ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH

TRƯỜNG ĐẠI HỌC BÁCH KHOA

BÁO CÁO BÀI TẬP LỚN

ĐỀ TÀI 5: ỨNG DỤNG PHÂN TÍCH SVD ĐỂ KHỬ NHIỄU ÂM
THANH
GVHD : NGUYỄN XUÂN MỸ
MÔN : ĐẠI SỐ TUYẾN TÍNH (MT1007)
LỚP : Lớp DT03- Nhóm 08
STT Họ và Tên MSSV

1 Huỳnh Ngọc Bảo Trí 2112510

2 Nguyễn Hữu Trúc 2213717

3 Nguyễn Huỳnh Minh Trực 2112568

4 Nguyễn Ngọc Tú 2213849

5 Huỳnh Công Tuấn 2012333

6 Nguyễn Phi Viễn 2213935

7 Đặng Quốc Vinh 2213959

8 Lê Phú Vinh 2033123
9 Nguyễn Tường Vy 2214044
10 Phan Thị Hoàng Yến 2112704

1
LỜI CẢM ƠN

Để hoàn thành đề tài bài tập lớn lần này, trước hết nhóm chúng em xin chân thành cảm
ơn sự hướng dẫn, giúp đỡ, quan tâm từ quý thầy cô, bạn bè trong lớp.

Đặc biệt, nhóm xin gửi đến cô Nguyễn Xuân Mỹ đã ra sức truyền đạt, chỉ dẫn chúng em
đề tài báo cáo lần này lời cảm ơn sâu sắc nhất.

Không thể không nhắc tới sự hợp tác, đoàn kết của các thành viên trong nhóm, xin cảm
ơn mọi người đã cùng góp sức, góp lực để hoàn thành bài báo cáo này.

Vì còn tồn tại những hạn chế về mặt kiến thức, trong quá trình trao đổi, hoàn thành bài
tập lớn cuối kì , chúng em không tránh khỏi những sai sót, kính mong nhận được sự đóng
góp từ quý thầy, cô. Những góp ý từ thầy, cô sẽ là động lực để chúng em hoàn thiện hơn.
Một lần nữa, Nhóm 08 - Lớp DT03 xin gửi lời biết ơn chân thành đến thầy, cô vì đã giúp
chúng em đạt được kết quả này.

Nhóm thực hiện đề tài

Nhóm 08 – Lớp DT03

2
LỜI MỞ ĐẦU
1. Tính cấp thiết của đề tài:
Trong cuộc sống phát triển hiện đại như ngày nay thì việc khử nhiễu âm thanh là
một nhu cầu rất lớn của con người. Nhu cầu liên quan đến âm thanh trong học tập,
làm việc, nghiên cứu, giải trí,...đều rất cao và đặc biệt là sau Đại dịch COVID-19
khi chúng ta đều phải hoạt động trực tuyến thì các nhu cầu về ứng dụng ghi hình,
ghi âm,...thì nhu cầu về âm thanh lại càng tăng cao hơn.

Tùy thuộc vào yêu cầu công việc, nhu cầu và chất lượng cuộc sống mà mỗi người
sẽ có một mức độ yêu cầu về chất lượng âm thanh khác nhau và đối với vấn đề
khử nhiễu âm thanh cũng như vậy.

Phương pháp phân tích trị riêng hay còn gọi là SVD là công cụ khử nhiễu âm
thanh là kỹ thuật được áp dụng nhiều nhất trong đời sống hiện nay.

2. Mục tiêu của đề tài:

Tìm được phương pháp phân tích SVD và quy trình ứng dụng của phân tích SVD
trong khử nhiễu âm thanh mang lại hiệu quả cao nhất phục vụ cho nhu cầu học
tập, làm việc, giải trí,...của con người.

3. Nội dung của đề tài:

Nêu lên cơ sở lý thuyết của phân tích SVD và ứng dụng của phân tích SVD để khử
nhiễu âm thanh. Viết chương trình matlab.

