1、“.....在数学上，从计算的观点看，分解结果中存在负值是正确的，但负值元素在实际问题中往往是没有意义的。是种新的矩阵分解算法，它克服了传统矩阵分解的很多问题，通过寻找上下文有意义的解决方法，提供解释数据的更深看法。语音包含大量的数据信息,对语音进行识别的过程也是对这些信息进行处理的过程。选择种恰当的第章绪论数据处理方法将会节省大量的时间和人力,多项试验明,方法就是分析处理此类数据的有效方法。郭莉莉等提出基于的语音特征波形分解方法利用将幅度谱矩阵分解为个基向量的叠加,提高了算法的灵活性。同时也提出了采用刻度分带初始化的基于散度的方法,在分解精度和复杂度方面均优于其它特征波形分解方法,从而更适合实时通信。等将用于音乐信号分析中,将音乐的幅度谱进行分解,得到具有单个音调的特征数据。另外,等将用于自然语言的的处理中等将用于语音信号分析和处理中。从算法优化的角度来看......”。

2、“.....在非负性约束的基础上，人们提出了局部非负矩阵分解，稀疏非负矩阵分解，加权的正非负矩阵分解，多重线性引擎和正张量分解。将约束引入到分解中，还将非负矩阵的单层神经网络表示推广到多层的情形。主要研究内容从理论上研究将作为大规模数据处理方法的优点，在此基础上将运用于语音分离领域，分析基于的语音分离方法。本文主要是将运用于单通道语音分离方面的研究，对语音数据向量进行降维，设计获取高质量语音分离的方法。论文将通过以下几步展开研究语音分离基本知识研究将应用于语音分离，先简单介绍有关语音分离的知识。传声器数多于或等于声源数时，不需要太多的限定及猜想就可以实现分离，因此称为盲源分离。而当传声器数少于声源数时，要实现分离就比较复杂，称为欠定模型，其中有种极端情况，即当传声器数为时，我们称此种情形下的语音分离为单通道语音分离。本文主要研究的是单通道语音分离的实现......”。

3、“.....总的来说非负矩阵分解算法的产生和发展与应用密切相关。非负矩阵分解的产生以及现有的第章绪论非负矩阵分解算法的各种变体都是为了适应应用需求而产生的。因此有必要对现有的非负矩阵分解算法进行总结分析和对比，为应用过程中非负矩阵分解算法的选取提供指导。基本非负矩阵分解及其几种改进算法的研究简单介绍有关基本非负矩阵分解的目标函数及迭代函数，介绍了些在基础上因增加不同的限制条件而有所改进的算法，包括他们的目标函数及迭代函数。同时简单阐述了他们之间在意义特点算法及应用等方面的不同。实验部分本文主要借鉴语音分离竞赛的指示和的采用稀疏非负矩阵分解的语音分离的实验方法。本文描述的方法很大程度上依赖于对讲话者的识别男或女。如果个语音分离系统是用于有着大量不认识的讲话者的情形，那么这个系统将无法依赖于本文前面描述的方法来训练讲话者......”。

4、“.....采用的个优点是它具有简单性，不需要符合语法规则的模式。但是，虽然分离过程能轻松地实时生效，它需要花大量的计算来估算讲话者依赖基。论文主要成果论文的主要研究成果表现在以下几个方面归纳了基本非负矩阵分解和其它几种改进的算法的目标函数和迭代算法，总结了他们在特点和应用等方面的不同参照语音分离竞赛的指示和的语音分离实验方法，采用稀疏非负矩阵分解进行分离虽然需要花费大量的计算，但是它能够轻松地实现实时生效。本文的描述的方法对讲话者的识别有很大的依赖。对此需要进步的研究。论文结构论文主要分为三个部分。第部分是第章和第二章，综述全文，介绍非负矩阵分解的相关概念，总结非负矩阵分解的各种算法及其改进算法的特点和主要应用。第章绪论第二部分包括第三章，是本文方法的理论基础，它分析了的目标函数和迭代算法。第三部分包括第四章，它是本文的主要部分，在这章中，结合的特点......”。

