Séparation aveugle de signaux de parole utilisant lesstatistiques d'ordre supérieur et la décompositionen sous-espaces.
Year: 2011
Type: dissertation
Abstract: Au cours des dernières décennies, beaucoup d'attention a été accordée à \nla séparation aveugle de sources. Dans plusieurs situations, il est souhaitable \nde récupérer toutes les sources à partir des mélanges enregistrés, ou du moins \nde séparer une source particulière. Cette thèse est focalisée sur l'étude de la \nséparation aveugle de sources dans le cas de mélanges instantanés et \nconvolutifs ; en particulier, des sources de signaux de parole. \nLa première partie de ce rapport de thèse est consacrée aux mélanges \ninstantanés. Nous présentons les résultats d'une étude comparative sur les \nméthodes de séparation aveugle de signaux de parole. Nous avons développé \nune méthode utilisant les moments d’ordre supérieur : HOS (High Order \nStatistics), exploitant l’hypothèse de l’indépendance des signaux. La \ndeuxième approche que nous avons développée est basée sur la méthode de \nl’analyse en composantes principales orientées (OPCA : Oriented Principal \nComponents Analysis). C’est une méthode utilisant les statistiques du second \nordre et qui représente une extension de l’analyse en composantes principales \n(PCA) visant à maximiser le rapport de puissance d'une paire de signaux. \nL'avantage de cette méthode par rapport aux autres techniques de second \nordre est l'absence de l’étape du pré-blanchiment. L’évaluation des \ntechniques développées a été effectuée en les comparant avec une approche \nde référence connue : Fast-ICA (Fast-Independant Component Analysis). \nDans la deuxième partie de cette thèse, nous nous placerons dans une \nsituation plus réaliste et donc plus complexe où nous considérerons un \nmélange convolutif. Les expériences ont été réalisées en considérant deux \ntypes de mélange : un mélange convolutif suivant le modèle HRTF (Head \nRelated Transfert Function) et un mélange convolutif anéchoïque. Les deux \nmélanges sont enregistrés dans des milieux non réverbérants. Nous avons \nappliqué une approche que nous avons appelée FOPCA. L’idée était \nd’étendre l'algorithme OPCA aux mélanges convolutifs en l’appliquant dans \nle domaine fréquentiel. Cette méthode présente l’avantage de ne pas produire \nle problème de permutation de fréquences. L’évaluation a été réalisée en \nfaisant la comparaison des résultats avec deux algorithmes de référence \nconnus : Degenerate Unmixing Evaluation Technique (DUET) and \nConvolutive Fast Independent Component Analysis (C-FICA). Le cas sous- \ndéterminé a été aussi considéré. \nToutes les techniques ont été objectivement comparées en utilisant cinq \nmétriques différentes : le domaine temporel, le spectrogramme, le coefficient \nde corrélation, le rapport signal-à-interférence : SIR, ainsi que le PESQ \n(Perceptual Evaluation Signal Quality). Pour des fins de comparaison \nsubjective, nous avons utilisé une méthode basée sur la note d’opinion \nmoyenne : le MOS. Les résultats des expériences ont été réalisés en utilisant \nles bases de données TIMIT, Noizeus ainsi que d’autres enregistrements plus \nlongs des signaux de parole.
Author: Yasmina Benabderrahmane
Language: French
Subfield: Signal Processing
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
Funder: De La Salle University
OpenAlex ID: W57243134