Méthodes avancées pour l’analyse paramétrique non-stationnaire des signaux de la parole et des signaux audio : application à la séparation de source informée

Abstract

La séparation Aveugle de Sources (SAS) est un sujet de grand intérêt dans le domaine du traitement du signal qui a été très investi au cours de la dernière décennie. Il est utilisé pour résoudre des problèmes pratiques d’analyse de données dans divers domaines de la science. La SAS est le processus qui vise à séparer un nombre de sources de signaux à partir des mélanges observés de ces sources. L’hypothèse la plus importante est que les composants des mélanges observés sont mutuellement indépendants ou qu'ils sont mutuellement décorrélés. La SAS extrait les sources en exploitant cette hypothèse. L'objectif de cette thèse est de présenter mais aussi de développer des algorithmes de la SAS. Ces algorithmes seront ensuite évalués en comparant leurs performances en s’appuyant sur un ensemble d’expériences de séparation aveugle de mélanges instantanés de sources de signaux audio. La première partie est consacrée particulièrement aux méthodes Infomax et RobustICA appliquées aux signaux audio, où nous présentons les résultats de simulation ainsi que les critères de performance de chaque méthode. Dans la deuxième partie de cette thèse, l’algorithme HEPSO (High Exploration Particle Swarm Optimization) qui est une amélioration de l’algorithme PSO (Particle Swarm Optimization) est développé puis utilisé pour séparer un ensemble de signaux audio source. Par rapport à l'algorithme PSO, l'algorithme HEPSO dépend de deux opérateurs supplémentaires.