5、“.....并用实验表明了新算法的优势和需要改进的地方。论文各章节摘要如下第章是论文的绪论。从选题背景开始，简述非负矩阵分解理论和应用的研究现状，提出课题研究思路和论文的主要内容，概要枚举论文的研究成果，描述论文结构。第二章综述语音分离和非负矩阵分解理论。简述语音分离和非负矩阵分解理论的基本知识，让读者更轻松地进入本话题。第三章研究了基本及几种典型的改进。归纳了基本非负矩阵分解和其它几种改进的算法的目标函数和迭代算法，总结了他们在特点和应用等方面的不同第四章将运用于单通道语音分离，并进行试验，试验结果表明了新算法的优势和不足。第五章对论文进行总结，探讨相关问题，展望今后工作。综述本文在非负矩阵分解方面所作的工作，指出现有工作的局限性和需要改进的方面。第二章语音分离及背景知识第二章语音分离及背景知识本章介绍了有关单通道语音分离及非负矩阵分解的些基础架构知识......”。

6、“.....游屈波，非负矩阵分解及其在模式识别中的应用，科学通报汪鹏，非负矩阵分解数学的奇妙力量，计算机教育,参考文献李乐,章毓晋非负矩阵分解算法综述电子学报余先川非负矩阵分解及其应用研究综述郭莉莉,鲍长春基于非负矩阵分解的语音特征波形分解方法信号处理孔江明非平滑非负矩阵分解及其应用研究上海同济大学,刘维湘非负矩阵分解及其应用西安西安交通大学蒋翼翔基于非负矩阵分解的信息获取方法研究，南京东南大学，刘伯权，曾以成，邬鑫锋采用非负矩阵分解的语音盲分离,计算机工程与设计,郭勇，鲍丽春，基于非负矩阵分解的特征向量抽取方法特点研究，计算机工程与应用李芳，朱群雄，基于矩阵变换的快速非负矩阵分解,北京邮电大学学报，郭立，增量式非负矩阵分解方法研究,上海复旦大学，李勇智，杨静宇，种组合类别信息的非负矩阵分解方法及其应用，系统仿真学报......”。

7、“.....由于数据的非负性的要求，让其更能符合人类的认识思维习惯。非负矩阵分解具有速度快和占用存储空间小等优点，从而使得其得到了广泛的应用，其中包括语音分离。如果能找到个快速的语音分离算法，它将会推动人工智能自动音乐复制声音特效对象译码等的应用和研究。最后，本文展示了个用于分离在单个通道记录中的两个讲话者的方法。这个分离实验是在个代表语音最佳的低维特征空间中实施。对于每个讲话者，个过完备基是采用稀疏非负矩阵分解评估的，同时语音混合物是通过将其映射到两个讲话者的联合基中分离的。我们采用语音分离竞赛数据集中的单词识别率来评估这个方法......”。

8、“.....便表现出极大的魅力。由于算法实现简便有效,非负矩阵分解已成为模式识别研究领域中特征提取和数据降维的种新方法,在高维数据处理中有着广泛的应用前景思想的提出迅速得到了很多人的重视，并有很多将这种思想应用到实际中成功解决具体实际问题的例子。语音的分离直是计算机科学家努力的方向，也是未来智能应用实现的基础技术。语音同样包含大量的数据信息，分离语音的过程也是对这些信息处理的过程。算法具有处理大规模数据的优势，在这方面算法为我们提供了种新方法，算法成功实现了有效的语音特征分离，并且由于算法的快速性和简单性等优势，对实现语音识别有着重大的意义......”。

9、“.....其应用均取得了令人瞩目的成果。的故事还在不断进行中，的应用领域还有待进步的发掘，针对的进步研究也没有停止过，其中诸如分解的存在性惟性和收敛性以及收敛的速度等问题的深入探讨必将使该思想能更好地服务于人类。国内外研究状况讨论利用矩阵分解来解决实际问题的分析方法很多，如,主成分分析,成分分析,奇异值分解,矢量量化等。在所有这些方法中，原始的大矩阵被近似分解为低秩的形式。这些方法的共同特点是因子和中的元素可为正或负，即使输入的初始矩阵元素是全正的，传统的秩削减算法也不能保证原始数据的非负性。在数学上，从计算的观点看，分解结果中存在负值是正确的，但负值元素在实际问题中往往是没有意义的。是种新的矩阵分解算法，它克服了传统矩阵分解的很多问题，通过寻找上下文有意义的解决方法，提供解释数据的更深看法。语音包含大量的数据信息,对语音进行识别的过程也是对这些信息进行处理的过程......”。