Recherche sur la détection de signaux acoustiques sous-marins utilisant des méthodes d'apprentissage profond

La détection des signaux acoustiques sous-marins (UWA) est cruciale pour les systèmes sonar, de communication et de navigation, mais elle est confrontée à des défis tels que l'atténuation du signal, le bruit de fond, la propagation par trajets multiples, les effets Doppler et les fluctuations environnementales. Ces facteurs réduisent la portée, la précision et augmentent les taux de fausses alarmes. Les méthodes traditionnelles, basées sur le filtrage, peinent à gérer des modèles de signaux et de bruit non appariés, limitant leur efficacité à longue distance avec une faible probabilité de fausses alarmes.Les techniques d'apprentissage profond (DL) ouvrent de nouvelles perspectives pour améliorer la détection des signaux UWA, mais elles se heurtent à des difficultés telles que la rareté des échantillons et les problèmes d'adaptation au domaine en raison de la variabilité environnementale. Cette recherche aborde les exigences de détection des signaux UWA et propose des solutions pour surmonter les faibles rapports signal/bruit (SNR), les inadéquations des modèles et les défis spécifiques aux méthodes DL, tels que la rareté des données. En intégrant des techniques comme les mécanismes d'auto-attention, l'apprentissage par transfert et le méta-apprentissage, elle explore de nouvelles approches pour améliorer la détection des signaux UWA.Pour pallier le SNR insuffisant et l'inadéquation des modèles dans des environnements fluctuants, cette thèse présente une méthode de détection en deux étapes, utilisant un réseau neuronal entièrement convolutif (FcNet). Les fluctuations des ondes internes augmentent la perte de propagation et la variabilité temporelle, réduisant ainsi le SNR. FcNet utilise une fonction de perte basée sur un SNR invariant à l'échelle (SI-SNR) pour optimiser la réduction du bruit et améliorer la cohérence du signal dans le domaine temporel. L'architecture se compose d'un encodeur, séparateur et décodeur, permettant de réduire le bruit et d'améliorer le signal. Les expériences sur les données ASIAEX et ShipsEar montrent des améliorations significatives dans la détection et la réduction des fausses alarmes.Pour traiter les inadéquations des modèles dues au bruit élevé des navires, la thèse présente deux méthodes : un réseau d'extraction du bruit (NeNet) et un réseau d'auto-attention multi-échelle (MTSA-Net). NeNet se concentre sur la réduction du bruit dominant des navires dans les scénarios à faible SNR, en extrayant directement le sous-espace du bruit pour une meilleure suppression. MTSA-Net utilise des mécanismes d'auto-attention pour capturer les caractéristiques du signal et réduire efficacement le bruit du navire. Les résultats sur les données DeepShip et des essais en mer valident ces approches.Face à la rareté des échantillons UWA et à la difficulté d'adaptation des modèles DL aux domaines spécifiques, cette recherche propose des méthodes exploitant l'apprentissage par transfert et le méta-apprentissage. Les difficultés de collecte de données en UWA, combinées à la grande variabilité de l'environnement marin, limitent l'accès à des ensembles de données de qualité. L'apprentissage par transfert permet d'entraîner les modèles sur des ensembles de données sources avant de les adapter au domaine cible, améliorant ainsi leur efficacité dans des environnements variés. Le méta-apprentissage optimise le processus d'apprentissage, permettant aux réseaux de s'adapter rapidement à des ensembles de petites tailles. Les résultats montrent que ces approches augmentent la généralisation et les performances des modèles dans des scénarios UWA.En résumé, cette thèse propose des méthodes novatrices pour surmonter les limitations actuelles dans la détection des signaux sous-marins à l'aide de techniques d'apprentissage profond. Ces approches permettent d'améliorer la robustesse et la précision de la détection dans des environnements acoustiques sous-marins difficiles.