Time-varying source separation by joint diagnolization on autocovariances
Yan Hua Pan · Jyväskylä University Digital Archive (University of Jyväskylä) · 2020
Sokealla signaalinerottelulla (Blind Source Separation, BSS) pyritään erottelemaan todelliset signaalit havaituista signaaleista, kun ennakkotietoja sekoitusmatriisista ja todellisista signaaleista on vain vähän saatavilla. BSS-ongelmien ratkaisemiseksi on kehitetty erilaisia menetelmiä. Näistä toisen asteen sokea signaalinerottelu (Second-Order Blind Identification, SOBI) tunnistaa lähteet toisen asteen tunnuslukujen avulla (Tong et al., 1994). Tässä opinnäytetyössä tarkastellaan toisen asteen sokean signaalinerottelumallin laajennusta (Yeredor, 2003), jossa sekoitusmatriisi muuttuu ajassa. Työssä esitellään paranneltu versio Yeredorin TV-SOBI (time-varying SOBI) algoritmista sekä sen variaatioita. Algoritmit pyrkivät estimoimaan sekoitusmatriisin ja edelleen latentit signaalit otosautokovarianssimatriisin hajotelman sekä yhteisdiagonalisoinnin avulla. Kehitetyn algoritmin (linearly time-varying SOBI, LTV-SOBI) suorituskysyä arvioidaan simulointien avulla. Suorituskyvyn mittarina käytetään tässä työssä kehitettyä signaali-häiriö suhteen (Signal-to-Inference Ratio, SIR, Yeredor, 2003) laajennusta aikamuuttuvan signaalin tapaukseen. Simulaatiotulokset osoittavat uuden LTV-SOBI-algoritmin paremmuuden verrattuna Yeredorin TV-SOBI-algoritmiin. Tulokset eivät tosin ole vielä optimaalisia. Lisäksi työssä esitellään LTV-SOBI algorithmin R implementointi sekä interaktiivinen R Shiny sovellus, jonka avulla algoritmien suorituskykyä voidaan vertailla.