HDR Ioana Cornel 12 07 2012

Caratérisation des signaux non-stationnaires à
composantes temps-fréquence non-linéaires

Cornel Ioana
To cite this version:

Cornel Ioana. Caratérisation des signaux non-stationnaires à composantes temps-fréquence non-
linéaires. Traitement du signal et de l’image [eess.SP]. Institut National Polytechnique de Grenoble -
INPG, 2012. �tel-00985501�
HAL Id: tel-00985501

https://theses.hal.science/tel-00985501
Submitted on 29 Apr 2014
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
N° d’ordre : ANNEE 2012
MANUSCRIT
présenté
pour obtenir
L’HABILITATION Á DIRIGER LES RECHERCHES

DE L’INSTITUT POLYTECHNIQUE DE GRENOBLE
Spécialité : Traitement du Signal
par
Cornel IOANA
CARACTERISATION DES SIGNAUX NON-STATIONNAIRES Á COMPOSANTES

TEMPS-FRÉQUENCE NON-LINEAIRES
Soutenance prévue le 28 Novembre 2012 devant le jury composé de :
Mme Marie CHABERT Maitre de conférence INP Toulouse Rapporteur

M. Patrick FLANDRIN Directeur de Recherche CNRS ENS Lyon Rapporteur
M. Cédric RICHARD Professeur Université de Nice Rapporteur
Mme. Nadine MARTIN Directrice de Recherche CNRS GIPSA-lab Examinateur
M. Jérôme MARS Professeur INP Grenoble Examinateur
M. André QUINQUIS Délégué Régional CNRS – Bretagne Examinateur
M. Ljubisa STANKOVIC Professeur Université de Monténégro Examinateur
M. Alexandru SERBANESCU Professeur Académie Technique Militaire Examinateur
Tables des matières
Partie I – Curriculum Vitae détaillé
1. Curriculum Vitae…………………….…….……………………………….1
1.1. Etat civil et situation actuelle…………………………………………………...…1
1.2. Formation………………………………………………………………………….1
1.3. Carrière……………………...…………………………………… ……………….1
2. Activités d’enseignements……………….…………………….....................1
2.1. Profil d’enseignement……………………………………………………………..2
2.2. Publications pédagogiques………………………… ……………………………...3
3. Activités à caractère collectif…………………………………………….....3

3.1. Responsable pédagogique ISEE…………………………………………..….… ...3
3.2. Responsable de stages de fin d’études – filière SICOM……… …………………..4
3.3. Encadrement des stagiaires…….. …………………...…………… … ……………4
3.4. Participations à des conseils et des commissions………………………………… 5 ….
3.5. Organisation d’événements scientifiques………………………………………… 5
4. Activités de recherche………………………………………………….…...6
4.1. Doctorat…………………... ………………………………………………………6
.....
4.2. Co-encadrements de thèses de doctorat……………………….. ………………….7

4.3. Collaborations…………………… ………………………………………………13
4.4. Brevet d’invention et Dépôt de logiciel…… …………………………… ………15
4.5. Révisions d’articles ………………………..…………………………………….16
4.6. Contrats industriels……………………………………… ………………………16
5. Publications………………………………………………...……………. ..16
5.1.Ouvrages……………………………………………………………… ………….17
5.2. Articles de Revue…………………………… …………………………………...17
5.3. Conférences internationales et nationales……………………………………….. 19
5.4. Rapports de contrats de recherche………………………………………………. 23
6. Introduction………………………………………………...……………. .25
6.1. Motivation et positionnement des travaux……………… ……………………….25
6.2. Organisation du mémoire………………………………………………………...29
Partie II – Représentation des signaux à structures temps-fréquence

non-linéaires
7. Opérateurs de déformation généralisés.....……………………………….31
i
7.1.Contexte…………………...…….………………………………………………..31
7.2. Contributions……………………………………… ….…………………………34
7.2.1. Discrétisation des opérateurs de déformation……………………………………….34
7.2.2. Généralisation pour toute forme de loi de phase……………………………………38
7.2.3. Filtrages des composantes temps-fréquence non-linéaires………………………..39
7.3. Bilan……………………………………………………………………………...41
7.4. Perspectives………………………………………………………………..……..41
8. Distributions à temps complexe et méthodes robustes…………….…..43

8.1.Contexte…………………………………………………………………………..43
8.2. Contributions………………………………… …………………………………45
8.2.1. Généralisation du concept de distribution à temps complexe…………..…………45
8.2.2. Contribution à la modélisation polynomiale………………………………………...50
8.2.3. Distributions à temps complexe des signaux multi-composantes et transitoires..54
8.3. Bilan……………………………………………………………………………...58
8.4.Perspectives……………………………………………………………………….59
9. Inférence de la physique dans la représentation des

structures temps-fréquence non-linéaires…………………………………61
9.1. Contexte………………………………..………………………………….……..61
9.2. Contributions ………………………………………………………………….…65
9.3. Bilan……………………………………………………………………………..71
9.4. Perspectives……………………………………... ………………………………71
Partie III – Méthodes de suivi des structures temps-fréquence non-

linéaires
10. Suivi dans le plan temps-fréquence par des critères énergétiques….....75

10.1. Contexte…………………………………………………………………………75
10.2. Contributions……………………………………………………… ……………77
10.2.1. Regroupement de l’information temps-fréquence par Viterbi………….….…………77
10.2.2. Suivi temps-fréquence adaptatif et en contexte de bruit impulsif…………………….81
10.3. Bilan……….……………………………………………………… ……………87
10.4. Perspectives..……………………………………………………… ……………87
11. Suivi dans le plan temps-fréquence par continuité de la phase locale…89

11.1. Contexte…………………………………………………………………………89
11.2. Contributions……………………………………………………… ……………91
11.2.1. Continuité de phase analysée par la projection sur des dictionnaires locaux..……91
11.2.2. Analyse temps-fréquence-phase…………………………………… …………………….97
11.3. Bilan……….……………………………………………………… …………..106
11.4. Perspectives..…………………………………………………..… ……………107
Partie IV – Applications
12. Applications dans le domaine sous-marin…………………………..…109

12.1. Contexte………………………………………………………………………109
12.2. Contributions……………………………………………………… ……….…110
12.2.1. Tomographie océanique passive…………………………………………………....….110
12.2.2. Contributions à la caractérisation des milieux dispersifs……… ………..…………113
.
12.2.3. Tomographie océanique passive dynamique………………………………………….119

12.3. Bilan……….……………………………………………………… …………..122
12.4. Perspectives..…………………………………………………..… ……………123
13. Applications dans les domaines radar et industriels………………….125

13.1. Contexte……………………….………………………………………………125
13.2. Contributions……………………………………………………… ……….…126
13.2.1. Contributions dans le domaine de la guerre électronique……………………....….126
13.2.2. Contributions dans le domaine du radar transhorizon….……… ………..…………133
.
13.2.3. Contributions dans les domaines de la mesure des paramètres

thermo-hydrodynamiques et de la détection des transitoires électriques………………….136
13.3. Bilan……….……………………………………………………… …………..140
13.4. Perspectives..…………………………………………………..… ……………141
Partie V – Bilan et perspectives
14. Bilan et perspectives…………………………..………………………..143
Références…………………………………………………..………………146
iii
Partie I
Curriculum Vitae détaillé

1. Curriculum Vitae détaillé
1 - Curriculum Vitae
1.1 Etat civil et situation actuelle
Nom prénoms : IOANA Cornel Eugen
Date et lieu de Naissance : 08 Novembre 1974 à Slobozia (ROUMANIE)
Nationalité : Française
Situation Familiale : 2 enfants
Etablissement d’affectation : Institut Polytechnique de Grenoble
Ecole Nationale Supérieure d'Ingénieurs en Energie, Eau et Environnement
Laboratoire GIPSA-lab (Grenoble Image Parole Signal Automatique) UMR 5216
Département Images Signal ; Equipe de Recherche : SIGMAPhy
Adresse Professionnelle : ENSE3, 11 rue des Mathématiques, BP 46, 38402, Saint Martin d'Herès.
Téléphone Professionnel- Email : 04 76 82 64 57- cornel.ioana@gipsa-lab.grenoble-inp.fr
1.2 Formation
Septembre 2003 : Doctorat (Électronique-Traitement du Signal), Université de Bretagne Occidentale
Mention : Très honorable
Sujet : Contribution à la caractérisation des structures temps-fréquence non-linéaires
Jury : M. Gilles Burel (Professeur à l’Université de Bretagne Occidentale de Brest – Président du Jury),
M. Léon Claude Calvez (Professeur à l’Université de Bretagne Occidentale de Brest – Examinateur), M.
André Quinquis (Directeur Scientifique de l’ENSIETA, Directeur de thèse - Examinateur), Mme Nadine
Martin (Directrice de Recherche CNRS, LIS, Grenoble - Rapporteur), M. Cédric Richard (Professeur à
l’Université de Troyes - Rapporteur), M. Ljubisa Stankovic (Professeur à l’Université de Monténégro) et
M. Stefan Cantaragiu (DGA Roumaine de Bucarest - Invité).
Septembre 2001 : DEA «Science et Technologie de Télécommunications », Université de Bretagne
Occidentale, Brest. Stage à l’ENSIETA, Brest : « Amélioration des performances des techniques temps-
fréquence paramétriques ».
Juin 1999 : Diplôme Ingénieur en Électronique (1999), Académie Technique Militaire de Bucarest.
1.3 Carrière
• Maitre de conférences à Grenoble INP depuis septembre 2006
− Prime d’Encadrement Doctoral et de la Recherche (PEDR), depuis 2008.
• Ingénieur de Recherche à la DGA/ENSIETA (Ecole Nationale Supérieure d’Ingénieurs d’Etudes
et Techniques d’Armements), Brest, 2003-2006
Activités : Chercheur dans le cadre du projet de recherche STEREO – «Système TEmps Réel
d’Observation Rapide de l’Environnement Océano-acoustique».
• Doctorant à l’Université de Bretagne Occidentale, 2001-2003
Laboratoire d’accueil : "Exploitation et Extraction de l’Information en Environnements Incertains
(EA3876)"
• Chercheur à l'Institut de Recherche de l'Armée, Bucarest Roumanie, 1999-2001
2 - Activités d’enseignements
J’ai participé à des activités d’enseignement à l’ENSIETA où j’ai travaillé (septembre 2003 – août
2006), en tant qu’ingénieur de recherche puis, à l’INP de Grenoble en tant que maître de conférences
(depuis septembre 2006). Ma charge moyenne, depuis 2006, est de 242 heures équivalent TD par an.
1
2.1 Profil d’enseignement : signaux physiques, non-stationnarité

J’ai été recruté sur un poste d’enseignement avec une forte orientation vers les signaux physiques
issus des milieux naturels et de systèmes d’énergie. Dans ce contexte, la non-stationnarité est le mot clef
commun de mes enseignements. Ainsi, le premier cours que j’ai mis en place était le module « Analyse
temps-échelle », faisant partie du cours «Temps-Fréquence/Temps-échelle», dispensé en troisième année
ainsi qu’en Master SIPT (voir le paragraphe 2.1.2 pour plus de détails). Un autre cours dispensé, dès mon
arrivée à l’INP de Grenoble, est la « Compression audio-vidéo » (voir le paragraphe 2.1.2 pour plus de
détails). Je suis également impliqué dans l’enseignement des Bases du traitement de signal à travers des
travaux pratiques, des bureaux d’études et d’un cours en première année ENSE3 que je dispense (voir le
paragraphe 2.1.1 pour plus de détails). Enfin, j’ai participé à d’autres types de formations comme de la
formation continue, l’enseignement en Anglais et dans le cadre des programmes.
Cours de base de Traitement du Signal
Une de mes premières responsabilités en enseignement a été la gestion des travaux pratiques de
traitement du signal destinés à illustrer les principes fondamentaux comme l’acquisition des signaux, la
soustraction du bruit, le filtrage adapté, l’analyse spectrale, la corrélation. Ce module s’adresse aux élèves
de la filière Automatique et Systèmes d’Information (ASI) ainsi que SICOM (Signal Image
Communications Multimédia) des Ecoles de l’INP de Grenoble - ENSE3 et, respectivement, PHELMA-
ENSE3. Mes contributions ont porté sur le passage d’un certain nombre de TP sous Matlab ainsi que la
dotation de la salle des TPs avec des nouveaux équipements (voir le paragraphe 3.1).
Une autre activité liée à l’enseignement de traitement du signal de base a trait au cours « Traitement
de l’information pour Energie, Eau et Environnements », faisant partie de l’ensemble des modules électifs
adressés aux élèves de première année de l’ENSE3. L’objectif pédagogique de ce cours est d’illustrer les
principes fondamentaux de traitement de l’information, la corrélation, la convolution, le filtrage, la
transformée de Fourier dans le domaine de l’énergie et de l’environnement. Pour y parvenir, j’ai réalisé un
support de cours avec des illustrations diverses dans des applications comme la mesure de débit dans des
conduites, la détection des transitoires électriques, etc, assez ludiques, expliquant comment le traitement
du signal intervient dans un système d’énergie et d’environnement. Ensuite, des TP sont proposés, le sujet
étant la surveillance d’une éolienne et l’estimation des paramètres hydrauliques par des méthodes
ultrasonores. Etant très attaché au principe de l’enseignement par la recherche, j’ai organisé une partie de
ces TPs sous la forme de mini-projets sur des équipements utilisés dans la recherche.
Enfin, j’ai également participé à des TDs et BEs de Traitement numérique du signal, mon objectif
étant toujours d’aider les élèves à comprendre la place et les aspects liés au traitement du signal dans des
contextes applicatifs.
Enseignements plus spécialisés
Dans le cadre de la filière SICOM et du Master de l’INP de Grenoble SIPT – Signal Image Parole
Télécommunications, j’ai été responsable, dans la période 2008-2011, du cours « Compression Image-
Vidéo » qui traite les principes fondamentaux de la compression des signaux et des images : codages sans
pertes, quantification, les transformations, codage vidéo, etc. Ma contribution a porté sur la réalisation du
support de cours Power Point mais également sur l’orientation du cours vers les standards de codage
actuels ou de perspective. J’ai également participé à la mise en place des séances de BE liées à ce cours.
Depuis 2008, ce cours est également dispensé en 2ième année de filière Télécom de l’ENSIMAG (Ecole
Nationale Supérieure d’Informatique et de Mathématiques Appliquées de Grenoble). En 2007, ce cours a
fait également l’objet d’un module de formation continue au profit du CEA Grenoble (2007) et de Hewlett
Packard Grenoble (2008).
Un autre module d’enseignement dont je suis en charge est constitué par l’Analyse Temps-Echelle
faisant partie du cours « Temps-Fréquence/Temps-Echelle » dispensé aux élèves 3A de la filière SICOM.
Ce module a également fait l’objet d’une formation continue au profit du GESMA (Groupe d’Etudes
Sous-Marines de l’Atlantique), Brest en 2006. De plus, ce module est également enseigné, depuis 2007,
dans le cadre de l’Ecole de Printemps de Traitement de Signal & Images, organisée par la Faculté
d’Electronique de l’Université « Politehnica » de Bucarest. Toujours à l’international, j’ai eu l’occasion de
dispenser ce cours devant les étudiants de 4ième année de la Faculté du Génie Electrique de l’Université de
2
Monténégro (depuis 2006). Ma contribution, concernant le cours d’analyse temps-échelle, a porté sur la
réalisation d’un support de cours adressé aux ingénieurs, le souci étant d’illustrer les aspects
mathématiques liés à l’analyse par ondelettes, discrétisation, analyse multi-résolution, etc par des
exemples issus de l’analyse du signal & image.
En 2007 et 2008, j’ai participé au « Summer Program » de l’INP de Grenoble, qui s’adresse aux
étudiants étrangers anglophones et qui est organisé pendant les mois de juin-juillet de chaque année. J’ai
été co-responsable du cours Digital Signal and Image Processing et le module Signal Processing (16 h de
cours et 8 h TP) qui s’articule autour d‘illustration des concepts principaux du traitement du signal
(échantillonnage, filtrage, estimation,…) par des applications simples et suggestives.
2.2 Publications Pédagogiques
Je suis co-auteur de deux polycopiés de TP de Traitement du signal adressés au première et au

deuxième année d’études à ENSE3. J’ai réalisé également deux supports de cours pour les modules de
Compression et, respectivement, d’Analyse Temps-Echelle.
J’ai également participé à la réalisation de deux ouvrages à caractère pédagogique, en collaboration
avec mes collègues de l’ENSIETA, Brest :
- Chapitre « Méthodes temps-fréquence paramétriques » dans le livre «Le traitement du signal sous
Matlab », Hermes Science Publishing, sous la Direction d'André Quinquis, ISBN 978-2-7462-1645-7,
Paris 2007 (version Anglaise : ISIE Wiley, ISBN 978-1-84821-011-0)
- A. Quinquis, E. Radoi, C. Ioana, F. Totir, « Outil didactique pour l'apprentissage du traitement du
signal et de l'image », Journal sur l'Enseignement des Sciences et Technologies de l'Information et des
Systèmes, Mars 2004.
3 - Activités à caractère collectif

3.1 Responsable pédagogique ISEE
Depuis 2006 je suis le responsable pédagogique de la plate-forme d’enseignement-recherche ISEE
(Image et Signal pour Energie et Environnement) de « PREDIS » (http://www.tenerrdis.fr/rep-
plateformes_competences/rub-predis.html), faisant partie du Pôle de compétitivité Rhône-Alpes
TENERRDIS (Technologies Énergies Nouvelles Énergies Renouvelables Rhône-Alpes, Drôme, Isère,
Savoie ; www.tenerrdis.fr), destiné au domaine de l’énergie. Cette plate-forme, située dans les locaux
d’ENSE3, est composée de 14 postes de travail destinés aux TP/BE de traitement du signal/image de base
(acquisition des signaux, filtrage adapté, soustraction du bruit, analyse spectrale, etc), ainsi que de trois
postes de recherche organisés sous la forme de trois démonstrateurs : équipement ultra-son à large bande,
architecture parallèle pour l’implémentation des algorithmes de traitement du signal/image et traitement
multi-capteurs des signaux acoustiques. En tant que responsable de cette plate-forme, je suis en charge de
construire le budget annuel, divisé en deux parties – fonctionnement et investissement. Les besoins sont
établis en collaboration avec mes collègues et je m’en charge ensuite de proposer ce budget à la direction
de l’Ecole et de Prédis. Je procède ensuite à la mise en place des commandes afin d’assurer la dotation en
temps utile et selon les besoins.
Ainsi, dans la période 2006-2010 et dans le cadre du PREDIS, nous avons réussi doter la plate-
forme ISEE avec des nouveaux PC et les licences software associées (Matlab) ainsi que des quatorze kits
DSP Analog Devices. De plus, deux chaines d’équipements ultra-sons ont été mises en place, grâce
également au partenariat avec EDF R&D.
Une autre activité en cours, en vue du déménagement de l’ENSE3 sur le site de Ouest (dans le cadre
du projet GreEn-ER), est de définir une nouvelle architecture de la salle, compte tenues des interfaces
entre le traitement du signal & images et les autres plate-formes de Prédis (plate-formes Automatique,
Distribution, Mécanique de Fluides,… ). Des nouvelles manipulations, communes avec d’autres
disciplines, sont en cours de définition et/ou de réalisations.
3
3.2 Responsable de stages de fin d’études - filière SICOM

Depuis 2008, je suis responsable des stages de fin d’études pour la filière commune PHELMA-
ENSE3 - SICOM (Signal Image Communications Multimédia). Mon premier rôle est de valider les
propositions de stages envoyées par nos partenaires industriels (EDF, ST Microelectronics, Schneider,
Thalès, CEA, etc) ou universitaires. Ensuite, je suis à la disposition des élèves SICOM afin de les guider
dans leurs choix de stage (en fonction de leurs compétences, leurs projets professionnels, motivations, ..)
et/ou de tuteurs de stage ainsi que dans les démarches à suivre. Je participe également à l’organisation des
soutenances. Dans le cadre des Journées Entreprises organisées par ENSE3 et PHELMA, je suis très
réceptif aux messages envoyés par nos invités afin de mieux cerner les problématiques courantes au
niveau d’entreprise, cela étant très utile pour un meilleur guidage de nos élèves. Enfin, je me tiens prêt à
intervenir en cas des difficultés lors d’un stage, mettant tout en œuvre afin de trouver une solution
convenable pour l’élève en question.
3.3 Encadrement de stagiaires

Depuis 2005, j’ai proposé, encadré ou co-encadré/assuré le tutorat des stages de DEA/Master, de
2ième et 3ième années :
1. Ioan Badea (Académie Technique Militaire de Bucarest), « Analyse des signaux acoustiques sous-
marins par des méthodes type Auditory Modeling», Stage PFE à l’ENSIETA, Février 2005-Juin 2005.
2. Irena Orovic (Université de Monténégro), « Utilization of time-frequency representations for speech
watermarking », Stage PFE à l’ENSIETA, Mai 2005-Juillet 2005.
3. Jonathan Marchal, « Classification of non-stationary signals using adaptive time-frequency
representations », PFE, ENSIETA-Ryerson University (Canada), Mars 2005-Août 2005.
4. Vesna Popovic (Université de Monténégro), « Radar imaging using local harmonic Fourier
transform », Stage PFE à l’ENSIETA, Avril 2006-Juillet 2006.
5. Marius Salagean (Université de Timisoara), « Classification des modulations numériques à l'aide de
méthodes temps-fréquence », Stage à l’ENSIETA, Mars-Juin 2006.
6. Guillaume Brosse, « Etude des effets de propagation sur la phase instantanée des signaux à spectre
étalé », Université de Bretagne Occidentale M2R STS, Grenoble, Avril-Août 2007.
7. Bertrand Gottin, « Time-Frequency Analysis of time-varying channel », M2R INPG SIPT, Février-
Juillet 2007.
8. Nicolas Josso, « Classification of underwater mamal vocalisations », M2R INPG SIPT, Février-Juillet
2007.
9. Bastien Lyonnet, « Human gait classification using radar signatures », M2R INPG SIPT, Février-
Juillet 2008.
10. Laura Toderitza, « Identification des modulations de phase en utilisant les distributions à temps
complexe », Stage PFE, Février-Juillet 2008.
11. Florin Marian Birleanu, « Caractérisation des signaux acoustiques ultrasonores par l’analyse de
récurrences », M2R Université de Pitesti, Février-Juin 2009.
12. Thomas Ducroux, « Analyse des paramètres thermodynamiques des fluides par des techniques
ultrasonores », Stages 2A, ENSE3, Juin-Aout, 2009.
13. Anas Hamadoui, « Implémentation parallèle, sur des éléments PS3, d’un algorithme de propagation
d’une onde acoustique dans un milieu marin et en présence du mouvement », Stage de Fin d’Etude
SICOM, Mars-Aout 2009.
14. Ion Candel, « Système ultra-son ultra-large bande », Projet de Fin d’Etudes Université de Pitesti,
GIPSA-lab, Février-Juin 2009.
15. Angela Digulescu (Académie Technique Militaire de Bucarest), « Analyse des paramètres
hydrodynamiques par l’analyse des méthodes temps-fréquence », Stage de Fin d’Etudes au GIPSA-
lab, Mars-Juin 2010.
16. Theodor Petrut (Académie Technique Militaire de Bucarest), « Simulation de l’interaction entre une
onde acoustique et un fluide turbulent », Stage de Fin d’Etudes au GIPSA-lab, Mars-Juin 2010.
17. Adrian Had (Académie Technique Militaire de Bucarest)a, « Architecture logicielle pour la
modélisation de la propagation d’une onde ultrasonore dans un milieu turbulent », Stage de Fin
d’Etudes au GIPSA-lab, Mars-Juin 2010.
4
18. Xavier Pons, « Classification of radar targets using multi-static approaches », M2R Grenoble INP
SIPT, Février-Juillet 2010.
19. Dragos Mocanu, « Monitoring des conduites forcées par l’analyse des signaux acoustiques », M2R
Grenoble INP SIPT, Février-Juillet 2010.
20. Ion Candel, « Système pour la détection et la localisation des sources de décharges partielles dans des
câbles HTA », M2R Grenoble INP, Février-Juillet 2010.
21. Xavier Rivenq, « Ultra-sound analysis using MIMO wide-band techniques », Projet de Fin d’Etudes
ENSE3, Février-Juillet 2010.
22. Hiba Bawab, « Méthodologie d'analyse des récurrences à plusieurs niveaux de résolution pour des
signaux transitoires réels », M2R Université Libanaise, stage au GIPSA-lab, Mars-Juillet 2011.
Dans la période juin-décembre 2008, j’ai été en charge du stage d’un scientifique de haut niveau,
provenant de l’Université de Monténégro (Professeur Igor Djurovic). Le travail effectué, financé par une
bourse CNRS, a porté sur la mise en place des techniques d’estimation de la loi de fréquence instantanée
par des techniques robustes. Les travaux effectués ont fait l’objet de quatre publications et d’un article
conférence (EUSIPCO 2010).
Depuis octobre 2010 je suis le Directeur de travaux universitaires (DTU) dans le cadre des études
DRT (Diplôme de Recherche Technologique) de Jawad Dahmani, effectuées au sein du CEA/LETI
Grenoble. Le sujet de ce DRT, défini pour une période de 18 mois, porte sur la détection de défauts de
connectique par mesures d’ultra-sons des éléments d’un pack batterie d’une voiture électrique (technique
déjà testée avec succès pour le diagnostic des panneaux photovoltaïques).
3.4 Participation à des conseils et des commissions

Dans la période 2007-2008, j’ai été membre élu du Conseil d’Administration de l’ENSIEG (Ecole
Nationale Supérieure d’Ingénieur Electriciens de Grenoble), avant la fusion qui a conduit à la création de
l’ENSE3. Depuis 2008, je suis également le Correspondant de Relations Internationales de l’INP de
Grenoble pour la Roumanie et le Monténégro. Dans cette qualité, je suis membre, depuis mai 2010, de la
commission franco-monténégrine ayant pour mission l’octroi de bourses des études supérieures via
l’Ambassade de France au Monténégro.
Une autre activité que je mène depuis 2008 est l’aide à la création de la start-up CYBERio, dans le
cadre d’une convention d’incubation GRAN –INP Grenoble. L’activité visée par cette start-up porte sur
l’industrialisation des algorithmes de traitement des signaux non-stationnaires proposés au sein de l’équipe
SIGMAPHY. Les applications envisagées sont l’acoustique sous-marine, la surveillance des systèmes
d’énergie et environnementaux. Le point fort du positionnement de cette start-up repose sur le caractère
novateur des techniques de traitement du signal ainsi que sur les solutions innovantes d’implémentation
articulé autour du calcul distribué via des standards puissants comme le CAN Open. Durant la période de
l’incubation, notre projet d’entreprise a été lauréat du concours national OSEO 2009. Les bons résultats de
collaboration laboratoire-start-up ont eu une contribution importante à la création de la société, en janvier
2010. La prochaine étape consiste à renforcer le partenariat, dans le cadre de projets R&D communs ainsi
que le cadre d’un concours scientifique apporté à la jeune société (autorisation obtenue en octobre 2011).
3.5 Organisation d’événements scientifiques

Depuis 2007, je me suis impliqué dans l’animation d’un groupe de travail organisé autour des
nouvelles méthodes pour l’analyse des phénomènes physiques transitoires, avec des applications en
acoustique, radar,…Ce groupe de travail était composé, au début, des chercheurs de GIPSA-lab, de
l’Université de Monténégro et de l’Académie Technique Militaire de Bucarest. Ainsi, en 2007, nous avons
organisé, grâce au financement du Ministère des Affaires Etrangères dans le cadre d’un programme « Eco-
net », pour lequel j’ai été co-responsable, deux réunions de travail, à Bucarest (mai 2007) et au
Monténégro (octobre 2007). Ensuite, en 2008, j’ai proposé et organisé une session spéciale (workshop),
« Advanced works on transient signal characterization » à l’occasion de la conférence internationale
IEEE Conference COMMUNICATIONS 2008, 7th Edition, Bucarest. Le programme de cette session a été
articulé sur huit présentations scientifiques couvrant des travaux théoriques mais aussi des applications
diverses. Parmi les participants invités, je mentionne Professeur Moeness Amin, Directeur du Center of
5
Advanced Communications (Villanova University, Etats Unis), Professeur James W. Pitton, US Office of
Naval Research, P.O Amblard (GIPSA-lab), Professeur Srdjan Stankovic (Université de Monténégro),
Professeur Alexandru Serbanescu (Académie Technique Militaire), André Quinquis (DGA), etc. Le
financement de cet événement a été assuré par le programme Eco-Net ainsi que par un financement du
bureau Européen d’ Office of Naval Research.
A l’occasion de cet événement, je suis devenu membre du comité scientifique de la revue ''Scientific
Journal of Military Technical Academy'', Roumanie ainsi que du comité scientifique de la conférence
IEEE Communications. Ainsi, à l’édition suivante de cette conférence (en juin 2010), j’ai organisé la
deuxième édition de la session spéciale « Advanced works on transient signal characterization ». Le
programme de cette édition s’est axé sur des présentations industrielles, fournies par Guy D’Urso (EDF
R&D) et Frédéric Barbaresco (Thalès Airborne Systems), suivies de quelques présentations concernant
des avancées dans le domaine de l’analyse des transitoires.
En 2010, j’ai proposé et organisé une session spéciale à ICASSP 2010 (International Conference on
Acoustic, Speech and Signal Processing), Dallas, Etats Unis, intitulée «Non-stationnary signal analysis in
underwater communications». En tant que chairman de cette session, j’ai organisé le processus de
reviewing des papiers soumis, qui couvraient des sujets d’actualité dans le domaine de la communication
en milieu sous-marin : la mise en place d’un réseau de capteurs passifs en milieu sous-marin, la réalisation
des communications sous-marines en configuration mobile, traitement des grands volumes de données
sous-marines, etc.
Une autre activité que j’ai organisée a été la session spéciale «Non-stationary signal analysis in
energy and environnement applications» à l’occasion de la conférence ASILOMAR 2010, Pacific Grove,
Etats Unis. Cette session a regroupé quatre papiers, abordant des sujets comme la surveillance des glaciers
par des techniques radar, l’utilisation de la dispersion temps-fréquence pour la caractérisation des
structures métalliques, monitoring des paramètres hydrodynamiques, etc.
4 - Activités de recherche
J’ai commencé mes activités de recherche au sein du Département des Systèmes Electroniques de
Défense de l’Institut de Recherche et de Développement de l’Armée de Bucarest, Roumanie. Le contact
quotidien avec les systèmes militaires réels m’a permis d’approfondir les notions et d’acquérir de
nouvelles compétences scientifiques. Durant mon activité dans cet Institut (1999-2000), j’ai occupé la
fonction de chef d’un projet destiné à améliorer les performances d’un système d’évaluation des
trajectoires balistiques doté d’un système radar, de quatre caméras vidéo à haute précision et de différents
équipements périphériques (production "Oerlikon-Contraves" - Suisse).
J’ai continué mon activité de recherche dans le cadre d’un DEA suivi d’une thèse de doctorat,
effectués à l’Université de Bretagne Occidentale, Brest (dans la période 2000-2003). Le laboratoire
d’accueil a été "Extraction et Exploitation de l'Information en Environnements Incertains (E3I2) EA3876"
de l’ENSIETA (l’Ecole Nationale Supérieure des Ingénieurs des Etudes et Techniques d’Armement ;
actuellement, ENSTA-Bretagne) dirigé par André Quinquis et, puis, par Ali Khenchaf.
I. A la fin de ma thèse, en septembre 2003, j’ai été recruté en tant qu’ingénieur de recherche contractuel à
l’ENSIETA. Dans le cadre de mon activité à l’ENSIETA, de 2003 à 2006, j’ai participé à trois études du
projet de recherche STEREO – «Système Temps Réel d’Observation Rapide de l’Environnement Oceano-
acoustique » (Montant total : 850 k€ ; Centre Militaire d’Océanographie, Brest). J’ai également co-encadré
deux thèses de doctorat.
A partir de septembre 2006 je suis maitre de conférences à Grenoble INP/ENSE3/GIPSA-lab.
4.1 Doctorat
De septembre 2001 à septembre 2003, j’ai préparé une thèse de doctorat sous la direction d’André
Quinquis, dans le cadre d’une bourse SREA (Service de Recherche et Etudes Amontes) de la DGA. Le
titre de ma thèse était “Contribution à la caractérisation des structures temps-fréquence non-linéaires”. J’ai
soutenu cette thèse le 19 septembre 2003 devant le jury composé de :
Rapporteurs
Nadine MARTIN, Directrice de Recherche CNRS, LIS, Grenoble
M. Cédric RICHARD, Professeur à l’Université de Troyes
6
Examinateurs
M. Gilles BUREL, Professeur à l’Université de Bretagne Occidentale – Président du Jury
M. Léon Claude CALVEZ, Professeur à l’Université de Bretagne Occidentale de Brest
M. André QUINQUIS, Directeur Scientifique à l’ENSIETA, Directeur de thèse
M. Ljubisa STANKOVIC, Professeur à l’Université de Monténégro
M. Stefan CANTARAGIU, DGA Roumaine de Bucarest - Invité.
J’ai obtenu le titre de docteur de l’Université de Bretagne Occidentale avec la mention Très
honorable.
4.2 Co-encadrements de thèses de doctorat

J’ai participé à l’encadrement de deux thèses pour l’Université de Bretagne Occidentale de Brest et
de deux thèses pour l’Institut Polytechnique de Grenoble. Ces quatre thèses ont été soutenues et une
cinquième thèse, toujours pour l’Institut Polytechnique de Grenoble, est en cours de finalisation. En
février 2011, une sixième thèse de doctorat a démarré, dans le cadre d’un financement CIFRE, en
collaboration avec EDF Direction Technique Générale de Grenoble. Pour cette thèse, j’ai été autorisé à
être le Directeur de thèse. Enfin, je participe également à l’encadrement d’une septième thèse, celle de
Florian DADOUCHI qui a commencé en octobre 2011. Dans ce qui suit, à côté du nom de l’étudiant,
figure entre parenthèses le pourcentage estimé de mon taux d’encadrement.
1. Cédric CORNU (Taux d’encadrement - 70%)
Titre de la thèse : Extraction de signaux et caractérisation de lois de phase instantanée : Application

aux modulations non linéaires
Etablissement : Université de Bretagne Occidentale, Brest ; thèse effectuée à E3I2, ENSIETA, Brest
Durée : octobre 2003 à octobre 2006 (soutenue le 27/10/2006)
Directeur de thèse : André Quinquis
Financement : DGA
Jury : Rapporteurs :
Mme Nadine MARTIN, Directeur de Recherche CNRS, INP Grenoble - LIS
M. Sdrjan STANKOVIC, Professeur à l'université du Monténégro
Membres :
M. Gilles BUREL, Professeur des Universités, UBO Brest - LEST
M. Stéphane AZOU, Maître de Conférences, UBO Brest - LEST
M. Cornel IOANA, Maître de Conférences, INPG Grenoble - LIS
M. André QUINQUIS, Chercheur ENSIETA/E3I2, Brest
M. Patrick LALANDE, Ingénieur, CELAR Bruz, invité
Mention : Très Honorable
Position actuelle de Cédric Cornu : Ingénieur de recherche à Thalès Systèmes Aéroportés,
Brest (depuis décembre 2006)
Résumé et points forts de la thèse :

Le travail de cette thèse a été effectué dans un contexte d’amélioration des systèmes d’aide à la
décision. A cette fin, nous avons envisagé de traiter deux problématiques essentielles du traitement du
signal qui sont la détection/extraction de signaux et leur caractérisation. Nous nous sommes plus
particulièrement focalisés sur la classe des signaux à modulation de fréquence.
Dans une première partie, nous avons traité le problème de la détection passive de signaux dans un
cadre multi-composantes et de leur extraction. Le point de départ a été l’association de bandes et la mesure
de l’intérêt porté à chacune des sorties de filtres, fondées sur l’utilisation des statistiques aux ordres 2 et 4.
Par cette méthode, les signaux sont naturellement extrait par filtrage passe bande puis troncature
temporelle. Cette façon de procéder possède certaines limitations dont des effets de masquage [A5],
[C23].
Nous avons alors proposé, en collaboration avec des chercheurs de l’Université de Monténégro
[C23], un algorithme d’association mieux adapté aux structures temps-fréquence complexes. Pour ce faire,
nous détectons les points énergétiques dans la représentation en comparant l’énergie de chaque point à un
7
seuil dépendant du niveau de bruit. Les points fournis par cette étape de pré-détection sont ensuite associés
par un algorithme de type Viterbi pour reformer des structures dans le plan temps-fréquence. Cette
association est liée à des fonctions de coût dépendant de critère comme la distance entre deux points d’une
transition ou la continuité d’énergie entre les points de cette transition. L’algorithme de type Viterbi
permet l’extraction des composantes du signal complexe analysé, en vue de la prochaine étape, la
Caractérisation.
Concernant ce point, nous nous sommes orientés au début vers des méthodes de modélisation
polynomiale et nous avons montré leur intérêt dans le contexte de certains types de signaux LPI (Low
Probability of Intercept) [C16], [C18]. Après la mise en évidence des limitations de la modélisation
polynomiale, nous nous sommes dirigés vers les distributions à temps complexe qui consistent à
considérer des moments calculés à des instants complexes. Nous avons ensuite généralisé ce concept, en
collaboration avec nos collègues de l’Université de Monténégro [A8], [C32], [CI1]. Ainsi, nous avons
proposé la Distribution à temps complexe généralisée (DGTC) [A8] qui possède des excellentes propriétés
de concentration dans le plan temps-fréquence. La recherche d’une représentation correctement concentrée
sur un paramètre donné passe donc par la réduction du nombre de termes de ce facteur. C’est en observant
ce phénomène que nous avons proposé une méthode alternative, plus robuste au bruit, pour l’estimation
des dérivées de la phase. En effet, connaissant la structure de ce terme Q pour chaque distribution
classique, nous l’avons lié au différentes intraférences que l’on rencontre dans ces distributions.
Dans la dernière partie de la thèse, nous nous sommes placés dans le cas pratique d’une situation de
Guerre Electronique. L’addition des outils introduits dans cette thèse nous a permis de proposer une
structure de traitement allant de la détection à la caractérisation. Les résultats obtenus sur des signaux
proches de ceux d’un contexte réel ont montré l’intérêt de la chaine de traitement en deux étapes :
détection par le regroupement temps-fréquence de type Viterbi et la caractérisation par analyse complexe
de la loi de fréquence instantanée. Ces résultats ont été jugés très intéressants par des opérationnels
comme le CELAR et Thalès et des collaborations ont été ensuite entamées. Ce travail de thèse a conduit
également à deux publications revues et cinq articles conférences.
2. Arnaud JARROT (Taux d’encadrement - 80 %)
Titre de la thèse : Filtrage temps-fréquence des signaux à modulation de phase instantanée non-
linéaire
Etablissement : Université de Bretagne Occidentale, Brest ; thèse effectuée à E3I2, ENSIETA, Brest
Durée : octobre 2004 à octobre 2007 (soutenue le 19/10/2007)
Directeur de thèse : André Quinquis
Financement : ENSIETA, Projet STEREO
M. Jérôme MARS, INP Grenoble, France
M. Ljubisa STANKOVIĆ, Professeur Université de Monténégro, Monténégro
Membres :
M. Giles BUREL, Professeur, Université de Bretagne Occidentale, Brest
M. Franz HLAWATSCH, Professeur INTHFT, Autriche
M. Cornel IOANA, Maître de conférences, INPG Grenoble
M. Emanuel RADOI, Maître de conférences, Université de Bretagne Occidentale, Brest
Mention : Très Honorable
Position actuelle d’Arnaud Jarrot : Ingénieur R&D à Schlumberger, Paris (depuis décembre 2007)

La non-stationnarité des observations dans les applications réelles (e.g. radar, acoustique sous-
marine, multimédia) nécessite l’établissement de méthodes permettant d’identifier et d’extraire les
structures pertinentes pour un traitement précis de l’information. Dans un tel contexte, le modèle le plus
général est la classe des signaux multi-composantes, non-homogènes (i.e. possédant des lois de fréquence
instantanée différentes) et non-linéaires (i.e. possédant des lois de phase instantanée polynomiales de
degrés supérieurs à deux). Les travaux de cette thèse sont articulés autour des problématiques de filtrage
non-stationnaire pour l’extraction de composantes temps-fréquence dans le cas de tels signaux. Pour
réaliser efficacement l’extraction des composantes d’intérêt, l’architecture de traitement est fondée sur la
définition d’une classe de filtre non-stationnaire basée sur une généralisation des opérateurs de
8
déformation temporelle [C28]. L’implémentation de cette classe d’opérateurs a fait l’objet d’un travail
conséquent qui a permis la mise en place des structures algorithmiques robustes, basées sur des
interpolateurs de type spline [A9]. Concernant cette classe d’opérateurs, la contribution importante repose
sur une définition des techniques warping qui ne nécessitent pas des lois de déformation inversibles,
comme tel était le cas dans l’état de l’art. Cette propriété confère le dégrée de généralité à ces opérateurs,
conduisant ainsi à des applications très diverses, abordées dans le cadre de cette thèse : débruitage et
caractérisation des signaux sous-marins [C25], [C26], [C36], [CI2], analyse des signaux à contenu temps-
fréquence non-linéaire [C30], [C33], watermarking [C35],…
La classe d’opérateurs de filtrage proposée nécessite très peu d’a priori sur la forme d’onde à
extraire et permet de réaliser le traitement directement dans l’espace monodimensionnel du signal (il est
ainsi intéressant pour le traitement de grands volumes de données). L’adaptation des paramètres des filtres
en fonction de l’application est réalisée au moyen d’une étape de calibration qui consiste à pré-détecter les
structures temps-fréquence du signal. A cette fin, l’approche de base est fondée sur l’estimation de
maximum de vraisemblance adaptée au suivi des composantes et à partir de critères fondés sur la
continuité de la phase instantanée [A23]. Cette approche constitue la base du traitement temps-fréquence-
phase qui a continué à être développée par la suite [CI1], [CI2].
La thèse d’Arnaud Jarrot a été effectuée en partenariat avec le SHOM/CMO (Service Hydro-
Océanique de la Marine/Centre Militaire de l’Océanographie) de Brest dans le cadre du programme
d’étude amont STEREO (Système Temps Réel d’Observation Rapide de l’Environnement Océano-
acoustique). La thèse d’Arnaud Jarrot a conduit à la publication de trois articles revue, neuf conférences et
de trois rapports de recherche dans le cadre du projet STEREO.
3. Bertrand Gottin (Taux d’encadrement - 80%)
Titre de la thèse : Analyse multi-capteurs de signaux transitoires issus de systèmes électriques

Etablissement : Institut Polytechnique de Grenoble ; thèse effectuée au GIPSA-
lab/DIS/SIGMAPHy
Durée : octobre 2007 à aout 2010 (soutenue le 03/09/2010)
Directeur de thèse : Jocelyn Chanussot
Financement : Ministère de l’Enseignement Supérieur et de la Recherche (MESR)
Mme. Marie CHABERT, Maitre de conférences à INP Toulouse
M. Srdjan STANKOVIC, Professeur Université de Monténégro, Monténégro
Membres :
M. Alexandru SERBANESCU, Professeur Académie Technique Militaire de Bucarest, Président
du jury
M. Jocelyn CHANUSSOT, Professeur INP Grenoble
M. Cornel IOANA , Maitre de conférences INP Grenoble
M. Philippe RAVIER, Maitre de conférences Université d’Orléans
M. Guy D'URSO, Ingénieur EDF R&D
M. Thierry ESPILIT, Ingénieur EDF LME, Invité
Position actuelle de Bertrand GOTTIN : Ingénieur R&D à EDF Rennes (depuis 01/08/2010)

Cette thèse a pour objectif principal d'étudier et de proposer des techniques adéquates aux
problématiques de détection et de localisation des sources de signaux transitoires. Au début de ces
travaux, nous nous sommes orientés vers l’analyse des transitoires en prenant en compte leurs dispersivité
dans le milieu de propagation, phénomène courant et pas très bien maitrisé. Cette partie de travail s’est
concrétisée par une collaboration étroite avec le centre de recherche SenSIP d’Arizona State University
(Etats Unis) et s’est matérialisée par un papier journal [A14] et deux papiers conférence [C37] et [C38].
Par la suite, en partenariat avec EDF R&D (Chatou) et le LME (Laboratoire des Matériaux
Electriques), Moret sur Loing, nous nous sommes proposés de se concentrer sur la caractérisation des
transitoires dans le contexte des réseaux de transport d’énergie. Ainsi, les méthodes proposées tiennent
compte de l'ensemble des problématiques liées à la propagation des signaux dans les câbles, les aspects
physiques étant pris en compte lors de la mise en place de ces méthodes. Nous proposons, pour la
détection, d'introduire un critère spécifique de détection de l'ensemble des transitoires du signal reçu. Ce
9
point est très important car un enregistrement peut contenir le transitoire propagé par le trajet direct mais
également des réflexions ainsi que d'autres types de transitoires. Pour l'étape d'analyse et de localisation, il
est donc très important de pouvoir détecter tous les transitoires, indépendamment de leur énergie. Nous
étudions, dans un premier temps, les méthodes les plus connues - la détection à partir du spectrogramme,
des ondelettes et des statistiques d'ordre supérieur. Nous prouvons la robustesse de ces méthodes dans le
contexte des transitoires électriques mais également leur difficulté à détecter les transitoires de faible
amplitude. Nous proposons ainsi l'utilisation du concept de distribution à temps complexe qui effectue la
détection des transitoires via la dérivation de la phase du signal. Nous montrons que cette technique
fournit de bonnes performances de détection de l'ensemble des transitoires, grâce à l'étude de la phase
instantanée qui constitue un très bon élément pertinent en raison de son invariance par rapport à
l'amplitude [A18], [C44], [C48], [C55].
La phase de localisation repose sur la prise en compte de deux difficultés majeures. La première
étant la complexité de propagation d'une impulsion dans un câble et la modélisation physique de cette
propagation ; la seconde étant la nécessité contraignante d'acquisition synchrone pour un diagnostique on-
line multi-capteur. Notre contribution consiste à proposer une technique de localisation qui quantifie la
déformation relative subie par les transitoires propagés, en fonction de leur durée de propagation. L'intérêt
de cette technique peu coûteuse est prouvé par des tests en configuration simulée ainsi que réelle.
Le travail de thèse de Bertrand Gottin a conduit à la publication de deux articles journal, six papiers
conférence ainsi que de trois rapports de recherche, grâce au partenariat avec EDF R&D.
4. Nicolas Josso (Taux d’encadrement - 40%)
Titre de la thèse : Caractérisation des milieux sous-marins en utilisant des sources mobiles
d’opportunité
Etablissement : Institut Polytechnique de Grenoble ; thèse effectuée au GIPSA-
lab/DIS/SIGMAPHy
Durée : octobre 2007 à aout 2010 (soutenue le 28/09/2010)
Directeur de thèse : Jérôme Mars ; Co-encadrants : Cédric Gervaise et Cornel Ioana.
M. Jean-Pierre HERMAND, Professeur Université Libre de Bruxelles
M. André QUINQUIS, DGA
Membres
Mme Elisabeth Gibert-Brunnet, Directrice de recherche CNRS, Responsable Domaine
Environnement Géosciences DGA/DS/MRIS, Présidente du jury
Monsieur Jérôme MARS, Professeur INP Grenoble
Monsieur Cornel IOANA, Maitre de conférences INP Grenoble
Monsieur Cédric GERVAISE, Enseignant-Chercheur ENSIETA Brest
Monsieur Dominique FATTACCIOLI, Ingénieur DGA/CSN Toulon
Monsieur Jean-Louis LACOUME, Professeur Emérite INP Grenoble
Position actuelle de Nicolas Josso : Ingénieur Thalès Systèmes Navals Nice (depuis 16/08/2010)

Cette thèse a été effectuée en partenariat avec l’ENSIETA (Cédric Gervaise, enseignant-chercheur à
l’ENSIETA a été le co-encadrant de cette thèse) et le SHOM/CMO, dans le cadre du programme MODE
2. Durant sa thèse, Nicolas Josso a effectué un séjour Explora Doc au SenSIP d’Arizona State University
où il a pu appliquer ces contributions dans le domaine de la communication acoustique sous-marine.
Les contraintes de rapidité et de discrétion imposées à un système modern de caractérisation du
milieu océanique ont conduit au développement de la tomographie passive, définie comme un moyen
discret et rapide d’estimation des paramètres d’un canal acoustique. Ce concept fait appel aux signaux
existants dans le milieu et transmis par des sources d’opportunité. Les signaux d’opportunité sont
inconnus à la réception mais contiennent des informations relatives aux paramètres physiques du canal
défini entre la source et le récepteur.
Le travail de recherche effectué dans cette thèse est dédié à la caractérisation des milieux sous-
marins en utilisant des signaux bioacoustiques d’opportunité (sifflements à modulation fréquentielle)
10
[A19]. La méconnaissance du signal transmis, de la position et de la vitesse de la source acoustique

d’opportunité rendent la tomographie passive difficile à mettre en œuvre [A16].
La propagation dans l’environnement océanique et le mouvement inconnu de la source transforment
conjointement les signaux d’opportunité enregistrés. Dans un premier temps, nous présentons de nouvelles
méthodes d’estimation simultanée des paramètres environnementaux et des déformations engendrées par
le mouvement dans le plan d’ambigüité large-bande, dans un contexte d’émissions actives (le signal
transmis est supposé connu) [A16], [C42], [C46]. Ces méthodes, permettant de compenser les effets du
mouvement dans les scénarii d’émissions actives, sont appliquées et validées sur différents jeux de
données simulées et réelles enregistrées en mer.
Puis nous nous intéressons à la tomographie océanique acoustique passive sur un unique
hydrophone. Dans ce contexte, le signal transmis, la position et la vitesse de la source sont entièrement
inconnus. A partir des estimateurs développés pour les scénarii d’émissions actives, nous présentons une
nouvelle méthodologie permettant d’estimer les paramètres environnementaux en utilisant des vocalises
de mammifères marins enregistrées sur un unique hydrophone [C47]. Les informations extraites sur les
signaux naturels d’opportunité sont ensuite utilisés pour estimer la position puis le vecteur vitesse de la
source d’opportunité. Ces méthodes sont appliquées et validées sur différents jeux de données simulées et
réelles enregistrées en mer. Les travaux de modélisation et de compensation du mouvement ont été testés,
avec succès, dans le contexte de la communication sous-marine en présence d’une configuration en
mouvement. Nous avons ainsi montré que la compensation du mouvement permet d’améliorer les
performances de la communication [A25].
Le travail de thèse de Nicolas JOSSO a conduit à la publication de trois articles journal, sept papiers
conférence ainsi que de cinq rapports de recherche, grâce au partenariat avec SHOM et l’ENSIETA.
5. Florin-Marian Birleanu (Taux d’encadrement - 80%)
Titre de la thèse : Nouveaux espaces de représentation des signaux transitoires

