Évaluation des algorithmes adaptatifs de séparation de sources

Dans ce chapitre, nous évaluons les performances des algorithmes adaptatifs de séparation de sources présentés dans le chapitre 6. Nous évaluons nos algorithmes adaptatifs avec prétraitement de formation de voies sur des cas de séparation de deux sources où le nombre réel de sources peut être fixe ou variable. Nous proposons les trois scénarios d’évaluation suivant : Dans la suite, nous détaillerons les paramètres de ces algorithmes de séparation adaptatifs et nous procèderons à une évaluation de leurs performances en utilisant les outils d’évaluation présentés dans la section précédente : BSS_EVAL et PEASS. Les signaux de test ont une durée de 5s pour le cas où le nombre réel de sources estfixe et 15s pour le cas où le nombre réel de sources est variable (cf. figure 10.1). Ces signaux sont échantillonnés à 16 kHz et sont extraits de la base de données Theo-RI- studio. Vingt cas de séparation ont été testés pour chacune des deux configurations. La fenêtre d’analyse spectrale est de type Hanning et de longueur 64 ms (1024 échantillons) et le pas d’avancement est de 50%. Le pas de mise à jour des algorithmes itératifs est = 0:05. Nous choisissons un nombre d’itérations par fenêtre d’analyse temporelle longue égal à 2. Les résultats que nous présenterons dans la prochaine section sont la moyenne des résultats obtenus pour les 20 cas de séparation sur chaque fenêtre d’analyse longue.

Evaluation des algorithmes adaptatifs de sépa- ration sans estimation du nombre de sources

Nous évaluons le rapport source-à-interférences SIR, le rapport source-à-distorsion SDR et le rapport sources-à-artéfacts SAR de l’algorithme adaptatif de sépara- tion de sources avec un prétraitement par formation de voies et sélection de lobes BF_fixed[5°]_BS+BSS-l1 pour deux configurations du nombre de sources : le nombre de sources est connu et fixe au cours du temps (cf. figures 10.2, 10.3 et 10.4) et le nombre de sources est connu et variable au cours du temps (cf. figures 10.5, 10.6 et 10.7). Le SIR et le SDR augmentent avec l’augmentation de l’angle séparant les deux sources et ceci pour toutes les itérations. Les rapports sources-à-artéfacts relatifs aux différentes directions d’arrivées quant à eux restent proches dans un intervalle de 5dB, comme observé dans le cas de la séparation itérative dans les figures 9.26 et 9.30. Pour ce cas de séparation de sources où le nombre de sources est connu et inva- riable au cours du temps, l’algorithme adaptatif BF_fixed[5°]_BS+BSS-l1 présente de bonnes performances de séparation.

Dans le cas où le nombre de sources est variable, quand une seule source est active (typiquement entre les fenêtres d’analyses longues 157 et 299) et que cette source est bien extraite, le rapport source-à-interférences SIR estimé par BSS_EVAL est très élevé. Nous l’avons donc limité à 30dB dans la figure 10.5 pour des raisons pratiques. Nous remarquons que les performances de séparation baissent juste avant et après le changement du nombre de sources (cf. figures 10.5, 10.6 et 10.7). En effet, la source qui s’évanouit est de moins en moins présente dans la fenêtre d’analyse glissante, et quand seulement quelques échantillons relatifs à cette source sont présents dans cette fenêtre, l’algorithme de séparation a des difficultés à l’extraire. Pour ce cas de séparation de sources où le nombre de sources est connu et va- riable au cours du temps, l’algorithme adaptatif BF_fixed[5°]_BS+BSS-l1 suit bien le changement du nombre de sources et donne de bonnes performances de séparation. Nous évaluons ici le SIR, le SDR et le SAR de l’algorithme de séparation adaptatif avec prétraitement par formation de voies BF_fixed[5°]_BS+BSS-l1 pour le cas où le nombre de sources est fixe (cf. figures 10.8, 10.9 et 10.10) ou variable (cf. figures 10.11, 10.12 et 10.13). Pour chacune de ces deux configurations, nous séparons un nombre de sources fixe Nhyp = 5, supérieur au nombre de sources réel.