Dans cette thèse, nous proposons un nouvel algorithme de séparation aveugle de sources, basé sur l'optimisation de l'information mutuelle sous contraintes. Le problème d'optimisation sous contraintes est résolu par passage au problème dual. L'estimateur proposé du gradient stochastique utilise l'estimation des densités par maximum de vraisemblance dans des modèles de lois exponentielles choisis par minimisation du critère AIC. Ensuite, la méthode a été généralisée à l'ensemble des divergences entre densités de probabilité. Nous avons montré que l'algorithme utilisant la divergence particulière de Hellinger a de bonnes propriétés d'effcacité et robustesse en présence du bruit en comparaison avec l'information mutuelle. Dans le cadre de signaux cyclostationnaires, les méthodes précédentes de séparation ont été adaptées en utilisant des statistiques du second ordre. Nous illustrons les performances des algorithmes proposés pour des signaux simulés et pour des signaux réels issus de machines tournantes.
Il n'y a pas encore de discussion sur ce livre
Soyez le premier à en lancer une !
A gagner : des exemplaires de cette BD jeunesse sur fond de légendes celtiques !
L'autrice coréenne nous raconte l'histoire de son pays à travers l’opposition et l’attirance de deux jeunes adolescents que tout oppose
Mêlant la folie à l’amour, l’auteur nous offre le portrait saisissant d’une « femme étrange » bousculant les normes binaires de l’identité sexuelle
Dans ce recueil de 13 nouvelles, la jeune autrice mexicaine frappe fort mais juste