Etablissement : Institut Polytechnique de Grenoble ; thèse effectuée au GIPSA-lab/DIS/SIGMAPHy
Durée : octobre 2009 à septembre 2012
Directeur de thèse : Jocelyn Chanussot
Sujet de thèse :
L'analyse des phénomènes transitoires constitue aujourd'hui un axe en plein expansion tant de point
de vue applicatif que théorique. En effet, l'apparition des phénomènes transitoires constitue une source
d'information riche en ce qui concerne l'évolution d'un système complexe et les propriétés d'un
environnent investigué et/ou surveillé. Par conséquent, l'analyse précise et efficace des signaux générés
par ces phénomènes transitoires constituerait un élément de grand intérêt dans des nombreuses
applications, d'où le caractère transversal de la méthodologie générale qui sera proposée par cette thèse.
Sur plan théorique, la caractérisation des signaux transitoires pose des difficultés majeures liées
principalement à leur matérialisation par un nombre réduit d'échantillons. Ce fait restreint l'utilisation des
approches développées dans le contexte des signaux quasi-stationnaires car elles ne sont pas forcement
adaptées à la représentation des signaux caractérisés par un nombre réduit d'échantillons.
Traditionnellement, l'analyse multi-résolution fournit des éléments intéressants en ce qui concerne la
détection des transitoires mais le résultat est conditionné par le choix de l'ondelette appropriée ainsi que
des niveaux de résolutions adéquats.
Dans ce contexte, la contribution de cette thèse s'articulera autour de la construction de nouveaux
espaces de représentations des signaux transitoires et qui reposera sur la fusion des paramètres signants
signal et systémiques. L’axe de recherche fort est constitué par une vision systémique de l'apparition des
signaux transitoires. Plus précisément, en partant de la remarque générale selon laquelle un transitoire
correspond à un changement d'état d'un système, l'analyse de l'évolution du système (via les diagrammes
de phase, par exemple) constituera une information supplémentaire concernant la génération des
phénomènes transitoires. La prise en compte de cette information pourra, d'une part, aider la
caractérisation des transitoires dans le plan complexe car inférer les notions d'évolution du système
permettra l'optimisation de la représentation des transitoires fournie par les singularités de phase.
11
Par ailleurs, cette vision systémique corroborée avec une représentation appropriée de la phase
pourrait constituer une méthodologie générique d'intérêt pour un grand nombre d'application
(caractérisation des environnements naturels, analyse des transitoires issus des systèmes électriques,
analyse des phénomènes turbulents, etc).
6. Ion Candel (Taux d’encadrement - 100%)
Titre de la thèse : Mesure de débit par scintillation - des améliorations basées sur des outils de
traitement du signal non-stationnaire
Etablissement : Institut Polytechnique de Grenoble ; thèse effectuée en collaboration avec EDF -Direction
Technique Générale, Grenoble
Durée : février 2011 à février 2014
Directeur de thèse : Cornel Ioana
Financement : CIFRE
Sujet de thèse :
L'application du système de mesure basé sur la scintillation dans le contexte réel d’un ouvrage
hydraulique a donné lieu à plusieurs problèmes qui affectent l'étape de traitement du signal. Un de ces
problèmes est le mouvement latéral de l'écoulement de l'eau, c'est à dire le mouvement de l'eau dans la
direction parallèle à l’axe émetteur-récepteur. Ce problème diminue les performances de l'estimation de la
vitesse d'écoulement en raison des changements spectraux entre le signal émis et reçu, introduits par l'effet
Doppler.
Ainsi, l'analyse de la déformation du spectre en temps (analyse des signaux non-stationnaires)
pourra nous aider à estimer l'influence des mouvements latéraux en termes de contenu spectral des signaux
reçus. Cette estimation peut servir à compenser cet effet de mouvement afin de porter le contenu spectral
de la bande passante utile définie par les filtres existants.
Un autre problème qui apparaît dans des applications réelles est la présence de bulles d'air ou
d'objets solides dans l'écoulement de l'eau. Ces objets produisent les réflexions des ondes émises dans des
directions autres que le récepteur qui est matérialisé par l'atténuation du signal reçu. Mais, comme il a été
démontré récemment, l'atténuation du signal n'est pas totale et le signal reçu, même s’il est faible,
conserve son contenu de phase. Sur la base de ces études, une solution possible pour résoudre ce problème
est d'analyser les phases instantanées correspondant à des impulsions successives. Une fois la phase
instantanée identifiée, l'amplitude du signal reçu peut être corrigée par une amplification d'adaptation.
L'objectif est d’assurer que l'amplitude est au même niveau avant l’étape d'estimation de la vitesse, offrant
la meilleure condition pour la méthode basée sur la corrélation. En conclusion, l'analyse adaptative en
temps de la phase instantanée des impulsions successives pourrait nous aider à résoudre les problèmes
rencontrés dans l'application réelle du système et ceci constitue l’objectif central de cette thèse. Les
développements théoriques qui seront réalisés seront validés successivement par des expérimentations en
contextes réels, en collaboration avec EDF et Hydro Québéc.
7. Florian Dadouchi (Taux d’encadrement - 30%)
Titre de la thèse : Détection, caractérisation et utilisation des signaux émis par les mammifères marins.
Etablissement : Institut Polytechnique de Grenoble
Durée : octobre 2011 à octobre 2014
Directeur de thèse : Jérôme Mars ; Co-encadrants : Cédric Gervaise et Cornel Ioana
Financement : DGA
Sujet de thèse :
Lors des nombreuses études concernant les mammifères marins, les scientifiques ont pu observer
les hautes performances des vocalises de mammifères en terme de précision de localisation, portée,
robustesse aux perturbations de tout genre (bruit, interférences, Doppler, …), langage de communication,
etc. Il est donc naturel de penser que l’étude approfondie des vocalises de mammifères pourrait apporter
des éléments intéressants lors de la conception des formes d’ondes sonar (concept de sonar
environnemental.) en offrant ainsi des meilleures performances de détection, estimation et localisation.
12
Par ailleurs, l’étude des vocalises permettrait également d'avoir une connaissance fine, des environnements
côtiers et littoraux.
Afin d’aboutir à une caractérisation précise des vocalises des mammifères, des méthodologies
avancées de traitement du signal doivent être mises en place. En raison du caractère inconnu de la forme
d’onde de la vocalise ainsi que de la position inconnue de la source (ie mammifère marin), la
méthodologie de traitement sera conçue en contexte entièrement passif. Ceci constitue une contrainte forte
car aucune hypothèse n’est autorisée. Etant donnée la diversité de types de signaux (les vocalises peuvent
avoir des formes temps-fréquence très variées, modulation de fréquence pour les signaux de
communication et impulsionnelle pour les signaux d’activité SONAR). La méthodologie d’analyse devra
être capable de gérer, via des modèles temps-fréquence, une large gamme des vocalises. On réalisera
l’étape de détection, caractérisation et extraction des paramètres en tenant compte du caractère transitoire
des vocalises. La mise en place des méthodes sera validée sur des bases de données réelles fournies par les
partenaires. Le contexte de l’application des méthodologies de traitement du signal est spécifique du
domaine sous-marin caractérisé par des perturbations de type interférences (l’existence, dans la même
bande que le signal utile, à des signaux cohérents correspondant à des activités humaines et/ou naturelles),
de type bruit (état de la mer, bruit de capteur, fluctuations) et de type effet de propagation (multi-trajet,
dispersion, absorption,..). Un effet particulièrement important est celui du mouvement sachant que les
mammifères sont mobiles et que ceci se traduit par un mélange entre la modulation de la source et la
modulation due au mouvement.
L’aspect innovant de cette thèse est sa position d’interdisciplinarité aussi bien sur les moyens mis en
place que sur les objectifs civils et militaires puisqu'elle regroupe, par leur complémentarité et leur savoir
faire en la matière, acousticiens, océanographes, traiteurs de signaux autour d'une approche commune – la
détection, la caractérisation, l’utilisation des signaux acoustiques émis par les mammifères marins.
GIPSA-Lab, apporte son expertise dans l’analyse du signal acoustique et des méthodologies en traitement
du signal avancé notamment dans les domaines de l’acoustique sous-marine. ENSTA-Bretagne (ex
ENSIETA) apporte son expertise dans l’analyse des sons issus des mammifères marins (J. Bonnel, C.
Gervaise, L. Di Iorio ainsi que des bases de données).
4.3 Collaborations
Nationales
J’ai eu l’occasion de collaborer, durant mes activités à l’ENSIETA de Brest, avec des
établissements de recherche publiques comme l’IFREMER (voir le paragraphe concernant les activités de
contrats industriels) et de SHOM/CMO. Ainsi, la collaboration avec SHOM/CMO a été conséquente car
elle a portée sur le projet STEREO qui nous a permis, entre 2004-2007, d’avancer nos recherches dans le
domaine de la tomographie acoustique passive. Dans le cadre de cette collaboration, nous avons eu
l’occasion de collaborer avec des chercheurs de Télécom Bretagne qui étaient également membres du
projet STEREO. A l’ENSIETA, j’ai travaillé dans le cadre de ce projet avec André Quinquis et Cédric
Gervaise et j’ai co-encadré la thèse d’Arnaud Jarrot. Le partenariat avec le SHOM/CMO a conduit à des
publications dans des revues ([A6], [A7]), conférences ([C1], [C5], [C6-C8], [C9], [C15], [C17], [C19],
[C20], [C21], [C26-C27], [C31], [C36]) ainsi qu’à 15 rapports de recherche ([R2-R5], [R7-R16]).
Une autre collaboration, déroulée pendant mon activité à l’ENSIETA de Brest, a porté sur l’analyse
des signaux radar et de télécommunications en configuration passive (contexte typique à la composante
SIGnal INTelligence de Guerre Electronique). Ainsi, des collaborations avec la DGA/CELAR (Centre
d’ELectronique de l’Armée) ont eu lieu et j’ai été impliqué dans ces collaborations à travers le co-
encadrement de la thèse de Cédric Cornu et un contrat de recherche. En terme de production scientifique,
ces travaux se sont matérialisés par un papier journal [A3], trois papiers conférence ([C3], [C13], [C18]) et
un rapport de recherche ([R6]).
Les deux collaborations, dans le domaine de l’acoustique sous-marine et de la guerre électronique,
ont été suivies après mon arrivée au GIPSA-lab. Ainsi, dans le domaine de l’acoustique sous-marine, un
fort partenariat de collaboration Grenoble INP – DGA/SHOM- ENSIETA a été établi dans ce qui a
conduit au co-encadrement de la thèse de Nicolas Josso ainsi qu’à des publications revue ([A10], [A19],
[A22], [A23]), conférence ([C36], [C42], [C46], [C47], [C49]) et des rapports de recherche ([R28-R32]).
13
Concernant le domaine de la guerre électronique, le partenariat GIPSA-ENSIETA s’est matérialisé par un

contrat de recherche dans la période 2006-2007 (paragraphe 4.6).
Etant donné le caractère générale des approches temps-fréquence que nous avons proposées, dès
mon arrivée au GIPSA-lab, j’ai essayé d’adapter et de développer ces approches dans des contextes
d’applications proches du spécifique de la Région et de Grenoble INP, tels que l’énergie et
l’environnement. Cela me semblait naturel afin de bien intégrer le nouvel environnement de travail en
collaboration avec mes collègues de GIPSA-lab, Jérôme Mars, Barbara Nicolas, Gabriel Vasile, Jocelyn
Chanussot. De plus, j’ai inscrit l’orientation de mes recherches théoriques vers les systèmes d’énergie et
environnementaux dans la mouvance, visible en plan international, constituée par le transfert des
techniques étudiées dans le domaine militaire vers les applications civiles.
Ainsi, je me suis investi dans un fort partenariat GIPSA-lab-EDF R&D Chatou et Moret sur Loing
dans des domaines comme la détection des sources de transitoires dans les réseaux de transport d’énergie,
l’estimation des paramètres thermo-hydrodynamiques dans un système de conduites hydro, etc. Les
activités contractuelles sont listées dans le paragraphe 4.6 et elles se sont traduites par un papier revue
[A18], un brevet d’innovation, trois articles conférences [C55], [C56], [C58] et onze rapports de recherche
[R18-R28]. De plus, dans le cadre des préoccupations liées au traitement du signal non-stationnaire dans
le domaine de l’énergie et l’environnement, je suis en contacts avec d’autres partenaires universitaires
(G2Elab, INRIA, laboratoire TIMA) ou industriels (Schneider, C-S, CEA), ce qui nous a conduit a
proposé, auprès des Pôles de Compétitivité Locaux Minalogic et Thenerrdis, un projet commun appelé
« Smart Energy » et qui a trait à la mise en place des systèmes de monitoring performant des système de
production et de transport d’énergie. Le projet a été labélisé, en 2010, par les deux Pôles. Un autre projet
co-labélisé par les deux Pôles, en 2011, repose sur la surveillance des paramètres hydrodynamiques dans
des moyens de production. Nos partenaires dans ce projet, appelé Smart Hydro Monitoring, sont EDF,
CEA, C-S, ATIM et CYBERIO.
Enfin, suite aux collaborations locales, j’ai contribué à la mise en place, en collaboration avec
G2ELab, d’un projet financé par l’Institut Carnot « Energies du futur » qui vise à localiser les sources
d’arcs électriques dans des moyens de production photovoltaïques, en utilisant la diversité des
phénomènes physiques – acoustiques, électriques et électromagnétiques.
En parallèle, j’encadre un DRT avec le CEA/LETI au sujet de la caractérisation des transitoires
dans les packs de batterie par des mesures ultrasonores et des méthodes de traitement adéquates. Ce thème
fera également partie du programme de travail d’une future équipe mixte CEA-GIPSA.
Une autre activité que j’ai menée a trait à la collaboration dans le cadre d’un autre projet Minalogic,
au sujet de l’implémentation, sur des architectures de calcul parallèle, des méthodes de traitement du
signal non-stationnaire (projet CILOE – Calcul Intensif Logiciel CAO Electronique). Dans le cadre de ce
projet (dans la période 2008-2011), des collaborations avec des partenaires comme INRIA, CS, Bull ont
été établies et se poursuivront dans l’avenir.
Enfin, j’ai participé à l’intégration de l’équipe à laquelle j’appartient, SIGMAPhy, dans l’Institut
Carnot « Energies du future » pour le prochain quadriennal (2011-2015).
Internationales
Depuis la fin de la thèse, en 2003, je me suis impliqué dans des échanges internationaux avec des
Universités Européennes ainsi que Nord Américaines. Ces échanges ont principalement été établis lors de
la participation à des congrès ou à d’autres événements scientifiques.
Lors de mon activité à l’ENSIETA, j’ai participé à des échanges avec des établissements
Roumaines comme l’Académie Technique Militaire (ATM) de Bucarest, mon université d’origine. Les
échanges ont été multiples, sous la forme de réunions et de visites de travail ainsi que l’accueil et
l’encadrement des étudiants de cet établissement lors des projets de fin d’études (PFE). Ces activités ont
donné lieu à des publications dans des journaux ([A1], [A2]) et conférences ([C13]). Les domaines de
recherche ont été : le traitement du signal non-stationnaire avec des applications radar ou communications
et la réalisation d’un outil didactique de traitement du signal. Mes collaborations ont continué après mon
arrivée à Grenoble et ont été formalisées sous la forme d’un programme de collaboration de type ECO-
NET (financement du Ministère des Affaires Etrangères pour la période 2007-2008) dont j’ai été co-
responsable (avec Jérôme Mars). Ce programme ainsi que les collaborations (matérialisées par des
échanges d’élèves, conférences, séminaires) nous ont permis de mettre les bases d’un groupe de travail sur
les phénomènes transitoires. Plusieurs publications ont concrétisé nos résultats de recherche : journal
14
([A10], [A11]), conférence ([C40], [C41], [C49], [C56]). Les collaborations se poursuivent autour du
thème de l’analyse non-stationnaire des phénomènes turbulents et deux thèses de doctorat seraient
envisagées.
Une autre collaboration scientifique importante, démarrée depuis 2004, est celle avec la Faculté du
Génie Electrique de l’Université de Monténégro. La collaboration s’est déroulée sous l’égide du Ministère
des Affaires Etrangères (grâce au support de type PAI-Programme d’Action Intégration) et s’est traduit
par des échanges d’étudiants (Irina Orovic, Cédric Cornu, Arnaud Jarrot, Bertrand Gottin), des séjours
bilatéraux, des séminaires, le séjour d’Igor Djurovic (bourse CNRS scientifique de haut niveau), etc.
Grace à cette collaboration que j’ai pu menée, la production scientifique commune se traduit par sept
publications journal ([A8], [A12], [A13], [A15], [A20], [A21], A[24]) et sept articles conférence ([C22],
[C23], [C24], [C34], [C45], [C48], [C49]). Les sujets de ces recherches s’articulent autour des méthodes et
des représentations temps-fréquence robustes et efficaces pour l’analyse des signaux à structures temps-
fréquence complexes.
Une autre collaboration, démarrée en 2007 et 2008 (dans le cadre d’un financement US Office of
Naval Research) à la suite d’un séjour scientifique que j’ai effectué au centre de recherche SenSIP
d’Arizona State University en collaboration avec Antonia Papandreou-Suppappola et Jun Zhang. La
collaboration s’effectue à plusieurs niveaux, comme suit :
- Echanges d’étudiants INPG, à travers les stages PFE de Bertrand Gottin et Nicolas Lio Soonschun et le
stage Exploradoc de Nicolas Josso
- Travaux de recherche communes dans le domaine de l’analyse des systèmes dispersifs et aux méthodes
temps-fréquence adéquates
- Publications communes : 2 journal ([A14], [A25]), deux journal ([C37], [C38]) ainsi qu’un chapitre de
livre [02], apparu en 2011.
Toujours en 2007, j’ai démarré une collaboration à plusieurs niveaux avec le Center of Advanced
Communications de Villanova University (Pennsylvanie), autour du traitement des signaux issus des
équipements radar (radar à pénétration des murs et radar ionosphérique). Les expérimentations et le travail
commun nous ont permis de publier trois articles conférences : C[53], [C54], [C57]. Au niveau d’échanges
d’étudiants, cinq élèves de Grenoble INP ont effectué leurs stages PFE à Villanova : Bastien Lyonet
(ENSE3, en 2008), Xavier Pons (Master SIPT, en 2010), Xavier Rivenq (ENSE3, en 2010), Cyrielle
Chauvin (ENSE3, en 2011), Cindy Bernard (ENSE3, en 2011). Le thème actuel de la collaboration avec
Villanova University s’articule autour de l’imagerie ultrasonore à large bande avec des applications en
énergie et l’environnement.
Une autre collaboration que je mène, depuis 2007, est avec le laboratoire SAR (Signal Analysis
Research) de Ryerson Univeristy, Toronto (Canada) dirigé par Sridhar Krishnan. Les échanges
scientifiques se sont articulés autour des techniques d’analyse par ondelettes appliquées à des domaines
comme le traitement des signaux et des images biomédicaux. Les résultats de nos travaux de collaboration
font l’objet d’un papier journal [A17] et de deux papiers conférences [C29], [C39].
Depuis octobre 2011, je suis le correspondant INP Grenoble au projet Tempus IV – RICUM
« Support in development and implementation of digital television and multimedia in Western Balkan
countries », regroupant des enseignants-chercheur des Universités de Serbie, Slovénie, Monténégro,
Albanie et Bulgarie.
Je participe également à d’autres collaborations internationales, en cours de progrès, avec :
Université Technique de Vienne (Professeur Franz Hlawatsch), University of Washington (Professeurs
James W. Pitton, Professeur Les Atlas), Hydro Québéc, Université Politehnica de Bucarest, etc.
4.4. Brevet d’invention et Dépôt de logiciel

Je suis auteur d’un brevet d’invention - FR N°11/52052 déposée le 14 mars 2011 « Système
d'inspection par émission-réception d'ondes acoustiques ». L’invention porte sur la réalisation d’une
mesure de célérité des ondes acoustiques dans des milieux hétérogènes, grâce à des interférences évaluées
dans le plan de la phase instantanée. Cette invention pourrait être utilisée pour l’analyse de l’état d’un
fluide : paramètres thermo-hydrodynamiques, présence des corps étrangers, etc.
Je suis également auteur d’un dépôt officiel de logiciel, regroupant les algorithmes d’analyse temps-
fréquence-phase. Le logiciel, appelé « Time-Frequency-Phase Analyser », permet d’analyser, de façon
15
automatique, des signaux non-stationnaires composés de plusieurs structures temps-fréquence non-

linéaires. Le logiciel a été déposé auprès de l’Agence pour la Protection des Programmes (APP), sous la
référence IDDN.FR.001.130007.000.S.P.2011.000.20900. Le logiciel est en cours d’industrialisation par
la société CYBERIO et ma collaboration avec la société fait l’objet d’un concours scientifique, accordé à
partir du 13/10/2011, pour une période de cinq ans.
4.5 Révisions d’articles

Je participe à la relecture d’articles pour les revues internationales suivantes : Transactions on
Signal Processing (IEEE), Journal of Oceanic Engineering (IEEE), Signal Processing (Elsevier), Journal
of Systems and Software (Elsevier). Je participe aussi régulièrement à la révision des articles soumis aux
congrès GRETSI, EUSIPCO et IEEE ICASSP.
4.6 Contrats Industriels

Ce paragraphe contient le détail de mes travaux de recherche contractuels. Le tableau suivant liste
tous les travaux auxquels j’ai participé ainsi que la nature des travaux (les premier quatre projets ont été
effectués durant mon activité à l’ENSIETA de Brest alors que les autres ont fait l’objet de mes activités au
sein de GIPSA-lab, depuis 2006).
De façon très synthétique, indépendamment du contexte applicatif, mes activités se sont articulés
autour de la définition et de l’application des méthodes d’analyse des signaux non-stationnaires dans des
contextes physiques d’intérêt pour des opérationnels, comme l’acoustique sous-marine, les systèmes de
production et transport d’énergie, radar…Mon mémoire HDR présentera en détail les contributions
théoriques, leurs positionnement ainsi que les démarches suivies pour l’application en contextes réels.
Liste des travaux de recherche contractuels
Partenaire Nature des Travaux Périod Montant Valorisation
e
IFREMER, Méthodes de réduction du bruit 1999 – 25 k€ - 1 rapport de recherche
Brest intégrables dans le système de 2001 - 1 communication
positionnement POSIDONIA (PFE) scientifique
DGA, Bucarest Solutions techniques pour un système 1999 – 30 k€ Démonstrateur
Roumanie radar d’évaluation des trajectoires 2001 Technologique
Responsable du projet (programmation hybride
C++-Assembler)
CELAr (Centre Reconnaissance des modulations Dec, 100 k€ - 1 publication
d’Electronique numériques par des méthodes temps- 2001- scientifique
de l’Armement), fréquence Dec, - Architecture logicielle
Rennes Participant 2003 pour la reconnaissance des
modulations
Centre Militaire Système Temps Réel d’Observation Jan, 850 k€ - 2 articles revues, 15
d’Océanographi Rapide de l’environnement océano- 2004- conférences
e, Brest acoustique Jan, - 15 rapports de recherche
2007
SHOM/Centre MODE 2 - Méthodes d’Observation 2008- 60 k€ (part - 4 articles revues, 4
Militaire Discrètes de l’Environnement 2011 GIPSA) conférences
d’Océanographi Participant et Responsable de deux 5 rapports de recherche
e et ENSIETA études associées à ce Projet
Brest
Mission de Récepteur unique COMINT/ELINT 2006- 15 k€ (part 1 rapport de recherche
Recherche et Participation 2007 GIPSA)
Innovation
Scientifique de
la DGA, en
partenariat avec
ENSIETA Brest
Ministère des Projets ECO-NET et PAI Pélikan – 2007- 55 k€ (part 7 articles journal et 9
Affaires collaborations avec Université de 2009 GIPSA) conférences
Etrangères Monténégro et l’Académie Technique
16
Militaire
Participant et Responsable
Pole de CILOE – Calcul Intensif Logiciel CAO 2008- 93 k€ (part 3 Rapport de recherche et
Compétitivité Electronique 2011 GIPSA) Démonstrateur
Rhone-Alpes Responsable et participant technologique
« Minalogic »
Région Rhone- Création de la start-up CYBERIO, fond 2008- 31 k€ (part Démonstrateur
Alpes d’appui laboratoire 2010 GIPSA)
Responsable et participant
EDF - Analyse, détection et localisation des 2008- 61 k€ 1 article conférence, 1
Laboratoire des décharges partielles dans les réseaux 2010 (part article journal et 3
Matériaux câblés HTA et dans les alternateurs GIPSA) rapports de recherche
Electrique,
Moret sur Loing
EDF R&D Mesures de paramètres thermo- 2008- 112 k€ 2 articles conférences et 8
Chatou et hydrodynamiques dans les conduites 2014 (Part rapports de recherche
Direction hydrauliques GIPSA) Brevet
Technique Responsable, participant
Générale
Grenoble
Projet DGA- Optimal Energy Balancing Navigation 2011- 235 k€
RAPIDE, and Ranging 2014 (part
collaboration Responsable, participant GIPSA)
avec CYBERIO
et OSEAN
Toulon
Institut Carnot Localisation d’arcs électriques – ARC 2011- 137 k€
« Energies du LOCATOR 2013 (part
Futur », G2Elab, GIPSA)
CEA
EDF, ENSTA Systèmes acoustiques d’écoute passive 2011- 139 k€
Bretagne, CG38, en milieu sous-aquatique et aérien 2015 (part
CYBERIO GIPSA)
5- Publications
5.1 Ouvrages
[O1] Chapitre « Méthodes temps-fréquence paramétriques » dans le livre «Le traitement du signal
sous Matlab », Hermes Science Publishing, sous la Direction d'André Quinquis, ISBN 978-2-7462-
1645-7, Paris 2007.
[O2] A. Papandreou-Suppappola, C. Ioana, J. Zhang, Chapitre «Time Scale and Dispersive Processing
for Wideband Time-Varying Channels » (pp. 375-416) dans le livre «Wireless Communications over
Rapidly Time-Varying Channels», édité par Franz Hlawatsch et Gerald Matz, Academic Press, Mars,
2011.
5.2 Articles de Revue

[A1] S. Cantaragiu, C. Ioana, C. Coman, "Surveillance Radar in Air Defense", Journal of Military
Technology, Bucarest, Roumanie, pp. 259-270, Avril 2001.
[A2] A. Quinquis, E. Radoi, C. Ioana, F. Totir, "Outil didactique pour l'apprentissage du traitement du
signal et de l'image", Journal sur l'Enseignement des Sciences et Technologies de l'Information et des
Systèmes, Mars 2004.
17
[A3] M. Salagean, C. Ioana, A. Quinquis, I. Nafornita, "Recognition of OFDM modulations : approach

based on high-order time-frequency methods", Transaction on Electronic and Communications,
Scientific Journal of University of Timisoara, Romania, Vol. 49 (63), pp. 1024-1034, Septembre 2004.
[A4] C. Ioana, A. Quinquis, « Time-Frequency Analysis using Warped-Based High-Order Phase
Modeling », EURASIP Journal of Applied Signal Processing, Vol. 2005, No. 17, pp. 2856-2873,
September, 2005 (DOI 10.1155/ASP.2005.2856).
[A5] C. Ioana, C. Cornu, A. Jarrot, L. Léonard, A. Quinquis, « The concept of time-frequency-phase
analyzer », Transaction on Electronic and Communications, Scientific Journal of University of
Timisoara, Romania, Mars 2006.
[A6] C. Ioana, A. Quinquis, Y. Stephan, « Feature Extraction from Underwater Signals using Time-
Frequency Warping Operators », IEEE Journal of Oceanic Engineering, Vol. 31, No. 3, pp. 628-646,
July 2006 (DOI 10.1109/JOE.2006.875275).
[A7] C. Gervaise, S. Vallez, C. Ioana, Y. Stephan, Y. Simard, "Passive acoustic tomography: new
concepts and applications using marine mammals: a review", Journal of the Marine Biological
Association of the UK, 87, 1 (2007) 5-10, Cambridge University Press, February 2007 (DOI
10.1017/S0025315407054872).
[A8] C. Cornu, S. Stankovic, C. Ioana, A. Quinquis, LJ. Stankovic, "Generalized Representation of
Phase Derivatives for Regular Signals", IEEE Transactions on Signal Processing, Vol. 55, No. 10, pp.
4831-4838, October 2007.
[A9] A. Jarrot, C. Ioana, A. Quinquis, "Toward The Use Of The Time–Warping Principle With Discrete–
Time Sequences", Journal of Computers Academic Publisher (ISSN : 1796-203X), Volume 2, Issue : 6,
pp. 49-55, August 2007.
[A10] C. Ioana, A. Serbanescu, S. Stankovic, L. Anton, J. I. Mars, "Characterization of Complex Signals
Using Time-Frequency-Phase Concept", MTA Review, Romania 18, 1 (2008) 15-28.
[A11] F. Totir, E. Radoi, L. Anton, C. Ioana, A Serbanescu, S. Stankovic, “Advanced Sea Clutter Models
and their Usefulness for Target Detection”, MTA Review, Romania 18, 3 (2008) 257-272.
[A12] S. Stankovic, N. Zaric, C. Ioana, “General form of time-frequency distribution with complex-lag
argument”, IEEE Electronics Letters, Volume 44, Issue 11, May 22, 2008 Page(s):699 – 701.
[A13] S. Stankovic, I. Orovic, C. Ioana, “Effects of Cauchy Integral Formula Discretization on the
Precision of IF Estimation: Unified Approach to Complex-Lag Distribution and its Counterpart L-Form”,
IEEE Letters on Signal Processing, Volume 16, Issue 4, April 2009 Page(s):327 - 330 (DOI
10.1109/LSP.2008.2011711).
[A14] J.J Zhang, A. Papandreou-Suppappola, B. Gottin, C. Ioana, “Time-Frequency Characterization and
Receiver Waveform Design for Shallow Water Environments”, IEEE Transactions on Signal
Processing, Volume 57, Issue 8, Aug. 2009 Page(s):2973 - 2985 (DOI 10.1109/TSP.2009.2020363)
[A15] I. Djurovic, C. Ioana, LJ. Stankovic, P. Wang, “Adaptive Algorithm for Chirp-Rate Estimation”,
EURASIP Journal on Advances in Signal Processing ,Volume 2009 (2009), (DOI :
10.1155/2009/727034).
[A16] N. Josso, C. Ioana, J.I. Mars, C. Gervaise, Y. Stéphan, “On the Consideration of Motion effects in
the Computation of Impulse Response for Underwater Acoustics Inversion”, Journal of Acoustic Society
of America, Volume 126, Issue 4, 2009, pp. 1739-1751.
[A17] J. Bonnel, A. Khademi, S. Krishnan, C. Ioana, “Small bowel image classification using cross-co-
occurrence matrices on wavelet domain”, Journal on Biomedical Signal Processing and Control 4, 1
(2009) pp. 7-15 (DOI : 10.1016/j.bspc.2008.07.002).
[A18] B. Gottin, C. Ioana, J. Chanussot, G. D’Urso, T. Espilit, « Detection and Localization of Transient
Sources: Comparative Study of Complex-Lag Distribution Concept versus Wavelets and Spectrogram-
BasedMethods », EURASIP Journal on Advances in Signal Processing Volume 2009, Article ID
864185 (DOI :10.1155/2009/864185).
[A19] N. Josso, C. Ioana, J. McLaughlin, “Classification of blue whale using time-frequency signatures”,
Universty of Pitesti Scientific Bulletin, Series Electronics and Computers Science, Vol1/2009, pp32-40.
[A20] I. Djurovic, P. Wang, C. Ioana, “Modification of Robust chirp-rate estimator for impulse noise
environments”, Elseiver Signal Processing, Vol. 90, Issue 5, May 2010, pp. 1730-1736 (Doi :
10.1016/j.sigpro.2009.10.022).
[A21] C. Ioana, C. Gervaise, Y. Stéphan, J. I. Mars, “Analysis of underwater mammal localisations using
time-frequency-phase tracker”, Elseiver Journal on Applied Acoustics, APAC4676, DOI information:
10.1016/j.apacoust.2010.04.009, June, 2010.
18
[A22] C. Ioana, A. Jarrot, C. Gervaise, Y. Stéphan, A. Quinquis, "Localization in underwater dispersive

channels using the time-frequency-phase continuity of signals". IEEE Transactions on Signal
Processing, 58 (2010) 4093-4107, August , 2010.
[A23] I. Djurovic, P. Wang, C.Ioana, “Parameter estimation of 2-D cubic phase signal using cubic phase
function with genetic algorithm”, Elsevier Journal on Signal Processing, 90 (2010) 2698–2707, June
2010.
[A24] N. Josso, J. Zhang, A. Papandreou-Suppappola, C. Ioana, T. Duman, "Nonstationary System
Analysis Methods for Underwater Acoustic Communications", EURASIP Journal on Advances in
Signal Processing, Vol. 2011, Article ID 807472, 14 pages, 2011. DOI : 10.1155/2011/807472.
[A25] F. Totir, C. Ioana, A. Serbanescu, J. Stopin, A. Lucian, S. Stankovic, “Systemic approach explored
in the context of passive target tracking,” IET Signal Processing, Vol. 4, No. 3, pp: 314 - 323, June 2010.
[A26] I. Djurovic, C. Ioana, T. Thayaparan, LJ. Stankovic, P Wang, V. Popovic, M. Simeunovic, “Cubic-
phase function evaluation for multicomponent signals with application to SAR imaging,” IET Signal
Processing, Special Issue on Time-Frequency Approach to Radar Detection, Imaging, and Classification
DOI : 10.1049/iet-spr.2009.0065, 2009.
[A27] S. Stankovic, I. Orovic, N. Zaric, C. Ioana, “Two Dimensional Time-Frequency Analysis based
Eigenvalue Decomposition Applied to Image Watermarking,” Multimedia Tools and Applications
Journal, Vol.49, No. 3, Sept. 2010., pp. 529-543
5.3 Conférences Internationales et Nationales

1999-2001
[C1] A. Quinquis, C. Ioana - "Noise reduction method for underwater mobile positioning improvement",
Proceedings of International OCEANS99, Vol 1, pp. 310-314, Seattle, USA, 1999.
[C2] C. Ioana, A. Quinquis - "The Adaptive Time-Frequency Distribution Using the Fractional Fourier
Transform", Proceedings of GRETSI01 , Toulouse, 2001.
[C3] A. Quinquis, C. Ioana - " Adaptive time-frequency radar signal representation using chirp function
dictionary", XXIX Symposium Académie Technique Militaire de Bucarest, November 2001.
2002
[C4] C. Ioana, A. Quinquis - “On The Signal Interference Structure Generated by Modified Wigner-Ville
Distribution”, Proceedings of IEEE International Conference on Acoustic, Speech and Signal Processing
-ICASSP 2002, Vol 2, pp. 1449-1452, Orlando, May, 2002.
[C5] C. Ioana, A. Quinquis – “Underwater Transitory Signal Characterization using Time-Frequency
Warping Operators”, 6th European Conference on Underwater Acoustic -ECUA 2002, Gdansk, Poland,
2002.
[C6] C. Ioana, A. Quinquis - "Non linear feature extraction from underwater transitory signal using time-
frequency warping operators", Journée d’Etudes en Acoustique Sous-Marine, Juin 2002, Brest.
[C7] C. Ioana, K. Frezza, A. Quinquis - "Application of the Overcomplete Wavelet Transform for
Underwater Transitory Signal Characterization", Proceedings of European Conference on Signal
Processing-EUSIPCO2002, Vol III, pp. 7-10, Toulouse, 2002.
[C8] C. Ioana, A. Quinquis - "High-order warped-based ambiguity function for multipath channel effect
reduction", IEEE Conference on Communications, pp. 439-444, Bucharest, 2002.
2003
[C9] C. Gervaise, C. Ioana, A. Quinquis, D. Gaucher - "Algorithms dedicated to blind estimations of
relative times and angles of arrival for passive acoustic tomography : adaptive time frequency and spatial
time frequency approaches", Proceedings of International OCEANS 2003, pp.917-922, San Diego, USA,
September 2003.
[C10] C. Ioana, A. Quinquis - “Transient signal detection using Overcomplete Wavelet Transform and
high order statistics”, Proceedings of IEEE International Conference on Acoustic, Speech and Signal
Processing ICASSP 2003, Vol VI, pp. 449-452, Hong Kong, Avril, 2003.
[C11] C. Ioana, A. Quinquis - “High-Order Warped Based Ambiguity Function”, IEEE-EURASIP
Workshop on Non-Linear Signal and Image Processing, Grado, Italy, 2003.
19
[C12] C. Ioana, A. Quinquis - “On the unitary equivalence application in the polynomial phase signal
processing”, Invited Paper at 7th IEEE International Symposium on Signal Processing and its Applications
-ISSPA 2003, Paris, July, 2003.
[C13] F. Totir, C. Ioana, A. Quinquis – "Application des moments d’ordre superieur à la focalization des
images ISAR", Proceedings of GRETSI03, Paris, 2003.
2004
[C14] A. Quinquis, C. Ioana, E. Radoi - “Polynomial Phase Signal Modeling Using Warping-Based
Order Reduction”, Proceedings of IEEE International Conference on Acoustic, Speech and Signal
Processing ICASSP 2004, Vol 2, pp. 741-744, Montreal, Canada.
[C15] C. Ioana, A. Quinquis - “On the use of time-frequency warping operators for analysis of marine-
mammal signals”, Proceedings of IEEE International Conference on Acoustic, Speech and Signal
Processing ICASSP 2004, Vol 2, pp. 605-608, Montreal, Canada.
[C16] C. Ioana, A. Quinquis, C. Cornu – “Polynomial Phase Signal Processing via Warped High-Order
Ambiguity Function”, Proceedings of European Conference on Signal Processing-EUSIPCO 2004, pp.
1159-1162, Vienna, 2004.
[C17] C. Ioana, C. Gervaise, J-C. Le Gac, A. Quinquis - “Motion Estimation Of Underwater Mobiles In
A Multipath Channel Using Polynomial Phase Signal Modeling”, 7th European Conference on Underwater
Acoustic -ECUA 2004, Vol II, pp. 237-242, Delft, 2004.
[C18] C. Cornu, C. Ioana, A. Quinquis – “Characterization of LPI Waveforms using Polynomial Phase
Signal Modelling”, International Conference on Radar Technology, Radar 2004, Toulouse, 2004.
[C19] C. Ioana, C. Gervaise, A. Quinquis - "Blind deconvolution of underwater channel using transitory
signal processing", Proceedings of OCEANS 2004, pp 1033-1036, Kobe, Japan, November 2004.
[C20] C. Ioana, C. Gervaise, A. Quinquis - "Time-Frequency approach for Blind Deconvolution of
underwater channels", Journée d’Etudes Acoustique Sous-Marine, October 2004, Brest.
2005
[C21] L. Cros, C. Ioana, G. Theuillon, "Synthèse temps-fréquence de signaux transitoires dans un
contexte de tomographie acoustique océanique discrète", 20e colloque GRETSI sur le traitement du signal
et des images, Louvain-la-Neuve, Belgium, 6-9 September 2005.
[C22] C. Ioana, S. Stankovic, A. Quinquis, LJ. Stankovic – “Modelling of signal’s time-frequency
content using Warped Complex-Time Distributions”, IEEE International Conference on Acoustic, Speech
and Signal Processing ICASSP 2005, Vol 4, pp.477-480, Philadelphia, USA.
[C23] C. Cornu, I. Djurović, C. Ioana, A. Quinquis, LJ. Stanković - “Time-frequency detection using
Gabor filter banks and Viterbi based grouping algorithm”, IEEE International Conference on Acoustic,
Speech and Signal Processing ICASSP 2005,Vol 4, pp. 499-500, Philadelphia, USA.
[C24] C. Ioana, S. Stankovic, A. Quinquis, "Estimation of Parameters of a Polynomial Phase Model
Using the Warped Complex Time Distributions", The Eight International Symposium on Signal
Processing and its Applications, Sydney, Australia, 28-31 August 2005.
[C25] A. Jarrot, C. Ioana, A. Quinquis, & J.C. Le Gac, "Multi-Component Signal Denoising Using
Unitary Time-Frequency Transforms", EUSIPCO, Antalya, Turkey, 4-8 September 2005.
[C26] A. Jarrot, C. Ioana, A. Quinquis, "Denoising underwater signals propagating through multi-path
channels", IEEE OCEANS'05 EUROPE, Brest, France, 20-23 June 2005.
[C27] L. Cros, C. Ioana, A. Quinquis, "Synthesis from underwater data : application to the oceanic
discrete tomography", IEEE OCEANS'05 EUROPE, Brest, France, 20-23 June 2005.
[C28] A. Jarrot, C. Ioana, A. Quinquis, "An extension of the class of unitary time–warping projectors to
discrete–time sequences", IEEE International Conference on Acoustic, Speech and Signal Processing
ICASSP 2006, Toulouse.
2006
[C29] J. Marchal, C. Ioana, E. Radoi, A. Quinquis, S. Krishnan, "Video Retrival Using Adaptive Time-
Frequency Methods", IEEE International Conference on Acoustic, Speech and Signal Processing ICASSP
2006, Toulouse.
[C30] C. Ioana, A. Jarrot, A. Quinquis, S. Stankovic, LJ.Stankovic, "Analysis Of Time-Frequency
Transient Components Using Phase Chirping Operator", IEEE International Conference on Acoustic,
Speech and Signal Processing ICASSP 2006, Toulouse.
20
[C31] C. Ioana, A. Quinquis C. Gervaise, J.-C. Le Gac, "Time-Frequency Processing of Signals

Transmitted by Ships in a Multi-Path Environment", Proceedings of the Eighth European Conference on
Underwater Acoustics, 8th ECUA, Carvoeiro, Portugal, 12-15 June 2006.
[C32] C. Cornu, C. Ioana, A. Quinquis, "Time-Frequency Characterization using Instantaneous Moment
Concept: Theory and Applications", International Symposium on Industrial Electronics, Montréal,
Canada, 9-13 July 2006.
[C33] A. Jarrot, P. Oonincx, C. Ioana, A. Quinquis, "Identifying non-linear fractional chirps using
unsupervised Hilbert approach", EUSIPCO 2006, Florence, Italy, 4-8 September 2006.
[C34] S. Stankovic, I. Orovic, N. Zaric, C. Ioana, "An Approach to Digital Watermarking of Speech
Signals in the Time-Frequency Domain”, Multimedia Signal Processing and Communications, 48th
International Symposium ELMAR-2006, Zadar, Croatia, June 2006.
2007
[C35] C. Ioana, A. Jarrot, A. Quinquis, S. Krishnan,"A watermaking method for speech signals based on
the time-warping signal processing concept", IEEE International Conference on Acoustics, Speech and
Speech Processing, Honolulu, USA, 15-20 April 2007.
[C36] A. Jarrot, C. Ioana, C. Gervaise, A. Quinquis, "A time-frequency characterization framework for
signals issued from underwater dispersive environments", IEEE International Conference on Acoustics,
Speech and Speech Processing, Honolulu, USA, 15-20 April 2007.
[C37] J. Zhang, B. Gottin, A. Papandreou-Suppappola, C. Ioana, " Time-frequency modeling of shallow
water environment: rigid vs. fluid seabed ", IEEE/SP 14th Workshop on Statistical Signal Processing, SSP
'07, Madison, 2007.
[C38] B. Gottin, J. Zhang, A. Papandreou-Suppappola, C. Ioana, “Diversity in Shallow Water
Environments Using Blind Time-Frequency Separation Techniques”, Asilomar Conference on Signals
Systems and Computers, ACSSC 2007, Pacific Grove, United States, 2007.
[C39] M. Parvaix, S. Krishnan , C. Ioana, “An Audio Watermarking Method Based On Molecular
Matching Pursuit”, IEEE International Conference on Acoustics, Speech and Speech Processing, Las
Vegas, USA, March 31 2008-April 4 2008, pp. 1721 – 1724 (DOI : 10.1109/ICASSP.2008.4517961).
2008
[C40] F. Totir, G. Feteanu, C. Ioana, J. Mars, L. Anton, S. Stankovic, “Systemic Doppler based aerial
target tracking”, The 7th Communications International Conference COMM 2008, Bucharest, Romania,
June 2008.
[C41] F. Totir, A. Serbanescu, C. Ioana, J. Mars, S. Stankovic, M. Mazilu, “Surveying the frontier
between signal processing and dynamical systems”, The 7th Communications International Conference
COMM 2008, Bucharest, Romania, June 2008.
[C42] N. Josso, C. Ioana, C. Gervaise, J.I. Mars, “On the consideration of motion effects in underwater
geoacoustic inversion”, Conference Acoustics'08, Paris, July, 2008.
[C43] J. McLaughlin, N. Josso, C. Ioana, “Detection and classification of call types in the vocalizations of
north-east pacific blue whales”, Acoustics'08, Paris, July, 2008.
[C44] B. Gottin, C. Ioana, S. Srdjan, LJ. Stankovic, J. Chanussot, “On the concept of time-frequency
distributions based on complex-lag moments”, 16 th European Conference on Signal Processing
EUSIPCO 2008, Lausanne, August, 2008.
[C45] N. Zaric, I. Orovic, S. Stankovic, C. Ioana, “Space/spatial-frequency based image watermarking”,
50th International Symposium ELMAR, 2008, Volume 1, 10-12 Sept. 2008 Page(s):101 – 104.
2009
[C46] N. Josso, C. Ioana, C. Gervaise, J.I. Mars, “Warping based lag-Doppler filtering applied to motion
effect compensation in acoustical multipath propagation”, 157 Meeting of Acoustic Society of America,
Portland, May 2009, J. Acoust. Soc. Am. Volume 125, Issue 4.
[C47] N.F. Josso, C. Ioana, C. Gervaise, Y. Stephan, J. I. Mars, “Motion effect modeling in multipath
configuration using warping based lag-doppler filtering”, IEEE International Conference on Acoustics,
Speech and Speech Processing, Taipei, April 2009, pp. 2301-2304.
[C48] B. Gottin, I. Orovic, C. Ioana, S. Stankovic, J. Chanussot, “Signal Characterization using
Generalized “Time-Phase Derivatives” Representation”, IEEE International Conference on Acoustics,
Speech and Speech Processing, Taipei, April 2009, pp. 3001-3004.
21
[C49] N. Josso, J. Zhang, A. Papandreou Suppappola, C. Ioana, J. Mars, C. Gervaise, Y. Stéphan,

“Wideband Discrete Transformation of Acoustic Signals in Underwater Environments”, Proceedings of
IEEE International Asilomar Conference on Signals, Systems, and Computers - Asilomar Conference on
Signals, Systems, and Computers, Pacific Grove, United States, 2009.
[C50] N. Josso, C. Ioana, C. Gervaise, J. Mars, Y. Stéphan, “Modélisation des effets du mouvement dans
des configurations multitrajets à l'aide de filtrage retard/doppler basé sur les déformations temporelles”,
Dans Actes du 22ème colloque GRETSI sur le Traitement du Signal et des Images, GRETSI 2009, France
(2009).
[C51] N. Josso, C. Ioana, J. Zhang, A. Papandreou-Suppappola, C. Gervaise, Y. Stéphan, “On the
Characterization of Time Scale Underwater Acoustic Signals Using Matching Pursuit Decomposition”,
Dans Proceedings of IEEE International OCEANS Conference: Oceans'09 MTS/IEEE, Biloxi, United
States, 2009.
2010
[C52] C. Ioana, J. Mars, A. Serbanescu, S. Stankovic, “Time-frequency-phase tracking approach :
application to underwater signals in passive context”, Special Session on Time-Frequency analysis in
underwater applications, IEEE International Conference on Acoustics, Speech and Speech Processing,
Dallas, March 2010.
[C53] B. Lyonet, C. Ioana, M.G. Amin, “Human gait classification using MicroDoppler time-frequency
signal representations”, Proceedings of IEEE Conference Radar 2010 - IEEE Conference Radar 2010,
Washington : États-Unis (2010).
[C54] C. Ioana, M.G Amin, F. Ahmad, Y. Zhang, “Characterization of Doppler Effects in the Context of
Over-the-Horizon Radar”, Proceedings of IEEE Conference Radar 2010 - IEEE Conference Radar 2010,
Washington : États-Unis (2010).
[C55] D. Mocanu, C. Ioana, J-L. Ballester, “Non-stationary Signal Analysis in Water Pipes Monitoring”,
Proceedings of IEEE International Asilomar Conference on Signals Systems and Computers, ACSSC
2010, Pacific Grove, United States, 2010.
[C56] F. Birleanu, C. Ioana, G. D’Urso, A. Serbanescu, G. Serban, “'Estimation of Thermo-
hydrodynamic Parameters in Energy Production Systems Using Non-stationary Signal Processing'”,
Proceedings of IEEE International Asilomar Conference on Signals Systems and Computers, ACSSC
2010, Pacific Grove, United States, 2010.
[C57] X. Pons, F. Ahmad, M.G. Amin, C. Ioana, "An MIMO-MTI Approach for Through-the-Wall Radar
Imaging Applications", 2010 International Waveform Diversity & Design Conference, Niagara Falls,
Canada, August 8-13, 2010.
[C58] I. Candel, B. Gottin, C. Ioana, T. Espilit, “Monitoring Transient Phenomena in Power Networks :
the keypoint of energetic distribution security”, IEEE EnergyCon 2010, Bahrein, December 2010.
[C59] I. Djurovic, P Wang, C. Ioana, M. Simeunovic, “Cubic phase function for two-dimensional
polynomial-phase signals,” EUSIPCO 2010, Alborg, Aug. 2010, pp. 1033-1037.
2011
[C60] R. Demirli, X. Rivenq, Y. Zhang, C. Ioana, M. G. Amin, “MIMO array imaging for ultrasonic
nondestructive testing”, Conference SPIE Smart Structures/NDE, March 2011.
[C61] C. Bernard, R. Demirli, C. Ioana, M. Amin, “Wideband Time-Reversal Processing for Ultrasound
NDE Imaging”, IEEE International Ultrasonics Symposium, Orlando, Florida, 2011.
[C62] F. Birleanu, C. Ioana, A. Serbanescu, J. Chanussot, “On the transient signal characterization using
phase space trajectory dynamics, IEEE International Conference on Acoustics, Speech and Speech
Processing, pp. 3844-3847, Praga, Mai 2011.
[C63] F. Birleanu, C. Ioana, C. Gervaise, J. Chanussot, A. Serbanescu, G. Serban, “On the recurrence
plot analysis method behaviour under scalling transform”, IEEE Statistical Signal Processing Workshop
2011, pp. 793-796, Nice, France.
[C64] F. Birleanu, C. Ioana, C. Gervaise, A. Serbanescu, J. Chanussot, “Caractérisation des signaux
transitoires par l’analyse des récurrences de phase”, Dans Actes du 22ème colloque GRETSI sur le
Traitement du Signal et des Images, GRETSI 2011, Bordeaux, France (2011).
22
2012
[C65] C. Ioana, Y. Zhang, M. Amin, F. Ahmad, B. Himed, “Time-frequency analysis of multipath
Doppler signatures of maneuvering targets”, IEEE International Conference on Acoustics, Speech and
Speech Processing, Kyoto, March 2012.
[C66] F. Dadouchi, J.W. Pitton, C. Ioana, C. Gervaise, “Time-frequency tracking using multi-window
local phase analysis”, IEEE International Conference on Acoustics, Speech and Speech Processing,
Kyoto, March 2012.
[C67] C. Ioana, Y. Zhang, M. G. Amin, F. Ahmad, G. Frazer, B. Himed, "Time-Frequency
Characterization of Micro-Multipath Signals in Over-the-Horizon Radar", IEEE Conference Radar 2010,
Atlanta, États-Unis 2012.
Conférences invitées
[CI1] C. Ioana, A. Jarrot, C. Cornu, "Characterization of signals issued from real systems using a time-
frequency-phase-based modeling procedure", Invited paper to 4th International Conference on
Condition Monitoring, Harrogate, UK, 2007.
[CI2] C. Ioana, A. Jarrot, C. Gervaise, A. Quinquis, J. Mars, "Underwater channel characterization using
opportunity sources : a time-frequency-phase approach", Invited paper to Acoustics'08, Paris, 2008.
[CI3] C. Ioana, A. Quinquis, B. Gottin, “Time-frequency-phase coherence - general framework for signal
analysis in passive context”, Invited paper to New Trends for Environmental Monitoring Using Passive
Systems, 2008, 14-17 Oct. 2008, Page(s):1 – 11 (DOI 10.1109/PASSIVE.2008.4787008).
5.4 Rapports de contrats de recherche

[R1] C. Ioana, "Time-frequency methods for signal classification tasks", Rapport de recherche
01/RI/09.01/E3I2/ENSIETA, Septembre, 2002.
[R2]-[R5] : "Programme d’Etudes Amont STEREO : Volet ‘Observation Discrète du Milieu’", Contrat de
recherche SHOM/CMO :
[R2-3] C. Ioana, A. Quinquis, “Tomographie Acoustique Discrète : émission de la recopie d'un signal
naturellement présent dans le milieu”, Rapport de recherche projet STEREO, Janvier 2005.
[R4] C. Ioana, A. Quinquis, “ Tomographie Acostique passive : méthodes de réduction du bruit”, Rapport
de recherche projet STEREO , Janvier 2005.
[R5] C. Ioana, A. Quinquis, “ Tomographie Acostique passive : Estimation aveugle de la réponse
impulsionelle d’un canal – approche mono capteur”, Rapport de recherche projet STEREO, Janvier 2005.
[R6] "Etude d’un système de reconnaissance et de classification de modulations dans un contexte Non
Data Aided", Grant: 01-42-517-00-470-35-15 (CELAr), Février 2003.
[R7] C. Ioana, A. Quinquis, “Tomographie Acoustique Discrète : émission de la recopie d'un signal
naturellement présent dans le milieu”, Rapport de recherche projet STEREO, Juillet 2005.
[R8] C. Ioana, A. Quinquis, “ Tomographie Acostique passive : méthodes de réduction du bruit”, Rapport
de recherche projet STEREO , Juillet 2005.
[R9] C. Ioana, A. Quinquis, “ Tomographie Acostique passive : Estimation aveugle de la réponse
impulsionelle d’un canal – approche mono capteur”, Rapport de recherche projet STEREO, Juillet 2005.
[R10] C. Ioana, A. Quinquis, “ Tomographie Acostique passive : influence et compensation du
mouvement des sources”, Rapport de recherche projet STEREO, Juillet 2005.
[R11] A. Jarrot, C. Ioana, A. Quinquis, “ Tomographie Acostique passive : Estimation aveugle de la
réponse impulsionelle d’un canal – approche mono capteur”, Rapport de recherche projet STEREO,
Janvier 2006.
mouvement des sources”, Rapport de recherche projet STEREO, Janvier 2006.
[R13] A. Jarrot, C. Ioana, A. Quinquis, “ Tomographie Acostique passive : Estimation aveugle de la
réponse impulsionelle d’un canal – approche mono capteur”, Rapport de recherche STEREO, Juillet 2006.
mouvement des sources”, Rapport de recherche projet STEREO, Juillet 2006.
[R14] A. Jarrot, C. Ioana, A. Quinquis, “ Tomographie Acoustique passive : Estimation aveugle de la
réponse impulsionelle d’un canal – approche mono capteur”, Rapport de recherche projet STEREO,
Janvier 2007 .
23
[R15] C. Ioana, C. Gervaise, A. Quinquis, “ Tomographie Acoustique passive : influence et compensation

du mouvement des sources”, Rapport de recherche projet STEREO, Janvier 2007 .
[R16] C. Ioana, C. Gervaise, A. Quinquis, “Tomographie Acoustique Discrète : émission de la recopie
d'un signal naturellement présent dans le milieu”, Rapport de synthèse projet STEREO, Janvier 2007.
[R17] C. Ioana, “Caractérisation analytique de la loi de phase instantanée - contributions au domaine
SIGINT”, Rapport de recherche projet DGA/MRIS-ENSIETA, Mars 2007.
[R18-20] C.Ioana, “Modélisation de la propagation des ondes ultra-sons dans une conduite”, 3 Rapports
de Recherche dans le cadre de la collaboration GIPSA-EDF, 2009-2010.
[R21-25] C.Ioana, “Mesures thermo-hydrauliques par analyse large bande des signaux ultra-sons”, 5
Rapports de Recherche dans le cadre de la collaboration GIPSA-EDF, 2008-2010.
[R26-28] C.Ioana, B. Gottin, “Techniques de détection et de localisation des décharges partielles dans les
câbles électriques”, 3 Rapports de Recherche dans le cadre de la collaboration GIPSA-EDF, 2008-2010.
[R28-32] C. Ioana, N. Josso, “Analyse temps-fréquence dans les procédés de tomographie passive à partir
de vocalises de mammifères marins”, 5 Rapports de Recherche projet MODE2, Collaboration GIPSA-
ENSIETA-DGA/SHOM, 2007-2010.
24
Introduction
CHAPITRE 6 : Introduction
6.1. Motivation et positionnement des travaux

La connaissance approfondie de l'environnement naturel constitue actuellement un enjeu majeur car
elle contribue à apporter des réponses adéquates aux problèmes globaux de l'humanité comme la
protection des écosystèmes [DirectiveUE], l'utilisation judicieuse des ressources naturelles, la gestion de
l'impact de l'activité humaine sur les milieux naturels [Lammers08], l'identification et le contrôle de
nouvelles sources d'énergie, etc. Un moyen efficace pour la construction de cette connaissance repose sur
l'analyse des signaux issus du milieu naturel étudié. Il peut s'agir des systèmes de traitement actif (les
observations sont obtenues par le biais des signaux d'investigation) et/ou passif (les observations sont
générées par les phénomènes naturels caractérisant le milieu). La figure 6.1 montre une illustration de la
caractérisation du milieu sous-marin en régions côtières, domaine qui connaît un développement important
ces dernières années. Ceci est principalement dû à l’augmentation des activités humaines (navigation,
exploitation de ressources, tourisme) qui, pour des raisons écologiques, implique l’analyse de l’impact de
ces activités sur la faune sous-marine, très riche en région côtière [Whale], [André1]. Une autre raison est
constituée par les activités militaires, de plus en plus déroulées en zones côtières, et qui peuvent interférer
avec la faune sous-marine. Typiquement, les systèmes sonar utilisant des bandes spectrales proches des
sonars biologiques des mammifères, interférent avec ceux deniers, pouvant créer des dégâts irréversibles à
fort impact écologique.
Ainsi, l’analyse des sources de signaux sous-marins constitue une problématique très actuelle et, au
même temps, complexe en raison de la diversité de signaux à traiter et du caractère passif. La figure 6.1
illustre la place d’un système d’analyse des signaux naturels dans un environnement sous-marin mais la
problématique est similaire pour d’autre type d’observatoire comme l’étude de la biodiversité en milieu
forestier, l’impact des systèmes de production d’énergie éolienne sur la faune – pour ne citer que deux cas
d’application dans lesquels je suis impliqué (dans le cadre du projet GREENAR).
Figure 6.1. Exemple de système d’observation du milieu sous-marin côtier

composé d’une antenne verticale fixe et une antenne mobile
Nous constatons, dans cet exemple, la diversité des sources de signaux acoustiques pouvant s’agir
des sources de bruit fixes (comme la plate-forme d’extraction pétrolière) mais également mobiles (le
l’hélicoptère, les mammifères sous-marins, le bateaux,…). De plus, s’agissant du milieu sous-marin côtier,
les phénomènes complexes de propagation [Ulrick83] se rajoutent à cette diversité de formes d’ondes :
propagation multi-trajet, effet Doppler dépendant du trajet, atténuations, interférences, dispersions, etc.
Le système d’analyse des signaux est une partie composante du système d’observation de ce
milieu, qui peut avoir des finalités différentes comme le monitoring et la localisation des populations de
mammifères [Richardson95], la caractérisation du milieu [Gervaise07], l’étude de l’impact des activités
humaines sur la faune [Simard10], les communications sous-marines [Stojanovic03], etc. Afin de répondre
à ces objectifs, l’étape d’analyse des signaux est cruciale et, ceci, dans des contextes complexes illustrés
sur la figure 6.2 où nous présentons le spectrogramme d’un enregistrement acoustique effectué en Mer
d’Iroise [Gervaise10].
25
Introduction
Figure 6.2. Spectrogramme d’un enregistrement du bruit ambiant dans la Mer d’Iroise
La figure 6.2 pointe les difficultés liées à l’analyse des signaux naturels sous-marins :
- Configuration passive de traitement. S’agissant d’une analyse des signaux naturels, nous ne
possédons pas des informations a priori concernant les signaux reçus ;
- Diversité des signaux. Comme nous pouvons le constater sur la figure 6.2, différentes classes de
formes d’onde sont susceptibles d’être reçues. Nous pouvons avoir à faire à des vocalises de mammifères
qui sont généralement composées de plusieurs structures temps-fréquence non- linéaires. Un autre type de
signaux est constitué par les transitoires d’origine biologique et/ou anthropologique. Par ailleurs, le bruit
ambiant a souvent des caractéristiques non-stationnaires, associées aux phénomènes diverses comme le
vent, l’état de la mer, présence de l’activité humaine diverse, etc ;
- Phénomènes de propagation complexes [Ulrick83]. La propagation des ondes acoustiques dans le
milieu sous-marin est caractérisée par des phénomènes complexes, liés principalement à la taille du milieu
parcouru par les ondes. En effet, lorsque nous considérons des distances de propagation importantes, le
milieu devient hétérogène car les propriétés comme la vitesse de propagation, l’indice de réfraction, la
température, etc ne sont plus les mêmes. De plus, les interfaces eau-air (à la surface de la mer) et eau-
solide (le fond sous-marin) ajoutent de la complexité à la propagation des ondes. Ainsi, en termes de
traitement du signal, ces phénomènes se traduisent par des signaux reçus multi-composantes (en raison des
trajets multiples) ayant, généralement, un contenu temps-fréquence différent, en terme d’énergie (en raison
des atténuations), temps d’arrivée (liés à la longueur du trajet et à la vitesse de propagation), contenu
spectral (ceci étant dû à la dispersion et/ou au mouvement relatif entre la source et le récepteur).
En présence de ces difficultés, le système d’analyse des signaux doit être capable de fournir les
paramètres signal d’intérêt, ce qui impose la prise en compte de la physique ainsi que la finalité de
l’application. Les travaux auxquels j’ai participé et qui seront présentés dans ce mémoire illustrent les
différentes contributions théoriques, intéressantes pour l’analyse des signaux acoustiques sous-marins,
avec différentes finalités comme la caractérisation de vocalises des mammifères sous-marins, la
localisation des sources impulsionnelles, la prise en compte du mouvement, la caractérisation du
milieu,…En conclusion, le positionnement principal de ces travaux s’articule autour du traitement des
signaux non-stationnaires naturels en contexte passif et dans des environnements de propagation
complexes.
Un autre champ d’application, très large et de grande actualité, repose sur l’évolution d’un système
donné dans un environnement incertain. Un exemple d’application, largement abordé dans mes travaux de
recherche, est constitué par le système de production-transport-distribution d’énergie qui est soumis à des
perturbations diverses et continues, affectant, de manière réversible et/ou irréversible, son fonctionnement.
Généralement, l’état d’un système électrique se traduit par des phénomènes transitoires qui ont des
origines très variées. Je me suis donc occupé, pendant mes recherches dans ce domaine, de l’étude de ces
signaux, certains pouvant être considérés comme normaux et d’autre comme provenant d’un défaut. Tel
est le cas des décharges partielles (DPs) qui constituent une des causes les plus fréquentes de panne dans
les systèmes électriques. En effet, un nombre important des pannes de ces systèmes serait dû à des défauts
d'isolation, selon [IEC2000]. Les décharges partielles peuvent apparaître dans toute la chaîne de
production, transport, distribution, et consommation de l’énergie électrique. Elles peuvent être dues à
divers facteurs, comme la fatigue et l'usure du matériel, défaut de conception, l’humidité environnante, les
défauts de fabrication, etc. Tous ces facteurs induisent le caractère incertain du comportement du système
électrique et le but de l’analyse de ces signaux est d’assurer la prédiction, en temps utile, de l’évolution du
système.
26
Introduction
Le taux élevé de pannes dues aux DPs ainsi que la problématique complexe liée à la caractérisation
des DPs sont les principaux arguments pour accorder une importance particulière à ce type de phénomènes
transitoires. Par analyse de ces phénomènes, nous comprenons la détection des transitoires suivie de la
localisation de leurs sources.
Comme pour toute technique de détection, une probabilité de détection Pd élevée et une probabilité
de fausse alarme Pfa réduite sont les principaux paramètres de performances recherchés. Dans le contexte
de détection des DPs, les bonnes performances de détection peuvent être assurées par un monitoring
continu de l'équipement ainsi que la surveillance globale du système (de tout son volume), ce qui se traduit
par un grand nombre de transitoires reçus, principalement en raison du milieu complexe dans lequel il est
généré (sources cachées, position complètement inconnue et aléatoire, multi-trajets, milieu de propagation
hétérogène, etc). La figure 6.3 montre un exemple de signal correspondant à un transitoire simulé et
propagé dans un câble haute tension mais qui, en raison des réflexions multiples, se traduit, au niveau de
capteur (situé au point P6), par une série de transitoires d’amplitudes différentes.
Figure 6.3. T1 = pulse émis en P1 ; T2 = pulse issu de la réflexion, à l'interface câble1 / jonction (point P2), de T1 ;
T3 = pulse issu de la réflexion, en fin de ligne (point P6), de T1 ; T4 = pulse issu de la réflexion en P6, de la part de
T3 issue de sa réflexion à l'interface câble2 / jonction (point P5)
La détection et la localisation de la source de transitoires constituent une tache complexe car il faut
être capable, au même temps, de détecter la présence de l’ensemble des transitoires (noyés dans des
perturbations diverses) et, ensuite, compte tenu de la physique de la configuration, de séparer les
transitoires en fonction de leurs déformations relatives. Le caractère transitoire (ie, peu d’échantillons
disponibles), rend la problématique très complexe. De plus, la localisation nécessite la présence de
plusieurs capteurs spatialement distribués, ce qui induit un certain nombre des problèmes techniques
comme la synchronisation multi-capteurs qui constitue un grand défi actuel. Dans ce contexte, la
méthodologie qui sera présentée dans ce mémoire, en reliant les concepts théoriques aux aspects
physiques liés à cette application, constitue une solution potentielle face aux contraintes actuelles
spécifiques à cette application. Nous allons voir que cette méthodologie peut être utilisée avec succès dans
d’autres contextes applicatifs où l’analyse des transitoires est requise.
Enfin, un autre exemple de système incertain est défini par un récepteur ELINT (Electronic
Intelligence) qui, du fait de son caractère passif, est susceptible de recevoir des formes d’onde diverses,
avec des paramètres inconnus qui sont à déterminer. La figure 6.4 présente un exemple de scénario typique
ELINT dans lequel plusieurs sources de signaux radar et de communication peuvent émettre dans une
bande couverte par le récepteur ELINT.
27
Introduction
Figure 6.4. Scénario ELINT présentant un environnement électromagnétique dense
Dans ce scénario, nous simulons des radars aux formes d’onde (intrapulse) variées : onde continue
modulée en fréquence, FSK, PSK, chirp linéaires, impulsions à fréquence constante. Leur origine est la
suivante :
1. Radar de navigation LPI (Low Probability of Intercept) CRM-100 (synthétique) : il s’agit d’un
radar polonais à modulation continue opérant dans la bande 9.3-9.5 GHz. La variation de
fréquence peut atteindre 54 MHz. La période de modulation est de 1 ms.
2. Radar de surveillance terrestre de type JY-17A (synthétique) servant à détecter, localiser et
identifier les cibles mobiles terrestres ou évoluant à basse altitude. Nous supposerons qu’il émet
des signaux FSK codés par une séquence de Costas à 7 états. La bande du signal est de 7.5 MHz.
3. Radar d’imagerie DO-SAR (synthétique) : il émet des signaux du type chirp linéaire dont la
variation de fréquence instantanée est de 200 MHz.
4. Radar de surveillance côtière à fréquence constante dans la bande L.
5. Communications dans la bande L entre JY-17A et un lanceur d’engin (signal PSK).
Le récepteur ELINT, disposé au point 6, reçoit l’ensemble de ces signaux afin de les séparer et
identifier leurs paramètres : fréquences centrales, bandes spectrales, durées, lois de modulations, etc. La
figure 6.5 illustre la complexité de cette analyse car des signaux avec des contenus temps-fréquence
différents sont à identifier. L’estimation des paramètres de chacun de ces signaux est un aspect important
pour les opérations suivantes comme la contre-action et/ou le choix adéquat de formes d’ondes dans un
contexte donné (thématique adaptive waveform).
Figure 6.5. Représentation temps-fréquence des signaux reçus dans le contexte du scénario défini sur la figure 6.5
Le caractère passif du récepteur ELINT implique le besoin des méthodes d’analyse performantes
pouvant fournir, de façon précise, les paramètres des modulations de chaque source. Cette thématique est
une composante importante de la Guerre Electronique, appelée Signal Intelligence (SIGINT).
Les exemples présentés dans ce paragraphe constituent trois contextes applicatifs dans lesquels j’ai
eu l’occasion de travailler durant mes activités de recherche. Les méthodes théoriques proposées pendant
mes travaux ont été développées en partant des caractéristiques communes de ces applications complexes
qui sont le manque d’hypothèses fortes concernant les signaux présents dans l’environnement, la diversité
28
Introduction
des contenus temps-fréquence de ces signaux et la présence des perturbations complexes. Dans ce cadre,
des méthodes générales d’analyse ont été proposées et comparées avec des techniques existantes. Ensuite,
en prenant en compte le contexte physique spécifique à chacune d’application, des solutions applicatives
opérationnellement intéressantes ont été proposées et étudiées. La combinaison des techniques de
traitement du signal que j’ai pu développées avec de la physique de l’application est l’élément commun
de ces, indiquant l’importance de la physique dans l’interprétation adéquate des paramètres des signaux
non-stationnaires fournis par les méthodes d’analyse.
6.2. Organisation du mémoire

