KR100349341B1 - Technique for the recognition rate improvement for acoustically similar speech - Google Patents
Technique for the recognition rate improvement for acoustically similar speech Download PDFInfo
- Publication number
- KR100349341B1 KR100349341B1 KR1020000077415A KR20000077415A KR100349341B1 KR 100349341 B1 KR100349341 B1 KR 100349341B1 KR 1020000077415 A KR1020000077415 A KR 1020000077415A KR 20000077415 A KR20000077415 A KR 20000077415A KR 100349341 B1 KR100349341 B1 KR 100349341B1
- Authority
- KR
- South Korea
- Prior art keywords
- recognition
- unit
- similar
- candidate
- present
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Document Processing Apparatus (AREA)
- Machine Translation (AREA)
Abstract
본 발명은 음향학적으로 유사한 부분에 대해 상대적으로 낮은 가중치를, 음향적으로 상이한 부분에 대해서는 상대적으로 높은 가중치를 주어 거리를 측정하고 이를 토대로 인식하도록 함으로써 음향적으로 유사한 후보를 포함하는 인식 시스템에서의 인식률을 개선할 수 있도록 한 유사단어 및 문장 인식시의 인식율 개선 방법에 관한 것이다.The present invention provides a relatively low weight for acoustically similar parts and a relatively high weight for acoustically different parts so that distance is measured and recognized based on a recognition system that includes acoustically similar candidates. The present invention relates to a method of improving the recognition rate when recognizing similar words and sentences to improve the recognition rate.
본 발명은 음성 특징 벡터 추출부와 제1인식 엔진부를 통하여 입력된 음성 파형과 저장 패턴간의 음성 인식 알고리즘을 거친 후 후보어휘 선정부를 통하여 인식 후보 단어 2-3개를 선정하는 제1단계, 윈도우 타입 선정부를 통하여 상기 후보어휘 선정부에 의해 선정된 2-3개 후보의 일치하는 음절의 위치에 따라 가중치 윈도우 형태를 적용하는 제2단계, 적용된 스펙트럼 특징 벡터가 멀티플렉서와 제2인식 엔진부를 통하면서 다시 한 번 음성 인식 알고리즘을 이용하여 최종적으로 인식된 문장이나 단어를 결정하는 제3단계로 이루어진다.The present invention provides a first step of selecting 2-3 candidate candidate words through a candidate vocabulary selection unit after a speech recognition algorithm between a voice waveform inputted through a voice feature vector extracting unit and a first recognition engine unit and a storage pattern. The second step of applying a weighted window form according to the position of the matching syllables of the 2-3 candidates selected by the candidate vocabulary selecting unit through the selecting unit, the applied spectral feature vector is again passed through the multiplexer and the second recognition engine unit. The third step is to determine the sentence or word finally recognized using the speech recognition algorithm.
Description
본 발명은 ARS나 음성 인터페이스에 많이 사용되는 인식기술에 관한 것으로, 특히 음향학적으로 유사한 부분에 대해 상대적으로 낮은 가중치를, 음향적으로 상이한 부분에 대해서는 상대적으로 높은 가중치를 주어 거리를 측정하고 이를 토대로 인식하도록 함으로써 음향적으로 유사한 후보를 포함하는 인식 시스템에서의 인식률을 개선할 수 있도록 한 유사단어 및 문장 인식시의 인식률 개선 방법에 관한 것이다.The present invention relates to a recognition technique commonly used in ARS or a voice interface, and in particular, a distance is measured by giving a relatively low weight to an acoustically similar part and a relatively high weight to an acoustically different part. The present invention relates to a method of improving the recognition rate in recognizing similar words and sentences by enabling recognition to improve the recognition rate in a recognition system including acoustically similar candidates.
일반적으로 음성인식 시스템에는 벡터 양자화를 이용하는 방법과 동적 시간정합을 이용하는 방법, 신경 회로망을 이용하는 방법, 은닉 마르코프 모델을 이용하는 방법 등이 주로 사용되고 있다.Generally, a method using a vector quantization, a method using dynamic time matching, a method using a neural network, a method using a hidden Markov model is mainly used in the speech recognition system.
상기에서 벡터 양자화는 차원이 큰 입력 패턴을 양자화함으로써 차원을 줄이는 방법으로 음성 부호화 등에 널리 이용되며, 유사한 패턴간의 군집화 특성을 이용하여 인식에도 사용되고 있다.Vector quantization is widely used in speech coding as a method of reducing dimensions by quantizing input patterns having large dimensions, and is also used for recognition using clustering characteristics between similar patterns.
