La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Deep Multiplicative Update Algorithm for Nonnegative Matrix Factorization and Its Application to Audio Signals Algorithme de mise à jour multiplicative profonde pour la factorisation matricielle non négative et son application aux signaux audio

Hiroki TANJI, Takahiro MURAKAMI

  • Vues en texte intégral

    8

  • Citer

Résumé:

La conception et l'ajustement de la divergence dans les applications audio utilisant la factorisation matricielle non négative (NMF) restent un problème ouvert. Dans cette étude, pour résoudre ce problème, nous explorons une représentation de la divergence à l'aide de réseaux de neurones (NN). Au lieu de la divergence, notre approche étend l'algorithme de mise à jour multiplicative (MUA), qui estime les paramètres NMF, à l'aide de NN. La conception du MUA étendu intègre des NN, et le nouvel algorithme est appelé MUA profond (DeMUA) pour NMF. Alors que le DeMUA représente l'algorithme du NMF, il est intéressant de noter que la divergence est obtenue à partir du NN incorporé. De plus, nous proposons des guides théoriques pour concevoir le NN incorporé de telle sorte qu'il puisse être interprété comme une divergence. En concevant de manière appropriée le NN, les MUA basés sur les divergences existantes avec un seul hyper-paramètre peuvent être représentés par le DeMUA. Pour entraîner le DeMUA, nous l'avons appliqué au débruitage audio et à la séparation supervisée des signaux. Nos résultats expérimentaux montrent que l'architecture proposée peut apprendre le MUA et les divergences dans les tâches de débruitage et de séparation de la parole et que le MUA basé sur des divergences généralisées avec de multiples paramètres montre des performances favorables sur ces tâches.

Publication
IEICE TRANSACTIONS on Fundamentals Vol.E106-A No.7 pp.962-975
Date de publication
2023/07/01
Publicisé
2023/01/19
ISSN en ligne
1745-1337
DOI
10.1587/transfun.2022EAP1098
Type de manuscrit
PAPER
Catégories
Traitement des signaux numériques

Auteurs

Hiroki TANJI
  Meiji University
Takahiro MURAKAMI
  Meiji University

Mots-clés

Table des matières