CN103294647A - 基于正交张量近邻保持嵌入的头相关传输函数降维方法 - Google Patents
基于正交张量近邻保持嵌入的头相关传输函数降维方法 Download PDFInfo
- Publication number
- CN103294647A CN103294647A CN2013101723376A CN201310172337A CN103294647A CN 103294647 A CN103294647 A CN 103294647A CN 2013101723376 A CN2013101723376 A CN 2013101723376A CN 201310172337 A CN201310172337 A CN 201310172337A CN 103294647 A CN103294647 A CN 103294647A
- Authority
- CN
- China
- Prior art keywords
- related transfer
- basis function
- transfer function
- neighbour
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于正交张量近邻保持嵌入的头相关传输函数降维方法。包括:首先对给定的一组头相关传输函数进行张量表述,并构建近邻图;然后计算近邻图中的权重矩阵;根据上述步骤得到的权重矩阵,在投影矩阵正交性的约束下,求解泛化特征向量问题,寻找到高维头相关传输函数嵌入到低维数据空间的投影矩阵;利用上述得到的投影矩阵可以对头相关传输函数高维张量进行特征提取,挖掘出蕴藏在高维空间中的头相关传输函数的低维特征,并且保持了高维空间中头相关传输函数的局部流形结构。真实的反映了头相关传输函数数据的分布,克服了传统降维方法对原始数据局部流形结构的破坏,能广泛用于3D音频信号处理等领域。
Description
技术领域
本发明涉及一种头相关传输函数(HRTF)张量降维方法,具体地说,是涉及一种基于正交张量近邻保持嵌入(OTNPE)的头相关传输函数降维方法,属于3D音频和语音信号处理的技术领域。
背景技术
头相关传输函数(Head-related transfer function,HRTF)是实现虚拟3D音频的核心部分。它是多变量声学传输函数包含了声音的空间方位信息(方位角和俯仰角),还与声音的频率相关。通过实验测量方法可以得到不同声源方向的HRTF,其维数高且数据结构复杂。这样在声学应用领域中直接利用和研究测量得到的HRTF数据是很困难的。因此需要对高维复杂的HRTF进行降维处理,提取出HRTF的低维特征以便于观察研究其特性。
目前传统的降维方法如主成分分析、奇异值分解可以实现HRTF数据从高维到低维的简化,他们都基于向量模型进行降维。然而多维HRTF数据的向量化操作不仅增加计算的复杂度,还破坏原本数据的结构信息以及不同变量之间的相互关系。为了避免这些问题,利用张量表示多维结构的HRTF而后进行降维保持了原始数据的结构信息,并实现了较传统降维方法更高的数据压缩比。实际上HRTF是当声源处于听者头部不同方位(方位角和俯仰角)时所测得的频率响应,是多种因素综合作用产生的声学滤波器。HRTF存在这样的数据特征,不同方位角的HRTF既有相似之处,也有各自不同的特征。方位角差异越小,其对应的HRTF之间的“距离”越小,共性特征越多。当方位角度差异增大时,HRTF数据之间的关联性减弱,所以在对HRTF进行降维后得到的低维特征能够保留原始HRTF所蕴藏的局部几何特性和近邻信息才更加符合听觉特性。但是之前的降维方法则忽略了这些潜在的特征关系。
发明内容
本发明的目的在于针对现有技术的不足,提出一种基于正交张量近邻保持嵌入的HRTF降维方法,能够通过投影矩阵的正交化较好地保持原始HRTF的局部几何特性和近邻关系,并且将高维HRTF张量嵌入到低维空间,使原始数据得到较大的压缩和精简,也更加符合听觉感知。
为了达到上述目的,本发明的构思是:正交张量近邻保持嵌入是最近几年得到广泛运用的一种挖掘高维复杂数据低维特征信息的方法,其原理是通过构建近邻图保持原始数据流形上的局部结构,使得原始张量数据的正交化张量近邻保持嵌入得以实现。本发明充分利用头相关传输函数本身潜在的局部特征关系,来学习HRTF张量的子空间且保证子空间基向量的正交性,以实现高维HRTF张量到低维空间的嵌入并更加符合听觉特性。本发明首先构建HRTF张量样本集的近邻图;然后按照近邻图计算权重矩阵。根据正交张量近邻保持嵌入方法,且保证不同投影矩阵中基向量互相正交的前提下来学习HRTF的正交张量子空间。接着,得到逼近正交子空间的参数的更新等式,循环迭代更新等式直到满足收敛条件。最后,利用上述得到的张量子空间的正交性完成HRTF的投影并保持局部近邻重构关系。
根据上述发明构思,本发明采用下述技术方案:
一种基于正交张量近邻保持嵌入的头相传输函数降维方法包括以下几个步骤:
1.针对头相关传输函数的训练样本构建近邻图。近邻图的点是由HRTF样本集构成,按照k-近邻的方法选择近邻点;
