基于卷积非负矩阵部分联合分解的强噪声单声道语音分离

非负矩阵部分联合分解(Nonnegative matrix partial co-factorization,NMPCF)将指定源频谱作为边信息参与混合信号频谱的联合分解,以帮助确定指定源的基向量进而提高信号分离性能.卷积非负矩阵分解(Convolutive nonnegative matrix factorization,CNMF)采用卷积基分解的方法进行矩阵分解,在单声道语音分离方面取得较好的效果.为了实现强噪声条件下的语音分离,本文结合以上两种算法的优势,提出一种基于卷积非负矩阵部分联合分解(Convolutive nonnegative partial matrix co-factorization,CNMPCF)的单声道语音分离算法.本算法首先通过基音检测算法得到混合信号的语音起始点,再据此确定混合信号中的纯噪声段,最后将混合信号频谱和噪声频谱进行卷积非负矩阵部分联合分解,得到语音基矩阵,进而得到分离的语音频谱和时域信号.实验中,混合语音信噪比(Signal noise ratio,SNR)选择以¡3 dB为间隔从0 dB至¡12 dB共5种SNR.实验结果表明,在不同噪声类型和噪声强度条件下,本文提出的CNMPCF方法相比于以上两种方法均有不同程度的提高.

基于非负矩阵分解的函数型聚类算法改进与比较

非负函数型数据可以不等间隔观测,在理论和实践中应用广泛,对其进行聚类可以更好地探索客观规律。文章利用位置积分变换将函数型数据转化为高维向量,再通过非负矩阵分解(NMF)将其转化为低维向量,以此构建函数型聚类算法。针对基于NMF的函数型谱聚类算法,给出了确定聚类个数K的两种方法:一种是根据Laplacian矩阵的特征值确定K;另一种是构建新评价指标,通过搜索确定K。数值实验结果显示:基于位置积分变换和NMF的函数型聚类算法有效,对函数结构要求宽松,但需限制函数取值为正;NMF的秩可通过cophenetic相关系数确定,建议取较小的值,以剔除类的冗余特征。在确定谱聚类的聚类个数K时,建议对降维后的数据进行标准化处理,以缩小样本间的距离变化范围;聚类个数变点图直观有效,再结合特征值差分法确定K很有参考价值,建议阈值取[0.05,0.08];根据吻合度与相似比确定K的方法有效且简单易懂。

基于加权非负矩阵分解的异常声音检测方法研究

异常声音检测方法多用强标签数据进行训练,而高质量的强标签音频数据标注难度较大、收集成本高昂。针对现有异常音频检测方法使用弱标签数据会受到非平稳和时变噪声的干扰,导致训练结果较差、准确率低的问题,提出一种基于音频频谱的加权非负矩阵分解WNMF方法。该方法使用WNMF对弱标签和无标签数据进行标记,并分离目标声音事件和背景噪声。在适当的权值下,WNMF改变标记时不同频段音频信息的重要性,以抑制噪声,提高分离质量,使其逼近全监督模型训练的效果;之后使用卷积神经网络产生帧级预测和音频标签预测。仿真实验结果表明,该方法的准确率相比于传统NMF处理弱标签数据的方法提升了4.8%。

广义高斯分布的卷积传递函数多通道非负矩阵分解

基于卷积传递函数的多通道非负矩阵分解(CTF-MNMF)在长混响环境的盲源分离中取得了较好的性能,但该算法的分离性能依然受到声源模型的限制。因此提出了基于广义高斯分布(GGD)的CTF-MNMF算法,通过将域参数引入NMF中并利用广义非负矩阵分解(GNMF)建模GGD的非负尺度因子,提高了声源模型捕捉信号离群值的鲁棒性,进而提高了声源估计的准确性。采用基于辅助函数的优化策略给出分离矩阵和非负矩阵参数的更新公式。仿真结果表明所提算法在语音和音乐两种信号的分离实验中均取得了比GGD-ILRMA、WPE-ILRMA和CTF-MNMF更好的分离性能。

