Chiffres-clé
Chiffres clefs
189 personnes travaillent au LJLL
86 permanents
80 chercheurs et enseignants-chercheurs permanents
6 ingénieurs, techniciens et personnels administratifs
103 personnels non permanents
74 doctorants
15 post-doc et ATER
14 émérites et collaborateurs bénévoles
Chiffres janvier 2022
A voir
Séparation aveugle de sources
Description : Pour résumer brièvement la méthode employée, la séparation aveugle de sources consiste en l’extraction de signaux sources (inconnues !) à partir de la seule connaissance de leur image (aussi appelée mélange ou observation) par l’action d’un opérateur de mélange (lui aussi inconnu !), d’où le caractère aveugle de la séparation. Ce problème est bien entendu fortement mal posé. Il nécessite donc certaines hypothèses définissant le modèle (voir 1 pour plus détails sur cette méthode). Une fois ces hypothèses établies, ce modèle est résolu par une méthode d’optimisation stochastique. Cependant, certaines indéterminations deviennent très vite un problème lorsqu’il s’agit de séparer des sources. Dans un premier temps, j’ai proposé une méthode de pénalisation, en fait l’addition d’un critère de séparation à un critère de normalisation. La minimisation a été résolue par une méthode de gradient stochastique. À l’issu du calcul du gradient de ce critère, cette étude a conduit à l’élaboration d’un nouvel algorithme de séparation aveugle de sources (PMI-BSS) que l’on a comparé avec un algorithme existant et faisant référence (voir 2 pour plus de détails). Le code de calcul qui a découlé de ce travail a été écrit ex nihilo en langage C et en utilisant l’interface graphique du logiciel Matlab. Cette étude a été généralisée dans 3 couplant cette minimisation avec le principe de minimum de distorsion, défini dans 4.
M. El Rhabi
Références :
P. Comon, Independent Component Analysis, a new concept ?, Signal Processing, vol. 36, no. 3, pp. 287 - 314, 1994.
M. El Rhabi, G. Gelle, H. Fenniri and G. Delaunay, A penalized mutual information criterion for blind separation of convolutive mixtures, Elsevier Signal Processing 84, 1979-1984, 2004.
M. El Rhabi, H. Fenniri, G. Gelle and G. Delaunay, Blind Separation of rotating machines signals using PMI criterion and Minimal Distorsion Principle, MSSP Mechanical System and Signal Processing 19 (6), 1282-1292, 2005.
K. Matsuoka, Y. Ohba, Y. Toyota, and S. Nakashima, Blind Separation for Convolutive Mixture of Many Voices, International Workshop on Acoustic Echo and Noise Control (IWAENC2003), Sept. 2003, Kyoto, Japan.
Télécharger ce film