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

System identification under non-negativity constraints : applications in adative filtering and hyperspectral image analysis

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

Mots clés

Mots clés contrôlés

Identification des systèmes

Résumé

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

In many real-life phenomena, due to the inherent physical characteristics of systems under investigation, non-negativity is a desired constraint that can be imposed on the parameters to estimate. The objective of this thesis is to investigate theories and algorithms for system identification under side constraints, in particular the non-negativity constraint and sum-toone constraint over the vector of parameters to estimate. The first part of the thesis addresses the problem of online system identification subject to non-negativity constraints. The Non-negative Least-Mean-Square algorithm (NNLMS) and its variants are proposed. The stochastic behavior of these algorithms in non-stationnary environments is analytically studied. Finally, an extension of this approach allows us to derive an LMS-type algorithm with L1-norm regularization The second part of the thesis focuses on a specific system identification problem — nonlinear spectral unmixing, with non-negativity and sum-to-one constraints. We formulate a new kernel-based paradigm that relies on the assumption that the mixing mechanism can be described by a linear mixture of endmember spectra, with additive nonlinear fluctuations defined in a reproducing kernel Hilbert space. A kernel-based algorithm, based on multi-kernel learning, is proposed to determine the fractional abundances of pure materials subject to constraints. Finally, the spatial correlation between spectral signatures of neighboring pixels is used as prior information to improve the performance