Affiliation:
1. Karadeniz Technical University
2. KARADENİZ TEKNİK ÜNİVERSİTESİ, OF TEKNOLOJİ FAKÜLTESİ
Abstract
Kör kaynak ayırma problemi, en az iki karışmış sinyalin bilinmeyen kaynak sinyallerini belirleme işlemidir. Kaynak sinyaller, tıbbi alanda doğru teşhisin yapılmasında, kablosuz haberleşmede, radar, görüntü, ses verilerinin analizi için önemlidir. Kör kaynak ayırma probleminde yaygın olarak bağımsız bileşen analizi kullanılır. Bağımsız bileşen analizinde, ileri istatistiksel ve cebirsel yöntemler kullanılarak entropi ve korelasyon uyumluluğuna bakılır. Sinyalleri ayırmak için en yaygın kullanılan bağımsız bileşen analizi (Independent Component Analysis, ICA) algoritmalarından FastICA, Gauss dağılımı olmama ve negentropinin maksimum uygunluk kriterlerini iterasyon tabanlı olarak araştırır. Bu çalışmada, benzer şekilde iterasyon tabanlı yöntemler olan meta-sezgisel algoritmalar (MSA), uygunluk fonksiyonunu optimize etmek için kullanılmıştır. Uygunluk fonksiyonu, karışık sinyal ayırma matris üretimi ve yakınsamayı kontrol etmek için kullanılır. Bu çalışmada, vektörleri ortogonalleştiren Gram Schmidt sürecine dayalı ayırma matris üretimi önerilmiştir. Deneyler, FastICA ile meta-sezgisel (MS) algoritmalardan ateş böceği algoritması ve parçacık sürü optimizasyonu algoritmasıyla yapılmıştır. Üç kaynaktan üretilen sinyallerin karıştırılıp gürültü eklenmesi ile karışık sinyaller oluşturulmuştur. Sinyallerin farklı frekanslarda üretilerek gerçekleştirilen deneylerde, önerilen yöntem ile geleneksel FastICA algoritmasından daha başarılı korelasyon katsayısı ve kök ortalama kare hata sonuçları elde edilmiştir.
Publisher
Karadeniz Fen Bilimleri Dergisi
Reference19 articles.
1. Abbas, N., and Kabudian, J., (2017). Speech Scrambling based on Independent Component Analysis and Particle Swarm Optimization, The International Arab Journal of Information Technology (IAJIT) , 14(4), 109–115.
2. Baysal, B., and Efe, M.Ö., (2023). A comparative study of blind source separation methods. Turkish Journal of Electrical Engineering and Computer Sciences, 31(7). https://doi.org/10.55730/1300-0632.4047
3. Bonyadi, M.R., and Michalewicz, Z., (2017). Particle swarm optimization for single objective continuous space problems: a review. Evolutionary Computation. 25(1),1–54. doi:10.1162/EVCO_r_00180
4. Comon, P., and Jutten, C. (2010). Handbook of Blind Source Separation: Independent Component Analysis and Applications. Oxford, UK: Academic Press.
5. Feng, F., and Kowalski, M., (2018). Revisiting sparse ICA from a synthesis point of view: Blind Source Separation for over and underdetermined mixtures. Signal Processing, 152, 165–177. https://doi.org/10.1016/j.sigpro.2018.05.017