Orientador: Ricardo Suyama / Dissertação (mestrado) - Universidade Federal do ABC. Programa de Pós-Graduação em Engenharia da Informação, 2013

Submitted by Raphael Melo de Amorim (amorimba@gmail.com) on 2017-04-13T12:53:04Z No. of bitstreams: 1 Mestrado_Raphael_Amorim.pdf: 2690231 bytes, checksum: 9ea7596a3935c315bd08e0727f64747c (MD5) / Approved for entry into archive by Escola Politécnica Biblioteca (biengproc@ufba.br) on 2017-05-10T15:22:12Z (GMT) No. of bitstreams: 1 Mestrado_Raphael_Amorim.pdf: 2690231 bytes, checksum: 9ea7596a3935c315bd08e0727f64747c (MD5) / Made available in DSpace on 2017-05-10T15:22:12Z (GMT). No. of bitstreams: 1 Mestrado_Raphael_Amorim.pdf: 2690231 bytes, checksum: 9ea7596a3935c315bd08e0727f64747c (MD5) / Instituto de Pesquisas da Marinha (IPqM); Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes) / A tecnologia e as estratégias aplicadas nas operações de submarinos vêm sendo cada vez mais estudadas pela comunidade científica ao longo das últimas décadas. Para detectar e identificar alvos desconhecidos, o submarino é equipado com sistemas de sonar passivo que captam ondas sonoras propagadas no meio ambiente marinho. Esses sistemas encontram dificuldades em identificar múltiplos alvos quando estão próximos e também quando o ruído ambiente é elevado. Por isso, é necessário o uso de softwares e hardwares sofisticados para identificação e classificaçõo. O problema da identificação de múltiplos alvos já foi abordado previamente na literatura através do uso da separação cega de fontes. Este método é capaz de reduzir o efeito da interferência cruzada nos hidrofones adjacentes. No entanto, é conhecido que o desempenho de métodos de separação cega é severamente influenciado pelo ruído aditivo do meio ambiente. Este trabalho testa a robustez de um método de separação cega de fontes, a análise de componentes independentes (ICA - Independent Component Analysis), aplicado em sistemas de sonar passivo para reduzir a interferência do ruído ambiente. O algoritmos JADE, FastICA e GI-ICA foram utilizados para avaliação do desempenho de separação de sinais considerando diferentes valores da relação sinal-ruído. / Abstract The technology and the strategies applied in submarine operations have been increasingly studied by the scientific community over the last decades. To detect and identify unknown targets, the submarine is equipped with passive sonar systems that capture sound waves propagated in the marine environment. These systems have difficulty to identify multiple nearby targets and also when the ambient noise is significant. Therefore it’s necessary the use of sophisticated softwares and hardwares for identification and classification. The problem of multiple target identification has been previously discussed in the literature through the use of Blind Signal Separation. This method is capable of eliminating interference between adjacent hydrophones. However, it is known that the performance of blind separation methods is severely affected by noise environment. This paper tests the robustness of a blind signal separation method, the independent component analysis (ICA), when it is applied in passive sonars to reduce interference from ambient noise. ICA algorithms JADE, FastICA an GI-ICA were used to evaluate the signal separation performance considering different values of signal-to-noise ratio.

