Separação cega de fontes em misturas instantâneas e subdeterminadas utilizando Deep Image Prior e análise por componentes esparsas
A separação cega de fontes (BSS — Blind Source Separation) é uma técnica utilizada em processamento digital de sinais, que tem como objetivo extrair fontes latentes de um conjunto de fontes misturadas, sem ter conhecimento a priori sobre as fontes ou sobre como elas foram misturadas. O caso particular onde o número de fontes é superior ao número de misturas é dito subdeterminado e não possui solução analítica. Na literatura, os algoritmos baseados em análise por componentes esparsas (SCA — Sparse Component Analysis) são amplamente utilizados para lidar com esse caso particular e, usualmente, abordam o problema em duas etapas: estimar a matriz de mistura; e reconstruir as fontes latentes. Neste trabalho, exploramos o uso da rede neural convolucional Deep Image Prior (DIP), adaptada para lidar com séries temporais, para a etapa de reconstrução das fontes latentes no caso subdeterminado. Os resultados demonstram que a abordagem proposta apresenta um desempenho superior em relação ao método da literatura de SCA, que utiliza o critério de minimização da norma ℓ1, em cenários de elevado nível de ruído.