. Choi, 6 La séparation aveugle de sources pour le CND III.6.1 Introduction Cette section présente l'application de l'analyse en composantes indépendantes (ACI) pour la séparation aveugle de sources (SAS) (Blind Source Separation, en anglais) de défauts de rail issus du capteur CF. Les domaines d'application de la SAS sont divers. Parmi eux on trouve le traitement de la parole (cocktail party effect, III.6. La séparation aveugle de sources pour le CND III le traitement de signaux biomédicaux ECG On trouvé egalement des applications pour le traitement de signaux en CND et en particulier pour les courants de Foucault, p.et EEG, 1995.

. Dans and . Morabito, Par prise en compte des informations sur l'amplitude et la phase des signaux mesurés, l'ACI permet d'extraire la perturbation dû aux effets de bord et de la séparer de la signature de la fissure les signaux CF affectés par un bruit fort et des perturbations sont traités pour détecter les défauts des plaques métalliques. La disponibilité de mesures multiples permet la reconstruction de signaux indépendants, l'un d'eux représentant le défaut les performances d'un capteur CF dédiédédiéà la détection d'´ etiquettes métalliques enterrées sont améliorées par l'application de la séparation de sources. La séparation de sources est un domaine d'´ etude dans lequel des signaux sources s(t) sont reconstruitsàreconstruitsà partir de signaux de mélange x(t), hypothèse commune est que les signaux sources sont statistiquement mutuellement indépendants et une solution est décrite par l'ACI (Comon, 1994.

. Dans, la sélection de paramètres définit les sous-espaces de représentation pour la séparation d'une classe contre toutes les autres (1 parmi K) Comme dans (Oukhellou, 1997), On a pour chacun des sous-classifieurs les dimensions p r d'entrée suivantes : ? Classifieur JE/autre : p r = 15

S. Les, § I.4.1.5), montrent une grande robustesse vis` a-vis de la dimension de l'espace de classification. Les autres classifieurs, en particulier les réseaux RBF, présentent des performances médiocres dans l'espace initial. Ils sont donc très sensiblesàsensiblesà la dimension de l'espace de représentation

P. Aknin and T. Maurin, Systèmes multi-capteurs : diagnostic et fusion, 2000.

P. Aknin, M. Bentoumi, F. Fessant, and F. Raux, Cha??neCha??ne d'instrumentation embarquée pour la détection temps réel de défauts de rail débouchants, Revue de l'Electricité et de l'Electronique (REE), n ? 1, pp.53-57, 2001.

A. K. Barros, A. Mansour, and N. Ohnishi, Removing artifacts from electrocardiographic signals using independent components analysis, Neurocomputing, vol.22, issue.1-3, pp.173-186, 1998.
DOI : 10.1016/S0925-2312(98)00056-3

M. Basseville and I. V. Nikiforov, Detection of Abrupt changes : Theory and Application, 1995.
URL : https://hal.archives-ouvertes.fr/hal-00008518

A. Bell and T. Sejnowski, An Information-Maximization Approach to Blind Separation and Blind Deconvolution, Neural Computation, vol.20, issue.1, pp.1129-1159, 1995.
DOI : 10.1109/78.301850

M. Bentoumi, P. Aknin, G. Bloch, and S. Talbi, Improving the detection capacity of differential probes by means of inverse filters delivering estimated absolute signals, IV International Workshop on Advances in Signal Processing for Non Destructive Evaluation of Materials, 6, 2001.

M. Bentoumi, P. Aknin, and G. Bloch, On-line rail defect diagnosis with differential eddy current probes and specific detection processing, The European Physical Journal Applied Physics, vol.23, issue.3, 2003.
DOI : 10.1051/epjap:2003055

M. Bentoumi, G. Bloch, P. Aknin, and G. Millérioux, Blind Source Separation for detection and classification of rail surface defects, Studies in Applied Electromagnetics and Mechanics (SAEM), pp.112-119, 2003.

C. M. Bishop, Neural Networks for Pattern Recognition, 1995.

C. J. Burges, A Tutorial on Support Vector Machines for Pattern Recongnition, Data Mining and Knowledge Discovery, vol.2, issue.2, pp.121-167, 1998.
DOI : 10.1023/A:1009715923555

J. F. Cardoso, Infomax and maximum likelihood for blind source separation, IEEE Signal Processing Letters, vol.4, issue.4, pp.112-114, 1997.
DOI : 10.1109/97.566704
URL : http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.56.3619

J. F. Cardoso, Blind signal separation: statistical principles, Proceedings of the IEEE, vol.86, issue.10, pp.2009-2025, 1998.
DOI : 10.1109/5.720250
URL : http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.10.7237

B. Chabert and M. , Détection et estimation de ruptures noyées dans un bruit multiplicatif Approches classiques et temps-´ echelle, Thèse de doctorat, 1997.