동적 시간 정합을 이용한 음성인식 방법은 패턴들을 비선형 신축에 의해 보다 유연하게 정합시킴으로써 길이가 서로 다른 2개의 패턴에서 최적의 정합 경로를 찾아 두 패턴을 서로 비교할 수 있는 방법을 제공한다.The speech recognition method using dynamic time matching provides a method of matching the patterns with each other by finding the optimal matching path in two different patterns by matching the patterns more flexibly by nonlinear stretching.
또한, 은닉 마르코프 모델은 길이가 일정치 않은 시계열 패턴들을 확률적으로 모델하는 방법으로 음성에 포함된 다양한 변이나 시간 정보들을 효과적으로 나타낼 수 있기 때문에 현재 음성 모델링의 방법으로 주축을 이루고 있다.In addition, the hidden Markov model is the main method of speech modeling because it can effectively represent various side and time information included in the speech by probabilistic modeling of time series patterns having a constant length.
그리고 신경회로망은 패턴 인식 분야에서 다양하게 적용되는 방법으로 인간의 뇌작용과 유사한 특징들을 가지고 있어 음성 분야에 있어서도 다양한 가능성을 보이고 있다.Neural networks have various features in the field of pattern recognition and have similar features to the human brain, showing various possibilities in the field of speech.
현재 실험실 수준의 음성 인식 연구는 주로 은닉 마코프 모델을 이용한 음성인식의 연구가 활발하게 진행중이며 또한 최근에는 은닉 마코프 모델과 신경 회로망을 결합하여 음성 인식에 적용하는 연구 사례가 많이 발표되고 있다.Currently, laboratory-level speech recognition research is actively conducted on the recognition of speech using hidden Markov model. Recently, many researches have been applied to the speech recognition by combining hidden Markov model and neural network.
실제 상용분야에서는 알고리즘이 간단하고 구현이 용이하여 데이터 베이스가 한정된 고립단어 인식에서 좋은 성능을 보여주는 동적 시간 정합 알고리즘도 널리 사용되고 있다.In practice, dynamic time matching algorithms are also widely used in commercial applications, which show good performance in database isolation.
본 발명은 이와 같은 점에 부응하여 안출한 것으로, 본 발명의 목적은, 인식기술로 널리 이용되는 동적시간정합 알고리즘 및 은닉 마코프 모델 등을 이용하여 유사한 음소특성 및 동일한 음절을 포함한 단어 및 문장을 대상으로 이를 인식할 때 유사음절 및 음소 때문에 변별력이 떨어져서 발생하는 오인식률을 줄일 수 있도록 하는 유사단어 및 문장 인식시의 인식율 개선 방법을 제공하는데 있다.The present invention has been devised in response to the above, and an object of the present invention is to target words and sentences containing similar phoneme characteristics and the same syllables using dynamic time matching algorithms and hidden Markov models, which are widely used as recognition techniques. The present invention provides a method of improving the recognition rate when recognizing similar words and sentences to reduce the false recognition rate caused by the lack of discrimination due to similar syllables and phonemes.
도 1은 본 발명의 가중치 윈도우를 이용한 인식 시스템의 구성도1 is a block diagram of a recognition system using a weight window of the present invention
도 2는 본 발명의 후반부 음절 및 음소가 동일할 경우 적용될 가중치 윈도 우를 나타낸 그래프2 is a graph showing a weighted window to be applied when the second syllable and the phoneme of the present invention are the same
도 3은 본 발명의 전반부 음절 및 음소가 동일할 경우 적용될 가중치 윈도 우를 나타낸 그래프3 is a graph showing a weight window to be applied when the first syllable and the phoneme of the present invention are the same
도 4는 본 발명의 전후반부의 음절 및 음소가 동일할 경우 적용될 가중치 윈도우를 나타낸 그래프4 is a graph showing a weight window to be applied when the syllables and the phonemes of the front and rear half of the present invention are the same
도 5는 본 발명에 따른 음성포탈 서비스에서 보이스엑스엠엘 에디팅 방법의 플로우챠트.5 is a flowchart of a voice XML editing method in a voice portal service according to the present invention;
〈도면의 주요부분에 대한 부호의 설명〉<Explanation of symbols for main parts of drawing>
10:음성특징벡터 추출부 20:제1인식 엔진부10: voice feature vector extraction unit 20: first recognition engine unit
30:후보어휘 선정부 40:윈도우타입 선정부30: candidate vocabulary selection unit 40: window type selection unit
50:멀티플렉서 60:제2인식 엔진부50: multiplexer 60: second recognition engine unit
이와 같은 목적을 달성하기 위한 본 발명은, 일단 음성인식기를 가동시켜 2-3개의 인식 후보를 얻어 이 인식 후보들이 음향적으로 유사한 부분을 가지고 있는 경우 유사 단어 및 문장에서 동일 음절위치를 파악하고, 동일 음절 위치에 따라 인식 대상으로 선정된 후보들을 음향적 유사부분 및 상이 부분으로 나눈 상태에서 가중치 윈도우를 적용하여 특징 벡터들 간의 거리를 측정 하는 것을 특징으로 한다.In order to achieve the above object, the present invention, once the voice recognizer is operated to obtain 2-3 recognition candidates, and when the recognition candidates have acoustically similar parts, the same syllable positions are identified in similar words and sentences, The distance between the feature vectors is measured by applying a weight window in a state in which candidates selected as recognition targets are divided into acoustic similar parts and different parts according to the same syllable position.
