带边界条件约束的非相干字典学习方法及其稀疏表示
从字典的相干性边界条件出发,提出一种基于极分解的非相干字典学习方法(Polar decomposition based incoherent dictionary learning, PDIDL),该方法将字典以Frobenius 范数逼近由矩阵极分解获取的紧框架,同时采用最小化所有原子对的内积平方和作为约束,以降低字典的相干性,并保持更新前后字典结构的整体相似特性。采用最速梯度下降法和子空间旋转实现非相干字典的学习和优化。最后将该方法应用于合成数据与实际语音数据的稀疏表示。实验结果表明,本文方法学习的字典能逼近等角紧框架(Equiangular tight-frame, ETF),实现最大化稀疏编码,在降低字典相干性的同时具有较低的稀疏表示误差。
字典学习、非相干字典、等角紧框架、稀疏表示
国家自然科学基金61174050,61203016;湘潭大学控制科学与工程学科建设经费资助@@@@Supported by National Natural Science Foundation of China61174050,61203016;Control Science and Engineering Dis-ciplinary Construction Funds of Xiangtan University
2015-03-25(万方平台首次上网日期,不代表论文的发表时间)
共18页
312-329