Os problemas de separação cega de fontes e desconvolução cega multiusuário vêm sendo intensamente estudados nas últimas décadas, principalmente devido às inúmeras possibilidades de aplicações práticas. A desconvolução multiusuário pode ser compreendida como um problema particular de separação de fontes em que o sistema misturador é convolutivo, e as estatísticas das fontes, que possuem alfabeto finito, são bem conhecidas. Dentre os desafios atuais nessa área, cabe destacar que a obtenção de soluções adaptativas para o problema de separação cega de fontes com misturas convolutivas não é trivial, pois envolve ferramentas matemáticas avançadas e uma compreensão aprofundada das técnicas estatísticas a serem utilizadas. No caso em que não se conhece o tipo de mistura ou as estatísticas das fontes, o problema é ainda mais desafiador. Na área de Processamento Estatístico de Sinais, soluções vêm sendo propostas para resolver casos específicos. A obtenção de algoritmos adaptativos eficientes e numericamente robustos para realizar separação cega de fontes, tanto envolvendo misturas instantâneas quanto convolutivas, ainda é um desafio. Por sua vez, a desconvolução cega de canais de comunicação vem sendo estudada desde os anos 1960 e 1970. A partir de então, várias soluções adaptativas eficientes foram propostas nessa área. O bom entendimento dessas soluções pode sugerir um caminho para a compreensão aprofundada das soluções existentes para o problema mais amplo de separação cega de fontes e para a obtenção de algoritmos eficientes nesse contexto. Sendo assim, neste trabalho (i) revisitam-se a formulação dos problemas de separação cega de fontes e desconvolução cega multiusuário, bem como as relações existentes entre esses problemas, (ii) abordam-se as soluções existentes para a desconvolução cega multiusuário, verificando-se suas limitações e propondo-se modificações, resultando na obtenção de algoritmos com boa capacidade de separação e robustez numérica, e (iii) relacionam-se os critérios de desconvolução cega multiusuário baseados em curtose com os critérios de separação cega de fontes. / Blind source separation and blind deconvolution of multiuser systems have been intensively studied over the last decades, mainly due to the countless possibilities of practical applications. Blind deconvolution in the multiuser case can be understood as a particular case of blind source separation in which the mixing system is convolutive, and the sources, which exhibit a finite alphabet, have well known statistics. Among the current challenges in this area, it is worth noting that obtaining adaptive solutions for the blind source separation problem with convolutive mixtures is not trivial, as it requires advanced mathematical tools and a thorough comprehension of the statistical techniques to be used. When the kind of mixture or source statistics are unknown, the problem is even more challenging. In the field of statistical signal processing, solutions aimed at specific cases have been proposed. The development of efficient and numerically robust adaptive algorithms in blind source separation, for either instantaneous or convolutive mixtures, remains an open challenge. On the other hand, blind deconvolution of communication channels has been studied since the 1960s and 1970s. Since then, various types of efficient adaptive solutions have been proposed in this field. The proper understanding of these solutions can suggest a path to further understand the existing solutions for the broader problem of blind source separation and to obtain efficient algorithms in this context. Consequently, in this work we (i) revisit the problem formulation of blind source separation and blind deconvolution of multiuser systems, and the existing relations between these problems, (ii) address the existing solutions for blind deconvolution in the multiuser case, verifying their limitations and proposing modifications, resulting in the development of algorithms with proper separation performance and numeric robustness, and (iii) relate the kurtosis based criteria of blind multiuser deconvolution and blind source separation.

Due to the widespread acceptance of Synthetic Aperture Radar (SAR) imagery by the scientific community in recent years, SAR system design faces ever increasing demands for wide coverage of high resolution images. This represents a challenging task, since conventional monostatic SAR system are inherently subject to a compromise between the achievable resolution and the width of the imaged swath. In this context, multi-channel SAR systems arise as a promising alternative to overcome this limitation and achieve high-resolution wide-swath (HRWS) SAR imaging. Their operation requires the acquisition of more information about the scene through multiple channels and suitable digital beamforming techniques to adequately combine the output data. The innovative Multi-Channel Reconstruction Algorithm (MCRA) was recently introduced as a suitable alternative for the processing required by multi-channel SAR systems in azimuth. This thesis performs and evaluates on a demonstration of the capabilities of this algorithm employing real SAR multi-channel data acquired by DLR's new airborne system F-SAR. The combination of up to four different channels is performed, and analyzes of the algorithm performance follow, especially with regard to ambiguity suppression. The impact of channel imbalances in the residual ambiguity levels is considered and different channel balancing methods are assessed. Following the algorithm's success in yielding high quality reconstructed images given adequately balanced channels, focus is turned to balancing alternatives, with special interest in methods applicable to aliased data. Blind equalization techniques are employed to develop a version of the reconstruction algorithm with increased robustness to channel imbalances following a certain error model. Performance assessments of the alternative strategy are performed both for controlled imbalances following the design model and real unknown imbalances found on F-SAR data.