본 발명의 다른 특징은, 상기 가중치 윈도우를 이용한 거리측정법을 사용하여 유사단어 및 문장을 인식하는 데 있다.Another feature of the present invention is to recognize similar words and sentences using the distance measurement method using the weight window.
본 발명의 또 다른 특징은, 상기 유사단어 및 문장 인식시 음향적 유사부분의 위치정보를 이용하여 가변윈도우를 적용하는 데 있다.Another feature of the present invention is to apply a variable window using the positional information of the acoustic similar part when recognizing the similar word and sentence.
본 발명의 또 다른 특징은, 가중치 윈도우의 변곡점 결정시, 음향적 동일 음절의 음소수에 따라 변곡점 위치를 결정하는 데 있다.Another feature of the present invention is to determine the inflection point position according to the phoneme number of the same acoustic syllable when determining the inflection point of the weight window.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예를 상세히 설명하도록 한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 가중치 윈도우를 이용한 인식 시스템의 개략적인 구성도로, 입력 패턴으로부터 음성 특징 벡터를 추출하는 음성 특징 벡터 추출부(10)와, 상기 음성 특징 벡터 추출부(10)에 의해 추출된 특징 벡터로부터 인식을 수행하는 제1인식 엔진부(20)와, 상기 제1인식 엔진부(20)로부터 2-3개의 후보 어휘를 선정하는 후보어휘 선정부(30)와, 상기 후보어휘 선정부(30)로부터 윈도우 타입을 선정하는 윈도우 타입 선정부(40)와, 상기 후보어휘 선정부(30)와 윈도우 타입 선정부(40)의 출력신호를 먹싱하는 멀티플렉서(50)와, 상기 멀티플렉서(50)의 출력으로부터 인식 결과를 출력하는 제2인식 엔진부(60)로 구성된 것이다.1 is a schematic configuration diagram of a recognition system using a weight window of the present invention, which is extracted by a speech feature vector extractor 10 and a speech feature vector extractor 10 that extracts a speech feature vector from an input pattern. A first recognition engine unit 20 that performs recognition from a feature vector, a candidate vocabulary selecting unit 30 for selecting 2-3 candidate vocabularies from the first recognition engine unit 20, and the candidate vocabulary selecting unit A window type selector 40 for selecting a window type from the 30, a multiplexer 50 for muting output signals of the candidate vocabulary selector 30 and the window type selector 40, and the multiplexer 50 It is composed of a second recognition engine unit 60 for outputting the recognition result from the output of.
이와 같이 구성된 본 발명의 작용을 상세히 설명하면 다음과 같다.Referring to the operation of the present invention configured as described in detail as follows.
인식의 성공 여부는 동일 음절 및 음소 부분을 제외한 부분의 거리측정결과에 큰 영향을 받는다.The success of recognition is greatly influenced by the distance measurement result except for the same syllable and phoneme parts.
2음절의 지명을 예로 들면, 경주 청주 광주는 두 번째 음절이 일치하며 첫음절의 인식성공율이 해당 단어의 인식 성공 여부를 좌우한다.For example, the name of two syllables, Gyeongju Cheongju Gwangju, the second syllable coincides with the recognition success rate of the first syllable.
마찬가지로 경주, 경산의 경우는 첫음절이 일치하는 단어로 두 번째 음절의 인식 성공률에 따라 인식 성공 여부를 결정한다.Similarly, in the case of Gyeongju and Gyeongsan, the first syllable is a word that matches the success rate of the second syllable.
또한, 음성학, 음향학 등과 같이 어두와 어미 음절이 동일할 경우 중심부의 음절 및 음소의 특성에 의해 인식 성공 여부가 결정된다.In addition, when the dark and the ending syllables are the same, such as phonetics and acoustics, the recognition success is determined by the characteristics of the syllables and the phonemes in the center.
