Fusion de données et réseaux de neurones : application au pistage radar

• Auteur / Autrice : Michel Winter
• Direction : Gérard Favier
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'ingénieur
• Date : Soutenance en 1999
• Etablissement(s) : Nice
• Partenaire(s) de recherche : Autre partenaire : Université de Nice-Sophia Antipolis. Faculté des sciences
• Jury : Examinateurs / Examinatrices : Philippe Collard, Catherine Fargeon, Ludovic Martinet
• Jury : Rapporteurs / Rapporteuses : Claude Jauffret, Christian Jutten

Mots clés

Mots clés contrôlés

Traitement du signal

Optimisation combinatoire

Fusion multicapteurs

Réseaux neuronaux (informatique)

Résumé

L'objectif de cette thèse est d'étudier les apports possibles du connexionisme à la fusion de données. Pour ce faire, nous avons été amenés à dégager une structure commune aux différents systèmes de fusion que l'on peut rencontrer dans la littérature scientifique, ce qui nous a permis de faire apparaître un problème récurrent : l'association des données. Ce problème, également appelé problèmes de l'affectation multi-dimensionnelle, est NP-complet, ce qui signifie qu'il est impossible d'en obtenir la solution optimale en un temps polynomial. Nous avons proposé plusieurs approches neuronales pour le résoudre, en faisant porter plus particulièrement notre effort sur une approche dérivant du modèle de Hopfield, pour laquelle il a été possible de montrer que la solution délivrée à la convergence vérifie les contraintes de notre problème d'affectation. Dans une deuxième partie, nous avons appliqué notre approche neuronale à un problème réel : le pistage radar. Nous avons montré que le pistage par maximum de vraisemblance peut être ramené à un problème d'affectation multi-dimensionnelle, si bien qu'il est possible de réaliser l'optimisation de la vraisemblance à l'aide de notre approche neuronale. Deux extensions de cette méthode de pistage ont également été développées : la fusion de pistes semblables, qui permet de réduire la complexité de l'optimisation de la vraisemblance, et la prise en compte d'attributs de plots. Quant au pistage multicapteur, un problème d'association des données est également à résoudre pour décider des pistes monocapteurs qui représentent la même cible. Nous avons tout d'abord proposé deux critères neuronaux de fusion dédiés spécifiquement à ce problème, puis nous avons montre comment utiliser notre approche neuronale pour le problème de l'affectation multi-dimensionnelle dans le cadre du pistage multicapteur.

The aim of this thesis is to study possible applications of neural networks to data fusion. In the first part, we studied data fusion applications in order to derive a global structure. It appeared that a problem seems to be independent of the domain of the application: the data association problem, also known as the multi-assignment problem. It is NP-complete, that is to say that is not possible to reach the optimal solution, is of great interest in this case. We proposed several neural solutions for this assignment problem, and we specially focused on a Hopfield based network. We demonstrated that the obtained solution respect the constraint of the assignment problem and some simulations showed that it yields better results than other proposed neural solutions. In a second part, we applied our neural network to a real world problem: the radar target tracking. We demonstrated that the maximum likehood tracking method can be reduced to an assignement problem that our neural approach can solve. We developped the corresponding tracking method and we compared its performances with two classical tracking methods: the NN filter and the JPDA filter. We also proposed two extensions to our tracking method: the fusion of similar tracks in order to reduce the optimization complexity, and the incorporation of plots attributs. Concerning the multisensor radar tracking, a data association is also to be solved in order to decide which monosensors tracks correspond to the same target. We first proposed two neural criterions specially dedicated to this multisensor association problem,and then we showed how our neural approach for the multiassignment problem can be used in the multisensor tracking context.