Séparation des signaux en présence de bruit

Le but de cette section est d’évaluer la robustesse de notre méthode face au bruit. Pour cela en va introduire dans le mélange des sources, avec un bruit aléatoire dans un intervalle [-1,1] .

Simulation 4 : Les signaux poème-mâle_30s.wav et sentence_female_28s.wav et leurs signaux estimés sont montrés dans figure IV.7.

114

Simulation 5 : Les signaux music_Loophass_30s.wav et henry_theater_male_30s.wav et leurs estimés sont montrés sur figure IV.8.

115

Simulation 6 : Deux signaux de music_mandolin_30s.wav et music_vivaldi_30s.wav ainsi que leurs fichiers estimés sont illustrés sur la figure IV.9.

116

Tableau IV6. SDR (dB) pour l’algorithme HEPSO en présence de bruit Simulations HEPSO en présence du bruit Simulation 4 Speech s1 26.2187 Speech s2 27.5926 Simulation 5 Speech s3 31.8114 Music s4 28.5151 Simulation 6 Music s5 29.5965 Music s6 27.4676

Tableau IV.7. AVCC pour HPSO+Bruit

Simulations

HEPSO en présence du bruit ( Sources éstimées) y1 y2 Simulation 4 Speech s1 0.9988 0.0454 Speech s2 0.0525 0.9991 Simulation 5 Speech1 s3 0.9997 0.0375 Music s4 0.0258 0.9993 Simulation 3 Music s5 0.0326 0.9989 Music s6 0.9994 0.0491

117

Tableau IV8. MSE pour HEPSO+Bruit

Simulations HEPSO en présence du bruit Simulation 4 Speech s1 0.0041 Speech s2 0.0021 Simulation 5 Speech1 s3 1.6153e-04 Music s4 1.2494e-04 Simulation 6 Music s5 2.6582e-04 Music s6 5.8321e-04 IV.7.2 Interprétations

Les résultats de la séparation montrent que les signaux estimés sont similaires aux signaux originaux. Les résultats simulation ont montré l’efficacité de cette méthode qui permet de réduire le bruit aléatoire. Les performances restent acceptables.

IV.8 Conclusion

Dans ce chapitre, une séparation aveugle de sources audio utilisant la méthode HEPSO a été mise en œuvre et étudiée expérimentalement. En utilisant HEPSO, les sources distinctes ont été estimées à partir des mélanges observés. Lors de l’évaluation des performances du système HEPSO, la démonstration SAS, qui contient plusieurs exemples de signaux de parole et de musique, a été mise en œuvre. Les résultats de la simulation montrent que l’algorithme proposé HEPSO résout le problème des minimas locaux et offre de meilleures performances en termes d'optimalité globale par rapport à l'algorithme PSO standard. Les résultats de performance démontrent clairement que l’algorithme HEPSO surpasse GA + kurtosis et permet également une bonne séparation pour identifier les signaux de source même en présence de bruit.

Dans nos travaux futurs, nous prévoyons d’examiner d’autres méthodes d’optimisation telles que l’algorithme Firefly (FA) afin d’améliorer la précision de leurs performances

118

Bibliographie

[IV.1] Zhao, W., Wei, Y., Shen, Y., CAO, Y., Yuan, Z., Xu, P., and Jian, W. "An efficient algorithm by kurtosis maximization in reference-based framework". Radio engineering, 2015, vol. 24, no. 2, p. 544-551.

[IV.2] ZHAO, W., WEI, Y. M., SHEN, Y. H., YUAN, Z. G., XU, P. C., JIAN, W. "A novel Fast ICA method for the reference-based contrast functions". Radio engineering, 2014, vol. 23, no. 4, p. 1221–1225.

[IV.3] XU, Peng-cheng, SHEN, Yue-hong, et HUI, L. I. "New Negentropy Optimization Schemes for Blind Signal Extraction of Complex Valued Sources". Radio engineering, 2015, vol. 24, no 1. 3, SEPTEMBER (2013) pp 861-865.

[IV.4] Jiangong Wang · Yuehong Shen · Hui Li · Hongyan Wei · Shiming Xu, "A Separation Algorithm for Sources with Temporal Structure Only Using Second-order Statistics," September 2013, Radioengineering 22(3):861-865.

[IV.5] Zhao, Yongjian, JIANG, Bin, JIANG, Haining, et al. "Separating Signals with Specific Temporal Structure". In: 2017 International Conference on Computer Network, Electronic and Automation (ICCNEA). IEEE, 2017. p. 355-359.

[IV.6] Ababneh, Jehadet IGUAL, Jorge. "Biogeography-based Optimization Algorithm for Independent Component Analysis". In: The International Conference on Computing Technology and Information Management (ICCTIM). Society of Digital Information and Wireless Communication, 2014. p. 348.

[IV.7] Huang, Po-Sen, Kim, Minje, Hasegawa-Johnson, Mark, et al. "Deep learning for monaural speech separation". In: Acoustics, Speech and Signal Processing (ICASSP), 2014 IEEE International Conference on. IEEE, 2014. p. 1562-1566.

[IV.8] Huang, Po-Sen, KIM, Minje, Hasegawa-Johnson, Mark, et al. "Joint optimization of masks and deep recurrent neural networks for monaural source separation". IEEE/ACM Transactions on Audio, Speech, and Language Processing, 2015, vol. 23, no 12, p. 2136-2147.

