Separação cega de fontes lineares e não lineares usando Algoritmo Genético, Redes Neurais Artificiais RBF e Negentropia de Rényi como medida de independência
Análise de Componentes Independentes, Negentropia de Rényi, Algoritmos Genéticos, Redes Neurais
Os métodos convencionais para resolver o problema de separação cega de fontes não lineares, em geral, utilizam série de restrições à obtenção da solução, levando muitas vezes, a uma não perfeita separação das fontes originais e alto custo computacional. Neste trabalho, propõe-se uma alternativa de medida de independência com base na teoria da informação e utiliza-se ferramentas da inteligência artificial para resolver problemas de separação cega de fontes lineares e posteriormente não lineares. No modelo linear aplica-se algoritmos genéticos e a Negentropia de Rényi como medida de independência para encontrar uma matriz de separação linear a partir de misturas lineares usando sinais de forma de ondas, áudios e imagens. Fazemos uma comparação com dois tipos de algoritmos de Análise de Componentes Independentes bastante difundido na literatura. Posteriormente, utiliza-se a mesma medida de independência, como função custo no algoritmo genético para recuperar sinais de fontes que foram misturadas por funções não lineares a partir de uma rede neural artificial do tipo base radial. Algoritmos genéticos são poderosas ferramentas de pesquisa global, e, portanto, bem adaptados para utilização em problemas de separação cega de fontes. Os testes e as análises se dão através de simulações computacionais.