Blind separation of sources, part I: An adaptive algorithm based on neuromimetic architecture

Abstract

The separation of independent sources from an array of sensors is a classical but difficult problem in signal processing. Based on some biological observations, an adaptive algorithm is proposed to separate simultaneously all the unknown independent sources. The adaptive rule, which constitutes an independence test using non-linear functions, is the main original point of this blind identification procedure. Moreover, a new concept, that of INdependent Components Analysis (INCA), more powerful than the classical Principal Components Analysis (in decision tasks) emerges from this work. Die Trennung unabhängiger Quellen stellt ein klassiches jedoch schwieriges Problem bei der Signalverarbeitung dar. Aufgrund neurobiologischer Beobachtungen stellen wir in diesem Artikel einen selbstanpassenden Algorithmus vor, der gleichzeitig alle unbekannten, unabhängigkeitstest unter Anwendung von nicht linearen Funktionen darstellt, ist der zentralste Punkt dieses blindend Identifikationsverfahrens. Ausserdem hebt sich ein neues Konzept, das der unabhängigen Komponenten-Analyse (INCA), leistungsfähiger in den Entscheidungsvorgängen als die Analyse der Hauptkomponenten, aus dieser Arbeit hervor. La séparation de sources indépendantes constitue un problème classique mais difficile de traitement du signal. D'après des observations neurobiologiques, nous proposons dans cet article un algorithme auto-adaptatif capable de séparer simultanément toutes les sources indépendantes inconnues. La règle d'adaptation, qui effectue un test d'indépendance grâce à l'utilisation de fonctions non-linéaires, est le point le plus central de cette méthode d'identification aveugle. De plus, un nouveau concept, celui d'analyse en composantes indépendantes (INCA), plus puissant dans les opérations de décision que celui d'analyse en composantes principales, émerge de ce travail.