2.利用近邻图计算权重矩阵,HRTF训练样本集中的每一点都可以通过它的k近邻点的线性组合进行重建。通过求解约束条件下的最小化目标函数:
5.利用步骤4中的已知初始化基函数对HRTF训练样本集进行低维嵌入,得到每个样本的低维特征张量,由个样本的得到矩阵,再结合权重矩阵计算得到矩阵。基函数中每个列向量是正交的,但是其第一个列向量是不受限制的。利用特征分解求解出即的最小特征值对应的特征向量。再根据其余个列向量与已求解出向量的正交关系,利用拉格朗日乘数法将正交条件加入到目标函数中逐一求解出中剩余的个列向量。
8.对于新的HRTF测试样本可以利用上述过程获取的基函数将测试HRTF嵌入到低维正交子空间去。由于基函数的正交性,较好的保持了原本高维数据中蕴藏的局部流形结构。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著优点:
本发明充分利用张量近邻保持嵌入的优点,并在此基础上保证基函数的正交性,使得投影的同时更加完好的保持头相关传输函数高维数据空间中的近邻重构关系,提取了符合听觉特性的HRTF低维特征。
附图说明
图1为本发明所述方法的流程图。
具体实施方式
为了更好地理解本发明的技术方案,以下对本发明的优选实施例作进一步的详细描述:
实施例一:
参见图1,本基于正交张量近邻保持嵌入的头相关传输函数的降维方法,其特征是
1) 针对头相关传输函数的训练样本构建近邻图,近邻图的点是由样本集构成,按照k-近邻的方法选择近邻点;
2) 利用近邻图计算权重矩阵,头相关传输函数训练样本集中的每一点都可以通过它的k近邻点的线性组合进行重建;通过求解约束条件下的最小化目标函数:
5) 利用步骤4)中的已知初始化基函数对头相关传输函数训练样本集进行低维嵌入,得到每个样本的低维特征张量,由个样本的得到矩阵,再结合权重矩阵计算得到矩阵;基函数中每个列向量是正交的,但是其第一个列向量是不受限制的;利用特征分解求解出即的最小特征值对应的特征向量;再将其余个列向量与已求解出的向量的正交关系,利用拉格朗日乘数法将正交条件加入到目标函数中逐一求解出中剩余的个列向量;
8) 对于新的头相关传输函数测试样本可以利用获得的基函数将其嵌入到低维子空间去,由于基函数的正交性,较好的保持了原本高维数据中蕴藏的局部流形结构。
实施例二:
参见图1,本基于正交张量近邻保持嵌入的头相关传输函数的降维方法,利用张量建模HRTF,结合张量近邻保持嵌入,并保证投影矩阵的正交性,实现张量HRTF投影到低维特征空间中并保持着原本高维数据空间中的局部几何特性和近邻关系,其具体实施步骤如下:
1.头相关传输函数的个3阶张量形式的训练样本,其中3个指标分别代表声源方位信息的方位角、俯仰角以及频率的个数。针对HRTF张量样本集构建近邻图,图中的点是由样本集构成。假设样本对应着近邻图中第个节点,若存在样本是样本的近邻,则有一条边连接近邻图中的第点和第点。按照k-近邻的方法选择近邻点;
5.利用步骤4中的已知初始化基函数对HRTF训练样本集进行低维嵌入,得到每个样本的低维特征张量:
(4)
(8)
5.3.重复步骤5.1和5.2更新由2到之后结束循环,即计算得到个正交的基向量组成基函数结束循环运算。的维数为,其每个列向量之间是正交的,因此能够实现HRTF张量第k模式下的低维嵌入,并且能够由基函数和低维特征张量重构出HRTF原始高维的数据。
8.根据上述过程求得的嵌入矩阵对测试的新样本进行特征提取,得到的测试样本映射到低维空间的特征张量
其维数为。由于基函数向量的正交性,较好的保持了原本高维数据中蕴藏的局部流形结构,并且可以由低维特征张量和基函数重构回头相关传输函数原始高维空间的数据。
Claims (1)
1. 一种基于正交张量近邻保持嵌入的头相关传输函数降维方法,其特征在于包括如下具体步骤:
1) 针对头相关传输函数的训练样本构建近邻图,近邻图的点是由样本集构成,按照k-近邻的方法选择近邻点;
2) 利用近邻图计算权重矩阵,头相关传输函数训练样本集中的每一点都可以通过它的k近邻点的线性组合进行重建;通过求解约束条件下的最小化目标函数:
5) 利用步骤4)中的已知初始化基函数对头相关传输函数训练样本集进行低维嵌入,得到每个样本的低维特征张量,由个样本的得到矩阵,再结合权重矩阵计算得到矩阵;基函数中每个列向量是正交的,但是其第一个列向量是不受限制的;利用特征分解求解出即的最小特征值对应的特征向量;再将其余个列向量与已求解出的向量的正交关系,利用拉格朗日乘数法将正交条件加入到目标函数中逐一求解出中剩余的个列向量;
