結合β距離與圖形正規限制式之非負矩陣分解應用於單通道訊號源分離

Monaural Source Separation Using Nonnegative Matrix Factorization with Graph Regularization Constraint

本論文發展基於非負矩陣分解之單通道訊號源分離技術。有鑑於目前大多數非負矩陣分解方法，在計算成本函數（Cost Function）時多採用歐式距離（Euclidean Distance）或凱氏分歧度（Kullback–Leibler Divergence）等，而對於不同種類之未知訊號源，常因不同距離之選擇而造成分離效果有落差。因此，我們引入β距離進行單通道訊號源分離，藉由β之調控，使原本固定的距離選擇變為更加地彈性。同時，我們考量到，在利用非負矩陣分解進行訊號源分離時，混合訊號在高維度空間中隱含低維度平滑之流形（Manifold）分佈，因此我們將圖形正規限制式（Graph Regularization Constraint）導入最佳化問題中，藉此在非負矩陣分解時，保留原來資料蘊含之幾何結構，來增強單通道訊號源分離的效果。