Quelques contributions au filtrage optimal avec l'estimation de paramètres et application à la séparation de la parole mono-capteur

• Main Author: Bensaid, Siouar
• Language: English
• Published: Université Nice Sophia Antipolis 2014
• Subjects: [SPI:OTHER] Engineering Sciences/Other; [SPI:OTHER] Sciences de l'ingénieur/Autre; EM-Kalman; CRB; Séparation de la parole monocapteur
• Online Access: http://tel.archives-ouvertes.fr/tel-01063397; http://tel.archives-ouvertes.fr/docs/01/06/33/97/PDF/2014NICE4025.pdf

Nous traitons le sujet de l'estimation conjointe des signaux aléatoires dépendant de paramètres déterministes et inconnus. Premièrement, on aborde le sujet du côté applicatif en proposant deux algorithmes de séparation de la parole voisée mono-capteur. Dans le premier, nous utilisons le modèle autorégressif de la parole qui décrit les corrélations court et long termes (quasi-périodique) pour formuler un modèle d'état dépendant de paramètres inconnus. EM-Kalman est ainsi utilisé pour estimer conjointement les sources et les paramètres. Dans le deuxième, nous proposons une méthode fréquentielle pour le même modèle de la parole où les sources et les paramètres sont estimés séparément. Les observations sont découpées à l'aide d'un fenêtrage bien conçu pour assurer une reconstruction parfaite des sources après. Les paramètres (de l'enveloppe spectrale) sont estimés en maximisant le critère du GML exprimé avec la matrice de covariance paramétrée que nous modélisons plus correctement en tenant compte de l'effet du fenêtrage. Le filtre de Wiener est utilisé pour estimer les sources. Deuxièmement, on aborde l'estimation conjointe d'un point de vue plus théorique en s'interrogeant sur les performances relatives de l'estimation conjointe par rapport à l'estimation séparée d'une manière générale. Nous considérons le cas conjointement Gaussien (observations et variables cachées) et trois méthodes itératives d'estimation conjointe: MAP en alternance avec ML, biaisé même asymptotiquement pour les paramètres, EM qui converge asymptotiquement vers ML et VB que nous prouvons converger asymptotiquement vers la solution ML pour les paramètres déterministes.