Théories de l'incertain et fusion de données multicapteurs

Auteur(s) :

Appriou, Alain (1952-....) Découvrir l'auteur

Résumé

Après un point sur les théories de la fusion multicapteur, un ensemble d'opérateurs est ensuite détaillé pour chaque fonctionnalité particulière (modélisation des données, gestion de la fiabilité des informations, gestion de référentiels d'analyse...).

Éditeur(s)
- Hermès science publications
- Lavoisier
Date
- 2014
Notes
- Bibliogr. Index
Langues
- Français
Description matérielle
- 1 vol. (247 p.) : illustrations en noir et blanc ; 24 x 17 cm
Collections
- SEE, Société des électriciens et électroniciens
Sujet(s)
- Fusion multicapteurs
ISBN
- 978-2-7462-3198-6
Indice
- 621.4 Électronique appliquée, théorie du signal
Quatrième de couverture
- En matière d'observation, l'exploitation coordonnée de capteurs multiples permet de répondre aux exigences croissantes des systèmes complexes, que ce soit en termes d'environnement ou de besoins opérationnels. Tirer profit de la diversité des informations, des capacités complémentaires de leurs différentes sources requiert néanmoins le développement de fonctionnalités spécifiques et l'intégration de données imparfaites.
  Dans ce contexte, cet ouvrage considère l'ensemble des problèmes soulevés par l'élaboration de traitements multicapteurs. Il propose une suite de modules génériques dont l'association permet de fournir une chaîne complète de traitement adaptable à chaque situation.
  L'efficacité des méthodes dégagées repose sur l'aptitude des différentes théories de l'incertain à n'extraire et à n'utiliser que la partie pertinente des données disponibles, grâce au potentiel propre de chacune de ces théories, mais surtout grâce aux synergies qu'il est possible d'établir entre elles.
Tables des matières
- - Théories de l'incertain et fusion de données multicapteurs
  - Alain Appriou
  - Hermes Science
  - Lavoisier
  - Introduction9
  - Chapitre 1. La fusion multicapteur15
  - 1.1. Les enjeux15
  - 1.2. Les problématiques18
  - 1.2.1. Interprétation et modélisation des données21
  - 1.2.2. Gestion de la fiabilité23
  - 1.2.3. Propagation de la connaissance23
  - 1.2.4. Association de données ambiguës24
  - 1.2.5. Combinaison de sources26
  - 1.2.6. Prise de décision28
  - 1.3. Les solutions32
  - 1.3.1. Panorama des théories utiles32
  - 1.3.2. Architectures de traitement35
  - 1.4. Positionnement de la fusion multicapteur37
  - 1.4.1. Spécificités du problème37
  - 1.4.2. Applications de la fusion multicapteur38
  - Chapitre 2. Formalismes de référence41
  - 2.1. Probabilités41
  - 2.2. Sous-ensembles flous44
  - 2.3. Théorie des possibilités48
  - 2.4. Théorie des fonctions de croyance52
  - 2.4.1. Les fonctions de base53
  - 2.4.2. Quelques cas particuliers utiles55
  - 2.4.3. Conditionnement - Déconditionnement57
  - 2.4.4. Raffinement - Grossissement58
  - Chapitre 3. Gestion des référentiels et propagation des informations61
  - 3.1. Les sous-ensembles flous : propagation de l'imprécision61
  - 3.2. Probabilités et possibilités : même démarche pour l'incertitude64
  - 3.3. Fonctions de croyance, une vision synthétique en matière de propagation65
  - 3.3.1. Un opérateur générique : l'extension66
  - 3.3.2. Elaboration d'une fonction de masse spécificité minimale68
  - 3.3.3. Exploitation directe de l'opérateur d'extension71
  - 3.4. Exemple d'application : la mise à jour des connaissances dans le temps72
  - Chapitre 4. Gestion de la fiabilité des informations77
