Nonparallel Training of Exemplar-based Voice Conversion System Using INCA-based Alignment Technique

一下段落摘抄自: https://blog.csdn.net/qq_26225295/article/details/51211529#:~:text=NMF%EF%BC%8C%E5%85%A8%E7%A7%B0%E4%B8%BAnon%2Dnegative,%E5%85%83%E7%B4%A0%E9%83%BD%E8%A6%81%E5%A4%A7%E4%BA%8E0%E3%80%82

感谢

文本在人类日常接触的信息中占有很大分量，为了更快更精确地从大量的文本数据中取得所需要的信息，针对文本信息处理的研究一直没有停止过。文本数据不光信息量大，而且一般是无结构的。此外，典型的文本数据通常以矩阵的形式被计算机处理，此时的数据矩阵具有高维稀疏的特征，因此，对大规模文本信息进行处理分析的另一个障碍便是如何削减原始数据的维数。NMF算法正是解决这方面难题的一种新手段。NMF在挖掘用户所需数据和进行文本聚类研究中都有着成功的应用例子。由于NMF算法在处理文本数据方面的高效性，著名的商业数据库软件Oracle在其第10版中专门利用NMF算法来进行文本特征的提取和分类。为什么NMF对于文本信息提取得很好呢？原因在于智能文本处理的核心问题是以一种能捕获语义或相关信息的方式来表示文本，但是传统的常用分析方法仅仅是对词进行统计，而不考虑其他的信息。而NMF不同，它往往能达到表示信息的局部之间相关关系的效果，从而获得更好的处理结果。

 

可以用NMF对PPG进行稀疏高纬度到低维度的分解, 并且用分解后的特征作为NN的输入