ブラインドソース分離のためのGaussスケール混合に基づく一般化高速多チャネル非負行列因数分解【JST・京大機械翻訳】

Fontaine Mathieu; Sekiguchi Kouhei; Nugraha Aditya; Bando Yoshiaki; Yoshii Kazuyoshi

プレプリント

J-GLOBAL ID：202202219155833820 整理番号：22P0348417

ブラインドソース分離のためのGaussスケール混合に基づく一般化高速多チャネル非負行列因数分解【JST・京大機械翻訳】

Generalized Fast Multichannel Nonnegative Matrix Factorization Based on Gaussian Scale Mixtures for Blind Source Separation

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年05月11日プレプリントサーバーでの情報更新日： 2022年05月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

本論文では,統一された観点から高速多チャネル非負行列因数分解(FastMNMF)と呼ばれる最先端の多目的ブラインドソース分離法の重尾拡張について述べた。そのような拡張を誘導する一般的方法は,その重尾一般化,例えば,多変量複合Studentのtとレプトルティック一般化Gauss分布,および対応するパラメータ最適化アルゴリズムを仕立てる尤度関数における多変量複合Gauss分布を置換することである。Gaussスケール混合物(GSM)と呼ばれるより広いクラスの重尾分布を用いて,その分散がインパルス変数と呼ばれる正のランダムスカラーによって摂動されるGauss分布の混合物,GSM-FastMNMFを提案し,インパルス変数の確率密度関数が解析的表現を持たない場合でも働く期待値最大化アルゴリズムを開発した。既存の重尾FastMNMF拡張はGSM-FastMNMFのインスタンスであり,特殊ケースとして正規逆Gauss,Studentのt,およびGauss分布を含む一般化双曲線分布に基づく新しいインスタンスを導いた。著者らの実験は,正常逆Gauss高速MNMFが,信号対歪比に関して,音声強調と分離における最先端のFastMNMF拡張とILRMAモデルより優れていることを示した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

音声処理 , 信号理論

, , , ,

前のページに戻る