Separação cega de fontes lineares e não lineares usando algoritmo genético, redes neurais artificiais RBF e negentropia de Rényi como medida de independência

Conventional methods to solve the problem of blind source separation nonlinear, in general, using series of restrictions to obtain the solution, often leading to an imperfect separation of the original sources and high computational cost. In this paper, we propose an alternative measure of independence based on information theory and uses the tools of artificial intelligence to solve problems of blind source separation linear and nonlinear later. In the linear model applies genetic algorithms and Rényi of negentropy as a measure of independence to find a separation matrix from linear mixtures of signals using linear form of waves, audio and images. A comparison with two types of algorithms for Independent Component Analysis widespread in the literature. Subsequently, we use the same measure of independence, as the cost function in the genetic algorithm to recover source signals were mixed by nonlinear functions from an artificial neural network of radial base type. Genetic algorithms are powerful tools for global search, and therefore well suited for use in problems of blind source separation. Tests and analysis are through computer simulations

Os métodos convencionais para resolver o problema de separação cega de fontes não lineares em geral utilizam uma série de restrições à obtenção da solução, levando muitas vezes a uma não perfeita separação das fontes originais e alto custo computacional. Neste trabalho, propõe-se uma alternativa de medida de independência com base na teoria da informação e utilizam-se ferramentas da inteligência artificial para resolver problemas de separação cega de fontes lineares e posteriormente não lineares. No modelo linear aplica-se algoritmos genéticos e a Negentropia de Rényi como medida de independência para encontrar uma matriz de separação linear a partir de misturas lineares usando sinais de forma de ondas, áudios e imagens. Faz-se uma comparação com dois tipos de algoritmos de Análise de Componentes Independentes bastante difundidos na literatura. Posteriormente, utiliza-se a mesma medida de independência como função custo no algoritmo genético para recuperar sinais de fontes que foram misturadas por funções não lineares a partir de uma rede neural artificial do tipo base radial. Algoritmos genéticos são poderosas ferramentas de pesquisa global e, portanto, bem adaptados para utilização em problemas de separação cega de fontes. Os testes e as análises se dão através de simulações computacionais