La suite de ce mémoire contient trois parties, deux avec un caractère théorique et une, à la fin,
dédiée aux applications.
La deuxième partie de ce mémoire a trait à la définition des nouveaux espaces de représentation des
signaux avec des structures temps-fréquence non-linéaires. Cette partie synthétise les trois contributions
principales concernant la représentation des structures temps-fréquence variable :
1. La généralisation des transformations de déformation (warping) pour le cas des lois de modulation
arbitraires, pas forcement inversible.
2. La construction d’une classe générale de représentation « temps-dérivée supérieure » de la phase
instantanée. Ce concept, qui généralise le concept d’analyse temps-fréquence, est particulièrement
intéressant pour l’étude des signaux à contenu temps-fréquence non-linéaire car il réduit considérablement
l’importance des termes d’intraférences « visibles » dans les représentations temps-fréquence
traditionnelles. Des techniques d’estimation robuste des paramètres de cette nouvelle distribution vont être
également présentées.
3. Les concepts mentionnés ci-dessus offrent un cadre adéquat à l’inférence des aspects physiques de
l’application et nous allons présenter comment le warping généralisé et la modélisation physique de la
dynamique d’une configuration offrent une méthodologie adéquate à l’analyse et à la compensation du
mouvement de la scène. Cette méthodologie est à la base de la définition d’une nouvelle forme de fonction
d’ambigüité adaptée à l’analyse d’un mouvement en contexte large bande et multi-trajet.
La troisième partie de ce mémoire est consacrée aux techniques d’extraction des structures temps-
fréquence qui reposent, entre autre, sur les espaces de représentation proposées dans la partie 2. Le point
commun de ces techniques est l’exploitation de l’information temps-fréquence globale en utilisant des
critères de continuités énergétiques et/ou de phase locale des composantes. Trois classes de méthodes ont
été proposées et seront présentées dans cette partie :
1. Extraction par une technique de regroupement de type algorithme de Viterbi. Cette technique repose
sur une organisation des points temps-fréquence d’une distribution quelconque sur la forme de plusieurs
chemins, le meilleur choix étant donné par la minimisation d’une fonction de pénalité ;
2. Extraction par projections temps-fréquence locales. Le point d’originalité repose sur la projection
du signal sur des dictionnaires locaux qui fournit, pour chaque segment d’analyse, la meilleure
approximation par une série de fonctions élémentaires locales. Les structures temps-fréquence globales du
signal sont obtenues par la fusion de ces fonctions élémentaires locales, le choix optimal étant donné par la
minimisation d’une fonction de pénalité conçue à partir des critères de continuité temps-fréquence-phase ;
3. La troisième technique a été introduite afin d’automatiser le paramétrage spécifique aux deux
méthodes mentionnées précédemment. Deux contributions ont été essentiellement mises en valeur : la
construction du dictionnaire local par la modélisation locale de phase et l’association locale des
composantes en choisissant la meilleure combinaison de point de vue cohérence temps-fréquence-phase.
La quatrième partie est consacrée à la présentation des résultats applicatifs dans les deux domaines
généraux d’application : analyse des signaux naturels issus du milieu sous-marin et les contributions dans
les contextes incertains, tels que le radar et les systèmes de production et de transport d’énergie.
Chaque paragraphe présenté dans ce mémoire présentera un état d’art synthétique, servant à
positionner, de façon précise, les contributions associées. De même, chaque paragraphe s’achèvera avec
une énumération des perspectives théoriques et/ou applicatives.
Enfin, ce mémoire sera finalisé par une partie de bilan et perspectives globales afin de positionner
l’état actuel de mes résultats de recherche et d’indiquer les projets à moyen terme dans lesquelles je
souhaite projeter mes travaux futurs.
29
Introduction
30
Partie II
Représentation des signaux à structures temps-

fréquence non-linéaires
2. Représentation des signaux à structures temps-fréquence non-linéaires
Mon travail de thèse a porté sur la caractérisation des signaux composés des structures temps-
fréquence non-linéaires, largement rencontrées dans des contextes applicatifs comme celui de l’analyse
des vocalises de mammifères, l’analyse des signaux propagés dans des configurations mobiles, systèmes
dispersifs, etc. Deux axes ont été explorés : le premier repose sur la construction de représentations temps-
fréquence basées sur les opérateurs de déformation (warping operators) et le deuxième est constitué par la
modélisation polynomiale de la phase, à partir de la fonction d’ambigüité à ordre supérieur.
Naturellement, à la suite de ma thèse, j’ai continué à m’intéresser à la caractérisation de signaux à
structures temps-fréquence non-linéaires. L’objectif principal de ces travaux est de fournir des nouveaux
espaces de représentation des structures temps-fréquence non-linéaires. Deux axes majeurs ont été
développés : la construction des opérateurs de déformation généralisés et la classe des distributions à
temps complexe. Ces nouveaux espaces constituent des domaines adéquats pour l’inférence de la physique
de l’application, comme il sera montré dans le troisième chapitre de cette partie, dans le contexte des
configurations « source-canal de propagation-récepteur » dynamiques (en présence du mouvement).
CHAPITRE 7 : Opérateurs de déformation (warping) généralisés

Cet axe de recherche a été développé dans la continuité de mes travaux de thèse et a constitué une
partie importante de la thèse d’Arnaud Jarrot. Des collaborations et des échanges riches ont contribué à
ces résultats, en citant la collaboration avec Professeur Antonia Papandreou-Suppappola, réalisée à travers
de deux séjours à Arizona State University ainsi que d’un master (Bertrand Gottin) et un séjour
ExploraDoc (Nicolas Josso). Par ailleurs, les travaux théoriques se sont axés, dans la période 2003-2007,
sur des structures temps-fréquence non-linéaires spécifiques aux signaux sous-marins, dans le cadre du
projet STEREO (Système Temps Réel d’Observation Rapide de l’Environnement Océano-acoustique) en
collaboration avec le SHOM, Brest.
Le problème considéré est la représentation des signaux à structures temps-fréquence non-linéaires
et leur séparation par le filtrage temps-fréquence adéquat. Lorsque nous avons à faire à des structures
temps-fréquence non-linéaires, une des méthodologies consacrées d’analyse repose sur le changement des
coordonnées de représentation temps et/ou fréquence des signaux. Ce changement a pour effet la
linéarisation du contenu temps-fréquence, ce qui valide l’utilisation des méthodes temps-fréquence de la
classe de Cohen, par exemple, reconnues comme « adéquates » pour l’analyse des signaux à contenu
temps-fréquence linéaire. Ce concept théorique repose sur les opérateurs de déformations (warping, en
Anglais) dont le principe théorique découle de la théorie « Unitary equivalence » [Bar95]. En synthèse,
Baraniuk montre que le changement des coordonnées, via des opérateurs warping unitares, est une
opération réversible et qui conserve parfaitement « les distances » entre les composantes temps-fréquence
et l’énergie du signal traité. A partir de ce principe, différentes classes de représentations temps-fréquence
ont été défini comme la classe de représentations hyperboliques ([ASP95]) et la classe de représentations
mononomiales (power class) [Hla99].
Dans sa forme initiale, l’utilisation du principe des opérateurs warping est néanmoins restreinte aux
cas des modulations définies par des fonctions bijectives et pour lesquelles ont dispose d’expressions
analytiques, de façon à pourvoir calculer les inverses des fonctions, nécessaire à la définition des
opérateurs warping. Dans ce contexte, la contribution principale des travaux présentés dans ce paragraphe
est une nouvelle méthodologie pour la définition des opérateurs warping adaptés aux signaux avec des
structures temps-fréquence non-linéaires arbitraires, caractérisées par des fonctions pas forcement
bijectives (et, donc, non-inversible) et caractérisées uniquement par quelques points (pas de forme
analytique souhaitée). A partir de ces opérateurs warping généralisés, nous définissons la classe des filtres
temps-fréquence optimaux pour l’extraction des composantes considérées.
Domaine d’applications : La caractérisation et le filtrage des composantes temps-fréquence non-linéaires

– analyse des signaux sous-marins (vocalises de mammifères, milieux dispersifs,…), filtrage des
composantes Doppler en contexte multi-trajet (radar, sonar), débruitage des signaux sous-marins,
watermarking,…
Publications : Ce travail a donné lieu à un papier revue ([A9]) et neuf papiers conférence, sur les aspects
théoriques ainsi qu’applicatifs : [C15], [C28], [C25], [C26], [C36], [CI2], [C30], [C33], [C35] (voir le
chapitre 5 de la Partie I).
.
7.1. Contexte
Modèle du signal à structures temps-fréquence non-linéaires
De façon générale, un signal à plusieurs structures temps-fréquence non-linéaires s’exprime

mathématiquement par :
N N
x(t ) = ∑ si (t ) = ∑ Ai e jψ i (t ) (7.1)
i =1 i =1
où N est le nombre des composantes, Ai est l’amplitude de la composante i et ψ i (t ) est la loi de phase
instantanée décrite par une fonction non-linéaire. Voici quelques exemples de loi de phase non-linéaire :
- Loi de phase logarithmique [ASP95] :
31
ψ i (t ) = 2πf 0i t + ci ln t; t ∈ [t 0i , t 0i + Di ] (7.2)
où f0i est la fréquence autour de laquelle la modulation logarithmique intervient, t0i est l’instant de temps
d’origine de la composante i, Di est la durée de la composante i et ci constitue le taux de modulation
logarithmique. La loi de phase logarithmique est largement rencontrée dans la nature, utilisée par les
objets en mouvement (chauve souris, par exemple), grâce à leur robustesse au Doppler ;
- Loi de phase monomiale (power class) [Hla99] :
ψ i (t ) = 2πf 0i t + ci t k ; t ∈ [t 0i , t 0i + Di ] (7.3)
où f0i est la fréquence autour de laquelle la modulation intervient, t0i est l’instant de temps d’origine de la
composante i, Di est la durée de la composante i, k – l’ordre de modulation mononomiale et ci constitue le
taux de modulation mononomiale. Ce type de loi de phase, en raison de son caractère général, constitue un
moyen efficace pour la caractérisation des signaux à contenu temps-fréquence non-linéaire. La figure 7.1
montre un résultat de modélisation d’une vocalise de mammifère sous-marin via les lois de phase
monomiales [Ioana06].
Figure 7.1. Caractérisation des vocalises de mammifères par des modulations monomiales
(la méthode utilisée s’appelle WSD – Warped Signal Decomposition [Ioana06])
- Loi de phase polynomiale [Peleg91] :

ψ i (t ) = ∑ aik t k ; t ∈ [t 0 i , t 0i + Di ] (7.4)
k
où {aik} constituent les coefficients polynomiaux de la fonction ψ i (t ) . Cette expression correspond à des
type de signaux de notoriété comme :
- les sinusoïdes : ai1>0 ; ai2=ai3=…..=0 ;
- les modulations linéaires de fréquence : ai1>0 ; ai2 ≠ 0 ; ai3=ai4=…..=0 ;
- les modulations cubiques de fréquence : a1>0 ; a2≠0 ; a3≠0 ;
En raison de son caractère très général, la modélisation polynomiale de la phase a attiré l’attention
des nombreux chercheurs qui ont proposé, à partir du concept de la fonction d’ambigüité à ordre supérieur
(High Order Ambiguity Function) [Peleg91], une multitude des méthodes robustes pour l’estimation des
coefficients polynomiaux de la phase d’un signal [Porat93], [Bar98],…Cependant, en raison de leur forme
mathématique généralement non-bijective, les modulations polynomiales de phase ne peuvent pas être
traitées à l’aide des opérateurs de déformation. L’outil privilégié reste la High Order Ambiguity Function
(HAF) ainsi que les formes améliorées comme la Product HAF [Bar98].
Principe de la représentation par méthodes de déformation
En raison du contenu temps-fréquence non-linéaire de ces composantes, l’analyse d’un signal

exprimé selon (7.1) par des méthodes temps-fréquence linéaire et/ou bi-linéaires comportera des artefacts
constitués par les termes intraférence. Ces termes affectent la concentration temps-fréquence de ces
distributions, comme montré par P. Flandrin [Fla93] et dérivé mathématiquement par LJ Stankovic en
1998 [Stan98].
32
Ainsi, la concentration d’une représentation temps-fréquence (RTF) d’un signal s ( t ) = re ( )

jφ t
autour de la loi de fréquence instantanée LFI=φ’(t) s’exprime mathématiquement par [LJStan02] :
{
RTFs ( t , ω ) = 2π r 2 qδ (ω − φ ' ( t ) ) ∗ω FT e
jQ ( t ,τ )
} (7.5)
où :
- Q(t,τ) – la dispersion de l’énergie temps-fréquence dans le voisinage de la LFI (Q est
également appelée fonction d’étalement);
- q – une constante ;
- FT – la transformée de Fourier ;
- τ - le retard nécessaire pour l’évaluation de la RTF.
Dans le tableau suivant [LJStan02], les expressions de la fonction Q de quatre types de

représentations temps-fréquence sont présentées. Il s’agit de la transformée de Fourier à courte terme, de
la distribution de Wigner-Ville, de la L-Wigner distribution [LJStan96] et de la distribution de Wigner-
Ville polynomiale d’ordre 4 [Boa94].
Figure 7.2. La définition du Spread factor pour quelques distributions classiques (d’après [LJStan02])
Une RTF présente une meilleure concentration autour de la LFI si les termes dominants de Q(t,τ)
sont considérablement faibles. Nous pouvons le constater sur ce tableau. La fonction Q(t,τ) de la
distribution de Wigner-Ville (DWV) a un terme dominant d’ordre 3 alors que celui de la STFT (Short-
Time Fourier Transfom) est d’ordre 2, et, en plus, les atténuations des coefficients de la fonction Q(t,τ) de
la DWV est supérieure à celle correspondante à la STFT. Ceci explique pourquoi la DWV fournit une
meilleure concentration que la STFT, dans le cas d’une seule composante. Les deux autres distributions
(L-Wigner et la distribution de Wigner-Ville polynomiale d’ordre 4) présentent des termes d’intraférence
plus faibles, ce qui montrent leur intérêt pour la représentation des signaux à contenu temps-fréquence
non-linéaire.
La maximisation de la concentration des distributions temps-fréquence, appliquées aux signaux à
contenu temps-fréquence non-linéaire, constitue un élément clé pour assurer une bonne représentation de
ce type de signaux. Dans mes travaux, deux classes d’approches ont été investiguées. La première,
illustrée dans la suite de ce sous-chapitre, repose sur la famille des opérateurs de déformation. La
deuxième consiste à minimiser la fonction Q en utilisant les distributions à temps complexe qui seront
présentées dans le paragraphe 7.2.
La famille des operateurs unitaires de déformation temporelle, introduits dans [Bar95], permettent
de modéliser n’importe quel retard de groupe possédant une loi de modulation bĳective [ASP95], [Hla99].
Le principe associé à ces operateurs est d’appliquer une succession d’opérations de compression et de
décompression temporelles permettant une stationnarisation de la loi de phase des signaux traités. La
définition mathématique des operateurs unitaires de déformation temporelle est :
Soit x(t) ∈ L2(R) un signal à énergie finie et soit :
33
 dw(t ) 
1/ 2
W w(t ) ∈ C , w(t ) > 0; x(t ) 

→ Wx(t ) = x(w(t ))
1
(7.6)
 dt 
Les operateurs de déformation font l’objet d’un grand intérêt dans le domaine du traitement du
signal et de l’analyse temps–fréquence. Plus spécifiquement, les operateurs de déformation permettent, par
exemple, de transformer un signal modulé non linéairement en fréquence en un signal à bande étroite
équivalent. Soit x(t) un signal modulé en fréquence de la forme x(t ) = exp( j 2πf 0ϕ (t )) où ϕ (t ) est une
fonction continue et inversible. En choisissant comme fonction de déformation
w(t ) = ϕ −1 (t ) (7.7)
et en appliquant à x(t) l’opérateur de déformation correspondant on obtient :
dϕ −1 (t )
1/ 2
Wx(t ) = exp( j 2πf 0 t ) (7.8)

dt
où le signal Wx(t) est un signal harmonique pur. La transformée de Fourier de (7.8) est donnée par :
 dϕ −1 (t ) 1 / 2 
( )
FWx (t ) =  F
dt
( f ) * δ ( f − f )
 0 (7.9)
 
où F représente l’operateur de Fourier, * l’operateur de convolution et δ l’impulsion de Dirac
(FWx )(t ) =  F dϕdt (t )

 −1 1/ 2

Afin d’éliminer l’influence du terme ( f ) , nous pouvons utiliser la version

 
non-unitaire des opérateurs de déformation :
{W w(t )∈ C , w(t ) > 0; x(t ) → Wx(t ) = x(w(t ))}

1
(7.10)
qui produira la stationarisation du contenu temps-fréquence du signal considéré. Cette propriété est très
importante dans le contexte de la modélisation paramétrique des modulations non-linéaires car ceci revient
à estimer, dans le domaine du signal déformé, des composantes monochromatiques.
Les fonctions w( x ) = e x [APS95] et w( x ) = x sgn( x ), k ≠ 0 [Hla99] constituent des exemples
k
de déformations utiles qui ont été largement utilisées dans la pratique. Elles sont définies pour des
fonctions ayant une forme analytique et qui admet l’inversion. Mais, dans la plupart des signaux à contenu
temps-fréquence non-linéaire, les fonctions caractérisant les structures temps-fréquence non-linéaires
n’ont pas des formes analytiques et elles ne sont pas forcement inversibles. Ces aspects restreignent
l’utilisation des techniques de déformation pour des structures temps-fréquence arbitraires (pas forcement
caractérisées par des fonctions analytiques et, de plus, inversibles) et nous nous sommes intéressés à
apporter des solutions.
7.2. Contributions
7.2.1. Discrétisation des opérateurs de déformation
Comme suggéré par la définition des opérateurs de déformation (7.6), la déformation de l’axe de
temps ou de fréquence d’un signal se fait à travers le calcul des échantillons du signal de départ pour des
coordonnées données par la fonction w(t). Cette opération, assez simple à imaginer mathématiquement, est
assez complexe dans le cas des signaux numérisés (cas discret). Principalement, trois aspects doivent être
pris en compte. Le premier repose sur le fait que la variation non-linéaire d’une composante temps-
fréquence, de manière générale, ne peut pas être modélisée par une fonction analytique, comme requis
pour la définition de l’opérateur de déformation. Le deuxième aspect est lié à la discrétisation car
l’application de l’opérateur de déformation (expression (7.6)) consiste à calculer les valeurs du signal à
34
des instants de temps mathématiquement réels (selon la variation w(t)) mais que nous devrons approximer
pour le cas discret où les coordonnées temporelles sont des multiples de la période d’échantillonnage (des
entiers). Enfin, le troisième aspect est lié au caractère pas forcement bijectif de la loi de variation temps-
fréquence, ce qui ne garantit pas l’inversibilité nécessaire à la définition de w(t).
Ces trois aspects ont été pris en compte dans nos travaux et nos contributions constituent des
solutions potentielles. Ces contributions s’articulent autour de la discrétisation des opérateurs warping que
nous avons mise en place et étudiée lors de nos travaux.
Le point de départ est constitué par la définition des opérateurs de déformation en temps discret
dont l’effet sur le signal discret x[n] est donnée par :
(Wx[n])[m] = x W [m] = x wd  m  

( N − 1)T , m = 0,..., M − 1 (7.11)
  M −1 
où T représente la période d’échantillonnage, M – le nombre de points du signal x, wd(u) est la version
normalisée de la fonction de déformation w(t) définie par :
w(( N − 1)Tu )
wd : [0,1] → [0,1] ∈ C 1 wd (0 ) = 0, wd (1) = 1, dwd (u ) / du ≥ 0; wd (u ) = (7.12)
w(( N − 1)T )
Comme indiqué par (7.11), le calcul de la séquence discrète déformée nécessite la valeur du signal x
 m 
aux instants wd  ( N − 1)T qui ne sont pas des valeurs entières. La solution repose donc sur le
 M −1 
calcul de l’opérateur de déformation discret en utilisant la théorie de l’interpolation. Une idée naturelle
consiste à utiliser l’interpolateur sinus cardinal qui, pour un signal à bande limitée, permet, selon la théorie
de Shanon, de reconstruire parfaitement un signal continu à partir de ces échantillons. En pratique, cette
méthode est difficilement applicable car le sinus cardinal est une fonction à support spectral infini et un
nombre important de points devrait être pris en compte. Une autre limitation, spécifique à cet
interpolateur, apparait dans le contexte des signaux pas strictement à bande limitée. Dans ce cas,
l’interpolateur sinus cardinal introduit des oscillations dues à l’effet de Gibbs [Gib99].
Afin de pâlir à ces limites, nous nous sommes orientés vers des nouveaux interpolateurs, le point de
départ étant la projection d’un signal dans un espace linéaire invariant par translation [Mei02]. Cet
espace est défini par le noyau ϕ(t) tel que Vϕ = span({ϕ (t − kT ), k ∈ Z}) . Dans cet espace, un signal
x(t ) ∈ Vϕ s’exprime par [TBU00] :
x(t ) = ∑ c[n]ϕ (t − nT ) (7.13)

n
Après l’analyse des plusieurs interpolateurs, nous nous sommes placés dans le contexte de
l’interpolation exacte pour lequel x(nT)=x[n]. En utilisant ce concept, le signal x(t) s’exprime selon :
N
x(t ) = ∑ x[n]ϕ int (t − nT ) (7.14)
n =0
où le noyau ϕint(t) est donné par :

ϕ int (t ) = ∑ p[k ]ϕ (t − kT ) (7.15)
k
La condition d’interpolation exacte est vérifiée si et seulement si :

 1, si n = 0
ϕ int (nT ) = 
0 si n ∈ Z − {0}
(7.16)
Le choix du noyau d’interpolation repose sur l’a priori quant à la nature du signal x(t). Un exemple
est celui du sinus cardinal utilisé pour toutes les fonctions à bande limitée. Toutefois, différents noyaux
d’interpolation peuvent être envisagés pour cette tache. En guise d’exemple, on peut citer la classe
d’interpolateurs de type sinus cardinal fenêtré [Wol90], la classe des Spline cardinales [TBU00] ou la
classe des interpolateurs à support temporel minimal [BTU98]. Dans ce cadre, nous avons effectué
35
plusieurs séries de tests afin de retrouver, de façon objective, les performances des différentes techniques
d’interpolation possible. Nous avons ainsi montré que les fonctions Spline d’ordre élevé correspondent au
choix optimal en termes de performances d’interpolation nécessaire pour le calcul de l’opérateur de
déformation directe. Avec ces procédures d’interpolation, la méthodologie générale de déformation
temporelle repose sur l’échantillonnage irrégulier de la forme interpolée du signal (7.14)
N
x w [m] = ∑ x[n]ϕ int (wd (m ) − nT ) (7.17)
n=0
où wd(m) est l’opérateur de déformation (7.12).

Cette méthodologie apporte une solution efficace à la difficulté engendrée par le warping, à savoir,
le besoin de calcul du signal dans des points sur lesquels il n’est pas défini. Nous avons montré qu’en
utilisant des interpolateurs puissants, nous pouvons, non seulement avoir des erreurs d’interpolations très
faibles (voir l’exemple de la fin de ce paragraphe) mais également réaliser le warping pour des fonctions
de déformations pas nécessairement analytiques.
Avec la déformation temporelle, le contenu temps-fréquence du signal est modifié, ce qui nous
permet de représenter différemment le signal. Une déformation très utile est la stationarisation du contenu
temps-fréquence des signaux, qui consiste à transformer un signal caractérisé par une loi de fréquence
instantanée non-linéaire en un signal sinusoïdal, caractérisé par une raie dans le plan temps-fréquence. Ce
type de représentation permet d’utiliser des filtres de type bande étroite, par exemple, afin d’extraire le
signal d’intérêt. Une fois le filtrage effectué (voir le paragraphe dédié au filtrage temps-fréquence), il est
souvent nécessaire de revenir dans le domaine d’origine pour une représentation plus adéquate ou la suite
de l’analyse, dans le cas des signaux à plusieurs composantes. Cette opération nécessite la mise en place
de l’opérateur de déformation inverse, ce qui revient à retrouver, à partir des échantillons x w [m] , les
échantillons x[n] vérifiant (7.17). La résolution directe du problème de reconstruction d’un signal à
échantillonnage non-uniforme est considéré une opération complexe en raison de la convergence des
séries infinies ainsi que de l’instabilité algorithmique liée au mauvais conditionnement du problème.
Afin de résoudre ce problème nous avons proposé un algorithme itératif qui fournit des excellents
résultats en termes de convergence ainsi que d’erreur de reconstruction. Il part de l’algorithme proposé en
[AG01] et repose sur une procédure itérative, définie comme suit. Soit ϕ(⋅) un noyau dans l’espace
invariant Vϕ vérifiant
∑ sup ϕ (t − n ) < ∞, ∀n ∈ Z , t ∈ R,
[ ]
n t∈ 0 ,1 (7.18)
ϕ (t ) t =nT = δ n ,0 , ∀n ∈ Z , t ∈ R
{ }
et avec Χ = n m n m = ( N − 1)wd (m ) , m = 0,…,M –1 un ensemble d’échantillonnage stable en Vϕ. Par
définition, un ensemble d’échantillonnage est stable si la distance maximale entre deux échantillons nm et
nm+1 est suffisamment petit. Dans le contexte de la déformation d’un signal, nous avons montré que, pour
assurer la stabilité de l’ensemble d’échantillonnage, la distance maximale entre deux échantillons doit
respecter la condition [Jarrot07] :
dwd (t ) 2( N − 1)
sup nm +1 − nm ≤ sup ⋅ (7.19)
m t∈[0 ,1] dt M −1
où N est le nombre d’échantillons du signal en temps et M est le nombre d’échantillons du signal déformé.
Sous ces conditions, les échantillons uniformément répartis du signal x[n], n = 0,…,N-1 peuvent
être reconstruits de l’ensemble d’échantillons du signal warpé, { xw[m]}, en utilisant l’algorithme itératif
suivant [Jarrot07] :
• Initialisation :
x (0 ) [n] = x w [k ], k = arg min{n − nm }
m
N −1
(7.20)
x w [m] = ∑ x
(0 ) (0 )
[n]ϕ (nm − n )
n=0
36
• Jusqu’à x ( p ) − x ( p −1) < ε effectuer :

2
∆x ( p ) [m] = x w [k ] − x w( p −1) [k ], k = arg min{n − nm } (7.21)

m
x ( p ) [n] = x ( p −1) [n] + ∆x ( p ) [n] (7.22)

N −1
x w( p ) [m] = ∑ x ( p ) [n]ϕ (nm − n ) (7.23)
n =0
La procédure itérative consiste à calculer l’échantillon n du signal unwarped x en utilisant un terme

de correction ∆x ( p ) (7.22). Ce terme est calculé comme la différence, pour un échantillon donné, entre le
signal déformé de départ et le signal déformé à partir du signal reconstruit à l’itération i (7.21) et (7.22).
L’algorithme est itéré jusqu’à ce que le changement d’une itération à l’autre soit inferieur à une valeur ε.
L’implémentation des opérateurs direct et inverse de déformation en utilisant des interpolateurs
puissants et cet algorithme itératif permettent de générer des nouveaux espaces de représentation adéquats
aux signaux à contenu temps-fréquence non-linéaire. La figure suivante présente un exemple d’application
des opérateurs direct et inverse de déformation ainsi que l’erreur de reconstruction. Nous considérons
l’espace invariant par la translation généré par le noyau suivant :
 πt 
2
ϕ a (t ) = sinc(t ) cos  ∏ [ ] (t )
−a ,a
(7.24)
 2a 
∏ [ ] (t ) = 1, t < a , 0 ailleurs . La fonction ϕ (t ) peut être vue comme une approximation

a
où la fonction − a ,a
de la fonction sinc au sens où lim ϕ a (t ) = sinc(t ) . Ce noyau appartient à la classe des interpolateurs sinc
a →∞
fenêtrés et ils sont préférables en raison de leur support compact et la réduction des erreurs d’interpolation.
Dans notre exemple, nous considérons, comme signal original, un signal cosinus défini par
x[n ] = cos(2π 50n / N ); n = 0,..., N − 1(N = 200 ) - figure 7.3.a. Le spectrogramme de ce signal est
illustré sur la figure 7.3.b. L’opérateur discret de déformation temporelle est défini par la fonction warping
suivante wd (t ) = t + 0.04 sin (4πt ) . Le signal déformé xw[m], m = 0,…,319 est obtenu avec ϕ5(t) en
utilisant (7.17). Le signal déformé ainsi que son spectrogramme sont présentés sur la figure 7.3. La
reconstruction s’effectue avec la fonction warping inverse, en 45 itérations, et l’erreur de reconstruction
est illustré sur la figure 7.3.e. Grâce à l’algorithme de déformation inverse, l’erreur de reconstruction est
très faible, proche de la limite de précision de Matlab.
37
Figure 7.3. Illustration des opérations directe et inverse de déformation
En conclusion, les algorithmes de déformation directe et inverse s’appuient sur des techniques
numériques puissantes garantissant des bonnes performances en termes de précision. De plus, ces
algorithmes s’appliquent pour des lois de déformation arbitraires car, dans le calcul des signaux déformé
et reconstruit, un nombre fini de points de la fonction de déformation est nécessaire (voir les formules
mathématiques ci-dessus). Ceci constitue le point différentiateur des méthodes de déformation rencontrées
dans la littérature qui nécessitaient la connaissance de la forme analytique de la fonction de déformation.
7.2.2. Généralisation pour toute forme de loi de phase
Comme illustré dans le paragraphe précédent, notre implémentation discrète de l’opérateur de

déformation, directe et inverse, ne nécessite qu’un nombre fini de valeurs de la fonction de déformation,
wd, ce qui permet la définition des opérateurs de déformation pour des fonctions de déformation pas
nécessairement analytiques. Ceci est un point très important car il permet, par exemple, de stationnariser
n’importe quelle forme temps-fréquence. En effet, dans la plupart des applications d’opérateurs de
déformations, l’objectif est de linéairiser ou de stationnariser le contenu temps-fréquence d’un signal afin
de valider l’utilisation du large panel des méthodes d’analyse appropriées aux structures temps-fréquence
linéaires [Fla93], [Bar95], [APS95], [APS00],…Or, mathématiquement, cet objectif impose à ce que la
phase instantanée du signal soit une fonction inversible analytiquement de façon à pouvoir définir la
fonction de déformation à travers (7.7). Ceci restreint considérablement l’application des opérateurs de
déformation uniquement aux lois de phase instantanée simples et ayant une forme analytique.
La solution que nous avons proposée repose sur la manière de calcul de la fonction de déformation
(voir le paragraphe précédent) qui nécessite un nombre fini de points. Soit une loi de phase instantanée
arbitraire, ϕ(t) et un ensemble fini des points {ϕ(tk) }k=1,..,L. La fonction de déformation discrète, wd(t), qui
stationnarise le signal, sera définie telle que :
ϕ (wd (t k )) = wd (ϕ (t k )) = t k ; k = 1,..., L (7.25)
38
Afin de trouver la solution de cette équation, nous procédons à une recherche locale, en divisant le
signal en L segments [Ik,Ik+1] (figure 7.4). Cette segmentation est faite de manière à assurer la monotonie
de la fonction ϕ(t) sur chaque intervalle, ce qui garantit l’existence de sa réciproque (ou inverse) sur cet
intervalle. La recherche de la fonction inverse locale se fait par une approche locale itérative qui consiste à
trouver la solution locale de l’équation (7.25). Cette approche commence, pour l’intervalle [Ik,Ik+1], par
l’initialisation de la valeur recherchée, wk = wd(tk), comme étant le centre de l’intervalle :
wk(0 ) =
1
(I k + I k +1 ) (7.26)
2
Par la suite, à chaque itération p, la solution locale wk est calculée par la relation suivante :
− Ik
(( )
wk( p ) = wk( p −1) − sgn ϕ wk( p −1) − t k )I k +1
p +1
(7.27)
2
où « sgn » est la fonction signe. La recherche de la solution locale consiste, comme montré par cette
expression, à calculer, de plus en plus finement, l’intervalle d’appartenance de la solution de l’équation
(7.25). La procédure itérative s’achève lorsque le changement d’une itération à l’autre est insignifiante,
soit wk( p +1) − wk( p ) < ε .
La figure 7.4 présente cette procédure pour un signal défini par :
s (t ) = exp jϕ (t ) = exp j 2π [0.15t + 2 sin (2π 0.008t )] (7.28)
La représentation temps-fréquence de ce signal est illustrée sur la figure 7.4.b et la loi de phase sur
la figure 7.4.a
Figure 7.4. Définition de l’inverse d’une fonction de phase par approche locale
En utilisant la procédure définie par (7.27), nous obtenons la fonction de déformation qui est à
utiliser pour le warping de ce signal.
En conclusion, cette méthodologie très simple et robuste permet de définir les opérateurs warping
de stationnarisation indépendamment du type de loi de phase considérée.
7.2.3. Filtrage des composantes temps-fréquence non-linéaires
Les opérateurs de déformation discutés dans le paragraphe antérieur permettent, par exemple, de
transformer un signal avec un contenu temps-fréquence non-linéaire en un signal stationnaire. Dans ce
nouvel espace de représentation, l’application de la théorie des filtres classiques devient envisageable
permettant de séparer les composantes d’intérêt. Ce concept, proposé par Baraniuk [Bar95], est matérialisé
dans nos travaux par le biais des opérateurs de déformation définis pour des formes temps-fréquence
arbitraires. Avec ces opérateurs, le filtrage des composantes temps-fréquence est défini sur la figure 7.5,
dans le domaine fréquentiel et temporel [Jarot06], [Jarrot07]. Comme nous pouvons le constater,
indépendamment du domaine dans lequel le filtrage est physiquement appliqué, nous faisons appel aux
opérateurs de déformation directe, W et inverse, W-1 qui ont pour objectif de stationariser et,
respectivement, de remettre les signaux dans les bonnes coordonnées temporelles.
39
Figure 7.5. Définition du filtrage dans le domaine déformé
De manière générale, supposons un signal s(t) composé de N composantes :

N N
s(t ) = ∑ si (t ) = ∑ Ai exp j (ϕ 0i + ϕ i (t )) (7.29)
i =1 i =1
où Ai, ϕ0i sont, respectivement, l’amplitude et la phase instantanée de la composante i et ϕi(t) est la phase
instantanée de la composante i. Si nous nous proposons d’extraire la composante k, la loi de phase ϕk(t)
sert à concevoir l’opérateur de déformation Wk qui stationnarisera cette composante :
N
Wk s (t ) = Ak exp j (ϕ 0 k + 2πc k t ) + ∑ Wk si (t ) (7.30)
i =1
i≠k
où ck est une fréquence de référence qu’on introduit dans l’opérateur de déformation afin d’avoir des
variations spectrales entre 0 et 0.5 de la fréquence d’échantillonnage. Comme (7.30) montre, le signal
déformé par Wk est composé d’une composante stationnaire, k, et d’une somme des composantes à
contenus temps-fréquence arbitraires. Ce signal représente une nouvelle représentation du signal de départ,
s, qui facilite l’extraction de la composante d’intérêt sk. Afin d’extraire physiquement cette composante,
nous pouvons utiliser un filtre passe bande défini autour de ck qui sera efficace, grâce à cette nouvelle
représentation, pour l’extraction de la composante sk. Une fois cette composante extraite, nous pouvons
revenir dans le domaine original à l’aide de l’opérateur inverse de déformation.
Nous illustrons cette méthodologie générale de filtrage temps-fréquence dans le contexte de la
séparation de deux modulations de fréquence sinusoïdales temps-fréquence très proches et qui composent
le signal de test suivant :
s[n] = s1 [n] + s 2 [n]
s1 [n] = exp( j 2π (5 cos(0.01n ) + 0.1n )) (7.31)
s 2 [n] = exp( j 2π (5 cos(0.01n ) + 0.115n ))
où n=0,…,2000. Le spectrogramme du signal s[n] est illustré sur la figure 7.6.a. Nous constatons qu’en
raison de la proximité des composantes, le spectrogramme ne permet pas de distinguer clairement les deux
composantes et, encore moins, de pouvoir les séparer.
Une solution repose sur la construction de l’opérateur de déformation qui permet de représenter ces
signaux de façon disjointe, afin de faciliter leur séparation. Pour le signal s, l’opérateur de déformation est
défini comme l’inverse de la fonction analytique
ϕ (n ) = 5 cos(0.01n ) + 0.11n (7.32)
qui passe d’ailleurs par la courbe des maxima locaux du spectrogramme. En effet, cette courbe aurait suffi
pour la mise en place des algorithmes de calcul de l’opérateur warping définis ci-dessus. Avec l’opérateur
warping défini par W : w(n ) = ϕ (n ) , le spectre du signal déformé constitue un espace de représentation
−1
approprié à la séparation des composantes car les contenus spectraux des deux signaux est, dans cet espace
de représentation, disjoint (figure 7.6.b). En appliquant, respectivement, un filtre passe bas et un filtre
passe haut avec une fréquence de coupure autour de 0.07 de la fréquence normalisée, nous pouvons isoler
physiquement les deux composantes, s1 (figure 7.6c) et s2 (figure 7.6.d).
40
Figure 7.6. Illustration du filtrage temps-fréquence à l’aide des opérateurs de déformation
Une fois le filtrage dans le domaine warpé effectué nous pouvons revenir dans le domaine d’origine
par la déformation inverse. Sur les figures 7.6.c et d, nous constatons, sur les spectrogrammes des signaux
extraits, l’absence des termes d’interférence ce qui indique un bon filtrage des deux composantes du
signal.
Cet exemple montre l’intérêt des opérateurs warping pour la séparation des composantes temps-
fréquence non-linéaires d’un signal. Comme nous allons le présenter par la suite, le filtrage basé sur les
opérateurs de déformation est un élément important utilisé dans les différentes approches de modélisations
physiques abordées dans mes travaux.
7.3. Bilan
Dans le contexte de la construction des opérateurs warping, les contributions majeures de nos
travaux portent sur la généralisation du principe de déformation (warping) aux cas des structures temps-
fréquence non-linéaires arbitraires. L’idée principale est de construire ces opérateurs en partant de la
théorie de l’échantillonnage irrégulier et en proposant des interpolateurs puissants pour exprimer avec
précision le signal déformé et reconstruit. Nous avons traité explicitement le cas discret et nous avons
montré qu’il est possible de construire les opérateurs warping en prenant en compte un nombre fini des
points de la loi de déformation. Ceci nous a permis de généraliser le warping pour des lois de déformation
arbitraires. Nous avons ainsi proposé, à l’aide des opérateurs warping, une méthodologie générale pour le
filtrage des composantes temps-fréquence non-linéaires qui repose sur l’application de l’opérateur
warping de manière à stationnariser la composante (ou les composantes à extraire). Par la suite, des filtres
conventionnels sont appliqués pour extraire ces composantes et le warping inverse permet de revenir dans
le domaine d’origine.
Un autre intérêt pour la méthodologie de déformation proposée est son application directe sur les
échantillons du signal. S’agissant essentiellement des opérateurs de traitement mono-dimensionnels, le
traitement des signaux de taille importante est tout à fait envisageable.
7.4. Perspectives
Dans les travaux concernant les opérateurs de déformation nous avons quantifié les erreurs
numériques qui apparaissent lors du passage d’un espace de représentation à un autre. Nous avons vu
l’importance des fonctions d’interpolation ainsi que du nombre d’itération du warping inverse [Jarrot07].
Ainsi, un premier axe de recherche sera l’étude d’interpolateurs plus performants qui permettront
d’améliorer davantage la précision des opérateurs de déformation directe et inverse. Une idée serait
l’analyse, dans le contexte des opérateurs warping, des concepts liés au Compressive Sensing et qui
permettra l’adaptation de la construction des opérateurs warping aux données analysées.
41
Un autre axe de recherche sera articulé autour de la définition de la loi de déformation. Nous avons
vu que la mise en place des opérateurs warping nécessite la connaissance de cette loi et cela se fait en
fonction de l’espace de représentation souhaité et pour lequel l’opérateur warping est construit. Deux
orientations sont alors envisageables. La première consiste à estimer le contenu temps-fréquence du signal
analysé et utiliser cette estimation pour la construction des opérateurs warping. Cette orientation pourrait
faire appel aux techniques d’estimation temps-fréquence existantes; la partie 3 de ce mémoire présentera
nos contributions dans ce sens ainsi que les perspectives à suivre. La deuxième orientation consiste à
utiliser les aspects physiques liés à l’application afin de concevoir les opérateurs warping associés aux
signaux. Ce volet sera illustré dans la suite de cette partie.
Enfin, un autre axe de recherche est lié aux objectifs d’utilisation des opérateurs warping. Dans les
travaux sur les opérateurs warping que nous avons effectués, la loi déformation a pour unique objectif la
stationarisation du contenu temps-fréquence. Ainsi, d’autres applications des opérateurs warping peuvent
être envisagées, comme, par exemple, la réduction de l’ordre polynomial de la phase d’un signal
[Ioana05]. La définition des nouveaux espaces de représentation, motivée par le contexte applicatif,
conduira à des opérateurs de déformation arbitraires qui s’appuieront sur les méthodes de déformation
synthétisées dans ce paragraphe.
42
CHAPITRE 8 : Distributions à temps complexe et méthodes

robustes
Cet axe de recherche a été développé, depuis 2004, en collaboration avec l’équipe temps-fréquence
de l’Université de Monténégro (TFSA – Time-Frequency Signal Analysis) dirigée par Ljubisa et Srdjan
Stankovic. Cette collaboration s’est déroulée dans le cadre de plusieurs séjours scientifiques dans les deux
sens, France et Monténégro. Il a également constitué une partie importante de la thèse de Cédric Cornu
(2003-2006) et de Bertrand Gottin (2007-2010).
Les méthodes développées dans le cadre de cet axe constituent des solutions pour la représentation
des signaux à structures temps-fréquence non-linéaires. L’origine de ces travaux repose sur la définition
de la distribution à temps complexe faite par LJubisa et Srdjan Stankovic [LJStan02], au début des années
2000. L’idée était de minimiser les termes de la fonction de dispersion Q qui intervient dans la
représentation temps-fréquence d’un signal à contenu temps-fréquence non-linéaire (équation 7.5 et la
figure 7.2). Il a été montré qu’en prenant le moment d’ordre 4 d’un signal, avec des retards complexes, il
est possible de minimiser cette fonction et de fournir une distribution bien concentrée autour de la loi de
fréquence instantanée. Suite aux collaborations avec l’équipe de l’Université de Monténégro, nous avons
proposé une généralisation de ce concept en prenant en compte plusieurs retards complexes, avec des
bonnes performances de représentation des signaux à contenu temps-fréquence non-linéaire rapidement
variable. Par la suite, nous nous sommes intéressés à rendre robuste ce concept ainsi que d’étendre son
application à des signaux transitoires. L’apport principal de ces travaux s’articule autour de la définition
d’un cadre générale pour la représentation, avec des artefacts (dus à la non-linéarité temps-fréquence)
réduits, des signaux à contenu temps-fréquence non-linéaire.
Domaines d’applications : La caractérisation des composantes temps-fréquence non-linéaires, détection

des composantes rapidement variables dans le plan temps-fréquence (grâce à la propriété de dérivation).
Publications : Ce travail a donné lieu à quatre papiers revue ([A8], [A12], [A13], [A18]) et six papiers
conférence, sur les aspects théoriques ainsi qu’applicatifs : [C22], [C24], [C30], [C32], [C44], [C48] (voir
le chapitre 5 de la Partie I). .
8.1. Contexte
Le concept de distribution temps–fréquence basée sur des arguments à temps complexe a été
introduit en [LJStan02] comme un moyen de réduire les intraférences en comparaison avec la distribution
de Wigner-Ville. Cette distribution, l’élément central de la classe de Cohen, donne lieu à des nombreuses
interférences, dans un cas multicomposantes et des intraférences dues à la non-linéarité d’une structure
temps-fréquence d’un signal. Récemment, ce concept a été généralisé dans un but de pouvoir représenter
les dérivées d’ordre supérieur de la phase instantanée d’un signal. Afin d’introduire ce concept,
considérons le signal avec une phase instantanée φ(t) arbitraire :
s(t ) = A ⋅ e jφ (t ) (8.1)
L’amplitude A est supposée constante car variant très lentement par rapport à la phase instantanée.
Le cas A dépendant du temps pourrait également être considéré vu que, rigoureusement, l’effet d’une
amplitude variante même lentement est tout de même « visible » sur la phase instantanée. Afin de mieux
comprendre le concept de distribution à temps complexe et sa généralisation appliquée sur un signal
comme défini par (8.1), il est intéressant de présenter la distribution de Wigner Ville différemment
qu’avec juste sa définition, mais en analysant de manière appropriée son moment et ses termes de retard
associés.
a) Distribution de Wigner Ville
La distribution de Wigner Ville (WVD) d’un signal s(t) peut être définie sous la forme suivante :
43
 
  τ  *  τ 
WVD (t , ω ) = F  s t +  s  t −  (8.2)
  2   2 
 M wv (t ,τ ) 
Ceci correspond à la transformée de Fourier, par rapport à la variable de retard τ d’un moment
d’ordre supérieur noté M wv (t ,τ ) . Comme illustré par la figure 8.1, ce moment est calculé à partir de deux
coefficients de retard pris sur l’axe réel.
Figure 8.1. Coefficients de retard pris sur l’axe réel et utilisés pour le calcul de la Distribution de Wigner Ville
Pour un signal défini par (8.1), l’expression du moment devient :

  τ   τ 
j φ  t +  −φ  t −  
M wv (t ,τ ) = e   2   2 
(8.3)
Afin de faire ressortir les termes de dérivées de phase, un développement en série de Taylor sur la
loi de phase du signal est appliqué :
 τ τ τ2 τ3
φ  t +  = +φ ' (t ) 1 + φ (2 ) (t ) 2 + φ (3 ) (t ) 3 + ....
 2 2 1! 2 2! 2 3! (8.4)
 τ τ τ τ 2 3
φ  t −  = −φ ' (t ) 1 + φ (2 ) (t ) 2 − φ (3) (t ) 3 + ....
 2 2 1! 2 2! 2 3!
En utilisant ces résultats de développement, l’expression (8.3) devient :
 (3) τ 3 (5 ) τ
5 
+φ j φ + ...
'( ) 2 4
M wv (t ,τ ) = e jφ t τ × e 
2 3! 2 5!  (8.5)
En substituant l’expression (8.5) dans l’équation (8.2), on obtient une nouvelle expression
analytique de la distribution de Wigner Ville :
(
WVD (t , ω ) = δ ω − φ ' (t ) *ω F e ) [ jQwv (t ,τ )
] (8.6)
Cette nouvelle expression présente la WVD comme une représentation concentrée de la loi de
fréquence instantanée (φ’(t)), mais subissant une convolution, sur la variable fréquentielle, par un facteur
d’étalement temps-fréquence. La distribution obtenue n’est donc pas parfaitement concentrée autour de la
loi de fréquence instantanée (LFI) théorique mais plus ou moins étalée et provoquant par conséquent des
intraférences pour une structure temps-fréquence non linéaire. Le terme Qwv est appelé fonction
d’étalement. Il est composé d’une somme de différents ordres de dérivées de la phase instantanée et est
défini comme suit :
τ3 τ5 τ7
Qwv (t ,τ ) = φ (3 ) (t ) + φ (5 ) (t ) + φ (7 ) (t ) + ... (8.7)
223! 2 45! 26 7!
En analysant cette expression, nous comprenons bien que la concentration obtenue par la DWV
pour un chirp (i.e modulation linéaire de fréquence ayant donc une loi de phase polynomiale d’ordre 2) est
optimale dans la mesure où tous les termes de phase composant Qwv seront nuls. Pour des signaux à
structures temps-fréquence non-linéaires, nous comprenons, à travers (8.7), l’apparition des termes
44
d’intraférence. Une représentation plus concentrée des structures temps-fréquence non-linéaires peut se
construire par la minimisation de la fonction d’étalement. Ceci a été le point de départ des travaux de
Ljubisa Stankovic et qui a conduit à la première version de distribution à temps complexe.
b) Distribution à Temps Complexe
La Distribution à Temps Complexe (Complex Time Distribution) d’un signal s(t) est définie
selon [LJStan02] :
 
 
 τ  τ  τ  τ
CTD (t , ω ) = F  s t +  s *  t −  s − j  t + j  s j  t − j  (8.8)
  4  4  4  4 
 
M CTD (t ,τ )
 
Elle correspond donc à la transformée de Fourier, par rapport à la variable de retard , d’un moment
d’ordre supérieur noté MCTD(t,τ). Comme illustré par la figure 8.2, ce moment est d’ordre 4 et calculé à
partir de 2 coefficients de retard pris sur l’axe réel et les 2 autres sur l’axe imaginaire, d’où le concept d’
«arguments à temps complexe ».
Figure 8.2. Coefficients de retard pris sur l’axe réel et sur l’axe imaginaire
En procédant à la même analyse que pour la WVD, on aboutit à une nouvelle expression de la CTD,
similaire à (8.6). La fonction d’étalement pour la CTD devient :
τ5 τ9 τ 13
Qct (t ,τ ) = φ 5 (t ) + φ (9 ) (t ) + φ (13 ) (t ) + ... (8.9)
4 45! 489! 41213!
Ainsi, le fait de définir une distribution utilisant des arguments de retard complexes choisis de façon
adaptée (+j et –j sur l’axe imaginaire) entraîne une réduction conséquente du facteur d’étalement. Le
premier terme de Qct(t,τ) est d’ordre 5. On remarque que les termes de dérivées de phase d’ordre 3, 7, 11,
… sont complètement éliminés et les termes restants sont affectés de facteurs bien plus faibles,
respectivement à ceux intervenant dans le cas WVD. Il est clair que la Distribution à Temps Complexe
améliore la concentration de la représentation de la LFI, comparée à celle obtenue en utilisant Wigner
Ville. Dans un cas de structure temps-fréquence non linéaire et à variations rapides, les intraférences se
retrouvent fortement réduites. Cette idée d’utiliser des retards complexes, afin de réduire les termes de la
fonction d’étalement, a été le point de départ des travaux de collaboration avec l’Université de
Monténégro, qui ont démarré en 2005 et ont conduit à quelques contributions, présentées dans le
paragraphe suivant.
8.2. Contributions
8.2.1. Généralisation du concept de distribution à temps complexe
La première contribution concernant les distributions à temps complexe a été la généralisation pour
des contours d’intégration arbitraires permettant de concentrer la distribution autour de la Kème dérivée de
la phase instantanée [Cornu07]. Le point de départ de cette généralisation est la formule d’intégration de
Cauchy. L’utilisation de ce théorème rend possible l’implémentation de la dérivée Kième de la phase
instantanée d’un signal en intégrant la loi de phase autour d’un contour arbitraire γ, défini dans le plan
complexe :
45
φ (z )
φ ( K ) (t ) =
K!
∫
2πj γ ( z − t )K +1
dz (8.10)
Cette relation montre l’intérêt de se placer en Temps Complexe : la dérivée d’ordre K de la fonction
de phase φ à l’instant t peut être calculée avec l’intégrale complexe sur le contour d’intégration défini,
dans le plan complexe, autour de ce point. Ce résultat, issu de la théorie des fonctions complexes, peut être
particulièrement intéressant dans l’étude des dérivées des signaux discontinus caractérisés généralement
par des ruptures de phase.
En appliquant le théorème d’intégration de Cauchy et en considérant un cercle de centre t comme
contour d’intégration (avec une variable complexe z = t + τe jθ ), (8.10) devient :
∫ φ (t + τe )e
2π
φ ( K ) (t ) =
K! θ − jKθ
j
dθ (8.11)
2πτ K 0
Comme illustré par la figure 8.3 ci-dessous, la version discrétisée d’une telle équation se définit
pour θ = 2πp / N , p = 0,..., N − 1 , où N est l’ordre de discrétisation du cercle.
Figure 8.3. Définition d’un contour d’intégration circulaire dans le plan complexe
A partir de ces coordonnées, l’équation (8.11) devient :

2πp
Nτ K ( K ) N −1   − j 2πpK
φ (t ) = ∑ φ  t + τe N e N + ε
j
(8.12)
K! p=0  
où représente l’erreur de discrétisation. Nous notons {ωN,p} l’ensemble des racines Nème de l’unité,
ωN,p = e j 2πp / N et l’on rappelle que :
N −1
 N si k = i ⋅ N , i ∈ Z
∑ω k
N,p = (8.13)
p =0 0 sinon
Avec cette notation, (8.12) devient :
Nτ K N −1
φ ( K ) (t ) = ∑ φ (t + ω N , pτ )ω NN,−pK + ε (8.14)
K! p=0
( )
Avec le développement de φ t + ω N , pτ en série de Taylor autour de t
+∞
φ (i ) (t )
φ (t + ω N , pτ ) = ∑ ω Ni , pτ i (8.15)
i =0 i!
et, en utilisant la propriété (8.13), l’expression (8.12) devient :
N −1 +∞
τ Nm+ K
∑ φ (t + ω N , pτ )ω NN,−pK = N ∑ φ ( Nm+ K ) (t )
p =0 m =0 (Nm + K )!
46
Nτ K
= φ ( K ) (t ) + Q (t ,τ ) (8.16)
K!
Le terme d’erreur aura donc l’expression suivante :
+∞
τ Nm + K
Q(t ,τ ) = −ε = ∑ φ ( Nm+ K ) (t ) (8.17)
m =1 (Nm + K )!
En effectuant le changement de variable :
K!
K τ →τ (8.18)
N
l’expression (8.16) devient :
N −1  K! 
∑ φ (t + ω N,p τ )ω NN,−pK = φ ( K ) (t )τ + Q t , K τ 
N 
(8.19)
p =0 
Cette expression montre que la combinaison d’échantillons de la phase instantanée,
N −1
∑ φ (t + ω
p =0
N,p τ )ω NN,−pK , ne contient que des dérivées d’ordre Np+K de la phase. La première d’entre elles
est la dérivée d’ordre K de φ(t) et le terme qui lui est associé est linéaire par rapport à τ. Afin de pouvoir
exploiter cette propriété dans le cas des signaux, pour lesquels nous n’avons pas accès aux échantillons de
phase mais aux échantillons temporels, nous devrons pouvoir calculer, à partir de ces échantillons, la
N −1
séquence ∑ φ (t + ω
p =0
N,pτ )ω NN,−pK . Ceci est possible par la définition, pour un signal s, du « Moment
Généralisé à Temps Complexe » (ou Generalized Complex Moment - GCM) comme suit :
N −1  N −K
K! 
GCM NK [s ](t ,τ ) = ∏ s
ωN
t + ωN,p K τ
,p

 N 
p = 0   (8.20)
[
= exp jφ (t )τ + jQ (t ,τ )
(K )
]
avec
Nr
Nr +1
+1 K
+∞
τ K
 K! 
Q(t ,τ ) = N ∑ φ ( Nr + K ) (t )   (8.21)
r =1 (Nr + K )!  N 
Le GCM n’est rien d’autre qu’un produit de termes correspondants au signal analysé affecté d’un
exposant complexe et d’un argument de retard complexe. Le terme Q(t, ) est, comme pour la WVD et la
CTD, la fonction d’étalement. L’implémentation du GCM engendre l’évaluation des échantillons de signal
à des instants complexes. Cette évaluation est permise au moyen du prolongement analytique du signal,
défini comme [Cornu07] :
+∞
s (t + jm ) = ∫ S ( f )e − 2πmf e j 2πft df (8.22)
−∞
où S(f) est la transformée de Fourier du signal s.

