| Summary: | Made available in DSpace on 2014-12-17T14:55:50Z (GMT). No. of bitstreams: 1
NielsenCD_DISSERT.pdf: 3425927 bytes, checksum: 2a460ebc6b49fe832a4f35b40786bc47 (MD5)
Previous issue date: 2010-12-20 === Conventional methods to solve the problem of blind source separation nonlinear, in
general, using series of restrictions to obtain the solution, often leading to an imperfect
separation of the original sources and high computational cost. In this paper, we propose
an alternative measure of independence based on information theory and uses the tools
of artificial intelligence to solve problems of blind source separation linear and
nonlinear later. In the linear model applies genetic algorithms and R?nyi of negentropy
as a measure of independence to find a separation matrix from linear mixtures of signals
using linear form of waves, audio and images. A comparison with two types of
algorithms for Independent Component Analysis widespread in the literature.
Subsequently, we use the same measure of independence, as the cost function in the
genetic algorithm to recover source signals were mixed by nonlinear functions from an
artificial neural network of radial base type. Genetic algorithms are powerful tools for
global search, and therefore well suited for use in problems of blind source separation.
Tests and analysis are through computer simulations === Os m?todos convencionais para resolver o problema de separa??o cega de fontes n?o
lineares em geral utilizam uma s?rie de restri??es ? obten??o da solu??o, levando muitas
vezes a uma n?o perfeita separa??o das fontes originais e alto custo computacional.
Neste trabalho, prop?e-se uma alternativa de medida de independ?ncia com base na
teoria da informa??o e utilizam-se ferramentas da intelig?ncia artificial para resolver
problemas de separa??o cega de fontes lineares e posteriormente n?o lineares. No
modelo linear aplica-se algoritmos gen?ticos e a Negentropia de R?nyi como medida de
independ?ncia para encontrar uma matriz de separa??o linear a partir de misturas
lineares usando sinais de forma de ondas, ?udios e imagens. Faz-se uma compara??o
com dois tipos de algoritmos de An?lise de Componentes Independentes bastante
difundidos na literatura. Posteriormente, utiliza-se a mesma medida de independ?ncia
como fun??o custo no algoritmo gen?tico para recuperar sinais de fontes que foram
misturadas por fun??es n?o lineares a partir de uma rede neural artificial do tipo base
radial. Algoritmos gen?ticos s?o poderosas ferramentas de pesquisa global e, portanto,
bem adaptados para utiliza??o em problemas de separa??o cega de fontes. Os testes e as
an?lises se d?o atrav?s de simula??es computacionais
|
|---|
