论文部分内容阅读
"互联网+"时代,信息的数量呈现爆炸式增长,而且信息维度也愈来愈大,如何处理这些海量高维数据是当前科学研究的热点问题之一。基于稀疏约束的非负矩阵分解方法不仅拥有普通非负矩阵分解的非负特性,使得分解结果有直观的物理意义,而且还可以对数据产生稀疏的表示,挖掘数据背后隐含的模式或特征,便于数据的存储和分析。稀疏非负矩阵分解技术已广泛应用于计算机视觉、语音识别、文本聚类、网络安全、生物医学工程等诸多领域,特别是在大规模数据处理任务中具有重要的理论意义和应用价值。本文主要研究带稀疏约束的非负矩阵分解方法,主要的研究内容如下:（1）基于L1/2范数约束的稀疏卷积非负矩阵分解方法在Lq范数约束的基础上,提出一种基于L1/2范数的稀疏约束卷积非负矩阵分解方法,给出了一种基于乘性迭代规则的求解算法,并对收敛性进行分析。该方法利用欧式距离衡量分解误差,使用稀疏性更强的L1/2范数对分解系数进行稀疏约束。基于上述方法,本文还提出了一种基于L1/2稀疏约束卷积非负矩阵分解的单通道语音增强模型。该模型在刻画语音基的帧间相关性和在信号稀疏表示方面具有明显优势。在语音增强过程中,该模型先对噪声进行非负矩阵分解得到噪声基,以此作为先验信息用于含噪语音的稀疏约束卷积非负矩阵分解中,并利用分解后的语音基和相应系数重建干净语音。实验结果表明该方法分解后得到的语音基含有噪声成分更少,相比传统的语音增强方法,该模型重建后语音的可懂度有所提高。（2）正交投影非负矩阵的交替方向乘子分解方法本文提出一种基于交替方向乘子的正交投影非负矩阵分解方法。在普通非负矩阵分解方法中引入基矩阵正交和投影约束后,得到正交投影非负矩阵分解方法。正交约束可减少基向量之间的相关性,从而得到稀疏性更强的基向量。同时,针对基于乘性规则的传统求解算法收敛速度慢等问题,本文提出一种基于交替方向乘子的优化方法,比传统的乘性更新规则收敛更快、更稳定。仿真实验结果表明基于交替方向乘子的求解方法比乘性迭代规则在收敛精度和速度上均有优势,特别是在大规模数据条件下,处理速率明显加快。本文将该方法应用于目标跟踪问题的模板更新中,实验结果表明该方法不仅可以提高跟踪速度,还能得到稀疏性更好的候选模板,有效地处理目标跟踪中模板的噪声问题。