En prenant la transformée de Fourier F du GCM (7.52) par rapport à la variable de retard , on
définit la Distribution Généralisée à Temps Complexe (ou Generalized Complex Distribution) :
[
GCD NK [s ](t , ω ) = F GCM NK [s ](t ,τ ) = ]
= δ (ω − φ ( (t ))∗ω F[e jQ (t ,τ ) ]
(8.23)
K)
La GCD présente donc une concentration sur la dérivée d’ordre K de la phase instantanée φ d’un
signal, mais va étaler cette représentation, à cause de la convolution en ω, par un facteur d’étalement. Si la
fonction d’étalement Q(t,τ) est nulle (i.e si tout terme de dérivée de phase d’ordre supérieur à N+K est
47
égal à zéro), on obtient alors une concentration optimale autour de la loi instantanée théorique que l’on
veut représenter. Il est à noter que le paramètre N de la définition, correspondant au nombre de points pris
sur le contour d’intégration complexe, permet de réduire le facteur d’étalement. En effet, plus N est grand
et plus on réduit les termes de dérivées de phase contenus dans Q.
La généralisation du moment à temps complexe (8.20) et de la distribution associée (8.23) permet
de définir des espaces de représentation mieux adaptés aux signaux à contenu temps-fréquence non-
linéaire. Au même temps, le concept de représentation à temps complexe (8.20) et (8.23) regroupe les
représentations existantes, telles que la WVD et la CTD. Celles-ci constituent des particularisations de
(8.23), comme par exemple :
- K = 1, N = 2 – Dans ce cas, nous obtenons le cas du moment d’ordre 2, utilisé par la distribution
de Wigner-Ville :
 τ  τ
GCM 21 [s ](t ,τ ) = s t +  s −1  t − ; GCD21 [s ](t , ω ) = WVD(t , ω ) = F GCM 21 [s ](t ,τ ) { } (8.24)
 2  2
où le conjugué « * » est remplacé par le « -1 » mais l’effet sur la phase instantanée est identique. La
fonction d’étalement est donnée par (8.7). Comme montré par cette fonction d’étalement, la DWV fournit
l’espace de représentation idéal pour les modulations linéaires de fréquence, caractérisées par une loi de
phase instantanée d’ordre 2 (et pour laquelle la fonction d’étalement est nulle). Ensuite, pour des lois de
phase plus complexe, la fonction d’étalement explique analytiquement l’apparition des termes
d’intraférence ;
- K = 1, N = 4 – Dans ce cas, nous retrouvons la CTD introduite en [LJStan02]
 τ  τ  τ  τ
GCM 41 [s ](t ,τ ) = s t +  s −1  t −  s j  t − j  s − j  t + j 
 4  4  4  4 (8.25)
{
GCD 4 [s ](t , ω ) = CTD (t , ω ) = F GCM 4 [s ](t ,τ )
1 1
}
La fonction d’étalement de la CTD est donnée par (8.9) et elle montre que la CTD est idéalement
concentrée autour de la fréquence instantanée pour des signaux à phase polynômiale d’ordre 4 ou
inférieur. Cependant, nous rappellerons qu’elle reste tout de même efficace pour des signaux plus
compliqués car les coefficients intervenant pour les dérivées d’ordre supérieur à 5 décroisent très
rapidement.
- K = 1, N = 6 – Dans ce cas, nous obtenons une représentation temps-fréquence d’ordre 6 [Cornu07],

[Stankovic08] :
 j π j 2π 2π π
−j 
{ω }
−j
6 , k k = 0..5 = 1; e 3 ; e 3 ;−1; e 3 ; e 3 
 
 ω 6,k 
{ }
5
GCM 61 [s ](t ,τ ) = ∏ s τ ; GCD61 [s ](t , ω ) = F GCM 61 [s ](t ,τ )
ω6*, k
 t + (8.26)
k =0  6 
τ7 τ 13
Q (t ,τ ) = φ (7 ) (t ) + φ (13) (t ) + .....
7!6 5 13!612
La première dérivée apparaissant dans Q(t,τ) est d’ordre 7. Ceci signifie, par conséquent, qu’un
signal dont la phase est un polynôme d’ordre inférieur ou égal à 6 ne produira, dans la représentation,
aucune intraférence due à la non linéarité de la phase. Qui plus est, les autres signaux produiront moins
d’intraférences pour cette distribution. Nous montrons, dans l’exemple suivant, l’intérêt pour la
représentation à temps complexe d’ordre 6 dans le cas d’un signal à contenu temps-fréquence fortement
non-linéaire. Nous considérons, comme signaux de test, le signal suivant ainsi que sa version bruitée pour
un rapport signal sur bruit de 10 dB :
 
s (t ) = exp j 6 cos(πt ) + cos(3πt ) + cos(5πt )
4 4
 3 3  (8.27)
x(t ) = s (t ) + n(t )
48
La figure 8.4 présente les représentations WVD, CTD et la GCD d’ordre 6 des signaux s et x.
Figure 8.4. Illustration de l’intérêt pour les représentations à temps complexe par rapport à la WVD
La WVD, figure 8.4.a ne permet pas de suivre les variations de la LFI qui sont trop rapides et les
intraférences générées par la non-linéarité de la LFI sont très fortes. Le résultat est plus convenable avec la
GCD d’ordre 4 (ou la CTD), figure 8.4.b. Nous observons tout de même la présence d’intraférences
résiduelles. La distribution d’ordre 6, figure 8.4.c, offre la représentation la plus lisible du signal x(t). Les
résultats concernant le signal bruité x sont présentés sur la figure 8.4.d,e,f. La représentation d’ordre 6
offre toujours des meilleurs résultats que celle d’ordre 4 ou que la WVD.
L’ensemble de ces résultats montre l’intérêt pour les distributions à temps complexe (pour K=1 et
un ordre N élevé) dans le contexte de représentation des signaux à contenu fortement non-linéaire. Les
intraférences sont fortement réduites, tout en conservant une bonne résolution des structures temps-
fréquence du signal.
- K ≥ 2 – Dans ce cas, nous obtenons les représentations « temps-taux de fréquence instantanée» :

N −1 N −2  2 
GCM NK [s ](t ,τ ) = ∏ s
ωN ,p
t + ωN,p 2 τ  (8.28)
 N 
p =0 
Cette particularisation du moment à temps complexe permet de représenter la vitesse de variation de
la fréquence instantanée en fonction du temps. Pour N = 2, nous obtenons une expression proche de la
« Instantaneous Frequency Rate - IFR» representation (qui se calcule à partir de la CPD – Cubic Phase
Distribution), introduite par Peter O’Shea [O’S02] :
+∞
CPD (t , Ω ) = ∫ s(t + τ )s (t − τ )e
* jΩτ 2
dτ
0
(8.29)
IFR (t ) = arg max[CPD (t , Ω )]
Ω
De façon générale, pour un K élevé, nous obtenons une représentation de la dérivé d’ordre K de la
loi de phase instantanée. La propriété de dérivabilité de la GCD est illustrée à partir du signal de test
suivant :
[ ( )]
s(t ) = exp j 2π 0.32t + 10 −5 t 2 − 4.8 ⋅ 10 −5 t 3 + 8.6 ⋅ 10 −10 t 4 ; t = 0...511 (8.30)
La partie supérieure de la figure 8.5 présente les dérivées du premier, second et troisième ordre de la
loi de phase instantanée du signal (8.30). En dessous, nous présentons les distributions GCD avec K=1, 2,
49
3 et pour N=4. Nous remarquons que les dérivées théoriques sont correctement représentées par les GCDs
d’ordre équivalent, justifiant ainsi la propriété de dérivabilité de la distribution à temps complexe.
Figure 8.5. Illustration de la propriété de dérivabilité de la GCD
Par la propriété de dérivation, il est possible de réduire un signal à phase polynomiale d’ordre élevé
à un signal plus simple, ce qui pourrait être très intéressant dans le contexte de la modélisation
polynomiale de la phase d’un signal. Dans notre exemple, l’estimation du coefficient polynomial d’ordre 4
pourrait se faire très simplement par le calcul de la transformée de Fourier du GCM d’ordre 4 car celui-ci
conduit, pour le signal s, à une sinusoïde (figure 8.5).
En conclusion, les travaux menés de 2005 à 2007 nous ont permis de définir un cadre général pour
les distributions à temps complexe. Ce nouveau concept permet de définir des nouveaux espaces de
représentations des signaux à contenu temps-fréquence non-linéaire, soit en réduisant considérablement
les termes d’intraférences soit en représentant les dérivées de la phase instantanée, calculées à partir des
échantillons du signal.
8.2.2. Contribution à la modélisation polynomiale locale
Par la suite, j’ai continué les travaux de recherche dans cet axe en proposant des solutions pour
rendre utilisable le concept de distribution à temps complexe dans un contexte multi-composantes et en
présence du bruit. Ces travaux de recherche se sont déroulés toujours en collaboration avec l’équipe de
l’Université de Monténégro.
La première adaptation du concept de distribution à temps complexe au contexte de l’analyse des
signaux à structures temps-fréquence non-linéaires repose sur l’utilisation conjointe des warping et de la
GCD. L’objectif était de palier aux difficultés de la modélisation polynomiale de la phase d’un signal avec
un contenu temps-fréquence fortement non-linéaire [IoanaStankovic05].
Les signaux à phase polynomiale (SPP) représentent une forme générale des modulations de
fréquence non-linéaires : selon le théorème de Weierstrass, toute fonction non-linéaire (dans notre cas il
s’agit de la fonction de phase φ(t)) peut être décomposée en série polynomiale. C’est pourquoi ce modèle a
attiré l’attention de beaucoup des chercheurs dans les derniers deux décennies.
Un aspect important dans ce contexte est la modélisation polynomiale à un ordre élevé qui pose un
certain nombre des problèmes. Le premier est lié à la propagation de l’erreur d’estimation [Ioana05],
illustré sur la figure 8.6 dans le contexte de la modélisation polynomiale d’un signal à contenu temps-
fréquence non-linéaire (dont la LFI est illustrée sur la figure 8.6 par la courbe bleue). Nous constatons que,
malgré l’ordre de modélisation très élevé, 8, la LFI estimée (courbe rouge) ne suit pas la vraie LFI, surtout
autour de l’instant 256 qui correspond à un point de d’inflexion dans la variation temps-fréquence du
signal. Le deuxième problème a trait aux valeurs très réduites des coefficients polynomiaux d’ordre élevé.
L’expression suivante montre la modélisation polynomiale de la phase du signal dont la LFI est illustrée
sur la figure 8.6.
50
x ( t ) ≈ exp  j 2π (.0097 − .866 ⋅10−3 ⋅ t + 4.22 ⋅10−5 ⋅ t 2 − 6.59 ⋅10−7 ⋅ t 3 )  ⋅
exp  j 2π ( 5.39 ⋅10−9 ⋅ t 4 − 2.35 ⋅10−11 ⋅ t 5 + 5.53 ⋅10−14 ⋅ t 6 )  ⋅ (8.31)
exp  j 2π ( −8.66 ⋅10−17 ⋅ t 7 + 3.22 ⋅10−20 ⋅ t 8 ) 
Une solution qui permettrait d’éviter l’utilisation de la modélisation polynomiale d’ordre très élevé
est la construction d’un modèle polynomiale local, défini selon [IoanaStankovic05] :
N N
 Ki 
y ( t ) = ∑ Ai ∏ ( t − τ i ) exp jφi ( t ) = ∑ Ai ∏ ( t − τ i ) exp  j ∑ aki t k  (8.32)
i =1 Di i =1 Di  k =0 
où aki représente le coefficient polynomial i d’ordre k, Ki est l’ordre d’approximation de la phase de la
composante i et N est le nombre des segments sur lesquels les phases du signal seront modélisées par un
polynôme d’ordre Ki, ∏( t − τ i ) la fonction porte de durée Di et d’origine τi représentant l’intervalle
Di
dans lequel la phase du segment i peut être approximée par un polynôme d’ordre Ki. Ces derniers
paramètres ont une signification plutôt pratique, illustrée sur la figure 8.6.
Afin de surmonter les problèmes liés à la modélisation polynomiale globale (i.e. sur toute la durée
d’observation du signal), il convient de se limiter à des modélisations polynomiales d’ordre réduit (3 ou 4)
effectuées sur un intervalle de temps approprié.
Figure 8.6. L’importance de l’approximation polynomiale locale par rapport à l’origine
Pour l’exemple illustré ci-dessus, nous constatons que la modélisation d’ordre 3 appliquée sur les
intervalles [0,256] et [257,512] fournit une estimation précise de la LFI analysée. Le signal x sera donc
approché par :
x ( t ) ≈ exp  j 2π ( 0.04 ⋅ t + .51 ⋅10−3 ⋅ t 2 + 26 ⋅10−4 ⋅ t 3 )  ⋅ ∏ ( t ) +
256 (8.33)
+ exp  j 2π (.21⋅ t + .43 ⋅10−3 ⋅ t 2 + 65 ⋅10−4 ⋅ t 3 )  ⋅ ∏ ( t − 256 )
256
Nous pouvons remarquer, sur la figure 8.6, que cette modélisation, même si elle est plus complexe
car deux composantes du signal apparaissent, est plus appropriée.
La méthodologie que nous avons proposée, afin de procéder à la modélisation (8.32), consiste à
utiliser, de manière conjointe, les techniques warping et l’espace de représentation défini par les
distributions à temps complexe [IoanaStankovic05]. Nous utilisons ainsi les opérateurs warping qui
appartiennent à la classe des opérateurs monomiaux :
51
U 1/k : w(t ) = t w = t k ; k = 1,2,3,4,...

1 (8.34)
1 −1
w(t ) = t k
k
L’effet de l’application de cet opérateur sur un signal de type polynomial s ( t ) = exp  j 2π ∑ ci t i 

K
 i =1 
est équivalent à :
 
 K
i/k 
U1/ k s = exp ( j 2π ck t ) exp  j 2π ∑ ci t  (8.35)
 i =1 
 i≠k 
Le résultat est une sinusoïde de fréquence ck, perturbée par la présence des termes
 
 K

Q ( t ) = exp  j 2π ∑ ci t i / k  . L’illustration de ces termes est donnée sur la figure suivante où nous
 i =1 
 i≠k 
considérons un signal défini par :
−4⋅t 2 +310
⋅ −6⋅t 3 )
s ( t ) = e j 2π (0.25t −4.610
⋅
(8.36)
Les WVDs de ce signal et du signal déformé par l’opérateur warping (8.34) d’ordre 3 sont illustrées
sur la figure 8.7.
Figure 8.7. Déformation d’une modulation polynomiale par un opérateur warping monomial
Nous constatons que, en raison des termes parasites, le signal résultant ne présente pas les
caractéristiques d’une sinusoïde telle que l’application d’un opérateur warping aurait dû fournir. Par
conséquent, l’exploitation de l’effet de cet opérateur est affectée par la présence des artefacts. En effet,
cette limitation apparaît lorsque la LFI du signal traité est plus complexe que la loi de déformation
appliquée. La diminution des artefacts peut être effectuée en choisissant un espace approprié de
représentation qui conservera toutefois les termes utiles (i.e., les sinusoïdes générées par la déformation
des composantes correspondantes).
Un espace de représentation capable de résoudre ce problème est fourni par la distribution à temps
complexe. Dans notre contexte, grâce à l’atténuation des termes d’ordre élevé, la GCD fournit, pour
chaque opérateur de déformation (8.34) (pour k de 1 à l’ordre maximal polynomial recherché), une
représentation améliorée des termes d’ordre 1 (les sinusoïdes générées par le « matching » entre l’ordre
associé et l’opérateur de déformation de cet ordre). Cette propriété remarquable agit également dans le cas
multi-composantes, comme illustré sur l’exemple suivant. Nous considérons deux signaux à phase
polynomiale dont la WVD est illustrée sur la figure 8.8. En appliquant l’opérateur warping associé à
l’ordre le plus élevé, la WVD du signal déformé ainsi que la CTD sont représentées sur la même figure.
Comme nous pouvons le constater, le niveau des artefacts est nettement plus faible dans le cas de la CTD.
52
Figure 8.8. La CTD versus la WVD dans le cas multi-composantes

Dans le cas plus général du modèle (8.32), la déformation par l’opérateur warping (8.34) conduit à :
 Ki 
U1/ p y = ∑ Ai ∏ ( t − τ i ) exp ( ja pi t ) exp j ∑ akit
N
1/ p  k/ p 
(p=1,…,K ) (8.37)
i =1 Di
 k =0 
 k≠p 
L’application de la CTD (c’est en effet la particularisation de la GCD utilisée dans cet exemple) sur
ce signal conduit à une atténuation considérable des artefacts. Néanmoins, si les coefficients api sont
proches, les sinusoïdes correspondantes seront superposées (à l’opposé de la situation décrite sur la figure
8.8 où les deux sinusoïdes sont distinctes). Dans ce cas, leur présence sera mise en évidence par le calcul
de la marginale en fréquence de la CTD :
∞
Λ1/ p (ω ) = ∫ CTDU ( t, ω ) dt
1/ p y
(8.38)
−∞
A partir de la fonction (8.38) la procédure générale pour l’approximation de l’ordre polynomial le

plus approprié pour modéliser la phase d’un signal à plusieurs composantes sera basée sur l’évaluation des
fonctions Λ1/ p (pour p couvrant l’intervalle des valeurs d’intérêt ; p =1, ..,6) suivie par l’extraction de
l’ordre pour lequel on obtient la concentration maximale de la fonction Λ1/ p . Mathématiquement, ce
principe est décrit par :
 
pˆ =  p p ∈ [1, 6] tel que argmax  dispΛ1/p ( )  
(8.39)
 p  arg max Λ1/p

où disp – représente la fonction d’évaluation de la dispersion et « argmax » - la fonction qui donne
l’argument associé au maximum d’une fonction. L’ordre optimal est donc celui pour lequel la fonction de
dispersion (évaluée autour de la valeur maximale de Λ1/ p ) atteint son maximum. Le schéma d’évaluation
de l’ordre optimal est illustré sur la figure 8.9.
Figure 8.9. Schéma pour l’évaluation de l’ordre polynomial optimal
Ce schéma nous permet de déterminer les {Ki} du modèle (8.32). Ensuite, la CTD du signal
déformé, pour l’ordre polynomiale déterminé par le schéma 8.9, permet également de trouver les {τi} qui
correspondent aux intervalles dans lesquels nous pouvons appliquer la modélisation à l’ordre déterminé
précédemment. En définissant la marginale en temps de la CTD du signal déformé par
53
+∞
Ψ1/ p ( t ) = ∫ CTD U1/ p y ( t , ω ) dω (8.40)
−∞
les instants {τi} peuvent se calculer par
 d Ψ1/ pˆ ( t ) 
τî = arg max   (8.41)
t
 dt 
où p̂ constitue l’ordre optimal estimé au préalable.
Cette manière simple de calcul de points {τi} repose sur la capacité de la GCD à réduire les termes
d’intraférence qui persistent lorsque le warping appliqué au signal analysé ne linéarise pas complètement
le signal analysé. Avec ces termes réduits dans la représentation GCD, il devient plus simple de détecter
les points de rupture qui correspondent aux instants {τi}. La figure suivante schématise ce principe, dans
le cas d’un signal réel (figure 8.10.a) issu de l’environnement marin [IoanaStankovic05].
L’inflexion qui apparait sur la variation du contenu temps-fréquence à environ 5.8 seconds (figure
8.10.a) et clairement identifiée sur le gradient de la marginale de la CTD du signal warpé par t1/3 (figure
8.10.b ; les axes de temps sur la figure 8.10.b sont différents de ceux du 8.10.a en raison du sur-
échantillonnage requis par le warping).
Figure 8.10. Illustration de l’estimation des instants {τi} sur un signal réel
Avec cette méthodologie, reposant sur la représentation à temps complexe des signaux déformés par
des warpings monomiaux, nous pouvons mettre en place une modélisation polynomiale locale, ce qui est
de grand intérêt dans des nombreux de cas de figure.
8.2.3. Distributions à temps complexe des signaux multi-composantes et transitoires
Une suite naturelle aux travaux de recherche sur la distribution à temps complexe a été l’adaptation
de ce concept aux cas des signaux multi-composantes et transitoires. Cet aspect a constitué l’objectif
principal de la thèse de Bertrand Gottin (2007-2010) et il a également fait l’objet de la collaboration avec
l’Université de Monténégro.
Considérons un signal à deux composantes défini selon :
s ( t ) = s1 ( t ) + s2 ( t ) = e
jφ1( t ) jφ2 ( t )
+e (8.42)
Le moment généralisé à temps complexe de ce signal a pour expression :
N −K
ωN
  N −1
K!   K! 
,p
GCM NK [s1 + s 2 ](t ,τ ) = ∏  s1  t + ω N , p K τ  + s 2  t + ω N , p K τ 

p =0 
  N   N 
+ CTφ1 ,φ2 ( N , K )
( K ) (t )τ + jQ (t ,τ ) ( K ) (t )τ + jQ (t ,τ )
= e jφ1 1
+ e jφ 2 2
(8.43)
54
où CT représente les termes d’interférence. En raison de l’expression complexe du GCM, le calcul

analytique des termes d’interférences est une tâche très difficile, voir impossible (surtout dans le cas
général). L’expression (8.43) montre que les termes propres (les « auto-terms ») sont des sinusoïdes en τ,
les fréquences étant données par les dérivées d’ordre K des lois de phase instantanée φ1 et φ2. Comme
indiqué par (8.43), les termes d’interférence générés par les composantes du signal affectent la visibilité
des termes propres. Ceci est illustré par l’exemple suivant, dans le cas d’un signal à deux composantes
défini par :
[ ( )] [ (
s(t ) = exp j 2π 0.32t + 10 −3 t 2 − 4.8 ⋅ 10 −5 t 3 + 8.6 ⋅ 10 −10 t 4 + exp j 2π 0.12t + 3 ⋅ 10 −3 t 2 )] (8.44)
2
Nous observons, sur la figure 8.11, que la GCD4 contient les structures correspondantes aux
dérivées d’ordre 2 de la phase instantanée des composantes et qui suivent les dérivées théoriques (partie
supérieure de la figure 8.11). Cependant, les termes d’interférences ont le même niveau énergétique que
les termes propres et ils ont une structure plus compliquée que les termes d’interférence de la WVD.
Figure 8.11. Dérivées de la phase instantanée des deux composantes et leurs représentations par la WVD et la GCD
Le point clé pour la réduction des termes d’interférence est l’indépendance des termes propres du
nombre de retards, N (à l’exception des fonctions d’étalement Q qui, de toute façon, ont une influence
réduite d’autant que le nombre N augmente) ainsi que de leur choix. Cela voudrait dire que le calcul de
plusieurs GCMs, pour différents ensembles de retards, conduira à une structure quasi-identique des
termes propres alors que les termes d’interférences seront arbitrairement repartis en raison de leur
dépendance des ensembles de retards. La somation de ces GCMs conduira à une meilleure visibilité des
termes propres par rapport aux termes d’interférences. L’idée centrale consiste alors à utiliser le concept
de plusieurs retards complexes
En considérant les GCMs calculés pour différents ensembles de retards complexes [Gottin08] :
{GCM K
Ni [ s ] ( t ,τ (i) )}i=1,.., P ;τ (i) = K K !/ Ni (8.45)
les GCMs calculés pour plusieurs ensembles de retards (the multi-lags sets GCM - mlsGCM) est défini
par :
P
mlsGCM {KNi } [ s ] ( t ,τ ) = ∑ GCM NKi [ s ] ( t ,τ ) (8.46)
i =1
Le premier pas dans le calcul du mlsGCM consiste à déterminer l’ensemble des GCMs – (8.45). Le
deuxième pas consiste à warper les ensembles de retards, pour chaque GCM, selon la loi de déformation :
{ } Ni
K
τ → τ (i ) (8.47)
K!
Ce warping est très important afin d’assurer que tous les GCMs soient définis dans les mêmes
coordonnées de retards. Par la suite, la sommation (8.46) conduit à la définition du mlsGCM. La
transformation de Fourier de mlsGCM conduit à la définition de la distribution à temps complexe à
plusieurs ensembles de retards (multi-lag sets GCD) :
55
2. Représentation des signaux à structu
ctures temps-fréquence non-linéaires
mlsGCD {KN }[s ](t , ω ) = Fτ [mlsGCM ]{N i }[s ](t ,τ )

K
(8.48)
i
Par rapport à la GCD, la mlsGCD

m représente un niveau réduit de termess d’interférence
d dans un
contexte des signaux multi-compososantes.
Pour le signal (8.44), l’expr
xpression de la mlsGCM montre analytiquementt « l’amplification » des
termes propres :
2 P
jφi( ) ( t )τ + jQ1 ( t ,τ )
mlsGCM K [ s ] ( t ,τ ) = P ∑ e + ∑ CTφ1 ,φ12 ( N i , K )
K
i =1 i =1
(8.49)
A partir de cette expressionon, le calcul de la mlsGCD conduira à la réductiotion des termes propres,
comme illustré sur la figure 8.12,, dans
d le cas du signal (8.44).
Comme montré sur la figure ure 8.12, la réduction des termes d’interférence es
est d’autant plus visible
que le nombre d’ensembles de retardsre complexes augmente. Pour notre exempl ple, un nombre de huit
ensembles de retards conduit à une
ne représentation sans termes d’interférence (figure
re 8.12).
Figur
gure 8.12. Cross-terms reduction using mlsGCD
La propriété de réduction des termes d’interférence de la mlsGCD est intéress essante dans des diverses
applications où des signaux à contenu
co temps-fréquence non-linéaire sont prés résents. Un exemple de
problématique est l’extraction d’une
d’u modulation de fréquence arbitraire (modu odulation sinusoïdale de
fréquence – MSF, par exemple) d’un d’ mélange avec d’autres signaux cohérents.. Cette C problématique est
rencontrée dans des applications de d tatouage audio [IoanaJarrot07] (où le tatouag age, matérialisé par une
modulation en fréquence, pourrait it ffaire l’objet des « attaques » sous la forme des modulations
m cohérentes)
ou l’analyse des signaux radar micro-Doppler
mi [Dakovic08] (correspondants auxx signatures radar d’une
hélice d’hélicoptère et qui sont pert
erturbées par d’autres signaux existants dans la scèn
cène radar). Pour illustrer
une telle problématique, nous con onsidérons une MSF additionnée à une sinusoï soïde et une modulation
linéaire de fréquence (les LFIs théo
éoriques sont illustrées sur la figure 8.13.a).
Figure 8.13. Sép

éparation d’une MSF en utilisant la dérivabilité de la mlsGCD
ml
Dans le domaine de représe sentation du spectrogramme (figure 8.13.b), la MSF M est masquée par le
lsGCD2 (calculée pour 9
chirp et la sinusoide ainsi que parr lle bruit (RSB = 10dB). Par la dérivabilité, la mlsG
56
ensembles de retards complexes, figure 8.13.c) élimine l’effet de la sinusoïde et stationnarise le signal
chirp. Enfin, la dérivée d’ordre 3, effectuée par la mlsGCD3 (figure 8.13.d) élimine également le chirp et
seulement la MSF est visible.
Il est donc possible d’estimer les paramètres de ce type de signal en mettant en valeur la propriété
de dérivabilité ainsi que la capacité à traiter les multi-composantes, spécifique à la mlsGCD. Ce résultat
théorique nous a amené à aborder la problématique d’extraction des impulsions transitoires noyées dans
des signaux cohérents. Cette problématique est largement rencontrée dans des applications réelles, comme
la détection des transitoires sous-marins par des capteurs en mouvement, la détection des modulations
numériques perturbées par des modulations cohérentes (le cas de la contre-action électronique militaire)
ou, encore, la détection des transitoires électriques dans en présence des perturbations mécaniques et/ou
électromagnétiques.
Dans ce contexte, le principe de l’utilisation de la mlsGCD consiste à réaliser plusieurs dérivations
successive et, compte tenu de la dérivabilité infinie des transitoires, nous allons pouvoir les séparer par
rapport aux modulations d’ordre faible qui seront éliminer après quelques dérivations.
Cette propriété est illustrée dans l’exemple suivant, dans le cas d’une modulation BPSK (Binary
Phase-Shift Keying) intersectée, dans le plan temps-fréquence, par un chirp.
Figure 8.14. Détection d’une BPSK par la mlsGCD vs le spectrogramme et la WVD
Comme indiqué par la figure 8.14.a et c, les représentations fournies par le spectrogramme et la
WVD ne permettent pas de distinguer les sauts de phase correspondants à la BPSK. Ceci peut se faire,
grâce à la propriété de dérivabilité de la loi de phase instantanée spécifique à la mlsGCD. Nous constatons,
sur la figure 8.14.b, que la mlsGCD d’ordre 3 élimine l’effet du chirp et met en évidence les sauts de phase
correspondants à la modulation BPSK (figure 8.14.d donne la variation de la phase due à la BPSK).
L’exemple suivant montre l’intérêt pour la mlsGCD dans le contexte d’un train d’impulsions (figure
8.15) mais perturbé par un signal chirp (voir le spectrogramme, figure 8.16.a).
Figure 8.15. Train d’impulsions
57
2. Représentation des signaux à structu
ctures temps-fréquence non-linéaires
Figure 8.1
8.16. Séparation entre le train d’impulsions et le chirp
Comme indiqué sur la figure ure 8.16.b, la GCD(2) élimine, par la dérivée d’ordrrdre 2, le chirp et montre
clairement la présence des quatre impulsions.
im
Une autre propriété de la GCD,G illustrée par cet exemple, est la représenta
ntation, par la GCD, de
toutes les impulsions, malgré less ddifférences d’amplitude entre eux (voir la figure re 8.15). Cette propriété
vient de la construction de la GCD CD qui se focalise sur les dérivées de la phase ins instantanée et moins sur
l’énergie du signal, ce qui la rendend envisageable dans des applications où les composantes
com d’un signal
peuvent avoir des amplitudes diffé fférentes (par exemple, le cas des signaux de déch charges partielles abordé
dans la Partie IV de ce mémoire).
Dans l’exemple 8.16, nouss avons
a utilisé la GCD mais l’utilisation de la mlsG
lsGCD aurait abouti aux
mêmes résultats. Par contre, l’intértérêt de la mlsGCD, par rapport à la GCD, est laa robustesse
r au bruit. En
effet, la mlsGCD repose sur la combinaison
co des GCMs calculés pour plusieurs rs ensembles de retards,
sachant que les termes propres gar arderont la même structure d’un ensemble à l’autr utre alors que les termes
d’interférences ont des structuress ddifférentes. Le raisonnement est identique si lee signal
si est noyé dans du
bruit et le calcul de la mlsGCD per ermet de réduire l’effet du bruit. L’exemple suivan ant, où nous considérons
le train d’impulsions, illustré parr la figure 8.15, bruité par un bruit blanc gaussienn (RSB
(R = 12 dB), montre
l’intérêt de la mlsGCD. La figure re 8.17.a montre la GCD d’ordre 3 du signal bru ruité et il est clairement
impossible de distinguer les quatre tre impulsions, complètement noyées dans les poi points correspondants au
bruit. La réduction du bruit estt nettement
n visible sur la figure 8.17.b justifiant
nt ainsi l’intérêt pour la
mlsGCD dans le cas des signaux transitoires
tra bruités.
Figure 8.17. Réduction de l’effet du bruit
Ce paragraphe a présenté syn

synthétiquement les résultats de recherche ayant pour
po objectif d’assurer la
robustesse et les capacités multi-co
composantes du concept de distribution à tempss ccomplexe. Le principe
mis en valeur est celui de la divers
ersité apportée par différents ensembles de retards
ds complexes qui permet
d’amplifier les termes propres et de disperser les termes d’interférences. Les exemp
mples présentés montrent
le potentiel de ce principe dans de
des applications réelles, abordées également dans
ns mes travaux et faisant
l’objet d’une synthèse dans la Partie
rtie IV de ce manuscrit.
8.3. Bilan
Ce chapitre a synthétisé ma participation dans les activités de recherche liées
li à la définition du
cadre général des distributions à temps complexe. Les concepts introduits ont nt permis de définir des
nouveaux espaces de représentat tation des signaux à contenu temps-fréquence ce non-linéaire, espace
caractérisé par un niveau réduit de
des termes d’intraférence. Nous avons vu que lee cadre
c général permet la
58
définition des plusieurs types de représentation, le choix se faisant en fonction de l’objectif de l’analyse.
Deux cas concrets ont été abordés : l’analyse des signaux à contenu temps-fréquence non-linéaire dans des
espaces où les termes d’intraférence sont réduits et l’exploitation de la propriété de dérivabilité de la GCD
dans l’analyse des signaux à ordre de dérivabilité différent. L’ensemble de ces contributions a été possible
grâce à la collaboration avec l’Université de Monténégro ainsi que dans le contexte de deux thèses que j’ai
co-encadrées.
8.4. Perspectives
Les approches théoriques définies autour du concept de distribution à temps complexe peuvent faire
l’objet des améliorations qui permettront d’élargir leur applicabilité avec des performances meilleures.
Ainsi, un premier axe de travail sera la mise en place d’autres techniques de continuation analytique que
celle utilisée actuellement, basée sur la transformée de Fourier (expression 8.22). En effet, l’utilisation des
exponentielles pour le calcul de la continuation analytique provoque une limitation de la bande des
signaux analysés car la décroissance des exponentielles ne permet pas de prendre en compte un signal sur
toute sa bande. Ainsi, une solution serait l’utilisation d’autres fonctions, comme les polynômes de
Laguerre ou d’autres fonctions de base avec une bande plus large. L’étude des fonctions Spline, dans ce
contexte, sera également envisagée.
Le deuxième axe de recherche consiste à généraliser le contour d’intégration dans le plan complexe.
Dans nos travaux nous avons choisi, comme contour d’intégration, le cercle, ce qui constitue le choix le
plus simple, surtout de point de vue du calcul mathématique (figure 8.3). Mais, comme le théorème
intégral de Cauchy est général sur ce point, tout contour fermé, défini dans le plan complexe, pourrait être
utilisé pour le calcul de la dérivée de la phase dans un point. Une idée qui sera donc exploitée consistera à
étudier, dans un premier temps, d’autres contours comme les ellipses, par exemple. Il serait intéressant
d’étudier les propriétés de ces contours dans le contexte de la GCD. Par la suite, il serait souhaitable de
définir des contours adaptés aux données.
Un autre axe de recherche sera la connexion du concept de distribution à temps complexe avec la
modélisation polynomiale de la phase d’un signal. Cet axe tirera profit de la propriété de dérivabilité de la
GCD et l’effort de recherche sera destiné à l’amélioration des performances en présence des plusieurs
composantes ainsi que de la résolution.
Enfin, un autre axe de recherche sera la caractérisation parcimonieuse des transitoires à l’aide du
concept de distribution à temps complexe. Nous avons vu que les approches proposées possèdent un
certain potentiel en ce qui concerne l’analyse des transitoires et nous comptons le développer en adaptant
la propriété de dérivabilité de façon à pouvoir extraire des paramètres discriminants pour un transitoire.
L’inférence de la physique de l’application sera également un point important des travaux futurs.
59
60
CHAPITRE 9 : Inférence de la physique dans la représentation des

structures temps-fréquence non-linéaires – signaux en configurations
dynamiques
Cet axe de recherche a été développé, depuis 2007, dans la suite des travaux sur les opérateurs
warping (effectués essentiellement dans le cadre de la thèse d’Arnaud Jarrot, 2004-2007)). Il a constitué
l’objectif théorique principal de la thèse de Nicolas Josso (2007-2010) et fait l’objet des collaborations
avec ENSTA-Bretagne (la nouvelle titulature de l’ENSIETA de Brest) et le SHOM (dans le cadre du
projet de recherche MODE II – Méthodes d’Observation Discrètes de l’Environnement, 2008-2011) ainsi
qu’avec l’équipe dirigée par Antonia Papandreou-Suppappolla, professeur et chercheur au Centre de
Recherche SenSip d’Arizona State University (dans le cadre de la bourse ExploraDoc de Nicolas Josso).
Cet axe de recherche a été développé comme une suite naturelle des travaux sur les techniques
warping qui permettent une représentation plus simple des signaux à contenu temps-fréquence non-
linéaire (chapitre 7). La mise en place de ces techniques nécessite la connaissance de la loi de phase
instantanée qui permet de définir l’opérateur de déformation approprié. Dans le cas des signaux inconnus,
une étape d’analyse préalable est nécessaire afin d’estimer la loi de phase instantanée et cet axe s’appuiera
sur les approches décrites dans la Partie III de ce mémoire. Un autre cas de figure, traité dans ce chapitre,
est celui d’un environnement incertain (de caractéristiques partialement ou totalement inconnues) et qui
transforme un signal d’origine connu en un mélange des signaux complexes. L’analyse de ces signaux est
alors nécessaire soit pour comprendre l’environnement soit pour récupérer l’information portée par le
signal d’origine. L’approche cadre que nous proposons consiste à utiliser les aspects physiques de
l’application, de façon à concevoir les opérateurs warping qui permettront ensuite de comprendre et
d’analyser les signaux reçus dans l’environnement considéré. La construction des opérateurs warping,
basée sur la physique de l’application, permettra à la fois de comprendre l’environnement mais également
de traiter, de façon adéquate, les signaux reçus. La méthodologie que nous présentons a été développée
dans le contexte des signaux propagés dans une configuration dynamique (l’ensemble source-canal de
propagation-récepteur est en mouvement) et en présence d’un environnement à plusieurs trajets de
propagation. De point de vue applicatif, ce type de configuration est très général, pouvant être rencontré
dans des applications radar, communication, sous-marine, acoustique aérienne, etc (une partie de ces types
d’application est traitée dans la Partie IV). En dehors du cadre applicatif général, la méthodologie
théorique mixte que nous proposons, faisant appel à des considérations physiques et de traitement du
signal, constitue une approche envisageable dans d’autres cas de figure visant à tirer profit des
considérations physiques là où les a priori sur le signal et l’environnement ne sont pas suffisants pour un
traitement adéquat.
Domaines d’applications : Estimation du mouvement d’une source dans une configuration multi-trajets,
Trajectographie des sources acoustiques (comme les mammifères sous-marins), Analyse des signaux d’un
radar ionosphérique, Communications en milieu sous-marin.
Publications : Ce travail a donné lieu à deux papiers revue ([A16], [A24]) et cinq papiers conférence, sur
les aspects théoriques ainsi qu’applicatifs : [C31], [C47], [C49], [C50], [C51] (voir le chapitre 5 de la
Partie I).
9.1. Contexte
La définition des opérateurs warping implique la connaissance de la loi de phase du signal que nous
souhaitons déformer afin de mieux comprendre son contenu et/ou d’estimer ses paramètres (chapitre 7).
Dans des nombreuses applications, cette connaissance n’est pas disponible et la mise en place des
opérateurs warping nécessite la prise en compte des considérations physiques. Cette problématique
générale peut être définie comme suit. Considérons une source qui génère un signal connu, s(t). Après la
propagation dans un environnement linéaire mais inconnu, le signal x(t) sera composé de plusieurs
composantes, chacune étant une version modifiée du signal s par un opérateur Ti :
61
N
x(t ) = ∑ Ti s(t ) + b(t ) (9.1)
i =1
où b est le bruit de mesure et N est le nombre des composantes du signal x. L’estimation de ces opérateurs
Ti permettrait de comprendre l’environnement mais, également, de récupérer le signal s(t). Il est évident
que cette estimation ne peut se faire qu’en partant de la spécificité de l’environnement en définissant les
considérations physiques adéquates. Celles-ci servent à concevoir les espaces de représentation nécessaire
à l’estimation des Ti.
Cette problématique est abordée dans le contexte d’un environnement dynamique, défini par un
ensemble source-canal-récepteur mobile et en présence des plusieurs trajets de propagation. La figure 9.1
présente deux cas d’application différents mais qui constituent des exemples de configurations
dynamiques multi-trajets.
a. Configuration dynamique sous-marine
b. Configuration dynamique radar en milieu côtier

Figure 9.1. Exemples de configurations dynamiques multi-trajets
La figure 9.1.a présente l’exemple d’une configuration formée par une source acoustique sous-
marine mobile (un mammifère sous-marin) et un hydrophone. L’ensemble source-récepteur étant en
mouvement, les longueurs des trajets de propagation, Li, seront variables en fonction de temps. La figure
9.1.b présente le cas d‘un radar aéroporté en milieu côtier. En raison du mouvement de l’avion porteur, les
trajets des ondes réfléchies auront également des longueurs dépendantes de temps.
Afin d’établir le modèle du signal reçu dans ce type de configuration, supposons le cas d’un seul
trajet de propagation, orienté à un angle θi par rapport au vecteur de vitesse, supposée constante (figure
9.2). Le principe utilisé pour définir le signal reçu sur le trajet i repose sur la définition de deux axes de
temps [Clark76] : un axe des temps u pour les émissions, qui correspond à l'échelle des temps retardés et
t pour les réceptions, qui correspond quant à lui à l'échelle des temps « contempporains ». Les temps u et
t ainsi définis suivent une relation de la forme
Li (u )
u+ = t , Li (u ) = xi2 (u ) + zi2 (9.2)
c
où c est la vitesse de propagation de l’onde, suposée constante. En suivant les calculs effectués en
[Josso09], le signal reçu sur le trajet i a pour expression :
xi (t ) = a iη i1/2 s ((t − τ i ) ⋅ η i ) (9.3)
62
où ai représente le facteur d’amplitude dans le trajet i, τi représente le temps de propagation associé au

trajet de propagation i pour une source immobile située à une position initiale x0, ηi représente le facteur
de compression (ou d'expansion) due à l'effet Doppler large-bande et il a pour expression :
1
ηi = (9.4)
1 z i2 
1 − v cos θ i  − 
2 
 c 2cx0 
Figure 9.2. Configuration mono-trajet utilisée pour définir le signal reçu sur ce trajet
Nous avons fait l'hypothèsee que la distance parcourue par la source durant une émission reste
négligeable devant la distance source-récepteur afin d'obtenir la relation (9.4) [Josso09]. C'est pourquoi, à
partir de maintenant, nous pouvons considérer que le temps de propagation le long du trajet i, τi, et la
projection du vecteur vitesse selon le i ième trajet, vi , constant durant une émission. En utilisant la
formulation complète du signal reçu pour chaque rayon (9.3) et l'expression du facteur de compression ηi
(9.4), le signal reçu a pour expression :
N
x(t ) = ∑ aiη i1/2 s((t − τ i ) ⋅η i ) (9. 5)
i =1
Cette expression illustre le fait qu'un signal émis par une source mobile et subissant une propagation
multi-trajets est reçu sous la forme d'une somme de versions atténuées en amplitude, retardées et
transformées par l'effet Doppler du signal transmis. Le facteur de compression associé au i ième trajet, ηi ,
dépend de la vitesse de la source v , de l'angle d'émission du i ième trajet, θi , et de la position de la source
virtuelle correspondant à ce trajet, comme l'illustre la relation (9.5). L’expression (9.5) est la version
parcimonieuse et déterministe de l’expression plus générale des systèmes large-bande convolutifs variant
dans le temps (LTV – Linear Time Varying) [Shenoy95] pour lesquels le signal reçu suit la relation :
+∞+∞
x(t ) = ∫ ∫ χ (τ ,η ) η s((t − τ )η )dτdη (9.6)

−∞ 0
où χ(τ,η) est une fonction de diffusion large-bande prenant en compte la dispersion temporelle et la
dispersion du facteur de compression Doppler. Même si par la suite nous allons considérer le cas
parcimonieux, donné par (9.5), l’approche qui sera proposée dans le paragraphe suivant reste générale et
pourra s’appliquer à d’autre système LTV.
63
L’étude des signaux modélisés par (9.5) se base généralement sur le concept de la fonction
d‘ambigüité large bande, définie selon ([Hermand88], [Weiss94]) :
+∞
R (τ , v ) = ∫ x (t + τ )η 1 / 2 s (ηt )dt (9.7)

−∞
La fonction d’ambiguité large bande du signal (9.5) s’exprime donc par :

+∞
R(τ , v ) = ∑ ai (η iη ) ∫ s(η (t + τ − τ ))s (ηt )dt

N
1/ 2 * (9.8)
i i
i =1 −∞
où le facteur de compression η dépend de la vitesse v à travers la relation (9.4). Cette fonction offre le
cadre général pour l’étude de la propagation des signaux large bande dans un milieu multi-trajets et en
présence du mouvement, nécessaire dans des nombreuses applications. L’étude de ce type de signaux par
la fonction d’ambigüité standard (ou bande étroite) [Woodward] ne permet pas d’approcher les effets du
mouvement et du retard de propagation par un simple décalage en fréquence et en temps. Pour illustrer
ceci, nous considérons l’exemple d’une source en mouvement avec une vitesse de 2.5 m/sec et qui émet
des modulations linéaires de fréquence (MLF) d’une durée de 4 secondes dans une bande de 2000 Hz
autour d’une fréquence centrale de 1300 Hz. Le retard de propagation de ce signal est de 0.1 secondes. Ce
type de signal est souvent utilisé dans les systèmes de tomographie océanique [Josso09]. La figure 9.3
montre le plan d’ambigüité bande étroite. Nous observons qu’en raison de la résolution limitée de cette
représentation, nous ne pouvons pas identifier avec précision le retard de propagation ainsi que la vitesse
de déplacement. Il n'y a pas de maximum absolu dans le plan d'ambiguité bande-étroite et les solutions
possibles sont représentées par tous les points de la droite contenant de l'énergie, sur la figure 9.3. Ainsi, ni
le temps de propagation ni la vitesse de la source ne peuvent être estimées avec précision dans le plan
d'ambiguité bande-étroite lorsque qu'une MLF large bande est transmise.
Figure 9.3. Représentation d'un MLF dans le plan d'ambiguité bande-étroite
Comme l'illustre la figure 9.4, la représentation d'une MLF retardée et modifiée par l'effet Doppler
reste ambigüe dans le plan d'ambiguité large bande mais elle possède un maximum absolu qui peut être
détecté avec beaucoup plus de précision que dans le plan d'ambiguité bande étroite. C'est pourquoi le plan
d'ambiguité large bande est bien adapté pour l’analyse des signaux modélisés par (9.5). Le maximum
absolu est atteint lorsque les paramètres du signal de la famille de référence coïncident avec les paramètres
à estimer. L'amplitude de l'inter-corrélation reste cependant élevée pour les valeurs de retard proches de
celles simulées et la forme obtenue dans le plan d'ambiguité s'élargit à mesure que l'on s'éloigne de la
vitesse et le temps de propagation réels. Cette difficulté, plus difficile à gérer dans le cas des multi-trajets
(voir l’exemple suivant), est abordée par la méthodologie que nous proposons (paragraphe 9.2).
64
Figure 9.4. Représentation d'un MLF dans le plan d'ambiguité large-bande
L’exemple suivant traite le cas d’une source sous-marine en mouvement (la vitesse simulée de la
source est de 4 m/sec), une distance source-récepteur est de 500 mètres et, cette fois-ci, la propagation
s’effectue selon plusieurs trajets. Le signal émis par la source est identique avec celui utilisé dans
l’exemple précedent. Le canal de propagation simulé a 165 mètres de profondeur avec une vitesse de
propagation du son constante, de 1500 m/sec [Josso09]. Comme le montre la figure 9.5, chaque trajet
possède une vitesse apparente et un retard différent dans le cas d'une propagation multi-trajets comme le
suggère l’expression 9.8. Chaque trajet est vu sous la forme d'un chirp qui s'élargit à mesure que la
distance entre la vitesse du signal de référence et la vitesse à estimer augmente.
Figure 9.5. Plan d'ambiguité large bande d'une propagation multi-trajet simulée
9.2. Contributions
Comme illustré dans le paragraphe précédent, dans un contexte général des sources en mouvement
en environnement multi-trajets, la fonction d’ambigüité large bande (9.8) met en évidence la présence
d’un temps de propagation τi et d’un facteur de compression Doppler ηi, différents pour chaque trajet. Les
maxima locaux de cette fonction sont atteints pour chaque trajet de propagation. Le temps de propagation
et le facteur d’échelle Doppler peuvent alors être estimés une fois qu’un maximum local est détecté. Les
difficultés, en termes de traitement du signal, sont illustrés sur les figures 9.4 et 9.5 et se traduisent par des
niveaux énergétiques proches des maxima utiles et les autres composantes du plan d’ambigüité. De plus,
due à la bi-linéarité de la fonction d’ambigüité (9.7), des termes d’interférence apparaissent avec des
niveaux d’amplitude plus élevés que les maxima locaux.
Dans ce contexte, l’objectif de la méthodologie que nous avons proposée est de fournir une
description parcimonieuse de l’environnement de propagation en termes d’estimation des paires {τi,ηi}
associées aux trajets de propagation [Josso11]. Cette estimation est indispensable dans l’optique de
plusieurs finalités applicatives comme l’estimation du milieu [Josso09], amélioration de la communication
sous-marine [Josso11], la trajectographie des sources mobiles,…
La méthodologie générale est définie sur la figure 9.6 et elle consiste à itérer un ensemble de trois
étapes, à l’issue desquelles, à chaque itération k, un signal résiduel pi(t) est obtenu.
65
Figure 9.6. Méthodologie générale de modélisation parcimonieuse de

l’environnement multi-trajet et en présence du mouvement
Pour des raisons de simplicité, nous définissons cette méthodologie pour un signal reçu x composé
de trois arrivées résolues – figure 9.6 (ce qui n’est pas le cas dans des configurations réalistes, telle que
celle illustrée sur la figure 9.5). La première étape consiste à estimer le premier maximum local, dans le
plan d’ambigüité large-bande. La méthode que nous avons choisie repose sur la projection du signal sur un
ensemble de fonctions élémentaires¸ {gm,n}, conçues pour des valeurs de retards et de
compression/dilatation Doppler, (τn,ηm), définies dans des intervalles proches des valeurs entendues :
g (m,n ) (t ) = η m s ((t − τ n )η m ), η m ≠ 0 (9.9)
où s(t) est la version analytique du signal émis par la source.

