贝叶斯非负矩阵分解语音增强的优化算法

为改进传统贝叶斯非负矩阵分解(BNMF)语音增强算法的性能,提出基于高斯混合模型的贝叶斯非负矩阵分解语音增强算法。该算法分为训练和增强两个阶段,训练阶段,对纯净语音与噪声分别进行训练,得到纯净语音字典、噪声字典与联合字典;增强阶段,采用最小均方误差法(MMSE)从带噪语音中重构原始干净的语音,达到语音增强的目的。实验表明,该算法在提高语音质量和抑制背景噪声等方面,均优于非负矩阵语音分解(NMF)算法与BNMF算法。

基于贝叶斯非负矩阵分解的区域关联型像元分解

研究了区域关联型像元分解技术,旨在建立相邻或相似区域、不同高光谱图像之间的空间联系性,提高像元分解结果的可比性与综合解析能力。针对独立型像元分解技术存在的问题,提出了一种基于贝叶斯非负矩阵分解的区域关联型像元分解算法,根据相邻区域图像的像元分解结果估计当前图像各个端元及其丰度值的先验概率密度函数,并通过采样的方法进行像元分解,估计端元矩阵和丰度值矩阵。模拟数据的定量评价结果表明该算法与实际值具有更好的相似度,真实数据的定量分析结果则验证了该算法的实际有效性。

基于非负矩阵分解的网络重叠社区发现研究

重叠社区发现已成为复杂网络研究的热点内容。传统基于非负矩阵分解的社区发现方法忽视了特征矩阵选择的重要性,通过模块度优化来确定社区数目导致计算开销大和存在模块度分辨率受限制等问题。针对上述问题,提出了一种基于贝叶斯先验的非负矩阵分解社区发现方法。通过引入贝叶斯非负矩阵分解模型,实现了对社区数目的有效迭代求解。为了得到节点与社区的隶属关系,采用线性转换函数思想定义了社区隶属度指数,并通过设定合理的划分阈值得到网络重叠社区结构。在不同规模的计算机生成和真实世界网络上进行了测试,并与典型算法进行比较,实验结果表明了该算法的可行性和有效性。