3
MỤC LỤC

LỜI CẢM ƠN............................................................................................................................................2

LỜI MỞ ĐẦU............................................................................................................................................3
I. CƠ SỞ LÝ THUYẾT CỦA PHÂN TÍCH SVD...............................................................................5
1. Phương pháp phân tích trị riêng SVD:..........................................................................................5
2. Xét ví dụ về phân tích SVD của một ma trận bất kì :.....................................................................8
II. ỨNG DỤNG CỦA PHÂN TÍCH SVD TRONG KHỬ NHIỄU ÂM THANH............................9
1. Những vấn đề trong âm thanh:......................................................................................................9
2. Ý nghĩa của việc khử nhiễu:.........................................................................................................10
3. Khử nhiễu âm thanh qua thuật toán phân tích SVD:.................................................................11
III. CHƯƠNG TRÌNH MATLAP.....................................................................................................13
IV. TÀI LIỆU THAM KHẢO...........................................................................................................39
KẾT LUẬN..............................................................................................................................................40

4
 I. CƠ SỞ LÝ THUYẾT CỦA PHÂN TÍCH SVD
1. Phương pháp phân tích trị riêng SVD:
- Phương pháp phân tích trị riêng (SVD – Singular Value Decomposition) là công
cụ rã hạng hay chiều của ma trận. Kỹ thuật được áp dụng rất nhiều trong đời sống
như nén dữ liệu, khử nhiễu âm thanh, hệ thống gợi ý trong học máy, khử nhiễu hình
ảnh. Nội dung là cho phép phân tích một ma trận phức tạp thành 3 ma trận thành
phần, SVD khai triển văn bản thành vector ĐSTT.
- Một ma trận bất kỳ đều có thể phân tích thành dạng:

- Trong đó:
+ Q , P là các ma trận trực giao
+ Σ là ma trận đường chéo không vuông kích thước m×n với các phần tử trên đường
chéo là những số thực dương . Và các phần tử được sắp xếp theo thứ tự:

σ1 ≥ σ2 ≥… ≥ σr ≥ 0 = 0 = … =0
+ Và r là rank của A. Số lượng các phần tử khác 0 trong Σ chính là rank cúa ma trận
A

 Hình mô tả SVD của ma trận Am×n trong hai trường hợp: m<n và m>n. Trường
hợp m=n có thể xếp vào một trong hai trường hợp trên.

(Σ là một ma trận đường chéo với các phần tử trên đó giảm dần và không âm. Màu đỏ

5
càng đậm thể hiện giá trị càng cao. Các ô màu trắng trên ma trận này thể hiện giá trị 0.)

 NGUỒN GỐC SVD

Cho A là một ma trận thực mxn. Ta chứng minh rằng tập hợp các trị riêng khác không của
AA và A A là trùng nhau. Thật vậy, giả sử λ 0 là một trị riêng (eigenvalue) khác 0 của
T T

AA và X 0 là vector riêng (eigenvector) của AA tương ứng. Khi đó :

T T

➪ Suy ra:

. Vì λ 0 khác 0 nên A X 0 khác 0. Suy

T
Điều này tương đương với
T T T
ra là trị riêng của A A và ( A X 0 ¿ là vector riêng của A A .
Vì ma trận AAT và AT A là 2 ma trận đối xứng, nên chúng chéo hóa trực giao được. Khi
đó:

(vì ܲܶܲ = ‫ܫ‬, ‫ ܫ‬là ma trận đơn vị)

(vì ܳܶܳ = ‫ܫ‬, ‫ ܫ‬là ma trận đơn vị)

Suy ra
T
- Các cột của ma trận Q là các vector của AA và các là các trị riêng khác
0 của AA T

6
 T
- Các cột của ma trận P là các vector của A A và các là các trị riêng
khác 0 của AT A
T T
- là ma trận chéo với trị riêng tương ứng của AA và A A là . Ta
sắp xếp các sao cho

 COMPACT SVD ( SVD gọn nhẹ hơn)

Gọi
Viết lại biểu thức (!) dưới dạng tổng với Rank (A) = 1

Với mỗi là một ma trận có hạng bằng 1

Rõ ràng với cách phân tích này, ta nhận thấy rằng ma trận A phụ thuộc vào r cột đầu tiên
của Q,P và r phần tử khác không trên đường chéo Σ. Ta có phân tích gọn hơn của A gọi
là Compact SVD :

Với Qr và Pr là các ma trận được tạo nên từ các cột của Q và P tương ứng, Σr là ma trận
con được tạo bởi r hàng đầu tiên và r cột đầu tiên của Σ. Nếu ma trận A có rank nhỏ hơn
rất nhiều so với số hàng và số cột r << m, n , ta sẽ được lợi nhiều về việc lưu trữ.
Dưới đây là ví dụ minh hoạ với m = 4, n = 6, r = 2.

