-
Notifications
You must be signed in to change notification settings - Fork 0
/
separation_Sources.m
278 lines (225 loc) · 7.63 KB
/
separation_Sources.m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
%% <<<<<<<<<<<<<<<<<<<<<<<<<Multi-Capt>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>>
clc;
close all;
clear all;
% --------------------- SEPARATIN DE SOURCES -----------------------------
%% Partie 1 : Création de signaux et mélange
% Paramètres
fs = 441; % Fréquence d'échantillonnage (en Hz)
t = 0:1/fs:1; % Vecteur de temps de 0 à 1 seconde
% Création du signal sinusoïdal
f1 = 44; % Fréquence du signal sinusoïdal (en Hz)
A1 = 2; % Amplitude
signal_sinusoide = A1 * sin(2 * pi * f1 * t);
signal_sinusoide = signal_sinusoide / mean(abs(signal_sinusoide).^2); % Normalisation
% Création du signal aléatoire
signal_aleatoire = randn(size(t)); % Signal aléatoire gaussien
signal_aleatoire = signal_aleatoire / mean(abs(signal_aleatoire).^2); % Normalisation
% Matrice de mélange
M = [1, 0.5; 0.5, 1]; % Matrice de mélange
%M inversible car signaux indépendantes
% Mélange des signaux
y = M * [signal_sinusoide; signal_aleatoire];
% Affichage des signaux mélangés
figure;
subplot(4, 1, 1);
plot(t, signal_sinusoide);
title('Signal Sinusoïdal');
xlabel('Temps (s)');
ylabel('Amplitude');
subplot(4, 1, 2);
plot(t, signal_aleatoire);
title('Signal Aléatoire');
xlabel('Temps (s)');
ylabel('Amplitude');
subplot(4, 1, 3);
plot(t, y(1, :),'r'); % Signal mélangé 1
title('Signaux Mélangés 1');
xlabel('Temps (s)');
ylabel('Amplitude');
subplot(4, 1, 4);
plot(t, y(2, :), 'r'); % Signal mélangé 2
title('Signaux Mélangés 2');
xlabel('Temps (s)');
ylabel('Amplitude');
%% Partie 2 : Séparation des sources
% 1) On connait M
%z = inv(M)*y ;
%2) --------Décorrélation des sources sans Bruits--------------
% ---- ------
% s(t) ------- M ------y(t)----- B ----- x(t) Rx
% ---- ------
% Calcul de la matrice de covariance Ry
Ry = cov(y');
% Décomposition en valeurs propres de Ry
[Q, D] = eig(Ry);
% Matrice de Décorrélation
B = Q*(D^-1/2)*Q';
x = B*y;
figure()
subplot(2, 1, 1);
plot(t,x(1, :),'r'); % Signal décorrélé 1
title('Signaux décorrélé 1: Matrix de décorrélation');
xlabel('Temps (s)');
ylabel('Amplitude');
subplot(2, 1, 2);
plot(t,x(2, :), 'r'); % Signal décorrélé 2
title('Signaux décorrélé 2: Matrix de décorrélation');
xlabel('Temps (s)');
ylabel('Amplitude');
%% ------- Séparation des sources: R_x(tau) et Cx ---------------
tau = 0.3; % Décalage temporel en secondes
% Calculez le décalage en nombre d'échantillons
tau_samples = round(tau * fs);
% Créez le signal y(t - tau) en décalant le signal y(t) dans le temps
y_tau = y(:,tau_samples + 1:end); % Supprimez les échantillons décalés
% Calculez les vecteurs moyens des signaux y_t et y_tau
mean_y = mean(y, 2); % La moyenne est prise sur la deuxième dimension
mean_y_tau = mean(y_tau, 2);
% Calculez la covariance entre y_t et y_t_tau
%covariance = sum((y(:,1:end-tau_samples) - mean_y) .* (y_tau - mean_y_tau)) / length(y);
% Calculez la matrice de covariance entre les signaux
covariance_matrix = (1 / (size(y, 2) - 1)) * ((y(:,1:end-tau_samples) - mean_y) * (y_tau - mean_y_tau)');
T_x = covariance_matrix;
T_x = (T_x+T_x')/2;
[Q_Tx, D_Tx] = eig(T_x);
%Separation de sources: Matrice de Covariance
x = B*y;
z = Q_Tx'*x; % séparation de sources
figure()
subplot(2, 1, 1);
plot(t,z(1, :),'r'); % Signal décorrélé 1
title('Signal décorrélé 1');
xlabel('Temps (s)');
ylabel('Amplitude');
subplot(2, 1, 2);
plot(t,z(2, :), 'r'); % Signal décorrélé 2
hold on;
plot(t, -signal_sinusoide)
title('Séparation de source: Matrice de Covariance R_x(30%) ');
