文章您的位置：主页 > 产品展示 >

SVD分解为什么可以达到去噪的效果


2020-02-16 14:14:35
• 最近正好在看《语音增强》这本书，写一下金狮贵宾会登录网址的一些理解，可能比较粗浅，权当复习。基于SVD（奇异值分解）的去噪声技术属于子空间算法的一种。简单的来说金狮贵宾会登录网址希翼将带噪信号向量空间分解为分别由纯净信号主导和噪声信号主导的两个子空间，然后通过简单地去除落在“噪声空间”中的带噪信号向量分量来估计纯净信号。要将带噪信号向量空间分解为“信号子空间”和“噪声子空间”，可以采用线性代数中的正交矩阵分解技术，特别是奇异值分解（SVD）和特征值分解（EVD）。假设矩阵包含带噪信号观测值，其表示为其中为包含纯净信号数据的矩阵，包含噪声数据。目标是从给定的带噪信号矩阵中恢复出中包含的信号。这等效于以下问题：金狮贵宾会登录网址可能通过SVD从中恢复信号子空间吗？假设存在秩亏，即，且具有如下SVD分解：其中为，为，为，为，为矩阵。张成的空间为的列空间，通常称为信号子空间。利用矩阵和以及(酉矩阵unitarymatrix的性质)，金狮贵宾会登录网址可以将前文所述的带噪信号矩阵重写如下：(1)其中和分别为上一行公式括号中的矩阵的SVD，即和。若，即矩阵和的列空间正交，则以上方程为有效的SVD。就像金狮贵宾会登录网址从公式(1)中所看到的，由于，所以金狮贵宾会登录网址无法恢复的信号子空间。既然无法直接恢复的信号子空间。那么给定带噪矩阵，金狮贵宾会登录网址怎么估计信号矩阵呢？一共有两种方法：第一种方法是基于低秩模型方法，它是一种最小二乘方法。具体来说，该方法寻找最小二乘意义上最佳的秩为的矩阵，它可以最小化如下平方误差：其中表示Frobenious范数。该方法求解的可以表示如下其中和分别为带噪矩阵的左右奇异向量。为的个最大的奇异值（即）。这里金狮贵宾会登录网址假设矩阵的有效秩为且。第二种方法是寻找信号矩阵的最佳估计，这可以通过矩阵中带噪数据向量的线性组合得到。这是一种最小方差估计。给定带噪矩阵，找到矩阵以最小化如下平方误差：最优化的表示为：且的最小方差估计，记为，表示为：其中是一个正交投影算子。由于上式中未知，仅通过，金狮贵宾会登录网址不能得到。但是如果金狮贵宾会登录网址假设其中为噪声方差。金狮贵宾会登录网址可以将简化为金狮贵宾会登录网址可以看到的最小二乘和最小方差估计具有相同的奇异向量，但是具有不同的奇异值。下面先容的是对白噪声的基于SVD的语音增强方法。（注意当加性噪声不是白噪声时，假设的不成立，这种情况需要另外讨论）。利用带噪语音矩阵的低秩近似将SVD方法用于语音增强的基本思想：对应于最大奇异值的奇异向量包含语音信息，而剩余的奇异向量包含噪音信息。因此通过丢弃那些对应于最小奇异值的奇异向量来达到噪声抑制的目的。该方法的步骤简单概括如下：对于每一帧带噪语音步骤一：构造Toeplitz矩阵:其中为带噪语音信号，。为预测阶数，一般选择。步骤二：计算带噪矩阵的SVD分解，即步骤三：估计有效秩步骤四：计算的秩近似,其中和分别为的左右奇异向量步骤五：对的对角线元素进行平均运算，得到新矩阵从第一行和第一列，金狮贵宾会登录网址可以基于秩近似地合成信号，。即增强信号。上述步骤中，第三步确定有效秩的方法没有详述，需要了解的可以参考文献[1]第八章8.3.2小节。参考文献[1]LoizouPC.Speechenhancement:theoryandpractice[M].CRCpress,2013.[2]DendrinosM,BakamidisS,CarayannisG.Speechenhancementfromnoise:Aregenerativeapproach[J].SpeechCommunication,1991,10(1):45-57.[3]DeMoorB.Thesingularvaluedecompositionandlongandshortspacesofnoisymatrices[J].IEEEtransactionsonsignalprocessing,1993,41(9):2826-2838.

• 上一条：上一篇：35以上中年IT互联网男想转行成为心理咨询师心灵导师应该怎么做
• 下一条：下一篇：TaylorSwift的歌为什么能拿billboard冠单_3