8) 对于新的头相关传输函数测试样本可以利用获得的基函数将其嵌入到低维子空间去,由于基函数的正交性,较好的保持了原本高维数据中蕴藏的局部流形结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310172337.6A CN103294647B (zh) | 2013-05-10 | 2013-05-10 | 基于正交张量近邻保持嵌入的头相关传输函数降维方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310172337.6A CN103294647B (zh) | 2013-05-10 | 2013-05-10 | 基于正交张量近邻保持嵌入的头相关传输函数降维方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103294647A true CN103294647A (zh) | 2013-09-11 |
CN103294647B CN103294647B (zh) | 2017-05-31 |
Family
ID=49095547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310172337.6A Expired - Fee Related CN103294647B (zh) | 2013-05-10 | 2013-05-10 | 基于正交张量近邻保持嵌入的头相关传输函数降维方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103294647B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050482A (zh) * | 2014-06-24 | 2014-09-17 | 哈尔滨工业大学 | 一种基于局部线性回归的流形学习泛化算法 |
CN105786764A (zh) * | 2014-12-19 | 2016-07-20 | 天津安腾冷拔钢管有限公司 | 一种获取个性化头相关传递函数(hrtf)的计算方法及装置 |
CN107301153A (zh) * | 2017-05-22 | 2017-10-27 | 上海大学 | 一种基于自适应傅里叶分解的头相关传输函数建模方法 |
CN107480100A (zh) * | 2017-07-04 | 2017-12-15 | 中国科学院自动化研究所 | 基于深层神经网络中间层特征的头相关传输函数建模系统 |
CN108805104A (zh) * | 2018-06-29 | 2018-11-13 | 中国航空无线电电子研究所 | 个性化hrtf获取系统 |
CN110751281A (zh) * | 2019-10-18 | 2020-02-04 | 武汉大学 | 一种基于卷积自编码器的头相关传输函数建模方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070270988A1 (en) * | 2006-05-20 | 2007-11-22 | Personics Holdings Inc. | Method of Modifying Audio Content |
US20100241256A1 (en) * | 2006-05-20 | 2010-09-23 | Personics Holdings Inc. | Method of modifying audio content |
-
2013
- 2013-05-10 CN CN201310172337.6A patent/CN103294647B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070270988A1 (en) * | 2006-05-20 | 2007-11-22 | Personics Holdings Inc. | Method of Modifying Audio Content |
US20100241256A1 (en) * | 2006-05-20 | 2010-09-23 | Personics Holdings Inc. | Method of modifying audio content |
Non-Patent Citations (3)
Title |
---|
刘小明 等: "正交化近邻关系保持的降维及分类算法", 《中国图像图形学报》 * |
汤永清 等: "一种局部线性嵌入的空间听觉重建方法", 《上海大学学报(自然科学版)》 * |
许淑华: "张量图形上的正交张量监督监督近邻保持嵌入", 《计算机应用与软件》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050482A (zh) * | 2014-06-24 | 2014-09-17 | 哈尔滨工业大学 | 一种基于局部线性回归的流形学习泛化算法 |
CN104050482B (zh) * | 2014-06-24 | 2017-06-13 | 哈尔滨工业大学 | 一种基于局部线性回归的流形学习泛化算法 |
CN105786764A (zh) * | 2014-12-19 | 2016-07-20 | 天津安腾冷拔钢管有限公司 | 一种获取个性化头相关传递函数(hrtf)的计算方法及装置 |
