Séparation aveugle de sources sonores
Estimation robuste des paramètres du mélange et apprentissage aveugle de modèles de sources
Versandkostenfrei!
Versandfertig in 6-10 Tagen
44,99 €
inkl. MwSt.
PAYBACK Punkte
22 °P sammeln!
La séparation de sources aveugle dans le cas sous-déterminé est un problème mal posé pour lequel on suppose que les sources sont indépendantes et parcimonieuses dans le domaine temps- fréquence (TF). La séparation se fait alors en deux étapes : une étape d estimation des paramètres du mélange, suivi d une étape d estimation des sources. Les hypothèses faites sur les sources ne sont cependant pas valides sur l ensemble des points TF, si bien que les approches qui traitent naïvement l ensemble des points de manière indépendantes sont peu robustes. L objet de cette thèse est d e...
La séparation de sources aveugle dans le cas sous-déterminé est un problème mal posé pour lequel on suppose que les sources sont indépendantes et parcimonieuses dans le domaine temps- fréquence (TF). La séparation se fait alors en deux étapes : une étape d estimation des paramètres du mélange, suivi d une étape d estimation des sources. Les hypothèses faites sur les sources ne sont cependant pas valides sur l ensemble des points TF, si bien que les approches qui traitent naïvement l ensemble des points de manière indépendantes sont peu robustes. L objet de cette thèse est d exploiter la distribution locale du mélange dans les voisinages de chaque point TF, afin de détecter les régions TF où une seule source est active et d estimer la direction de la source dominante dans ces régions. L approche que nous proposons est étayée par un algorithme de clustering appelé DEMIX, qui estime de façon robuste les paramètres du mélange. L approche locale peut être utilisée pour apprendre des modèles de sources qui jusqu à présent nécessitaient une étape d apprentissage à partir d exemples. Nous montrons que cette approche améliore l estimation des sources de plusieurs dB.
Andere Kunden interessierten sich für