A la première itération, le résidu égale le signal observé, p0(t)= x(t). Pour chaque itération i, le
résidu est projeté sur l’ensemble des fonctions {gm,n} :
+∞
Λ(im,n ) = pi , g (m,n ) = ∫ p (t )(g )
(m,n ) (t ) * dt
i (9.10)
−∞
La fonction pour laquelle nous obtenons le coefficient de projection maximal sera retenue comme la
composante la plus proche du résidu pi.
{g ( )}
m,n
{ }
g (mˆ ,nˆ ) (t ) = arg max Λ(im,n ) = η mˆ s((t − τ nˆ )η mˆ ) (9.11)
Nous illustrons cette première procédure à partir de la configuration suivante [Josso11]. Le milieu
de propagation est un canal acoustique sous-marin de type Pekeris avec une profondeur de 135 m et une
célérité de son de 1520 m/sec. La source simulée est située à une profondeur de 24 m et se déplace avec
une vitesse horizontale de 5 m/sec relativement à un hydrophone situé à une distance initiale de 500 m, par
rapport à la source, et à une profondeur de 90 m. Le signal émis par la source est une MLF de 4 secondes
dans une bande de 2000 Hz autour d’une fréquence centrale de 1300 Hz. Le bruit environnemental est un
bruit additif gaussien de même puissance que le signal utile, le RSB étant donc de 0 dB. La figure 9.7
illustre le spectrogramme du signal reçu après la propagation dans cet environnement.
66
Figure 9.7. Spectrogramme du signal reçu dans la configuration de test
Ce signal a été décomposé, via (9.10), sur un dictionnaire composé de 85425 atomes {gm,n} avec 85
facteurs d’échelle η, correspondants à une gamme de vitesse ± 6 m/sec et 1005 facteur de retards dans
l’intervalle 0-0.5 sec. La décomposition du signal sur un tel dictionnaire produit, à la première itération,
l’estimation du premier maxima local, illustré dans le plan d’ambigüité par une étoile (figure 9.8). Nous
pouvons constater (sur la partie zoomée du plan d’ambigüité), que la valeur estimée est proche de celle
théorique, représentée par une étoile.
Figure 9.8. Représentation du signal reçu dans le plan d’ambigüité et l’estimation

du premier maxima local, par la première étape de la méthodologie proposée
Nous constatons que l’étape de composition conduit, pour le trajet de propagation directe, à une
valeur de vitesse de 4.88 m/sec qui est proche de la valeur théorique de 4.95 m/sec.
Cette première étape est similaire à l’approche requise par le Matching Pursuit Decomposition
(MPD) pour le calcul de la composante la plus « Matched » sur le résidu, à une itération donnée
[Mallat93]. Selon l’algorithme MPD, le calcul du résidu pour l’itération suivante, pi+1(t) se fait en
soustrayant la contribution de la fonction (9.11) du résidu pi+1(t) :
p i +1 (t ) = p i (t ) − Λ(im,n ) g (m,n ) (t )
ˆ ˆ ˆ ˆ
(9.12)
(mˆ ,nˆ ) (t )
Cette approche est optimale si la composante g fait entièrement partie du signal pi. Ceci
nécessite la prise en compte d’un dictionnaire de fonctions élémentaires {gm,n} très large, de façon à ce que
les composantes du signal se trouvent dans le dictionnaire afin d’assurer une extraction correcte des
composantes. De plus, une hypothèse faite dans le cadre de la MPD est que l’amplitude des composantes
du signal reçu est constante, ce qui n’est pas le cas dans la plupart d’applications réelles où le caractère
large-bande ainsi que le milieu de propagation complexe impliquent souvent la variabilité de l’amplitude
des composantes. Dans ces conditions, l’algorithme (9.12) devient sous-optimal car les coefficients de
projection (9.10) donnent une indication moyenne de la contribution de la fonction élémentaire
correspondante au signal décomposé, sans tenir compte de la variabilité de l’amplitude. De plus, le match
parfait entre le signal et les composantes n’est pas garanti dans le cas d’un dictionnaire à faible taille.
Pour toutes ces raisons, nous avons proposé une alternative à l’approche (9.12) qui repose sur une
extraction par un filtrage basé sur le warping défini par la physique associée à chacune des composantes.
67
Ceci constitue la deuxième étape de la méthodologie proposée (figure 9.6). Etant donnée la connaissance
du signal émis, s, nous avons donc accès à la loi de phase de ce signal. Comme indiqué dans le chapitre 7,
nous n’avons besoin que d’un nombre fini de points caractérisant la phase instantanée de ce signal. Nous
définissons la phase déformée du signal émis s, déformation associée à la propagation sur un trajet
caractérisé par les paramètres physiques (τ nˆ , η mˆ ) donnés par (9.11) :
ϕ i (t ) = ϕ ((t − τ nˆ )η mˆ ) (9.13)
Avec les algorithmes proposés dans le chapitre 7, nous construisons l’opérateur warping, défini par
les paramètres physiques (τ nˆ , η mˆ ) via la dépendance (9.13), qui stationnarisera le signal de phase
instantanée ϕ i (t ) :
W : w(t ) = ϕ i−1 (t ) (9.14)

ϕi−1
L’application de cet opérateur au signal pi(t)
qi (t ) = W pi (t ) (9.15)
ϕi−1
produira la stationnarisation du contenu temps-fréquence de ce signal correspondant à la composante

temps-fréquence de phase instantanée ϕ i (t ) . Dans le cas de notre exemple, pour les paramètres estimés à
la première itération (v = 4.88 m/sec et τ = 32.6 msec), l’opérateur warping conçu à l’aide de (9.13) et
(9.14) stationnarise le contenu temps-fréquence de la première arrivée, comme illustré sur la figure 9.19.
Comme dans notre exemple le signal émis est un chirp, l’expression (9.13) devient :
ϕ i (t ) = Ai t 2 + Bi t + Ci
η m2ˆ c f 0η mˆ − cη m2ˆ τ nˆ ψi (9.16)
Ai = , Bi = , Ci =
2 fe fe fe
où f0 est la fréquence initiale de la MLF, c est son taux de modulation linéaire, fe la fréquence
d’échantillonnage et ψi est la phase initiale du chirp. Dans ces conditions, il est possible de montrer que
l’opérateur warping (9.14) pourra être analytiquement défini par :
2
 Bi 
  − Ai (Ci − t )
 2 
: w(t ) = ϕ i−1 (t ) =
B
W − i (9.17)
ϕi−1 Ai 2 Ai
De façon générale, grâce aux algorithmes proposés dans le chapitre 7, l’opérateur de déformation
(9.14) peut se calculer sans avoir besoin d’une définition analytique de la phase instantané ainsi que de son
inverse.
L’application de l’opérateur warping (9.17), particularisé pour les paramètres physiques représentés
sur la figure 9.8, permet la stationnarisation de la composante correspondante à ces paramètres (figure
9.9). Nous pouvons observer, sur la figure 9.9, que cette composante devient bande-étroite et que le reste
des composantes suivent des trajectoires temps-fréquence non-linéaires.
68
Figure 9.9. Spectrogramme du signal déformé par le warping

conçu à partir des paramètres physiques du premier trajet
Grace à ce nouvel espace de représentation nous construisons un filtre passe-bande de réponse

impulsionnelle h(t) (figure 9.9) qui extrait physiquement le signal (ou l’arrivée) correspondant au trajet
caractérisé par les paramètres physiques utilisés à la construction de l’opérateur warping (9.17) :
yi (t ) = h(t )* qi (t ) (9.18)
Le signal yi correspond à la composante extraite à l’itération i et approxime une des composantes du

signal reçu x. Le signal restant après l’extraction de cette composante, vi(t) (qui peut être interprété comme
le résultat d’un filtrage coupe-bande, complémentaire à h, du signal qi), constitue le signal d’entrée de la
troisième étape, la déformation inverse. L’opérateur de déformation est défini par
W : w(t ) = ϕ i (t ) (9.19)
ϕi
et permet d’obtenir, à partir du signal restant vi(t), le signal résiduel pour l’itération suivante, i +1 :
pi +1 (t ) = W vi (t ) (9.20)
ϕi
La figure 9.10 présente, dans le plan d’ambigüité, les résultats de l’étape 2 (filtrage) et de l’étape 3
(déformation inverse) de la méthodologie proposée dans le contexte de notre exemple.
Figure 9.10. Représentation du signal extrait et du signal résiduel dans le plan d’ambigüité
Nous pouvons remarquer l’extraction correcte de l’arrivée correspondante aux paramètres

physiques (v = 4.88 m/sec et τ = 32.6 msec) qui conserve sa forme dans le plan d’ambigüité - figure 9.10.a.
Cette composante disparait complètement de la structure du signal résiduel, comme montré par la figure
9.10.b – la composante extraite n’est plus présente dans le plan d’ambigüité.
Cette méthodologie est itérée jusqu’à la caractérisation parcimonieuse globale du canal, illustrée,
pour notre exemple, sur la figure 9.11. Nous observons que l’ensemble des maxima locaux est estimé
décrivant ainsi le canal de propagation, en termes de réponse impulsionnelle et de dynamique.
69
Figure 9.11. Résultat final de méthodologie générale proposée
La méthodologie proposée dans nos travaux peut être interprétée comme une nouvelle version de
MPD, qu’on peut appeler Warping-Based Matching Pursuit Decomposition (WB-MPD). Hormis les
bonnes performances d’estimation d’un canal en configuration dynamique, qui seront abordées dans des
contextes applicatives dans la Partie IV, la WB-MPD présente un avantage important par rapport à la
MPD et qui repose sur l’extraction des composantes par des filtrages, basées sur des opérateurs warping,
et non plus par la soustraction. L’intérêt de cette opération est mis en évidence en comparant le signal
résiduel obtenu par filtrage (figure 9.10.b) avec celui obtenu par MPD (figure 9.12). La soustraction de la
composante estimée n’enlève pas complètement la vraie composante du signal et le signal résiduel
contiendra toujours de l’énergie correspondante à celle-ci. Dans le cas des composantes à des énergies
différentes, cette énergie rémanente pourrait être supérieure à celle de la composante suivante, impliquant
ainsi une re-estimation de la même composante.
Les résultats de simulation suivants justifient l’intérêt pour la WB-MPD, cette fois-ci, en présence
des signaux à amplitudes variables. En effet, nous avons considéré que l’enveloppe de chacune des
composantes présente une variation gaussienne, ce qui est plus proche de la réalité car les variations
d’amplitude sont naturellement générées, dans le cas large bande, par les caractéristiques spectrales de
l’émetteur et du récepteur mais également par les propriétés de propagation en contexte large-bande.
Figure 9.12. Résultat final de méthodologie générale proposée
La configuration de simulation est constituée de sept trajets et, pour chaque trajet, nous estimons,
via les deux méthodes MPD et WB-MPD, le retard et la vitesse y associés {(τi,vi)}i=1,..,7. Pour chaque trajet
estimé, calculons les erreurs relatives d’estimation du temps de trajet et de vitesse avec les relations :
τ iTh − τîMeth v iTh − vˆ iMeth

∆τîMeth = ; ∆vˆ iMeth = (9.21)
τ iTh v iTh
70
( )
où τ iTh , v iTh représentent les valeurs théoriques du temps de propagation, et, respectivement, de la vitesse
associée au trajet i. « Meth » signifie la méthode utilisée – MPD et WB-MPD. La figure 9.13 donne, pour
nos simulations, les valeurs de ces erreurs pour les deux méthodes et en fonction du trajet estimé.
Figure 9.13. Erreurs d’estimation du temps de trajet et de la vitesse pour les deux méthodes
Comme indiqué par cette figure, la WB-MPD minimise les erreurs d’estimation par rapport à la
MPD et, ceci, grâce à l’extraction des composantes par filtrage.
En conclusion, la méthodologie WB-MPD offre l’avantage d’un fonctionnement indépendant de la
variation de l’amplitude du signal reçu car l’extraction d’une composante se fait par un filtre passe-bande
conçu à partir de la déformation physique associée à celle-ci. Cette méthodologie a un caractère général
pouvant être appliquée dès lors que nous avons accès à la phase instantanée du signal émis (pas
nécessairement définie analytiquement) et à la physique du contexte d’application.
9.3. Bilan
Les travaux présentés dans ce chapitre constituent un exemple d’approche générale pour la
définition d’espace de représentation inspirée par la physique de l’application. Nous avons considéré,
comme contexte applicatif, la problématique générale de la caractérisation d’un environnement de
propagation multi-trajets en configuration dynamique – l’ensemble source-canal-récepteur étant en
mouvement. Sur plan théorique, deux éléments importants sont à souligner. Le premier repose sur la
définition d’une approche d’inférence de la physique dans la mise en place des espaces de représentation
basés sur les opérateurs warping. Les nouveaux espaces, générés par l’utilisation conjointe de la physique
de l’application et des outils de traitement du signal, permettent une exploitation aisée des informations
présentes dans le signal. L’ensemble de ces informations conduit à une description parcimonieuse de la
configuration dynamique caractérisée par le signal analysé.
Le deuxième élément d’intérêt théorique est la définition d’une nouvelle version de MPD qui rend
plus robuste la procédure d’extraction des composantes estimées itérativement. Cette nouvelle
méthodologie, WB-MPD, permet une extraction des composantes basées sur leurs contenus temps-
fréquence sans être affectée par la variation d’amplitude de ces composantes.
Sur plan applicatif, la méthodologie proposée dans ce chapitre constitue un outil intéressant pour la
caractérisation parcimonieuse d’un système LTV, ce qui permet de définir des nouveaux concepts
opérationnels comme la tomographie acoustique dynamique (partie IV).
9.4. Perspectives
La méthodologie générale présentée dans ce chapitre fera l’objet de plusieurs axes de recherche
futurs. Le premier consiste à travailler sur la première étape de la WB-MPD qui consiste à décomposer le
signal sur un ensemble des fonctions élémentaires d’un dictionnaire. La limitation de cette procédure est la
taille du dictionnaire qui doit être très grande, d’autant plus si les composants présentent des variations
d’amplitude. Une approche qui sera étudiée consiste à définir, à la place d’un dictionnaire de fonctions
élémentaires, une batterie des opérateurs de déformation qui englobent les déformations physiques
possibles du signal. Les paramètres physiques associés à chacune des composantes seront donnés par
71
l’opérateur warping qui stationnarisera le plus le contenu du signal correspondant à la composante en

question.
Un autre axe de recherche théorique sera la définition d’une approche générale pour la construction
des opérateurs warping basée sur la physique de l’application. Ainsi, l’adaptation à d’autres types de
système LTV sera envisagée. Un exemple d’un tel système, faisant l’objet de mes travaux, sera le système
constitué par une onde acoustique se propageant dans un fluide turbulent en écoulement dans une conduite
fermée. La difficulté principale de ce système est la présence d’un effet Doppler particulier au niveau de
chacune des cellules du fluide, ce qui pourrait être vu, de façon globale, comme un effet Doppler distribué
dans le volume du fluide et variable aléatoirement, en raison de la turbulence. L’étude de l’interaction
entre cet effet et une onde acoustique se propageant dans ce système serait d’un grand intérêt car une
éventuelle estimation de cette interaction apportera des informations riches en ce qui concerne la
dynamique de l’écoulement. Ceci contribuera à un meilleur diagnostique des conduites, avec des
nombreuses applications industrielles (lien avec le projet Smart Hydro Monitoring).
Enfin, comme illustré dans ce chapitre, en combinant les aspects physiques avec les outils de
représentation des signaux, il est possible d’obtenir une description pertinente de la dynamique ainsi que
de la géométrie d’une configuration mobile, avec, théoriquement, un seul capteur. Ce résultat pourrait
aider à la définition du concept de diversité spatiale due au mouvement et qui consiste à caractériser
complètement un environnement 3D par un ensemble des sources/récepteur mobiles. Ceci serait une
alternative par rapport aux réseaux des capteurs fixes, moins flexibles qu’un ensemble mobile. Ce concept
de diversité spatiale pourrait donc conduire à la définition des réseaux de capteurs parcimonieux et cet axe
fait l’objet d’un projet DGA Rapide « GREENAR », démarré en 2011.
72
Partie III
Méthodes de suivi des structures

temps-fréquence non-linéaires
3. Méthodes de suivi des structures temps-fréquence non-linéaires
L’ensemble de mes travaux de recherche a pour objectif central l’analyse des signaux issus des
configurations complexes, afin de mieux comprendre les phénomènes associés à celles-ci. La
caractéristique commune de ces configurations est l’absence des a priori quant aux signaux à analyser
et/ou aux phénomènes d’interaction entre des signaux d’investigation connus et l’environnement à
caractériser. L’approche générale consiste donc à proposer des méthodes d’analyse adaptées à un contexte
de traitement soit incertain, les caractéristiques de l’environnement étant connues avec un certain dégrée
d’incertitude soit, passif, nous essayons de caractériser les phénomènes d’intérêt en utilisant les signaux
naturellement présents dans le milieu. Par conséquence, les signaux à étudier sont généralement
compliqués et inconnus, ayant des contenus temps-fréquence diverses. Afin de pouvoir identifier les
méthodes d’analyse les plus appropriées pour chaque type de structures temps-fréquence présente dans le
signal analysé, l’identification des régions temps-fréquence d’intérêt est une étape indispensable. Ceci
constitue donc l’objectif principal des travaux présentés dans cette partie et qui ont trait à la mise en place
des méthodes de suivi (ou de tracking) automatique des structures temps-fréquence d’un signal.
Mathématiquement, nous considérons que les signaux issus d’une configuration inconnue et/ou
incertaine suivent le modèle général suivant :
M Pi
x ( t ) = ∑∑ aik ( t )( Dik si ) ( t − τ ik ( t ) ) + bruit (III.1)
i =1 k =1
où
M – Nombre de signaux ayant un contenu temps-fréquence distinct. Dans ce modèle, nous considérons
que chacun des signaux provient d’une source située à une certaine position géométrique ;
Pi – Nombre de trajets associés à la propagation entre la source i et le capteur ;
aik(t) – Atténuation du signal provenant de la source i par le trajet k ;
τik(t) – Retard du signal provenant de la source i et dû à la propagation sur le trajet k ;
La dépendance du temps des aik et τik correspond au cas où les sources sont mobiles.
Dik – Opérateur de déformation du contenu spectral du signal i (propagé sur le trajet k) et dû, par
exemple, aux effets de dispersion du milieu ou à l’effet Doppler ;
si – Signal émis par la source i et qui peut avoir, généralement, un contenu temps-fréquence non-
linéaire ;
bruit – Bruit de statistique arbitraire.
Afin d’illustrer la problématique du suivi des composantes temps-fréquence, nous illustrons, sur la
figure III.1, le spectrogramme d’une observation issue d’une campagne de mesure sous-marine. Les
signaux émis étaient, successivement, des chirps et des modulations non-linéaires de fréquence.
Figure III.1. Exemple de signal réel issu d’un milieu sous-marin incertain
Le signal dont le spectrogramme est illustré sur la figure 2.1.a. est composé de plusieurs paquets
d’arrivées; chacun d’eux contenant un certain nombre de versions atténuées et décalées des signaux émis.
Comme ceux-ci sont différents d’une émission à l’autre, les signaux reçus auront une structure temps-
fréquence différente. Par conséquent, la méthode de suivi doit être capable de séparer les signaux arrivés
et de fournir le contenu temps-fréquence de chaque signal. En plus, l’opération de séparation doit être
mené dans un contexte bruité et en présence de fausses composantes ainsi que dans le contexte des
interférences entre les composantes proches (voir la figure III.1.b).
Dans cette partie, nous allons présenter deux classes de méthodes de suivi des composantes temps-
fréquence. La première s’articule autour du concept de continuité d’énergie dans le plan temps-fréquence.
73
La prise en compte des perturbations particulières, comme le bruit impulsif, est également présentée. La
deuxième classe de méthodes développées s’articule autour du concept de continuité locale de la phase
instantanée.
74
CHAPITRE 10 : Suivi dans le plan temps-fréquence par des critères

énergétiques
Cet axe de recherche a été développé, depuis 2004, dans la suite de mes travaux de thèse portant sur
la détection des structures temps-fréquence. Il a constitué un des objectifs théoriques de la thèse de Cédric
Cornu (2003-2006) et a fait l’objet des collaborations avec le SHOM (dans le cadre du projet de recherche
STEREO, Système Temps Réel d’Observation Rapide de l’environnement océano-acoustique, 2004-2007)
ainsi qu’avec l’équipe Time-Frequency Signal Analysis de l’Université de Monténégro (dans le cadre des
séjours scientifiques bilatéraux et le séjour d’Igor Djurovic, Professeur à l’Université de Monténégro, à
Grenoble dans le cadre d’une bourse CNRS « Scientifique de Haut Niveau »).
Cet axe de recherche est motivé par les besoins de détection et de compréhension des structures
temps-fréquence d’un signal réel tel que celui décrit par (III.1). Comme indiqué par ce modèle, le signal
analysé peut être composé des structures temps-fréquence différentes, proches l’une de l’autre, et,
généralement, mal connues en raison de l’aspect incertain et/ou passif du contexte. L’objectif du suivi des
composantes temps-fréquence est d’offrir une caractérisation, en termes de lois de fréquence instantanée,
des structures du signal analysé, tout en travaillant avec un minimum d’hypothèses sur le contenu de celui-
ci. Par exemple, l’hypothèse de phase de type polynomial n’est pas envisagée ce qui invalide l’utilisation
de la modélisation polynomiale de phase.
La caractérisation fournie par le suivi temps-fréquence serait très utile pour la mise en place, par la
suite, d’un traitement adéquat à chaque type de composante détectée. Par exemple, avec les lois de
fréquence instantanée détectées, il est possible de définir les opérateurs warping adéquats à chacune des
composantes.
Compte tenu du minimum d’hypothèses ainsi que du caractère généraliste que nous cherchons pour
la méthodologie de suivi temps-fréquence, l’orientation vers l’analyse des signaux à court terme par
batteries de filtres (représentée mathématiquement par le spectrogramme) couvrant la bande d’intérêt est
naturelle et a constitué le point de départ de nos travaux. Nos contributions ont porté sur la proposition des
méthodes de regroupement de l’information temps-fréquence en utilisant des critères de continuité
énergétique. L’adaptation des outils génériques, comme l’estimation du taux de modulation linéaire locale,
à des perturbations particulières comme le bruit impulsif a été également étudiée.
Domaines d’applications : Analyse des signaux en configuration passive multi-trajet (guerre

électronique, monitoring passif de l’environnement marin et aérien), Suivi temps-fréquence en condition
de bruit complexe, Configuration des opérateurs warping et des filtres temps-fréquence.
Publications : Ce travail a donné lieu à quatre papiers revue ([A15], [A20], [A23], [A26]) et trois papiers
conférence, sur les aspects théoriques ainsi qu’applicatifs : [C23], [C32], [C59] (voir le chapitre 5 de la
Partie I).
10.1. Contexte
Dans le cas le plus général, une étape de détection indique, quand appliquée à une observation
bruitée, l’existence du signal utile. Afin d’adapter cette définition au contexte du suivi des composantes
temps-fréquence d’un signal inconnu et/ou issu d’un milieu incertain, nous allons considérer, comme
parties utiles de l’observation, toutes les structures temps-fréquence contrastant avec le bruit de fond.
Dans le cas le plus général, ces structures sont représentées par des formes temps-fréquence non-linéaires
couvrant toute la bande du récepteur. Dans ce contexte, les objectifs du suivi temps-fréquence reposent sur
l’isolation des structures temps-fréquence dans des RdIs (régions d’intérêt). Pour répondre à ces objectifs,
et compte tenu du caractère générique souhaité pour le suivi des composantes temps-fréquence d’un signal
inconnu, la méthodologie générale de suivi temps-fréquence est définie comme illustré sur la figure 10.1.
Figure 10.1. Stratégie générale de suivi des structures temps-fréquence
75
L’espace initial de représentation doit être suffisamment générique afin d’assurer la

représentation d’une large gamme des signaux, en absence d’hypothèses a priori fortes. Il devrait
également permettre une représentation robuste des structures utiles du signal. Nous nous sommes
initialement orientés vers l’analyse par banc de filtres. Chaque filtre occupant une bande de fréquences
particulières, on divise le plan temps-fréquence en bandes d’observation sur lesquelles on effectue des
traitements pour la détection de signaux.
Par la suite, nous nous intéressons au regroupement de l’information temps-fréquence
« visible » dans cet espace de représentation et qui constitue le point central des travaux présentés dans ce
chapitre. Le traitement traditionnel mis en place est basé sur l’analyse par blocs, permettant de détecter des
régions d’intérêt rectangulaires dans le plan temps fréquence. Il s’agit en effet du concept général de
détection dans le domaine du spectrogramme que nous avons considéré comme point de départ
[Ravier01], [Martin04], [Ioana06]. Le premier aspect abordé est la méthode pour la détection de l’énergie
dans chaque bande du banc de filtres. La méthode la plus simple pour sélectionner les bandes d’énergie est
d’effectuer un seuillage dépendant du niveau de bruit. Pour estimer ce niveau de bruit, on suppose que le
bruit soit uniformément réparti ce qui amènera un niveau constant en dehors des zones fréquentielles où
est présent le signal, comme le montre la figure 10.2. La valeur correspondant au niveau de bruit pour le
critère est alors un point d’accumulation que l’on peut estimer en mesurant la densité de probabilité (DDP)
de ce critère. Le niveau de bruit correspond a priori au premier pic rencontré sur la DDP (figure 10.2).
présence de signaux ddp
critère critère
niveau
de bruit valeur du valeur du critère
critère pour
filtres le bruit
Figure 10.2. Estimation du niveau de bruit et le « contraste » signal-bruit
Le critère illustré sur la figure 10.2 doit permettre, dans le cas général, de détecter la présence des
signaux sur fond de bruit. Le choix d’un tel critère, appliqué localement, a largement été abordé dans la
littérature, une des propriétés exploitées étant la gaussianité : le bruit peut être considéré de distribution
d’amplitude gaussienne alors que les composantes du signal présentent généralement une répartition
d’amplitude non gaussienne. La gaussianité est estimée au moyen du kurtosis qui mesure la présence, dans
une zone tempo-spectrale donnée, du signal [Ravier 2001] par rapport à son non-gaussianité relative au
bruit.
Des travaux plus récents ont conduit aux calculs de la DDP des pixels temps-fréquence d’un
spectrogramme [Huillery08]. L’estimation de la distribution du bruit dans le plan temps-fréquence permet
ainsi la définition des techniques de détection et de suivi performantes à partir du spectrogramme. Dans ce
contexte, nous nous sommes intéressés, dans le cadre du séjour de scientifique de haut niveau d’Igor
Djurovic, au cas du bruit impulsionnelle et nous avons proposé une technique de suivi des signaux
composés des modulations linéaires de fréquence [Djurovic10].
Un autre point auquel je me suis intéressé est le suivi des composantes en présence des
interférences. En effet, les techniques basées sur la détection locale statistique (deux de ces critères étant
les statistiques d’ordre supérieur – SOS et le seuillage énergétique), interprètent l’affaiblissement de
l’énergie, dû aux interférences destructives, comme du bruit, ce qui conduit à un suivi erroné de telles
structures. Cette limitation est mise en évidence dans l’exemple suivant où nous considérons un signal
sous-marin réel qui correspond à des réceptions de plusieurs paquets propagés après des émissions
successives des MLFs et des modulations non-linéaires – figure 10.3.
Figure 10.3. Résultat fourni par le Détecteur Batterie de Filtres (BF)-SOS sur des signaux TINA 2001
76
Nous pouvons remarquer que les paquets des signaux arrivés seront découpés, par le détecteur, en
plusieurs zones temps-fréquence. La cause de cette mauvaise détection est due aux parties temps-
fréquence atténuées et qui ne sont pas regroupées par la procédure basée sur les SOS.
Une autre limitation des techniques de détection par analyse locale temps-fréquence réside dans la
fourniture de zones de détection rectangulaires dans le plan temps-fréquence (figure 10.3). Ainsi, une
composante dont la fréquence varie au cours du temps aura une surface de détection d’autant plus grande
que la variation de fréquence est grande, figure 10.3. Dans un contexte de débruitage, par exemple, cette
façon de procéder n’est pas optimale et on chercherait plutôt à obtenir un support épousant la forme
temps-fréquence du signal.
Afin de palier à ces limitations, nous avons proposé une stratégie de groupement plus élaborée et
récursive fondée sur l’utilisation de l’algorithme de Viterbi [Cornu05].
10.2. Contributions
10.2.1. Regroupement de l’information temps-fréquence par Viterbi
Dans le contexte du suivi de composantes temps-fréquence d’un signal inconnu, l’espace de

représentation de type spectrogramme permet de visualiser les zones régions temps-fréquence d’intérêt,
comme suggéré par la figure 10.4. L’application des critères énergétiques locaux permet d’éliminer le
bruit et de représenter l’information par une suite des pixels temps-fréquence – figure 10.4.
Figure 10.4. Représentation d’un signal dans le plan temps-fréquence
Le regroupement de l’information présentée sur la formes des pixels constitue l’objectif de base
d’une méthode de suivi temps-fréquence. Les critères évoqués précédemment apportent des solutions
intéressantes et reposent sur des principes de contraste signal/bruit ainsi que de proximité dans le plan
temps-fréquence. L’ensemble de ces critères, dans le contexte du suivi temps-fréquence, tente d’associer
automatiquement des régions du plan temps-fréquence correspondant aux parties utiles du signal analysé.
Cette association est instantanée lorsqu’un opérateur humain, initié à l’analyse temps-fréquence, regarde
une représentation temps-fréquence. L’objectif donc du suivi automatique est de réaliser la même
opération mais de façon non-supervisé et efficace, et dans l’absence des a priori concernant le signal.
C’est dans ce cadre que nous avons inscrit nos travaux et nous avons proposé l’utilisation des
méthodes de recherche des chemins optimaux dans un espace 2D, inspirée par des algorithmes de type
Viterbi [Viterbi67]. En effet, le problème d’association des pixels temps-fréquence peut être exprimé en
termes de recherche des chemins optimaux dans le plan temps-fréquence, l’optimalité étant définie
localement par la minimisation d’une fonction de pénalité. Dans ce contexte, l’avantage principal des
algorithmes de type Viterbi est le fait qu’ils s’implémentent simplement de manière récursive, ce qui
réduit l’espace de recherche dans le cas de problèmes compliqués et non-linéaires.
La méthode de suivi temps-fréquence fondée sur l’algorithme de Viterbi est définie, dans sa
version initiale [LJStan03], comme une recherche de chemin dans le plan temps-fréquence qui minimise
une somme de fonctions de pénalités dépendantes de ce chemin :
 N −1 N

ˆ (t ) = arg min ∑ γ(k (t ), k (t + ∆t )) + ∑λ(TF (t, k (t ))
ω (10.1)
k (t )∈K
 m=1 m=1 
où l’on suppose que la loi de fréquence instantanée ne peut passer que par un ensemble fini de points
fréquentiels, K, t est la période d’échantillonnage, N est le nombre d’instants considérés et TF(t,ω)
constitue l’ensemble des points temps-fréquence à regrouper. Les fonctions de pénalité sont choisies
suivant les critères suivants :
- la LFI passe par les points de fortes intensités dans le plan temps-fréquence (fonction λ);
77
- les variations de la LFI sont relativement lentes (fonction γ) présentant donc une variation lente et
continue de l’énergie dans le plan temps-fréquence.
L’algorithme de Viterbi peut être étendu comme un outil général pour grouper des parties du plan
temps-fréquence appartenant à la même composante du signal. Nos contributions, en collaboration avec
l’équipe TFSA de Monténégro, ont porté sur l’extension de cette méthodologie dans le cas des
observations multi-composantes ainsi que sur la détection du début et de la fin des composantes. Je
présente, dans la section suivante, les contributions principales liées à la problématique de suivi des
structures temps-fréquence multiples.
L’algorithme décrit en [LJStan03] utilise une représentation Pseudo Wigner-Ville et traite le cas des
signaux monocomposantes. Il est supposé que la composante dont on veut estimer la loi de fréquence
instantanée est présente du début à la fin. Pour traiter le cas multi-composantes, on choisit les candidats
pour l’extension des chemins déjà mis en place de la façon suivante. A chaque instant, on estime les
maxima, au-delà d’un certain seuil, des modules des sorties des filtres (figure 10.5). On note cet ensemble
Ci. Les largeurs de bande, reliées à l’étalement spectral de ces composantes, seront associées à ces
maxima. Le but du regroupement est alors d’associer tous les maxima appartenant à une même
composante.
f threshold
f
Ci
Candidates for
bandwidth path extension
t Energie
Figure 10.5. Détection des maxima locaux
La fusion des maxima locaux consiste à regrouper les pixels temps-fréquence de façon optimale.
Dans nos travaux, le regroupement optimal est celui qui minimise la fonction de pénalité suivante, liée à la
continuité de l’énergie entre deux points temps-fréquence [Cornu05] :
( )
TF (ti , ωi ) − TF t j , ω j
( ( ))
f (ti , ωi ); t j , ω j =
TF (ti , ωi ) + TF (t j , ω j )
(10.2)
Ce choix est naturel par rapport à notre objectif de suivi des structures temps-fréquence non-
linéaires compactes, caractérisées par une variation lente de l’énergie dans le plan temps-fréquence. Cette
fonction peut être interprétée comme une pseudo-dérivée qui mesure la différence énergétique entre deux
points. Si entre ces points proches la différence énergétique est importante il est possible que ces points
appartiennent à des structures T-F différentes. Pour cette raison, la pénalité, dans le cas où nous décidons
d’associer ces points à la même structure, sera grande. Le cas échéant - l’énergie comparable entre deux
points proches - conduit à une association des deux pixels avec une pénalité réduite.
La construction des chemins temps-fréquence s’effectue en minimisant cette fonction calculée pour
chaque transition possible entre les points temps-fréquence existants à l’instant t et les points existants à
l’instant t+∆t. Les éléments intervenant dans l’algorithme de regroupement sont définis sur la figure 10.6
pour l’exemple des structures illustrées sur la figure 10.4.
Figure 10.6. La procédure de fusion des maxima locaux
78
Nous notons avec C(t) l’ensemble des points temps-fréquence TF existants à l’instant t (ie, les points
obtenus après l’étape d’estimation des maxima locaux – figure 10.5) et avec ci, cj, ck,, etc l’ensemble de
chemins créés jusqu’à l’instant t. Comme illustré sur la figure 10.6, chaque point du C(t) peut être relié à
un point C(t+∆t). L’ensemble des trajets possibles est défini par E(t, t+∆t). Pour chaque transition nous
évaluons la fonction de pénalité dérivée de (10.2) mais qui tient compte des chemins précédents :
(
TF (t , ci (t )) − TF t + ∆t , ω j )
( ( ))
f (t , ci (t )); t + ∆t , ω j =
TF (t , ci (t )) + TF (t + ∆t , ω j ) (10.3)
∀ω j ∈ C (t + ∆t ) et ∀ci ⊂ Γ(t )
où Γ(t) constitue l’ensemble des chemins existants à l’instant t. L’association d’un point TF(t+∆t,ωj) à un
chemin s’effectue en deux étapes :
1. Trouver ωj pour laquelle la fonction de pénalité (10.3) est minimale :
ωˆ j = arg min f
ω
( ( t; c ( t ) ) , ( t + ∆t;ω ))
i j
(10.4)
ci ( t + ∆t ) = ωˆ j
Le point temps-fréquence à l’instant t+∆t qui minimise cette fonction de pénalité constitue un
candidat pour la prolongation du chemin ci.
2. La décision de prolongation d’un chemin ci avec le point TF(t+∆t,ωj), issu de (10.4), s’effectue en
étudiant soit l’énergie, soit la fonction de pénalité cumulées, soit une combinaison de ces deux quantités,
définies pour un chemin ci selon :
Λ ci ( t + ∆t ) = Λ ci ( t ) + f ( ( t, c ( t ) ) ; ( t + ∆t, c ( t + ∆t ) ) )
i i
(10.5)
Eci ( t + ∆t ) = Eci ( t ) + TF ( t + ∆t , ci ( t + ∆t ) )
2
Plus exactement, nous définissons une fonction de pénalité hybride :

Ωci ( t ) = αΛ ci ( t ) + β Eci ( t ) (10.6)
où α et β sont les poids accordés à chacun de critères.

A partir de cette fonction de pénalité hybride nous décidons d’associer le point TF(t+∆t,ωj) au
chemin ci si la croissance de la fonction de pénalité de cette transition est comparable à la croissance de la
transition précédente du chemin ci :
IF Ω c ( t + ∆t ) − Ω c ( t ) ≤ ε  Ω c ( t ) − Ω c ( t − ∆t ) 
i i  i i 
TF ( t + ∆t , ωˆ j ) ⊂ c j
(10.7)
ELSE
( t, c ( t ) ) − point terminal du chemin
i
END
où ε est un seuil choisie lié au caractère dynamique de l’amplitude du signal et/ou de variation temps-
fréquence.
Dans le cas où un point appartenant à C(t) n’est pas relié à un chemin précèdent, ce point sera
considéré comme point de départ d’une nouvelle structure. La procédure sera identique à celle présentée
ci-dessus et qui se poursuit jusqu’à ce que tous les points temps-fréquence soient parcourus.
Pour le cas illustré sur la figure 10.4, l’algorithme de regroupement fournira le résultat présenté sur
la figure 10.7.
Figure 10.7. Résultat du regroupement de l’information temps-fréquence
79
Le résultat du regroupement de type Viterbi permet un suivi efficace des structures temps-fréquence
complexes, caractérisées par un contenu temps-fréquence non-linéaire et perturbé par du bruit et des
interférences avec d’autres composantes. L’exemple suivant aborde le cas d’une vocalise de mammifère
sous-marin dont le spectrogramme est illustré sur la figure 10.8.a. Le suivi de type Viterbi, présenté sur la
figure 10.8.b, montre que malgré la perte d’énergie située au point temps-fréquence correspondant au
minimum de la fréquence instantanée ainsi qu’à la présence des composantes parasites, l’algorithme de
regroupement arrive à connecter les structures temps-fréquence du signal. L’exemple suivant, figure 10.9.,
concerne cette fois-ci un signal sous-marin à plusieurs composantes temps-fréquence. La figure 10.9.a
indique la détection des régions d’intérêt réalisée par le seuillage énergétique du spectrogramme. Nous
pouvons constater que les deux composantes T-F principales du signal seront segmentées et mises en
évidence dans plusieurs régions d’intérêt. Le problème est résolu par l’utilisation du tracking de type
Viterbi (figure 10.9.b) qui arrive à suivre correctement les deux composantes.
Figure 10.8. Suivi d’une structure temps-fréquence appartenant à une vocalise de mammifère sous-marin
Figure 10.9. Suivi des structures temps-fréquence appartenant à une vocalise de mammifère sous-marin – cas multi-
composantes
Pour le signal considéré précédemment dans l’exemple 10.3, le résultat de la détection en appliquant
le regroupement de type Viterbi est illustré sur la figure 10.10.
Figure 10.10. Résultat du suivi de type Viterbi sur un signal réel issu d’une configuration multi-trajets
Comme illustré par cet exemple, en utilisant des fonctions de pénalité de type (10.2) nous
privilégions la continuité de la puissance instantanée des composantes du signal. Ceci nous garantit la
prise en compte de toutes les parties de ces structures, indépendamment de leurs énergies qui varient, dans
notre exemple, en raison des interférences entre les composantes proches. Par conséquent, les structures
80
temps-fréquence seront bien conservées et les chemins fournis par le suivi constituent une bonne
estimation des LFIs contenues dans le signal.
Afin de mettre en évidence l’intérêt pour le suivi de type Viterbi, par rapport à d’autres techniques
possibles de tracking temps-fréquence, nous étudions les courbes opérationnels du récepteur – COR
(Receiving Operating Characteristics) pour un signal synthétique constitué de deux composantes temps-
fréquence non-linéaires très proches. Comme méthodes de suivi dans le plan temps-fréquence, nous avons
considéré :
- L’extracteur des pixels temps-fréquence dans le domaine de la Transformée de Fourier à Court
Terme (« STFT extractor »). En effet, cette méthode consiste à sélectionner, dans le domaine de la TFCT,
les pixels dont l’énergie dépasse le seuil requis pour l’évaluation des COR ;
- L’extracteur des pixels temps-fréquence dans le domaine de la Transformée en Ondelettes (« WT
extractor »). Comme dans le cas précédent, cette méthode consiste à sélectionner, dans le domaine de la
transformée en ondelettes, les pixels dont l’énergie dépasse le seuil requis pour l’évaluation des COR ;
- Filter Bank - High Order Statistics (FB-HOS) qui est une méthode de suivi temps-fréquence basée
sur le regroupement de l’information dans des sous-bandes en utilisant des statistiques d’ordre supérieurs
[Ioana03]. Il s’agit en effet de la généralisation des méthodes proposées en [Ravier01] au sens du
remplacement de la décomposition en paquets d’ondelettes par une analyse par batterie de filtres couvrant
la bande spectrale du signal.
- FB-HOS Viterbi – Cette méthode consiste à regrouper, via la technique de Viterbi présentée dans ce
chapitre, les pixels temps-fréquence détectés par la méthode FB-HOS.
Figure 10.11. Performance de détection de plusieurs méthodes de suivi temps-fréquence
Comme indiqué par la figure 10.11 pour deux rapports signal sur bruit (3 dB et 1 dB), la FB-HOS-
Viterbi fournit les meilleurs résultats en termes des CORs grâce au suivi basé sur la continuité de l’énergie
temps-fréquence, qui permet de regrouper les parties du signal, malgré les interférences destructives. Pour
les trois autres méthodes, les performances de détection sont diminuées par ces interférences qui
conduisent à une segmentation de la vraie région d’intérêt, de façon similaire à la situation présentée sur la
figure 10.3.
La méthodologie de regroupement basée sur le critère de la continuité énergétique et le principe
d’optimalité de type Viterbi assure un bon tracking des composantes temps-fréquence d’un signal. Le
résultat du tracking se traduit par un suivi correct de la loi de fréquence instantanée ainsi que de la bande
instantanée, qui peut servir au filtrage temps-fréquence de la composante, via les techniques proposées au
chapitre 7. L’interaction entre la méthode de suivi de type Viterbi et le filtrage basé sur les opérateurs
warping a été définie comme le lien entre la thèse de Cédric Cornu et celle d’Arnaud Jarrot. Cette
méthodologie constitue un outil transverse utilisé dans des applications diverses, en partie abordées dans
la Partie IV de ce mémoire.
10.2.2. Suivi temps-fréquence adaptatif et en contexte de bruit impulsif
Dans le paragraphe précédent nous avons présenté le concept du suivi des structures temps-
fréquence à partir de la continuité de l’énergie définie entre des pixels temps-fréquence appartenant à la
même structure. Une alternative à ce type de solutions consiste à effectuer une estimation paramétrique
locale des structures temps-fréquence, par le biais du modèle de phase polynomiale, par exemple
[Ioana05], [Jabloun07], [Cirillo08], etc. Une structure temps-fréquence sera constituée des composantes
locales à phase polynomiale d’ordre réduit. Un tel modèle a également été discuté dans le chapitre 7 mais,
81
au niveau de performances au bruit, nous n’avons considéré que le cas d’un bruit blanc gaussien. Ce
contexte est également considéré dans la quasi-totalité des travaux portant sur la modélisation polynomiale
locale. Un autre point important, conditionnant les performances du suivi temps-fréquence par
modélisation locale de phase, est le choix de la fenêtre d’analyse. Ceci est d’autant plus important que
l’ordre de la phase polynomiale locale est faible
Dans le cadre de la collaboration avec le Professeur Igor Djurovic, de l’Université de Monténégro,
nous nous sommes intéressés à la modélisation locale adaptative avec des chirps à court terme, dans un
contexte général de bruit impulsif. De façon générale, la modélisation locale des chirps d’un signal
x(t ) = Ae jφ (t ) s’exprime mathématiquement par :
φ (t ) = ∑h Di (t − kDi )[ f0i (t − kDi ) + ci (t − kDi )2 ] (10.8)

i
où {Di} sont les durées (considérées variables dans le cas le plus général) de la fenêtre d’analyse h, f0i - les
fréquences initiales et {ci} sont les taux de modulation linéaire.
Dans ce contexte, deux difficultés ont été abordées dans nos travaux et qui ont conduit à des
contributions :
1. L’adaptation de la taille de la fenêtre d’analyse afin de garantir l’optimalité de l’estimation des
paramètres des chirps locaux, {f0i} et {ci} – [Djurovic09].
L’estimateur le plus simple des fréquences centrales des chirps peut être déduit de l’estimateur de
fréquence instantanée défini à partir de la Pseudo Wigner Ville Distribution (PWVD), par exemple:
∞
PWVD
D
(t , ω ) = ∑ h (nT )x(t + nT )x* (t − nT )e − j 2ωnT
n = −∞
D (10.9)
où D est la durée de la fenêtre d’analyse et T est le pas d’échantillonnage. Les estimateurs de la fréquence
instantanée et des fréquences initiales des chirps locaux ont pour expression :
ωˆ D (t ) = arg max PWVDD (t , ω ); { f 0i } = ωˆ D (iD )

1
(10.10)
ω 2π
Le principe à la base de ces estimateurs est la dérivation de la phase instantanée, réalisée par le
produit x(t + nT )x * (t − nT ) et qui concentre sa transformée de Fourier (soit la distribution 10.9) sur la loi
de fréquence instantanée (ou, en termes mathématiques, la première dérivée de la loi de phase).
Récemment, O’Shea montre qu’en prenant la transformée de Fourier par rapport à la variable (nT)2, nous
obtenons la distribution « temps-taux de modulation linéaire » (ou CPD – Cubic Phase Distribution ou,
encore, CPF pour Cubic Phase Function) [O’S02], qui, par équivalence avec la Pseudo WVD, s’écrit :
∑ h (nT )x(t + nT )x* (t − nT )e − j 2Ω(nT )

∞ 2
CPD
D
(t , Ω) = D (10.11)
n = −∞
où Ω est la variable représentant le taux de modulation linéaire, par équivalence avec la variable
fréquentielle intervenant en (10.9). L’estimation des taux de modulation linéaire s’effectue donc avec :
ˆ (t ) = arg max CPD (t , Ω )
Ω D D
ω
(10.12)
{ci } = 1 Ωˆ D (iD )
2π
Comme indiqué par les formules (10.10) et (10.12), les estimations locales des fréquences initiales
et des taux de modulation linéaire de fréquence (MLF) dépendent du choix de la fenêtre d’analyse qui
intervient dans le calcul des distributions PWVD et, respectivement, CPD. Il est évident qu’une fenêtre de
taille variable serait souhaitable afin d’obtenir un suivi temps-fréquence adapté au signal analysé.
Concernant l’estimation de la loi de fréquence instantanée, des nombreux travaux ont proposé des
méthodes d’analyse sur des fenêtres à taille variable [Katkovniv96], [LJStan00], etc. En ce qui concerne
l’adaptation de la fenêtre nécessaire à l’estimateur du taux MLF, nous proposons une approche basée sur
la minimisation de l’erreur quadratique moyenne (EQM) de l’estimateur MLF, calculée en [Djurovic09] :
82
{
ˆ (t ) = bias 2 Ω
EQM Ω D }
ˆ (t ) + var Ω
D
ˆ (t ) =
D { } { }
[ ] σ2 (10.13)
= φ (4 ) (t ) wb2 D 4 +
2
D −5 wv
A2
où wb et wv sont deux constantes qui dépendent du type de fenêtre, φ(4) est la dérivée 4ième de la phase, σ2 –
la variance du bruit (supposé gaussien). La minimisation de l’EQM par rapport à la durée de la fenêtre
d’analyse, D, conduit à la durée optimale :
Dopt (t ) = 9
( )
5 σ 2 / A 2 wv
4[φ (t )] w
(10.14)
( ) 4 2 2
b
Etant donné le fait que la dérivée de la phase φ(4) n’est pas connue, il n’est pas possible, dans les
applications pratiques, d’utiliser la formule (10.14). Nous avons alors proposé l’utilisation du concept de
l’intersection des intervalles de confiance (ICI - Intersection Confidence Interval) [LJStan04]. Nous
considérons un ensemble de durées de fenêtre d’analyse D={D1, D2,…..,DQ}, avec Di < Di+1. Les durées
des fenêtres sont choisies de la manière suivante : Di = a i −1 D1 , a > 1 . Nous supposons que la durée
optimale de la fenêtre Dopt(t), à un instant donné, est proche d’une des valeurs de D. Les estimations des
taux MLF pour toutes les fenêtres de D, Ω { }
ˆ , i = 1, 2,...., Q , sont obtenues par :
D i
ˆ (t ) = arg max CPD (t , Ω ) 2

Ω (10.15)
Di Di
Ω
où CPDDi (t , Ω ) est la CPD calculée pour la fenêtre h D (t ) ( h D (t ) ≠ 0 pour t ≤ Di / 2 ). Autour de chaque

i i
estimation, nous créons l’intervalle de confiance :
[Ωˆ Di (t ) − λσ (hDi ), Ωˆ Di (t ) + λσ (hDi )] (10.16)
où λ est le paramètre qui contrôle la probabilité que le vrai taux de MLF appartienne à cet intervalle et
( )
σ hD =
i
σ
A
Di−5 / 2 wv (10.17)
En utilisant le principe défini en [LJStan04], la fenêtre optimale est proche de la fenêtre la plus
large pour laquelle les intervalles de confiance, créés par deux fenêtres voisines de l’ensemble D,
s’intersectés toujours, soit :
ˆ (t ) − Ω
Ω D i
ˆ
D i −1
(t ) ≤ λ [σ (hDi ) + σ (hDi +1 )] (10.18)
La fenêtre optimale sera alors définie par :

Dˆ opt (t ) = Di (10.19)
Les performances de cet algorithme dépendent du choix du paramètre λ, l’aspect étant discuté en
[LJStan04] où il a été montré que cette valeur devrait être comprise dans l’intervalle [2,5]. Dans les
simulations qui suivent, nous avons choisi la valeur λ = 2 et nous avons utilisé le signal de test suivant
x(t ) = exp j8πt 4 ( ) (10.20)
défini dans l’intervalle t ∈ [− 1 / 2, 1 / 2] avec le pas d’échantillonnage T = 1/257. Le taux de MLF exact, en
fonction de temps, est Ω(t ) = 96πt 2 . Nous avons défini un ensemble de 13 fenêtres d’analyse {Di = N i T },
où N i = a i −1 N1 et a = 2 , N1 = 5. La figure 10.12 indique les performances, en termes d’EQM,
d’estimation du taux MLF, obtenues pour des fenêtres d’analyse de taille fixe et pour la fenêtre optimale
donné par notre algorithme (courbe rouge). Trois valeurs de rapports signal sur bruit ont été analysées et,
pour chaque cas de figure, 100 simulations ont été réalisées.
Nous remarquons que le choix quasi-optimal assuré par notre algorithme permet d’obtenir les
erreurs les plus faibles, pour un ensemble de 13 durées de fenêtres d’analyse. Par l’essai d’un nombre
important de fenêtres, il serait possible d’obtenir des résultats meilleurs que par la fenêtre quasi-optimale
83
donnée par l’algorithme ICI, mais une telle procédure nécessiterait un temps de calcul important sans une
garantie d’un bon résultat.
Figure 10.12. Comparaisons entre les performances d’estimation du taux MLF obtenues par des fenêtres fixes et
de l’algorithme adaptatif du choix proposé dans ce paragraphe
L’exemple suivant montre l’intérêt du suivi adaptatif temps-taux de MLF par des fenêtres optimales
obtenues à travers l’algorithme ICI. Dans cet exemple, nous considérons le signal (10.20), bruité pour un
RSB=21 dB. Les figures 10.13.a et b présente le suivi temps-taux de MLF pour deux fenêtres arbitraires
fixes.
Figure 10.13. Illustrations du suivi temps-taux de MLF assuré par des fenêtres fixes et par l’algorithme
d’optimisation du choix de la fenêtre
Nous constatons les erreurs importantes dues au bruit, d’autant plus importantes que la fenêtre est
courte. Le suivi adaptatif, figure 10.13.c, indique la qualité du suivi due à l’adaptation de la durée de la
fenêtre d’analyse, réalisée par l’algorithme d’optimisation. En effet, l’application de cet algorithme permet
d’adapter les durées de la fenêtre conformément aux durées optimales indiquées sur la figure 10.13.d.
En conclusion, l’algorithme de choix optimal de la durée de la fenêtre d’analyse permet un suivi
temps-taux MLF efficace. Ceci, corroboré avec les travaux antérieurs sur le choix optimal de la fenêtre
d’analyse dans le contexte du suivi de la LFI, amèneront à une modélisation précise de type (10.8).
2. L’adaptation des estimateurs du taux de modulation linéaire au cas de bruit impulsif [Djurovic10].
En effet, ce type de bruit est présent dans des nombreux cas applicatifs et il se traduit par des impulsions
aléatoires très large bande qui affecte les estimateurs conçus dans le cas du bruit de type gaussien, comme
celui étudié dans le cas précédent.
84
La solution que nous proposons dans le cas d’un bruit impulsif consiste à filtrer le signal, avant
d’appliquer les estimateurs (10.10) et (10.12), dans le domaine de la transformée de Fourier robuste qui
est défini comme l’espace adéquat pour la soustraction de ce type de bruit [Djurovic02]. Pour un signal
analysé, x(nT), l’expression du spectre filtré dans le domaine de la transformée de Fourier robuste est
[Djurovic10] :
[
Xˆ (ω ) = Xˆ 1 (ω ) + Xˆ 2 (ω ) + j Xˆ 3 (ω ) + Xˆ 4 (ω ) ] (10.21)
où
N/2
Xˆ i (ω ) = ∑ a r( ) (ω )
l i ,l
l =− N / 2 (10.22)
r(i ,l ) (ω ) ∈ R i (ω ) = {ri (nT , ω ) n ∈ [− N / 2, N / 2]}, i = 1,2,3,4
Les éléments ri (nT , ω ) (i= 1, 2, 3, 4) sont définis comme suit :

r1 (nT , ω ) = Re[x(nT )]cos(ω (nT )); r2 (nT , ω ) = Im[x(nT )]sin (ω (nT ))
r3 (nT , ω ) = − Re[x(nT )]sin (ω (nT )); r4 (nT , ω ) = Im[x(nT )]cos(ω (nT ))
(10.23)
Les coefficients du filtre (10.22) sont calculés par :

