Détection et séparation de sources acoustiques en UBF par approches IA

En acoustique sous-marine, la gamme ultra basses fréquences (UBF) concentre de nombreuses sources acoustiques (navires, mammifères marins, séismes…) dont la connaissance est essentielle pour les besoins de classification. Les stations sismologiques de fond de mer (OBS) couvrent cette gamme de fréquences d’intérêt et perçoivent l’ensemble des signaux dans la bande UBF. Nous ambitionnons d’exploiter des stations sismologiques de fond de mer pour effectuer une surveillance passive de l’océan dans la gamme UBF par grands fonds. Il s’agira en effet d’exploiter les signaux d’opportunité enregistrés par les OBS pour détecter et discriminer les sources acoustiques de cette bande UBF. Les données exploitées sont issues du réseau de capteurs RHUM-RUM composé de plus de 50 stations avec 4 composantes échantillonnées de 50 à 100 Hz sur de longues périodes d’enregistrement, et couvrant une superficie de 2000 km x 2000 km. Etant donné le volume important de ces données et leur complexité (très faibles RSB), nous ferons appel aux techniques de l’intelligence artificielle.
La détection de sources dans un environnement très bruité est un défi qui devra être relevé car les signaux à traiter sont de nature non-stationnaire avec des RSB qui peuvent être très faibles. Par ailleurs, en présence de plusieurs origines simultanées, la séparation de sources (SS) et leur discrimination représente un défi méthodologique, en particulier dans le cas mono-capteur (cas sous déterminé). Des techniques de Machine Learning seront particulièrement adaptées pour ce travail.
L’objectif de ce post-doctorat est la détection et la séparation de sources (SS) acoustiques dans la gamme UBF [0-50 Hz]. La détection de présence de sources d’intérêt, par opérateur d’énergie de Teager-Kaiser, sera suivie par l’étape de SS basée sur la méthode NMF (Non-negative Matrix Factorization), qui sera couplée à une étape d’apprentissage. De la part la complexité des sources, plusieurs atomes sont nécessaires pour pouvoir coder chaque source. Enfin, pour pouvoir identifier toutes les sources d’intérêt, une étape de classification sera nécessaire. Ce problème sera traité par des réseaux de neurones profonds (DNN). Pour la construction de DNNs nous exploitons les signatures spectrales des sources d’intérêt.

Projet financé par l’Agence Innovation Défense
Salaire mensuel : environ 2400 euros net

CANDIDATURE : envoyer un CV par mail à Abdel Boudraa (boudra@ecole-navale.fr), Responsable du groupe de recherche MOTIM et Steeve Mazeau (steeve.mazeau@ecole-navale.fr), Service des ressources humaines