基于Lp范数的非负矩阵分解并行优化算法

非负矩阵分解算法可以从高维数据中提取出低维和稀疏的有用信息,是处理图像聚类、数据压缩和特征提取等问题的重要手段。传统非负矩阵分解算法大多采用欧几里得距离来度量重构误差,尽管其在许多任务中已经显示出有效性,但在解决实际应用问题时仍面临着聚类效果欠佳、收敛速度慢、稳定性较差等问题。为解决这些问题,文中采用Lp范数作为非负矩阵分解的损失函数,通过调节系数p来获得更好的聚类结果。基于协同优化理论和Majorization-Minimization算法,使用粒子群优化算法来并行求解基于Lp范数的非负矩阵分解问题,并在多个真实数据集上验证了所提方法的可行性和有效性。实验结果表明所提算法明显提升了程序的执行效率且一系列评价指标均优于传统非负矩阵分解算法。

基于非负矩阵分解的大规模异构数据联合聚类

异构信息网络中包含多类实体和关系.随着数据规模增大时,不同类实体规模增长不平衡,异构关系数据也变得异常稀疏,导致聚类算法的时间复杂度高、准确率低.针对上述问题,提出了一种基于关联矩阵分解的2阶段联合聚类算法FNMTF-CM.第1阶段,抽取规模较小的一类实体中的关联关系构建关联矩阵,通过对称非负矩阵分解得到划分指示矩阵.与原始关系矩阵相比,关联矩阵的稠密度更高,规模更小.第2阶段,将划分指示矩阵作为关系矩阵三分解的输入,进而快速求解另一类实体的划分指示矩阵.在标准测试数据集和异构关系数据集上的实验表明,算法准确率和性能整体优于传统的基于非负矩阵分解的联合聚类算法.

一种基于部分基矩阵稀疏约束非负矩阵分解的抵抗大强度剪切攻击视频水印构架

该文提出一种部分基矩阵稀疏约束的非负矩阵分解(Non-negative Matrix Factorization with Sparseness Constraints on Parts of the Basis Matrix,NMFSCPBM)方法,其次将水印嵌入在NMFSCPBM分解后的基矩阵大系数中,利用NMFSCPBM提取视频运动特征自适应控制水印嵌入强度。最后,在水印检测时,只要残余视频中包含有视频最小剩余子块数,就可以恢复出完整基矩阵,进而提取出完整水印。实验表明,与同类方法相比,该方法抵抗强剪切攻击的能力获得了较大程度提升。

基于非负矩阵分解的双曲调频信号目标回波增强

双曲调频信号是主动声呐中常用的多普勒不敏感信号。在实际使用中,由于信道变化和混响影响,目标回波较弱。针对水下航行器主动声呐探测性能下降问题,本文提出基于非负矩阵分解的双曲调频信号目标回波增强方法。该方法对目标回波和干扰信号的基矩阵分别定义,将发射信号的时频图作为目标回波的频率信息矩阵,对目标回波的时间信息矩阵做出约束,迭代处理完成目标回波的增强,获得较高增益的匹配回波检测结果。数值仿真和海上试验结果表明:本文方法与传统匹配滤波方法相比,其峰均比值提高了2 dB以上,提高了回波检测结果。

基于联合非负矩阵分解的协同过滤推荐算法

为了揭示复杂网络结构间存在的隐藏关系,更加准确地向用户推荐物品的效果,并基于联合非负矩阵分解(JNMF)能揭示复杂网络结构间关系的特性,提出利用JNMF并结合基于用户的协同过滤和基于物品的协同过滤的推荐算法,并证明文中算法的正确性和收敛性.实验表明,文中算法能有效结合基于用户的协同过滤算法和基于物品的协同过滤算法,在一定程度上降低推荐的平均绝对偏差,提高推荐的准确性.

