Separación de señales usando análisis de componentes principales y muestreo compresivo con mediciones mínimas

• Eduardo Rivera ^[1] ; Rodolfo Moreno ^[1] ; Héctor Pérez ^[1] ; Mariko Nakano ^[1]
  1. [1] Instituto Politécnico Nacional

     Instituto Politécnico Nacional

     México

     
• Localización: Información tecnológica, ISSN-e 0718-0764, ISSN 0716-8756, Vol. 31, Nº. 1 (Febrero), 2020, págs. 287-300
• Idioma: español
• Títulos paralelos:
  • Signal separation using principal component analysis and compressive sampling with minimum measurements
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Con el fin de aumentar la eficiencia del Análisis de Componentes Independientes (ICA) y reducir la complejidad computacional del sistema, este artículo propone una metodología basada en la técnica de muestreo compresivo, usando mediciones mínimas. Esta permite comprimir y modificar las características Gaussianas de las señales de audio. ICA es uno de los esquemas más utilizados para la separación a ciegas de fuentes (BSS), a partir únicamente de las mezclas recibidas en un conjunto de sensores. Sin embargo, el ICA requiere que las señales involucradas no sean de tipo Gaussiano, o solamente una de ellas lo sea, características que no satisfacen las señales de audio, las cuales son en general de tipo Gaussiano. La metodología propuesta permite obtener la separación de las señales en forma más eficiente, con una menor complejidad computacional, aun cuando todas ellas sean de tipo Gaussiano.

  • English

    To increase the efficiency of the independent component analysis (ICA) and reduce the computational complexity of the system, this paper proposes a methodology based on the compressive sampling with minimum measurements. This allows compressing and modifying the Gaussian characteristics of audio signals. ICA is one of the most widely used schemes for separating the sources involved in an audio mixture received in a set of sensors. However, for proper operation it is required that the signals involved in the mixture do not have Gaussian characteristics or at most only one of them be Gaussian, characteristics that are not satisfied by the audio signals, which have in general Gaussian characteristics. The proposed methodology allows obtaining a better separation with lower computational complexity, and with a more efficient separation of the mixed signals, even if the signals involved in the mixture are of Gaussian toe.