Os problemas de separação cega de fontes e desconvolução cega multiusuário vêm sendo intensamente estudados nas últimas décadas, principalmente devido às inúmeras possibilidades de aplicações práticas. A desconvolução multiusuário pode ser compreendida como um problema particular de separação de fontes em que o sistema misturador é convolutivo, e as estatísticas das fontes, que possuem alfabeto finito, são bem conhecidas. Dentre os desafios atuais nessa área, cabe destacar que a obtenção de soluções adaptativas para o problema de separação cega de fontes com misturas convolutivas não é trivial, pois envolve ferramentas matemáticas avançadas e uma compreensão aprofundada das técnicas estatísticas a serem utilizadas. No caso em que não se conhece o tipo de mistura ou as estatísticas das fontes, o problema é ainda mais desafiador. Na área de Processamento Estatístico de Sinais, soluções vêm sendo propostas para resolver casos específicos. A obtenção de algoritmos adaptativos eficientes e numericamente robustos para realizar separação cega de fontes, tanto envolvendo misturas instantâneas quanto convolutivas, ainda é um desafio. Por sua vez, a desconvolução cega de canais de comunicação vem sendo estudada desde os anos 1960 e 1970. A partir de então, várias soluções adaptativas eficientes foram propostas nessa área. O bom entendimento dessas soluções pode sugerir um caminho para a compreensão aprofundada das soluções existentes para o problema mais amplo de separação cega de fontes e para a obtenção de algoritmos eficientes nesse contexto. Sendo assim, neste trabalho (i) revisitam-se a formulação dos problemas de separação cega de fontes e desconvolução cega multiusuário, bem como as relações existentes entre esses problemas, (ii) abordam-se as soluções existentes para a desconvolução cega multiusuário, verificando-se suas limitações e propondo-se modificações, resultando na obtenção de algoritmos com boa capacidade de separação e robustez numérica, e (iii) relacionam-se os critérios de desconvolução cega multiusuário baseados em curtose com os critérios de separação cega de fontes. / Blind source separation and blind deconvolution of multiuser systems have been intensively studied over the last decades, mainly due to the countless possibilities of practical applications. Blind deconvolution in the multiuser case can be understood as a particular case of blind source separation in which the mixing system is convolutive, and the sources, which exhibit a finite alphabet, have well known statistics. Among the current challenges in this area, it is worth noting that obtaining adaptive solutions for the blind source separation problem with convolutive mixtures is not trivial, as it requires advanced mathematical tools and a thorough comprehension of the statistical techniques to be used. When the kind of mixture or source statistics are unknown, the problem is even more challenging. In the field of statistical signal processing, solutions aimed at specific cases have been proposed. The development of efficient and numerically robust adaptive algorithms in blind source separation, for either instantaneous or convolutive mixtures, remains an open challenge. On the other hand, blind deconvolution of communication channels has been studied since the 1960s and 1970s. Since then, various types of efficient adaptive solutions have been proposed in this field. The proper understanding of these solutions can suggest a path to further understand the existing solutions for the broader problem of blind source separation and to obtain efficient algorithms in this context. Consequently, in this work we (i) revisit the problem formulation of blind source separation and blind deconvolution of multiuser systems, and the existing relations between these problems, (ii) address the existing solutions for blind deconvolution in the multiuser case, verifying their limitations and proposing modifications, resulting in the development of algorithms with proper separation performance and numeric robustness, and (iii) relate the kurtosis based criteria of blind multiuser deconvolution and blind source separation.