联合长短时记忆递归神经网络和非负矩阵分解的语音混响消除方法

本文提出了一种联合长短时记忆递归神经网络和非负矩阵分解方法对单通道语音进行混响消除;对语音信号的对数功率谱建模抑制混响干扰。首先通过长短时记忆递归神经网络估计对数功率谱,这种模型结构能捕获整个音频序列的信息重构纯净语音的对数功率谱,然后通过非负矩阵分解方法对重构的对数功率谱进行后处理抑制过平滑问题;实验结果表明所提方法可以有效抑制语音信号中的混响干扰,本文方法的各种性能指标优于基线方法。

两阶段非负矩阵分解算法及其在光谱解混中的应用

非负矩阵分解问题(nonnegative matrix factorization,NMF)模型已成功应用至高光谱遥感影像处理中的光谱解混工作,由于NMF优化模型具有多个局部极小点,使得分解结果不稳定。设计初始化方法或者选择带正则项的问题模型是提高分解精度的两种常用方法。本文提出了两阶段的NMF算法,实现了初始点选取和正则项设计的结合。第一阶段借助k-均值获得k个聚类中心,给出迭代的初始点;利用第一阶段的初始矩阵U^(0),定义了针对端元矩阵的正则项‖U-U^(0)‖_(F)^(2),第二阶段采用基于交替非负最小二乘框架的投影梯度算法,求解新的正则化NMF问题。正则项中的端元初始矩阵U^(0)除了采用k-均值获得k个聚类中心,也可采用真实地物光谱,它的引入提高了算法的灵活度。数值结果表明新算法更加稳定,且分解的精确性有效提高。

基于非负矩阵分解更新规则的部分可观察马尔可夫决策过程信念状态空间降维算法

针对求解部分可观察马尔可夫决策过程(POMDP)规划问题时遭遇的"维数诅咒",该文提出了一种基于非负矩阵分解(NMF)更新规则的POMDP信念状态空间降维算法,分两步实现低误差高维降维。第1步,利用POMDP的结构特性,将状态、观察和动作进行可分解表示,然后利用动态贝叶斯网络的条件独立对其转移函数进行分解压缩,并去除概率为零的取值,降低信念状态空间的稀疏性。第2步,采用信念状态空间值直接降维方法,使降维后求出的近似最优策略与原最优策略保持一致,使用NMF更新规则来更新信念状态空间,避免Krylov迭代,加快降维速度。该算法不仅保证降维前后值函数不发生改变,又保留了其分段线性凸特性。实验结果表明,该算法具有较低误差率和较高收敛性。

基于核部分非负矩阵分解的亚像元级地物光谱分析

为了进一步提高亚像元级地物的光谱分析精度,提出了一种基于核部分非负矩阵分解(Kernel Protection Non-negative Matrix Factorization,KPNMF)的非线性解混算法。首先通过基于凸面几何理论的端元提取方法提取纯像元端元候选像素集合,然后根据候选像素的空间纯度指数判断纯像元端元。在纯像元端元信息已知的条件下,利用核方法对部分非负矩阵分解(Protection Non-negative Matrix Factorization,PNMF)进行推广,构造相应的目标函数,推导迭代求解过程,分解求得亚像元端元光谱和所有端元的丰度。试验结果表明,提出的解混算法具有良好的非线性分解能力,解混结果优于线性解混算法。

联合混合范数约束和增量非负矩阵分解的目标跟踪

针对当前目标跟踪算法因光照变化、部分遮挡、姿态变化以及背景杂乱等因素引起的跟踪漂移问题,联合混合范数约束和增量非负矩阵分解,提出一种目标跟踪算法。通过对目标的非负矩阵分解获得其局部结构信息,有效应对局部遮挡,同时达到降维目的。通过稀疏描述下的混合范数约束进一步抑制外界环境的干扰,并利用加速近似梯度算法迭代求解优化问题。为更好地满足实时精准跟踪的需求,应用遮挡检测及在线更新策略读取跟踪目标位置。在粒子滤波跟踪框架中的实验结果显示,相比IVT、多示例学习、Frag和L1APG跟踪算法,该算法的鲁棒性更好。

基于非负矩阵分解和改进相关分析的低压台区拓扑辨识方法

针对低压配电台区拓扑更新不及时,量测质量低、拓扑信息不够精确的问题,提出一种基于非负矩阵分解改进Pearson相关系数的低压配电台区拓扑辨识方法。首先,利用非负矩阵分解对电压时间序列进行降维。然后,在Pearson相关系数的基础上,加入距离度量来修正相似性矩阵。最后,对综合相似度矩阵进行系统聚类,实现低压配电台区户-变识别和台区内用户相邻关系识别。通过实际低压配电台区算例验证了所提方法的有效性和准确性。

基于非负矩阵分解的有向网络半监督社区检测

有向网络上的社区检测是网络科学领域一个重要的课题.针对这一问题,本文提出了一种基于非负矩阵分解的有向网络半监督社区检测算法,首先利用先验信息重构邻接矩阵,然后使用先验信息对节点的社区隶属度进行惩罚,并通过行归一化消除节点度异质性的影响,最后运用交替迭代更新给出了目标函数的求解方法.在真实网络数据上的对比实验验证了算法的有效性,相对于基于非负矩阵分解的现有方法,本文方法能显著提高社区发现的准确性.