(H2: Biểu diễn SVD dạng thu gọn và biểu diễn ma trận dưới dạng tổng các ma trận có
rank bằng 1.)

7
 2. Xét ví dụ về phân tích SVD của một ma trận bất kì :

- Bước 1 : Xác định ma trận Am × n để tiến hành phân tích SVD.

- Bước 2 : Thực hiện chéo hóa trực giao : .

2.1: Viết phương trình đặc trưng của AAT Từ đó chúng ta sẽ tính được các giá trị
riêng của AA T Viết được ma trận đường chéo có các phần tử là những giá trị riêng, ta vừa
tìm được. (Xắp xếp t. heo thứ tự giảm dần)
2.2: Tìm vecto riêng của AA T . Từ đó ta tính được ma trận , các cột của là các vecto
riêng của AA T .

- Bước 3 : Thực hiện chéo hóa trực giao : .

 Tương tự các bước 2.1, 2.2 ta tính được P và D2.
 Chọn Σm×n bằng cách chọn ma trận cỡ tương ứng phù hợp với D1 hay
D2. Sau đó lấy căn bậc 2 của tất cả những phần tử trên đường chéo.

- Bước 4 : Vậy phân tích SVD của ma trận A sẽ là: .

Nhận xét: Như vậy từ dữ liệu ban đầu, chúng ta có thể viết nó dưới dạng một
ma trận. Qua quá trình chéo hóa trực giao ma trận và ma trận chuyển vị của
nó, chúng ta được phân tích SVD. Trên cơ sở đó, ta có thể dễ dàng ứng dụng
chúng vào nhiều lĩnh vực khác nhau trong khoa học.

8
 II. ỨNG DỤNG CỦA PHÂN TÍCH SVD TRONG KHỬ NHIỄU ÂM THANH
1. Những vấn đề trong âm thanh:
- Trong cuộc sống hiện nay , chúng ta bắt gặp rất nhiều loain âm thanh khác
nhau.Chẳng hạn như: trong một buổi hòa nhạc, tiếng trẻ con nô đùa với nhau, tiếng xe cộ
chạy trên đường… Đôi khi chúng ta muốn ghi lại những âm thanh, những khoảng khắc
bất chợt nào đó, ta có thể sử dụng nhiều phương tiện khác như như điện thoại, máy ghi
âm. Hay ta muốn nghe lại một bản nhạc nhẹ nhàng. Nhưng một điều chắc chắn không thể
tránh khỏi đó là những tập tin âm thanh đó luôn chứa đầy tạp âm(tiếng ồn, tiếng gió hú
ríu rít,…) khiến cho chất lượng âm thanh giảm đáng kể gây khó chịu cho người nghe.

- Lấy một ví dụ điển hình là một bạn học sinh muốn ghi âm lại lời thầy giáo giảng
bài trên lớp, nếu như đó là file ghi âm nguyên thủy ( file gốc chưa qua xử lí) thì
cậu ấy sẽ rất khó chịu do có quá nhiều tạp âm xung quanh, như vậy sẽ ảnh hưởng
đến việc tiếp thu bài của bạn học sinh đó.

9
 - Như vậy, một vấn đề cần đặt ra rằng là làm sao để khử nhiễu được một tập tin
âm thanh mà chúng ta mong muốn?
2. Ý nghĩa của việc khử nhiễu:
- Nếu như chúng ta có thể xử lí tốt một tập tin âm thanh theo các tiêu chí ( trọng
tâm, chính xác, hiệu quả và tiết kiệm thời gian) thì việc đó sẽ giúp ích cho ta rất
nhiều.
- Trong nghiên cứu về âm thanh, sẽ giúp chúng ta tiết kiệm thời gian hơn. Còn
trong doanh nghiệp chuyên về lĩnh vực truyền thông đa phương tiện, nếu xử lí tốt file âm
thanh, sẽ tiết kiệm được rất nhiều chi phí trong việc thiết kế một phần mềm nào đó, hay
chỉ đơn giản là tăng chất lượng âm thanh trong quá trình edit video chuyên nghiệp Từ đó
nó sẽ hướng đến nhiều đối tượng khách hàng hơn với một trải nghiệm về chất lượng âm
thanh tuyệt vời, chân thật và đặt biệt không còn tạp âm nữa.
- Điều này mở ra cơ hội cho các hãng công nghệ, tập đoànlowns chạy đua với
nhau về công nghệ các thiết bị thu gọi giảm thiểu tạp âm một cách tối ưu nhất. Đồng thời
tạo ra vô số công việc dành cho lĩnh vực âm thanh nói chung và các ngành nghề khác nói
riêng. Nắm bắt được xu hướng công nghệ chính là nắm bắt thành công tương lai.

