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 explícito 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 sinais unidimensionais, para a etapa de reconstrução das fontes latentes no caso subdeterminado. Os resultados demonstram que a abordagem proposta é eficaz na recuperação das fontes em diferentes situações e, em algumas delas, apresenta um desempenho superior em relação aos métodos da literatura de SCA, que utilizam o critério de minimização da norma ℓ1, como em cenários onde as fontes latentes são disjuntas e as misturas observadas contaminadas com elevado nível de ruído.