Classification par filtrage de volterra optimal pour la déflexion. Application à l'identification de données radar

Classification by volterra filtering and maximum deflexion. Application to radar data identification

• Auteur / Autrice : Cyrille Enderli
• Direction : Philippe Réfrégier
• Type : Thèse de doctorat
• Discipline(s) : Optique, image et signal
• Date : Soutenance en 2006
• Etablissement(s) : Aix-Marseille 3

Mots clés

Mots clés contrôlés

Radar à antenne synthétique

Systèmes aéroportés d'alerte et de surveillance

Résumé

Un défi actuel majeur des Radars aéroportés est la capacité à identifier automatiquement les signaux reçus, tout en ayant de fortes contraintes de temps de calcul. Une contrainte supplémentaire consiste à ne pas classer des signaux ne correspondant pas aux classes décrites dans la base de données d'apprentissage. Dans cette thèse, le problème de classification est traité en optimisant un critère de séparation entre deux classes, sous un modèle non-linéaire de filtrage des données. Cette approche est étudiée sur données synthétiques et réelles par paires de classes. L'extension à la classification de plus de deux classes est ensuite considérée. La méthode développée est validée en l'appliquant à la classification d'échos Radar et d'images SAR. Peu coûteuse en temps de calcul, elle permet de gérer le rejet de classes non apprises et d'associer plusieurs classes à des données difficiles à reconnaître.

A major challenge for modern airborne Radars is the ability to automatically identify the received signals while having strong computation time limitations. An additional constraint consists in unclassifying those signals whose class has not been previously described in the learning data base. In this thesis, the classification problem is dealt with by using a non-linear filter model and maximizing a criterion of separability between two classes. This approach is applied to classification of pairs of classes with synthetic and real data. Extension to classification of more than two classes is then considered. Validation of the method is carried out by classifying both air/air Radar signals and SAR images. It is shown that the method is time inexpensive, allows to handle rejection of unlearned classes and may assign several classes to data that is difficult to classify.