Monastyrskyi, Mykyta2024-11-052024Monastyrskyi M. Blind signal separation applications and methods / M. Monastyrskyi // Енергозбереження. Енергетика. Енергоаудит = Energy saving. Power engineering. Energy audit. – 2024. – № 4 (194). – С. 31-43.https://repository.kpi.kharkov.ua/handle/KhPI-Press/83132Blind signal separation is the task of separating the given mixture signal into two or more corresponding sources. It finds an application in many fields of human activity such as medicine, telecommunications, art and many more and is a crucial task in signal processing. However, the task itself appears to be quite challenging due to its ill-posed nature. Despite that many modern machine learning-based approaches achieve the state-of-the-art results in different blind source separation tasks (e. g. audio or music source separation) however these methods can suffer from unwanted artifacts in the source signals estimates. This paper presents an overview of the methods for blind source separation covering methods from traditional statistical ones to modern machine learning-based approaches and applications of the results of blind source separation task. Moreover, we discuss some potential areas of research in the field of blind source separation to facilitate further research and develop powerful solutions for this task.Сліпе розділення сигналів полягає в розділенні даного сигналу суміші на два або більше відповідних джерел. Результати сліпого розділення сигналів знаходить застосування в багатьох сферах людської діяльності, таких як медицина, телекомунікації, мистецтво та багато інших, і є ключовим завданням в обробці сигналів. Однак саме завдання видається досить складним через те, що є некоректно визначеним. Незважаючи на те, що багато сучасних підходів, заснованих на машинному навчанні, досягають найсучасніших результатів у різних завданнях сліпого розділення джерел (наприклад, розділення джерел звуку чи музики), однак ці методи можуть страждати від небажаних артефактів в оцінках сигналів джерела. У цьому документі представлено огляд методів сліпого розділення джерел, що охоплює методи від традиційних статистичних до сучасних підходів на основі машинного навчання та застосування результатів сліпого розділення джерел. Крім того, ми обговорюємо деякі потенційні напрямки досліджень у сфері сліпого розділення джерел, щоб полегшити подальші дослідження та розробити потужні рішення для цього завдання.ensignalsmachine learningblind signals separationsignal processingсліпе розділення сигналівсигналимашинне навчанняобробка сигналівArticlehttps://doi.org/10.20998/2313-8890.2024.04.03https://orcid.org/0009-0003-7904-8006