Julian Becker

Nonnegative Matrix Factorization with Adaptive Elements for Monaural Audio Source Separation


voorkant	achterkant

ISBN:

978-3-8440-4814-8

Reeks:

Aachen Series on Multimedia and Communications Engineering
Uitgever: Univ.-Prof. Dr.-Ing. Jens-Rainer Ohm
Aachen

Volume:

Trefwoorden:

Audio Source Separation; Nonnegative Matrix Factorization

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

152 pagina's

Gewicht:

207 g

Formaat:

21 x 14,8 cm

Bindung:

Softcover

Prijs:

45,80 € / 57,30 SFr

Verschijningsdatum:

Oktober 2016

Kopen:

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 59 kB (60017 Byte)
	Acties		downloaden van het bestand - 59 kB (60017 Byte)


	Document		Document
	Soort bestand		PDF
	Kosten		34,35 EUR
	Acties		Tonen en kopen van het bestand - 2,7 MB (2850203 Byte)
	Acties		Kopen en downloaden van het bestand - 2,7 MB (2850203 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

For monaural audio source separation, Nonnegative Matrix Factorization (NMF) has become one of the most dominant methods. This thesis contributes adaptive methods in the context of two extensions: Nonnegative Matrix Factor Deconvolution (NMFD) and constraints for NMF computation. It is shown that these elements improve separation results only under specific conditions. Consequently, adaptive algorithms are developed in this thesis. The underlying hypothesis of these modifications is that NMF components have different properties depending on the acoustical event to which they correspond.
In the context of NMFD, a generalization of NMFD is proposed which makes it possible to use the deconvolution approach only on a subset of the components. Further, with this approach it is possible to adapt the parameters of NMFD on each component individually. Experimental results show that an algorithm using the generalized NMFD leads to better separation results as a comparable algorithm using NMF or NMFD.
For NMF with additional constraints, two adaptive extensions are presented. The first extension adapts the constraints depending on the properties of different NMF components. As a result, these constraints are imposed stronger on the components for which they are beneficial and weaker on others. Secondly, an algorithm is developed, which also makes it possible to adapt the strength of the constraints to different entire mixtures during runtime of the NMF. Experimental results show that both algorithms are beneficial for the source separation results.
The proposed adaptive elements for NMF prove to be an effective addition to the state of the art of NMF, enabling improved quality of fully automatic blind source separation of monaural audio mixtures.