Séparation aveugle de sources
| Liens |
|
|
Description :
Pour résumer brièvement la méthode employée, la séparation
aveugle de sources consiste en l'extraction de signaux sources (inconnues !)
à partir de la seule connaissance de leur image (aussi appelée
mélange ou observation) par l'action d'un opérateur de mélange
(lui aussi inconnu !), d'où le caractère aveugle de la séparation.
Ce problème est bien entendu fortement mal posé.
Il nécessite donc certaines hypothèses définissant
le modèle (voir 1 pour plus détails sur cette méthode).
Une fois ces hypothèses établies, ce modèle est
résolu par une méthode d'optimisation stochastique.
Cependant, certaines indéterminations deviennent très
vite un problème lorsqu'il s'agit de séparer des sources.
Dans un premier temps, j'ai proposé une méthode de pénalisation,
en fait l'addition d'un critère de séparation à un critère
de normalisation. La minimisation a été résolue par une méthode
de gradient stochastique.
À l'issu du calcul du gradient de ce critère, cette étude a
conduit à l'élaboration d'un nouvel algorithme de séparation
aveugle de sources (PMI-BSS) que l'on a comparé avec un algorithme
existant et faisant référence (voir 2 pour plus de détails).
Le code de calcul qui a découlé de ce travail a été écrit
ex nihilo en langage C et en utilisant l'interface graphique du logiciel Matlab.
Cette étude a été généralisée dans
3 couplant cette minimisation avec le principe de minimum de distorsion,
défini dans 4.
Références :
|