Sep, 2017

使用非负矩阵分解的有监督和无监督语音增强

PDF
TL;DR本文提出了一种基于非负矩阵分解的贝叶斯监督算法，通过使用 HMM 和在线学习模型解决了模型训练时的匹配问题，并在实验中得出该方法比竞争方法表现更优的结论。
monaural noisy speech signalsupervised speech denoising algorithmsnonnegative matrix factorizationbayesian formulationspeech enhancement
发现论文，激发创造
  • 使用非负矩阵分解学习隐马尔科夫模型

    本文提出了一种基于高阶马尔可夫统计的非负矩阵分解的 HMM 学习算法，该算法支持对 HMM 的循环状态数目进行估计，并迭代非负矩阵分解算法以改善学习到的 HMM 参数。

    Sep, 2008

  • 一种神经网络替代非负音频模型的方法

    本文介绍了一种神经网络，可以代替非负矩阵分解（NMF），并进一步展示如何用它实现监督源分离。由于这种方法的可伸缩性，我们展示了如何实现比 NMF 方法更好的源分离性能，以及提出了多种可用于进一步提高性能的衍生结构。

    Sep, 2016

  • 使用深度动态生成语音和噪音模型的无监督语音增强

    使用深度动态生成模型和动态变分自动编码器代替非负矩阵分解模型，进行语音增强的无监督学习方法获得了与最先进的方法相竞争的性能，而噪声依赖性训练配置使推理过程效率更高。

    Jun, 2023

  • 基于非负矩阵分解的多模态多视角聚类

    通过结合相关对象，无监督机器学习技术旨在揭示数据集中的潜在模式。在本文中，我们提出了一项关于多模态聚类算法的研究，并提出了一种名为多模态多视图非负矩阵分解的新方法，其中我们分析了多个局部 NMF 模型的协同作用。实验结果表明，所提出的方法具有较大的价值，并使用多种数据集进行评估，相比于现有的方法，获得了非常有前景的结果。

    Aug, 2023

  • 非负矩阵分解的原因和方法

    本文介绍了非负矩阵分解的稀疏特征提取功能，并探讨了如何解决通常情况下 NP 困难的 NMF 问题，介绍了一个称为近可分离 NMF 的问题子类，可以高效地解决一些在有噪声的情况下的 NMF 问题。最后简要描述了 NMF 在数学和计算机科学领域的若干相关问题。

    Jan, 2014

  • 贝叶斯均值参数化非负二进制矩阵分解

    本文提出了一种针对二元数据矩阵的基于贝叶斯平均参数非负矩阵分解的方法，并使用折叠吉布斯采样和折叠变分算法推断了因子的后验分布，同时将所提出方法拓展到非参数设置下，实现自动检测相关成分数量，实验证明该方法在词典学习和预测任务方面的性能优于现有技术。

    Dec, 2018

  • 有噪声数据中的非负矩阵分解算法

    本文介绍了两种算法，Shift-NMF 和 Nearly-NMF，可以处理输入数据的嘈杂性和负值，并且可以正确恢复非负信号，而无需对负数据进行截断，避免了引入正偏移。

    Nov, 2023

  • 通过非负矩阵分解和探测实现可解释的设计音频分割

    提出了一种基于非负矩阵分解的可解释性音频分割模型，该模型在性能和从非负矩阵中提取的潜在表示的深度分析方面取得良好结果，为评估可解释性表示提供了新的视角。

    Jun, 2024

  • 通过数据预处理实现稀疏和唯一的非负矩阵分解

    本文介绍了一种基于 M 矩阵理论和非负矩阵分解的几何解释，通过对非负输入数据矩阵的预处理实现更为适合求解的 NMF 问题，其解具有更好的稀疏性和优化性，适用于多种图像数据集。

    Apr, 2012

  • 连续半监督非负矩阵分解

    本文介绍了如何使用非负矩阵分解方法无监督地自动检测语料库中的主题，并证明该方法可结合回归得出比先识别主题后进行回归更好的效果并有更好的可解释性。

    Dec, 2022