본 발명은 유사단어 및 문장을 음향적 유사부분 및 상이 부분을 추출하는 단계에서 전반부가 일치하는 경우 후반부가 일치하는 경우 전후반부가 일치하되 중간 부분이 일치하지 않는 경우 그 외의 경우로 나뉜다.The present invention is divided into other cases in which the front half is matched when the first half coincides with the second half when the similar words and sentences are extracted, and the middle half does not match.
도 2와 도 3은 분류된 유사단어 및 문장에 적용될 가중치 윈도우의 형태를 나타낸 그래프로, 이때 가중치 윈도우는 계단 함수로써 계단함수의 변곡점은 연속되는 음수의 일치하는 개수에 따라 달리한다.2 and 3 are graphs showing the shape of a weighted window to be applied to classified similar words and sentences, wherein the weighted window is a step function, and the inflection point of the step function varies depending on the number of consecutive negative numbers.
이때, 각 음절을 2바이트로 고려할 때 일치하는 음소수를 바이트로 환산하여 전체 바이트에서 연속적으로 일치하는 음소의 바이트 수를 전체 지속 시간에 대한 계단함수의 변곡 지점이 위치할 프레임으로 본다.In this case, when each syllable is considered to be 2 bytes, the number of matching phonemes is converted into bytes to view the number of bytes of consecutively matching phonemes as the frame where the inflection point of the step function for the total duration is located.
예를 들어, 2음정의 단어에서 일치하는 음절이 하나이며 일치하지 않는 음절인 첫음절에서 같은 종성이 존재하지 않을 경우 인식하고자 하는 입력 음성 파형의 전체지속시간의 중간 지점이 계단함수의 변곡점이 된다.For example, if there is one matching syllable in two-note words and the same finality does not exist in the first syllable that does not match, the midpoint of the total duration of the input speech waveform to be recognized becomes the inflection point of the step function. .
만일, 경주, 청주에서처럼 동일 음절이외에 종성이 일치하는 경우 각 음성 파형의 전체 지속시간의 1/4 지점이 계단함수의 변곡점이 된다.If the finality is consistent with the same syllable as in Gyeongju and Cheongju, one quarter of the total duration of each voice waveform becomes the inflection point of the step function.
또한, 음성학, 음향학과 같이 전후반부 음절이 모두 일치하는 경우, 도 4의가중치 윈도우를 적용하며, 이는 다음의 수학식 1과 같다.In addition, when all front and rear half syllables such as phonetics and acoustics coincide, the weighting window of FIG. 4 is applied, which is represented by Equation 1 below.
Dev= Dev =
Dst:누적에러, Dev:변곡지점, i:프레임, p:특징벡터차수, N:전체프레임수Dst: Cumulative error, Dev: Inflection point, i: Frame, p: Characteristic vector order, N: Total number of frames
계단함수의 최대치와 최소치는 2:1의 비율로 할 때 실험에서 가장 높은 인식률을 내었다.The maximum and minimum step function yielded the highest recognition rate in the experiment when the ratio was 2: 1.
도 5는 유사단어 및 문장 인식을 위한 알고리즘을 나타낸 것으로 먼저, 음성 특징 벡터 추출부(10)와 제1인식 엔진부(20)를 통하여 입력된 음성 파형과 저장 패턴간의 음성 인식 알고리즘을 거친 후 후보어휘 선정부(30)를 통하여 인식 후보 단어 2-3개를 선정한다(S10-S30단계).FIG. 5 illustrates an algorithm for recognizing similar words and sentences. First, candidates after a speech recognition algorithm between a speech waveform and a storage pattern input through the speech feature vector extractor 10 and the first recognition engine 20 are candidates. Through the vocabulary selection unit 30, 2-3 recognition candidate words are selected (steps S10 to S30).
그리고 윈도우 타입 선정부(40)를 통하여 후보어휘 선정부(30)에 의해 선정된 2-3개 후보의 일치하는 음절의 위치에 따라 가중치 윈도우 형태를 적용한다(S40, S50단계).Then, the window type selection unit 40 applies the weighted window form according to the position of the matching syllables of the 2-3 candidates selected by the candidate vocabulary selecting unit 30 (steps S40 and S50).
또한, 적용된 스펙트럼 특징 벡터는 멀티플렉서(50)와 제2인식 엔진부(60)를 통하면서 다시 한 번 음성 인식 알고리즘을 이용하여 최종적으로 인식된 문장이나 단어를 결정한다(S60단계).In addition, the applied spectral feature vector determines the sentence or word finally recognized using the speech recognition algorithm once again through the multiplexer 50 and the second recognition engine unit 60 (step S60).
