Les machines à vecteurs de support pour la détection de la direction d'arrivée

Abstract

Dans cette thèse nous nous intéressons aux méthodes de détection des angles d’arrivées (DOA, "Direction of Arrival" pour des réseaux d’antennes linéaires et uniformes. Cependant, les résultats de ce travail peuvent être appliqués à d’autres structures de réseaux, où les méthodes classiques sont applicables. Le travail porte principalement sur les méthodes des sous-espaces et leurs combinaisons avec les méthodes d’apprentissage. Nous présentons une nouvelle solution au problème de la détection des angles d’arrivée. Nous établissons une relation théorique entre la méthode de la réponse sans distorsion à variance minimale (MDVR) et la méthode de caractérisation des signaux multiples (MUSIC), ce qui donne naissance à un nouvel algorithme qui combine les avantages des méthodes de sous-espaces avec ceux des Machines à Vecteurs de Support (SVM) : SVM-MUSIC. Ce dernier algorithme offre de bonnes performances, aussi bien dans le cas des signaux cohérents que non cohérents, l’association de l’algorithme qui combine les avantages des méthodes de sous-espaces avec ceux des Machines à Vecteurs de Support (SVM) : SVM-MUSIC. Ce dernier algorithme offre de bonnes performances, aussi bien dans le cas des signaux cohérents que non cohérents, comparé aux méthodes standard. Pour le cas particulier des signaux cohérents, l’association de l’algorithme avec le lissage spatiale, et avec sa forme récursive, exhibe de bons résultats. D’autre part, la régularisation SVM et l’utilisation de la fonction de coût robuste donnent un estimateur avec une meilleure précision comparée à celle des méthodes standard, MUSIC et MDVR, et avec une robustesse améliorée. Nous avons développé la version linéaire et non linéaire de ces algorithmes. Les résultats ses stimulations pour le cas non linéaire montrent que nous pouvons estimer un nombre de sources supérieur au nombre d’antennes.