Esta tese apresenta um novo método para analisar dados de ressonância magnética funcional (FMRI) durante o estado de repouso denominado Análise de Componentes Esparsos Locais (LSCA). A LSCA é uma especialização da Análise de Componentes Esparsos (SCA) que leva em consideração a informação espacial dos dados para reconstruir a informação temporal de fontes bem localizadas, ou seja, fontes que representam a atividade de regiões corticais conectadas. Este estudo contém dados de simulação e dados reais. Os dados simulados foram preparados para avaliar a LSCA em diferentes cenários. Em um primeiro cenário, a LSCA é comparada com a Análise de Componentes Principais (PCA) em relação a capacidade de detectar fontes locais sob ruído branco e gaussiano. Em seguida, a LSCA é comparada com o algoritmo de Maximização da Expectativa (EM) no quesito detecção de fontes dinâmicas locais. Os dados reais foram coletados para fins comparativos e ilustrativos. Imagens de FMRI de onze voluntários sadios foram adquiridas utilizando um equipamento de ressonância magnética de 3T durante um protocolo de estado de repouso. As imagens foram pré-processadas e analisadas por dois métodos: a LSCA e a Análise de Componentes Independentes (ICA). Os componentes identificados pela LSCA foram comparados com componentes comumente reportados na literatura utilizando a ICA. Além da comparação direta com a ICA, a LSCA foi aplicada com o propósito único de caracterizar a dinâmica das redes de estado de repouso. Resultados simulados mostram que a LSCA é apropriada para identificar fontes esparsas locais. Em dados de FMRI no estado de repouso, a LSCA é capaz de identificar as mesmas fontes que são identificadas pela ICA, permitindo uma análise mais detalhada das relações entre regiões dentro de e entre componentes e sugerindo que muitos componentes identificados pela ICA em FMRI durante o estado de repouso representam um conjunto de componentes esparsos locais. Utilizando a LSCA, grande parte das fontes identificadas pela ICA podem ser decompostas em um conjunto de fontes esparsas locais que não são necessariamente independentes entre si. Além disso, as fontes identificadas pela LSCA aproximam muito melhor o sinal temporal observado nas regiões representadas por seus componentes do que as fontes identificadas pela ICA. Finalmente, uma análise mais elaborada utilizando a LSCA permite estimar também relações dinâmicas entre os componentes previamente identificados. Assim, a LSCA permite identificar relações clássicas bem como relações causais entre componentes do estado de repouso. As principais implicações desse resultado são que diferentes premissas permitem decomposições aproximadamente equivalentes, entretanto, critérios menos restritivos tais como esparsidade e localização permitem construir modelos mais compactos e biologicamente mais plausíveis. / This thesis presents Local Sparse Component Analysis (LSCA), a new method for analyzing resting state functional magnetic resonance imaging (fMRI) datasets. LSCA, a extension of Sparse Component Analysis (SCA), takes into account data spatial information to reconstruct temporal sources representing connected regions of significant activity. This study contains simulation data and real data. The simulated data were prepared to evaluate the LSCA in different scenarios. In the first scenario, the LSCA is compared with Principal Component Analysis (PCA) for detecting local sources under Gaussian white noise. Then, LSCA is compared with the expectation maximization algorithm (EM) for detecting the dynamics of local sources. Real data were collected for comparative and illustrative purposes. FMRI images from eleven healthy volunteers were acquired using a 3T MRI scanner during a resting state protocol. Images were preprocessed and analyzed using LSCA and Independent Components Analysis (ICA). LSCA components were compared with commonly reported ICA components. In addition, LSCA was applied for characterizing the dynamics of resting state networks. Simulated results have shown that LSCA is suitable for identifying local sparse sources.For real resting state FMRI data, LSCA is able to identify the same sources that are identified using ICA, allowing detailed functional connectivity analysis of the identified regions within and between components. This suggests that ICA resting state networks can be further decomposed into local sparse components that are not necessarily independent from each other. Moreover, LSCA sources better represent local FMRI signal oscillations than ISCA sources. Finally, brain connectivity analysis shows that LSCA can identify both instantaneous and causal relationships between resting state components. The main implication of this study is that independence and sparsity are equivalent assumptions in resting state FMRI. However, less restrictive criteria such as sparsity and source localization allow building much more compact and biologically plausible brain connectivity models.

