本文關(guān)鍵詞： 稀疏約束非負(fù)矩陣分解 乘性迭代規(guī)則 正交投影非負(fù)矩陣分解 交替方向乘子法 語(yǔ)音增強(qiáng) 目標(biāo)跟蹤　出處：《安徽大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】："互聯(lián)網(wǎng)+"時(shí)代,信息的數(shù)量呈現(xiàn)爆炸式增長(zhǎng),而且信息維度也愈來(lái)愈大,如何處理這些海量高維數(shù)據(jù)是當(dāng)前科學(xué)研究的熱點(diǎn)問(wèn)題之一。基于稀疏約束的非負(fù)矩陣分解方法不僅擁有普通非負(fù)矩陣分解的非負(fù)特性,使得分解結(jié)果有直觀的物理意義,而且還可以對(duì)數(shù)據(jù)產(chǎn)生稀疏的表示,挖掘數(shù)據(jù)背后隱含的模式或特征,便于數(shù)據(jù)的存儲(chǔ)和分析。稀疏非負(fù)矩陣分解技術(shù)已廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、文本聚類、網(wǎng)絡(luò)安全、生物醫(yī)學(xué)工程等諸多領(lǐng)域,特別是在大規(guī)模數(shù)據(jù)處理任務(wù)中具有重要的理論意義和應(yīng)用價(jià)值。本文主要研究帶稀疏約束的非負(fù)矩陣分解方法,主要的研究?jī)?nèi)容如下:(1)基于L_(1/2)范數(shù)約束的稀疏卷積非負(fù)矩陣分解方法在L_q范數(shù)約束的基礎(chǔ)上,提出一種基于L1/2范數(shù)的稀疏約束卷積非負(fù)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(duì)收斂性進(jìn)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(qiáng)的L1/2范數(shù)對(duì)分解系數(shù)進(jìn)行稀疏約束。基于上述方法,本文還提出了一種基于L1/2稀疏約束卷積非負(fù)矩陣分解的單通道語(yǔ)音增強(qiáng)模型。該模型在刻畫語(yǔ)音基的幀間相關(guān)性和在信號(hào)稀疏表示方面具有明顯優(yōu)勢(shì)。在語(yǔ)音增強(qiáng)過(guò)程中,該模型先對(duì)噪聲進(jìn)行非負(fù)矩陣分解得到噪聲基,以此作為先驗(yàn)信息用于含噪語(yǔ)音的稀疏約束卷積非負(fù)矩陣分解中,并利用分解后的語(yǔ)音基和相應(yīng)系數(shù)重建干凈語(yǔ)音。實(shí)驗(yàn)結(jié)果表明該方法分解后得到的語(yǔ)音基含有噪聲成分更少,相比傳統(tǒng)的語(yǔ)音增強(qiáng)方法,該模型重建后語(yǔ)音的可懂度有所提高。(2)正交投影非負(fù)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(fù)矩陣分解方法。在普通非負(fù)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(fù)矩陣分解方法。正交約束可減少基向量之間的相關(guān)性,從而得到稀疏性更強(qiáng)的基向量。同時(shí),針對(duì)基于乘性規(guī)則的傳統(tǒng)求解算法收斂速度慢等問(wèn)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(shí)驗(yàn)結(jié)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(shì),特別是在大規(guī)模數(shù)據(jù)條件下,處理速率明顯加快。本文將該方法應(yīng)用于目標(biāo)跟蹤問(wèn)題的模板更新中,實(shí)驗(yàn)結(jié)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(biāo)跟蹤中模板的噪聲問(wèn)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(xué)位授予單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O151.21

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 宋金歌;楊景;陳平;佘玉梅;;一種非負(fù)矩陣分解的快速稀疏算法[J];云南民族大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年04期

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

3 程明松;劉勺連;;一種實(shí)用快速非負(fù)矩陣分解算法[J];大連理工大學(xué)學(xué)報(bào);2013年01期

4 唐曉芬;陳莉;;最大相關(guān)熵非負(fù)矩陣分解在基因表達(dá)數(shù)據(jù)聚類中的應(yīng)用[J];計(jì)算機(jī)與應(yīng)用化學(xué);2013年11期

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

6 孟佳音;劉丁酉;;基于分布估計(jì)算法的非負(fù)矩陣分解[J];湖北民族學(xué)院學(xué)報(bào)(自然科學(xué)版);2012年03期

7 王雪明;王套;;非負(fù)矩陣分解的相關(guān)討論[J];湖南農(nóng)機(jī);2013年09期

8 曹勝玉;劉來(lái)福;;非負(fù)矩陣分解及其在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年01期