10
 3. Khử nhiễu âm thanh qua thuật toán phân tích SVD:
Bước 1: Giả sử, ta có một file âm thanh trong máy (đuôi có thể ở dạng wav, mp3…)
ta chèn nó vào matlab. Bằng lệnh “audioread”

Bước 2: Chúng ta chọn giá trị mẫu(y) và tần số của mẫu(Fs, đơn vị Hz), sau đó
thông qua lệnh “sound”, chúng ta có thể kiểm tra file âm thanh vừa mới nạp vào
matlab

Bước 3: Qua câu lệnh “plot(y)” hay plot the sound, chúng ta có thể thấy được file âm
thanh đó trực quan trên biểu đồ, giả sử sau khi chèn được file âm thanh, ta có biểu đồ
như sau: ( với những phần đánh dấu x màu xanh là những đoạn âm thanh có nhiễu với
tần số xuất hiện cao, chúng ta cần phải loại bỏ chúng)

Bước 4: Chúng ta tiến hành phân tích SVD để khử đoạn âm thanh bị nhiễu đó, trên
nguyên tắc mã hóa thành một ma trận gồm các nhân tử để chương trình matlab có
thể nhận dạng được, từ đó bắt đầu phân tích SVD để khử nhiễu nó.
a) Chuyển sound về ma trận A
b) Phân tích SVD ma trận A bởi lệnh [U,S,V]= svd(A)

11
Bước 5: Trải qua quá trình phân tích ma trận A thành SVD, chọn các điểm trong
không gian chính là những đoạn bị tạp âm, để xử lí.Sau khi xử lí hoàn tất, ta dùng câu
lệnh “figure, subplot” để hiển thị đoạn âm thanh mà ta vừa xử lí, để đối chiếu so sánh.

 Qua các bước trên và cơ sở của phân tích SVD, ta đã hiểu phần nào bản chất và
ứng
dụng của nó.

12
 III. CHƯƠNG TRÌNH MATLAP
function noisereduction
%% CODE
close all;
clc;
% doc file am thanh
file_in=input('Hay nhap ten: ','s');
[Y,Hz] = audioread(file_in);
div=2000;
divfac=length(Y);
while 1
 b = mod(divfac,div);
  if b==0
      a=divfac/div;
      if( a<=2000)
      break;
      end
  end
 div=div-1;
  if div==1
      divfac=divfac-1;
      div=2000;
  end
end
temp=Y(1:divfac,:);
X = reshape(temp,[],div);
[U,S,V] = svd(X);
t = 0:1/Hz:(divfac-1)/Hz;
figure('name','File do thi am thanh ban dau');
plot(t,Y(1:divfac,:));
xlabel('Thoi gian (s)');
ylabel('Bien do tin hieu');
title('Do thi am thanh ban dau');
sound(Y,Hz);
pause((divfac-1)/Hz+3);
% Khu nhieu
reduction_diagonal_line = diag(S);
len_S = length(reduction_diagonal_line);
syms n x;
t=1:1:len_S;
temp1=reduction_diagonal_line(2)-reduction_diagonal_line(1);
temp2=reduction_diagonal_line(len_S)-reduction_diagonal_line(len_S-1);

13
figure('Name','Gia tri cua S');
plot (t,reduction_diagonal_line);
xlim([0 len_S]);
ylim([0 reduction_diagonal_line(1)]);
xlabel('i');
ylabel('Gia tri tren duong cheo ma tran S');
hold on;
F=temp1*(t-1)+reduction_diagonal_line(1);
plot (t,F);
G=temp2*(t-len_S+1)+reduction_diagonal_line(len_S-1);
plot (t,G);
eqn=(temp1*(n-1)+reduction_diagonal_line(1))==(temp2*(n-
len_S+1)+reduction_diagonal_line(len_S-1));
x=round(solve(eqn,n)+0.025*len_S);
reduction_diagonal_line(x:end) = 0;
plot (t,reduction_diagonal_line);
pause(2);
reduciton_S = S;
reduciton_S(1:len_S,1:len_S) = diag(reduction_diagonal_line);
new_X = U*reduciton_S*transpose(V);
size2=size(Y,2);
Y_new = reshape(new_X,[],size2);
Y_new = fillmissing(Y_new,'previous');
t = 0:1/Hz:(divfac-1)/Hz;
figure('name','File do thi am thanh sau khi khu nhieu');
plot(t,Y_new,'b');
title('Am thanh sau khi khu nhieu');
xlabel('Thoi gian (s)');
ylabel('Bien do tin hieu');
sound(Y_new,Hz);
pause((divfac-1)/Hz);
saveans=input('Ban co muon luu file am thanh?Y/N [N]: ','s');
if saveans=='Y'
    file_out=replace(file_in,'.','_res.');
    audiowrite(file_out,Y_new,Hz);
end
end