Neste trabalho contemplamos o emprego de detectores de voz como uma etapa de pré- processamento de uma técnica de separação cega de sinais implementada no domínio do tempo, que emprega estatísticas de segunda ordem para a separação de misturas convolutivas e determinadas. Seu algoritmo foi adaptado para realizar a separação tanto em banda cheia quanto em sub-bandas, considerando a presença e a ausência de instantes de silêncio em misturas de sinais de voz. A ideia principal consiste em detectar trechos das misturas que contenham atividade de voz, evitando que o algoritmo de separação seja acionado na ausência de voz, promovendo ganho de desempenho e redução do custo computacional. / In this work we contemplate the use of voice detectors as a preprocessing step of a time-domain blind source separation technique, employing second order statistics in the separation of convolutive and determined mixtures. This algorithm is adapted to perform the separation both in fullband and in subbands, considering the presence and the absence of a moments of silence in mixtures of voice signals. The main idea aims at detect portions of the mixtures containing voice activity, avoiding that the separation algorithm is triggered in the absence of voice, promoting performance improvement and reduced computational cost.

Orientador: Prof. Dr. Ricardo Suyama / Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, 2015. / No processo de digitalização de documentos impressos ou manuscritos que apresentam informação em ambos os lados da folha (frente e verso), é comum encontrar uma distorção na imagem digitalizada conhecida como Efeito Show-Through, na qual a imagem digitalizada de um dos lados do documento sofre a interferência da imagem presente no outro lado da folha. O problema de remoção dessa interferência pode ser visto como uma instância do problema geral de Separação Cega de Fontes (BSS ¿ Blind Source Separation), para o qual diferentes técnicas foram propostas, baseadas nas características das fontes e no processo de mistura. No presente trabalho avaliamos diferentes técnicas para a solução do problema de Show-through que utilizam os conceitos relacionados ao problema de Separação Cega de Fontes, buscando identificar vantagens e desvantagens dos diferentes métodos. As técnicas avaliadas, baseadas em três diferentes abordagens em termos do critério de adaptação dos parâmetros, foram testadas com diferentes tipos de documentos (textos antigos ,manuscritos,jornal,etc) digitalizados, considerando misturas sintéticas e misturas reais, obtidas com a digitalização de documentos impressos. Os resultados obtidos revelam pontos fortes e fracos das técnicas avaliadas, e poderão servir como referência para o desenvolvimento de novas técnicas para a correção do efeito Show-Through. / In the digitalization process of printed documents or manuscripts that contain information on both through sides of the paper (front and back), it is common to observe the so-called Show-Thorugh Effet, in which the image in the back of the document interferes in the digitized image of the front side. Removing this kind of interference can be seen as an instance of the general Blind Source Separation Problem (BSS), for which several different techniques have been proposed in the literature, considering specific characteristics of the sources and of the mixing process. The objective of the present work is to evaluate different methods for the mitigation of the Show-Through effect, based in concepts related to the BSS problem. The evaluated tools, based on three different approaches for parameter adaptation, were tested with different kinds of documents (old texts, manuscripts, newspaper), considering synthetic and real mixtures. The results reveal strong and weak points of the studied methods, which can serve as a valuable reference in the development of new techniques for the Show-Through effect mitigation.

Neste trabalho contemplamos o emprego de detectores de voz como uma etapa de pré- processamento de uma técnica de separação cega de sinais implementada no domínio do tempo, que emprega estatísticas de segunda ordem para a separação de misturas convolutivas e determinadas. Seu algoritmo foi adaptado para realizar a separação tanto em banda cheia quanto em sub-bandas, considerando a presença e a ausência de instantes de silêncio em misturas de sinais de voz. A ideia principal consiste em detectar trechos das misturas que contenham atividade de voz, evitando que o algoritmo de separação seja acionado na ausência de voz, promovendo ganho de desempenho e redução do custo computacional. / In this work we contemplate the use of voice detectors as a preprocessing step of a time-domain blind source separation technique, employing second order statistics in the separation of convolutive and determined mixtures. This algorithm is adapted to perform the separation both in fullband and in subbands, considering the presence and the absence of a moments of silence in mixtures of voice signals. The main idea aims at detect portions of the mixtures containing voice activity, avoiding that the separation algorithm is triggered in the absence of voice, promoting performance improvement and reduced computational cost.

