本文關鍵詞： 稀疏約束非負矩陣分解 乘性迭代規(guī)則 正交投影非負矩陣分解 交替方向乘子法 語音增強 目標跟蹤　出處：《安徽大學》2017年碩士論文　論文類型：學位論文

【摘要】："互聯(lián)網+"時代,信息的數量呈現爆炸式增長,而且信息維度也愈來愈大,如何處理這些海量高維數據是當前科學研究的熱點問題之一�；谙∈杓s束的非負矩陣分解方法不僅擁有普通非負矩陣分解的非負特性,使得分解結果有直觀的物理意義,而且還可以對數據產生稀疏的表示,挖掘數據背后隱含的模式或特征,便于數據的存儲和分析。稀疏非負矩陣分解技術已廣泛應用于計算機視覺、語音識別、文本聚類、網絡安全、生物醫(yī)學工程等諸多領域,特別是在大規(guī)模數據處理任務中具有重要的理論意義和應用價值。本文主要研究帶稀疏約束的非負矩陣分解方法,主要的研究內容如下:(1)基于L_(1/2)范數約束的稀疏卷積非負矩陣分解方法在L_q范數約束的基礎上,提出一種基于L1/2范數的稀疏約束卷積非負矩陣分解方法,給出了一種基于乘性迭代規(guī)則的求解算法,并對收斂性進行分析。該方法利用歐式距離衡量分解誤差,使用稀疏性更強的L1/2范數對分解系數進行稀疏約束�；谏鲜龇椒�,本文還提出了一種基于L1/2稀疏約束卷積非負矩陣分解的單通道語音增強模型。該模型在刻畫語音基的幀間相關性和在信號稀疏表示方面具有明顯優(yōu)勢。在語音增強過程中,該模型先對噪聲進行非負矩陣分解得到噪聲基,以此作為先驗信息用于含噪語音的稀疏約束卷積非負矩陣分解中,并利用分解后的語音基和相應系數重建干凈語音。實驗結果表明該方法分解后得到的語音基含有噪聲成分更少,相比傳統(tǒng)的語音增強方法,該模型重建后語音的可懂度有所提高。(2)正交投影非負矩陣的交替方向乘子分解方法本文提出一種基于交替方向乘子的正交投影非負矩陣分解方法。在普通非負矩陣分解方法中引入基矩陣正交和投影約束后,得到正交投影非負矩陣分解方法。正交約束可減少基向量之間的相關性,從而得到稀疏性更強的基向量。同時,針對基于乘性規(guī)則的傳統(tǒng)求解算法收斂速度慢等問題,本文提出一種基于交替方向乘子的優(yōu)化方法,比傳統(tǒng)的乘性更新規(guī)則收斂更快、更穩(wěn)定。仿真實驗結果表明基于交替方向乘子的求解方法比乘性迭代規(guī)則在收斂精度和速度上均有優(yōu)勢,特別是在大規(guī)模數據條件下,處理速率明顯加快。本文將該方法應用于目標跟蹤問題的模板更新中,實驗結果表明該方法不僅可以提高跟蹤速度,還能得到稀疏性更好的候選模板,有效地處理目標跟蹤中模板的噪聲問題。
[Abstract]:In the era of "Internet", the quantity of information is increasing explosively, and the dimension of information is becoming larger and larger. How to deal with these massive high-dimensional data is one of the hot issues in current scientific research. The non-negative matrix decomposition method based on sparse constraints not only has the non-negative characteristics of ordinary non-negative matrix decomposition. The decomposition results have intuitive physical significance, but also can produce sparse representation of the data, mining the hidden patterns or characteristics behind the data. Sparse non-negative matrix decomposition technology has been widely used in computer vision, speech recognition, text clustering, network security, biomedical engineering and many other fields. Especially in the large-scale data processing task has important theoretical significance and application value. This paper mainly studies the non-negative matrix decomposition method with sparse constraints. The main research contents are as follows: 1: 1) the sparse convolution nonnegative matrix decomposition method based on L / S 1 / 2) norm constraint is based on the L _ S _ Q norm constraint. A sparse constrained convolution nonnegative matrix decomposition method based on L 1 / 2 norm is proposed, and an algorithm based on multiplicative iterative rules is presented. The method uses Euclidean distance to measure the decomposition error and uses the more sparse L 1 / 2 norm to constrain the decomposition coefficient. This paper also proposes a single channel speech enhancement model based on L 1 / 2 sparse constrained convolution nonnegative matrix factorization. The model has obvious advantages in describing the inter-frame correlation of speech bases and in signal sparse representation. Speech enhancement. The noise base is obtained by non-negative matrix decomposition of noise, which is used as prior information in sparse constrained convolution nonnegative matrix decomposition of noisy speech. The experimental results show that the speech base obtained by this method contains less noise than the traditional speech enhancement method. The intelligibility of the reconstructed speech is improved. In this paper, a method of orthogonal projection nonnegative matrix decomposition based on alternating direction multiplier is proposed. The orthogonal matrix and projection reduction of base matrix are introduced in the ordinary nonnegative matrix decomposition method. Back. The orthogonal projection nonnegative matrix decomposition method is obtained. The orthogonal constraints can reduce the correlation between the basis vectors and obtain more sparse basis vectors. At the same time. In view of the slow convergence speed of the traditional algorithm based on multiplicative rules, this paper proposes an optimization method based on alternating direction multipliers, which converges faster than the traditional multiplicative updating rules. The simulation results show that the method based on alternating direction multiplier has more advantages in convergence accuracy and speed than the multiplicative iterative rule, especially under the condition of large scale data. This method is applied to the template updating of target tracking problem. The experimental results show that this method can not only improve the tracking speed, but also obtain a more sparse candidate template. The problem of template noise in target tracking is effectively dealt with.
【學位授予單位】：安徽大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：O151.21