O. Chapelle, V. Vapnik, O. Bousquet, and S. Mukherjee, Choosing kernel parameters for support vector machines, Machine Learning, pp.131-160, 2001.

S. Chen, S. F. Cowan, and P. M. Grant, Orthogonal least squares learning algorithm for radial basis function networks, IEEE Transactions on Neural Networks, vol.2, issue.2, pp.302-309, 1991.
DOI : 10.1109/72.80341

S. Choi and A. Cichocki, Adaptive blind separation of speech signals : cocktail party problem, Proc. of the Int. Conf. on Speech Processing, pp.617-622, 1997.

P. G. Ciarlet, Analyse numérique matricielle et optimisation, 1985.

P. Comon, Independent Component Analysis, A new concept ?, Signal Processing - Special issue on high-order Statistics, pp.287-314, 1994.

N. Cristianini and J. Shawe-taylor, An Introduction to Support Vector Machines and other kernel-based learning methods, 2000.
DOI : 10.1017/CBO9780511801389

H. Cygan, M. Bentoumi, D. Levy, and A. Riollet, Nouvelles avancées pour l'inspection et le diagnostic du rail, Numéro spécial de la revue Instrumentation, 2002.

L. De-lathauwer, B. De-moor, and J. Vandewalle, Fetal electrocardiogram extraction by blind source subspace separation, Proc. HOS'95, Spain, pp.134-138, 1995.
DOI : 10.1109/10.841326

K. Duan, S. S. Keerthi, and A. N. Poo, Evaluation of simple performance measures for tuning SVM hyperparameters, Neurocomputing, vol.51, p.51, 2003.
DOI : 10.1016/S0925-2312(02)00601-X

B. Dubuisson, Diagnostic, intelligence artificielle et reconnaissance des formes, Hermes, 2001.

J. Dumont-fillon, Contrôle non destructif, Techniques de l'Ingénieur -traité Mesures et Contrôle, 1996.

F. Fessant, P. Aknin, L. Oukhellou, and S. Midenet, Comparison of Supervised Self-Organizing Maps Using Euclidian or Mahalanobis Distance in Classification Context, Proceedings IWANN, 1, pp.637-644, 2001.
DOI : 10.1007/3-540-45720-8_76

S. Fiori and P. Burrascano, ECT-data fusion by the independent component analysis for non-destructive evaluation of metallic slabs, 3rd Int. Conf. on independent component analysis and blind signal separation, 2001.

R. A. Fisher, THE USE OF MULTIPLE MEASUREMENTS IN TAXONOMIC PROBLEMS, Annals of Eugenics, vol.59, issue.2, pp.179-188, 1936.
DOI : 10.1111/j.1469-1809.1936.tb02137.x

B. Gautier, Etude de la résolution en profondeur lors de l'analyse par spectrométrie de masse des ions secondaires. Détermination de la fonction de résolution pour le bore dans le silicium, mis au point d'une procédure de déconvolution et applications, Thèse de Doctorat de l'Institut National des Sciences Appliquées de Lyon, 1997.

G. H. Granlund, Fourier Preprocessing for Hand Print Character Recognition, IEEE Transactions on Computers, vol.21, issue.2, pp.195-201, 1972.
DOI : 10.1109/TC.1972.5008926

M. T. Hagan and M. B. Menhaj, Training feedforward networks with the Marquardt algorithm, IEEE Transactions on Neural Networks, vol.5, issue.6, 1994.
DOI : 10.1109/72.329697

T. Hastie and R. Tibshirani, Classification by pairwise coupling, The Annals of Statistics, vol.26, issue.2, pp.451-471, 1998.
DOI : 10.1214/aos/1028144844

S. Haykin, Adaptive filter theory, 1996.

R. Huez, F. Belloir, and A. Billat, Original improvements of a smart eddy current sensor by BSS techniques, Meas. Sci. Technol, vol.13, pp.547-555, 2002.

A. Hyvarinen and E. Oja, A Fast Fixed-Point Algorithm for Independent Component Analysis, Neural Computation, vol.9, issue.7, pp.1483-1492, 1997.
DOI : 10.1109/18.212280

A. Hyvärinen, New approximations of differential entropy for independent component analysis and projection pursuit, Advances in Neural Information Processing Systems, pp.273-279, 1998.

