Utilisation des réseaux de neurones dans l'estimation et la prédiction des signaux. Application à la séparation aveugle de sources

Abstract

Dans cette thése, nous proposant un nouvel algorithme de séparation aveugle de sources, basé sur l'optimisation de l'information mutuelle sous contraintes.Le probléme d'optimisation sous contraintes est résolu par passage au probléme dual. L'estimateur proposé du gradient utilise l'estimation des densités de probabilité par maximum de vraisemblance est réseaux de neurones MLP pour des modéles de lois exponentielles choisis par minimisation du critére AIC. Ensuite, la méthode a été généralisée à l'ensemble des divergences entre densités de probabilité. Nous montrons que l'algorithme utilisant la modélisation neuronale de la loi de probabilité a de bonnes performances d'estimation des signaux sources. Nous proposons aussi un algorithme de séparation aveugle de sources de mélange post non linéaire (PNL) en utilisant un réseaux de neurones multicouches.La procédure consiste à la fois à compenser les nonlinéarités du modéles PNL et d'estimer les sources tout en maximisant un critére déentropie des signaux de sortie. Nous illustrons les performances des algorithmes proposés pour des signaux simulés dans l'environnement MATLAB