【相似文獻】

相關期刊論文 前10條

1 宋金歌;楊景;陳平;佘玉梅;;一種非負矩陣分解的快速稀疏算法[J];云南民族大學學報(自然科學版);2011年04期

2 尹星云;;非負矩陣分解的基本原理和研究現狀分析[J];科技資訊;2011年35期

3 程明松;劉勺連;;一種實用快速非負矩陣分解算法[J];大連理工大學學報;2013年01期

4 唐曉芬;陳莉;;最大相關熵非負矩陣分解在基因表達數據聚類中的應用[J];計算機與應用化學;2013年11期

5 曾文梅;;基于半監(jiān)督非負矩陣分解的人流量分析[J];哈爾濱師范大學自然科學學報;2011年02期

6 孟佳音;劉丁酉;;基于分布估計算法的非負矩陣分解[J];湖北民族學院學報(自然科學版);2012年03期

7 王雪明;王套;;非負矩陣分解的相關討論[J];湖南農機;2013年09期

8 曹勝玉;劉來福;;非負矩陣分解及其在基因表達數據分析中的應用[J];北京師范大學學報(自然科學版);2007年01期

9 李巧;孔薇;;改進的非負矩陣分解在基因表達數據中的應用[J];信息技術;2010年12期

10 陳清華;陳六君;郭金忠;;二進制約束下的NMF方法及其應用[J];北京師范大學學報(自然科學版);2009年01期

相關會議論文 前10條

1 孫江明;李通化;;非平滑三維非負矩陣分解[A];第九屆全國計算（機）化學學術會議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負矩陣分解的自動多文摘方法[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負矩陣分解的圖像檢索[A];第七屆和諧人機環(huán)境聯(lián)合學術會議（HHME2011)論文集【oral】[C];2011年

4 徐利民;龔珊;余再軍;;奇異值分解與非負矩陣分解色在數據降維方面的特性分析[A];2010年通信理論與信號處理學術年會論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負矩陣分解和支持向量機的軸心軌跡圖識別[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負矩陣分解[A];中國自動化學會中南六�。▍^(qū)）2010年第28屆年會·論文集[C];2010年

7 楊寶;朱啟兵;黃敏;;基于非負矩陣分解一稀疏表示分類的玻璃缺陷圖像識別[A];第24屆中國控制與決策會議論文集[C];2012年

8 錢樂樂;高雋;徐小紅;;非負性約束的圖像稀疏編碼[A];第七屆全國信息獲取與處理學術會議論文集[C];2009年

9 朱昊;黃源水;付夢印;;基于NMF的道路識別算法在野外環(huán)境感知中的應用[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負矩陣分解和向量相似測度的語音與音樂分離算法[A];第十一屆全國人機語音通訊學術會議論文集（一）[C];2011年

相關博士學位論文 前10條

1 楊士準;基于樣本和特征的遷移學習方法及應用[D];國防科學技術大學;2013年

2 葉軍;基于正則化方法的非負矩陣分解算法及其應用研究[D];南京理工大學;2014年

3 陸玉武;圖像分類中流形回歸與非負矩陣分解研究[D];哈爾濱工業(yè)大學;2015年

4 張恩德;在線社會網絡分析與挖掘若干關鍵問題研究[D];東北大學;2014年

5 胡俐蕊;非負矩陣分解方法及其在選票圖像識別中的應用[D];安徽大學;2013年

6 殷海青;圖像分析中的非負矩陣分解理論及其最優(yōu)化和正則化方法研究[D];西安電子科技大學;2011年

7 楊洪禮;非負矩陣與張量分解及其應用[D];山東科技大學;2011年

8 史加榮;多尺度張量逼近及應用[D];西安電子科技大學;2012年

9 方蔚濤;人臉識別特征抽取算法的研究[D];重慶大學;2012年

10 劉昱昊;基于非負矩陣分解算法的人臉識別技術的研究[D];吉林大學;2014年

相關碩士學位論文 前10條

1 謝昊;非負矩陣分解初始化及其應用[D];暨南大學;2015年

2 王一;凸與半非負矩陣分解的近點梯度方法研究[D];東北師范大學;2015年

3 項磊;基于乳腺癌計算機輔助診斷的病理圖像分析[D];南京信息工程大學;2015年

4 王丹;基于非負矩陣分解的腦電信號特征提取算法研究[D];燕山大學;2015年

5 馬春霞;非負矩陣分解及在基因表達數據分析中的應用研究[D];曲阜師范大學;2015年

6 崔艷榮;基于非負矩陣分解的高光譜遙感數據融合方法分析及應用[D];電子科技大學;2014年

7 賴淑珍;非負矩陣分解若干算法研究與應用[D];電子科技大學;2014年

8 趙龍;基于多流形正則化非負矩陣分解的多視圖聚類[D];大連理工大學;2015年

9 黃震;基于多視角非負矩陣分解的同名區(qū)分算法研究[D];大連理工大學;2015年

10 邵強;改進的非負矩陣分解算法及其在人臉識別中的應用[D];河北工業(yè)大學;2015年

，

本文編號：1493935