Podręcznik

3. Ślepa separacja sygnałów

Sieci do ślepej separacji sygnałów [8] są sieciami liniowymi samoorganizującymi się przy wykorzystaniu uogólnionej reguły Hebba. Należą do klasy sieci korelacyjnych. Ich koncepcja w odniesieniu do składników niezależnych (ang. Independent Component Analysis – ICA) została opracowana w połowie lat osiemdziesiątych przez profesorów J. Heraulta i C. Juttena. Dzisiaj ta koncepcja została znacznie rozszerzona i obejmuje również rozkład sygnałów na składniki gładkie, rzadkie, ortogonalne itp. stanowiąc dział badawczy zwany BSS (ang. Blind Signal Separation) [8]. Pierwotna struktura sieci ICA miała postać rekurencyjną. W chwili obecnej znacznie częściej używana jest postać jednokierunkowa. Co więcej rezygnuje się zwykle z jawnej definicji struktury sieciowej ograniczając się do algorytmu separacji.

Tym nie mniej algorytmom separacji sygnałów, niezależnie od sposobu ich graficznej prezentacji można przypisać adaptacyjną strukturę liniową, dokonującą przetwarzania sygnałów w czasie rzeczywistym (on-line). Funkcje nieliniowe stosowane w algorytmie uczącym pełnią bardzo ważną rolę w adaptacji wag, nie wpływając na samą strukturę połączeń wagowych.

W wykładzie przedstawimy algorytmy ślepej separacji poczynając od oryginalnego rozwiązania Heraulta-Juttena prezentując aspekty zarówno obliczeniowe jak i strukturalne towarzyszących im sieci. Zaprezentujemy programy ślepej separacji umożliwiające dekompozycję sygnałów na składniki bazowe statystycznie niezależne.