Overview

Dans cette th se, nous proposons un nouvel algorithme de s paration aveugle de sources, bas sur l'optimisation de l'information mutuelle sous contraintes. Le probl me d'optimisation sous contraintes est r solu par passage au probl me dual. L'estimateur propos du gradient stochastique utilise l'estimation des densit?'s par maximum de vraisemblance dans des mod les de lois exponentielles choisis par minimisation du crit re AIC. Ensuite, la m thode a t g n ralis e l'ensemble des divergences entre densit?'s de probabilit . Nous avons montr que l'algorithme utilisant la divergence particuli re de Hellinger a de bonnes propri t?'s d'effcacit et robustesse en pr sence du bruit en comparaison avec l'information mutuelle. Dans le cadre de signaux cyclostationnaires, les m thodes pr c dentes de s paration ont t adapt es en utilisant des statistiques du second ordre. Nous illustrons les performances des algorithmes propos?'s pour des signaux simul?'s et pour des signaux r els issus de machines tournantes.

Full Product Details

9786131571329

Table of Contents

Reviews

Author Information

Tab Content 6

Customer Reviews

Recent Reviews

Countries Available