深层转导式非负矩阵分解并行算法

非负矩阵分解（Non-negative Matrix Factorization，NMF）能保存语音信号的非负特征，是用于语音分离的重要方法。但该方法存在数据运算复杂、计算量太大的问题，需要研究能减少计算时间的并行计算方法。文中提出深层转导式非负矩阵分解并行算法，综合考虑迭代更新过程的数据关联性，设计了一种任务间和任务内多级并行算法。该并行算法在任务级将分解训练语音得到对应基矩阵的过程作为两个独立任务进行并行计算；在任务内部进程级，矩阵按行列划分，主进程分发矩阵块到从进程，从进程接收矩阵块计算结果矩阵子块，然后将矩阵块发送到下一进程，实现每个矩阵块在所有进程的遍历，并计算矩阵子块的乘积，最后由主进程收集数据块。在线程级的子矩阵乘法运算中，采取生成多线程，通过共享内存交换数据加速子矩阵块计算。该算法为首个实现深层转导式非负矩阵分解的并行算法。在天河二号平台测试表明，使用64个进程，预训练加速比为18，分离加速比为24，相比串行程序及MP模型分离，时间大大缩短，从而证明了设计的并行算法可有效提高语音分离效率。