论文部分内容阅读
从字典的相干性边界条件出发，提出一种基于极分解的非相干字典学习方法（Polar decomposition based incoherent dictionary learning，PDIDL），该方法将字典以Frobenius范数逼近由矩阵极分解获取的紧框架，同时采用最小化所有原子对的内积平方和作为约束，以降低字典的相干性，并保持更新前后字典结构的整体相似特性．采用最速梯度下降法和子空间旋转实现非相干字典的学习和优化．最后将该方法应用于合成数据与实际语音数据的稀疏表示．实验结果表明，本文方法学习的字典能