CN107301153A (zh) * | 2017-05-22 | 2017-10-27 | 上海大学 | 一种基于自适应傅里叶分解的头相关传输函数建模方法 |
CN107301153B (zh) * | 2017-05-22 | 2021-05-07 | 上海大学 | 一种基于自适应傅里叶分解的头相关传输函数建模方法 |
CN107480100A (zh) * | 2017-07-04 | 2017-12-15 | 中国科学院自动化研究所 | 基于深层神经网络中间层特征的头相关传输函数建模系统 |
CN107480100B (zh) * | 2017-07-04 | 2020-02-28 | 中国科学院自动化研究所 | 基于深层神经网络中间层特征的头相关传输函数建模系统 |
CN108805104A (zh) * | 2018-06-29 | 2018-11-13 | 中国航空无线电电子研究所 | 个性化hrtf获取系统 |
CN108805104B (zh) * | 2018-06-29 | 2022-03-08 | 中国航空无线电电子研究所 | 个性化hrtf获取系统 |
CN110751281A (zh) * | 2019-10-18 | 2020-02-04 | 武汉大学 | 一种基于卷积自编码器的头相关传输函数建模方法 |
CN110751281B (zh) * | 2019-10-18 | 2022-04-15 | 武汉大学 | 一种基于卷积自编码器的头相关传输函数建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103294647B (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103294647A (zh) | 基于正交张量近邻保持嵌入的头相关传输函数降维方法 | |
Weinberger et al. | Graph Laplacian regularization for large-scale semidefinite programming | |
CN111080684B (zh) | 一种点邻域尺度差异描述的点云配准方法 | |
CN102799763B (zh) | 一种基于点云姿态标准化的点云线特征提取方法 | |
CN110619887B (zh) | 一种基于卷积神经网络的多说话人语音分离方法 | |
CN102353985A (zh) | 基于非下采样Contourlet变换的拟声波曲线构建方法 | |
CN107038292A (zh) | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 | |
CN106844620A (zh) | 一种基于视图的特征匹配三维模型检索方法 | |
CN107885787A (zh) | 基于谱嵌入的多视角特征融合的图像检索方法 | |
CN107645493B (zh) | 一种ip组相似度计算方法 | |
CN109408765A (zh) | 基于拟牛顿法的智能匹配追踪稀疏重建方法 | |
CN108896962A (zh) | 基于声音位置指纹的迭代定位方法 | |
CN109978042A (zh) | 一种融合特征学习的自适应快速K-means聚类方法 | |
CN113155973A (zh) | 一种基于自适应奇异值分解的梁损伤识别方法 | |
CN106997476A (zh) | 多源无标签数据学习建模的传动系统性能退化评估方法 | |
CN104103042A (zh) | 一种基于局部相似性和局部选择的非凸压缩感知图像重构方法 | |
CN108225332A (zh) | 基于监督的室内定位指纹地图降维方法 | |
CN103258134A (zh) | 一种高维的振动信号的降维处理方法 | |
He et al. | Research on geometric features and point cloud properties for tree skeleton extraction | |
CN103810747A (zh) | 基于二维主流形的三维点云物体形状相似性比较方法 | |
CN110457646A (zh) | 一种基于参数迁移学习低资源头相关传输函数个性化方法 | |
CN103235879A (zh) | 基于小生境主从式并行遗传算法的双相介质参数反演方法 | |
CN114972460A (zh) | 一种结合图特征上下文匹配的点云配准方法 | |
CN109633531A (zh) | 一种复合噪声条件下的无线传感器网络节点定位系统 | |
CN103605880A (zh) | 一种精确诊断密集模态阻尼比的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170531 Termination date: 20190510 |