14
HƯỚNG GIẢI

15
HƯỚNG TIẾP CẬN
Xem thêm tại: https://drive.google.com/file/d/1JYsyooI5_pAZVNVpWz2aFsuYNr-
UwSKg/view?usp=share_link
Trong xử lý âm thanh, SVD thường được sử dụng để khử nhiễu. Điều này có thể dễ dàng
thu được bằng cách suy giảm hoặc gán bằng 0 các giá trị nhỏ.

Từ file âm thanh gốc ta có thể được mã hóa thành ma trận phù hợp. 
Cách mã hóa: từ file audio gốc ta có thể thu được một ma trận có kích thước là mxn, với
m là số sample trong file audio vào và n là số channel. Ta nhận thấy ma trận này không
thể phân tích SVD bằng Matlab do vượt ngưỡng kích thước, vì vậy ta định hình (reshape)
lại thành một ma trận có kích thước phù hợp sao cho ma trận mới vẫn chứa mxn giá trị
ban đầu và có thể phân tích SVD bằng Matlab. Trong bài này ta chọn kích thước ma trận
mới sao cho <=2000. Trong trường hợp m là một số nguyên tố, ta giảm giá trị m cho tới
khi tìm được kích thước phù hợp. 
Trong phần lớn trường hợp với thời lượng thích hợp (khi ma trận gốc chứa <=4
000 000 samples), lượng sample mất đi là rất nhỏ. Với cách mã hóa này, ta có thể nhận
vào file audio lên đến 1p.
Ma trận này bây giờ có thể phân tích thành 3 ma trận nhỏ bằng phương pháp SVD.
Xét ma trận S chứa các trị riêng của AAT là ma trận chéo có giá trị giảm dần từ trái sang
phải. Việc sắp xếp thứ tự này quan trọng bởi vì các giá trị lớn hơn sẽ mang thông tin quan
trọng hơn các giá trị nhỏ, và thông thường, chỉ một lượng nhỏ các giá trị Sii mang giá trị
lớn, các giá trị còn lại thường nhỏ và gần 0. 
Nếu chúng ta giả sử rằng các giá trị nhỏ nằm trên đường chéo của S có liên quan
đến việc nhiễu, chúng ta có thể sử dụng giả định này để khử nhiễu âm thanh. Giả định
rằng các giá trị đầu tiên nằm trong một một khoảng giá trị xác định trước , tức là cho
sii>=c với 1<=i<=p , do đó có sii<c với p<i<=r. Điều này có nghĩa là chúng ta có thể tách
ma trận thành hai ma trận: ma trận chứa dữ kiện quan trọng và ma trận chứa dữ liệu nhiễu
Các vấn đề còn lại là tìm một giá trị p thích hợp. 
Một giải pháp là cho trước giá trị ngưỡng c (có thể là một biểu thức hoặc một giá
trị xác định) .Tuy vậy đối với phương pháp này, các file khác nhau sẽ yêu cầu các giá trị
ngưỡng khác nhau.
Đồ thị S khi xác định c=1

16
TC sample

17
C1
Một giải pháp khác là xác định p bằng biểu thức phần trăm theo r hoặc cho trước 1
giá trị xác định. Tuy vậy, cũng như phương pháp trên, tùy theo từng file mà yêu cầu các
giá trị khác nhau. Nếu sử dụng cùng 1 biểu thức, ta khó áp dụng đa dạng
Đồ thị S khi thực hiện khi xác định p theo biểu thức phần trăm (75%)

18
TC1

19
C6

Biểu đồ biểu diễn S khi xác định p=80 (TH r(A)<80)

20
TC sample

21
 Vì vậy giải pháp trong bài này là áp dụng Scree Plot để tìm ra đoạn các giá trị S
bắt đầu ổn định và bằng phẳng 
Trong bài toán này, giá trị P được tìm thấy bằng cách tìm giao điểm của 2 đường
thẳng được tạo ra bởi việc xấp xỉ dữ liệu ở 2 đầu.

