STAGE – Recherche en traitement du signal et Télécom en partenariat avec Thales F/H

SUJET DU STAGE :

Stage de recherche en traitement du signal et Télécom :

" Séparation de sources en guerre électronique (GE) par factorisation matricielle profonde : S2GE-DeepNMF "

Ces activités de recherche supposent l’obtention d’une habilitation du Ministère des armées.

La détection de sources dans un environnement très bruité, comme en guerre électronique (GE), est un défi qui devra être relevé car les signaux à traiter sont de nature non-stationnaire avec des rapports signal sur bruit qui peuvent être très faibles [1]. Par ailleurs, en présence de plusieurs origines simultanées, la séparation des sources et leur discrimination représente un défi méthodologique, en particulier dans le cas monocapteur (cas sous déterminé). Ainsi, nous ne faisons pas d’hypothèses sur l’indépendance statistique des sources, comme par exemple le cas de la méthode ICA (Analyse en Composantes Indépendantes). Des techniques de classification automatique (Machine Learning) seront particulièrement adaptées pour ce travail.

Nous souhaitons explorer dans le projet la séparation de sources dans le domaine Radar, en se limitant à un seul capteur et en non-supervisé en utilisant la factorisation par matrice non négative (NMF) [2]-[3]. Nos récents travaux sur la séparation sources en acoustique sous-marine par NMF, via un seul capteur ont montré la plus-value de cette approche [4]. Nous souhaitons explorer la version récente de la NMF à savoir la factorisation matricielle profonde ou DeepNMF [5]-[6]. Le but est de faire la séparation de sources à plusieurs niveaux de résolution et de mettre en évidence l’apport de cette nouvelle approche dans le domaine GE. Nous avons récemment montré l’intérêt et l’apport de la méthode NMF pour la séparation de sources en acoustique sous-marine, et ce à partir d’un seul capteur [4]. La DeepNMF est basée sur une structure de réseau multi-couche. Elle peut être vue comme une NMF multi-couche. La méthode DeepNMF s'est récemment imposée comme une technique précieuse pour extraire plusieurs couches de caractéristiques à différentes échelles. Elle est capable de produire une classification hiérarchique interprétable pour de nombreux types de données [5]-[6].

Le verrou scientifique et technique à lever dans le cadre de ce projet est celui de la séparation des sources en Radar passive, via un seul capteur, et en non-supervisé. On désigne par source les impulsions d’un même Radar (idéalement le Radar lui même). Les impulsions Radar sont courtes et essentiellement modulées en phase et en fréquence. Les sources sont périodiques et leur nombre est inconnu, mais varie entre 5 et 100.

Contexte :

Dans le domaine Radar, l’entrainement de modèles de détection/classification nécessite des données. L’objectif est de trouver une solution non-supervisée.

Spécificités :

• Sources impulsionnelles périodique en majorité

• Grande variété de modulations

• Anomalies éventuelles (multi-trajets)

• Gêneurs COM éventuels

• Mono-capteur

Travail à réaliser :

Analyse comparative des méthodes non-supervisées de l’état de l’art de séparation de sources, et application de la DeepNMF sur des données simulées d’impulsions Radar (possibilité de données réelles). La méthode DeepNMF, peut être vue comme une opération de reconnaissance de formes, avec une opération d’extraction des impulsions suivie par une étape de clustering [7].

Mots clés : Traitement du signal, Communications numériques, Séparation de sources, Guerre électronique, Radar, Machine Learning.

Références

[1] G. Revillon, A. Mohammed-Djafari and C. Enderli, Radar emitters classification and clustering with a scale mixture of normal distributions, IET Radar Sonar Navigation, vol. 13, no. 1, pp. 128-138, 2019.

[2] P. Common, Ch. Jutten, Handbook of blind source separation. Elsevier, 2010.

[3] D.D. Lee and H.S. Seung, Learning the parts of objects with non-negative matrix factorization, Nature, vol. 401, pp. 788–791, 1999.

[4] J.N. Lecoulant, A.O. Boudraa and S. Pinson, Non-negative matrix factorization based single-channel source-separation of passive underwater acoustic signals in deep sea, Journal of Acoustical Society of America Express Letters, vol. 5, no. 2, pp. 1-7, 2025.

[5] P. De Handschutter, N. Gillis and X. Siebert, A survey on deep matrix factorizations, Computer Science Review, vol. 42, 2021.

[6] P. De Handschutter, N. Gillis and W. Blekic, Deep Symmetric Matrix Factorization, EUSIPCO, pp. 635-639, 2023.

[7] C.M. Bishop, Pattern recognition and machine learning, Springer Science, 2006.