Algoritmos Bioinspirados Aplicados ao Problema de Separação Cega de Fontes no Contexto Post-Nonlinear
Situada na área de processamento de sinais, a Separação Cega de Fontes compreende um conjunto de técnicas não-supervisionadas para recuperação de fontes a partir da observação de suas misturas. Enquanto métodos para solução linear estão consolidados na literatura, alguns problemas necessitam de um modelo não-linear para representar a mistura das fontes. Neste trabalho é investigada a aplicação de algoritmos bioinspirados de otimização no problema de Separação Cega de Fontes no contexto não-linear dentro das premissas da Análise de Componentes Independentes (ICA - Independent Component Analysis), no qual pressupõe-se a independência estatística das fontes. Em especial, utilizase o algoritmo de Otimização por Enxame de Partículas (OEP) nas topologias global, anel e quadrada, e sua versão híbrida com o algoritmo de Evolução Diferencial (OEP-ED) para recuperação de fontes em misturas não-lineares Post-Nonlinear. A informação mútua é tomada como função custo de otimização, sendo esta uma medida de independência estatística das fontes. Ao se considerar diferentes cenários de simulação de tamanho da mistura, densidades de probabilidades das fontes e funções não-lineares, verificou-se que o algoritmo OEP-ED na topologia quadrada apresenta os melhores resultados de recuperação das fontes. Em seguida, foi realizado um estudo para estimativa de componentes independentes com uso desse algoritmo em sinais de eletroencefalograma (EEG) dentro do contexto de classificação em imagética motora. Os resultados preliminares obtidos foram satisfatórios, contudo, se faz necessário um aprimoramento da metodologia adotada para o processamento dos sinais de EEG.