Meta-Sezgisel Yöntemlere Dayalı Kör Kaynak Sinyal Ayırma

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.

The blind source separation problem is the process of identifying unknown source signals from at least two mixed signals. Source signals are important for accurate diagnosis in the medical field, wireless communication, and analysis of radar, image and sound data. Independent component analysis (ICA) is often used for the problem of blind source separation. In independent component analysis, entropy and correlation compatibility are checked using advanced statistical and algebraic methods. FastICA, one of the most widely used independent component analysis algorithms for signal separation, iteration-based searches for non-Gaussianity and negentropy maximum fitness criteria. In this study, meta-heuristic algorithms (MHA), which are also iteration-based methods, were used to optimize the fitness function. The fitness function is used to generate the separation matrix for mixed signal to control convergence. In this study, the generation of the separation matrix is proposed based on the Gram-Schmidt process, which orthogonalizes the vectors. Experiments were performed using FastICA and meta-heuristic algorithms such as the firefly algorithm and the particle swarm optimization algorithm. Mixed signals are generated by mixing the signals from three sources and adding noise. In the experiments carried out by generating signals with different frequencies, more successful correlation coefficients and root mean square error results were obtained with the proposed method than the traditional FastICA algorithm.