legend('signal estimé','signal d''entrée')
xlabel('Temps (s)');
ylabel('Amplitude');
%% ERREUR DE Séparation : EQM
EQM = rmse(z(2, :),-signal_sinusoide)
%% -------------Matrice Globale--------------
%A = M*B*Q_Tx'
%% ------- Séparation des sources: Cx = ---------------
x_ = x;
Cum = zeros(2,2,2,2);
for i =1:2
for j = 1:2
for k=1:2
for l = 1:2
E1 = mean(x_(i,:).*x(j,:).*x_(k,:).*x_(l,:));
E2 = mean(x_(i,:).*x_(j,:))*mean(x_(k,:).*x_(l,:));
E3 = mean(x_(i,:).*x_(k,:))*mean(x_(j,:).*x_(l,:));
E4 = mean(x_(i,:).*x_(l,:))*mean(x_(j,:).*x_(k,:));
Cum(i,j,l,k) = E1- E2- E3- E4;
end
end
end
end
Cum1 = Cum(:,:,1,1);
[U,C_s] = eig(Cum1);
T_x_2 = Cum1;
T_x_2 = (T_x_2+T_x_2')/2;
[Q_Tx2, ~] = eig(T_x_2);
z2 = Q_Tx2'*y; % Q_Tx
figure()
subplot(2, 1, 1);
plot(z2(2, :),'r'); % Signal décorrélé 1
title('Signal décorrélé 1');
xlabel('Temps (s)');
ylabel('Amplitude');
subplot(2, 1, 2);
plot(t,z2(1, :), 'r'); % Signal décorrélé 2
hold on;
plot(t, -signal_sinusoide)
title('Séparation de source: Cumulant ');
legend('signal estimé','signal d''entrée')
xlabel('Temps (s)');
ylabel('Amplitude');
EQM_2_ = rmse(z2(1, :),-signal_sinusoide);
EQM_2 = rmse((1/ max(z2(1, :)))*z2(1, :),-signal_sinusoide)
%% 3) --------Décorrélation des sources Avec Bruits--------------
% --------------------- Ajout de bruit sur y ---------------------
% Paramètres
nb_samples = length(t); % Nombre d'échantillons
num_sources = 2;
% Créez les signaux de bruit décorrélés et de même puissance
nb_bruit = 5; % Nombre de signaux de bruit
bruit_power =0.01; % Puissance du bruit (ajustez selon vos besoins)
bruits = sqrt(bruit_power) * randn(nb_bruit, nb_samples); % Génération de bruit gaussien
%bruits = bruits/mean(abs(bruits).^2);
% Mélange des signaux sources avec le bruit
y_2 = zeros(nb_bruit, nb_samples);
for i = 1:num_sources
y_2(i, :) = M(i, :) * [signal_sinusoide; signal_aleatoire] + bruits(i, :) ;
end
for i = num_sources+1:nb_bruit
y_2(i, :) = bruits(i, :);
end
% Calcul de la matrice de covariance Ry
Ry_2 = cov(y_2');
% Décomposition en valeurs propres de Ry
[Q, D] = eig(Ry);
[Q_2, D_2] = eig(Ry_2);
d = diag(D_2); % Extraire la diagonale de C
d = flip(d);
figure()
plot(d);
grid on;
% Calcul de la matrice B: B = VDyQs'
Qs = Q_2(:,nb_bruit-1:nb_bruit);
D_2_ = D_2(nb_bruit-1:nb_bruit,nb_bruit-1:nb_bruit); %Dyb(Nsigma+1:Ncap,Nsigma+1:Ncap); %on considere que la partie signal
B_2 = (D_2_^-1/2)*Qs';
%Signaux décor
x_2 = B_2*y_2;
% figure()
% subplot(2, 1, 1);
% plot(t,x_2(1, :)); % Signal décorrélé 1
% title('Signaux décorrélé 1');
% xlabel('Temps (s)');
% ylabel('Amplitude');
%
% subplot(2, 1, 2);
% plot(t,x_2(2, :), 'r'); % Signal décorrélé 2
% title('Signaux décorrélé 2');
% xlabel('Temps (s)');
% ylabel('Amplitude');
for i =1:2
for j = 1:2
for k=1:2
for l = 1:2
E1 = mean(x_2(i,:).*x_2(j,:).*x_2(k,:).*x_2(l,:));
E2 = mean(x_2(i,:).*x_2(j,:))*mean(x_2(k,:).*x_2(l,:));
E3 = mean(x_2(i,:).*x_2(k,:))*mean(x_2(j,:).*x_2(l,:));
E4 = mean(x_2(i,:).*x_2(l,:))*mean(x_2(j,:).*x_2(k,:));
Cum_2(i,j,l,k) = E1- E2- E3- E4;
end
end
end
end
Cum1_2 = Cum_2(:,:,1,1);
[U_2,C_s_2] = eig(Cum1_2);
T_x_2 = Cum1_2 ;
T_x_2 = (T_x_2+T_x_2')/2;
[Q_Tx2_2, ~] = eig(T_x_2);
z2_2 = Q_Tx2_2'*x_2; % Q_Tx
figure()
% subplot(2, 1, 1);
% plot(z2_2(2, :),'r'); % Signal décorrélé 1
% title('Signal décorrélé 1');
% xlabel('Temps (s)');
% ylabel('Amplitude');
%
% subplot(2, 1, 2);
plot(t,z2_2(1, :)); % Signal décorrélé 2
hold on;
plot(t, -signal_sinusoide)
title('Séparation de source cas BIG DATA: Cumulant ');
legend('signal estimé','signal d''entrée')
xlabel('Temps (s)');
ylabel('Amplitude');
EQM_3 = rmse(z2_2(1, :),-signal_sinusoide)