On blind source separation in convolutive and nonlinear mixtures

Dans cette thèse, la séparation aveugle de sources dans des mélanges convolutif Post Non-linéaire (CPNL) est étudiée. Pour séparer ce type de mélanges, nous avons d'abord développé des nouvelles méthodes pour séparer les mélanges convultifs et les mélanges Post Non-Linéaires (PNL). Ces méthodes sont toutes basées sur la minimisation de l'information mutuelle des sorties. Pour minimiser l'information mutuelle, nous calculons d'abord sa "différentielle", c'est-à-dire, sa variation en fonction d'une petite variation de son argument. Cette différentielle est alors utilisée pour concevoir des approches de type gradient pour minimiser l'information mutuelle des sorties. Ces approches peuvent être appliquées pour séparation aveugle des mélanges linéaires instantanés, convolutifs, PNL et CPNL.GRENOBLE1-BU Sciences (384212103) / SudocGRENOBLE INP-Phelma (381852301) / SudocSudocFranceF