非負矩陣分解算法及在語音轉換中的應用.pdf_第1頁
已閱讀1頁,還剩63頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、非負矩陣分解(Non-negative Matrix Factorization,NMF)通過將一個非負矩陣分解為非負系數(shù)矩陣和非負基矩陣的乘積將數(shù)據(jù)表達為非負成分的非負線性組合,從而獲得數(shù)據(jù)的子空間表示或者實現(xiàn)數(shù)據(jù)降維。相比PCA方法,這種非負表達方式更具有物理意義。作為一種有效的數(shù)據(jù)處理技術,NMF已廣泛應用到語音識別、語音轉換、人臉檢測及識別、文本分析與聚類、網絡安全、數(shù)字水印、圖像處理、生物醫(yī)學工程等多項領域中。
  本文

2、的主要研究內容包括稀疏卷積非負矩陣分解算法以及該算法在語音轉換中的應用,具體內容如下:
  (1)提出基于板倉-齋藤距離和稀疏約束的卷積非負矩陣分解算法。與利用已有的基于歐式距離或者KL散度的NMF方法衡量矩陣分解前后的誤差不同,本文利用板倉-齋藤距離作為目標代價函數(shù)衡量原始矩陣與重建矩陣之間的誤差。板倉-齋藤距離函數(shù)具有尺度不變性,這使得待分解的矩陣中較小元素具有較小的重建誤差。在增加對系數(shù)矩陣的稀疏約束后,本文基于此目標代價函

3、數(shù)推導了分解算法的乘性更新規(guī)則。語音重建實驗結果表明通過該方法重建后的語音具有較高可懂度。
  (2)利用稀疏約束的卷積非負矩陣分解算法進行語音轉換。相比普通的非負矩陣分解,稀疏卷積非負矩陣分解能夠刻畫數(shù)據(jù)的時延信息,更適合處理語音這類信號。為此,本文利用卷積非負矩陣分解進行語音轉換。在訓練階段,利用上述基于板倉-齋藤距離和稀疏約束的卷積非負矩陣分解算法分別得到源說話人和目標說話人的時頻基;在轉換階段,首先將待轉換語音在源說話人基

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論