-
题名面向语音分离的深层转导式非负矩阵分解并行算法
- 1
-
-
作者
李雨蓉
刘杰
刘亚林
龚春叶
王勇
-
机构
国防科技大学并行与分布处理重点实验室
国防科技大学复杂系统软件工程湖南省重点实验室
-
出处
《计算机科学》
CSCD
北大核心
2020年第8期49-55,共7页
-
基金
重点研发计划(2018YFB0204301)。
-
文摘
非负矩阵分解(Non-negative Matrix Factorization,NMF)能保存语音信号的非负特征,是用于语音分离的重要方法,但该方法存在数据运算复杂、计算量太大的问题,需要研究能减少计算时间的并行计算方法。针对语音分离预训练及分离过程的计算问题,文中提出深层转导式非负矩阵分解并行算法,综合考虑迭代更新过程的数据关联性,设计了一种任务间和任务内多级并行算法。该并行算法在任务级将分解训练语音得到对应基矩阵的过程作为两个独立的任务进行并行计算;在任务内部进程级把矩阵按行列划分,主进程把矩阵块分发到从进程,从进程接收当前矩阵块并计算结果矩阵子块,然后将当前进程矩阵块发送到下一进程,实现第二个矩阵中每一个矩阵块在所有进程的遍历,并计算结果矩阵对应子块的乘积,最后由主进程收集从进程数据块;在线程级子矩阵乘法运算的过程中,采取生成多线程,通过共享内存交换数据计算子矩阵块的加速策略。该算法为首个实现深层转导式非负矩阵分解的并行算法。在天河二号平台上的测试结果表明,在分离多说话人混合语音信号时,相比串行程序,所提出的并行算法能在不改变分离效果的前提下,使得预训练过程中使用64个进程的加速比为18,分离过程使用64个进程的对应加速比为24。相较于串行及MPI模型分离,混合模型分离时间大大缩短,从而证明了设计的并行算法可有效提高语音分离的效率。
-
关键词
深层转导式非负矩阵分解并行算法
乘性迭代更新规则加速算法
消息传递接口
共享存储并行编程
语音分离
-
Keywords
Parallel algorithm of deep-transductive non-negative matrix factorization
Acceleration algorithm based on multiplicative update rules
MPI
OpenMP
Speech separation
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名非平衡数据集的支持向量域分类预测模型研究
被引量：3
- 2
-
-
作者
田博
覃正
-
机构
西安交通大学管理学院
-
出处
《运筹与管理》
CSCD
北大核心
2009年第1期138-145,共8页
-
基金
国家自然科学基金资助项目(70471037)
陕西省自然科学基金资助项目(2004G02)
-
文摘
基于非平衡数据集的支持向量域分类模型,提出了一种银行客户个人信用预测方法。首先分析了信用预测的主要方法及其不足,然后研究了支持向量域分类模型及其参数的非负二次规划乘性更新算法,进而提出基于支持向量域分类模型的银行客户个人信用预测方法,最后使用人工数据和实际数据对提出方法与支持向量机预测方法进行对比实验。实验结果表明对于银行客户个人信用预测的非平衡数据分析问题,基于支持向量域模型的分类预测方法更有效。
-
关键词
信用预测
非平衡数据分类
支持向量域
非负二次规划
乘性更新算法
-
Keywords
predication of customer credit, classification of the non-balance data, support vector domain, non-negative quadratic programming, muhiplicative updating principle.
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
