Separation of convolutive sources
Séparation de sources convolutives
Résumé
Blind Source Separation is a method for recovering a set of unknown source signals from the observations of their mixtures. We present a short review of source separation techniques. Most methods exploit the source independence hypothesis.
In this thesis, we focus on the separability of convolutive mixtures, expressed in time-domain. We propose to insert the contributions of sources on each sensor in the separation procedure. The estimation of these contributions in the observations is realized by the means of a quadratic criterion optimized by a Wiener filtering. We first propose a method based on the minimization of the mutual information and using wiener filtering. Then, we generalize a contrast function based on fourth-order statistics. In the convolutive context, we prove that testing the independence between the contributions of sources on the same sensor lead to separability, without testing the independence between delayed outputs.
In this thesis, we focus on the separability of convolutive mixtures, expressed in time-domain. We propose to insert the contributions of sources on each sensor in the separation procedure. The estimation of these contributions in the observations is realized by the means of a quadratic criterion optimized by a Wiener filtering. We first propose a method based on the minimization of the mutual information and using wiener filtering. Then, we generalize a contrast function based on fourth-order statistics. In the convolutive context, we prove that testing the independence between the contributions of sources on the same sensor lead to separability, without testing the independence between delayed outputs.
La séparation de sources consiste à extraire des signaux appelés sources à partir seulement de mélanges observés de ces signaux appelés observations. De nombreuses approches ont été brièvement présentées dans ce manuscrit. La plupart de ces approches exploite l'hypothèse d'indépendance des sources.
Dans cette thèse, nous avons considéré le cas des mélanges linéaires convolutifs. Nous proposons de calculer les contributions des sources sur les capteurs afin d'optimiser la procédure de séparation.
L'estimation des contributions dans les observations est réalisée grâce à un critère quadratique optimisé par un filtre de Wiener. Ensuite, nous étudions deux approches de séparation de sources.
La première utilise l'information mutuelle comme critère d'indépendance et la seconde dite fonction de contraste est basée sur les statistiques d'ordre quatre. L'utilisation des contributions des sources sur les capteurs dans la phase de séparation nous permet de proposer deux algorithmes de séparation, qui constituent deux généralisations d'algorithmes classiques.
Dans cette thèse, nous avons considéré le cas des mélanges linéaires convolutifs. Nous proposons de calculer les contributions des sources sur les capteurs afin d'optimiser la procédure de séparation.
L'estimation des contributions dans les observations est réalisée grâce à un critère quadratique optimisé par un filtre de Wiener. Ensuite, nous étudions deux approches de séparation de sources.
La première utilise l'information mutuelle comme critère d'indépendance et la seconde dite fonction de contraste est basée sur les statistiques d'ordre quatre. L'utilisation des contributions des sources sur les capteurs dans la phase de séparation nous permet de proposer deux algorithmes de séparation, qui constituent deux généralisations d'algorithmes classiques.
Loading...