法律状态公告日
法律状态信息
法律状态
2020-05-01
未缴年费专利权终止 IPC(主分类):G06F17/15 授权公告日:20170531 终止日期:20190510 申请日:20130510
专利权的终止
2017-05-31
授权
授权
2013-10-16
实质审查的生效 IPC(主分类):G06F17/15 申请日:20130510
实质审查的生效
2013-09-11
公开
公开
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:
其中
3.根据HRTF训练样本数据集的阶数
4.假设第
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
6.利用步骤5求解出的基函数
7.预先设定一个阈值
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:
其中
3) 根据头相关传输函数训练样本数据集的阶数
4) 假设第
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
6) 利用步骤5)求解出的基函数
7) 预先设定一个阈值
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
2.按照下述过程计算权值矩阵:
3.利用步骤1中3阶HRTF训练样本张量得知阶数n = 3,以及在第
4.假设第
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:
其中
然后再结合步骤2中求出的权重矩阵
基函数
5.1.根据基函数
为了排除尺度因子的影响,增加约束条件
其中
5.2.显然根据
5.3.重复步骤5.1和5.2更新
6.利用步骤5求解出的基函数
7.预先设定一个阈值
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。
机译: 基于近邻块维降维的图像去噪支持系统和方法
机译: 基于近邻块维降维的图像去噪支持系统和方法
机译: 基于近邻块维降维的图像去噪支持系统和方法