0306563 20240103185907.220080410235959.9 10 s. cav_un_epca*02532421045-9227193 (2008)421-430 blind source separation independent component analysis cav_un_auth*0101212 Tichavský Petr UTIA-B Department of Stochastic Informatics Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0108100 Koldovský Zbyněk UTIA-B Department of Stochastic Informatics Ústav teorie informace a automatizace AV ČR, v. v. i. cav_un_auth*0213973 Yeredor A. IL cav_un_auth*0230093 Gómez-Herrero G. FI cav_un_auth*0213972 Doron E. IL 1M0572 GA MŠk cav_un_auth*0001814 GP102/07/P384 GA ČR CZ cav_un_auth*0227962 CEZ:AV0Z10750506 Blind inversion of a linear and instantaneous mixture of source signals is a problem often encountered in many signal processing applications. Efficient FastICA (EFICA) offers an asymptotically optimal solution to this problem when all of the sources obey a generalized Gaussian distribution, at most one of them is Gaussian, and each is independent and identically distributed in time. Likewise, Weights-Adjusted Second Order Blind Identification (WASOBI) is asymptotically optimal when all the sources are Gaussian and can be modeled as Autoregressive (AR) processes with distinct spectra. Nevertheless, real-life mixtures are likely to contain both Gaussian AR and non-Gaussian iid sources, rendering WASOBI and EFICA severely sub-optimal. In this paper we propose a novel scheme for combining the strengths of EFICA and WASOBI in order to deal with such hybrid mixtures. Simulations show that our approach outperforms competing algorithms designed for separating similar mixtures. Slepá separace lineárních směsí nezávislých signálů je problémem který se vyskytuje v biomedcínslých aplikacích i ve zpracování akustických signálů. Algoritmus EFICA poskytuje asymptoticky optimální řešení tohoto problému, pokud všechny zdroje mají zobecněné Gaussovo rozložení, jsou nezávislé s tejně rozložené v čase. Algoritmus WASOBI je asymptoticky optimální, pokud se všechny zdroje dají popsat jako autoregresní náhodné procesy s Gaussovým rozložením. Signály objevující se v praxi mají zpravidla jak ne-Gaussovské rozložení, tak netriviální časovou korelační strukturu. V článku navrhujeme algoritmus, který kombinuje silné stránky zmíněných algoritmů při separaci takových směsí. V simulacích jsou ukázány vynikající vlastnosti navrženého řešení v porovnání s dalšími existujícími algoritmy. 2008 BB http://hdl.handle.net/11104/0159550 4.144 0.33 8.5 0.01649 1.004 9883 179 118 2.210 33.61 4.69 2008 cav_un_epca*0253242 IEEE Transactions on Neural Networks 1045-9227 Roč. 19 č. 3 2008 421 430