A. Hyvärinen and E. Oja, Independent component analysis: algorithms and applications, Neural Networks, vol.13, issue.4-5, pp.411-430, 2000.
DOI : 10.1016/S0893-6080(00)00026-5

D. M. Istrate, D??tection et reconnaissance des sons pour la surveillance m??dicale, Thèse de doctorat de l'INPG, 2003.
DOI : 10.4000/books.pufr.533
URL : http://books.openedition.org/pufr/533

T. S. Jaakkola and D. Haussler, Probabilistic kernel regression models, Proc. of the 1999 Conference on AI and Statistics, 1999.

T. Joachims, Estimating the Generalization Performance of a SVM Efficiently, 1999.

M. Jones and R. Sibson, What is Projection Pursuit?, Journal of the Royal Statistical Society. Series A (General), vol.150, issue.1, pp.1-36, 1987.
DOI : 10.2307/2981662

F. Lauer, M. Bentoumi, G. Bloch, G. Millérioux, and P. Aknin, Ho-Kashyap with Early Stopping vs Soft Margin SVM for Linear Classifiers -An Application, Lecture Notes in Computer Science, p.3173, 2004.

J. H. Lee, H. Y. Jung, T. W. Lee, and S. Y. Lee, Speech enhancement with MAP estimation and ICA-based speech features, Electronics Letters, vol.36, issue.17, pp.1506-1507, 2000.
DOI : 10.1049/el:20001028

T. Lee, M. Girolami, A. J. Bell, and T. J. Sejnowski, A unifying information-theoretic framework for independent component analysis, Computers & Mathematics with Applications, vol.39, issue.11, pp.1-21, 2000.
DOI : 10.1016/S0898-1221(00)00101-2

E. L. Lehmann, Testing Statistical Hypotheses, 1959.

R. Lengellé, Décision et reconnaissance des formes en signal, 2002.

Y. H. Liu and K. J. Siddiqui, Using a bicriteria Boolean linear programming model for parameter selection in large multicategory classification problem, Mathematical and Computer Modelling, vol.24, issue.2, pp.75-81, 1996.
DOI : 10.1016/0895-7177(96)00091-X

A. Luntz and V. Brailovsky, On estimation of characters obtained in statistical procedure of recognition, Technicheskaya Kibernetica, vol.3, 1969.

W. Maass, On the Computational Power of Winner-Take-All, Neural Computation, vol.1999, issue.11, pp.2519-2536, 2000.
DOI : 10.1162/neco.1989.1.3.334

S. Makeig, A. J. Bell, T. P. Jung, and T. Sejnowski, Independent component analysis of electroencephalographic data, Advances in Neural Information Processing Systems, pp.145-151, 1998.

A. Mansour and C. Jutten, Fourth-order criteria for blind sources separation, IEEE Transactions on Signal Processing, vol.43, issue.8, pp.2022-2025, 1995.
DOI : 10.1109/78.403370
URL : https://hal.archives-ouvertes.fr/hal-00802356

A. Mansour, ContributionàContributionà la Séparation Aveugle de sources, Thèse de Doctorat de l'Institut National Polytechnique de, 1997.

P. Mccullagh, Tensor Methods in Statistics, Monographs on Statistics and Applied Probability, 1987.

J. Max, Méthodes et techniques de traitement du signal et application aux mesures physiques (Tome 2 : Appareillages. Méthodes nouvelles. Exemples d'application), 4` emé edition, 1987.

G. J. Mclachlan, Discriminant analysis and statistical pattern recognition, 1992.
DOI : 10.1002/0471725293

J. M. Mendel, Tutorial on higher-order statistics (spectra) in signal processing and system theory: theoretical results and some applications, Proc. IEEE, pp.277-305, 1991.
DOI : 10.1109/5.75086

H. H. Monson, Statistical digital signal processing and modeling, Canada, 1996.

F. C. Morabito and G. Simone, Defect Signal Restoration in Eddy Current Measurements by Independent Component Analysis, AMSE Modelling, Measurement and Control A, vol.74, pp.17-36, 2001.

K. R. Müller, S. Mika, G. Ratsch, K. Tsuda, and B. Schölkopf, An introduction to kernel-based learning algorithms, IEEE Transactions on Neural Networks, vol.12, issue.2, 2001.
DOI : 10.1109/72.914517

C. L. Nikias and J. M. Mendel, Signal processing with higher-order spectra, IEEE Signal Processing Magazine, vol.10, issue.3, pp.10-37, 1993.
DOI : 10.1109/79.221324

M. J. Orr, Introduction to Radial Basis Function Networks, 1996.

E. E. Osuna, R. Freund, and F. Girosi, Support Vector Machines : Training and Application, A.I. Memo, 1602, C.B.C.L, vol.144, 1997.

L. Oukhellou, Paramétrisation et classification de signaux en contrôle non destructif ApplicationàApplicationà la reconnaissance des défauts de rails par courants de Foucault, 1997.