9 李巧;孔薇;;改進(jìn)的非負(fù)矩陣分解在基因表達(dá)數(shù)據(jù)中的應(yīng)用[J];信息技術(shù);2010年12期

10 陳清華;陳六君;郭金忠;;二進(jìn)制約束下的NMF方法及其應(yīng)用[J];北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

相關(guān)會(huì)議論文 前10條

1 孫江明;李通化;;非平滑三維非負(fù)矩陣分解[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

2 蔣永鍇;葉東毅;;基于稀疏非負(fù)矩陣分解的自動(dòng)多文摘方法[A];中國(guó)計(jì)算機(jī)語(yǔ)言學(xué)研究前沿進(jìn)展（2007-2009）[C];2009年

3 馬帥;吳飛;楊易;邵健;;基于稀疏非負(fù)矩陣分解的圖像檢索[A];第七屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)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(fù)矩陣分解色在數(shù)據(jù)降維方面的特性分析[A];2010年通信理論與信號(hào)處理學(xué)術(shù)年會(huì)論文集[C];2010年

5 蔡蕾;朱永生;;基于稀疏性非負(fù)矩陣分解和支持向量機(jī)的軸心軌跡圖識(shí)別[A];2008年全國(guó)振動(dòng)工程及應(yīng)用學(xué)術(shù)會(huì)議暨第十一屆全國(guó)設(shè)備故障診斷學(xué)術(shù)會(huì)議論文集[C];2008年

6 蔣霈霖;;KL散度下的非負(fù)矩陣分解[A];中國(guó)自動(dòng)化學(xué)會(huì)中南六省（區(qū)）2010年第28屆年會(huì)·論文集[C];2010年

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

8 錢樂(lè)樂(lè);高雋;徐小紅;;非負(fù)性約束的圖像稀疏編碼[A];第七屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2009年

9 朱昊;黃源水;付夢(mèng)印;;基于NMF的道路識(shí)別算法在野外環(huán)境感知中的應(yīng)用[A];第九屆全國(guó)光電技術(shù)學(xué)術(shù)交流會(huì)論文集（下冊(cè)）[C];2010年

10 鄭能恒;蔡毅;李霞;Tan Lee;;基于非負(fù)矩陣分解和向量相似測(cè)度的語(yǔ)音與音樂(lè)分離算法[A];第十一屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集（一）[C];2011年

相關(guān)博士學(xué)位論文 前10條

1 楊士準(zhǔn);基于樣本和特征的遷移學(xué)習(xí)方法及應(yīng)用[D];國(guó)防科學(xué)技術(shù)大學(xué);2013年

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

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

4 張恩德;在線社會(huì)網(wǎng)絡(luò)分析與挖掘若干關(guān)鍵問(wèn)題研究[D];東北大學(xué);2014年

5 胡俐蕊;非負(fù)矩陣分解方法及其在選票圖像識(shí)別中的應(yīng)用[D];安徽大學(xué);2013年

6 殷海青;圖像分析中的非負(fù)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(xué);2011年

7 楊洪禮;非負(fù)矩陣與張量分解及其應(yīng)用[D];山東科技大學(xué);2011年

8 史加榮;多尺度張量逼近及應(yīng)用[D];西安電子科技大學(xué);2012年

9 方蔚濤;人臉識(shí)別特征抽取算法的研究[D];重慶大學(xué);2012年

10 劉昱昊;基于非負(fù)矩陣分解算法的人臉識(shí)別技術(shù)的研究[D];吉林大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 謝昊;非負(fù)矩陣分解初始化及其應(yīng)用[D];暨南大學(xué);2015年

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

3 項(xiàng)磊;基于乳腺癌計(jì)算機(jī)輔助診斷的病理圖像分析[D];南京信息工程大學(xué);2015年

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

5 馬春霞;非負(fù)矩陣分解及在基因表達(dá)數(shù)據(jù)分析中的應(yīng)用研究[D];曲阜師范大學(xué);2015年

6 崔艷榮;基于非負(fù)矩陣分解的高光譜遙感數(shù)據(jù)融合方法分析及應(yīng)用[D];電子科技大學(xué);2014年

7 賴淑珍;非負(fù)矩陣分解若干算法研究與應(yīng)用[D];電子科技大學(xué);2014年

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

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

10 邵強(qiáng);改進(jìn)的非負(fù)矩陣分解算法及其在人臉識(shí)別中的應(yīng)用[D];河北工業(yè)大學(xué);2015年

，

本文編號(hào)：1493935