Thèse soutenue

Méthodes d'identification sous contraintes de non-négativité : application au filtrage adaptatif et à l'analyse d'images hyperspectrales

FR  |  
EN
Auteur / Autrice : Jie Chen
Direction : Paul HoneineCédric Richard
Type : Thèse de doctorat
Discipline(s) : Optimisation et sûreté des systèmes
Date : Soutenance en 2013
Etablissement(s) : Troyes
Ecole(s) doctorale(s) : Ecole doctorale Sciences pour l'Ingénieur (Troyes, Aube)

Mots clés

FR

Mots clés contrôlés

Résumé

FR  |  
EN

En raison des caractéristiques physiques inhérentes à de nombreux systèmes, la nonnégativité est une contrainte désirée, et éventuellement à imposer aux paramètres à estimer dans le cadre d’un problème d’identification. L'objectif de cette thèse est d'étudier les théories et algorithmes relatifs à cette question. La première partie de la thèse traite du problème d'identification en ligne soumis à la contrainte de non-négativité. L’algorithme Nonnegative Least-Mean-Square (NNLMS) et ses variantes sont proposés. Le comportement stochastique de ces algorithmes en environnement non-stationnaire est étudié analytiquement. Enfin, une extension de ces développements permet de proposer un nouvel algorithme de type LMS avec régularisation par la norme L1. La deuxième partie de la thèse porte sur un problème d’identification concernant un système spécifique : le démélange non-linéaire en imagerie hyperspectrale, avec les contraintes de non-négativité et de somme unité des fractions d’abondance caractérisant le mélange. On formule un nouveau modèle de mélange, associant un modèle linéaire à un terme de fluctuations non-linéaires définies dans un espace de Hilbert à noyau reproduisant. Un algorithme basé sur l’apprentissage de noyaux multiples est proposé afin de déterminer les abondances des composés purs constituant le mélange. Enfin, la corrélation spatiale entre pixels est utilisée comme information apriori pour améliorer les performances