1 / (2 Na + 1), l ∈ [− aN , aN ]
al =  (10.24)
 0, sinon
 1
où a ∈ 0,  .
 2
Une fois le signal filtré dans le domaine spectral robuste (10.21), la transformée de Fourier inverse
permet de retrouver le signal en temps, xr, mais avec une diminution significative du bruit impulsif. Avec
cette opération de filtrage robuste, la définition de l’estimateur du taux de MLF robuste est la suivante :
ˆ (t ) = arg max CPDr (t , Ω )
Ω r
ω
− j 2Ω(nT )
∞ 2 (10.25)
CPDr (t , Ω ) = ∑ h D (nT )x r (t + nT )x r* (t − nT )e
n = −∞
L’intérêt pour cet estimateur est prouvé par la suite dans des simulations en présence des bruits
arbitraires, plus complexes que ceux de type gaussien. Nous considérons comme signal utile une
modulation polynomiale d’ordre 3 :
(
x(n ) = A exp ja3 n 3 / 6 + ja 2 n 2 / 2 + ja1 n + ja 0 ) (10.26)
où les paramètres de ce signal sont les suivants : A = 1, a0 = 1, a1 = π/5, a2 = π/(5N) et a3 = -π/(8N2). Le

signal est défini dans l’intervalle n ∈ [− (N − 1) / 2, (N − 1) / 2] avec N = 513.
Le premier type de bruit est un mélange des bruits gaussiens et d’un bruit impulsif de type « sel et
poivre » :
v(n ) = σ (v1 (n ) + jv 2 (n )) / 2 + β (ξ1 (n ) + jξ 2 (n )) (10.27)
où vi(n), i=1, 2 sont des bruits gaussiens non-corrélés entre eux, de moyenne nulle et de variance unitaire;
ξi(n), i=1, 2 sont les bruits impulsifs de moyenne nulle. Nous notons avec p le pourcentage d’impulsions
dans le bruit, l’apparition d’impulsions positives et négatives étant équiprobable. La figure 10.14 indique
les performances en termes d’erreur quadratique moyenne d’estimation du taux de MLF du signal (10.26),
noyé dans le bruit (10.27), pour une amplitude de bruit impulsif β = 5 et pour des valeurs de p de 0 à 50%.
Comme méthodes de comparaison, nous avons considéré la CPF (Cubic Phase Function, soit l’estimateur
10.12), les méthodes robustes proposées en [Djurovic01] – Median CPF et « a=1/4 » (il s’agit en effet de
la méthode CPF robuste mais pour un paramètre a égale à 1/4) et la méthode proposée dans ce paragraphe
« New », pour des valeurs de a qui valent 3/8, 1/4, 1/8.
85
Figure 10.14. EQMs d’estimation du taux MLF dans un contexte de perturbation mixte gaussienne-bruit impulsif, en
fonction du pourcentage d’impulsions et du RSB
Nous observons que l’estimateur basé sur la CPD robuste réalise une estimation meilleure que les
techniques existantes, et ceci et d’autant plus visible que le pourcentage de bruit impulsif augmente. Pour
un RSB faible, les méthodes fournissent des performances comparables mais la méthode proposée donne
des meilleurs résultats, surtout pour un pourcentage d’impulsion important.
Figure 10.15. EQMs d’estimation du taux MLF dans un contexte de perturbation de type « α-stable noise », en
fonction de l’amplitude du bruit
L’exemple illustré sur la figure 10.15 concerne une perturbation de type « α-stable noise »
[Nikias95], caractérisé par deux paramètres (α,γ), avec α ∈ [0, 2] . Une valeur de α faible signifie une
présence importante de bruit impulsif alors que le paramètre γ représente l’amplitude du bruit. La figure
10.15 indique l’EQM d’estimation du taux de MLF pour quatre valeurs de α et γ ∈ [0, 10] . Nous
observons les très bonnes performances du nouvel estimateur (10.25), très évident pour un bruit impulsif
important (figure 10.15.a et b).
86
L’ensemble de ces simulations montre l’intérêt de l’estimateur de taux de MLF robuste, dans un
contexte de bruit arbitraire. Cette adaptation pourrait conduire, à l’avenir, à un suivi temps-fréquence aussi
efficace que dans un contexte de bruit gaussien.
10.3. Bilan
Ce chapitre a été consacré aux travaux, auxquels j’ai participé, liés au suivi des structures temps-
fréquence dans un contexte des signaux avec un contenu temps-fréquence complexe inconnu. La première
contribution apportée est la définition d’un algorithme de regroupement d’informations temps-fréquence
basé sur le principe d’optimisation de parcours de type Viterbi. La fonction de pénalité a été définie de
façon à quantifier la continuité d’énergie dans le plan temps-fréquence. Les résultats de simulations et sur
des signaux réels ont montré l’intérêt de ce type de regroupement pour un tracking performant des
structures temps-fréquence du signal. Pour ces raisons, cette contribution a été utilisée dans des contextes
applicatifs réels, comme il sera montré dans la Parti IV de ce mémoire.
Deux autres contributions ont été apportées dans le contexte du suivi temps-fréquence paramétrique
ayant pour but la modélisation du signal par des MLFs locales. La première contribution porte sur la
définition d’un algorithme pour le choix optimal de la fenêtre d’analyse alors que la deuxième a trait à
l’extension des estimateurs locaux de taux MLF aux cas des perturbations de type bruit impulsif. Les
simulations ont montré l’intérêt de ces contributions par rapport aux techniques qui ont servi comme point
de départ.
Un point commun, concernant les limitations actuelles des techniques abordées dans ce chapitre, est
le fonctionnement sur des signaux à plusieurs composantes, mais simples. Par exemple, le cas des
structures temps-fréquence croisées ne peut pas être traité par ces techniques. En conclusion, le travail sur
des structures temps-fréquence complexes constitue le point central de travaux futurs.
10.4. Perspectives
Afin d’améliorer le fonctionnement des techniques actuelles et d’étendre leurs champ d’application,
plusieurs pistes de travaux sont envisagées. La première consiste à automatiser complètement le suivi basé
sur le regroupement de type Viterbi. Notamment, le choix de la fenêtre d’analyse sera un point important
et la combinaison avec l’algorithme ICI serait une solution potentielle.
De façon générale, la notion de continuité d’énergie dans le plan temps-fréquence sera par la suite
exploitée afin d’accroitre les capacités du suivi dans le plan temps-fréquence, notamment, dans le cas des
structures temps-fréquence croisées et/ou caractérisées par des variations d’amplitude.
Concernant le suivi paramétrique, l’adaptation des notions présentées dans ce chapitre (adaptation
de la fenêtre d’analyse et les estimateurs robustes) à des composantes locales arbitraires (modulations
polynomiales locales) constituera un de mes axes de recherche principaux par la suite.
87
88
CHAPITRE 11 : Suivi dans le plan temps-fréquence par la

continuité de la phase locale
Cet axe de recherche a été développé, depuis 2006, dans la continuité des travaux présentés dans le
chapitre précédent (déroulés essentiellement dans la période 2004-2006), ayant, pour objectif central,
d’accroitre les performances du suivi temps-fréquence dans le contexte des signaux de plus en plus
complexes. Pendant les travaux effectués dans cette direction, plusieurs collaborations et des échanges ont
contribué à l’avancement de mes recherches : avec l’ENSTA Bretagne et le SHOM, dans le cadre du
contrat de recherche MODE (Méthodes d’Observation Discrète de l’Environnement) ; avec l’Université de
Monténégro et l’Académie Technique Militaire (dans le cadre du projet ECO-NET) ; avec Arizona State
University, Centre de recherche SenSip (l’équipe dirigée par Antonia Papandreou-Suppappolla, dans le
cadre du support Office of Naval Research Global, et dans le contexte d’applications dans des
environnements dispersifs) ; avec Villanova University, Center of Advanced Communications (dans le
contexte des applications radar). Cet axe a également été abordé dans le cadre de la thèse d’Arnaud Jarrot.
Cet axe de recherche a eu pour but principal de définir une méthodologie générale pour le suivi des
signaux composés des structures temps-fréquence différentes, proches l’une de l’autre, et, généralement,
mal connues en raison de l’aspect incertain et/ou passif du contexte. L’idée principale, issue de
l’expérience que j’ai accumulée lors du travail sur des signaux d’origines diverses, a été de se focaliser sur
les propriétés fondamentales de tout signal réel, comme la continuité locale de la phase instantanée. En
effet, un signal donné, indépendamment de la complexité et du nombre de ses structures temps-fréquence,
est caractérisé par une certaine cohérence de ces structures qui se distinguent ainsi des bruits. Plus
précisément, nous interprétons une composante temps-fréquence comme étant utile (i.e., étant une des
structures temps-fréquence du signal) si elle est caractérisée par un contenu temps-fréquence compact et
distinct du bruit ambiant.
Nos contributions ont porté sur l’exploitation de cette propriété très générale en proposant deux
méthodologies de tracking, adaptables à des contextes d’applications diverses. Ces méthodes sont basées
sur des opérateurs de traitement mono-dimensionnels pouvant traiter, de manière automatique et en
configuration passive, des signaux représentés par un nombre important d’échantillons.
Domaines d’applications : Analyse des signaux en configuration passive et/ou incertaine (monitoring
passif de l’environnement marin et aérien, radar), Aide à l’inférence de la physique dans des concepts
opérationnels comme la tomographie passive dynamique, Configuration des opérateurs warping et des
filtres temps-fréquence.
Publications : Ce travail a donné lieu à quatre papiers revue ([A5], [A10], [A21], [A22]) et huit papiers
conférence, sur les aspects théoriques ainsi qu’applicatifs : [C36], [C52], [C54], [C65], [C66], [CI1],
[CI2], [CI3] (voir le chapitre 5 de la Partie I).
Valorisation : Le logiciel d’analyse temps-fréquence phase
11.1. Contexte
Le tracking des composantes temps-fréquence d’un signal a, pour objectif principal, de fournir une
caractérisation temps-fréquence du signal, aussi précise que possible. Le contexte de cette analyse est
souvent caractérisé par des signaux reçus inconnus (contexte de traitement en configuration passive) et ont
des formes généralement complexes (structures temps-fréquence non-linéaires, perturbations difficilement
associables aux cas de figure théoriques).
Les méthodes abordées dans le chapitre précédent s’appuient sur la continuité de l’énergie dans le
plan temps-fréquence et le regroupement basé sur la minimisation d’une fonction de coût générée par
différentes transitions d’une zone temps-fréquence à l’autre. De cette façon, le chemin temps-fréquence
« optimal » est celui qui correspond à des transitions caractérisées par une variation continue de l’énergie
temps-fréquence. Ce type de méthodologie présente des limitations dans le cas des signaux avec une
configuration relativement complexe des structures temps-fréquence, telle que leur croisement dans le
plan temps-fréquence. L’exemple suivant montre, pour une configuration simple, la limitation du
89
regroupement basé sur des critères d’énergie dans le contexte des signaux à structures temps-fréquence
croisées. Le signal de test est composé de deux modulations linéaires de fréquence (MLF), défini par :
 (t − 224 ) 2 
x(t ) = exp[ j 2π (0.1t + 4.46 ⋅ 10 − 4 t 2 )] + 2 exp −  exp[ j 2π (0.1t − 4.46 ⋅ 10 t )] + b(t ); t = 0,..,511
−4 2 (11.1)
 180 
où b est un bruit blanc gaussien mélangé au signal pour un RSB = 8 dB. La MLF de pente négative
comporte une modulation d’amplitude de type gaussien. Les lois de fréquence instantanée théoriques sont
présentées sur la figure 11.1.a. Le spectrogramme du signal est illustré sur la figure 11.1.b.
Figure 11.1. Représentation temps-fréquence d’un signal avec des structures temps-fréquence croisées et le tracking
de type Viterbi
Nous constatons que le bruit ainsi que la variation de l’amplitude se traduisissent par une
distribution temps-fréquence qui rend déjà difficile le suivi des structures. En utilisant la technique de
regroupement des pixels temps-fréquence, proposée dans le chapitre précédent, nous essayons d’assurer la
connexion des points temps-fréquence. Naturellement, le tracking commence avec les atomes les plus
énergétiques qui correspondent au chirp de pente positive, comme illustré sur la figure 11.1.c où la courbe
rouge représente le résultat de ce tracking. La procédure de regroupement se poursuit correctement jusqu’à
l’échantillon 200, quand les atomes du chirp de pente négative deviennent plus énergétiques et
suffisamment proches des atomes du chirp de pente positive pour leurrer la technique de regroupement. Le
résultat de tracking est par la suite faux car il se poursuit sur une autre composante que celle caractérisée
au début.
Ce cas de figure, qui est souvent rencontré dans les contextes applicatifs réels (le signal de test 11.1
peut constituer une partie de deux modulations non-linéaires de fréquence), montre les limitations du
tracking basé exclusivement sur la proximité et l’énergie temps-fréquence, tel que celui défini par la
méthode de type Viterbi.
La solution que nous avons proposée, pour surmonter ces limitations, consiste à analyser la phase
instantanée des signaux correspondant à la région temps-fréquence définie par deux atomes à fusionner
(figure 11.2). Intuitivement, si la variation de la phase du signal correspondant à la région définie par deux
atomes ((ts1,fs1) et (ts2,fs2), figure 11.2) varie de façon régulière, nous pouvons connecter les deux atomes
car il est fort probable qu’ils appartiennent à la même composante. Par régulière, nous entendons une
variation lente, modélisable par une modulation polynomiale d’ordre faible.
De façon générale, l’idée force des techniques présentées dans ce chapitre repose alors sur l'analyse
de la cohérence temps-fréquence-phase et qui caractérise tous les signaux portant de l'information
intrinsèque (émise dans le cadre de l'opération) ou extrinsèque (englobant les effets naturels se rajoutant
sur le signal émis). Cette cohérence est définie par de mesures de continuités des paramètres locaux de la
loi de phase instantanée des signaux. Ces mesures reposent sur des opérateurs de filtrage adaptés
localement et l'analyse locale de la phase des signaux. Par la suite, elles seront fusionnées de façon à
maximiser la cohérence globale des structures temps-fréquence par rapport au signal de départ. Le
positionnement de ce concept est illustré sur la figure 11.2.
90
Figure 11.2. Problématique générale du tracking dans le plan temps-fréquence
Les travaux effectués se sont matérialisés par deux types d’approches qui exploitent la continuité de
phase dans le contexte du suivi des composantes temps-fréquence. La première approche consiste à
projeter localement le signal sur un dictionnaire des modulations cubiques et, par la suite, de combiner les
modulations cubiques locales de façon à minimiser des fonctions de pénalité quantifiant la continuité de la
phase instantanée. Le deuxième type d’approche consiste à retrouver les modulations cubiques locales,
non plus par une projection mais par une modélisation polynomiale locale de la phase. Par la suite, la
connexion de deux modulations, définies dans des fenêtres voisines, se fait en maximisant une mesure de
cohérence locale.
La présentation de ces types d’approche fait l’objet des paragraphes suivants, alors que des
applications bénéficiant de ces approches seront présentées dans la Partie IV.
11.2. Contributions
11.2.1. Continuité de phase analysée par la projection sur des dictionnaires locaux [Ioana10]
Etant donné le caractère inconnu du signal analysé, nous considérons le modèle suivant :
N
x(t ) = ∑ Ai e jφi (t ) + b(t ) (11.2)
i =1
où x(t) est le signal à analyser, composé de N structures, Ai est l'amplitude de la composante i, φi(t) est la
loi de phase de la composante i et b est le bruit de mesure. Le tracking d’un tel signal est équivalent à
estimer la loi de phase de chacune des composantes, φi(t). L'estimation de la loi de phase de la composante
i peut être vue comme un problème d'estimation basée sur la maximisation du rapport de vraisemblance.
Soit H0 et H1 définies selon
 H 0 : x (t ) = b(t ) Bruit
 (11.3)
 H 1 : x(t ) = Ai e + b(t )
j (φi (t )+ϕ i )
Signal + Bruit
où ϕi est la phase initiale. Ici, H0 représente le cas où l'observation reçue ne contient pas de signal et H1
représente le cas où l'observation contient au moins la composante i. Dans ce cas, toutes les autres
composantes sont considérées comme du bruit. Ainsi, une solution classique pour estimer la loi de phase,
φi (t ) la plus proche de la loi de phase réelle φi(t) consiste à maximiser le rapport du logarithme du rapport
~
de vraisemblance défini par
f (x | H1)
φ i ( t ) = Argmax ln
φ i ( t ), A ,ϕ i f (x | H 0 ) (11.4)
entre les statistiques f (x H 0 ) et f (x H 1 ) du H0 et, respectivement, H1. Afin d'assurer l'indépendance de la

maximisation par rapport aux paramètres Ai, ϕi une solution possible consiste à remplacer l'estimation du
maximum de vraisemblance de chaque quantité inconnue supposant les autres connues. Cette méthode,
appelée maximum de vraisemblance généralisé [Csiszar03], estime les Ai, ϕi (K – nombre d'échantillons)
selon :
91
2
 K 
 ∑ x[ k ]cos(φi [ k ] + ϕi ) 
Ai =  k =1 K 
(11.5)
2∑ cos 2 (φi [k ] + ϕi )
k =1
et
 K K K K

ϕi = ∠ ∑∑ x[k ]cos(φi [l ]) sin (φi [k ] − φi [l ]) + j ∑∑ x[k ]sin (φi [l ])sin (φi [k ] − φi [l ]) (11.6)
 k =1 l =1 k =1 l =1 
où ∠a + jb est l'angle de la variable complexe a + jb . Toutefois, cette approche reste difficilement

applicable par calcul direct en raison de la recherche exhaustive couvrant tous les points temps-fréquence.
Une solution consiste à focaliser la recherche en suivant un modèle général de la phase instantanée mais
applicable localement. Ainsi, le premier pas consiste à considérer le signal dans plusieurs fenêtres
d'analyse, ce qui est illustré sur la figure 11.3 où nous considérons la modélisation d'une composante
arbitraire (ligne continue).
Figure 11.3. Illustration de la procédure de recherche exhaustive
Comme indiqué sur cette figure, dans chaque fenêtre, nous construisons un ensemble de
composantes temps-fréquence d'ordre 3 et qui relient l'ensemble de points temps-fréquence définis dans
cette fenêtre. Un modèle polynomial de phase d’ordre 3 constitue un choix suffisamment général, offrant
plus de flexibilité qu’un modèle d’ordre 2 (conduisant à un tracking par des chirps locaux) surtout en ce
qui concerne le paramétrage de la taille de la fenêtre. Pour chacune des composantes, la fonction de
vraisemblance est estimée dans la fenêtre et uniquement les i plus vraisemblables composantes sont
retenues. Soit M ik la composante iième retrouvée dans la fenêtre k. Ainsi, afin d'optimiser le choix de ces
composantes, nous proposons la méthode simplex [Lagarias98] avec, pour initialisation, les points temps-
fréquence des composantes. Le résultat de cette étape est illustré sur la figure 11.3.
La prochaine étape consiste à regrouper les composantes détectées. Comme chaque composante
k
M i représente un modèle local, l'objectif de la procédure de regroupement est de définir la suite de
{ }
composantes M i1 ,..., M iK qui représente la composante i, par rapport au critère de maximum de
vraisemblance. La stratégie de regroupement consiste à associer deux composantes de fenêtres voisines
qui vérifient les critères de continuité suivants :
- Continuité temps-fréquence C0 . Ce critère est défini par :

( ) ( ) ( )
C 0 M ik , M kj +1 = f f M ik − f i M kj +1 (11.7)
( )
où f i M kj +1 est la fréquence initiale de M kj +1 et f f (M ) est la fréquence finale de M
i
k
i
k
. Ce critère tient
et M kj +1 (figure 11.4). Plus
k
compte des discontinuités de fréquence entre les composantes M i
(
précisément, si C 0 M ik , M kj +1 ) a une valeur importante, la probabilité pour que les M i et M kj +1
k
appartiennent à la même composante temps-fréquence est faible ;
92
Figure 11.4. Continuité de la loi de fréquence instantanée de type C0 (gauche) et C1 (droite)
- Continuité temps-fréquence C1. Ce critère, défini par :
( ) ( ) (
C 1 M ik , M kj +1 = ∂f f M ik − ∂f i M kj +1 ) (11.8)
( ) ( )
où ∂f i M kj +1 et ∂f f M ik représentent les taux de fréquence instantanée des composantes M i et M kj +1 .
k
Comme indiqué sur la figure 11.4, ce critère gère la fusion des composantes M i et M kj +1 de la manière
k
suivante : si les taux de loi de fréquence instantanée ont une variation lente, ces deux composantes sont
susceptibles de faire partie de la même structure temps-fréquence. Si les taux sont trop différents, les deux
composantes n'appartiennent pas à la même structure car les composantes temps-fréquence ont rarement
une variation trop brusque de la loi de fréquence instantanée (sauf les modulations numériques de
fréquence, par exemple);
- Continuité d'amplitude. Ce critère est défini par :

( ) ( ) (
dA M ik , M kj +1 = A M ik − A M kj +1 ) (11.9)
( ) k k
où A M i est la fonction de vraisemblable de M i estimé par (11.5). Ce critère matérialise l'observation
générale relative à la variation lente de l'amplitude des composantes temps-fréquence.
- Continuité en termes de phase locale. Ce critère est défini par
( ) [ ( ( ) ( )) ( ( )
dφ M ik , M kj +1 = ∠ cos φ f M ik − φ f M kj +1 + j sin φ f M ik − φ f M kj +1( ))] (11.10)
( )
où φi M kj +1 et φ f M ik ( ) représentent les phases initiale, respectivement, finale des composantes en
question et elles sont estimées selon (11.6). Ce critère fusionne deux composantes si la continuité de phase
est mise en évidence.
Avec ces critères, nous définissons la fonction de pénalité associée à la fusion de deux composantes
appartenant à deux fenêtres voisines :
( ) ( ) ( ) ( ) (
p M ik , M kj +1 = αC 0 M ik , M kj +1 + βdA M ik , M kj +1 + γC 1 M ik , M kj +1 + δdφ M ik , M kj +1 ) (11.11)
où les coefficients α , β , γ , δ sont les poids de chacun des critères. A partir de ces critères, la stratégie de
regroupement consiste à rechercher, parmi toutes les possibilités de connections possible, l'enchaînement
{ }
M i1 ,...., M iK qui minimise la fonction de pénalité :
popti = arg min ∑ p( M ik , M ik +1 )
k
(11.12)
La minimisation de la fonction de pénalité permet d'assigner, à chacune des composantes temps-

fréquence, une piste temps-fréquence approximant son contenu. Cette information est utilisée pour la
construction d'un filtre temps-fréquence qui réalise l'extraction de la composante détectée. Une fois
l'extraction d'une composante effectuée, le signal résiduel est obtenu par le filtrage temps-fréquence de
cette composante (figure 11.5).
93
Figure 11.5. Extraction des composantes par filtrage temps-fréquence
Cette procédure est itérée i fois afin que la totalité des composantes temps-fréquence soit extraite.
Afin d’illustrer les pas de l’algorithme et ses performances, nous considérons un signal composé d’une
modulation sinusoïdale de fréquence et d’une modulation polynomiale d’ordre 4 :
 10 
j 2π 0.3t + sin ( 2π t ⋅0.001t )  j 2π 0.25 t − 7.45⋅10−11 ⋅( t −512 ) 
4
s ( t ) = a1 ( t ) e  π 
+ a2 ( t ) e  
(11.13)
t = 0...1023
où a1(t) et a2(t) sont les variations d’amplitude des composantes du signal. Deux cas sont considérés :
Sans modulation d’amplitude : a1 (t ) = 2; a2 (t ) = 1 (11.14.a)
Avec modulation d’amplitude : a1 (t ) = 2 − 9.75 ⋅ 10−4 t; a2 (t ) = 0.3 + 2.9 ⋅ 10−3 t (11.14.b)
Les lois de fréquence instantanée et les variations d’amplitude sont représentées sur la figure 11.6.a.
L’analyse de ce signal par la distribution pseudo Wigner-Ville lissée (PWVL), illustrée sur la figure
11.6.b, montre les limitations de ce type de représentation, en termes de compromis entre la résolution et
les termes d’inter et intraférence (dus à la non-linéarité du contenu temps-fréquence). A titre de
comparaison, l’utilisation de la Product High Order Ambiguity function (PHAF), proposée par Barbarosa
et all [Bar98], est abordée par la suite. Afin d’adapter cette méthode à une variation du contenu temps-
fréquence d’ordre polynomial élevé, spécifique au signal de test (11.13), la PHAF est appliquée sur des
fenêtres de 256 échantillons – figure 11.6.c. Nous remarquons que les LFIs estimées (les courbes
continues) sont proches du contenu temps-fréquence théoriques (courbes pointillées).
Figure 11.6. Analyse du signal synthétique par la distribution de Wigner-Ville lissée et la PHAF
Comme indiqué par la figure 11.6.c, la méthode d’estimation des LFI basée sur la PHAF à court
terme donne des bons résultats dans le cas des composantes à amplitude constante (sans modulations). Ce
fonctionnement est drastiquement moins efficace dans le cas des composantes avec des amplitudes
variables – figure 11.6.d. Nous constatons, sur cette figure, que la LFI de la composante la plus
énergétique est approximativement bien suivie mais, après la soustraction de cette composante (suite à sa
94
modélisation par la PHAF – [Bar98]), la modulation d’amplitude est encore présente ce qui affecte
l’estimation de la deuxième composante du signal.
La méthodologie proposée dans ce paragraphe commence par la segmentation du signal sur un
certain nombre de fenêtres d’analyse – figure 11.7.a. Dans la iième fenêtre, un ensemble de modulations de
{ }
fréquence d’ordre 3 (modulations cubiques) M ki avec k=1,.., P (P étant le nombre de composantes
cubiques de l’ensemble). A partir de cet ensemble, nous ne retenons que les K modulations cubiques les
plus corrélées avec les échantillons du signal dans la fenêtre considérée. Pour la quatrième fenêtre
d’analyse, la figure 11.7.b présente quelques coefficients de corrélation entre les échantillons du signal
correspondants à cette fenêtre et quelques modulations cubiques. Les premiers quatre coefficients les plus
énergétiques correspondent aux corrélations avec la modulation d’ordre 4 qui est plus énergétique que
l’autre composante du signal (11.13). Les coefficients suivants, d’amplitude plus faible, correspondent aux
corrélations entre les modulations cubiques et la modulation sinusoïdale de fréquence. Avec les
trajectoires temps-fréquence associées aux modulations cubiques retenues dans chaque fenêtre, nous
construisons les filtres temps-fréquence, selon la méthodologie proposée dans le chapitre 7. La figure
11.7.c présente les filtres temps-fréquence conçus à partir des modulations cubiques les plus corrélées
avec les composantes du signal (pour des raisons de simplicité, uniquement deux filtres par fenêtre sont
affichés, mais, pour une fenêtre donnée, K filtres sont conçus). Le signal issu de chaque filtre est utilisé
pour calculer, en utilisant (11.5) et (11.6), l’amplitude et, respectivement, la phase instantanée du signal.
Ce calcul est facilité par l’élimination, grâce au filtrage temps-fréquence local, du bruit ainsi que d’autres
composantes.
Les amplitudes et les phases instantanées, estimées localement, servent à mettre en place les critères
de continuité définis ci-dessus. A l’issue de cette étape, plusieurs chemins temps-fréquence sont définis,
chacun avec sa fonction de pénalité calculée avec (11.12). Dans notre exemple, nous considérons deux
chemins possibles, identiques dans l’intervalle 1÷512 échantillons et deux courbes temps-fréquence
« candidates » - figure 11.7.d. La courbe en pointillée correspond à un coefficient de corrélation plus fort
que la courbe continue mais sa fonction de pénalité est plus faible que la fonction de pénalité associée à la
courbe en pointillée. En effet, nous avons utilisé le critère C0 (équation 11.7) en pénalisant ainsi les
discontinuités de la loi de fréquence instantanée. La fusion entre la courbe temps-fréquence définie de 1 à
512 avec la courbe en pointillée (figure 11.7.d) aura une pénalité plus importante que la fusion avec la
courbe continue, ce qui conduira à une estimation correcte de la LFI de la composante considérée.
Figure 11.7. Les étapes de la méthode de tracking T-F basée sur la continuité de phase analysée
par la projection locale
95
En conclusion, la minimisation de la fonction de pénalité globale, réalisée dans la deuxième étape

de la méthode, assure l’estimation de la loi de fréquence instantanée d’une des composantes du signal.
Evidement, compte tenu du type de signal analysé, le critère de continuité mis en place devra être
différent.
La loi de fréquence instantanée d’une des composantes du signal, estimée dans l’étape 2, est utilisée
pour la construction du filtre temps-fréquence global qui permettra d’extraire, physiquement, les
échantillons de la composante. Dans notre exemple, le filtre global ainsi que la composante extraite sont
illustrés sur la figure 11.7.e. Nous pouvons remarquer que cette composante est la modulation sinusoïdale
de fréquence. En reprenant les étapes 1 et 2 sur le signal résiduel, nous allons pouvoir estimer et extraire la
deuxième composante, illustrée sur la figure 11.7.f.
Afin d’illustrer les performances de cette méthode par rapport aux techniques de modélisation
polynomiale de la phase, représentées par la multi-lag HAF et la PHAF, nous allons comparer, pour
chacune des méthodes, l’erreur d’estimation de la loi de fréquence instantanée (EE_LFI), définie par :
EE _ LFI = LFIt − LFI e 2
(11.15)
où . 2 représente la norme L2, LFIt – la loi de fréquence théorique et LFIe – la loi de fréquence estimée. A
titre d’exemple, une EE_LFI de 0.074 correspond à une situation telle que celle illustrée par la figure
11.6.d alors qu’une erreur de 0.016 correspond à une situation illustrée par la figure 11.6.c.
Le premier set de simulations consiste à étudier l’EE_LFI en fonction de la taille de la fenêtre
d’analyse. Le signal de test est la modulation sinusoïdale, définie dans (11.13) et la taille de la fenêtre est
définie dans l’intervalle 160÷360 points, avec un pas de 10 points.
Figure 11.8. Comparaisons entre la mlHAF, la PHAF et la méthode proposée
Comme nous pouvons constater sur la figure 11.8.a, une taille de fenêtre comprise entre 210 et 280
points minimise l’erreur d’estimation de la LFI. Si la taille de la fenêtre est supérieure à 280, le contenu
temps-fréquence dans la fenêtre est trop non-linéaire par rapport à un ordre de modélisation polynomial
qui vaut 3 pour nos simulations : la modélisation polynomiale de la phase introduira des erreurs, traduites
par une augmentation de l’EE_LFI. Si la taille de la fenêtre est inférieure à 200 points, l’erreur augmente
en raison du nombre d’échantillons plus faible, utilisé dans l’évaluation de la mlHAF et de la PHAF. Une
valeur autour de 260 échantillons représente un choix optimal dans le cas du signal analysé.
La deuxième série de simulations étudie l’influence du rapport signal sur bruit (RSB) sur l’erreur
d’estimation de la LFI. La figure 11.8.b indique le bon fonctionnement de la PHAF et de la méthode
proposée pour un RSB supérieur à 5 dB. En dessous de cette valeur, grâce à la projection locale du signal
sur des modulations cubiques, la méthode proposée présente une meilleure robustesse, traduite par une
meilleure estimation de la LFI.
Ces résultats montrent l’intérêt de la continuité temps-fréquence-phase qui permet d’assurer un
tracking performant des structures temps-fréquence d’un signal.
7
96
11.2.2. Analyse temps-fréquence-phase [Ioana10b]
Bien que performante dans certaines applications réelles (comme il sera présenté dans la Partie IV),
la méthode décrite dans le paragraphe précédent présente deux limitations qui m’ont conduit à étudier des
techniques d’amélioration, que j’avais regroupées dans une nouvelle méthodologie que j’ai appelée
« Analyse temps-fréquence-phase ». Deux voies d’amélioration ont été alors suivies. La première repose
sur une méthode adaptative de construction du dictionnaire locale, en utilisant la modélisation
polynomiale de la phase. Les modulations ainsi obtenues sont utilisées pour la mise en place des filtres qui
vont extraire les composantes cubiques susceptibles de faire partie du signal analysé. La deuxième voie
d’amélioration consiste à faire fusionner les modulations cubiques en utilisant la maximisation de la
corrélation locale entre les signaux extraits à partir des filtres définis par les modulations cubiques des
fenêtres voisines. De cette manière, nous évitons le besoin de définir des fonctions de pénalité avec les
difficultés inhérentes de paramétrage. Cette deuxième voie permet d’automatiser le suivi ainsi que d’éviter
la propagation des erreurs de tracking, comme il sera prouvé par les exemples.
La première voie d’amélioration des performances de la méthodologie temps-fréquence-phase,
décrite dans le paragraphe précédent, est la construction du dictionnaire local de modulations cubiques :
{s( ) } = {exp  j 2π ( c
k
ref 1k }
t + c2 k t 2 + c3k t 3 ) 
k =1,.., N d
(11.16)
où {c1k} sont les coefficients d’ordre 1 (qui correspondent à la fréquence initiale de la modulation
cubique), {c2k} sont les coefficients d’ordre 2 (ou les taux de modulation linéaire), {c3k} sont les
coefficients d’ordre 3 (ou les taux de modulation cubique) et Nd le nombre de modulations cubiques.
Dans le contexte de la méthode décrite dans le paragraphe 11.2.1, le dictionnaire, composé des
modulations cubiques de fréquence, est construit arbitrairement et de la même façon pour tout le signal.
Son efficacité dépend de la manière dont les modulations cubiques se corrèlent avec le signal analysé ainsi
que du nombre de modulations prises en compte. La figure 11.10 présente deux cas de figure qui mettent
en évidence l’importance du choix du dictionnaire de modulations cubiques. Pour cela, nous considérons
le signal composé de deux structures temps-fréquence non-linéaires (figure 11.9.a) et dont le
spectrogramme est indiqué sur la figure 11.9.b.
Figure 11.9. Signal de test caractérisé par deux composantes temps-fréquence non-linéaires
Dans la figure 11.10 nous investiguons la construction du dictionnaire pour le segment 256÷512
échantillons du signal de test. Nous représentons, sur les subplots du milieu, les superpositions entre les
lois de fréquence instantanée (LFI) des modulations cubiques et les LFIs du signal analysés (en ligne
continue). Chaque courbe est numérotée afin d’établir la correspondance entre la modulation associée et le
coefficient de corrélation de celle-ci avec le signal (les figures de droite). Nous considérons des
dictionnaires de 10 fonctions élémentaires (ie modulations cubiques). Dans le premier cas de figure (figure
11.10.a) le dictionnaire est correctement choisi en plaçant la fréquence centrale des modulations cubiques
(qui est la même pour toutes les modulations cubiques) sur la LFI d’une composante T-F du signal
analysé. Cette opération conduit à des coefficients de corrélation importants et c’est la raison pour laquelle
ce dictionnaire conduirait à une extraction correcte des composantes. Néanmoins, dans un contexte réel, ce
choix du dictionnaire n’est pas garanti. Ce cas de figure est illustré sur la figure 11.10.b où la fréquence
centrale est légèrement décalée. Nous constatons que les coefficients de corrélation diminuent
sensiblement ce qui est illustré visuellement par un mauvais matching entre le signal et les fonctions
élémentaires.
97
a. Dictionnaire « adapté » au signal analysé
b. Dictionnaire « inadapté » au signal analysé

Figure 11.10. L’importance du choix du dictionnaire local pour l’extraction des composantes temps-fréquence locale
En conclusion, afin d’assurer une adaptation du dictionnaire au signal analysé, la solution naturelle
consiste à construire ce dictionnaire à partir des données à analyser, ce qui constitue la première étape
de l’analyse temps-fréquence-phase. Cette solution implique la représentation préalable du signal à
analyser (ie, des segments du signal) afin d’extraire les informations quant aux paramètres souhaitables
pour les éléments du dictionnaire. Nous avons choisi comme représentation la fonction d’ambiguïté
d’ordre 3, qui est un outil naturel pour l’analyse des modulations cubiques de phase. Mais, en contexte
réel, le signal analysé est bruité et cela affecte la qualité de l’estimation par la HAF. Pour y remédier, la
solution proposée en [Ioana05] consiste à exploiter la variation des maxima de la HAF en fonction d’un
set de retards, τ. Plus précisément, lorsque les valeurs énergétiques dues au bruit de la HAF sont
distribuées aléatoirement, les maxima de la HAF sont distribués selon une loi déterministe définie par :
α k (τ ) = k !τ k −1ck (11.17)
où k est l’ordre de la HAF (k=3 pour les modulations cubiques) et αk(τ) est le vecteur de fréquences pour
lesquelles la HAF présente des valeurs maximales (des maxima obtenues pour le set de retardsτ). A partir
de cette propriété, la solution proposée en [Ioana05] consiste à déformer (warper) l’axe de retard de la
HAF de façon à linéairiser cette dépendance. La loi de déformation est définie selon :
1
 
HAFs(
k)
(τ , α k (τ ) ) →
τ =τ
w
HAFs( ) τ w , α k (τ w ) 
k −1
k 1 (11.18)
 τ 
et elle conduit à une distribution des maxima de la HAF sur une droite parallèle à l’axe de retards :
1
α k (τ w ) = k !ck (11.19)
τ
Cette redistribution des maxima permet une sommation cohérente des HAFs afin d’améliorer
l’estimation du coefficient polynomial ck. La nouvelle représentation, que nous appelons WHAF (Warped
HAF), a pour expression :
( f ) = ∑ HAFs( k )  τ w ( i ) , α k (τ w ( i ) ) 
1
WHAFs(
k) (11.20)
i  τ 
A partir de cette représentation, le coefficient polynomial d’ordre k est estimé selon
98
3. Méthodes de suivi des structures temps
ps-fréquence non-linéaires
1
cˆk = arg max WHAFs( k ) ( f )  (11.21)
k! f
Dans le cas de signaux à plus

lusieurs composantes, la WHAF aura plusieurs max axima, chacun associé à
un coefficient polynomial. De plus,
us, si les coefficients ont des valeurs proches, dess problèmes
p de résolution
peuvent apparaître, en affectantt aainsi la capacité d’estimation des coefficientss ppolynomiaux. Afin de
prévoir la possibilité d’estimer ave
vec précision ces coefficients, nous utilisons la procédure
pro d’estimation à
haute résolution MUSIC. Plus précisément,
pr dans le domaine de la WHAF de chaque ordre, nous
appliquons la méthode MUSIC afin fin d’estimer la fréquence de chaque pic de la WHA HAF. Le schéma général
pour l’estimation des coefficientss polynomiaux
p d’ordre 3 d’un signal est illustré sur
ur la figure 11.11.
Figure 11.11. Estimatio

tion des coefficients polynomiaux d’un mélange des mod
odulations cubiques
Ce schéma sera utilisé pourur la définition du dictionnaire des modulationss ccubiques locales. Nous
considérons s le signal d’entrée,e, défini dans une fenêtre d’analyse donnée. Lee schéma 11.11 permet
l’estimation de N coefficients poly
olynomiaux associés aux modulations cubiquess aapproximant le plus le
segment du signal considéré. Enn uutilisant (11.20) nous évaluons la WHAF d’ordr rdre maximal 3. Dans le
domaine spectral de la WHAF, nou ous utilisons la procédure MUSIC afin d’estimerr leles fréquences associées
aux pics de la WHAF. Dans not otre contexte, la séparation entre l’espace signalnal et l’espace bruit, un
problème généralement complexe xe, est effectuée part le choix du nombre de composantes
c que nous
Soit {λi}i=1,..,N l’ensemble des valeurs propres les plus
souhaitons dans le dictionnaire. So p grandes; elles sont
liées aux coefficients polynomiaux
ux du signal par :
λi
ci ,3 = ; i = 1,.., N (11.22)
3!∏τ p
p
où les {τp} sont les retards utilisés

sés pour le calcul du WHAF. Une fois les coeffici icients d’ordre 3 estimés
nous réitérons à l’ordre 2 en réduis
uisant les coefficients estimés. La procédure est pou
oursuivie jusqu’à l’ordre
1. Cette procédure de sélection duu nnombre de valeurs propres a été testée pour plusie
usieurs valeurs de RSB et
elle s’est avérée pertinente pour des RSBs voisinant 3 dB. L’explication repose enn effet
e sur la propriété de
WHAF de réduire considérablemen ent le niveau de bruit tout en accentuant les compo
posantes du signal, par la
sommation de plusieurs mlHAF.
Pour le signal de test représ
résenté sur la figure 11.9, l’estimation polynomialiale par WHAF-MUSIC
(figure 11.11) conduit, pour le prem
remier segment de 256 échantillons du signal, auxx résultats
r illustrés sur la
figure 11.12. Un nombre de 5 com omposantes a été estimé pour chaque segment. Laa partie supérieure de la
figure correspond à la WHAF d’ord ordre 3 et les lignes rouges sont les fréquences asso
ssociées aux coefficients
d’ordre 3.
99
Figure 11.12. Estimation polynomiale d’ordre 3 pour le premier segment de 256 échantillons du signal
Les coefficients polynomiaux sont estimés en parallèle (figure 11.12) et les LFIs des modulations
cubiques correspondantes sont illustrées en bas de la figure.
Sur la figure 11.13.a nous présentons les éléments des dictionnaires définis par la projection sur des
modulations cubiques (ce qui est spécifique à la méthode présentée dans le paragraphe précédent) et,
respectivement, par la modélisation polynomiale, dans des segments de 256 échantillons. Dans le premier
cas, les éléments des dictionnaires locaux sont obtenus par la corrélation entre le signal et un nombre
conséquent (128) de modulations cubiques mais définies dans une bande donnée (ici, [0.1 :0.35] en
fréquence normalisée). Nous constatons, sur la figure 11.13.a, que cette manière conduit (surtout dans le
segment 0÷256 échantillons) à une mauvaise concentration des éléments du dictionnaire par rapport au
contenu temps-fréquence réel du signal. Cette limitation pourrait être partiellement résolue en prenant une
bande plus large mais les modulations seraient plus dispersées (ce qui est déjà visible pour les autres
segments et ceci par rapport aux résultats obtenus avec l’estimation polynomiale de la phase à court terme
– figure 11.13.b). La figure 11.13.b indique clairement l’intérêt pour une adaptation du dictionnaire au
segment du signal considéré. Un autre avantage de cette amélioration est l’automatisation du choix des
paramètres spectraux du dictionnaire local (la bande et la fréquence centrale) car celui-ci se fait
automatiquement par l’analyse polynomiale de phase. On remarque également, sur la figure 11.13.b, que
les cinq composantes des dictionnaires locaux sont localisées autour d’une des composantes du signal.
Ces bonnes performances restent valables jusqu’à un RSB voisinant 3 dB. Cette propriété, illustrée
sur la figure 11.14 où nous représentons les LFIs des composantes issues de la modélisation polynomiale
mais pour un RSB de 2.87 dB (voir la PWVL de la figure 11.14), est expliquée par la robustesse de la
représentation WHAF.
100
a. Dictionnaire prédéfini
b. Dictionnaire adaptatif
Figure 11.13. Dictionnaire prédéfini versus le dictionnaire adaptatif, issu de la modélisation polynomiale d’ordre 3
La WHAF arrive, malgré le bruit, à conserver les pics spectraux correspondant aux coefficients
polynomiaux approximant, dans la fenêtre considérée, le signal analysé. Cette bonne robustesse au bruit
explique donc la bonne adaptation des dictionnaires de modulations cubiques locales aux LFIs du signal
analysé, malgré des RSB faibles.
Figure 11.14. Dictionnaire adaptatif issus de la modélisation polynomiale à court terme (RSB=2.87 dB)
Le résultat de la modélisation polynomiale à court terme est constitué par un ensemble de

dictionnaires locaux contenant des modulations cubiques approximant le signal analysé. Malgré les
bonnes performances d’approximation et à la robustesse au bruit, une telle modélisation du signal est
toujours soumise à des erreurs dues à la détérioration de la précision d’estimation polynomiale au bord des
segments. Cet effet est visible sur la figure 11.13.b, par exemple : les composantes polynomiaux
approximent le contenu temps-fréquence du signal bien au milieu, alors que, vers les bords, l’estimation
devient moins bonne. En conclusion, il serait inadéquat de modéliser le signal analysé par la suite des
modulations cubiques estimées à court terme, regroupées par une méthode quelconque.
Dans ce paragraphe, nous proposons une solution qui, à partir de l’information portée par ces
modulations cubiques et qui sera fusionnée, permettra d’effectuer un tracking des composantes du signal
101
3. Méthodes de suivi des structures temps-fréquence
tem non-linéaires
global, ce qui validera l’extraction

ion efficace de chacune d’entre elles. Cette étape pe de fusion constitue la
deuxième étape de l’analyse temps ps-fréquence-phase.
La modélisation polynomiale iale à court terme, introduite dans le paragraphe pprécédent, fournit, pour
chaque segment du signal analysé, sé, les modulations cubiques approximant localem ement la partie du signal
définie dans la fenêtre d’analyse. se. Dans la méthode de suivi présentée dans lee paragraphe
p 11.2.1, les
contenus temps-fréquence de cess modulations
m servent comme gabarits des filtres T-F à court terme. Par la
suite, ces filtres, appliqués sur lee signal
s analysé, extraient les échantillons tempore
orels correspondants aux
gabarits temps-fréquence pris enn compte.
c Ensuite, les phases instantanées extrait
raites sont utilisées pour
étudier, via des notions de contin tinuité, la connexion entre les composantes des es fenêtres voisines. La
définition des critères de continuité
ité représente la difficulté majeure car ils ne sontt pas
p universels : un type
de continuité privilégié dans un cas de figure pourrait être inadéquat dans un autre tre contexte. Un exemple
typique est la continuité d’ordree 1 (ie en terme de loi de fréquence instantanée ée) qui est utile lors de
l’analyse des signaux à contenu temps-fréquence
te non-linéaire. Cependant, si le signal
sig présente des sauts
de fréquence instantanée, ce type de critère peut s’avérer pénalisant.
Pour rendre cette techniquee pplus générale, nous proposons une stratégie de fusion
fus qui fait appel à un
critère global de continuité, baséé toujours sur la notion temps-fréquence-phase.. L L’information d’entrée
dans cette méthode de fusion estt co constituée par la modélisation polynomiale à court urt terme mais appliquée
sur des fenêtres superposées de 50 50%. Ce principe est illustré sur la figure 11.15 à partir du signal de test
introduit au début de ce chapitre.. P Plus précisément, la technique de construction desde dictionnaires locaux
est appliquée sur des segments see re recouvrant sur la moitié de leur support temporel.
el.
Figure 11.15. Modélis

élisation polynomiale à court terme sur des fenêtres supe
perposées
La connexion entre les compposantes de la fenêtre i et, respectivement, i+1 se fait en analysant leurs
proximité dans la zone commune ne (figure11.15). Plus précisément, les formes T-F T engendrées par les
parties des modulations cubiquess appartenant
a à la zone commune sont utilisées poupour la mise en place des
filtres temps-fréquence comme illusllustré sur la figure 11.16.
Nous présentons, sur la figur
gure 11.16 - partie du milieu, les cinq filtres corre rrespondant aux portions
128:256 des modulations cubiques es estimées dans la fenêtre i (et représentées en ligne
lig pointillée). Autour
du contenu temps-fréquence de ce ces modulations, nous définitions les filtres temps ps-fréquence. Ces filtres
ont une forme temps-fréquence d’ordre
d’o 3 et les limites haute et basse fréquences es sont représentées avec
des lignes continues (bleu). Nouss ilillustrons également les LFIs théoriques des compo posantes du signal traité
et nous constatons, dans chaque fenêtre,
fen que les filtres sont plus ou moins superposé sés sur ces composantes.
Les filtres correspondant aux mod odulations cubiques de la fenêtre i+1 sont illustré strés en bas de la figure
11.16.
Nous constatons, sur les deueux séries de filtres, que le filtre associé à la comp
mposante cubique 4 de la
fenêtre i et le filtre associé à la co
composante cubique 5 de la fenêtre i+1 sont les es plus superposés sur la
même structure T-F du signal. Les es signaux issus des filtrages par ces filtres conduir
uiront, via une procédure
de corrélation, à une valeur maxim ximale par rapport aux signaux issus d’une opérati ration similaire réalisée à
partir des autres filtres. En conséqu
quence, les modulations cubiques correspondantes es aux deux filtres seront
fusionnées, indiquant la trajectoiroire temps-fréquence de la structure T-F du signal, sig dans les fenêtres
d’analyse i et i+1.
102
3. Méthodes de suivi des structures temps
ps-fréquence non-linéaires
Figure 11.16. Définition des filtres temps-fréquence dans la zone commune des fenêtres
fe i et i+1
Cette stratégie de fusion est formalisée comme suit. Soit x le signal analys lysé et i et i+1 les deux
( i)
dions ce signal. Soit D = ψ
fenêtres dans lesquelles nous étudi ( i)
et D ( i +1)
= ψ k(i +1) { }
- les
k k =1,.., Ncomp
{ }
k =1,.., Ncomp
dictionnaires de modulations cubiq iques obtenus, par la modélisation polynomiale à ccourt terme du signal x,
dans les fenêtres i et, respectiveme
ment, i+1. A partir de ces dictionnaires nous définis
inissons les filtres temps-
{ }
fréquence Wk( )
i
k =1,.., Ncomp
{
et Wk( )
i +1
} k =1,.., Ncomp
. L’application de ces filtres sur lee ssignal x conduit à deux
ensembles de signaux définis selon
lon :
{s( ) } = {(W ( ) x ) (t )}
k
i
k
i
k =1,.., Ncomp
(11.23)
{s( ) } = {(W ( ) x ) (t )}
k
i +1
k
i +1
k =1,.., Ncomp
La décision de fusion dee deux composantes polynomiales ψ m( ) et ψ n( ) est prise lorsque la

i i
i
{ } { }
corrélation entre les signaux sk( ) et sk( ) ; k = 1,..., Ncomp dévient, pour toute
i +1
utes les paires (m,n), est
maximale :
( mˆ , nˆ ) = m∈max
[1, Ncomp ]
sm(i ) ( t ) , sn(i +1) ( t ) ⇒
n∈[1, Ncomp ] (11.24)
⇒ ψ m(ˆ ) ψ n(ˆ ⊂ Trajectoire TF φ j ( i − 1) T : ( i + 1) T  du signal
i i +1)
où «°» symbolise la fusion des deux eux composantes qui feront partie de la même trajec jectoire T-F caractérisant
la partie (i-1)T :(i+1)T (T – la taille
lle de la fenêtre) de la structure T-F j du signal.
Après le parcours de tout le ssupport temporel du signal, cette trajectoire sera ra définie par l’ensemble
de modulations cubiques fusionnée ées localement :
103
φ j ( t ) = ψ k(1) ψ k( 2) ... ψ k(i ) ... ψ k( N )

1 2 i N
(11.25)
où N est le nombre de fenêtres d’analyse et ki représente l’indice de la modulation cubique retenue dans la
fenêtre i. Cette trajectoire est utilisée pour la construction d’un filtre global qui permet l’extraction de la
composante j du signal (étape 3 de la méthode).
La stratégie de fusion proposée présente deux avantages théoriques. Le premier a trait à l’absence
de tout seuil de décision car la fusion est effectuée pour les composantes cubiques dont les filtres associés
fournissent les signaux les plus corrélés.
Le deuxième avantage est le caractère local de la procédure car une éventuelle erreur produite pour
deux fenêtres successives est sans effet par la suite car la fusion se fait uniquement à partir des
modulations cubiques définies dans les fenêtres considérées. Ceci évite une minimisation de fonction de
pénalité globale qui peut faire l’objet des erreurs accumulées ainsi que des difficultés pour le choix de
seuil des critères de continuité. Dans notre cas, la continuité est définie naturellement car nous comparons
des contenus temps-fréquence-phase du signal (suivant une loi de phase d’ordre 3 ce qui garantit la
flexibilité de l’analyse). Ceci ajoute dont plus de précision au tracking temps-fréquence-phase ce qui est
illustré sur l’exemple suivant dans le cas du signal de test proposé dans ce paragraphe.
Figure 11.17. Résultat de tracking par analyse temps-fréquence-phase (RSB=4.77 dB)
Comme illustré sur cette figure, la trajectoire correspondante à la composante temps-fréquence du

signal la plus énergétique est bien estimée suivant bien sa LFI. Par conséquent, les deux structures temps-
fréquence sont bien extraites, comme illustré sur la partie basse de la figure 11.17. Ces bonnes
performances sont dues à la fusion locale des éléments des dictionnaires ainsi qu’à l’adaptation, via la
modélisation polynomiale robuste (par la WHAF) à court terme, des fonctions cubiques analysantes.
Par la suite, nous présentons les performances de l’analyse temps-fréquence-phase en termes
d’erreur d’estimation de la LFI, définie par l’équation 11.15. Cette erreur sera évaluée dans le contexte
d’un signal synthétique composé de deux modulations non-linéaires de fréquence définies selon :
x ( t ) = a1 ( t ) e jφ ( t ) + a2 ( t ) e jφ (t −∆t ) + w ( t ) ; t = 0..1023
a1 ( t ) = 1.4 + 1.9 ⋅10-9 (.01 ⋅ t -.002 ⋅ t 2 ); (11.26)
a2 ( t ) = 0.3 + 2.9 ⋅10-3 t ;
φ ( t ) = 0.3 ⋅ t-12.73 ⋅ sin(2π t ⋅ 0.001)
104
où w est un bruit additif, φ(t) est la loi de phase instantanée, a1(t) et a2(t) sont les amplitudes instantanées
des signaux. Les LFIs théoriques sont illustrées sur la figure 11.18.a. Le retard entre les composantes, ∆t,
est variable est, pour chaque valeur de ∆t, nous évaluons l’erreur d’estimation de la LFI. A titre de
comparaison, nous considérons également la méthode de suivi temps-fréquence basée sur l’algorithme de
Viterbi (présentée dans le chapitre 10). Evidement, plus les composantes sont proches, plus difficile va
être leur séparation (comme illustré sur la figure 11.18.b par le spectrogramme des signaux séparés de
∆t=40 échantillons). Les amplitudes des composantes sont variables, ce qui est souvent le cas dans des
applications réelles.
Figure 11.18. Signal synthétique composé de deux structures temps-fréquence non-linéaires.

La deuxième composante est décalée de ∆t
L’objectif de ces simulations est de comparer les deux méthodes dans le contexte d’un ∆t variable.
La figure suivante présente deux cas illustratifs qui montrent les différences entre les deux méthodes. Le
signal est bruité avec un rapport signal sur bruit de 4 dB. La première figure, 11.19.a, montre l’estimation
de la LFI par la méthode de Viterbi pour un retard ∆t=60 échantillons. On peut observer que la première
composante est bien estimée, malgré le bruit et les termes d’interférences, jusqu’au point de croisement
(échantillon 550). Après ce point, la méthode de tracking suit la deuxième composante. Ceci s’explique
par le fait que l’algorithme de Viterbi utilise l’énergie des points temps-fréquence mais également le
gradient des trajectoires temps-fréquence. Dans notre exemple, la deuxième composante devient plus
énergétique et la transition (autour de l’échantillon 550), de la première à la deuxième composante
correspond à une variation temps-fréquence lente, moins pénalisée que la transition correcte. Pour cette
raison, l’algorithme de Viterbi fournit une mauvaise estimation de la LFI. En revanche, la méthode temps-
fréquence-phase n’est pas affectée par ce croisement et les variations d’amplitude (figure 11.19.b). En
effet, lorsque la méthode est basée sur le modèle de phase d’ordre 3 et la continuité entre les modulations
cubiques locales, les trajectoires temps-fréquence non-linéaires seront correctement suivies.
Le deuxième cas de figure, illustré par les figures 11.19.c et d, correspond à un retard de 30
échantillons entre les composantes. Dans ce cas, la méthode basée sur l’algorithme de Viterbi est incapable
de suivre les composantes, principalement, à cause des interférences et de la proximité entre les
composantes (figure 11.19.c). Dans les mêmes conditions, la méthode de tracking temps-fréquence-phase
fournit une meilleure estimation des LFIs (figure 11.19.d). Les petites erreurs, visibles surtout dans le cas
de la deuxième composante, sont dues au filtrage global : dans le cas des composantes proches, le filtre
peut « toucher » les composantes indésirables. Cependant, ces erreurs restent petites et l’estimation est
satisfaisante.
105
Figure 11.19. Comparaison entre le concept temps-fréquence-phase et la méthode basée sur l’algorithme de Viterbi
La figure suivante illustre l’analyse de l’estimation des LFIs pour des retards variables entre les
composantes. Les estimations de la première et de la deuxième composante ont été prises en compte.
Figure 11.20. Evaluation des performances d’estimation des LFIs en fonction du retard entre les composantes
Nous remarquons que le concept d’analyse temps-fréquence-phase fournit une estimation plus
précise que la méthode basée sur l’algorithme de Viterbi. Les erreurs restent acceptables même si, avec la
diminution du retard, elles augmentent car le filtrage affecte la séparation des composantes lorsqu’elles
sont proches.
11.3. Bilan
Ce chapitre a été consacré à la présentation de deux méthodes de suivi des composantes temps-
fréquence, ayant à la base leur continuité temps-fréquence-phase. Les avantages de cette stratégie sont
les suivants :
- La recherche simultanée de l’information dans le domaine temps-fréquence et phase (à travers
la modélisation locale de la phase par des polynômes d’ordre 3) nous permet de suivre toute forme de
variation (linéaire et non-linéaire), malgré les interférences et le croisement éventuel des structures
temps-fréquence. La continuité étant appliquée localement, entre des fenêtres adjacentes, nous retenons
les fonctions de phase locales les plus vraisemblables, ce qui contribue essentiellement à
l’automatisation de la procédure.
- Après la modélisation d’une des structures temps-fréquence du signal, nous procédons à son
extraction par le biais d’un filtrage temps-fréquence global. L’avantage de ce type d’extraction, par
rapport à toutes les méthodes existantes et qui sont basées sur des techniques Matching Pursuit (i.e.
106
l’extraction se fait par une soustraction ce qui implique l’estimation de l’amplitude), est que le filtrage
est indépendant de la variation de l’amplitude de la composante en question.
- Toutes les opérations impliquées dans l’analyse temps-fréquence-phase sont appliquées dans
le domaine temporel. Ainsi, deux avantages découlent. Le premier a trait à la résolution élevée de cette
technique car elle n’est pas affectée par le compromis traditionnel des résolutions en temps et en
fréquence, spécifique aux représentations de l’état de l’art. Le deuxième avantage est lié à la capacité de
traitement de grands volumes de données car toutes les opérations sont implémentées à travers des
structures algorithmiques 1D.
Tous ces avantages sont mis au profit des applications réelles, comme il sera montré dans la Partie
IV. L’intérêt applicatif pour l’analyse temps-fréquence-phase a conduit à la réalisation du logiciel Time-
Frequency-Phase Analyser qui a fait l’objet d’un dépôt officiel auprès de l’Agence pour la Protection des
Programmes. Le logiciel est en cours d’industrialisation par la société CYBERIO et ma collaboration avec
la société fait l’objet d’un concours scientifique, accordé à partir du 13/10/2011, pour une période de cinq
ans.
11.4. Perspectives
Les travaux futurs, concernant la stratégie de suivi temps-fréquence-phase, seront concentrés dans
deux axes. Le premier consiste à améliorer les éléments de traitement intervenant dans la méthodologie
d’analyse. Ainsi, concernant la modélisation polynomiale à courte terme, une solution consistera à utiliser
des approches multifenêtres, ce qui nous permettra de gagner en termes de précision, quant à la définition
des dictionnaires locaux. Pour la fusion, nous allons introduire un choix adaptatif de la taille du
recouvrement entre les fenêtres, de façon à assurer une meilleure décision concernant la fusion de deux
composantes locales. Enfin, un suivi des composantes en parallèle, sans passer par un filtrage temps-
fréquence global (étape 3 de la méthodologie), sera étudié et il sera particulièrement intéressant dans le cas
des composantes temps-fréquence très proches et qui pourrait poser des difficultés de filtrage.
La technique temps-fréquence-phase étant assez générale, son utilisation optimale dans un contexte
donné doit être définie à l’aide des considérations liées à l’application. Par exemple, le nombre de
composantes à rechercher est un paramètre clé de la méthodologie et qui pourrait être facilement défini, en
prenant en compte les aspects physiques de l’application. Dans le contexte du radar ionosphérique, par
exemple, nous savons que les signaux reçus n’ont que trois composantes parallèle (sans croisement), ce
qui serait une information opérationnelle précieuse, à intégrer dans la méthodologie [C54], [C65].
Une autre information liée à l’application serait les bandes spectrales des composantes, ce qui nous
permettrait d’éliminer, des dictionnaires locaux, les composantes dont la bande ne se trouve pas dans les
limites prédéfinies. En [C66] nous avons montré l’intérêt de ce mode opératoire dans le contexte des
vocalises des mammifères sous-marins.
En conclusion, le deuxième axe de recherche consiste alors à définir le cadre pour l’inférence des
aspects opérationnels dans la méthodologie de suivi.
107
Partie IV
Applications
4. Applications
CHAPITRE 12 : Applications dans le domaine sous-marin
Le domaine des applications sous-marines a constitué, depuis le début de ma carrière, à la fois, la

source d’inspiration, en ce qui concerne les problématiques de traitement de signal et les solutions
associées, mais également l’environnement opérationnel privilégié qui m’a permis de développer et de
valider mes contributions. Mon activité à l’ENSIETA de Brest, de 2000 à 2006 ainsi que les collaborations
qui ont suivi, après mon arrivée à Grenoble, m’ont permis de participer au développement de nouveaux
concepts dans le domaine de l’acoustique sous-marine. Ce chapitre synthétise ces activités dans lesquels
j’ai contribué avec le développement ou l’adaptation des techniques d’analyse des signaux non-
stationnaires dans le contexte des signaux sous-marins et avec ma participation dans le cadre d’intégration
de ces techniques dans des systèmes opérationnels.
Mes recherches dans le domaine sous-marin se sont déroulées en deux étapes. La première s’est
déroulée dans la période 2003-2007 et s’est articulée autour de mes activités dans le cadre du Programme
Etude Amont STEREO (Système Temps Réel d’Observation Rapide de l’Environnement Océano-
acoustique) et en collaboration avec le SHOM (Service Hydro-Océanique de la Marine). Mes travaux ont
porté sur la définition des méthodes de traitement du signal nécessaires au développement des concepts de
tomographie acoustique passive. Plus précisément, dans un contexte d’évaluation du milieu océanique en
utilisant les signaux naturels, les méthodes de traitement du signal doivent permettre, en configuration
passive, l’extraction des paramètres physiques tels que les retards et les atténuations associés à chaque
trajet de propagation. Les contributions apportées, lors de cette étape, s’inscrivent dans le développement
des concepts de tomographie passive et d’analyse des phénomènes de dispersion en milieu-sous marin.
La deuxième étape, démarrée en 2008 et qui se déroule actuellement, constitue une continuation
naturelle de la première étape, l’objectif étant de s’approcher d’un contexte opérationnel. Ainsi, la prise en
compte et l’exploitation du mouvement en milieu sous-marin ont été abordées dans le cadre de la thèse de
Nicolas Josso que j’ai co-encadrée. Les différentes méthodes proposées et étudiées ont prouvé l’intérêt de
la prise en compte du mouvement, afin soit d’améliorer les performances des systèmes actuels de
tomographie passive (ce travail a été réalisé dans le cadre du contrat de recherche MODE - Méthodes
d’Observation Discrète de l’Environnement) et de communications sous-marine (en collaboration avec
Arizona State University, Centre de recherche SenSip). Un autre volet de mon travail, abordé dans cette
étape, porte sur l’analyse des signaux de mammifères sous-marins, afin de mieux connaitre leur
comportement et l’interaction avec les autres acteurs de la scène sous-marine. Etant donnée la composante
environnementale de ce volet, de grande actualité, plusieurs collaborations sont en cours (projet RAPIDE
GREENAR, projet avec EDF Environnement, collaborations avec ENSTA Bretagne), l’élément central
étant l’adaptation du suivi temps-fréquence-phase dans des contextes opérationnels différents, liés à
l’étude approfondie du comportement des mammifères sous-marins.
Publications : Ce travail a donné lieu à un chapitre dans un livre publié en 2011 [O2], huit papiers revue
([A6], [A7], [A14], [A16], [A19], [A21], [A22], [A24]) et vingt papiers conférence, sur les aspects
théoriques ainsi qu’applicatifs : [C5], [C7], [C9], [C15], [C17], [C19], [C21], [C26], [C27], [C31], [C36],
[C37], [C38], [C42], [C43], [C46], [C47], [C49], [C50], [C51] (voir le chapitre 5 de la Partie I).
12.1. Contexte
Recouvrant la plus grande partie de la surface terrestre, les océans ont un rôle essentiel dans le
système Terre. L’océanographie s’intéresse tant à la compréhension des phénomènes physiques qu’à leur
modélisation, leurs prévisions et les prévisions de leurs impacts. Afin d’alimenter ces études, le recueil,
par sondes, des mesures in situ conduit souvent à un sous-échantillonnage spatial et une mise en place
coûteuse compte tenu de l’étendue et de l’hostilité des milieux océaniques. Cependant, lorsque les
phénomènes physiques étudiés ont une influence sur les propriétés acoustiques du milieu, il est possible
d’étudier ces derniers à travers de la mesure acoustique du canal océanique. La mesure acoustique du
canal consiste à faire propager une onde acoustique dans celui-ci et à observer les distorsions introduites
par la propagation, afin de retrouver les propriétés du canal. Cette méthodologie, nommée tomographie
acoustique océanique, développée depuis les années 80, permet d’inférer les propriétés des océans sur
des échelles spatiales et temporelles variables [Munk et all]. Une fois la faisabilité de la tomographie
109
4. Applications
océanique prouvée, depuis le début des années 2000, des nouvelles contraintes sont posées à l’inversion
acoustique pour produire des solutions opérationnelles :
II. la rapidité de mise en œuvre du procédé tomographique, sachant que la tomographie active fait
habituellement appel à des réseaux de capteurs dont le déploiement est relativement coûteux en temps
opérationnel et moyens
III. la discrétion acoustique du procédé, sachant que, lors de l’exploration acoustique du milieu sous-
marin, le système de tomographie interfère avec les autres acteurs de la scène sous-marine, naturels (la
faune) et/ou artificiels (systèmes de communication, militaires).
Afin de répondre à ces contraintes, le concept de la tomographie océanique passive est devenu un
domaine émergent dans la communauté mixte acoustique sous-marine (l’utilisateur premier de ce concept)
et le traitement du signal (en raison des problématiques nouvelles imposées par ce concept).
Conceptuellement, la tomographie acoustique passive est constituée par l’ensemble de méthodes d’analyse
des signaux d’opportunité existants dans le milieu à caractériser et d’estimation des paramètres physiques
du canal à partir de l’analyse des signaux d’opportunité. Le bruit naturel de la mer, le bruit de bateaux et
les mammifères sous-marins constituent trois exemples de sources de signaux d’opportunité. Dans ce
contexte, nous nous sommes aperçus des difficultés d’analyse des signaux, causées principalement par le
manque d’hypothèse quant aux signaux émis et à la position de la source. Le bruit spécifique au milieu
sous-marin ainsi que les effets de propagation complexes sont des difficultés supplémentaires devant le
système d’analyse des signaux, faisant partie du concept de la tomographie.
Le sous-chapitre suivant présente les contributions principales auxquelles j’ai contribué et qui
apportent des réponses, de point de vue opérationnel, aux difficultés de l’analyse des signaux sous-marins
en configuration passive. Ainsi, le paragraphe 12.2.1 présente les contributions dans le contexte du
développement du concept général de tomographie passive, dans un milieu de propagation par rayon et en
absence du mouvement. Les milieux dispersifs sont également abordés dans le paragraphe 12.2.2 et le
mouvement – dans le paragraphe 12.2.3. Ces contributions reposent sur les méthodes d’analyse des
signaux présentées dans les Parties II et III.
12.2. Contributions
12.2.1. Tomographie océanique passive
La tomographie océanique passive consiste à estimer les paramètres d’un canal acoustique sous-
marin (i.e., le retard et l’atténuation de chaque trajet) à partir des signaux inconnus, émis par des sources
d’opportunité comme les mammifères sous-marins, les bateaux, les émissions sonar involontaires, etc
[Gervaise07]. Comme le contenu temps-fréquence des signaux est généralement non-linéaire, nous avons
orienté nos recherches sur des techniques de modélisation polynomiale de la phase et/ou de déformation
(warping) (chapitre 7). Indépendamment du contexte d’emploi, le signal reçu par le système de
tomographie passive, x, est généralement composé des versions atténuées et retardées du signal émis par la
source d’opportunité, s.
*
x (t ) = ∑α k s (t −τ k ) + n (t ) (12.1)
k
où αk et τk sont l’atténuation et, respectivement, le retard du trajet k et n est l’ensemble de perturbations

