La séparation de signaux par les méthodes d’apprentissage automatique

Application à la robotique humanoïde

Dans ce livre, nous nous sommes intéressés au problème de séparation aveugle de mélanges linéaires instantanés et convolutifs de sources.

Pour la séparation des mélanges audio, nous avons développé des méthodes nouvelles pour les cas avec bruit et sans bruit dans l'environnement de propagation.

Quatre contributions ont été abordées dans ce travail selon deux types d'apprentissage automatique, à savoir l'apprentissage supervisé et non-supervisé.

Quant à l'apprentissage supervisé, nous avons proposé une première contribution de classification binaire à base de classificateur de fichiers audio en appliquant l’algorithme de Machine à Vecteur de Support (SVM).Quant à l'apprentissage non-supervisé, nous présentons deux contributions avec une étude expérimentale sur les différents algorithmes des statistiques d'ordre supérieur et de deuxième ordre qui s'appuie sur les techniques de réduction de dimension.

Concernant la quatrième contribution, nous avons proposé une nouvelle approche de reconstruction de signaux et de suppression de bruit que nous allons appeler S-CDAE basée sur les algorithmes de l'apprentissage automatique et les réseaux de neurones profonds.