삼층 기판위의 삼중 결합 마이크로스트립 서로의 해석을 위한 수치해석의 일반식이 얻어졌다. 유한차분식을 얻기 위한 방법과 특이점 처리를 위한 최적의 방법이 구해졌다. 홀수 모드와 짝수 모드의 캐패시턴스와 특성 임피이던스의 수치해석 결과를 보였으며 그 결과들은 이층의 두께와 삼층의 마치크로스트립 폭의 비에 따라 구해졌다. 수치해석으로 구한 짝수 모드 캐패시턴스는 다른 수치해석 결과와 비교되었다.

상태 지속 밀도를 사용하는 hidden Markov Models(HMM/SD)은 음성 신호의 시간적인 변화를 보다 명확하게 나타낼 수 있다 그러나 상태 지속 밀도가 완만하거나 제한된 상태가 길면 이러한 장점은 감소된다. 이러한 문제점을 해결하기 위하여, 본 논문에서는 상태간의 천이가 특정한 시간 구간에서만 발생하도록 하는 전에 경로 제한 조건을 갖는 HMM/GPC를 제한한다. HMM/GPC는 상태 지속을 제한하고 음성 신호의 시간적 변화를 단순하고 효과적으로 표현할 수 있다. 또한 HMM/SD와 HMM/GPC를 결합한 새로운 형태의 HMM/SD+GPC를 제안하고 성능을 비교하였다. HMM/GPC는 기존 Viterbi 알고리즘을 약간 수정하여 구현될 수 있다. HMM/GPC와 HMM/SD+GPC는 기존 HMM과 HMM/SD에 비하여 우수한 성능을 보일 뿐만아니라 계산량도 매우 작다. 화자도립 단독음 인식 실험에서, HMM/GPC(1.6%)의 최소 오차는 기존 HMM보다 1.1% 낮았고 계산량도 57% 감소하였다.

이 논문에서는 새로운 음성 인식 모델인 동적 국부 자기 조직 지도 모델과 그 학습 알고리즘을 제안한다. 동적 국부 자기 조직 지도 모델은 음성의 시간적, 공간적 왜곡을 프로그래밍 기법과 국부 자기 조직 지도로 각각 정규화 시킨다. 한국어 숫자음에 대한 실험 결과로 제안하는 모델이 예측 신경회로망 모델보다 적은 수의 연결을 갖고서도 약간 높은 인식률을 보여 효과적임을 알 수 있었다.

본 논문에서는 외부로부터 제공되는 학습데이타에 신경회로망의 자기적응화(self-adaptation)를 이룩하기 위한 접근론이 기술된다. 이러한 문제점은 신경회로망의 학습이론, 즉 현재의 학습 데이터에 적절한 신경회로망이 가중치 벡터들(weight vectors)의 개선 방법론에 기인된다. 이들에 관련된 문제점들의 이론적 검토와 아울러 신경회로망의 학습에 대한 근본적인 요소들이 재조명된다. 현재 가장 널리 이용되고 있는 후방 전달(back-propagation) 학습법과 비교함으로써, 본 연구에서 제안된 자기적응 학습법의 유용성과 우위성을 컴퓨터 모의시험 결과로 입증하게 된다.

저주파 대역에서의 스피커 왜곡을 무향실 없이 측정할 수 있는 방법을 제안한다. 이 방법은 제 n고조파의 경우 밀폐형 스피커 내부에 비해 외부에서 40log n dB 증폭된다는 사실에 기초를 두고 있다. 인클로저 내부의 정재파에 의한 영향을 상쇄함으로써 측정가능한 주파수 대역을 넓혔으며 측정오차의 원인을 분석하였다.

탄성표면파 소자용 압전재료의 특성을 평가하여 최적 절단명과 전파방형을 결정하였다. 압전단결정 $LiTaO_4$에 대하여 Rayleigh파의 속도, 결합계수, 표면유전상수, 주파수-온도계수, 감쇠계수, 퓨어모드 전하, 빔 산란, 그리고 정열오차 감도 등의 항목들을 평가하였다. 이론적 계산 결과 Y절단면상의 X축 방향이 최적치로 나타났고, 이결과는 시럼에 의해 확인되었다. 본 논문의 평가방법은 여타 다른 압전재료들에도 동일하게 적용이 가능하다.