(bruits, signaux parasites, etc). La figure 12.1 illustre un exemple de milieu de propagation multi-trajet
(dont la réponse impulsionelle est illustrée sur la figure 12.1.b) dans lequel se propage une modulation
cubique de fréquence (le spectrogramme est illustré sur la figure 12.1.a).
La figure 12.1.c montre l’effet de la propagation à plusieurs trajets qui se traduit par un signal à
plusieurs composantes, proches l’une de l’autre mais qui suivent la même loi de phase instantanée que le
signal de départ.
Comme le signal émis par la source, s, est inconnu, l’analyse par suivi des structures temps-
fréquence permettrait de retrouver, à partir du signal x, la variation temps-fréquence approximative du
signal de départ, indépendamment du type de signal émis. Nous avons montré que l’algorithme de
regroupement d’information de type Viterbi, présenté dans le paragraphe 10.2.2, répond parfaitement aux
besoins d’analyse des signaux en configuration passive. Ceci a été validé à partir des données réelles,
obtenues dans le cadre de la campagne d’expérimentation PASSTIME, déroulée en octobre 2005, dans le
Golf de Gascogne [Gervaise06]. A titre d’exemple, nous considérons, sur la figure 12.2, le traitement d’un
110
4. Applications
signal réel reçu par le système de tomographie océanique et qui correspond à une émission composée
d’une sinusoïde suivi d’un chirp à taux de modulation négatif. Le spectrogramme du signal reçu (figure
12.2.a) montre clairement l’effet de la propagation à plusieurs trajets : les interférences rendent discontinu
le support temps-fréquence du signal, ce qui se traduit par des difficultés de suivi du contenu temps-
fréquence. Ainsi, sur la figure 12.2.b, nous constatons la mauvaise segmentation causée par les termes
d’interférences destructives ainsi que par le bruit. La détection par la batterie de filtres attribue un poids
trop important aux composantes correspondantes aux interférences constructives en ignorant les
interférences destructives. Ces termes seront pris en considération par le regroupement de type Viterbi car,
hormis le critère de proximité, nous considérons également comme terme utile ceux dont l’énergie temps-
fréquence est corrélée avec l’énergie des composantes plus énergétiques. Cette corrélation est mesurée par
la continuité de l’énergie temps-fréquence qui est intégrée dans la fonction de pénalité qui est à minimiser.
La courbe temps-fréquence obtenue par le regroupement (figure 12.2.c) est celle pour laquelle cette
fonction est minimisée.
Figure 12.1. Exemple de milieu de propagation à plusieurs trajets
En conclusion, la caractérisation apportée par le regroupement de type Viterbi permet d’obtenir, à

partir du signal reçu, une courbe temps-fréquence fidèle à la forme temps-fréquence du signal émis par la
source d’opportunité.
Figure 12.2. Suivi du contenu temps-fréquence du signal reçu par le regroupement de type Viterbi
111
4. Applications
La caractérisation obtenue par cette méthode permet de construire l’espace de représentation le plus
approprié pour l’extraction des paramètres du canal. Cet espace est défini par la stationarisation du signal
reçu, réalisée par la déformation (warping) temps-fréquence, en utilisant la courbe estimée par
l’algorithme de Viterbi. Ce principe est illustré par la figure 12.3. L’espace déformé est constitué par un
domaine temps-fréquence « tourné » où les différentes arrivées seront stationnarisées. Ensuite, une simple
analyse spectrale à haute résolution permet d’obtenir les fréquences – directement reliées aux paramètres
du canal - les retards et les atténuations.
Figure 12.3. Principe général utilisé pour la caractérisation du milieu marin en contexte passif
Dans ce principe nous remarquons la symbiose qui caractérise l’architecture de traitement proposée.
Grâce à l’analyse du signal reçu par le tracking temps-fréquence basé sur le regroupement des atomes
temps-fréquence par l’algorithme de type Viterbi (requise par l’absence des informations sur le signal
émis) et la description de la physique du problème, nous pouvons, via l’opération de warping (à travers la
méthodologie présentée dans le chapitre 7), relier les paramètres du signal à ceux du milieu.
L’architecture de traitement proposée dans ce paragraphe a été validée dans des configurations
réelles, la figure suivante illustrant un exemple de résultat d’estimation de la réponse impulsionnelle d’un
canal sous-marin, en configuration passive. Nous considérons l’exemple d’un signal reçu, dans le cadre de
la campagne PASSTIME, dont le spectrogramme est illustré sur la figure 12.4.a. Comme nous pouvons le
constater, le bruit, la résolution ainsi que les interférences ne nous permettent pas d’observer les arrivées
multiples caractérisant le signal reçu.
Figure 12.4. Exemple de résultat d’estimation des paramètres d’un milieu par le concept de la tomographie passive
L’application de l’algorithme de regroupement de type Viterbi, dans la zone temps-fréquence

définie par le rectangle blanc (figure 12.4.a), conduit à une loi de fréquence instantanée représentée sur la
figure 12.4.b. Nous constatons que, malgré les perturbations, la LFI s’approche de celle du signal émis
(sinusoïde + chirp). Cette LFI sert à concevoir la loi de warping qui réalise la stationnarisation du signal
reçu, comme indiqué par le spectrogramme du signal (figure 12.4.c). Le signal stationnarisé se compose
112
4. Applications
de plusieurs sinusoïdes dont les fréquences

fré et les amplitudes sont liés aux paramètr
ètres du canal définis en
12.1.
L’estimation de ces fréquenences et des amplitudes permet d’estimer la répo ponse impulsionnelle du
canal, illustrée sur la figure 12.
2.5. A titre de comparaison, nous présentonss également la réponse
impulsionnelle (RI) obtenue par fifiltrage adapté avec le signal émis, ce qui est équivalent
équ au concept de
tomographie active où le signal émi
mis est connu et considéré comme référence.
Figure 12.5. Comparaison

son entre l’estimation de la réponse impulsionnelle en configuration
co
passi
ssive avec celle estimée en configuration active
Nous constatons la similari

arité entre les deux RIs, ce qui a été validé sur l’ensemble de 2000
enregistrements issus de la campag
pagne PASSTIME. Ces résultats nous ont permis is de valider, à la fin de
cette période de travail (en janvier
ier 2007) le concept de la tomographie passive en configuration statique
(les sources et le récepteur sont fix
fixes) et pour des fréquences supérieurs à 100 Hz (donc, en absence des
phénomènes de dispersion). Ces co conditions de travail valident l’utilisation du modèl
dèle 12.1 qui indique une
caractérisation du signal reçu sous
us la forme de plusieurs versions du signal émis, is, décalées et atténuées,
mais ayant la même loi de fréqu quence instantanée. Cette constatation physiquee nnous a conduit vers la
mise en place d’un algorithme d’es’estimation de la LFI basé sur l’algorithme de reg egroupement des atomes
temps-fréquence de type Viterbi. i. Celui-ci,
C grâce à la recherche de la continuitéé dd’énergie dans le plan
temps-fréquence, permet de conne nnecter correctement les structures du signal reçu çu, en offrant ainsi une
estimation pertinente de la LFI du signal émis. Ensuite, cette estimation nouss permet p de retrouver le
domaine de représentation adéquat at pour le calcul de la RI du canal.
Afin d’étendre le concept de tomographie océanique passive à d’autres conte ntextes opérationnels, les
phénomènes de dispersion et dee m mouvement ont été analysés, me conduisant à la définition d’autres
techniques d’analyse des signauxx en configurations passives. En effet, la comple plexité introduite par ces
phénomènes, traduite en termess de traitement du signal, m’ont inspiré lors du d développement des
techniques de suivi temps-fréquencnce, synthétisés dans le chapitre 11. L’adaptationn dde ces techniques, dans
le contexte des configurations dispe
spersives et dynamiques, fait l’objet des paragraphehes suivants.
12.2.2. Contributions à la cara

ractérisation des milieux dispersifs
Dans le cadre du projet STETEREO, nous nous sommes rendus compte du beso esoin de considérer, dans
le contexte de la tomographie pass ssive, le cas des canaux dispersifs. Les méthodess de
d traitement du signal
adéquates ont été alors définies,, ddans le cadre du projet STEREO et, par la sui suite, MODE, ceci étant
également une partie de la thèse d’A
d’Arnaud Jarrot (2004-2007) et de mes travaux dee recherche
r (2007-2008).
Les phénomènes de dispersio rsions en milieu sous-marin apparaissent généralem
lement dans les eaux peu
profondes et pour des fréquence ces basses, inférieures à 100 Hz. A partir dee la théorie définie en
[Westwood96], il est possible dee m montrer que, dans le cas d’un signal émis s, la représentation temps-
fréquence du signal reçu, suite à la propagation dans un canal dispersif, aura pour expression
ex :
113
4. Applications
 r 
TFR _ S ( t , f ) = ∑ D ( m, f ) TFR _ I  t − , f
 vg ( m, f )
  (12.2)
m 
où TFR_I est la représentation temps-fréquence du signal d'entrée, vg(m,f) est la vitesse de groupe associée
à l’indice modal m et à la fréquence f et D(m,f) représente le terme d’atténuation, dépendant également de
l’indice modal m et à la fréquence f . Cette expression peut être interprétée de la façon suivante : un atome
transmis à l'instant t0 et à la fréquence f0 sera transformé, lors de la propagation dans le canal dispersif,
r
dans un ensemble de structures temps-fréquence arrivant à l'instant t0 + v
g ( m, f 0 )
et pondérées par
D(m,f0). L'expression (12.2) montre la complexité du signal propagé dans un canal dispersif. Ainsi, même
si le signal émis est simple, la propagation introduit des atténuations et des retards dépendant à la fois de la
fréquence et de la propagation modale. Afin d'illustrer cela, nous considérons un canal iso-célère avec un
fond rigide. La profondeur de la colonne d'eau est h et la célèrité du son, constante dans tout le canal, c.
L'intérêt pour le canal isocélère est motivé par l'existence d'une solution analytique de l'équation de
propagation, qui permet de donner des expressions analytiques à la vitesse de groupe et au terme
d’atténuation D [Westwood96].
 2π f   π 
2 2
kr ( m + 1, f ) =   − ( 2m + 1)  (12.3.a)
 c   2h 
 2π f   π
2 2
c2
vg ( m, f ) =   − ( m − 0.5 )  (12.3.b)
2π f  c   h
Concernant la vitesse de groupe, l'équation (12.3.b) montre clairement sa dépendance de la

fréquence f et du mode d'indice m. Ainsi, pour les modes d'ordre élevé, les ondes sont lentes pour une
certaine fréquence (effet de dispersion inter-modale). Autrement, pour un mode donné, la vitesse d'onde
augmente avec la fréquence (effet de dispersion intra-modale).
Ces considérations théoriques sont illustrées dans l'exemple suivant dans le cas d'un canal isocélère
dont la source est localisée à une profondeur h=16 m et un récepteur localisé à une profondeur de 4 m. La
distance émetteur récepteur est de 2000 m. La figure suivante montre le spectrogramme de la réponse
impulsionelle de ce canal, composée uniquement des premiers quatre modes. Le phénomène de dispersion
est visible, surtout en basses fréquences. Les résultats illustrés sur la figure 12.6 confirment les concepts
théoriques présentés ci-dessus. Ils sont valables dans le cas des canaux isocélères, qui est le cas le plus
simple. Si le profile de célèrité est arbitraire, l'effet de dispersion est largement plus complexe et il n'existe
pas un modèle analytique associé.
Comme illustré sur cette figure, l'identification de ces quatre composantes est une tache complexe.
Sur l'échelle linéaire d'amplitude temps-fréquence (figure 12.6.a.) uniquement deux modes sont visibles
alors que les deux autres sont « invisibles », en raison de leurs énergies trop faibles. Ces quatre modes
deviennent visibles sur une représentation logarithmique (figure 3.b) mais au détriment de la résolution.
Figure 12.6. Représentations temps-fréquence de la réponse impulsionelle d'un canal isocélère

dispersif – les premiers quatre modes
En terme d'analyse de signal, même dans ce cas simple (canal isocélère), des nombreuses difficultés
apparaissent. Si le signal émis est un chirp d'un système sous-marin de positionnement, par exemple, la
dispersion affecte considérablement le fonctionnement du filtrage adapté : l'efficacité de cet outil de
traitement traditionnel est diminuée par la déformation temps-fréquence du signal émis due à la
dispersion.
114
4. Applications
Généralement, l'extraction des structures temps-fréquence non-linéaires générées par la dispersion

du canal de propagation constitue un véritable défi pour le domaine de l'analyse temps-fréquence. Le
problème est d'autant plus complexe que les hypothèses sur le signal analysé ne sont pas disponibles. En
[Jiang96] les auteurs proposent un algorithme d'extraction des modes basé sur le concept de « match field
processing ». L'idée de base est de supposer un modèle physique caractérisé par un certain nombre de
paramètres inconnus. En utilisant des techniques temps-fréquence warping (paramétrées par les
caractéristiques inconnues du canal) sur le signal reçu, la meilleure stationarisation correspond à la
meilleure combinaison des paramètres du canal. L'optimalité de cette méthode dépend de la taille du
dictionnaire des paramètres du canal qui génèrent les différentes représentations warpées.
L’alternative à cette classe de techniques repose sur une méthodologie générale pour la
caractérisation du contenu temps-fréquence des arrivées modales. Ainsi, notre contribution porte sur
l’utilisation de l’algorithme de suivi temps-fréquence-phase basé sur la projection sur des dictionnaires
locaux (présenté dans le paragraphe11.2.1) [Ioana10].
Dans notre exemple, la figure 12.7 montre comment les arrivées modales sont itérativement
extraites. Nous remarquons que les critères temps-fréquence-phase fournissent une estimation correcte des
structures temps-fréquence du signal. Les filtres temps-fréquence, construits à partir de ces estimations
(figures 12.7.a, d, g), permettent une extraction efficace des arrivées modales (figures 12.7.b, e, h et i).
Après l'itération seconde, on remarque également que l'extraction basée sur le filtrage temps-fréquence
rehausse la visibilité des composantes moins énergétiques. Ceci est généralement très intéressant dans des
applications où les composantes temps-fréquence ont des amplitudes très variables.
Figure 12.7. Extraction des arrivées modales du signal défini sur la figure 12.6
Le filtrage temps-fréquence, appliqué à chaque itération, permet d'extraire physiquement les

échantillons du signal associés aux régions engendrées par les courbes temps-fréquence estimées par
l’algorithme temps-fréquence-phase. Ceci constitue en effet la contribution majeure par rapport aux
techniques de type Matching Pursuit où l'extraction des composantes se fait par soustraction. Lorsque ce
type d'opération nécessite l'estimation de l'amplitude de la composante (ce qui n'est pas facilement
réalisable) la méthode proposée dans ce travail réalise l'extraction des composantes par une opération de
filtrage temps-fréquence.
L’utilisation de la méthodologie temps-fréquence-phase dans deux contextes applicatifs,
caractérisés par des phénomènes dispersifs, est présentée par la suite. Le premier contexte est constitué par
la localisation des sources de signaux transitoires à basse fréquence, développée en collaboration avec
ENSIETA de Brest. L'ensemble de données contient des enregistrements de vocalises de baleines dans la
115
4. Applications
Baie de Fundy (Canada) entre 2000 et 2002 [Gervaise07b]. Ces enregistrements ont été effectués à l'aide
d'un système de quatre hydrophones disposés comme illustré sur la figure 12.8. L'objectif de cette analyse
est d'estimer la position de la source par l'analyse des signaux reçus par chacun des hydrophones. Le
signal émis est similaire aux signaux transitoires générés par un canon d'air. En raison de la dispersivité du
canal, les signaux arrivés par chacun d'hydrophone sont composés de plusieurs arrivées modales.
Lorsque le signal émis inconnu est à très basses fréquences (transitoires en dessous de 100 Hz) la
localisation de la source nécessite l'extraction des arrivées modales des signaux reçus par les capteurs. La
méthode de localisation passive, proposée en [Gervaise07b], est basée sur l'estimation des retards relatifs
entre les arrivées modales reçues par le réseau de capteurs.
Figure 12.8. Configuration expérimentale (Profondeur≈ 130 m)
Dans l'exemple suivant nous considérons une vocalise de baleine reçue par le réseau de capteurs
défini sur la figure 12.8. Les spectrogrammes des signaux reçus par les capteurs sont illustrés sur la figure
12.9.
Figure 12.9. Estimation des modes (courbe bleu) pour les signaux reçus par les capteurs
Cette figure montre la bonne concordance entre les estimations des modes fournies par la
méthodologie de suivi basée sur la projection sur des dictionnaires locaux (paragraphe 11.2.1) et les
spectrogrammes. Afin de justifier l'efficacité de cette méthodologie, les estimations des structures temps-
fréquence modales ont été utilisées pour la localisation via l'algorithme proposé en [Gervaise07b]. Lorsque
l'ensemble de données réelles correspondent aux vocalises émises par des sources réelles, leurs positions
ne sont pas connues. Pour cette raison, nous comparons les résultats de localisation obtenus avec la
méthode de suivi temps-fréquence avec les méthodes proposées en [Desharnais et al], [Laurinelli et al].
Cette comparaison est illustrée sur la figure 12.10 et le tableau montre les positions estimées par les
méthodes considérées.
Figure 12.10. Comparaison des résultats de localisation par les trois méthodes
116
4. Applications
Comme illustré par la figure 12.10, les trois méthodes localisent la source dans la même région de la
zone considérée. Évidement, il existe des différences entre les positions estimées (voir le tableau de la
figure 12.10) mais les trois estimations sont proches. De toute façon, sans la connaissance de la position
réelle de la source, il est difficile de dire quelle la méthode la plus précise. Dans ce contexte, l'avantage
principal de la méthode proposée dans ce travail est le fonctionnement sans la connaissance sur les
propriétés acoustiques du canal. Aucun modèle physique ne doit être considéré, ce qui était le cas dans les
techniques « model matching-based ».
Un autre cas d’utilisation de l’approche d’extraction des modes, présentée dans ce paragraphe, est
la communication sous-marine multi-utilisateurs à très basse fréquence. L'objectif de l'exemple abordé
est, d'une part, de montrer l'intérêt pour la communication en basse fréquence, et, d'une autre part,
d'illustrer la capacité de la méthodologie proposée à caractériser les arrivées modales associées aux
signaux de communications. Ce contexte d’application a été dévéloppé en collaboration avec le centre de
recherche SenSip de l’Arizona State University [O2], [A14], [C37], [C38].
Le contexte de l'application abordée dans ce paragraphe est le suivant : nous souhaitons établir deux
liaisons de communication entre les quatre entités illustrées sur la figure 12.11. Pour cela, nous utilisons
deux modulations BPSK dont les fréquences porteuses sont 1 kHz et, respectivement, 3 kHz (la fréquence
d'échantillonnage est de 6 kHz).
Figure 12.11. Configuration de deux chaines de communication acoustique sous-marine
Sur la figure 12.11 nous illustrons les deux signaux correspondants à une durée de 2 seconds. A la
réception, les deux signaux sont fortement perturbés en raison des effets du canal (figure 12.11). Compte
tenu des fréquences de travail et des propriétés du canal utilisées dans les simulations (profondeur D=100
m, distance sources-récepteurs 13 et, respectivement, 15 km, fond rigide idéalisé) les effets de propagation
seront estimés en utilisant la méthode proposée en [Stojanovic06]. Cette méthode consiste à supposer une
propagation de type rayon et l'estimation de la réponse impulsionnelle s'effectue en utilisant un signal de
test (pilot) de type chirp linéaire. Néanmoins, l'égalisation du canal réalisée à partir de cette estimation
n'est pas très efficace, comme montré sur la figure 12.12. En effet, les messages transmis dans chaque
canal (figure 12.12) ne sont qu’approximativement proches des messages extraits après l'égalisation du
canal.
Figure 12.12. Estimation des symboles après la propagation dans les canaux définis sur la figure 12.11
117
4. Applications
Des nombreuses solutions pour l'amélioration des performances des systèmes de communications
sous-marins sont en voie d'exploration à l’heure actuelle. Dans ce contexte, une alternative serait
l'utilisation des fréquences porteuses plus basses qui feront apparaître le phénomène de dispersion. Dans
notre application, en utilisant des fréquences porteuses 10 fois plus faibles que le cas précédent (100 Hz
et, respectivement, 300 Hz), les simulations réalisées avec le logiciel Kraken montrent la présence du
phénomène de dispersion qui correspond à la propagation des sauts de phase, illustrée sur la figure 12.13.
Figure 12.13. Spectrogramme des signaux reçus : dispersion des signaux BPSK
Comme nous pouvons remarquer sur cet exemple (figure 12.13) il existe une différence importante
entre les signaux reçus dans les deux canaux définis sur la figure 12.11. Les sauts de phase correspondants
aux messages transmis se transforment, en raison de la dispersivité, dans des structures temps-fréquence
différentes, chacune étant clairement dépendante de la configuration émetteur-récepteur ainsi que de la
fréquence. Ces signatures temps-fréquence pourraient être vues comme des identificateurs naturels ce qui
assurerait des capabilités multi-utilisateurs basées sur l'effet naturel de dispersion [Ioana11]. Mais, en
raison de la méconnaissance du canal, la dispersion doit être premièrement estimée à partir des signaux
arrivés. Nous utilisons donc la méthodologie de tracking temps-fréquence présentée dans le paragraphe
11.2.1. Nous remarquons que les courbes temps-fréquence associées aux arrivées modales sont
relativement bien estimées ce qui ce traduit par des bonnes performances du filtrage adapté effectués à
partir de ces estimées. Ainsi, les sauts de phase correspondants aux messages sont clairement identifiés
(figure 12.14).
Figure 12.14. Estimation des symboles à l'aide du filtrage adapté avec les références conçues à partir des pistes
temps-fréquence estimées
En conclusion, l'analyse efficace des arrivées modales, telle que celle effectuée à l’aide de la
méthodologie temps-fréquence-phase, pourrait constituer une solution envisageable dans le contexte de
118
4. Applications
communications sous-marine multi-utilisateurs à très grande distance. De façon plus générale, nous avons
montré en [Zhang09] que les performances d'un système de communication sous-marine, en termes de
BER (Bit Error Ratio), sont plus importantes lorsque la fréquence porteuse est plus faible (figure 12.15).
Figure 12.15. Variation de la BER avec la bande du signal transmis
Les simulations montrent donc que les performances de réception peuvent être clairement
améliorées avec le choix d'une bande plus faible. Mais, comme montré dans ce chapitre ces performances
peuvent être atteintes si les effets naturels de dispersion sont correctement estimés. C'est dans ce contexte
que la méthodologie de suivi temps-fréquence-phase constitue une voie fortement envisageable.
12.2.3. Tomographie océanique passive dynamique
Ce travail, déroulé dans la période 2007-2010 dans le cadre de la thèse de Nicolas Josso, a eu pour
objectif principal l’extension du concept de tomographie océanique passive aux configurations
dynamiques, caractérisées par le mouvement de l’ensemble source-canal récepteur.
Le principe proposé consiste à estimer, à partir uniquement du signal reçu, les paramètres du
mouvement associé à chaque trajet de propagation en vue de la compensation de l’effet du mouvement.
Nous avons ainsi proposé l’utilisation conjointe de l’analyse temps-fréquence-phase, présentée dans le
paragraphe 11.2.2. et de la méthodologie Warped-based Matching Pursuit Decomposition (WP-MPD),
présentée dans le chapitre 9 [Josso09]. Plus précisément, l’analyse temps-fréquence-phase est
premièrement utilisée pour estimer la fréquence instantanée du premier signal arrivée. Ensuite, cette
fréquence est utilisée pour construire l’opérateur warping nécessaire à la représentation du signal dans le
plan d’ambigüité large bande, comme détaillé dans le chapitre 9. Une fois le temps d’arrivée et la vitesse
associée au premier trajet de propagation, l’algorithme d’analyse temps-fréquence-phase + WP-MPD est
réitéré pour les autres arrivées. A chaque étape de l’algorithme, nous obtenons, pour chaque trajet, le
temps de propagation ainsi que la vitesse associée à chaque trajet.
Afin de valider le plan d'ambiguïté large bande adapté à la TOAP, nous proposons d'étudier le plan
d'ambiguïté obtenu pour un jeu de données simulé. Le signal transmis simule l'émission d'une vocalise
d'opportunité par une source en mouvement dans un environnement de Pekeris. Le signal transmis est une
modulation sinusoïdale de bande fréquentielle égale à 8 kHz et une durée d'environ 1,2 secondes comme
l'illustre la représentation temps-fréquence la figure 12.16.a. Le RSB est d'environ 10 dB en réception. La
source est située à 60 mètres de profondeur, à une distance de 165 mètres de l'hydrophone qui est placé à
63 mètres de profondeur. Finalement, seuls les 9 premiers trajets de propagation sont pris en compte lors
de la simulation et l'environnement simulé est un canal de Pekeris, caractérisé par une vitesse de
propagation constante de 1520 m/sec, une vitesse de propagation dans les sédiments de 1550 m/sec et une
masse volumique de 1700 kgm-3 pour les sédiments. Nous précisons que la vitesse simulée de la source
d'opportunité est une vitesse horizontale de 1 m/sec.
L’application de l’analyse temps-fréquence-phase conduit à l’estimation de la LFI correspondante à
la première arrivée – la courbe pointillée sur la figure 12.16.a. Nous remarquons que, grâce à la continuité
des composantes locaux et à la fusion locale, cette courbe suit bien la variation sinusoïdale, malgré le bruit
et le croisement des composantes.
119
4. Applications
Figure 12.16. Le signal reçu et la fonction d’ambigüité estimée par l’algorithme WP-MPD
Le plan d'ambiguïté large bande obtenu à partir de cette estimation de LFI et en utilisant l’approche
présentée dans le chapitre 9 est illustré sur la figure 12.16.b. L'axe des retards est gradué en retard relatif,
τ-τ1, qui représente les retards relativement à la première arrivée. De la même façon, l'axe des vitesses est
gradué en vitesse relative qui correspond à la vitesse par rapport à la vitesse du premier trajet. Sur la figure
12.16.b, les croix illustrent la position des maxima locaux du plan d'ambiguïté large bande estimée par la
WB-MPD tandis que les cercles représentent leur position théorique. Comme l’illustre cette figure,
l'algorithme de WB-MPD fournit de très bonnes estimées de la position des maxima locaux du plan
d'ambiguïté dans un contexte passif. L'environnement simulé est composé de neuf trajets de propagation et
la WB-MPD permet d'estimer les sept premiers, bien que le signal enregistré soit bruité.
Les résultats concernant la précision des estimées retard-vitesse obtenues par la WB-MPD pour les
sept premiers trajets sont résumés dans le tableau 12.1. Nous remarquons l'ensemble des retards relatifs est
bien estimé avec des erreurs d'estimation relatives très faibles. Les vitesses relatives sont également
correctement estimées.
Tableau 12.1 : Estimation des retards et des vitesses relatifs dans le contexte de la tomographie passive dynamique
La méthode de compensation adaptative du mouvement estime la réponse impulsionnelle du canal

en considérant un facteur d'échelle différent pour chaque retard. Dans un scénario de tomographie active
où la source est connue, l'estimée de la RI par compensation adaptative du mouvement suit la relation
suivante [Josso09] :
N +∞
RI (a ) (τ ) = ∑ ai (ηiη (τ )) ∫ e(η (t + τ − τ ))e (η (τ )t )dt
1/ 2 *
i i
(12.4)
i =1 −∞
où e est le signal émis, ai les amplitudes associées aux trajets de propagation (estimé à partir du plan
d’ambigüité généré par la WB-MPD). La fonction η(τ) est obtenue à partir des estimées au sens du
maximum de vraisemblance des couples (τi,ηi) retournés par la méthode WB-MPD. En s'inspirant de
(12.4), il est possible de généraliser l'estimation de RI par compensation adaptative du mouvement à la
tomographie océanique passive, en remplacent le signal émis par une référence estimée à partir de la LFI
fournie par l’analyse temps-fréquence-phase. Les paramètres (τi,ηi) sont quant à eux estimés de manière
similaire, à partir du plan d’ambigüité large bande.
Afin de valider l'estimation de la RI du canal de propagation par compensation adaptative du
mouvement, nous proposons d'étudier les résultats obtenus sur la simulation présentée précédemment. La
figure 12.17 présente les RI estimées par deux méthodes différentes dans un scénario de tomographie
passive, en ne travaillant que sur un unique hydrophone. Dans cette figure, la ligne pointillée de la figure
supérieure représente l'estimée de la RI du canal obtenue par la méthode de compensation uniforme du
120
4. Applications
mouvement (ie, en considérant que la vitesse de la source se traduit par une vitesse identique à travers
chaque chemin de propagation). Dans un scénario de tomographie passive dynamique où seul le premier
trajet de propagation est extrait, la méthode de compensation uniforme revient à mettre en œuvre
l'opération de filtrage adapté en remplaçant le signal transmis par le signal extrait pour la première arrivée.
La partie inférieure de la figure 12.17 présente l'estimation de la RI obtenue par compensation adaptative
du mouvement. Ces deux méthodes d'estimation de la RI en tomographie passive sont comparées avec la
RI idéale du canal de propagation simulé.
Figure 12.17. Estimation de la réponse impulsionnelle par compensation uniforme du mouvement (vitesse identique
pour chaque trajet) et adaptative, en utilisant le plan d’ambigüité fourni par la WB-MPD
La méthode de compensation adaptative du mouvement fournit de très bons résultats pour une
méthode d'estimation en tomographie passive sur un seul hydrophone. En effet, les retards et les
amplitudes de la RI sont bien estimés pour l'ensemble des trajets. L'amplitude estimée pour le troisième
trajet de propagation est légèrement biaisée même si le retard associé est correct. En ce qui concerne les
deux derniers trajets, ils ne sont pas détectés par l'algorithme de WALF car leur amplitude est si faible
qu'ils sont totalement noyés dans le bruit. Enfin, il est important de remarquer que dans un tel scénario et
pour une source se déplaçant à seulement 1 ms-1, il est impossible d'estimer correctement la RI du canal de
propagation sans prendre en compte une vitesse apparente différente pour chaque trajet.
Nous allons présenter maintenant l’utilisation de l’approche d’estimation du mouvement en milieu
multi-trajets dans le contexte d’observation des mammifères sous-marins. Les données réelles ont été
acquises dans le cadre de la campagne ERATO’09, organisée par le SHOM dans le Golf de Gascogne, en
septembre 2009 [Erato10]. La figure 12.18 présente le spectrogramme d’une vocalise d’un dauphin dans
lequel nous remarquons le caractère non-linéaire et perturbé des structures temps-fréquence. Malgré ce
contexte difficile et les croisements des composantes, la méthode temps-fréquence-phase arrive à suivre la
LFI de la première arrivée, indiquée par la courbe pointillée.
Figure 12.18. Représentation temps-fréquence d'une vocalise transmise par un dauphin
Avec cette estimation de la LFI, nous mettons en œuvre la WB-MPD afin de retrouver le plan
d’ambigüité et, par la suite, les paramètres de retard et de vitesse. L’étude des vocalises acquises lors de la
121
4. Applications
campagne ERATO 09 nous a permis d’identifier et valider trois types de comportement, à partir de
représentations des signaux dans le plan d’ambigüité. Le premier comportement est celui de repos, dans
lequel les vitesses sur les trois trajets sont presque identiques – figure 12.19.a.
Figure 12.19. Fonctions d’ambigüité (FA) évocatrices de trois types de comportements des dauphins
Pour les dauphins en déplacement horizontal (figure 12.19.b), les trois premières arrivées possèdent
des vitesses apparentes relatives qui augmentent avec le temps de propagation et restent de même signe.
Dans cet exemple, la vitesse apparente relative des trajets de propagation est positive ce qui signifie que le
dauphin s’éloigne de l’hydrophone.
Le dernier groupe de vocalises est constitué des vocalises transmises par des dauphins en
mouvement vertical dont un exemple est représenté en figure 12.19.c. Le plan d’ambigüité large bande de
cette vocalise indique que la vitesse apparente relative des trajets de propagation change de signe, ce qui
est cohérent par rapport à un mouvement vertical.
L’ensemble de ces résultats montre le potentiel de l’approche proposée à caractériser les signaux
issus des sources inconnues (en termes de position et type de signal émis), en utilisant uniquement un
capteur. En effet, cette approche permet d’exploiter la physique de l’application, c'est-à-dire, la géométrie
des trajets de propagation. Ceci est équivalent à avoir plusieurs « angles » de vue qui forment une diversité
spatiale dont nous pouvons s’en servir pour mieux comprendre l’environnement caractérisé. Ce volet de
recherche sera abordé par la suite, dans d’autres contextes théoriques et applicatifs.
12.3. Bilan
Ce chapitre synthétise mes contributions dans le domaine de la caractérisation du milieu sous-

marin. J’ai pu participer au développement du concept de tomographie océanique passive (statique et
dynamique), à l’amélioration de la caractérisation des milieux dispersif ainsi qu’aux chaines de
communications sous-marines. Les nombreuses collaborations ont eu un double sens : de la pratique vers
la théorie, ce qui m’a permis d’appréhender les difficultés réelles, afin de proposer les techniques
122
4. Applications
adéquates et, naturellement, de la théorie à la pratique, en permettant ainsi l’intégration de mes

contributions théoriques dans les contextes réels d’application.
12.4. Perspectives
Les résultats et l’expérience que j’ai accumulés dans le domaine sous-marin me conduisent à
continuer ma participation dans des recherches théoriques et/opérationnelles dans ce domaine. Un premier
axe réside dans la réalisation des systèmes d’analyses des signaux distribués, toujours en contexte passif,
de façon à pouvoir étendre et automatiser le champ d’observation. Des défis comme la diversité des
signaux susceptibles d’être reçus, la consommation des capteurs, les contraintes de synchronisation, etc
doivent être prise en compte. Cet axe se retrouve dans mes activités dans le cadre du projet GREENAR
(2011-2014) et des nouvelles méthodologies d’analyse temps-fréquence-phase, intégrant des concepts
comme compressive sensing ou sparse representation, sont en cours de développement. Un autre axe de
recherche est constitué par l’analyse des vocalises de mammifères sous-marins en vue de la caractérisation
complète de leur comportement (classification de l’espèce, localisation, monitorage) ainsi que de l’étude
de l’interaction aves d’autres composantes de l’environnement marin : systèmes de navigation, production
d’énergie, tourisme, etc. Cet axe nécessite, d’une part, la poursuite du développement des méthodes de
caractérisation temps-fréquence et, d’une autre part, l’analyse des signaux transitoires, sachant que ce type
de signal est largement présent dans le chorus acoustique sous-marin. Le développement des méthodes
adéquates à ce type de signal est en cours, cela faisant l’objet de la thèse de Florin Birleanu, que je co-
encadre actuellement.
123
4. Applications
124
4. Applications
CHAPITRE 13 : Applications dans les domaines radar et industriels
Ce chapitre présente les applications de mes contributions dans le contexte du traitement des
signaux radar ainsi que dans des contextes industriels, auxquels j’ai eu l’occasion de participer.
Le premier volet, celui du traitement des signaux radar, a été développé à la fin de ma thèse, dans le
cadre d’une collaboration avec CELAR (Centre Electronique de l’Armement) et, par la suite, comme
cadre applicatif de la thèse de Cédric Cornu. L’ensemble de travaux s’est articulé autour de la thématique
de traitement des signaux radar en configuration passive, spécifique au domaine de la guerre électronique.
La synthèse de ces contributions fait l’objet du paragraphe 13.2.1. L’expérience accumulée dans la période
2003-2007 m’a permis ensuite de démarrer une collaboration avec le Center of Advanced
Communications de Villanova University (dirigé par Professeur Moeness G. Amin). Les travaux de
collaboration ont eu pour but d’apporter des solutions pour l’analyse des signaux dans le domaine du radar
en milieu naturel. Les contributions auxquelles j’ai participé, synthétisées dans le paragraphe 13.2.2, ont
montré l’intérêt pour la prise en compte des effets naturels, afin d’accroitre les capacités des systèmes
actuels.
Le deuxième volet présenté dans ce chapitre est celui des applications industrielles que j’ai pu
aborder, à partir de 2006, en partenariat avec EDF R&D. Il s’agit des domaines applicatifs de grand intérêt
actuel, compte tenu des enjeux liés à la production et à la distribution de l’énergie. Le premier domaine a
trait à la mesure non-intrusive de débit dans des conduites équipant un système de production d’énergie
nucléaire ou hydraulique (paragraphe 13.2.3). Les solutions de traitement du signal que j’ai proposées ont
abouti à la réalisation d’un brevet d’invention qui est en cours de valorisation. Une partie des travaux s’est
également effectuée dans le cadre de la thèse de Florin Birleanu et une autre thèse a démarré en 2011, en
partenariat avec EDF (la thèse CIFRE d’Ion Candel). Le deuxième domaine d’application est celui de la
détection et de la localisation des décharges partielles dans un système de transport d’énergie. Les travaux
se sont déroulés dans le cadre de la thèse de Bertrand Gottin et ils ont montré l’apport de nos contributions
dans le cadre de la surveillance d’un réseau de distribution (paragraphe 13.2.3). Les contributions
applicatives ont conduit à la mise en place d’un partenariat avec le CEA LETI ainsi qu’un projet
collaboratif avec le G2Elab, dans le cadre de l’Institut Carnot « Energies du Futur ».
Publications : Ce travail a donné lieu à cinq papiers revue ([A1], [A3], [A18], [A25], [A26]) et 13 papiers
conférence : [C13], [C18], [C40], [C53], [C54], [C55], [C56], [C57], [C58], [C60], [C61], [C65], [C67].
Un brevet d’invention a été élaboré et déposé le 14/03/2011 – FR N°11/52052.
13.1. Contexte
En raison des finalités complètement différentes, comment peut-on définir un chapitre commun
présentant des contributions dans les domaines radar et industriels ? Après les travaux auxquels j’ai eu la
chance de participer, la réponse est évidente et elle montre, une fois de plus, la puissance et le caractère
générique du traitement de signal : malgré les phénomènes physiques différents associés à ces domaines
d’application, il est possible de mettre un place un noyau de traitement du signal suffisamment générique
pour qu’il puisse fournir l’analyse adéquate à chacune des applications. Deux cas de figure existent :
- Signaux inconnus, caractéristique au domaine de la guerre électronique où nous nous intéressons à
analyser les signaux émis par différents équipements inconnus afin de préparer la contre-action qui viserait
à leurrer et/ou à éliminer ces équipements ;
- Signaux connus, mais milieu incertain qui rend les signaux reçus comme partiellement voir
complètement inconnus. La propagation des signaux ultrasonores dans un fluide en écoulement ou la
propagation d’un transitoire électrique dans un réseau partiellement connu ne constituent que deux
exemples caractérisant ce cas de figure, parmi les nombreux cas d’application possible.
L’approche commune que nous avons développée utilise des modèles de signal génériques, définis
à l’aide des outils théoriques développés dans le cadre de mes recherches, et qui permettent l’inférence des
éléments physiques associés au contexte applicatif donné. Ainsi, le paragraphe 13.2.1 présente l’apport du
suivi temps-fréquence et de la modélisation par distribution à temps complexe dans le contexte de la
caractérisation des signaux LPI (Low Propability of Intercept) spécifique à une scène d’opérations
125
4. Applications
électroniques militaires. Ce paragraphe synthétise les résultats obtenus dans le cadre de la thèse de Cédric
Cornu ainsi que dans le cadre des collaborations avec le CELAR et l’ENSIETA de Brest. Dans le
paragraphe 13.2.2, les contributions du suivi temps-fréquence-phase dans le contexte du radar
transhorizon seront synthétisées. Les résultats ont été obtenus en collaboration avec le Center of Advanced
Communications de Villanova University.
L’analyse des transitoires par la distribution à temps complexe sera également illustrée, dans le
paragraphe 13.2.3, dans les contextes de la mesure des paramètres hydrodynamiques dans une conduite
ainsi que de la localisation des sources de décharges partielles. Ce paragraphe synthétise les travaux de
recherche développés, depuis 2007, en partenariat avec EDF. Nous verrons que, malgré les phénomènes
physiques complètement différents, l’analyse par distribution à temps complexe constitue une approche
générale dans ces deux contextes applicatifs.
13.2. Contributions
13.2.1. Contributions dans le domaine de la guerre électronique
L’analyse des signaux furtifs constitue la fonction de base des récepteurs SIGINT (SIGnal
INTelligence) qui sont l’élément clé des systèmes de contre réaction électronique ainsi que de
renseignement électronique [Pace04]. Le rôle principal d’un récepteur SIGINT est d’estimer, dans un
contexte complètement aveugle (l’analyse s’effectue sur le signal émis par les systèmes électroniques
ennemis et, de fait, inconnus), les paramètres du signal ennemi afin de pouvoir soit empêcher l’utilisation
de l’équipement soit le leurrer.
Dans ce contexte, les contributions auxquelles j’ai contribué portent sur l’analyse SIGINT des
signaux furtifs émis par les systèmes radar (ELINT – ELectronic INTelligence) ou de communication
(COMINT – COMmunication INTelligence). Les méthodes qui assurent la furtivité des signaux
s’articulent autour des modulations de fréquence et/ou de phase selon des règles de plus en plus
sophistiquées. Malgré la finalité différente des systèmes radar et de communication, les techniques de
modulation de phase et/ou de fréquence qui assurent le caractère LPI (Low Probability of Intercept) des
signaux radar et de communication sont les mêmes. Elles sont essentiellement basées sur le codage, par
des lois complexes, de la phase instantanée des signaux ce qui a pour effet l’étalement spectral,
difficilement repérable par les techniques actuelles [Pace04]. La contribution majeure porte sur la
définition d’une méthodologie unique pour l’analyse des signaux LPI de type ELINT et COMINT.
Cette méthodologie se base sur une architecture d’analyse en deux phases – Extraction des composantes
du signal observé et la Modélisation de la phase instantanée de chacune des composantes extraites.
EXTRACTION MODELISATION
Détection par Estimation
Signal
Filtrage singularités de
intercepté regroupement T-F
phase : dérivation de
la phase ou GCTD
Figure13.1. Architecture globale de traitement ELINT/COMINT
Compte tenu du caractère généralement hétérogène des structures du signal reçu et, afin de faciliter
la tâche de la modélisation, il convient d'extraire les structures du signal reçu, comme illustré sur la figure
13.1. Cette étape se réalise par le suivi des composantes du signal dans le plan temps-fréquence (en
utilisant des techniques présentées dans les chapitres 11 et 12) et par le filtrage temps-fréquence de
chacune des composantes. A titre d’illustration, nous considérons un signal intercepté par un récepteur
ELINT, composé de trois types de formes d’ondes, correspondant au scénario illustré dans le chapitre
d’introduction (chapitre 6). La figure 13.2. présente les lois de fréquence instantanée de ces formes
d’ondes.
126
4. Applications
Figure 13.2. Lois de fréquence instantanée des trois types de formes d’onde présentes
dans un scénario ELINT
La figure 13.3.a présente le spectrogramme du signal observé dans la bande X, pour un RSB de 5
dB, et qui contient l’ensemble des formes d’ondes émises par les différents systèmes radar de la scène. La
figure 13.3.b montre l’ensemble des zones détectées par le détecteur de Viterbi (paragraphe 10.2.1). Une
zone de détection est représentée par un squelette (rouge) composé de la succession des maxima regroupés
par l’algorithme de type Viterbi et de la zone définie autour de ce squelette. Cette zone correspond au
gabarit du filtre temps-fréquence qui isolera chacune des composantes (par les techniques de filtrage
présentées dans le chapitre 7.1).
Les composantes extraites sont représentées sur la figure 13.4, où l’indice de chacune (de 1 à 7)
correspond aux indices des zones temps-fréquence indiquées sur la figure 13.3.b.
Figure 13.3. Détection des zones temps-fréquence à partir d’un signal observé par un récepteur ELINT
127
4. Applications
Figure 13.4. Les composantes extraites des zones temps-fréquence

représentées sur la figure 13.3.
Une fois les composantes du signal ELINT extraites, nous passons à leur caractérisation qui a pour
objectif de fournir les paramètres caractéristiques des modulations engendrées. Dans le contexte de la
Guerre Electronique l’estimation de ces paramètres est fondamentale afin de mettre en place la contre-
action.
Comme illustré par la figure 13.4, un signal intercepté par un récepteur ELINT contient
généralement plusieurs types de signaux. L’analyse rapide de ces signaux constitue un défi car la
méthodologie envisagée devrait être générale et applicable aux types de signaux susceptibles d’être
interceptés. La contribution que nous avons proposée consiste à étudier les signaux reçus à l’aide de la
dérivation d’ordre 3 de la phase instantanée extraite par le filtrage temps-fréquence (figure 3.14). La figure
13.5. présente la dérivée du signal 3 – conformément à figure 3.14. Cette dérivée met en évidence la
présence des singularités de type saut de fréquence. Ensuite, nous pouvons réaliser, entre deux singularités
détectées, une modulation polynomiale à ordre 2 ou 3 afin d’estimer le palier de fréquence défini entre ces
deux singularités. En procédant ainsi, il est possible d’estimer les paramètres du signal de type FSK,
comme montré par le tableau 13.1. Nous pouvons constater ainsi les bonnes performances de l’estimation
des paramètres du signal de type FSK.
128
4. Applications
Figure 13.5. Estimation des singularités du signal FSK
Tableau 13.1. Estimation des paramètres du signal FSK

Information Théorique Estimation
Durée signal 13.07 µs 13.11 µs

Durées paliers [1.87 × 7] µs [1.88 1.87 1.86 1.88 1.86 1.85 1.91] µs
Erreurs paliers de fréquence 0 [364 867 179 1416 1585 1838 2256] Hz
L’analyse des signaux chirp (1 et 2, voir la figure 13.4) s’effectue également par la dérivée de la
phase instantanée, comme illustré par la figure 13.6. Nous remarquons que la troisième dérivée de la phase
ne montre aucune singularité potentielle. Si aucun pic n’est visible à cet ordre de dérivée, nous n’en
trouverons pas aux ordres inférieurs. De plus, la dérivée reste assez proche de zéro, ce qui amène
clairement à une modélisation par un chirp linéaire.
Figure 13.6. Troisième dérivée de la phase des signaux 1 et 2
Enfin, l’analyse du signal 7 – la FMCW, toujours par la dérivée d’ordre 3 met directement en
évidence la présence de trois singularités bien espacées, indiquées sur la figure 13.7.
Figure 13.7. Estimation des singularités du signal FMCW
129
4. Applications
En termes de modélisation, une analyse polynomiale de phase d’ordre 3 peut s’appliquer entre
chaque singularité. La caractérisation par quatre polynômes d’ordre 3 et trois instants de temps
correspondants aux singularités constitue une représentation parcimonieuse de ce signal car un signal de
200000 échantillons ne sera représenté que par une dizaine des paramètres. De plus, cette représentation
nous permet d’accéder, de façon précise, comme illustré par le tableau 13.2, aux paramètres de la FMCW
qui sont très utiles dans un contexte opérationnel de contremesure électronique.
Tableau 13.2. Estimation des paramètres du signal FMCW

Information Théorique Estimation
Durée signal 2 ms 2.0001 ms
Durées paliers [500 × 4] µs [500 500 500 500.1] µs
Bande 54 MHz 54.01 MHz
En conclusion, dans le domaine de l’ELINT, le traitement composé de la détection des régions

d’intérêt et de la caractérisation par la dérivation de la phase constitue une solution générique pour décrire
les signaux radar de différents types, offrant ainsi le caractère générique requis par ce type d’application.
Cependant, l’analyse des sauts de phase par la simple dérivation de la phase instantanée peut être
affectée par le bruit et/ou les interférences, malgré le filtrage temps-fréquence. C’est pourquoi nous avons
proposé l’utilisation de la Generized Complex Distribution GCD (paragraphe 8.2.1) comme méthode de
dérivation de la phase du signal, mais, à partir des échantillons du signal. Cette méthode s’avère plus
robuste aux différentes types de perturbation (bruit, interférences,…), comme illustré par la suite dans le
contexte applicatif de l’identification des techniques d’accès multiple (TAM). En effet, celle-ci constitue
une problématique actuelle du domaine COMINT (COMmunications INTelligence) qui est l’équivalente
ELINT et qui a, pour objectif central, l’identification des techniques de communications. La contribution
principale à laquelle j’ai participée repose sur l’identification et la poursuite des séquences de phase
associées au préambule, qui est spécifique à chaque utilisateur. La structure du récepteur COMINT
proposée est définie sur la figure 13.8. Une fois la détection effectuée par les mêmes types des techniques
que celles du récepteur ELINT (figure 13.1), nous pouvons envisager l’estimation de la loi de phase dans
chaque région d’intérêt en utilisant la dérivation de phase réalisée par la GCD. Nous obtiendrons ainsi les
combinaisons de phase identifiant chaque utilisateur, ce qui nous permettra de les associer, en vue de la
classification du type d’accès multiple employé.
Figure 13.8. Principe d’identification des techniques d’accès multiple
Afin d’illustrer ce principe, nous considérons l’exemple de trois utilisateurs qui accèdent
simultanément à la bande d’intérêt (définie en fréquence normalisée) selon un schéma de type Frequency
Hopping – Code Division Multiple Acces (FH-CDMA). Le préambule de chaque utilisateur est représenté
sur huit bits et une modulation de type QPSK est utilisée pour coder cette information. La règle de codage
est illustrée sur le tableau 13.3.
Tableau 13.3. Correspondance combinaison binaire – paramètres de modulation de phase

00 01 10 11
0 π/2 π 3π/2
Les préambules et les lois de modulation de phase sont illustrés sur la figure 13.9. Nous précisons
que la fréquence d’échantillonnage dans la bande d’analyse a été de 1 MHz. Un échantillon correspond
donc à 1 µsec et le temps de symbole est de 32 µsec.
130
4. Applications
Figure 13.9. La définition des préambules et leur codage QPSK
Tableau 13.4. Trajectoires temps-fréquence parcourues par les trois utilisateurs
Pour des raisons de simplicité nous avons considéré uniquement cinq cadres pour chaque utilisateur.
Les transitions se font quasi aléatoirement et l’interception du signal correspondant à ces trois utilisateurs
produit une observation complexe, comme illustré par le spectrogramme affiché sur la figure 13.10.
La première étape de traitement est la détection des régions temps-fréquence occupées par le
signal utile. Compte tenu de la complexité du signal d’entrée, le premier pas consiste à détecter les parties
T-F cohérentes.
Figure 13.10. Le spectrogramme du signal intercepté et la détection des régions temps-fréquence d’intérêt
Compte tenu de la densité des signaux ainsi que le manque d'hypothèses, la détection consistera à
trouver les parties cohérentes en utilisant le suivi dans le plan temps-fréquence (chapitre 11) qui fournit le
résultat indiqué sur la partie droite de la figure 13.10. Le résultat de l’étape de détection sera donc le
pavage temps-fréquence du signal de départ en régions qui contiennent des signaux associés aux
utilisateurs. Nous obtenons aussi les paramètres tempo-spectraux de chacune des régions que nous
convenons d’appeler « paramètres inter-pulses ».
A ce stade, nous n’avons aucune idée quant à l’appartenance des signaux engendrés par des régions
T-F à un certain utilisateur. C’est la raison pour laquelle l’étape qui suit à la détection est l’analyse des lois
de phase des signaux correspondants aux régions d’intérêt détectées. Le but est de retrouver la description
du préambule qui est identique pour un utilisateur car il contient l’identificateur, les bits de
synchronisation, de contrôle, etc. Comme le préambule est souvent inséré au début d’un frame nous
effectuons une analyse de la phase, par la GCD d'ordre 4, sur la partie initiale de chaque région. Compte
tenu du poids d’un préambule sur un frame, l’analyse d’une partie initiale de 10 % devrait suffire. Ce seuil
pourrait être déduit de manière itérative. Pour notre signal, les résultats sont illustrés sur la figure 13.11
pour les utilisateurs 1 et 3 (dont les modulations de phase et les LFIs associées sont illustrées sur la figure
13.11.a).
131
4. Applications
a. Modulations de phase et les LFIs des utilisateurs 1 et 3

b. Transitions de phase détectées par la GCD d'ordre 4 et correspondantes à ces utilisateurs
Figure 13.11. Analyse de la loi de phase instantanée de 10% de la longueur
temporelle de chaque partie temps-fréquence extraite
Nous pouvons constater que les sauts de phase, détectés par la GCD d’ordre 4, correspondants aux
utilisateurs 1 et 3, sont identiques avec les dérivées de lois de phase illustrées sur la figure 13.11.a. Ceci
montre que l’analyse de la phase a correctement fonctionné malgré le lissage des transitoires (causé par le
filtrage temps-fréquence nécessaire à l'extraction) et les fausses alarmes (qui restent à un niveau réduit).
Une autre observation est que les lois de phase instantanée apparaissent à des locations temps-fréquence
distinctes, ce qui permet d’associer les régions temps-fréquence aux utilisateurs. Dans l’exemple précèdent
(figure 13.11) nous montrons les régions d’intérêt correspondantes aux utilisateurs 1 et 3 identifiées grâce
à une combinaison de phase qui se répète. Procédant de la même manière pour le deuxième utilisateur,
nous associons les régions temps-fréquence à chaque utilisateur, en obtenant ainsi la trajectoire temps-
fréquence de chacun (figure 13.12). Nous pouvons constater sur cette figure que la poursuite de la loi de
phase associée à chaque préambule nous conduit à associer correctement les régions temps-fréquence de
chaque utilisateur. A titre de comparaison, la figure illustrée sur le tableau 13.4 montre que les trajectoires
ont été correctement détectées.
Figure 13.12. Identification des trajectoires temps-fréquence des utilisateurs

132
4. Applications
A ce stade, nous procédons à une description de ces trajectoires en termes de durées de cadre. Pour
notre exemple ils sont donnés dans le tableau suivant. Les paramètres inter-pulses, qui caractérisent les
trajectoires temps-fréquence, sont utilisés pour retrouver le type de TAM en comparant le profil obtenu
avec ceux existants dans une éventuelle base de données.
L’étape suivante, l’estimation aura pour objectif de fournir les paramètres intra-pulses de TAM. En
effet, cette étape consiste à appliquer l’analyse de phase utilisée lors de l’étape précédente et estimer tout
d’abord le type de modulation ainsi que les paramètres fondamentaux comme le nombre d’état, fréquence
porteuse, le temps symboles ainsi que les paramètres dérivés comme le débit binaire, par exemple. Les
outils potentiels reposent également sur la modélisation généralisée de la phase fournie par la GCD.
Tableau 13.5. Estimation des paramètres inter-pulses de la TAM

Temps de garde Durée frame Frequency hops
Utilisateur 1 0 1790 Voir la figure
Utilisateur 2 0 2040 13.12
Utilisateur 3 0 2040
Les résultats illustrés dans ce sous-chapitre prouvent le potentiel des contributions auxquelles j’ai
contribuées dans un contexte de traitement complètement passif qui est celui de la guerre électronique.
Concernant ce domaine d’application, les travaux à venir viseront l’automatisation complète de la
procédure ainsi que la définition, dans un cadre collaboratif, des scénarii plus proches d’un contexte
opérationnel. La construction des espaces de représentation, adéquats à l’analyse des singularités des
phases caractérisant les modulations numériques LPI, sera également envisagée, en lien avec les travaux
théoriques que je poursuivrai.
13.2.2. Contributions dans le domaine du radar transhorizon
Ce paragraphe synthétise mes activités de collaboration avec le Center of Advanced

