稀疏限制的增量式鲁棒非负矩阵分解及其应用

针对鲁棒非负矩阵分解(RNMF)的运算规模随训练样本数量逐渐增多而不断增大的问题,提出一种稀疏限制的增量式鲁棒非负矩阵分解算法。首先,对初始数据进行鲁棒非负矩阵分解;然后,将其分解结果参与到后续迭代运算;最后,在对系数矩阵增加稀疏限制的情况下与增量式学习相结合,使目标函数值在迭代求解时下降地更快。该算法在节省运算时间的同时提高了分解后数据的稀疏度。在数值实验中,将所提算法与鲁棒非负矩阵分解算法、稀疏限制的鲁棒非负矩阵分解(RNMFSC)算法进行了比较。在ORL和YALE人脸数据库上的实验结果表明,所提算法在运算时间和分解后数据的稀疏度等方面均优于其他两个算法,并且还具有较好的聚类效果,尤其在YALE人脸数据库上当聚类类别数为3时该算法的聚类准确率达到了91.67%。

基于改进NMF与相位补偿的胎心音降噪算法

在孕妇体表,通过声音传感器对胎儿心音信号进行采集,结果通常包含多种噪声,常用的滤波方法无法取得满意的降噪效果。为了能够更好地滤除与胎儿心音信号同频的噪声信号,提出改进的非负矩阵分解算法(NMF),对短时幅度谱利用奇异值分解得到用于NMF的特征数和初始化矩阵,对NMF增加L2,1稀疏限制,使分解得到的胎心音特征呈现更多细节;对短时相位谱采用了增加稀疏限制的相位补偿算法(PSC)。实验结果表明:与常用降噪方法相比,该方法的信噪比至少提升0.52 dB,能更好保留胎儿心音信号特征。

基于自适应稀疏表示的电子商务语音识别增强方法研究

传统语音增强算法在去除噪声的同时也导致语音受损,为了减小这种负面影响,结合了语音信号的稀疏表示算法与语音增强算法和自适应的获得训练字典,提出了一种基于自适应稀疏表示的语音增强算法。仿真实验结果表明该方法即使在低信噪比的条件下也能有效去噪,且去噪后能很好的分辨出原始语音信号。

基于ML和L2范数的视频目标跟踪算法

目标跟踪是计算机视觉领域的一个具有挑战性的问题,本文提出了一种基于ML(最大似然)估计和L2范数的视频目标跟踪算法.建立基于稀疏限制的ML模型,给样本中的异常像素分配较小的权值,减少异常像素对跟踪算法的影响.利用L2范数最小化进行稀疏编码求解.采用贝叶斯估计得出目标跟踪结果.与其他典型算法相比,本算法降低了计算的复杂度,对遮挡,旋转,尺度变化,光照变化等异常变化具有较强的鲁棒性.

一种混合深度网络的抗噪性能研究

实际图像识别场景中样本易受噪声的影响,且大量训练样本的获取比较困难。针对上述问题,提出一种基于混合结构的深度学习网络。选择合适稀疏限制算法运用到自动编码器中,将其构造在混合结构的深度学习网络的底层和高层,解决一般自动编码器无法有效降低背景噪声影响的问题。在深度学习网络的中间层插入改进的无向高斯伯努利受限玻尔兹曼机,进行无监督学习得到低层输出的抽象表示。混合结构的深度学习网络利用最高的回归层进行有监督的微调和分类。实验结果表明,与传统的浅层算法和经典深度学习网络相比,该混合结构的深度网络在大、小样本量的训练下均具有较好的抗噪能力。