[IV.9] ZHEN, Liangli, PENG, Dezhong, YI, Zhang, etal. "Underdetermined blind source separation using sparse coding". IEEE transactions on neural networks and learning systems, 2017, vol. 28, no 12, p. 3102-3108.

[IV.10] Y. Yang, X. Wang, D. Zhang, "Blind Source Separation Research Based on the Feature Distance Using Evolutionary Algorithms", International Journal of Acoustics and Vibration, 2014,Vol. 19, No 4. 1 DOI:0.20855/ijav.2014.19.4360.

[IV.11] P. Zheng, Y. Liu, L. Tian, Y. Cao, "A Blind Source separation Method Based on Diagonalization of correlation Matrices and Genetic Algorithm", Fifth world Congress, June 2004Vol.3, p.2127-2131.

[IV.12] H. Zhou, C. Z. Chen, X. M. Sun, H. Liu, "Research on Blind Source Separation Algorithm Based on Particle Swarm Optimization", advanced Materials Research,2014, Vols.989-994, p. 1566-1569.

[IV.13] P. K. Tripathi, et al. "Multi-Objective Particle Swarm optimization with time variant inertia and acceleration coefficients", Information Sciences, 2007 vol. 177,p. 5033-5049.

119

[IV.14] A.Ebrahimzadeh n, S.Mavaddati, "A novel technique for blind source separation using bees colony algorithm", Elsevier Swarm and Evolutionary Computation ,2014,15–20.

[IV.15] M.J. Mahmoodabadi, Z. SalahshoorMottaghi, A. Bagheri. "HEPSO: High exploration particle swarm Optimization", information science 2014, 101- 111.

[IV.16] R.Niva Das, Aurobinda Routray, Pradipta K. Dash. "ICA Methods for Blind Source Separation of Instantaneous Mixtures: A Case Study", Neural Information Processing–Letters and Reviews, November 2007Vol. 11, No.11.

[IV.17] Mazur and A. Mertins, "A sparsity-based the criterion for Solving the permutation ambiguity in convolutive blind source separation", in Proc. IEEE Int. Conf. Acoust., Speech, and Signal Processing, Prague, Czech Republic, May 2011,p. 1996– 1999.

[IV.18] Clerc, Maurice. L'optimisation par essaim particulaire. Technique et Science Informatiques, 2002, vol. 21, no 7, p. 941-964.

[IV.19] Khalfa, Ali, et al. Blind Audio Source Separation Based On High Exploration Particle Swarm Optimization. KSII Transactions on Internet & Information Systems, 2019.

[IV.20] Mavrovouniotis, Michalis, LI, Changhe, et YANG, Shengxiang. "A survey of swarm intelligence for dynamic optimization: Algorithms and applications". Swarm and Evolutionary Computation, 2017, vol. 33, p. 1-17.

[IV.21] Chien-Ching Chiu, Chien-Hung Chen & Yu-Sheng Fan, "Image Reconstruction of a Buried Conductor by Modified Particle Swarm Optimization", IETE Journal of Research, 2012, 58:4, 284-291.

[IV.22] W.D. Chang, "A multi-crossover genetic approach to multivariable PID controllers tuning", Expert Syst. Appl. 2007; 620–626.

[IV.23] B. Akay, D. Karaboga, "A modified artificial bee colony algorithm for real-parameter optimization", Inf. Sci. 2012, 120–142.

[IV.24] T.D. Seeley, "The Wisdom of the Hive: The Social Physiology of Honey Bee Colonies",Harvard University Press,

Conclusion générale et perspectives

120

Conclusion générale et perspectives

Dans cette thèse nous avons fait l'étude de la séparation aveugle de sources audio. Tout d’abord nous avons relaté l’historique de la SAS et étudié la théorie existante. Nous avons dévoilé ce que c’est que la séparation de source à partir de certains types de mélanges, puis présenté les caractéristiques des signaux audio puisque toutes nos simulations ont été conduites sur ces derniers et qui ont donc été nécessaires pour exploiter les méthodes SAS étudiées et une développée dans cette thèse. Deux techniques ont été proposées au chapitre II et qui sont les techniques Infomax et RobustICA. Nous avons montré que ces méthodes donnent des résultats de simulation acceptables. Nous avons ensuite présenté dans le troisième chapitre la théorie détaillée des types d’algorithmes évolutionnaires qui peuvent améliorer considérablement les techniques SAS. Dans le dernier chapitre, nous avons effectué une étude sur la technique proposée HEPSO. Cette technique traite le problème rencontré dans l’algorithme du gradient descent. Elle permet d’éviter les minimas locaux, lors de l’application de la séparation des sources. Les résultats de simulation ont montré une considérable amélioration des performances

par rapport à l'algorithme PSO standard même en présence de bruit.

Des perspectives futures de ce travail seront pris en considération et développées. On peut citer les points suivants :

• Faire une étude approfondie visant à explorer l'utilisation des réseaux de neurones dans le contexte de la séparation multicanale de sources en mouvement.

• Appliquer la technique SAS proposée sur les modèles de mélanges non linéaires. • Etendre la méthode développée à d'autres signaux, tels que les signaux et images

ECG, à spectre étalé.

• Appliquer la technique proposée avec un nombre de sources supérieur à deux.

• Appliquer la technique proposée au problème de la SAS sous-déterminé, i.e. le nombre de signaux mixtes est inférieur à celui des sources.