Séparation aveugle de sources par les techniques de l'intelligence artificielle
| dc.contributor.author | El Mouataz Billah Smatti | |
| dc.date.accessioned | 2024-06-09T09:58:12Z | |
| dc.date.available | 2024-06-09T09:58:12Z | |
| dc.date.issued | 2023 | |
| dc.description.abstract | Ce manuscrit présente une étude qui traite et résout le problème de la séparation aveugle de sources (SAS) pour le cas du mélange linéaire instantané (LI) de signaux stationnaires et non stationnaire statistiquement indépendants dans les environnements non bruités et bruités. L'étude est basée sur l'exploitation des caractéristiques probabilistes des signaux mélanges en s'appuyant sur le théorème central limite et les statistiques du quatrième ordre dans le but de compléter la séparation en deux étapes principales. La première étape vise à transformer les signaux mélanges en signaux orthogonaux (Le blanchiment) tandis que la deuxième étape vise à transformer les signaux orthogonaux en signaux statistiquement indépendants. Cette indépendance statistique est mise en œuvre dans ce travail en appliquant deux systèmes de séparation différents (Système Direct et Système en Boucle). Pour le cas non bruité du mélange LI de deux sources (2×2), la résolution du problème est basée sur le concept géométrique qui vise à déterminer un angle adéquat qui maximise le kurtosis en valeurs absolues des signaux orthogonaux. La détermination de cet angle est réalisée par le système en boucle par optimisation à l'aide de techniques d'intelligence artificielle (IA : Artificial Intelligence) pour obtenir un angle optimal via l'application d'un algorithme génétique (GA : Genetic Algorithm), et pour le système direct, la détermination de l'angle de séparation est complété analytiquement à partir d'une analyse de la variation d'une fonction objectif proposée qui est basée sur le calcul du déphasage entre deux signaux sinusoïdaux. Pour le cas sans bruit du mélange LI de plusieurs sources (n × n), la résolution du problème se présente sous la forme d'une simple généralisation de la solution (2×2) où cette généralisation peut se traduire par la maximisation du kurtosis de chaque paire de signaux blanchis successivement et itérativement jusqu'à ce que tous les kurtosis convergent vers le point global et atteignent leurs valeurs maximales. Dans le cas bruité où chaque observation est affectée par le bruit gaussien blanc additif (AWGN : Additive White Gaussian Noise), le problème est traité dans ce travail par l'application de deux solutions afin de conserver et de récupérer l'information des sources originales. La première solution réduit la puissance du signal gaussien au niveau des signaux mélange (Le Prétraitement) tandis que la deuxième solution réduit la puissance du bruit au niveau des signaux séparés (Le Post Traitement). La réduction de puissance de l'AWGN affectant chaque signal à traiter est basée sur l'estimation de l'écart type du signal gaussien dans le domaine des ondelettes. Tout au long de cette étude et pour chaque cas étudié du problème LI, plusieurs simulations ont été réalisées et les résultats obtenus ont prouvé la fiabilité et l'efficacité des solutions présentées dans ce manuscrit pour récupérer les sources originales que ce soit pour le cas stationnaire ou non stationnaire. | |
| dc.identifier.uri | https://dspace.univ-batna2.dz/handle/123456789/1794 | |
| dc.language.iso | fr | |
| dc.title | Séparation aveugle de sources par les techniques de l'intelligence artificielle |