非負(fù)矩陣分解算法及在語(yǔ)音轉(zhuǎn)換中的應(yīng)用.pdf

1、非負(fù)矩陣分解(Non-negative Matrix Factorization，NMF)通過(guò)將一個(gè)非負(fù)矩陣分解為非負(fù)系數(shù)矩陣和非負(fù)基矩陣的乘積將數(shù)據(jù)表達(dá)為非負(fù)成分的非負(fù)線性組合，從而獲得數(shù)據(jù)的子空間表示或者實(shí)現(xiàn)數(shù)據(jù)降維。相比PCA方法，這種非負(fù)表達(dá)方式更具有物理意義。作為一種有效的數(shù)據(jù)處理技術(shù)，NMF已廣泛應(yīng)用到語(yǔ)音識(shí)別、語(yǔ)音轉(zhuǎn)換、人臉檢測(cè)及識(shí)別、文本分析與聚類(lèi)、網(wǎng)絡(luò)安全、數(shù)字水印、圖像處理、生物醫(yī)學(xué)工程等多項(xiàng)領(lǐng)域中。
　　本文

2、的主要研究?jī)?nèi)容包括稀疏卷積非負(fù)矩陣分解算法以及該算法在語(yǔ)音轉(zhuǎn)換中的應(yīng)用，具體內(nèi)容如下:
　　(1)提出基于板倉(cāng)-齋藤距離和稀疏約束的卷積非負(fù)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(cāng)-齋藤距離作為目標(biāo)代價(jià)函數(shù)衡量原始矩陣與重建矩陣之間的誤差。板倉(cāng)-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(duì)系數(shù)矩陣的稀疏約束后，本文基于此目標(biāo)代價(jià)函

3、數(shù)推導(dǎo)了分解算法的乘性更新規(guī)則。語(yǔ)音重建實(shí)驗(yàn)結(jié)果表明通過(guò)該方法重建后的語(yǔ)音具有較高可懂度。
　　(2)利用稀疏約束的卷積非負(fù)矩陣分解算法進(jìn)行語(yǔ)音轉(zhuǎn)換。相比普通的非負(fù)矩陣分解，稀疏卷積非負(fù)矩陣分解能夠刻畫(huà)數(shù)據(jù)的時(shí)延信息，更適合處理語(yǔ)音這類(lèi)信號(hào)。為此，本文利用卷積非負(fù)矩陣分解進(jìn)行語(yǔ)音轉(zhuǎn)換。在訓(xùn)練階段，利用上述基于板倉(cāng)-齋藤距離和稀疏約束的卷積非負(fù)矩陣分解算法分別得到源說(shuō)話人和目標(biāo)說(shuō)話人的時(shí)頻基;在轉(zhuǎn)換階段，首先將待轉(zhuǎn)換語(yǔ)音在源說(shuō)話人基