Esta tese apresenta um novo método para analisar dados de ressonância magnética funcional (FMRI) durante o estado de repouso denominado Análise de Componentes Esparsos Locais (LSCA). A LSCA é uma especialização da Análise de Componentes Esparsos (SCA) que leva em consideração a informação espacial dos dados para reconstruir a informação temporal de fontes bem localizadas, ou seja, fontes que representam a atividade de regiões corticais conectadas. Este estudo contém dados de simulação e dados reais. Os dados simulados foram preparados para avaliar a LSCA em diferentes cenários. Em um primeiro cenário, a LSCA é comparada com a Análise de Componentes Principais (PCA) em relação a capacidade de detectar fontes locais sob ruído branco e gaussiano. Em seguida, a LSCA é comparada com o algoritmo de Maximização da Expectativa (EM) no quesito detecção de fontes dinâmicas locais. Os dados reais foram coletados para fins comparativos e ilustrativos. Imagens de FMRI de onze voluntários sadios foram adquiridas utilizando um equipamento de ressonância magnética de 3T durante um protocolo de estado de repouso. As imagens foram pré-processadas e analisadas por dois métodos: a LSCA e a Análise de Componentes Independentes (ICA). Os componentes identificados pela LSCA foram comparados com componentes comumente reportados na literatura utilizando a ICA. Além da comparação direta com a ICA, a LSCA foi aplicada com o propósito único de caracterizar a dinâmica das redes de estado de repouso. Resultados simulados mostram que a LSCA é apropriada para identificar fontes esparsas locais. Em dados de FMRI no estado de repouso, a LSCA é capaz de identificar as mesmas fontes que são identificadas pela ICA, permitindo uma análise mais detalhada das relações entre regiões dentro de e entre componentes e sugerindo que muitos componentes identificados pela ICA em FMRI durante o estado de repouso representam um conjunto de componentes esparsos locais. Utilizando a LSCA, grande parte das fontes identificadas pela ICA podem ser decompostas em um conjunto de fontes esparsas locais que não são necessariamente independentes entre si. Além disso, as fontes identificadas pela LSCA aproximam muito melhor o sinal temporal observado nas regiões representadas por seus componentes do que as fontes identificadas pela ICA. Finalmente, uma análise mais elaborada utilizando a LSCA permite estimar também relações dinâmicas entre os componentes previamente identificados. Assim, a LSCA permite identificar relações clássicas bem como relações causais entre componentes do estado de repouso. As principais implicações desse resultado são que diferentes premissas permitem decomposições aproximadamente equivalentes, entretanto, critérios menos restritivos tais como esparsidade e localização permitem construir modelos mais compactos e biologicamente mais plausíveis. / This thesis presents Local Sparse Component Analysis (LSCA), a new method for analyzing resting state functional magnetic resonance imaging (fMRI) datasets. LSCA, a extension of Sparse Component Analysis (SCA), takes into account data spatial information to reconstruct temporal sources representing connected regions of significant activity. This study contains simulation data and real data. The simulated data were prepared to evaluate the LSCA in different scenarios. In the first scenario, the LSCA is compared with Principal Component Analysis (PCA) for detecting local sources under Gaussian white noise. Then, LSCA is compared with the expectation maximization algorithm (EM) for detecting the dynamics of local sources. Real data were collected for comparative and illustrative purposes. FMRI images from eleven healthy volunteers were acquired using a 3T MRI scanner during a resting state protocol. Images were preprocessed and analyzed using LSCA and Independent Components Analysis (ICA). LSCA components were compared with commonly reported ICA components. In addition, LSCA was applied for characterizing the dynamics of resting state networks. Simulated results have shown that LSCA is suitable for identifying local sparse sources.For real resting state FMRI data, LSCA is able to identify the same sources that are identified using ICA, allowing detailed functional connectivity analysis of the identified regions within and between components. This suggests that ICA resting state networks can be further decomposed into local sparse components that are not necessarily independent from each other. Moreover, LSCA sources better represent local FMRI signal oscillations than ISCA sources. Finally, brain connectivity analysis shows that LSCA can identify both instantaneous and causal relationships between resting state components. The main implication of this study is that independence and sparsity are equivalent assumptions in resting state FMRI. However, less restrictive criteria such as sparsity and source localization allow building much more compact and biologically plausible brain connectivity models.