Rõ ràng là p càng nhỏ thì càng ít nhiễu hơn nhưng cùng đó xuất hiện tình trạng
mất đi các dữ liệu quan trọng, vì vậy giá trị p được tăng 1 lượng nhỏ để tránh tình trạng
trên xảy ra. 
Đồ thị của S trước và sau khi hoàn thành gán 0
TC1

22
TC2

23
RC3

24
TC4

25
TC5

26
C6
Tuy vậy, phương pháp này sẽ gặp sai số nếu như hai giá trị S ban đầu hoặc ở cuối
có độ dốc khác biệt lớn khi so với các giá trị gần kề (trường hợp TC1). Trong trường hợp
p tính được bé hơn p dự đoán, việc tăng một lượng nhỏ giá trị cho p đã hạn chế việc mất
đi thông tin quan trọng, ngược lại, trường hợp p tính được lớn hơn p dự đoán sẽ dẫn tới
việc khử nhiễu kém hiệu quả hơn.

27
CÁC TESTCASE ĐƯỢC SỬ DỤNG
Âm thanh gốc

28
TC
1. Thời lượng 10s, mix cùng white noise to

2. Thời lượng 10s, mix cùng white noise nhỏ

29
3. Thời lượng 10s, mix cùng tiếng ồn môi trường

4. Thời lượng 30s, mix cùng white noise nhỏ

30
5. Thời lượng 30s, mix cùng tiếng ồn môi trường

6. Thời lượng 60s, mix cùng tiếng ồn môi trường

31
7. TC sample (dùng để minh họa 2 cách tìm p còn lại)

32
KẾT QUẢ
TC1

33
TC2

34
TC3

35
TC4

36
TC5

37
TC6

Link audio + link file code:

https://drive.google.com/drive/folders/1rEVOgTyr3IDXiCfVDqfbEU5HIE7l-
VaU?usp=drive_link

38
 IV. TÀI LIỆU THAM KHẢO

1. Wikipedia, “Scree plot”, August 19, 2022,

https://en.wikipedia.org/wiki/Scree_plot#:~:text=The%20scree%20plot%20is
%20used,known%20as%20a%20scree%20test
2. DayCode, T., 2018. Youtube. [Online]
Available at: https://www.youtube.com/watch?v=xXk9nS6YdU8&feature=youtu.be
3. hai, n. v. d., 2020. YouTube. [Online]
Available at: https://www.youtube.com/watch?v=P4DOF7lHb8E&feature=share
4. Vinh, Đ. V., 2020. Đại số tuyến tính. NXB Đại Học Quốc Gia.

39
KẾT LUẬN

Phương pháp phân tích suy biến (singular value decomposition) được viết tắt là SVD là
một trong những phương pháp thuộc nhóm matrix factorization được phát triển lần đầu
bởi những nhà hình học vi phân. Ban đầu mục đích của phương pháp này là tìm ra một
phép xoay không gian sao cho tích vô hướng của các vector không thay đổi. Từ mối liên
hệ này khái niệm về ma trận trực giao đã hình thành để tạo ra các phép xoay đặc biệt.
Phương pháp SVD đã được phát triển dựa trên những tính chất của ma trận trực giao và
ma trận đường chéo để tìm ra một ma trận xấp xỉ với ma trận gốc. Phương pháp này sau
đó đã được ứng dụng rộng rãi trong các lĩnh vực như hình học vi phân, hồi qui tuyến tính,
xử lý hình ảnh, cluaxstering, các thuật toán nèn và giảm chiều dữ liệu, khử nhiễu âm
thanh….
Nhìn chung phương pháp SVD đã đạt được những kết quả tốt trong việc khử nhiễu âm
thanh. Bên canh những ưu điểm mà nó mang lại thì SVD vẫn tồn đọng một số những
những nhược điểm cần khắc phục. Nhưng phương pháp này vẫn đang được sử dụng phổ
biến trong công việc và cuộc sống hiện nay. Chính nhờ phương pháp ứng dụng của phân
tích SVD trong khử nhiễu âm thanh đã giúp cho chất lượng âm thanh trở nên tốt hơn,
giúp cho chất lượng công việc và nhu cầu cuộc sống cũng được nâng cao hơn.

Hết

40