다중센서 시스템의 문제점, 특히 임의의 방향에 대한 목표물의 유무를 판단하는 문제에 접근하기 위하여 결절이론을 소개한다. 이 문제에 대한 해는 대상 방향에 대한 간단한 수 즉, 0 또는 1로 구성된 수의 집합으로 표현된다. 이렇게 코드로 표현된 수는 Hopfield 신경회로망에 의한 최적화 기법으로 변환되며, 이러한 변환은 음원의 방향탐지에 대한 이해를 쉽게 한다. Hopfield 신경회로망 모델의 기존 상태 개선 방법들을 사용할 때 직명하게 되는 난점들을 소개하며, 그것과 관련된 문제점들을 제기한다. 이를 해결하기 위하여 새로운 착상, 즉 0에서 1의 상태로 변할 때 보다 큰 에너지 차이를 보이는 뉴런이 상태 개선의 우위를 점할 수 있다는 접을 제안한다. 이로부터 이전 연구들과는 다른 새로운 상태 개선 방법 및 새로운 관점을 도출하게 된다. 본 논문에서는 컴퓨터 모의 실험을 통해 제안된 방법의 전망과 음원 방향 탐지의 효율성을 보인다.

예측신경회로망 모델은 패턴 예측에 의한 매우 효과적인 음성인식 모델이다. 그러나, 그러한 모델은 유사한 어휘간에서 변별력이 떨어지는 단점이 있다. 이 논문에서는 그러한 단점을 극복하기 위한 변별력있는 학습 알고리즘을 제안한다. 이 알고리즘은 최소 분류 오차 수식화와 GPD 알고리즘으로부터 유도외면 그에 따라서 인식 오차의 수를 직접 최소화하는 것이 가능하다. 한국어 숫자음에 대한 인식 실험결과, 기존의 알고리즘에서 발생하는 오인식의 30%를 줄일 수 있었다.

본 논문에서는 line spectrum pair (LSP)의 의사 켑스트럼 표현을 제안하고 이 의사 켑스트럼에 켑스트럼 lifter를 적용하여 얻은 특징 벡타를 이용하는 음성 인식 시스템의 성능을 평가한다. 의사 켑스트럼 표현은 LSP와 LPC 켑스터럼 사이의 관계로부터 근사적으로 유도된다. 이때 음성 인식 시스템의 성능을 더욱 향상 시키기 위하여 root-power-sums lifter, general exponential lifter (GEL), 그리고 bandpass lifter 등과 같은 켑스터럼 liter가 의사 켑스터럼에 적용된다. 또한 mel 주파수로의 변환도 행해진다. 인식 결험 결과, GEL로 liftering된 mel 주파수 의사 켑스터럼이 가장 좋은 성능을 나타내며, LSP에 비해 5~6dB정도의 신도대잡음비의 개선을 얻을 수 있다.

음성신호의 처리에서 GCI를 정확하게 검출하는 것은 중요하다. 따라서 이에 대한 연구가 부분적으로 진행되어 왔다. 이러한 방법은 광범위한 화자와 다양한 단어에 대해 적합하지 못하기 때문에 우리는 G-peak를 사용하여 GCI를 검출하는 새로운 기법을 제안하였다. 우선 음성 신호 파형을 가변 저역 통과 여파기에 통과 시킨다. 여파된 신호를 사용하여 G-peak를 검출하고 이를 기준으로 GCI를 검출하게 된다. 제안된 방법으로 검출한 GCI와 눈으로 찾은 GCI의 차이가 1ms이내이면 고려의 대상으로 삼았다. 제안된 방법은 검출율이 각각 0dB SNR하에서 94%, 20dB SNR하에서 96.5%, 무잡음에서 97.9%를 나타내었다. 결론적으로 제안된 방법은 잡음 환경하에서도 우수한 수행결과를 보였다.

본 논문에서는 화자독립으로 100단어를 인식할 수 있는 실시간 음성인식 다이얼링 시스템의 개발에 대하여 기술하였다. 이 시스템에서 음성인식 알고리즘은 전화선 인터페이스를 갖춘 DSP 보드상에 구현되었으며, IBM PC AT/486 상에서 작동된다. DSP 보드에서는 단어의 시작점이 검출된 후에 특징추출, 벡터양자화 그리고 끝점검출 과정이 실시간으로 10 msec의 프레임 구간마다 수행된다. 또한, 본 시스템에서는 인식시간과 기억용량을 줄이기 위해 VQ 코드북의 크기와 끝점검출 과정을 최적화하였다. 본 실시간 음성인식 다이얼링 시스템은 데모 시스템으로 구현되어 대전엑스포‘93에서 한국이동통신의 MOBILAB 내에 전시되었다.