Advances in statistical signal processing for infrasound events - PASTEL - Thèses en ligne de ParisTech Accéder directement au contenu
Thèse Année : 2016

Advances in statistical signal processing for infrasound events

Avancées récentes en traitement statistique du signal appliquées à l'estimation et la détection d'ondes infrasonores

Résumé

The core of this thesis is the infrasound signal processing and particularly the estimation and detection using a sensor array. The themes presented here are well-suited to experimentation and we tried, as much as possible, to illustrate the theoretical results with real data. The first part describes the implications and difficulties of infrasonic detection. We review the state-of-the-art of detection techniques based on hypothesis testing and supplement them with the aim of automatic detection. The second part of this thesis highlights the error on the angle of arrival estimation due to considering the arrays as planar (common approximation). In response to this problem, a new estimator considering the full geometry of the array and including an a priori on the speed of the infrasonic wave is derived and studied. We show that the described estimator significantly improve performance. The third part introduces the modeling of infrasonic signal as autoregressive process. This modeling allows us to derived a sequential approach to detect infrasound based on the beamforming and the detection of abrupt changes. The last part of this manuscript aims to propose an alternative "signal'' model. We present new results highlighting a phenomenon of loss of coherence of the signals recorded by different sensors. This work leads to the generation of synthetic infrasonic signal in order to study the performance of the detection algorithms.
Le coeur de cette thèse fait l'objet du traitement de signaux infrasonores et plus particulièrement de l'estimation et de la détection à l'aide d'un réseau de capteurs. Les thèmes abordés ici sont propices à l'expérimentation et nous avons essayé, autant que possible, d'illustrer les résultats théoriques obtenus à l'aide de données réelles. La première partie vise à décrire les implications et les difficultés liées à la détection de sources infrasonores. La littérature offrent déjà de nombreuses techniques de détection basées sur le test d'hypothèses qui sont alors exposées et complétées dans une optique de détection automatique. La seconde partie de cette thèse met en avant les erreurs de l'estimation de l'angle d'arrivée d'une onde lorsque les altitudes des capteurs d'une station sont ignorées (approximation courante). En réponse à ce problème, une estimation basée sur la géométrie complète de la station et comportant un a priori sur la vitesse de l'onde est dérivée et étudiée. L'estimation mentionnée ci-dessus permet de significativement améliorer les performances. Dans la troisième partie, nous introduisons la modélisation du signal infrasonore par un processus stationnaire de type autoregressif. Cette modélisation permet ensuite de développer une approche séquentielle pour la détection infrasonore basée sur le beamforming et la détection de hangement abrupte. La dernière partie de ce manuscrit a pour but de proposer un modèle "signal'' alternatif au modèle de retard pur. Il est présenté de nouveaux résultats mettant en avant un phénomène de perte de cohérence des signaux enregistrés par différents capteurs. Ces travaux aboutissent sur l'élaboration de méthodes de simulations de signaux synthétiques réalistes pour l'étude des performances des détecteurs infrasonores.

Mots clés

Fichier principal
Vignette du fichier
these-adrien_nouvellet.pdf (13.83 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-01492873 , version 1 (20-03-2017)

Identifiants

  • HAL Id : tel-01492873 , version 1

Citer

Adrien Nouvellet. Advances in statistical signal processing for infrasound events. Signal and Image processing. Télécom ParisTech, 2016. English. ⟨NNT : 2016ENST0011⟩. ⟨tel-01492873⟩
251 Consultations
212 Téléchargements

Partager

Gmail Facebook X LinkedIn More