基于约束NMF的盲源分离算法

被引：3

作者：

赵知劲 ^{[1
,2
]}

卢宏 ^{[1
]}

徐春云 ^{[1
]}

机构：

[1] 杭州电子科技大学通信工程学院

[2] 中国电子科技集团第研究所通信系统信息控制技术国家级重点实验室

来源：

压电与声光 | 2010年 / 32卷 / 06期

关键词：

盲源分离(BSS); 非负矩阵分解(NMF); 行列式准则; 最小相关约束;

D O I：

暂无

中图分类号：

TN911.7 [信号处理];

学科分类号：

0711 ; 080401 ; 080402 ;

摘要：

非负矩阵分解(NMF)是解决非独立源信号混合的盲分离的另一条新途径。该文提出一种基于约束NMF的盲源分离算法,在对NMF估计得到的源信号施加最小相关约束的基础上,对混合矩阵估计施加行列式约束,实现NMF的唯一分解。与已有算法相比,本算法放宽了对混合矩阵的稀疏性要求,大幅提高了信号分离质量。该算法仍适用于独立源信号分离问题。

引用

页码：1049 / 1052

页数：4

共 8 条

[1]

New algo-rithms for non-negative matrix factorization in applica-tions to blind source separation. CICHOCKI A,,ZDUNEK R,AMARI S. Proceedings of the IEEE International Confer-ence on Acoustics,Speech and Signal Processing . 2006

[2]

Independent component analysis: algorithms and applications. Hyvarinen A,Oja E. Neural Networks . 2000

[3]

A NMF algorithm for blind separation of uncorrelated signals. Y.Zhang,,Y.Fang. Proceedings, 2007 International Conference on Wavelet Analysis and Pattern Recognition . 2007

[4]

Non-negative matrix factorization with sparseness constraints. HOYER P O. Journal of Machine Learning Research . 2004

[5]

NMFLAB, MATLAB Toolbox for Non-Negative Matrix Factorization. A. Cichocki,R. Zdunek. http: //www.bsp.brain.riken.jp/ICALAB/nmflab.html .

[6]

Independent Component Analysis. Aapo Hyvarinen,Juha Karhunen,Erkki Oja. . 2001

[7]

Algorithms for non-negative matrix factorization. Lee D D,Seung H S. Advances in Neural Information Processing Systems . 2001

[8]

Underdetermined blind source separation using sparse representations. Bofill P,Zibulevsky M. Signal Processing . 2001

← 1 →