Novas Abordagens Para Separação Cega de Fontes no Contexto Post-Nonlinear
Na área de processamento de sinais, o problema de separação cega de fontes
(BSS, do inglês Blind Source Separation) ocupa uma posição de notoriedade em vista
de sua versatilidade e de possíveis aplicações práticas. Apesar de contar com um sólido
arcabouço teórico em sua vertente linear, a abordagem não linear genérica ainda
carece de metodologias que possam garantir a separação das fontes, tornando este
tópico de pesquisa bastante atual e desafiador. Este trabalho propõe duas abordagens
empregando o modelo Post-Nonlinear (PNL), uma baseada na minimização da
informação mútua e a outra baseada em estatísticas de segunda ordem. Na primeira
abordagem, é necessária a estimação da distribuição das fontes, que podem ser
estimadas usando funções kernel. Frequentemente, a função kernel Gaussiana é
utilizada. No entanto, outras funções kernel com propriedades interessantes podem
ser aplicadas, como o kernel Epanechnikov. Com base nisso, aplicamos o kernel
Epanechnikov para estimar as distribuições, a fim de recuperar as fontes. Além disso,
comparamos um kernel Gaussiano clássico com o kernel Epanechnikov, mostrando
que este último tem um desempenho melhor que o anterior. Ainda dentro do contexto
de misturas não lineares, o conhecimento prévio de algumas informações adicionais
como a estrutura temporal e o conhecimento a priori de certas características das
fontes podem auxiliar no desenvolvimento de novos métodos de separação que
sejam mais robustos. A maioria das técnicas de separação envolvem estatísticas de
ordem superior e algoritmos que utilizam redes neurais ou metaheurísticas. Com o
intuito de facilitar o processo de recuperação, na segunda abordagem tratada neste
trabalho, desenvolvemos um algoritmo de separação chamado A-SOBIPNL, baseado
no gradiente descendente, que utiliza apenas estatísticas de segunda ordem para
explorar a estrutura temporal dos sinais das fontes. Para isso, combinamos dois
algoritmos clássicos, o AMUSE e o SOBI, para atuarem na parte linear e não linear,
respectivamente, obtendo um bom desempenho.