Centre de documentation
scientifique

Actualité

L'actu ! fermeture automnale

Le centre de documentation est fermé pour les vacances de Toussaint. Les prêts sont suspendus pour le moment. Merci d'adresser vos questions à cdos at ensg.e...

Consulter les archives

Dernière publication Consultez les parutions du CDoS

Informations pratiques

Le centre de documentation scientifique
de l'Institut est aussi celui de l'ENSG-Géomatique.

Envoyez un mail au contact ci-dessous pour vos demandes.

Contact : cdos@ign.fr

Comment venir ?
Pour se rendre au centre de documentation, se reporter au 'Plan d'accès au bâtiment' tout en bas de page à droite. Le centre se trouve dans le bâtiment de l'ENSG. On y accède par le hall, entre l'aile Cassini et l'aile Laplace.

Mots RAMEAU représentant le fonds du centre de documentation
géomatique, géodésie, réseaux (géodésie), systèmes de localisation par satellites,
imagerie satellitaire, traitement d'images, photogrammétrie, lasergrammétrie,
systèmes d'information géographique, données géospatiales, cartographie,
géographie - base de données

Nouvelle recherche

Uncertainty in radar emitter classification and clustering / Guillaume Revillon (2019)

Public

Titre :	Uncertainty in radar emitter classification and clustering
Titre original :	Gestion des incertitudes en identification des modes radar
Type de document :	Thèse/HDR
Auteurs :	Guillaume Revillon, Auteur ; Charles Soussen, Directeur de thèse ; A. Mohammad-Djafari, Directeur de thèse
Editeur :	Paris-Orsay : Université de Paris 11 Paris-Sud Centre d'Orsay
Année de publication :	2019
Importance :	181 p.
Format :	21 x 30 cm
Note générale :	bibliographie Thèse de Doctorat de l’Université Paris-Saclay préparée à l’Université Paris-Sud Sciences et Technologies de l’Information et de la Communication (STIC) Spécialité : Traitement du signal et des images
Langues :	Français (fre)
Descripteur :	[Vedettes matières IGN] Traitement du signal [Termes IGN] approximation [Termes IGN] détection du signal [Termes IGN] écho radar [Termes IGN] émetteur [Termes IGN] estimation bayesienne [Termes IGN] inférence statistique [Termes IGN] modèle de mélange multilinéaire [Termes IGN] modulation du signal [Termes IGN] probabilités [Termes IGN] valeur aberrante
Index. décimale :	THESE Thèses et HDR
Résumé :	(auteur) In Electronic Warfare, radar signals identification is a supreme asset for decision making in military tactical situations. By providing information about the presence of threats, classification and clustering of radar signals have a significant role ensuring that countermeasures against enemies are well-chosen and enabling detection of unknown radar signals to update databases. Most of the time, Electronic Support Measures systems receive mixtures of signals from different radar emitters in the electromagnetic environment. Hence a radar signal, described by a pulse-to-pulse modulation pattern, is often partially observed due to missing measurements and measurement errors. The identification process relies on statistical analysis of basic measurable parameters of a radar signal which constitute both quantitative and qualitative data. Many general and practical approaches based on data fusion and machine learning have been developed and traditionally proceed to feature extraction, dimensionality reduction and classification or clustering. However, these algorithms cannot handle missing data and imputation methods are required to generate data to use them. Hence, the main objective of this work is to define a classification/clustering framework that handles both outliers and missing values for any types of data. Here, an approach based on mixture models is developed since mixture models provide a mathematically based, flexible and meaningful framework for the wide variety of classification and clustering requirements. The proposed approach focuses on the introduction of latent variables that give us the possibility to handle sensitivity of the model to outliers and to allow a less restrictive modelling of missing data. A Bayesian treatment is adopted for model learning, supervised classification and clustering and inference is processed through a variational Bayesian approximation since the joint posterior distribution of latent variables and parameters is untractable. Some numerical experiments on synthetic and real data show that the proposed method provides more accurate results than standard algorithms.
Note de contenu :	Introduction 1- State of the art and the selected approach 2- Continuous data 3- Mixed data 4- Temporal evolution data 5- Conclusion and perspectives
Numéro de notice :	25703
Affiliation des auteurs :	non IGN
Thématique :	IMAGERIE
Nature :	Thèse française
Note de thèse :	Thèse de Doctorat : Traitement du signal et des images : Paris 11 : 2019
Organisme de stage :	Thales, GPI
nature-HAL :	Thèse
DOI :	sans
Date de publication en ligne :	02/09/2019
En ligne :	https://hal.science/tel-02275817
Format de la ressource électronique :	URL
Permalink :	https://documentation.ensg.eu/index.php?lvl=notice_display&id=94829

IGN

IGN / ENSG

Centre de documentation
scientifique
6 et 8 Avenue Blaise Pascal
Cité Descartes
Champs-sur-Marne
77455 Marne la Vallée
Cedex 2
L'IGN a pour vocation

de décrire la surface du territoire national et l'occupation de son sol, et d'élaborer et de mettre à jour l'inventaire permanent des ressources forestières nationales.
Accès directs
2014 -2024 IGN

IGN

Centre de documentation
scientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu ! fermeture automnale

Informations pratiques

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 -2024 IGN

IGN

Centre de documentationscientifique

Accueil

Sélection de la langue

Adresse

Se connecter

Actualité

L'actu ! fermeture automnale

Informations pratiques

IGN / ENSG

L'IGN a pour vocation

Accès directs

2014 -2024 IGN

Centre de documentation
scientifique