UVF4B101 : Traitement statistique avancé de l'information - Automne 2016/2017


Retour
Programmé en FIP 3A IR Automne
MR 2A SISEA-I Automne
MR 2A SISEA-S Automne
MR 2A MARS Automne
IG 3A Automne
EDF04B101
  Présentation
 
La théorie de la décision statistique (machine learning) est au centre des méthodes du traitement de signal. Dans ce cours, on présente les notions de détection, estimation et classification. Les critères usuels de décision (maximum de vraisemblance, maximum a posteriori, minimum d'erreur quadratique moyenne) sont exposés, puis appliqués dans le cas de signaux gaussiens. Les méthodes EM et MCMC sont abordées. L'estimation linéaire en moyenne quadratique joue un rôle important dans les méthodes de traitement, qui conduit à la notion de filtrage optimal. Deux cas sont examinés : le filtre numérique non récursif de Wiener, utilisable pour des signaux stationnaires, et le filtre numérique récursif de Kalman, qui peut être étendu à des signaux non stationnaires. Le filtrage particulaire, s'appliquant à des systèmes linéaires à bruit non gaussien est introduit. Une autre modélisation, faisant appel à des modèles de Markov cachés à états discrets, est examinée, menant à l'emploi de l'estimateur de Baum-Welch et une classification contextuelle utilisant l'algorithme de Viterbi. L'UV s'intéresse aussi aux méthodes permettant d'analyser le comportement de signaux aléatoires non stationnaires simultanément en temps et en fréquence. La transformation de Fourier à court terme est la méthode qui, historiquement, a été la première utilisée. L'examen de la distribution énergétique en temps et en fréquences permet de définir une véritable transformation Temps-Fréquence, dite de Wigner-Ville. L'analyse Temps-Echelle a renouvelé cette vision par l'emploi d'Ondelettes continues et discrètes, qui conduisent à une analyse multirésolution du signal. Du filtrage statistique peut être développé selon ce principe, ainsi que des méthodes de compression.

Objectifs pédagogiques :
- connaître les principales méthodes statistiques utilisées pour prendre des décisions (machine learning) dans un contexte de traitement de signal, de communications numériques ou de traitement d'images
- être capable de comprendre et d'analyser des algorithmes utilisant le traitement statistique de la décision en traitement de signal, communications et traitements d'images
- être capable de modéliser un problème d'ingénierie en utilisant des méthodes statistiques
- être capable de proposer une solution optimale à un problème en signal, communications et images

Pré-requis :
Connaissances en probabilités et statistiques
Connaissances en filtrage numérique

Modalités d'évaluation :
Contrôle écrit pour 50%, évaluation d'un projet (STP) pour 50%

Méthode pédagogique :
- traditionnelle : cours, PC, TD
- micro-projet à la carte faisant appel à différentes qualités : synthèses, analyse, expérimentation

Références bibliographiques :
Fundamentals of statistical signal processing. Vol.1 : estimation theory. Vol.2 : detection theory. Steven M. Kay. Prentice Hall

Machine Learning - A Probabilistic Perspective (Adaptive Computation and Machine Learning series). Kevin P. Murphy. MIT 2012.

Crédits ECTS : 6

Volume horaire programmé : 60 h

Travail estimé hors séances programmées : 40 h

Volume horaire total : 100 h
 
Objectifs pédagogiques :
  • Connaître les principales méthodes statistiques utilisées pour prendre des décisions dans un contexte de traitement de signal, de communications numériques ou de traitement d'images
  • Être capable de comprendre et d'analyser des algorithmes utilisant le traitement statistique de la décision en traitement de signal, communications et traitements d'images
  • Modéliser un problème d'ingénierie en utilisant, en concevant et en évaluant des méthodes statistiques
  • Proposer une solution optimale à un problème en signal, communications et images
Localisation  : BREST
Responsable  : Thierry CHONAVEL
Filière(s)  : F4B
Credits FIP 3A IR  : 6
Credits IG 3A  : 6
Dernière màj le 24-OCT-16 par RETIF
  Modules
 
Code Intitulé
Title
Responsable
Coordinator
Co-resp. Etat
State
Date màj
Last update
F4B101A Traitement statistique avancé de l'information T.Chonavel D.Pastor Validée 07-03-16

IMT Atlantique
Campus de Brest
Technopôle Brest-Iroise
CS 83818
29238 Brest Cedex 3
France

Tél  +33 (0)2 29 00 11 11
Fax +33 (0)2 29 00 10 00