基于非负矩阵分解的药性与功效关联规则研究

中医药物属性具有多维度和稀疏性特点,为更高效地挖掘药性与功效之间的关联规则,提出了一种基于非负矩阵分解(NMF)与FP-growth算法的组合方法。通过引入信息保留率,使用交叉验证法确定NMF降维的最小维度数,之后对原始稀疏矩阵进行投影和降维,以减少数据量,并应用多维FP-growth算法进行关联分析,从而获得中药药物属性的多维关联规则。实验结果表明,降维后的多维关联规则能够有效挖掘出治疗冠心病药物的药性与功效之间的多维关联,并且在计算效率上显著优于未降维的方法。

自编码模块化增强非负矩阵分解社区检测算法

社区检测一直是网络分析中的重点研究方向之一。目前大多数网络社区检测算法主要利用网络的结构信息采用贪心算法使某一指标最大化,无法充分考虑节点特征信息、边权重以及网络社区间关系不对称性等问题。针对这一情况,提出一种自编码模块化增强非负矩阵分解(autoencoder-like modularity nonnegative matrix factorization,AMNMF)社区检测算法。该算法通过采用类编码器结构拓展非负矩阵分解的深度,将模块度和图正则化器引入到非负矩阵分解的目标函数优化过程中以充分挖掘网络中的节点和社区结构信息,通过在编码器中间层添加正交约束解决了社区间关系不平衡的问题。在多个真实网络上的实验表明:AMNMF是一种有效地利用节点特征信息和网络结构信息的NMF拓展算法,与基线算法的最佳结果相比实现了约15%至122%的提升,能够准确有效完成社区检测任务。

约束传播自适应半监督非负矩阵分解聚类算法

对称非负矩阵分解(SNMF)能够自然地捕获图表示中嵌入的聚类结构,是线性和非线性数据聚类应用的重要方法。但其对变量的初始化较敏感,初始化矩阵的质量好坏会较大地影响聚类性能,且在半监督聚类中面临着从有限的标记数据中学习更具辨别力表示的挑战。针对以上问题,提出了一种约束传播自适应半监督非负矩阵分解聚类算法(constrained propagation self-adaptived semi-supervised non-negative matrix factorization clustering algorithm,CPS3NMF)。该算法将有限约束传播到无约束数据点,构建出带有约束信息的相似矩阵,所获得的相似矩阵充当SNMF中分解的非负对称矩阵,还用于对分配矩阵进行图正则化,充分利用约束信息来保存数据空间的几何结构。同时结合SNMF对初始化特征的敏感性,使用自适应学习的权重对多个初始化矩阵的质量进行排序,集成多次聚类结果来逐步提高半监督聚类性能。在6个公开数据集上进行实验表明所提出的CPS3NMF算法优于其他先进算法,证明了其在半监督聚类中的有效性。

基于正则化正交非负矩阵分解的旋转目标检测方法

小样本的旋转目标检测是指在样本数少的情况下进行旋转目标检测模型的训练,深度学习在旋转目标检测领域往往需要庞大的样本数和计算算力。现有的基于机器学习的旋转目标检测方法大多有着对目标尺度和姿态敏感的缺点。因此提出一种基于正则化正交非负矩阵分解的旋转目标检测方法,来解决小样本的旋转目标检测难题。首先,针对样本不具有各种角度的图片,对样本进行旋转后进行背景填充,这样便于更好的表征学习。其次,提出一种基于正则化正交非负矩阵分解算法对旋转样本的梯度直方图特征进行表征学习。最后,为了测试算法在特征学习后的有效性,利用支持向量机对特征提取后的数据进行训练和测试。实验结果表明本文的目标检测方法在多个数据集中可以取得不错的效果。