Estudo e aplicação de algoritmos de separação cega de fontes

• Processo: 17/06974-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de julho de 2017
• Data de Término da vigência: 30 de junho de 2018
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Levy Boccato
• Beneficiário: Leonardo Fill Cardoso
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Processamento de sinais Separação cega de fontes
• Palavra(s)-Chave do Pesquisador: filtragem adaptativa | Processamento de Sinais | Processamento Não-Supervisionado | Separação Cega de Fontes | Processamento de Sinais

Resumo

O problema de separação cega de fontes consiste em tentar extrair ou separar os diversos sinais (fontes) presentes em um conjunto de observações coletadas, as quais são compostas de misturas destes sinais. O termo "cego" indica que, a priori, tem-se pouca ou nenhuma informação sobre o processo de mistura e/ou sobre as próprias fontes, o que torna o problema bastante desafiador. Uma abordagem bem consolidada para separação de fontes explora a hipótese de que os sinais originais são estatisticamente independentes. Tal perspectiva, conhecida como Análise de Componentes Independentes (em inglês, Independent Component Analysis, ICA), busca criar um sistema de separação capaz de fornecer estimativas das fontes que sejam tão independentes entre si quanto possível. Para isto, é necessário definir um critério que expresse matematicamente a noção de independência, e um algoritmo eficiente para o ajuste dos parâmetros do sistema de separação visando otimizar a função custo associada ao critério. O objetivo deste projeto de pesquisa é estudar o problema de separação cega de fontes e as metodologias que podem ser empregadas para resolvê-lo, particularmente aquelas ligadas à abordagem de ICA. Vamos investigar as diferentes propostas de critérios existentes, como, por exemplo, aqueles baseados em informação mútua e não-gaussianidade, e implementar os principais algoritmos de separação, os quais serão aplicados em diversos cenários do problema, considerando fontes de áudio e de imagem, sistemas de mistura ruidosos e/ou de difícil inversão, de forma a avaliarmos o desempenho de cada técnica e estabelecer um quadro comparativo entre elas. (AU)