Aller au contenu  Aller au menu  Aller à la recherche

Bienvenue - Laboratoire Jacques-Louis Lions

Postes Enseignants-Chercheurs :

Cliquer sur : Operation POSTES sur le site de la SMAINouvelle fenêtre

Cliquer sur : GALAXIENouvelle fenêtre

 

Cliquer sur : les postes ouverts au Laboratoire Jacques-Louis Lions en 2017

 

» En savoir +

Chiffres-clé

Chiffres clefs

217 personnes travaillent au LJLL

83 personnels permanents

47 enseignants chercheurs

13 chercheurs CNRS

9 chercheurs INRIA

2 chercheurs CEREMA

12 ingénieurs, techniciens et personnels administratifs

134 personnels non permanents

85 doctorants

16 post-doc et ATER

5 chaires et délégations

12 émérites et collaborateurs bénévoles

16 visiteurs

 

Chiffres janvier 2014

 

Séparation aveugle de sources


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.
M. El Rhabi

Références :

P. Comon, Independent Component Analysis, a new concept ?, Signal Processing, vol. 36, no. 3, pp. 287 - 314, 1994.
M. El Rhabi, G. Gelle, H. Fenniri and G. Delaunay, A penalized mutual information criterion for blind separation of convolutive mixtures, Elsevier Signal Processing 84, 1979-1984, 2004.
M. El Rhabi, H. Fenniri, G. Gelle and G. Delaunay, Blind Separation of rotating machines signals using PMI criterion and Minimal Distorsion Principle, MSSP Mechanical System and Signal Processing 19 (6), 1282-1292, 2005.
K. Matsuoka, Y. Ohba, Y. Toyota, and S. Nakashima, Blind Separation for Convolutive Mixture of Many Voices, International Workshop on Acoustic Echo and Noise Control (IWAENC2003), Sept. 2003, Kyoto, Japan.


  • Télécharger ce film