面向语音分离的深层转导式非负矩阵分解并行算法

非负矩阵分解(Non-negative Matrix Factorization,NMF)能保存语音信号的非负特征,是用于语音分离的重要方法,但该方法存在数据运算复杂、计算量太大的问题,需要研究能减少计算时间的并行计算方法。针对语音分离预训练及分离过程的计算问题,文中提出深层转导式非负矩阵分解并行算法,综合考虑迭代更新过程的数据关联性,设计了一种任务间和任务内多级并行算法。该并行算法在任务级将分解训练语音得到对应基矩阵的过程作为两个独立的任务进行并行计算;在任务内部进程级把矩阵按行列划分,主进程把矩阵块分发到从进程,从进程接收当前矩阵块并计算结果矩阵子块,然后将当前进程矩阵块发送到下一进程,实现第二个矩阵中每一个矩阵块在所有进程的遍历,并计算结果矩阵对应子块的乘积,最后由主进程收集从进程数据块;在线程级子矩阵乘法运算的过程中,采取生成多线程,通过共享内存交换数据计算子矩阵块的加速策略。该算法为首个实现深层转导式非负矩阵分解的并行算法。在天河二号平台上的测试结果表明,在分离多说话人混合语音信号时,相比串行程序,所提出的并行算法能在不改变分离效果的前提下,使得预训练过程中使用64个进程的加速比为18,分离过程使用64个进程的对应加速比为24。相较于串行及MPI模型分离,混合模型分离时间大大缩短,从而证明了设计的并行算法可有效提高语音分离的效率。

用LDL^T并行分解优化大规模SVM的训练效率

支持向量机在大规模训练集上学习时,存在学习时间长、泛化能力下降的问题。研究使用路径跟踪内点法构建面向大规模训练集的SVM学习算法,找到影响算法学习效率的关键是求解大型线性修正方程,首先使用降维法降低修正方程的维数,再使用矩阵LDLT并行分解高效地求解子修正方程,达到优化大规模SVM学习效率的目的,实验结果说明SVM训练效率提升的同时不影响SVM模型的泛化能力。

基于重叠Ket增强和张量列车的非平衡频谱制图算法

近年来,基于张量补全的频谱制图得到了广泛研究.目前用于频谱制图的张量补全算法大多隐含地假设张量具有平衡特性,而对于非平衡张量,难以利用其低秩性估计完整的张量信息,导致补全算法性能受损.本文提出基于重叠Ket增强(Overlapping Ket Augmentation,OKA)和张量列车(Tensor Train,TT)的非平衡频谱制图算法,以解决非平衡张量在应用传统张量补全算法时性能下降的问题.首先使用OKA将低阶高维张量表示为高阶低维张量,在无信息损耗的情况下解决非平衡张量无法利用其低秩性进行张量补全的问题;然后使用TT矩阵化得到较平衡的矩阵,在维度较平衡条件下提高补全算法的精确度;最后利用高阶低维张量的低秩性,使用并行矩阵分解或基于F范数的无奇异值分解(Singular Value Decomposition Free,SVDFree)算法完成张量补全.仿真结果表明,针对非平衡张量,所提方案与现有的张量补全算法相比,可以获得更精确的无线电地图,同时所提SVDFree算法具有更低的计算复杂度.

PC机上并行计算线性方程组

:作者从微机内存有限这一实际情况出发 ,采取内存与硬盘交换数据的方法 ,利用网络技术及可移植消息传递界面MPI,给出了在微机簇上实现求解较大规模线性方程组的并行算法。同时 ,此算法也适用于在单个微机上串行求解线性方程组。并编制程序在微机簇上进行了数值试验 。

基于NMF改进算法的人脸识别仿真研究

研究人脸识别性能问题,由于要求图像识别处理精度高,速度快,传统的非负矩阵分解方法,在NMF矩阵的构建过程中,图像向量化会导致图像结构信息丢失,会对分类识别造成负面影响,使识别精度不是很理想。图像向量的高维数据使得NMF分解速度慢,从而影响识别速度。为了提高人脸识别性能,提出了(2D)2NMF方法,将混合正交基策略用于2DNMF和(2D)2NMF方法中,并且采用了线性SVM加权手段对2DNMF方法(、2D)2NMF方法分解得到的特征进行再一次选择。用ORL人脸库进行测试,结果表明,改进方法和策略有着更高的识别精度和更快的识别速度,为实际应用提供了依据。