Fixed-point algorithms for convolutive blind source separation based on non-gaussianity maximization Algorithmes à point xe pour séparation aveugle de sources convolutive fondée sur la maximisation de non-gaussianité

This paper presents a new approach to the problem of blind separation of independent components in the case of MA convolutive mixtures of MA processes. It consists of an extension of the well-known Fast-ICA algorithm developed by Hyvärinen and Oja for instantaneous mixtures. We introduce a new type of sphering (convolutive sphering) that allows the use of non-gaussianity criteria and associated parameter-free fast xed-point algorithms for the estimation of the source innovation processes. We prove the relevance of these criteria by reformulating the mixtures as linear instantaneous ones. We then describe associated kurtotic and negentropic time-domain algorithms. Test results are presented for arti cial coloured signals and for speech signals. Résumé Cet article présente une nouvelle approche pour la séparation aveugle de composantes indépendantes dans le cas des mélanges convolutifs MA de processus MA. Cette méthode peut être considérée comme une extension de l'algorithme Fast-ICA développé par Hyvärinen et Oja pour les mélanges instantanés. Nous introduisons un nouveau type de blanchiment ( sphering convolutif) qui permet l'utilisation de critères de non gaussianité associés à des algorithmes rapides de type point xe sans paramètre à ajuster, a n d'estimer les processus d'innovation des sources. Nous prouvons la pertinence de ces critères en reformulant le mélange sous forme instantanée. Nous dérivons ensuite les algorithmes à base de kurtosis et de négentropie qui en découlent. Des résultats de test sont présentés pour des signaux colorés arti ciels et pour des signaux de parole.