Méthodes avancées pour l’analyse paramétrique non-stationnaire des signaux de la parole et des signaux audio. application à la séparation de source informée
Loading...
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université Sétif 1 - Ferhat ABBAS , Faculté de Technologie
Abstract
Blind Source Separation (BSS) is a topic of great interest in the field of signal processing that has been greatly invested over the last decade. It’s used to solve practical problems of data analysis in various fields of science. BSS is the process of separating a number of signal sources from the mixtures observed from these sources. The most important hypothesis is that the components of the mixtures observed are mutually independent or mutually decorrelated. The BSS extracts the sources by exploiting this hypothesis.
The objective of this thesis is to present but also to develop BSS algorithms. These algorithms will then be evaluated by comparing their performances based on a set of blind separation experiments of instantaneous mixtures of audio signal sources. The first part focuses on the Infomax and RobustICA methods applied to audio signals, where we present the simulation results as well as the performance criteria of each method. In the second part of this thesis, the High Particle Swarm Optimization (HEPSO) algorithm which is an improvement of the Particle Swarm Optimization (PSO) algorithm is developed and then used to separate a set of audio signals sources. Compared to the PSO algorithm, the HEPSO algorithm depends on two additional operators. The first operator is based on the multiple crossing mechanism of the genetic algorithm, while the second is based on the mechanism of the bee colony. Both operators were used to update the speed and position of the particles. Thus, they are used to find the optimal separation matrix. The proposed method improves the overall efficiency of the standard PSO method in terms of good exploration and performance. The results of the experiments were done using the BSS demo files
Description
La Séparation Aveugle de Sources (SAS) est un sujet de grand intérêt dans le domaine du traitement du signal qui a été très investi au cours de la dernière décennie. Il est utilisé pour résoudre des problèmes pratiques d’analyse de données dans divers domaines de la science. La SAS est le processus qui vise à séparer un nombre de sources de signaux à partir des mélanges observés de ces sources. L’hypothèse la plus importante est que les composants des mélanges observés sont mutuellement indépendants ou qu'ils sont mutuellement décorrélés. La SAS extrait les sources en exploitant cette hypothèse.
L'objectif de cette thèse est de présenter mais aussi de développer des algorithmes de la SAS. Ces algorithmes seront ensuite évalués en comparant leurs performances en s’appuyant sur un ensemble d’expériences de séparation aveugle de mélanges instantanés de sources de signaux audio. La première partie est consacrée particulièrement aux méthodes Infomax et RobustICA appliquées aux signaux audio, où nous présentons les résultats de simulation ainsi que les critères de performance de chaque méthode. Dans la deuxième partie de cette thèse, l’algorithme HEPSO (High Exploration Particle Swarm Optimization) qui est une amélioration de l’algorithme PSO (Particle Swarm Optimization) est développé puis utilisé pour séparer un ensemble de signaux audio source. Par rapport à l'algorithme PSO, l'algorithme HEPSO dépend de deux opérateurs supplémentaires. Le premier opérateur est basé sur le mécanisme de croisements multiples de l'algorithme génétique, tandis que le second s'appuie sur le mécanisme de la colonie d'abeilles. Les deux opérateurs ont été utilisés pour mettre à jour la vitesse et la position des particules. Ainsi, ils sont utilisés pour trouver la matrice de séparation optimale. La méthode proposée améliore l'efficacité globale de la méthode PSO standard en termes de bonne exploration et de bonnes performances. Les résultats des expériences ont été réalisés en utilisant les fichiers de BSS demo.