  - 4.1. Le point de vue possibiliste78
  - 4.2. L'affaiblissement des fonctions de croyance79
  - 4.3. Gestion intégrée de la fiabilité80
  - 4.4. Gestion des domaines de validité des sources82
  - 4.5. Application à la fusion de pixels d'images multispectrales87
  - 4.6. Formulation pour les problèmes d'estimation90
  - Chapitre 5. Combinaison de sources95
  - 5.1. Probabilités : une solution clé en main, l'inférence bayésienne96
  - 5.2. Sous-ensembles flous : la maîtrise des axiomatiques98
  - 5.3. Théorie des possibilités : une approche simple des grands principes106
  - 5.4. Théorie des fonctions de croyance : les approches classiques109
  - 5.5. Approche générale de la combinaison : référentiels et logiques quelconques115
  - 5.6. Gestion du conflit119
  - 5.7. Retour sur le paradoxe de Zadeh123
  - Chapitre 6. Modélisation des données127
  - 6.1. Caractérisation des signaux128
  - 6.2. Probabilités : une prise en compte immédiate130
  - 6.3. Fonctions de croyance : un cadre ouvert et fédérateur131
  - 6.3.1. Intégration des données dans le processus de fusion131
  - 6.3.2. Problème générique : modélisation des C_ij134
  - 6.3.3. Modélisation des mesures avec apprentissage stochastique137
  - 6.3.4. Modélisation des mesures avec apprentissage flou142
  - 6.3.5. Synthèse des modèles pour les fonctions de croyance145
  - 6.4. Possibilités : une approche similaire150
  - 6.5. Application à un exemple didactique de classification154
  - Chapitre 7. Classification : décision et exploitation de la diversité des sources d'information161
  - 7.1. Décision : choix de l'hypothèse la plus vraisemblable162
  - 7.2. Décision : détermination de l'ensemble le plus vraisemblable d'hypothèses164
  - 7.3. Comportement de l'opérateur décision : quelques exemples pratiques166
  - 7.3.1. Premier exemple167
  - 7.3.2. Deuxième exemple168
  - 7.3.3. Troisième exemple168
  - 7.4. Exploitation de la diversité des sources d'information : la synthèse de comparaisons binaires169
  - 7.5. Exploitation de la diversité des sources d'information : classification à partir de référentiels distincts mais recouvrants173
  - 7.6. Exploitation de la diversité des attributs : exemple d'application à la fusion d'images aéroportées182
  - Chapitre 8. Dimension spatiale : l'association des données187
  - 8.1. L'association des données : un problème multiforme, incontournable en fusion multicapteur188
  - 8.2. Elaboration d'une méthode générale d'association des données191
  - 8.3. Exemple simple de mise en oeuvre de la méthode197
  - Chapitre 9. Dimension temporelle : le pistage203
  - 9.1. Pistage : exploitation des atouts de la fusion multicapteur203
  - 9.2. Expression du filtre bayésien209
  - 9.2.1. Fenêtrage statistique210
  - 9.2.2. Mise à jour210
  - 9.2.3. Prédiction211
  - 9.3. Traitement de discrimination des signaux212
  - 9.3.1. Fusion au niveau de chaque case de résolution213
  - 9.3.2. Fusion au niveau de la fenêtre de validation215
  - 9.3.3. Synthèse d'une mise en oeuvre pratique du traitement de discrimination217
  - 9.4. Extensions du MSF de base219
  - 9.4.1. Association de données219
  - 9.4.2. Poursuite conjointe de cibles multiples220
  - 9.4.3. Filtrage multimodèle222
  - 9.5. Exemples de mise en oeuvre222
  - 9.5.1. Pouvoir d'extraction223
  - 9.5.2. Maîtrise des signatures mal connues225
  - 9.5.3. Pistage sur observations spatialement ambiguës227
  - Conclusion. Quelques bonnes pratiques231
  - Bibliographie237
  - Index243
Origine de la notice:
- Electre