16, the MSE and MAE values are the smallest, and when the size is smaller or larger than this, the MSE and MAE values increase. It can be seen that in the case of an speech signal, features can be best captured when the kernel size is about 16.

목차

Ⅰ. 서 론

Ⅱ. 적응 잡음 감쇠기

Ⅲ. CNN 신경망 필터의 구조

Ⅳ. 딥러닝 모델의 역전파 알고리즘

Ⅴ. 모의실험 결과

Ⅵ. 결 론

References

키워드

잡음 감쇠 심층학습 커널 크기 CNN Noise reduction Deep learning Convolutional neural network Kernel size