L. Oukhellou and P. Aknin, Modified Fourier Descriptors : a new parametrisation off eddy current signatures applied to the rail defect classification, III International Workshop on Advances in Signal Processing for Non Destructive Evaluation of Materials, 1997.

L. Oukhellou, P. Aknin, H. Stoppiglia, and G. Dreyfus, A new decision criterion for feature selection. Application to the Classification of Non Destructive Testing Signatures, IX European Signal Processing Conference, pp.411-414, 1998.

L. Oukhellou and P. Aknin, Optimisation de l'espace de représentation dans unprobì eme de classification par réseaux de neurones, Journal Européen des Systèmes Automatisés, vol.32, pp.915-938, 1998.

L. Oukhellou and P. Aknin, Hybrid training of radial basis function networks in a partitioning context of classification, Neurocomputing, vol.28, issue.1-3, pp.165-175, 1999.
DOI : 10.1016/S0925-2312(98)00122-2

L. Oukhellou, P. Aknin, and J. P. Perrin, Dedicated sensor and classifier of rail head defects, Control Engineering Practice, vol.7, issue.1, pp.57-61, 1999.
DOI : 10.1016/S0967-0661(98)00163-4

E. Parzen, On Estimation of a Probability Density Function and Mode, The Annals of Mathematical Statistics, vol.33, issue.3, pp.1065-1076, 1962.
DOI : 10.1214/aoms/1177704472

M. Perrone, ContributionàContributionà la déconvolution de signaux monodimensionnels : méthode de restauration fondée sur l'analyse de forme -ApplicationàApplicationà la sommation synchrone de signaux biomédicaux, 1994.

D. T. Pham, P. Garrat, and C. Jutten, Separation of a mixture of independent sources through a maximum likelihood approach, Proceedings EUSIPCO, pp.771-774, 1992.
URL : https://hal.archives-ouvertes.fr/hal-01485511

J. Pizarro, E. Guerrero, and P. L. Galindo, Multiple comparison procedures applied to model selection, Neurocomputing, vol.48, issue.1-4, pp.155-173, 2002.
DOI : 10.1016/S0925-2312(01)00653-1

A. D. Poularikas, The HandBook of Formulas and Tables for Signal Processing, 1998.
DOI : 10.1201/9781420049701

J. Ragot, M. Darouach, D. Maquin, and G. Bloch, Validation de données et diagnostic, 1990.

S. Raudys, Statistical and Neural Classifiers : An integrated approach to design, 2001.
DOI : 10.1007/978-1-4471-0359-2

P. Ravier, Détection de transitoires par ondelettes adaptées -Critères d'adaptation fondés sur les statistiques d'ordre supérieur, Thèse de Doctorat de L'Institut National Polytechnique de Grenoble, 1998.

R. Rifkin and A. Klautau, In Defense of One-Vs-All Classification, Journal of Machine Learning Research, vol.5, pp.101-141, 2004.

B. Sanchez and A. V. , Frontiers of research in BSS, pp.7-23, 2002.

B. Schölkopf, Statistical Learning and Kernel Methods, 2000.
DOI : 10.1007/978-3-7091-2580-9_1

F. Schwenker, H. A. Kestler, and G. Palm, Three learning phases for radial-basis-function networks, Neural Networks, vol.14, issue.4-5, pp.439-458, 2001.
DOI : 10.1016/S0893-6080(01)00027-2

V. Vapnik and A. Y. Chervonenkis, The necessary and sufficient conditions for consistency in the empirical risk minimization method, Pattern Recognition and Image Analysis, vol.1, issue.3, pp.283-305, 1991.

V. Vapnik, The Nature of Statistical Learning Theory, 1995.

V. Vapnik and O. Chapelle, Bounds on Error Expectation for Support Vector Machines, Neural Computation, vol.12, issue.9, 2000.
DOI : 10.1162/089976600300015042

R. Vigario and E. Oja, Independence: a new criterion for the analysis of the electromagnetic fields in the global brain?, Neural Networks, vol.13, issue.8-9, pp.891-907, 2000.
DOI : 10.1016/S0893-6080(00)00073-3

B. Widrow and S. D. Stearns, Adaptive signal processing, 1985.

D. B. Williams and V. K. Madisetti, Digital signal processing Handbook, 1999.

K. C. Yen and Y. Zhang, Adaptive co-channel speech separation and recognition, IEEE Trans. Speech Audio Process, vol.7, issue.2, pp.138-151, 1999.

G. P. Zhang, Neural networks for classification: a survey, IEEE Transactions on Systems, Man and Cybernetics, Part C (Applications and Reviews), vol.30, issue.4, 2000.
DOI : 10.1109/5326.897072