0306563 - ÚTIA 2008 RIV US eng J - Článek v odborném periodiku
Tichavský, Petr - Koldovský, Zbyněk - Yeredor, A. - Gómez-Herrero, G. - Doron, E.
A Hybrid Technique for Blind Separation of Non-Gaussian and Time-Correlated Sources Using a Multicomponent Approach.
[Hybridní technika slepé separace negaussovských a časově korelovaných zdrojů s využitím vícenásobných komponent.]
IEEE Transactions on Neural Networks. Roč. 19, č. 3 (2008), s. 421-430. ISSN 1045-9227
Grant CEP: GA MŠMT 1M0572
Grant ostatní: GA ČR(CZ) GP102/07/P384
Program: GP
Výzkumný záměr: CEZ:AV0Z10750506
Klíčová slova: blind source separation * independent component analysis
Kód oboru RIV: BB - Aplikovaná statistika, operační výzkum
Impakt faktor: 3.726, rok: 2008 ; AIS: 1.004, rok: 2008

Blind inversion of a linear and instantaneous mixture of source signals is a problem often encountered in many signal processing applications. Efficient FastICA (EFICA) offers an asymptotically optimal solution to this problem when all of the sources obey a generalized Gaussian distribution, at most one of them is Gaussian, and each is independent and identically distributed in time. Likewise, Weights-Adjusted Second Order Blind Identification (WASOBI) is asymptotically optimal when all the sources are Gaussian and can be modeled as Autoregressive (AR) processes with distinct spectra. Nevertheless, real-life mixtures are likely to contain both Gaussian AR and non-Gaussian iid sources, rendering WASOBI and EFICA severely sub-optimal. In this paper we propose a novel scheme for combining the strengths of EFICA and WASOBI in order to deal with such hybrid mixtures. Simulations show that our approach outperforms competing algorithms designed for separating similar mixtures.

Slepá separace lineárních směsí nezávislých signálů je problémem který se vyskytuje v biomedcínslých aplikacích i ve zpracování akustických signálů. Algoritmus EFICA poskytuje asymptoticky optimální řešení tohoto problému, pokud všechny zdroje mají zobecněné Gaussovo rozložení, jsou nezávislé s tejně rozložené v čase. Algoritmus WASOBI je asymptoticky optimální, pokud se všechny zdroje dají popsat jako autoregresní náhodné procesy s Gaussovým rozložením. Signály objevující se v praxi mají zpravidla jak ne-Gaussovské rozložení, tak netriviální časovou korelační strukturu. V článku navrhujeme algoritmus, který kombinuje silné stránky zmíněných algoritmů při separaci takových směsí. V simulacích jsou ukázány vynikající vlastnosti navrženého řešení v porovnání s dalšími existujícími algoritmy.
Trvalý link: http://hdl.handle.net/11104/0159550