Recently, blind source separation (BSS) has been one of the most active research areas in neural networks and signal processing. It is also called the independent component analysis (ICA) because independence between sources is assumed for the separation of the mixed signals. Many algorithms have been developed among which the minimum mutual information (MMI) and the maximum entropy (ME) algorithms are most used. MMI is used in this thesis.
The problem occurs when the dependent sources are mixed. Because of ICA, the separated signals are expected to be independent but always become the dependent sources. Strangely enough, the conventional linear BSS algorithms cannot find the independent solutions for the dependent sources. It is due to the limitation of linear demixing. In order to solve this problem we apply nonlinear demixing and improve the independency of the demixed outputs. Additionally we use the partial mutual information of the output signals to find better solutions which means a more global minimum state.
근래에 미지신호분리는 신경망과 신호처리분야에서 가장 활발히 연구되고 있는 분야중의 하나이다. 이는 혼합신호를 분리할 때 원본신호들이 서로 독립이라는 가정을 하기 때문에 독립성분분석이라고도 한다. 여러가지 알고리즘들이 개발되었지만 그 중에서 상호정보량 최소화와 엔트로피 최대화를 가장 많이 쓰고 있다. 본 논문에서는 상호정보량 최소화를 이용한다.
기존 방법들은 종속신호들이 선형혼합되어있을 때 문제가 발생한다. 독립성분분석은 분리된 신호들이 서로 독립인 것을 기대하지만 항상 종속인 신호가 분리된다. 기존의 선형 미지신호분리 알고리즘들이 독립인 원본신호를 찾지 못하는 것은 상당히 이상한 일이긴 하다. 이는 선형 분리의 한계 때문에 일어나는 현상이다. 이 문제를 해결하기 위해서 비선형분리를 하고, 출력신호들의 독립도를 향상시켰다. 게다가 좀 더 최적 상태의 해를 구하기 위해 출력신호들의 부분 상호정보량을 이용하였다.
