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 de kernel. Frequentemente, a função de kernel
Gaussiana é utilizada. No entanto, outras funções de kernel com propriedades
interessantes podem ser aplicadas, como o kernel Epanechnikov. Com base nisso,
aplicamos o kernel Epanechnikov para estimar a pdf, 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 estrutura temporal e 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, também neste
trabalho, desenvolvemos um algoritmo simples de separação chamado A-SOBIPNL,
que baseado no gradiente descendente, 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.