Karışmış İşaretlerin Kanonik Korelasyon Algoritmaları ile Ayrıştırılması

Abstract

Kör kaynak ayrıştırma, en az iki sinyalin karışımını içeren bir veri kümesinden bu karışımı oluşturan her bir kaynağın tahmin edilmesi olarak tanımlanabilir. Bu işlemin kör olarak adlandırılması kaynaklar hakkında hiçbir bilgiye sahip olmadığımızı ifade etmektedir. Kör kaynak ayrıştırma yöntemlerinin başarımı, işlem süresi ve doğruluğu ile belirlenmektedir. Çekirdek kanonik korelasyon analizinin işlem performansı literatürdeki diğer yöntemlere göre iyi olmakla birlikte işlem süresi oldukça fazladır. Yapılan bu çalışmada çekirdek kanonik korelasyon analizinin işlem süresinin azalımı amaçlanmıştır. Bu amaç doğrultusunda karışım işaretleri çekirdek kanonik korelasyon analizine uygulanmadan önce ayrık dalgacık dönüşümü işlemine tabi tutulmuştur. Yapılan bu uygulama işlem süresini azaltmakla birlikte performansında da iyileşmelerin olduğu gözlemlenmiştir. Aynı zamanda, yapılan bu işlemler doğrusal ve doğrusal olmayan karıştırma modelleri ile yapay olarak karıştırılıp değerlendirilmiştir. Önerilen yöntemin başarım analizini görmek için sonuçlar işaret gürültü oranı cinsinden değerlendirilmiştir. Blind source seperation can be defined as the estimation of each sources which are composed of a data set including at least two signals. As there is any information about sources, this operation is denominated as blind. The success of blind source seperation is determined by the operation time and the reliability. Although the operation performance of kernel canonical correlation analysis is beter than other methods in the literature, the operation time is relatively longer. This study aims to decrease the operation time of kernel canonical corrleation analysis. For this purpose, mixing signals are subject to Discrete Wavelet Transform before kernel canonical correlation analysis is performed. The corresponding application enables to decrease operation time and to improve the operation performance. At the same time, all these operations are evaluated using linear and nonlinear mixing models through artifial mixing. The analysis results are evaluated in terms of signal noise ratio to examine the success analysis of the proposed method.