이상에서 설명한 바와 같은 본 발명은 ARS나 일반적인 음성 인터페이스에 단어 및 문장 인식에서 인식율을 향상시키고자 가중치 거리 측정 개념을 도입하여 각 유사단어 및 문장의 음향적 유사 정도에 따라 가중치 윈도우를 선택하고 이를 적용할 수 있어 인식 개상어휘 및 문장이 유사한 음향적 특징을 가지는 후보가 많을 경우 매우 유용하게 적용할 수 있는 효과가 있다.As described above, the present invention introduces a weight distance measurement concept to improve recognition rate in word and sentence recognition in ARS or general speech interface, and selects and applies a weight window according to the acoustic similarity of each similar word and sentence. Therefore, when there are many candidates with similar acoustic characteristics, the recognition-advancing vocabulary and the sentence can be very usefully applied.
Claims (4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020000077415A KR100349341B1 (en) | 2000-12-16 | 2000-12-16 | Technique for the recognition rate improvement for acoustically similar speech |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020000077415A KR100349341B1 (en) | 2000-12-16 | 2000-12-16 | Technique for the recognition rate improvement for acoustically similar speech |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20020048125A KR20020048125A (en) | 2002-06-22 |
| KR100349341B1 true KR100349341B1 (en) | 2002-08-21 |
Family
ID=27682527
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020000077415A KR100349341B1 (en) | 2000-12-16 | 2000-12-16 | Technique for the recognition rate improvement for acoustically similar speech |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100349341B1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100560916B1 (en) * | 2001-06-30 | 2006-03-14 | 주식회사 케이티 | Speech recognition method using posterior distance |
-
2000
- 2000-12-16 KR KR1020000077415A patent/KR100349341B1/en not_active IP Right Cessation
Also Published As
| Publication number | Publication date |
|---|---|
| KR20020048125A (en) | 2002-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109410914B (en) | Method for identifying Jiangxi dialect speech and dialect point | |
| KR102410914B1 (en) | Modeling apparatus for voice recognition and method and apparatus for voice recognition | |
| JP4224250B2 (en) | Speech recognition apparatus, speech recognition method, and speech recognition program | |
| US6553342B1 (en) | Tone based speech recognition | |
| US20010010039A1 (en) | Method and apparatus for mandarin chinese speech recognition by using initial/final phoneme similarity vector | |
| KR20230129094A (en) | Method and Apparatus for Emotion Recognition in Real-Time Based on Multimodal | |
| KR20180057970A (en) | Apparatus and method for recognizing emotion in speech | |
| KR100832556B1 (en) | Speech Recognition Methods for the Robust Distant-talking Speech Recognition System | |
| KR102140770B1 (en) | Method for unlocking user equipment based on voice, user equipment releasing lock based on voice and computer readable medium having computer program recorded therefor | |
| JP3444108B2 (en) | Voice recognition device | |
| Yavuz et al. | A Phoneme-Based Approach for Eliminating Out-of-vocabulary Problem Turkish Speech Recognition Using Hidden Markov Model. | |
| JP3403838B2 (en) | Phrase boundary probability calculator and phrase boundary probability continuous speech recognizer | |
| KR100349341B1 (en) | Technique for the recognition rate improvement for acoustically similar speech | |
| Sawakare et al. | Speech recognition techniques: a review | |
| KR100474253B1 (en) | Speech recognition method using utterance of the first consonant of word and media storing thereof | |
| Moore | Systems for isolated and connected word recognition | |
| Ananthakrishna et al. | Effect of time-domain windowing on isolated speech recognition system performance | |
| CN110706689A (en) | Emotion estimation system and computer-readable medium | |
| Khalifa et al. | Statistical modeling for speech recognition | |
| KR100677224B1 (en) | Speech recognition method using anti-word model | |
| JP3357752B2 (en) | Pattern matching device | |
| JP2943445B2 (en) | Voice recognition method | |
| Ibrahim et al. | A comparative survey of DTW and HMM using Hausa isolated digits recognition in human computer interaction sytem | |
| JP2862306B2 (en) | Voice recognition device | |
| KR20040100592A (en) | Speech Recognition Method of Real-time Speaker Independent Variable Word in Mobile System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| N231 | Notification of change of applicant | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20120801 Year of fee payment: 11 |
|
| FPAY | Annual fee payment |
Payment date: 20130801 Year of fee payment: 12 |
|
| LAPS | Lapse due to unpaid annual fee |