基于低秩时频综合模型的估计
信号处理
2018-07-02 v2 机器学习
音频与语音处理
摘要
许多最先进的信号分解技术依赖于时频（t-f）变换的低秩分解。特别是，谱图的非负矩阵分解（NMF）已在许多音频应用中被考虑。这是一种分析方法，因为分解应用于时频变换返回的分析系数的平方幅值。在本文中，我们转而提出一种综合方法，其中对给定时频字典（如Gabor框架）上数据信号的综合系数施加低秩约束。因此我们提供了一种新颖的建模范式，桥接时频综合建模与传统的基于分析的NMF方法。所提出的生成模型进而允许设计更复杂的多层表示，可高效捕获多样的结构形式。此外，生成建模允许利用时频低秩性进行压缩感知。我们提出高效的迭代收缩算法以在所提模型中执行估计，并通过音频信号处理示例展示新建模范式的能力。
引用
@article{arxiv.1804.09497,
title = {Estimation with Low-Rank Time-Frequency Synthesis Models},
author = {Cédric Févotte and Matthieu Kowalski},
journal= {arXiv preprint arXiv:1804.09497},
year = {2018}
}