Skip to Main content Skip to Navigation
Theses

Stochastic machines dedicated to Bayesian inference for source localization and separation

Raphael Frisch 1, 2
2 PRIMA - Perception, recognition and integration for observation of activity
Inria Grenoble - Rhône-Alpes, UJF - Université Joseph Fourier - Grenoble 1, INPG - Institut National Polytechnique de Grenoble , CNRS - Centre National de la Recherche Scientifique : UMR5217
Résumé : L’ordinateur est sans aucun doute l’une des inventions les plus importantes du siècle dernier, dont l’impact ne peut être surestimé. Au fil des années, ils sont devenus de plus en plus puissants grâce à l’optimisation constante des processeurs. Avec un besoin croissant en puissance de calcul, et notamment à cause de l’IA, les processeurs sont devenus plus rapides que jamais. Cependant, à cause des limites physiques, la loi de Moore touche à sa fin. Par conséquent, il est nécessaire de proposer des alternatives. C’est le but de la communauté rebooting computing. Dans ce travail, nous nous proposons d’utiliser le calcul stochastique pour construire des architectures dédiées à l’inférence bayésienne visant une faible consommation d’énergie. Nous avons développé deux machines, à savoir la Bayesian machine (BM) et la Bayesian sampling machine (BSM). Dans cette thèse, nous nous intéresserons à deux applications de traitement du signal : la localisation de sources sonores (SSL) et la séparation de source. Pour la SSL, nous présentons trois méthodes utilisant la Bayesian machine. La première méthode fonctionne dans le domaine temps-fréquence, nécessitant le calcul de la transformée de Fourier. La deuxième est entièrement dans le domaine temporel. La troisième approche est une méthode de localisation multi-sources qui est basée sur la seconde. De plus, nous proposons une technique permettant d’accélérer le calcul stochastique d’un facteur 10 3 . Nous avons également développé une méthode de calcul des vraissemblances afin de réduire la mémoire de notre machine. Nous avons simulé les trois méthodes et fait des expérimentations en environnement réel. Nous présentons la consommation d’énergie obtenue via des simulations ASIC. Pour la seconde application, la séparation de source, nous introduisons une machine plus générale, la Bayesian sampling machine, qui est basée sur l’échantillonnage de Gibbs. Nous présentons une méthode basée sur l’échantillonnage pour séparer des source sonores. Cette méthode a été validée en simulation.
Document type :
Theses
Complete list of metadatas

Cited literature [130 references]  Display  Hide  Download

https://tel.archives-ouvertes.fr/tel-02513349
Contributor : Abes Star :  Contact
Submitted on : Friday, March 20, 2020 - 3:24:07 PM
Last modification on : Friday, July 17, 2020 - 11:10:24 AM
Document(s) archivé(s) le : Sunday, June 21, 2020 - 4:09:20 PM

File

FRISCH_2019_archivage.pdf
Version validated by the jury (STAR)

Identifiers

  • HAL Id : tel-02513349, version 1

Collections

STAR | INSMI | LIG | INRIA | UGA | CNRS

Citation

Raphael Frisch. Stochastic machines dedicated to Bayesian inference for source localization and separation. Statistics [math.ST]. Université Grenoble Alpes, 2019. English. ⟨NNT : 2019GREAM044⟩. ⟨tel-02513349⟩

Share

Metrics

Record views

124

Files downloads

146