Séparation aveugle de sources

Jusqu’au milieu des années 1980, la plupart des techniques de filtrage d’antenne n’exploitent que les statistiques d’ordre 2 des signaux reçus. En outre, elles sont qualifiées d’ informées dans la mesure où elles nécessitent la connaissance des réponses d’antenne, et donc d’une calibration préalable [1], ou bien la connaissance d’informations «  a priori  » sur les signaux attendus [2]. Les discriminants permettant de séparer le signal utile des interférences ou du bruit incluent :

• la direction d’arrivée, comme en radar, en sonar ou en télécommunications spatiales ;

• la forme d’onde (communications numériques) ;

• le temps (systèmes à évasion de fréquence) ;

• le spectre (liaisons en bande étroite en présence de brouillage en bande plus large) ;

• la puissance (signaux faibles perturbés par un brouillage fort) ;

• le code (transmissions par spectre étalé).

A contrario, les méthodes dites aveugles ou autodidactes ont pour vocation d’extraire les signaux utiles ou les paramètres d’intérêt sans recourir à des connaissances fortes sur ces derniers. Ce type d’approche présente des avantages dans un certain nombre de contextes, notamment en écoute passive, lorsque aucun des caractères discriminants précités n’est exploitable. C’est aussi le cas par exemple pour les flûtes remorquées en sonar lorsque les antennes sont déformées, en VUHF (« very ultra high frequency ») ou en radar lorsqu’il existe un couplage entre capteurs et que la calibration coûte trop cher. À titre indicatif, on sait maintenant que les méthodes de goniométrie offrant normalement une bonne résolution, très sensibles à la qualité de la variété d’antenne, donnent des résultats très décevants en présence d’une calibration approximative.

Les techniques aveugles les plus prometteuses sont basées sur l’hypothèse de sources non gaussiennes (très courantes en pratique et omniprésentes en radiocommunications) et statistiquement indépendantes. Elles exploitent, souvent en plus de l’information à l’ordre 2, celle contenue dans les statistiques d’ordre supérieur à 2 des observations. Elles sont alors qualifiées de méthodes aveugles aux ordres supérieurs.

L’objet de cet article est essentiellement de présenter la philosophie de ces méthodes, de décrire les algorithmes actuellement les plus prometteurs et d’en synthétiser les performances dans différents contextes applicatifs.