Communications de Villanova University, déroulées depuis 2007, dans le domaine du traitement des
signaux reçus par un radar transhorizon. En effet, l’analyse précise de la signature Doppler de ce type des
signaux apporte des informations importantes sur la nature de la cible, ce qui constituerait un intérêt
majeur dans l’exploitation de ce type des systèmes. C’est pourquoi cette thématique est très actuelle et des
nombreux projets portent actuellement intérêt à l’exploitation de l’effet micro-Doppler en vue de l’analyse
de la cinématique de la cible – élément très discriminant pour la classification des cibles situées à très
grande distance, hors de la visée directe. Sur plan théorique, ce type d’application représente un très bel
exemple d’adaptation d’un outil générique, comme l’analyse temps-fréquence par suivi de la continuité de
phase (présentée dans le chapitre 11), aux aspects physiques liés à l’application. Dans le contexte du radar
transhorizon, le point de départ dans la définition du contexte physique est la propagation des ondes
reçues, qui s’effectue généralement selon trois trajets [Zhang et all]. La figure 13.13 présente le cas d’une
cible située à 2000 km et à une altitude initiale de h(0)=10 km, une fréquence porteuse de 20 MHz et
l’altitude de l’ionosphère – H=350 km.
Figure 13.13. Définition des trajets de propagation dans le contexte du radar transhorizon et la variation en temps des
signatures Doppler du signal en bande de base
Les trois trajets de propagation correspondent à un signal reçu à trois composantes. La première et
la deuxième correspondant à la propagation à travers le chemin I et, respectivement, II. La troisième
composante a un caractère mixte car elle est le résultat de la propagation du signal émis par le trajet I et la
133
4. Applications
propagation du signal réfléchi par le trajet II et vice-versa. Sous ces hypothèses, le signal reçu est défini
selon (en faisant abstraction du bruit) :
x ( t ) = A1e jϕ1 ( t ) + A2 e jϕ2 ( t ) + A3e jϕ3 ( t ) , (13.1)
où A1, A2 et A3 sont les atténuations des trajets et {ϕi} – les lois de phase instantanée, ayant pour
expression [Zhang et all] :
4π f c  2H 
ϕ1 ( t ) = − ∫  K ( t ) vR ( t ) − vc ( t )  dt
c  R (t ) 
4π f c  2H  (13.2)
ϕ2 ( t ) = − ∫  K ( t ) vR ( t ) + vc ( t )  dt
c  R (t ) 
4π f c
ϕ3 ( t ) = − K ( t ) vR ( t ) dt
c ∫
où K ( t ) = (1 − 2H 2 / R 2 ( t ) ) et vR ( t ) = dR ( t ) / dt est la vitesse radiale de la cible et vc ( t ) = dh ( t ) / dt est la

vitesse verticale de la cible. En utilisant ce modèle, le contenu temps-fréquence du signal reçu, dans le
contexte défini précédemment, est composé de trois signatures temps-fréquence non-linéaires, très proches
l’une de l’autre.
Afin d’illustrer l’intérêt pour le traitement par suivi temps-fréquence-phase ainsi que les opérateurs
warping (chapitre 7), nous considérons le signal réel fourni par Australian Defence Science and
Technology Organisation (DSTO) qui est constitué par une observation de 181 seconds d’une cible
décrivant la trajectoire indiquée sur la figure 13.14.a. L’avion descend de 2500 mètres en effectuant une
rotation de 360°. La distance entre les antennes d’émission et de réception est de 100 km et la distance
radar-cible est d’environ 1350 km. La fréquence porteuse est de 16 MHz et la fréquence de répétition est
de 40 Hz. Les figures 13.4.b et c représentent les lois de fréquence instantanée théoriques et,
respectivement, le spectrogramme, pour une fenêtre de 12.8 seconds, du signal en bande de base.
Figure 13.14. La trajectoire de la cible, les LFIs théoriques et le spectrogramme du signal réel
Les LFIs théoriques (figure 13.14.b) montrent clairement la proximité entre les composantes temps-
fréquence du signal, séparées de quelques Hz, ce qui se traduit, dans la représentation par le
spectrogramme (figure 13.14.c), par des composantes temps-fréquence non-résolues. L’objectif étant
d’estimer les LFIs, ce qui nous permettrait d’accéder aux paramètres dynamiques de la cible via le modèle
13.2, l’approche proposée repose sur le schéma présenté sur la figure 13.15.
134
4. Applications
Figure 13.15. Schéma de la méthodologie d’analyse
La première étape consiste à effectuer la détection de la région temps-fréquence occupée par les
composantes du signal reçu. De façon générale, les difficultés prises en compte dans cette étape sont :
- les interférences entre les composantes et le clutter et/ou des perturbations de type transitoire (voir
le spectrogramme – figure 13.14.c) qui peuvent croiser les composantes ;
- le caractère généralement non-linéaire du contenu temps-fréquence
- la proximité entre les composantes.
Ces difficultés ont été à la base du développement du concept de tracking temps-fréquence-phase
(paragraphe 11.2.2.) et c’est pourquoi nous l’avons proposé pour la détection et comparé avec le tracking
dans le domaine du spectrogramme [Ioana_radar10] et dans le domaine de la distribution RGK (Radial
Gaussian Kernel) [Ioana12]. Les résultats se sont montrés satisfaisants car, comme illustré par la figure
13.6, le groupe des composantes du signal reçu est bien détecté dans le plan temps-fréquence.
Figure 13.16. Le tracking par continuité temps-fréquence-phase dans des fenêtres de 256 échantillons
Le résultat de tracking est constitué par la trajectoire temps-fréquence approximative décrite par les
composantes temps-fréquence et qui montre bien le suivi global de ces composantes. Cette trajectoire est
utilisé pour la transformation du signal lors de la deuxième étape – warping. En appliquant l’opérateur de
déformation, conçu selon le concept présenté dans le paragraphe 7.2.2, il est possible de stationnariser le
contenu temps-fréquence du signal reçu tout en conservant les décalages spectraux entre les composantes.
Pour notre signal de test, la stationnarisation par opérateur warping conduit au résultat illustré sur la figure
131.7. Nous remarquons que le contenu spectral du signal est bien stationnarisé, ce qui nous permet
d’appliquer, à court terme, une analyse spectrale à haute résolution, qui constitue la troisième étape de
l’approche proposée. Le paramétrage de cette analyse spectrale est possible grâce à l’inférence des
considérations physique, définies par (13.1) et (13.2) et qui montrent que le signal utile est composé de
trois composantes et qui ne se croisent pas.
Figure 13.17. Spectrogramme du signal warpé à partir de la trajectoire estimée
Ces considérations physiques indiquent que, pour chaque fenêtre d’analyse spectrale du signal
warpé, trois pics spectraux seront estimés et l’ensemble des valeurs estimées constitue trois vecteurs de
fréquence, F1, F2, F3 qui seront utilisés pour estimer la trajectoire de la cible. La figure 13.18 montre les
différences entre ces vecteurs ainsi que leur comparaison avec la dérivée des coordonnées d’altitude de la
cible (qui est équivalente à vitesse verticale), donnée par le GPS.
135
4. Applications
Figure 13.18. Vitesse verticale de la cible (donnée par les coordonnées GPS) et
les différences estimées entre les LFIs
Comme illustré par cette figure, les différences des LFIs reflètent bien la variation de la vitesse
verticale conformément à la réalité donnée par les coordonnées GPS : lorsque la vitesse verticale
augmente, les différences entre les LFIs augmentent proportionnellement.
En conclusion, ces résultats montrent comment une approche générale de suivi temps-fréquence
ainsi que l’application des opérateurs warping et de l’analyse spectrale, aguillés par le modèle physique,
peuvent s’appliquer dans un domaine complexe comme celui du radar transhorizon. Dans me travaux
futurs, je tenterai de généraliser ces travaux dans d’autres applications radar, comme le radar en milieu
urbain ou le radar à pénétration des murs, dans lesquelles la prise en compte de l’effet micro-Doppler
apporterait des informations très riches quant au phénomène étudié.
13.2.3. Contributions dans les domaines de la mesure des paramètres thermo-

hydrodynamiques et de la détection des transitoires électriques
Dès mon arrivée à Grenoble, en 2006, j’ai commencé à m’intéresser fortement aux aspects liés au
traitement du signal dans les systèmes de production d’énergie. Le nouvel environnement de travail
Grenoblois m’a permis d’entrer en contact avec des industriels, comme EDF notamment, et de commencer
à appréhender les problématiques de traitement de signal spécifiques aux enjeux actuels du domaine de la
production d’énergie, si stratégique et important. Ainsi, depuis 2007, j’ai contribué aux développements
dans deux grands axes qui sont :
- La mesure des paramètres thermo-hydrodynamiques par des moyens non-intrusifs. Cet axe constitue
une partie de la thèse de Florin Birleanu (2009-2012) et d’Ion Candel (thèse CIFRE - EDF-
GIPSA-lab, 2011-2014) ;
- La détection des transitoires électriques de type décharges partielles, présentes dans un système de
transport d’énergie. Cet axe a constitué le cadre applicatif de la thèse de Bertrand Gottin (2007-
2010).
Lorsque les conduites constituent un élément important d’un aménagement hydraulique, d’une
installation industrielle, d’un système d’extraction du pétrole, d’un réseau de transport d’eau pour la
consommation, la surveillance du réseau de conduites est une opération très importante car elle garantit le
bon fonctionnement du système, l’efficacité et les coûts de la maintenance mais, surtout, la sécurité de
l’environnement dans lequel se trouve le réseau. La surveillance complète (sur tout le périmètre du réseau
de la conduite) et en continu constitue des défis, compte tenues des solutions existantes à l’heure actuelle
qui impliquent l’opérateur humain ainsi que des dispositifs intrusifs, couteux et contraignants en termes
d’installation et de maintenance. Les techniques non-intrusives de mesure des paramètres hydrauliques
constituent un domaine en plein développement. Dans ce domaine, l’utilisation des ondes ultrasonores est
devenue la technique la plus utilisée, en raison des bonnes performances de propagation des ondes
ultrasonores dans une configuration conduite-fluide [Flow95]. La figure 13.19 présente le contexte de la
mesure des deux paramètres hydrauliques de grand intérêt pour la maitrise du système de conduites – le
débit et la température.
136
4. Applications
Figure 13.19. Principe dee m

mesure de débit et de température par différence de temps
tem de propagation
Le principe de mesure de débit
d par différence de temps de propagation co
consiste à effectuer des
transmissions-réceptions dans le se
sens de l’écoulement ainsi qu’au sens contraire.
re. En utilisant ces deux
mesures de temps d’arrivée, la vites
itesse du fluide peut s’exprimer selon :
L2  ∆T 
v=   ; ∆T = TBA − TAB (13.3)
2 D  t AB ⋅ t BA 
où L est la longueur du trajet dee propagation,
p D est la distance entre les deux capteurs,
ca tAB=TAB-2Tparoi-
2Tcapteur et tBA=TBA-2Tparoi-2Tcapteur.
Le principe de mesure dee température
t consiste à estimer le temps de prop
ropagation de l’onde du
transducteur C au transducteur A et d’estimer ainsi la vitesse de propagation, c,, par le rapport entre le
diamètre de la conduite et le tem temps de propagation TCA. Comme la vitesse de propagation est liée
physiquement à la température T, T par la relation c=1557-0.024⋅(74-T)2 [m/sec],c], il est donc possible
d’estimer la température du fluid ide. Ces deux principes de mesure indiquent cla clairement le besoin de
l’estimation très précise des temps ps d’arrivée des signaux. Cette tâche est un véritab
table défi car les signaux
émis sont très déformés par la pro propagation, comme illustré par la figure 12.20 où nous représentons le
signal reçu pour un signal émis dee type t impulsion modulée.
Figure 13.20. Déformatio

tion d’une impulsion suite à une propagation dans l’acie
cier-eau-acier
Cette figure montre la présen

sence de deux impulsions : la première correspond nd à la propagation dans
l’acier de la conduite, et qui arrive
ive de faite bien avant la deuxième impulsion qui,
qui elle, correspond à la
propagation dans l’eau et qui porterte l’information utile sur les paramètres de débit
bit et de température. La
déformation de l’enveloppe de ces es impulsions pose des problèmes sérieux d’estimaimation précise du temps
de propagation.
Ce constat est égalementt vvalable dans un autre contexte applicatif, comp mplètement différent en
termes de physique mais qui, d’und’u point de vue traitement du signal, pourraitt êtreê traité de la même
manière. Il s’agit de la détectionn et
e de la localisation des phénomènes transitoi itoires dans les systèmes
électriques et qui peuvent avoir de
des causes très diverses : un changement de régimgime, un fonctionnement
137
4. Applications
anormal, l’apparition des défauts de matériel (décharges partielles), interférence avec d’autres systèmes,
etc. Les phénomènes transitoires se matérialisent, à la sortie des capteurs, par des signaux très courts dont
les paramètres sont intimement liés à la physique du phénomène les ayant générés [Krivda95]. La
détection et la localisation des signaux transitoires électriques constituent alors un point d’intérêt majeur,
vue la multitude de systèmes électriques existant (armoires électriques, transformateurs, câbles de
distribution d’énergie …). Dans de tels systèmes, les phénomènes transitoires sont souvent représentatifs
de perturbations et d’anomalies de fonctionnement. Ils se produisent généralement de façon aléatoire,
brève et soudaine comme des défauts de forte amplitude pouvant endommager le système. C’est par
exemple le cas des décharges partielles dans les câbles électriques et les transformateurs. Par conséquent,
dans un but de diagnostique et de contrôle des systèmes électriques, des outils efficaces de détection,
localisation et caractérisation des transitoires s’avèrent très utiles.
Afin d’illustrer le contexte de la détection des transitoires électriques, la figure 13.21 présente un
signal qui correspond à une décharge partielle produite périodiquement dans une jonction électrique. Suite
aux plusieurs réflexions aux interfaces jonctions-câbles, le signal reçu est composé de deux transitoires
donc les temps d’arrivée permettrait de localiser la position de la source en utilisant un seul capteur
[Gottin09].
Ainsi, le premier transitoire correspond à la propagation directe de la source vers le capteur alors
que le deuxième transitoire correspond à la réflexion à l’extrémité de la jonction et qui se propage ensuite
vers le capteur (figure 13.21.a). L’estimation précise des temps d’arrivée de ces deux transitoires
permettrait de localiser la source. Comme dans le contexte applicatif précédent, cette estimation est une
tâche complexe en raison de la forme différente des transitoires (due à la propagation) mais également au
bruit (figure 13.21.b).
Figure 13.21. Signal de décharge partielle issu d’une jonction HTA
En raison de l’importance de l’estimation des temps d’arrivée, des méthodes diverses et efficaces
ont été proposées et leurs passage en revue constitue une tâche complexe voir impossible. Cependant,
quelques classes de méthodes regroupent la quasi-totalité des techniques existantes. Les statistiques
d’ordre supérieur ainsi que les ondelettes et les distributions temps-fréquence constituent ces classes de
méthodes et elles ont prouvé leur efficacité à détecter et localiser les transitoires indépendamment les uns
des autres. Leurs succès dans un contexte général de détection repose sur les propriétés statistiques des
transitoires par rapport au bruit ainsi que sur leur caractère non-stationnaire. Mais, dans le contexte des
transitoires de formes différentes, ces méthodes s’avèrent limitées, pour deux raisons principales. La
première, spécifique aux méthodes basées sur l’estimation à partir de l’énergie du transitoire, est que le
maximum de la valeur de l’énergie peut fluctuer, en raison de la déformation. A titre d’illustration, nous
présentons sur la figure 13.22.b le spectrogramme du signal illustré par la figure 13.21. Nous constatons
que les trois impulsions sont bien visibles dans le spectrogramme mais l’estimation précise des temps
d’arrivée de chacune d’impulsions est difficile en raison de l’étalement de l’énergie.
138
4. Applications
Figure 13.22. Repré

présentation du signal de décharge partielle par trois mét
éthodes
Nous avons également étud tudié la décomposition en paquets d’ondelettes es suivie du calcul des
statistique d’ordre supérieur (SOS) S) [Ravier01] – figure 13.22.a. Cette méthode amé méliore la détection mais
la mesure de temps d’arrivée es est toujours affectée par la distribution de l’én’énergie des coefficients
ondelettes. En effet, la décompositi
sition du signal sur une famille ondelettes quelconqnque donne des résultats
hétérogènes dans la mesure où le les impulsions proches de la formes des ondelet lettes analysantes seront
représentées par très peu de coeffic
fficients (représentation optimale au sens de la par
parcimonie) alors que les
autres impulsions seront représent entées sur plusieurs coefficients, rendant complex lexe l’estimation de leur
temps d’apparition. Cette remarqu que est valable dans notre cas où les deux impu pulsions ont des formes
différentes, ce qui se traduit par un fonctionnement différent de l’analyse par ondele
elettes.
Cette observation, faite lors
rs du travail sur des signaux réels, nous a conduit it à étudier une nouvelle
méthodologie et qui consiste à ana nalyser la phase instantanée d’un signal et à estime
imer le temps d’arrivée à
travers les ruptures « visibles » sur la loi de phase instantanée. Nous avons ainsii étudié
é la « Distribution
Généralisée à Temps Complexe » (la GCD, présentée en détail dans le chapitree 88). Cette méthodologie
d’analyse permet donc de réaliserr lla tâche de détection et de localisation des transit
sitoires en tenant compte
des ruptures de phase qu’ils provo voquent. La figure 13.22.c indique clairement que ue la dérivée de la phase
instantanée, obtenue à l’aide de la G GCD, présente des pics pointus qui permettent d’estimer
d’ précisément la
position en temps des impulsions.
Ces bonnes performances es sont illustrées par la figure suivante quii présente les courbes
opérationnelles du récepteur (COR R) dans le contexte de localisation précise de l’en
ensemble des impulsions
du signal de test. Nous observonss qu’à
q partir de seuils dépassant 0, même juste d’un
’un pas de seuil 0.01, les
Pfa obtenues pour les méthodes specpectrogramme et SOS+ondelettes sont certes quasi si nulles mais les taux de
bonnes détections ne dépassent pas 50% pour les SOS+ondelettes et 75% juste avant ava de retomber à 50%
pour l’analyse par le spectrogramm me.
Figure 13.23. COR obtenues

es pour les trois méthodologies de détection : Spectrogra
ramme - SOS+ondelettes -
analyse de phase par GCD
139
4. Applications
En effet, ces méthodes éliminent bien les fausses alarmes mais ne permettent pas une détection
simultanée convenable des transitoires du signal. L’analyse de phase par la GCD donne une courbe de
détection mettant bien en évidence les transitoires du signal. Par conséquent, cette méthodologie rend
possible la détection simultanée de tous les transitoires du signal, malgré leurs disparités, jusqu’à des
seuils élevés, et cela avec une Pd restant quasi-égale à 1 pour des Pfa relativement faibles allant jusqu’à un
ordre de 0.1. Ces performances supérieures de l’analyse des DPs par la GCD sont expliquées par
l’utilisation des dérivées de la phase instantanée ce qui garantit la détection des ruptures, indépendamment
de la forme temporelle de l’impulsions.
Ces très bonnes performances ont été également observées dans le domaine de mesure de débit par
la méthodologie illustrée par la figure 13.19. L’utilisation de l’estimation des dérivées de phase
instantanée pour la mesure de débit s’est avérée plus performante que la technique actuelle, implémentée
dans la quasi-totalité des systèmes existants, qui consiste à effectuer une détection d’enveloppe suivi d’un
seuillage pour le calcul des temps d’arrivée. Ceci est prouvé par les résultats expérimentaux, figure 13.24,
obtenus dans la boucle de débimètrie d’ENSE3.
Débit théorique vs estimé
4
Théorique
Détection enveloppe
3
Dérivée de phase
Débit [m3/hr]
0
1 2 3 4 5 6 7 8 9
N° dèxpérience
Figure 13.24. Résultat de mesure de débit par la technique classique et par la méthode basée sur la détection des
ruptures par dérivation de la phase instantanée
La technique classique de mesure donne des résultats éloignés des ceux de référence, fournis par un
débitmètre intrusif électromagnétique. En effet, l’enveloppe des signaux reçus est très déformée, ce qui se
traduit par des erreurs de mesure de temps d’arrivée conduisant à des mauvaises estimations de débit. En
utilisant la dérivée de phase instantanée, nous obtenons des résultats proches de ceux théoriques, ce qui
nous a permis de valider expérimentalement ce concept.
Motivé par ces bonnes performances, j’ai réalisé un brevet d’invention que j’ai déposé le
14/03/2011 (FR N°11/52052) et qui se propose de fournir un profil de vitesse d’écoulement.
L’industrialisation de ce brevet conduirait à une amélioration substantielle de la surveillance actuelle, ce
qui constituera une valorisation importante du concept théorique auquel j’ai contribué.
13.3. Bilan
Ce chapitre présente les contributions des outils théoriques que j’ai pu étudiées dans des diverses
applications de grand intérêt actuel. Le point essentiel de ces travaux est le lien à double sens entre la
théorie et la pratique. Ainsi, les aspects physiques de chaque application m’ont permis de proposer des
solutions théoriques qui, suite à des expérimentations menées, ont été adaptées afin de répondre au mieux
aux contraintes opérationnelles. Le retour de l’application vers la théorie m’a permis de rendre quasi-
opérationnelle une partie de mes contributions théoriques. Ce double sens a permis à des doctorants que
j’ai encadrés dans ces domaines (Cédric Cornu, Bertrand Gottin) de se rendre compte de l’intérêt pratique
de leurs contributions théoriques, ce qui les a motivé à rejoindre le milieu industriel (Thalès et,
respectivement, EDF). Les domaines applicatifs m’ont permis également d’intensifier mes efforts de
formation par la recherche car une quinzaine des stages Master a été défini dans le cadre des partenariats
mis en place, notamment avec EDF.
En termes de valorisation de ces travaux, des publications en collaborations avec diverses
partenaires ont été générées, ce qui nous a permis de faire connaitre nos contributions dans les
140
4. Applications
communautés des traiteurs du signal mais également industrielle. Un brevet d’invention a été également
déposé et il aboutira, dans l’avenir proche, à une valorisation industrielle.
13.4. Perspectives
Les travaux en perspectives sont définis dans la continuation des contributions auxquelles j’ai
participé. Deux axes majeurs de recherche à caractère applicatif sont définis et dans lesquels je me suis
déjà investi. Le premier est constitué par la tomographie ultrasonore des conduites. Cet axe, défini dans le
cadre d’un programme de collaboration avec EDF (2011-2014) ainsi que dans un projet labellisée par les
pôles de compétitivité Minalogic et Tenerrdis (Smart Hydro Monitoring), se propose de définir un système
temps-réel pour la mesure du profil d’écoulement d’un fluide. Une partie des travaux s’effectue dans le
cadre de la partie finale de la thèse de Florin Birleanu (soutenance prévue en 2012) et dans le cadre de la
thèse Cifre EDF-GIPSA-lab d’Ion Candel (2011-2014, en collaboration également avec Hydro Québéc et
ASL, Vancouver - Canada).
Le deuxième axe est la localisation des sources de transitoires électriques dans des systèmes de
production renouvelable, de stockage et de transport d’énergie. Une des activités actuelles est constituée
par la réalisation d’un brevet sur la localisation des sources de transitoires en utilisant la synchronisation
« naturelle ». Au niveau de collaborations, la localisation des arcs électriques dans des batteries véhicules
électriques a fait l’objet d’un DRT que j’ai encadré en collaboration avec le CEA LETI. Une nouvelle
collaboration, avec G2ELab démarre cette année, dans le cadre d’un projet financé par l’Institut Carnot
« Energies du futur ». L’objectif de ce projet est de réaliser un système de localisation des sources d’arcs
électriques par la fusion des informations de différentes origines physiques – électriques, ultrasonore,
optique.
Enfin, les travaux dans le domaine radar seront continués, toujours dans un cadre collaboratif.
L’objectif suivi est la définition des techniques d’analyse plus performantes pour l’étude des effets micro-
Doppler.
141
4. Applications
142
Partie V
Bilan et perspectives
5. Bilan et perspectives
CHAPITRE 14 : Bilan et perspectives
Cette dernière partie du mémoire présente le bilan synthétique de l’évolution de mes activités
d’enseignement et de recherche ainsi que les perspectives pour la suite de ma carrière.
En terme d’enseignement, je me suis profondément attaché aux enseignements de base en
traitement du signal, ainsi que plus spécialisés (analyse temps-fréquence, compression des données,…),
adaptés aux ingénieurs, que ce soit en formation initiale, master ou continue. Ma forte motivation vient de
mon expérience de recherche appliquée, commencée après la fin de mes études d’ingénieur et lors de mes
activités à l’ENSIETA de Brest. J’ai eu la chance d’enrichir cette expérience après mon arrivée à Grenoble
et elle me permet de renforcer le discours pédagogique avec des exemples applicatifs concrets issus de
mes recherches, l’objectif étant d’illustrer au mieux les principes de la discipline enseignée. Mes
différentes responsabilités pédagogiques, lors des encadrements de stages et lors de mes collaborations
internationales, sont également articulées autour de l’enseignement du traitement du signal de basé et
avancé par des contextes applicatifs d’intérêt actuel et/ou d’avenir pour la société. Mon souhaite est de
continuer dans cette ligne et de contribuer à renforcer la présence de l’applicatif, en concertation avec mes
collègues ainsi qu’avec nos différents partenaires.
Concernant les activités de recherche, la figure 14.1 donne une image du déroulement de ma
carrière, avec les contributions et les faits importants. Tout d’abord, l’ensemble de mes travaux traite le
cas des signaux issus des milieux naturels et/ou des milieux incertains, ce qui se traduit par des cas
d’analyse complexes. Trois cas de figure ont servi, dans l’introduction, à donner une image des problèmes
que j’ai eus à traiter lors de mes travaux, indiquant les difficultés qui sont posées devant les traiteurs du
signal. Les solutions d’analyse ne peuvent demeurer que dans le vaste domaine de l’analyse des signaux
non-stationnaire et c’est la raison pour laquelle le début de mes travaux a commencé par l’étude des
méthodes appartenant à trois grandes classes : l’analyse temps-fréquence linéaire et bilinéaire, les
transformations non-linéaires (les opérateurs warping) et les transformations d’ordre supérieur
(modélisation polynomiale de phase). A partir de ces trois piliers, j’ai bâti ma thèse autour de la
construction des méthodes de caractérisation parcimonieuse des signaux à composantes temps-fréquence
non-linéaires en montrant l’intérêt applicatif de ce type de représentations. La complexité des signaux
réels allant bien au delà de ce que j’avais considérée dans ma thèse, la suite naturelle de mes recherches a
eu, comme fil directeur, l’objectif d’accroitre les possibilités d’analyse des signaux à structures temps-
fréquence complexe, tels que ceux spécifiques aux différents applications que j’ai eu l’occasion d’aborder.
Ainsi, je me suis investi dans trois axes de recherche, en lien avec les thèses de doctorat de Cédric
Cornu et Arnaud Jarrot. Le premier axe a été constitué par le tracking des structures temps-fréquence
arbitraires en utilisant le regroupement des atomes temps-fréquence par un algorithme de type Viterbi. Le
deuxième axe a eu pour objectif la généralisation des opérateurs warping pour des modulations
complexes, par forcement inversibles mathématiquement. Enfin, la définition des distributions à temps
complexe a constitué le troisième axe, développé en collaboration avec nos collègues de l’Université de
Monténégro. Le point commun de ces trois axes a été la motivation d’ordre applicatif de ces travaux car
les domaines de la guerre électronique et l’acoustique sous-marine nous ont permis de définir des scénarii
réalistes pour les formes des signaux à analyser ainsi que des différentes problématiques posées. En retour,
les approchés théoriques ont servi à apporter des contributions dans ces domaines, comme synthétisé sur la
figure 14.1.
L’ensemble de ces axes a été continué en cherchant à mieux analyser les signaux à structures temps-
fréquence non-linéaires. Ainsi, une contribution importante a été constituée par le filtrage temps-fréquence
basé sur le warping généalisé (thèse d’Arnaud Jarrot) qui permet l’extraction des structures temps-
fréquence non-linéaires en utilisant des opérateurs de traitement mono-dimensionnels. Cette contribution
nous a permis de définir la classe des méthodes de suivi temps-fréquence-phase, dans la période 2007-
2010, en utilisant également des techniques de modélisation polynomiale de phase ainsi que le principe du
tracking par la méthode de Viterbi. Cette classe de méthode de suivi temps-fréquence a prouvé son
caractère général ainsi que son efficacité dans des applications diverses, comme synthétisé sur la figure
14.1.
Un autre axe de recherche, développé à partir du concept de warping généralisé, a été l’inférence
des éléments physiques dans la définition de la loi de déformation (thèse Josso, 2007-2010).
143
Figure 14.1. Aperçu synthétique de mes travaux de recherche et des perspectives
Cet axe a montré comment la modélisation physique de la propagation des ondes acoustiques, dans
une configuration dynamique, aide à la construction de l’espace de représentation adéquat à l’extraction
des paramètres physiques. Deux types de contribution ont marqué cette période de travail. Le premier est
l’appui sur la physique pour effectuer une analyse proche du contexte applicatif, ce qui a été valorisé par
des applications diverses, comme montré sur la figure 14.1. Le deuxième est le caractère général de la
configuration physique considérée (source en mouvement, propagation multi-trajets), ce qui permettrait
d’envisager d’autres cas applicatifs.
Un autre axe de recherche, suivi dans le cadre de la thèse de Bertrand Gottin, a été le
développement du concept des distributions à temps complexe et, notamment, son adaptation à un
contexte multi-composantes et aux signaux transitoires. Nous avons mis en évidence l’intérêt de la
propriété de dérivabilité qui permettrait une représentation relativement robuste des signaux transitoires.
Cette contribution a constitué l’approche théorique centrale des travaux applicatifs dans le domaine de la
détection et de la localisation des sources de transitoires électriques dans un réseau de transport d’énergie
ainsi que dans le domaine d’estimation des paramètres hydrauliques. La problématique de caractérisation
des transitoires nous a conduit à intégrer dans nos travaux (notamment, la thèse de Florin Birleanu, 2009-
2012) des éléments d’approches systémiques, en essayant de décrire un phénomène transitoire par une
modification de l’état d’un système. Les résultats préliminaires dans le domaine de la mesure des
paramètres hydrauliques indiquent l’apport notable de ce concept, en cours de développement.
144
En termes de perspectives globales, étant donné le caractère exploratoire de la recherche (que ce soit
théorique et/ou applicative), elles peuvent bien évidement évoluées en fonction des résultats futurs et des
échanges avec la communauté. Mais trois axes sont d’or et déjà définis et mon souhait est de les suivre, en
élargissant les cadres collaboratif théorique et applicatif.
Le premier axe part du concept de l’analyse temps-fréquence-phase qui s’est avéré une technique
d’analyse autonome et efficace pour plusieurs contextes applicatifs. Ces aspects, plus l’efficacité
algorithmique (utilisation des algorithmes exclusivement monodimensionnels), motivent l’implémentation
de ce concept à un niveau transducteur, offrant ainsi l’intelligence à ce niveau. La mise en réseau de ce
type de transducteurs conduira à la définition des réseaux « Smart », ce qui constitue un thème de
recherche actuel (notre implication dans le projet GREENAR). Sur plan théorique, la définition d’un
traitement distribué implique la définition des nouvelles stratégies de fusion d’information afin d’aboutir à
mettre en place les finalités de base du traitement du signal – Détection, Classification, Localisation mais
en contexte distribué.
Le deuxième axe est la caractérisation parcimonieuse des signaux physiques qui consiste à
généraliser et approfondir le lien avec les phénomènes gouvernant le domaine applicatif. Ma motivation
pour cet axe repose sur l’importance de la physique dans la définition d’une représentation sparse d’un
signal. Le principal aspect que je me propose d’explorer est de définir des opérateurs de traitement,
conjugués avec des modèles plus versatiles pour la phase instantanée des composantes d’un signal. Un de
ces modèles pourrait être celui basé sur l’utilisation des fonctions splines. Ces dernières ont la propriété
mathématique intéressante de s’obtenir par la convolution d’une fonction avec elle-même. Une première
idée est de chercher des opérateurs non-linéaires par rapport au signal, mais linéaires par rapport à
la phase du signal. Un point de départ est de considérer des expressions du type suivant,
N
N j ∑ ciφi ( t )
∏ e jφi ( t ) ci
 = e i =1
qui conduiront à une représentation de la phase du signal par une transformation
i =1
linéaire. Le choix de cette transformation pourrait se faire à l’aide des considérations physiques et la
définition d’une approche générale de définition d’une telle transformation, basée sur la physique, est
l’objectif central de cet axe.
Cet axe est actuellement développé, dans le cadre de la thèse d’Ion Candel (2011-2014), dans le
contexte de la mesure des paramètres hydrauliques, comme le profil de vitesse.
Le troisième axe de recherche est constitué par la définition des nouveaux espaces de
représentation des signaux transitoires, ce qui est motivé par la présence et l’intérêt actuel pour ce type
de signaux.
Le point de départ est constitué par le constat suivant : la plupart des méthodes utilisées pour la
caractérisation des transitoires sont des méthodes de projection, c’est-à-dire des décompositions sur un
ensemble de fonction. Un problème conceptuel de ces méthodes est qu’elles nécessitent une statistique
assez riche, c’est-à-dire un nombre élevé de points.
Une solution, déjà investiguée dans le cadre de la thèse de Florin Birleanu et qui sera suivie, vise à
exploiter la représentation dans l’espace de phases. Ainsi, un signal peut être caractérisé de la même
manière qu’une trajectoire, avec un vecteur de position instantanée r(t). Une idée serait alors de
caractériser l’angle d’observation (orientation) de cette trajectoire qui se traduit par une transformation du
signal. En effet, une fois le signal représenté comme une trajectoire, nombre de transformations
géométriques (rotations, homothéties etc.) peuvent être appliquées, ce qui n’est rien d’autre que des
transformations du signal. Cela devrait aboutir à définir des nouveaux opérateurs qui permettront de
regarder le signal transitoire autrement, avec moins de paramètres que le cas d’une représentation
projective.
145
REFERENCES
[André1] M. André, E. Degollada, Effects of Shipping Noise on Sperm Whale Populations, 17 th Annual
Conference of the European Cetacean Society , Las Palmas de Gran Canaria, 2003.
[AG01] A. Aldroubi, K. Grochenig, Non-uniform and reconstruction in shift-invariance spaces, SIAM
Review, 43(4), pp. 585-620, 2001.
[APS95] A. Papandreou, F. Hlawatsch, G. F. Boudreaux-Bartels, "The hyperbolic class of quadratic time-
frequency representations-Part I : Constant-Q warping, the hyperbolic paradigm, properties, and
members", IEEE Trans. on Signal Processing, vol. 41, pp. 3425-3444, Dec. 1995.
[APS00] A. Papandreou-Suppappola, S. Suppappola, Adaptive time-frequency representations for multiple
structures, Proceedings of the 10th IEEE Workshop on Statistical Signal and Array Processing, Pocono
Manor, pp. 579-583, 2000.
[Bar95] R. Baraniuk, "Unitary Equivalence : a new twist on signal processing", IEEE Trans. on Signal
Processing, vol. 43, no. 10, October, 1995.
[Bar98] S. Barbarossa, A. Scaglione, G.B. Giannakis, "Product High-Order Ambiguity Function for
Multicomonent Polynomial-Phase Signal Modeling", IEEE Transactions on Signal Processing, vol. 46,
No. 3, March 1998.
[Boa94] B. Boashash, P.O'Shea, "Polynomial Wigner-Ville distributions and their relationship to time-
varying higher order spectra", IEEE Trans. Signal Processing, vol.42, pp. 216-220, Jan. 1994.
[Cirillo08] L. Cirillo, A. Zoubir, and M. Amin, “Parameter estimation for locally linear FM signals using a
time-frequency Hough transform”, IEEE Trans on Signal Processing, vol. 56, no. 9, pp. 4162–4175, 2008.
[Clark76] J. G. Clark and R. P. Flanagan and N. L. Weinberg. Multipath acoustic propagation with a
moving source in a bounded deep ocean channel. The Journal of the Acoustical Society of America,
60(6):1274-1284, 1976.
[Cornu05] C. Cornu, I. Djurović, C. Ioana, A. Quinquis, LJ. Stanković, “Time-frequency detection using
Gabor filter banks and Viterbi based grouping algorithm”, IEEE International Conference on Acoustic,
Speech and Signal Processing ICASSP 2005,Vol 4, pp. 499-500, Philadelphia, USA.
[Cornu07] C. Cornu, S. Stankovic, C. Ioana, A. Quinquis, LJ. Stankovic, "Generalized Representation of
Phase Derivatives for Regular Signals", IEEE Transactions on Signal Processing, Vol. 55, No. 10, pp.
4831-4838, October 2007.
[Csiszar03] I. Csiszar, F. Matus, Information projections revisited, IEEE Transaction on Information
Theory, 49:1474–1490, 2003.
[Dakovic08] M. Dakovic, T. Thayaparan, S. Djukanovic, LJ. Stankovic, “Time-frequency-based non-
stationary interference suppression for noise radar systems,,” IET Radar, Sonar & Navigation, Vol. 2, No.
4, Aug. 2008, pp. 306-314
[DirectiveEU] DIRECTIVE 2008/56/CE DU PARLEMENT EUROPÉEN ET DU CONSEIL du 17 juin
2008 établissant un cadre d’action communautaire dans le domaine de la politique pour le milieu marin
(directive-cadre «Stratégie pour le milieu marin»).
[Desharnais et al] F. Desharnais, M. Côté, C. J. Calnan, G. R. Ebbeson, D. J. Thomson, N.E.B. Collison,
C. A. Gillard, “Right whale localisation using a downhill simplex inversion scheme”, Canadian Acoustics,
vol 32, no 2, 2004, p 137-145.
[Djurovic01] I. Djurović, Ljubiša Stanković, "Robust Wigner distribution with application to the
instantaneous frequency estimation," IEEE Transactions on Signal Processing (ISSN:1053-587X),
Volume 49, Issue 12, Dec. 2001.
[Djurovic02] I. Djurovic, LJ. Stankovic, “Realization of the Robust Filters in the Frequency Domain”,
IEEE Signal Processing Letters, Vol.9, No.10, Oct.2002, pp.333-335.
[Djurovic09] I. Djurovic, C. Ioana, LJ. Stankovic, P. Wang, “Adaptive Algorithm for Chirp-Rate
Estimation”, EURASIP Journal on Advances in Signal Processing 2009 (2009).
[Djurovic10] I. Djurovic, P. Wang, C. Ioana, “Modification of Robust chirp-rate estimator for impulse
noise environments”, Elseiver Signal Processing, Vol. 90, Issue 5, May 2010, pp. 1730-1736.
146
[Erato10] Gervaise, C., Di Iorio, L., Kinda, B., Stéphan, Y. & Josso, N., "Monitorage acoustique passif
des campagnes d'océanographie acoustique en présence de mammifères marins: exemple de la campagne
ERATO-09", Annales hydrographiques, Vol. 7(776), 2010.
[Flandrin93] P. Flandrin, "Représentations temps-fréquence" , Ed. Hermes, Paris, 1993.
[Flow95] “The Flow and Liquid Level Handbook”, Vol. 29. 1995, Omega Engineering, Inc., Stamford,
CT.
[Gervaise06] C. Gervaise, S. Vallez, Y. Stephan, G. Theuillon, “PASSTIME2005 at sea trial : a passive
acoustic tomography experiment”, Conférence Caractérisation du Milieu Marin, Brest, Octobre 2006.
[Gervaise07] C. Gervaise, S. Vallez, C. Ioana, Y. Stephan, Y. Simard, “Passive acoustic tomography:
review, new concept and applications using marine mammals”, Journal of Marine Biology Association,
U.K (2007), 87, pp. 5-10.
[Gervaise07b] C. Gervaise, S. Vallez, Y. Stephan, Y. Simard, “Robust 2D localization of low-frequency
calls in shallow waters using modal propagation modeling”, Canadian Acoustics Journal, November
2007.
[Gervaise10] C. Gervaise, L. Di Iorio, B. Kinda, Y. Stéphan, and N. Josso, "Monitorage acoustique passif
des campagnes d'océanographie acoustique en présence de mammifères marins: exemple de la campagne
ERATO-09," In press, Annales hydrographiques du SHOM, 2010.
[Gottin08] B. Gottin, C. Ioana, S. Srdjan, LJ. Stankovic, J. Chanussot, “On the concept of time-frequency
distributions based on complex-lag moments”, 16 th European Conference on Signal Processing
EUSIPCO 2008, Lausanne, August, 2008.
[Gottin09] B. Gottin, C. Ioana, J. Chanussot, G. D’Urso, T. Espilit, “Detection and Localization of
Transient Sources: Comparative Study of Complex-Lag Distribution Concept versus Wavelets and
Spectrogram-based Methods”, EURASIP Journal on Advances in Signal Processing, Volume 2009,
Article ID 864185.
[Hermand88] J.P. Hermand, W.I. Roderick, “Delay-doppler resolution performance of large time-
bandwidth-product linear fm signals in a multipath ocean environment”, The Journal of the Acoustical
Society of America, 84(5) :1709–1727, 1988.
[Hla99] F. Hlawatsch, A. Papandreou, G.F. Boudreaux-Bartels, "The power classes- quadratic time-
frequency representations", IEEE Transactions on Signal Processing, vol. 47, pp. 3067-3083, Nov. 1999.
[Huillery08] J. Huillery, F. Millioz, N. Martin, “On the description of Spectrogram Probabilities with a
Chi-Squared Law”, IEEE Transactions on Signal Processing, vol. 56, pp. 2249-2258, June 2008.
[Ioana03] C. Ioana, A. Quinquis, “Transient signal detection using Overcomplete Wavelet Transform and
high order statistics”, Proceedings of IEEE International Conference on Acoustic, Speech and Signal
Processing ICASSP 2003, Vol VI, pp. 449-452, Hong Kong, Avril, 2003.
[Ioana05] C. Ioana, A. Quinquis, « Time-Frequency Analysis using Warped-Based High-Order Phase
Modeling », EURASIP Journal of Applied Signal Processing, Vol. 2005, No. 17, pp. 2856-2873,
September, 2005 (DOI 10.1155/ASP.2005.2856).
[IoanaStankovic05] C. Ioana, S. Stankovic, A. Quinquis, LJ. Stankovic – “Modelling of signal’s time-
frequency content using Warped Complex-Time Distributions”, IEEE International Conference on
Acoustic, Speech and Signal Processing ICASSP 2005, Vol 4, pp.477-480, Philadelphia, USA.
[Ioana06] C. Ioana, A. Quinquis, Y. Stephan, « Feature Extraction from Underwater Signals using Time-
Frequency Warping Operators », IEEE Journal of Oceanic Engineering, Vol. 31, No. 3, pp. 628-646, July
2006 (DOI 10.1109/JOE.2006.875275).
[IoanaJarrot07] C. Ioana, A. Jarrot, A. Quinquis, S. Krishnan,"A watermaking method for speech signals
based on the time-warping signal processing concept", IEEE International Conference on Acoustics,
Speech and Speech Processing, Honolulu, USA, 15-20 April 2007.
[Ioana10] C. Ioana, A. Jarrot, C. Gervaise, Y. Stéphan, A. Quinquis, "Localization in underwater
dispersive channels using the time-frequency-phase continuity of signals". IEEE Transactions on Signal
Processing, 58 (2010) 4093-4107, August , 2010.
[Ioana10b] C. Ioana, C. Gervaise, Y. Stéphan, J. I. Mars, “Analysis of underwater mammal localisations
using time-frequency-phase tracker”, Elseiver Journal on Applied Acoustics, APAC4676, DOI
information: 10.1016/j.apacoust.2010.04.009, June, 2010.
147
[Ioana_radar10] C. Ioana, M.G Amin, F. Ahmad, Y. Zhang, “Characterization of Doppler Effects in the
Context of Over-the-Horizon Radar”, Proceedings of IEEE Conference Radar 2010 - IEEE Conference
Radar 2010, Washington : États-Unis (2010).
[Ioana11] A. Papandreou-Suppappola, C. Ioana, J. Zhang, Chapitre “Time Scale and Dispersive
Processing for Wideband Time-Varying Channels” (pp. 375-416) dans le livre Wireless Communications
over Rapidly Time-Varying Channels, édité par Franz Hlawatsch et Gerald Matz, Academic Press, Mars,
2011.
[Ioana12] C. Ioana, Y. Zhang, M. Amin, F. Ahmad, B. Himed, “Time-frequency analysis of multipath
Doppler signatures of maneuvering targets”, IEEE International Conference on Acoustics, Speech and
Speech Processing, Kyoto, March 2012.
[Jiang06] Y. Jiang, A. Papandreou-Suppappola, “Discrete time-scale characterization of wideband time-
varying systems”, IEEE Transactions on Signal Processing, vol. 54, no. 4, pp. 1364-1375, Apr. 2006.
[Josso09] N. Josso, C. Ioana, J.I. Mars, C. Gervaise, Y. Stéphan, “On the Consideration of Motion effects
in the Computation of Impulse Response for Underwater Acoustics Inversion”, Journal of Acoustic
Society of America, Volume 126, Issue 4, 2009, pp. 1739-1751.
[Josso11] N. Josso, J. Zhang, A. Papandreou-Suppappola, C. Ioana, T. Duman, "Nonstationary System
Analysis Methods for Underwater Acoustic Communications", EURASIP Journal on Advances in Signal
Processing, Vol. 2011, Article ID 807472, 14 pages, 2011. DOI : 10.1155/2011/807472.
[IEC2000] IEC60270:2000/BS EN 60270:2001, “High-Voltage Test Techniques – Partial Discharge
Measurements”.
[Jarrot06] A. Jarrot, C. Ioana, A. Quinquis, "An extension of the class of unitary time–warping projectors
to discrete–time sequences", IEEE International Conference on Acoustic, Speech and Signal Processing
ICASSP 2006, Toulouse.
[Jabloun07] M. Jabloun, F. Leonard, M. Vieira, N. Martin, “A New Flexible Approach to Estimate Highly
Nonstationary Signals of Long Time Duration, IEEE Transactions on Signal Processing, Vol.55, No.7,
July 2007.
[Jarrot07] A. Jarrot, C. Ioana, A. Quinquis, "Toward The Use Of The Time–Warping Principle With
Discrete–Time Sequences", Journal of Computers Academic Publisher (ISSN : 1796-203X), Volume 2,
Issue : 6, pp. 49-55, August 2007.
[Katkovnic96] V. Katkovnik, LJ. Stankovic, “Instantaneous frequency estimation using the Wigner
distribution with varying and data-driven window length”, IEEE Trans. Signal Processing, vol. 46, pp.
2315–2325, Sept. 1998.
[Krivda95] A. Krivda, “Automated Recognition of Partial Discharges”, IEEE Transactions on Dielectrics
and Electrical Insulation, Vol.2, No. 5, October 1995.
[Lagarias98] J. C. Lagarias, J. A. Reeds, M. H. Wright, P. E. Wright, “Convergence properties of the
Nelder-Mead simplex method in low dimensions”, SIAM J. Optim., vol. 9, no. 1, pp. 112–147, 1998.
[Lammers08] Lammers, M.O., Brainard, R.E., Au, W.W.L., Aran Mooney, T., & Wong, K.B. (2008), “An
ecological acoustic recorder (EAR) for long-term monitoring of biological and anthropogenic sounds on
coral reefs and other marine habitats”. J. Acous. Soc. Am., 123, 1720-1728. DOI: 10.1121/1.2836780.
[Laurinelli et al] M. H. Laurinelli, A. Hay, “Localisation of right whale sounds in the workshop Bay of
Fundy dataset by spectrogram cross-correlation and hyperbolic fixing”, Canadian Acoustics, vol 32, no 2,
2004, p 132-136.
[Martin04] N. Martin, M. Durnerin, « Détection de non-stationnarités à l’ordre 2. Chapitre 2.1 », 23 pages.
Ouvrage « Décision temps-fréquence », sous la direction de N. MARTIN et C.DONCARLI. Traité IC2,
Editeur HERMES, Mars 2004.
[Munk et al] Munk W., Worcester P., Wunsch C., “Ocean Acoustic Tomography”, Cambridge University
Press, 1995.
[Nikias95] C.L. Nikias, M. Shao, “Signal Processing with Alpha-stable Distributions and Applications”,
Wiley Edition, New York, 1995.
[O’S02] Peter O’Shea, “A new technique for instantaneous frequency rate estimation”, IEEE Signal
Processing Letters, 9(8):251–252, 2002.
148
[Pace04] P.E. Pace, “Detection and Classifying low Probability of Intercept Radar”, Artech House,
Norwood, 2004.
[Peleg91] S. Peleg, B. Porat, “Estimation and classification of polynomial phase signal", IEEE Trans. on
Information Theory, vol. 37, pp. 422-430, Mar, 1991.
[Porat93] B. Porat, “Digital Processing of Random Signals", Pretince Hall, New Jersey, 1993.
[Ravier01] P. Ravier, P.-O. Amblard, "Wavelets Packets and De-noising Based on Higher-Order-Statistics
for Transient Detection", IEEE Transaction on Signal Processing, Vol. 81/9, pp. 1909-1926, August,
2001.
[Richardson95] W.J. Richardson, C.R. Greene, C.I. Malme, D.H. Thomson, Marine Mammals and Noise,
Academic Press, California, 1995.
[LJStan96] LJ. Stankovic, “L-class of time-frequency distributions,” IEEE Signal Processing Letters, Vol-
3, No.1, Jan.1996, pp.22-25.
[LJStan00] LJ. Stankovic, V. Katkovnik, “Instantaneous frequency estimation using higher order
distributions with adaptive order and window length,” IEEE Trans. Information Theory, Vol.46, No.1,
Jan.2000, pp.302-311.
[LJStan02] LJ. Stankovic, “Time-frequency distributions with complex argument”, IEEE Transactions on
Signal Processing, vol. 50, no.3, pp. 475-486, March 2002.
[LJStan03] LJ. Stanković, I. Djurović, A. Ohsumi, H. Ijima, "Instantaneous Frequency Estimation by
Using Wigner Distribution and Viterbi Algorithm", in Proc. of ICASSP 2003, Hong Kong, China, Apr.
2003, Vol. VI, pp. 121-124.
[LJStan04] L. Stankovic, “Performance analysis of the adaptive algorithm for bias-to-variance tradeoff,”
IEEE Transactions on Signal Processing, vol. 52, no. 5, pp. 1228–1234, 2004.
[Mallat93] S. Mallat, Z. Zhang, “Matching pursuits with time-frequency dictionaries”, IEEE Transactions
on Signal Processing, 41(12) :3397–3415, Dec 1993.
[Shenoy95] R.G. Shenoy, T.W. Parks, Wide-band ambiguity functions and affine wigner distributions,
Signal Processing, 41(3) :339 – 363, 1995.
[Simard10] Y. Simard, R. Lepage, and C. Gervaise, "Anthropogenic sound exposure of marine mammals
from seaways: Estimates for Lower St. Lawrence Seaway, eastern Canada," Journal of Applied Acoustics,
vol. 71, pp. 1093-1098, 2010.
[Stankovic08] S. Stankovic, N. Zaric, C. Ioana, “General form of time-frequency distribution with
complex-lag argument”, IEEE Letters on Signal Processing, Volume 44, Issue 11, May 22, 2008
Page(s):699 - 701
(DOI 10.1049/el:20080902).
[Stankovic09] S. Stankovic, I. Orovic, C. Ioana, “Effects of Cauchy Integral Formula Discretization on the
Precision of IF Estimation: Unified Approach to Complex-Lag Distribution and its Counterpart L-Form”,
IEEE Letters on Signal Processing, Volume 16, Issue 4, April 2009 Page(s):327 - 330
(DOI 10.1109/LSP.2008.2011711).
[Stojanovic03] M. Stojanovic, “Acoustic Underwater Communications”, entry in Encycolpedia of
Telecommunications, John G. Proakis, Ed, John Wiley & Sons, 2003.
[Stojanovic06] M.Stojanovic, “Low complexity OFDM detector for underwater acoustic channels”, IEEE
Oceans Conference, September 2006.
[TBU00] P. Thévenaz, T. Blu, and M. Unser, “Interpolation revisited,” IEEE Transactions on Medical
Imaging, vol. 19, no. 7, pp. 739–758, July 2000.
[Urick83] R.J. Urick, “Principles of Underwater Sound”, 3rd Edition, McGraw-Hill, New York 1983.
[Weiss94] L.G. Weiss, "Wavelets and Wideband Correlation Processing", IEEE Signal Processing
Magazine, pp. 13–32, Jan 1994.
[Westwood96] E. K. Westwood, C. T. Tindle, N. R. Chapman, “A normal mode model for acousto-elastic
ocean environments”, Journal of Acoustic Society of America, Vol. 100, N° 6, December 1996.
[Viterbi67] A. J. Viterbi, "Error bounds for convolutional codes and an asymptotically optimum decoding
algorithm", IEEE Transactions on Information Theory, Vol. 13, pp. 260-269, 1967.
[Whale] http://www.holology.com/whale.html
149
[Woodward80] P.M. Woodward, Probability and Information Theory with Applications to Radar,
Norwood, MA: Artech House, 1980.
[Zhang09] J.J Zhang, A. Papandreou-Suppappola, B. Gottin, C. Ioana, “Time-Frequency Characterization
and Receiver Waveform Design for Shallow Water Environments”, IEEE Transactions on Signal
Processing, Volume 57, Issue 8, Aug. 2009 Page(s):2973 - 2985 (DOI 10.1109/TSP.2009.2020363).
[Zhang et all] Y. Zhang, M.G. Amin, G.J. Frazer, “High-resolution time–frequency distributions for
maneuvering target detection in over-the-horizon radars”, IEE Proc.-Radar Sonar Navigation, Vol. 150,
No. 4, August 2003.
150

HDR Ioana Cornel 12 07 2012

Transféré par

Droits d'auteur :

Formats disponibles

HDR Ioana Cornel 12 07 2012

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

HDR Ioana Cornel 12 07 2012

Transféré par

Droits d'auteur :

Formats disponibles

Caratérisation des signaux non-stationnaires à

composantes temps-fréquence non-linéaires

To cite this version:

HAL Id: tel-00985501

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

L’HABILITATION Á DIRIGER LES RECHERCHES

Spécialité : Traitement du Signal

CARACTERISATION DES SIGNAUX NON-STATIONNAIRES Á COMPOSANTES

Soutenance prévue le 28 Novembre 2012 devant le jury composé de :

Mme Marie CHABERT Maitre de conférence INP Toulouse Rapporteur

3. Activités à caractère collectif…………………………………………….....3

3.5. Organisation d’événements scientifiques………………………………………… 5

4.2. Co-encadrements de thèses de doctorat……………………….. ………………….7

Partie II – Représentation des signaux à structures temps-fréquence

7. Opérateurs de déformation généralisés.....……………………………….31

8. Distributions à temps complexe et méthodes robustes…………….…..43

9. Inférence de la physique dans la représentation des

Partie III – Méthodes de suivi des structures temps-fréquence non-

10. Suivi dans le plan temps-fréquence par des critères énergétiques….....75

11. Suivi dans le plan temps-fréquence par continuité de la phase locale…89

12. Applications dans le domaine sous-marin…………………………..…109

12.2.3. Tomographie océanique passive dynamique………………………………………….119

13. Applications dans les domaines radar et industriels………………….125

13.2.3. Contributions dans les domaines de la mesure des paramètres

Partie V – Bilan et perspectives

14. Bilan et perspectives…………………………..………………………..143

Curriculum Vitae détaillé

2.1 Profil d’enseignement : signaux physiques, non-stationnarité

Cours de base de Traitement du Signal

Enseignements plus spécialisés

2.2 Publications Pédagogiques

Je suis co-auteur de deux polycopiés de TP de Traitement du signal adressés au première et au

3 - Activités à caractère collectif

3.2 Responsable de stages de fin d’études - filière SICOM

3.3 Encadrement de stagiaires

3.4 Participation à des conseils et des commissions

3.5 Organisation d’événements scientifiques

4.2 Co-encadrements de thèses de doctorat

1. Cédric CORNU (Taux d’encadrement - 70%)

Titre de la thèse : Extraction de signaux et caractérisation de lois de phase instantanée : Application

Résumé et points forts de la thèse :

2. Arnaud JARROT (Taux d’encadrement - 80 %)

Résumé et points forts de la thèse :

3. Bertrand Gottin (Taux d’encadrement - 80%)

Titre de la thèse : Analyse multi-capteurs de signaux transitoires issus de systèmes électriques

Résumé et points forts de la thèse :

4. Nicolas Josso (Taux d’encadrement - 40%)

Résumé et points forts de la thèse :

[A19]. La méconnaissance du signal transmis, de la position et de la vitesse de la source acoustique

5. Florin-Marian Birleanu (Taux d’encadrement - 80%)

Titre de la thèse : Nouveaux espaces de représentation des signaux transitoires

6. Ion Candel (Taux d’encadrement - 100%)

7. Florian Dadouchi (Taux d’encadrement - 30%)

Concernant le domaine de la guerre électronique, le partenariat GIPSA-ENSIETA s’est matérialisé par un

4.4. Brevet d’invention et Dépôt de logiciel

automatique, des signaux non-stationnaires composés de plusieurs structures temps-fréquence non-

4.5 Révisions d’articles

4.6 Contrats Industriels

5.2 Articles de Revue