Nuevas aproximaciones al problema de separacion ciega de fuentes

Resumen

En el trabajo que constituye la presente tesis doctoral se aborda el problema de la separación ciega de fuentes. Este es un problema de enorme importancia en numerosas aplicaciones del procesado de señal tales como procesado en array, procesado de imagen, comunicaciones multiusuario, etc. Básicamente, el problema de separación ciega de fuentes consiste en la recuperación de un conjunto de señales que denominamos observaciones, el cual es una mezcla de las primeras. Las únicas hipótesis que asumiremos para resolver el problema son la no gaussianidad e independencia estadística entre las fuentes y la invertibilidad del sistma de mezcla. La poca información a priori requerida es lo que constituye el gran interés de la separación ciega de fuentes en numerosas aplicaciones. La manera en que se produce la mezcla depende del entorno a través del cual las fuentes se transmiten, de la aplicación considerada, etc. y puede ser modelada de diversas formas. Básicamente, se consideran dos modelos: mezcla lineal y mezcla no lineal. A su vez, dentro de los modelos lineales podemos considerar dos tipos: sin memoria o instantánez y con memoria o convolutiva. En el primero las observaciones dependen de las fuentes en el mismo instante de tiempo mientras que en el convolutivo intervienen valores de las fuentes en el instantes actual pero también en instantes anteriores y/o posteriores. La mayor parte de las aproximaciones desarrolladas para resolver el problema consideran el caso lineal ya que la separación puede alcanzarse optimizando criterios basados en el análisis de componentes independientes (ICA, Independent Component Analysis). En este caso, el teorema de Darmois-Skitovich proporciona el principio básico de separación. Sin embargo, cuando la mezcla es modelada como un sistema no lineal, no ha podido demostrarse que este teorema garantice la recuperación de las fuentes. En esta tesis hemos abordado el problema de la sep