L’unité MATS du département DEMR (Département Electromagnétisme et Radar) est en charge du développement de méthodes de traitement pour les différents moyens expérimentaux du département. Ces traitements sont dédiés aux signaux émis et reçus par des capteurs électromagnétiques (EM).
Sujet
Un radar primaire fonctionne en émettant un signal défini par une forme d’onde dont il va ensuite identifier les échos lors d’une phase dédiée à la réception. Un problème classique consiste donc en la détection du motif émis dans le signal reçu, ce qui mène typiquement à l’emploi du filtre adapté, théoriquement optimal pour des hypothèses simples. Un seuil de détection adaptatif peut être défini pour détecter des cibles dans un contexte électromagnétique réel porteur de bruit et d’interférences. La détermination d’un seuil adaptatif pertinent peut toutefois s’avérer complexe lorsque du fouillis et plusieurs cibles se situent dans un voisinage rapproché. Des approches classiques ont été mises en avant par la littérature scientifique pour répondre à cette complexité sans pour autant répondre à tous les cas admissibles [1] [2]. Ce stage vise ainsi à rigoureusement comparer les performances de détection atteintes par des méthodes de détection à seuil adaptatif classiques avec une méthode innovante construite sur un réseau de neurones. La comparaison s’orientera vers des cas de cibles multiples pouvant mettre en défaut les hypothèses des méthodes classiques.
La première partie du stage sera dédiée à une initiation aux signaux et à la détection radar, ainsi qu’à une recherche bibliographique centrée sur l’emploi de réseaux de neurones pour détecter des signaux. Un intérêt particulier sera accordé aux méthodes développées pour des signaux électromagnétiques et s’appuyant sur des réseaux de neurones à valeurs complexes (CVNN) [3]. La seconde partie du stage sera consacrée à l’implémentation d’une approche spécifiée en concertation avec l’encadrant du stage, celle-ci devant s’appuyer sur des signaux simulés qui seront générés par la/le stagiaire. La/le stagiaire bénéficiera de l’infrastructure de calcul de l’ONERA, dont un cluster Slurm doté de nœuds GPU.
https://w3.onera.fr/stages/sites/default/files/2025-11/stage-2026-13.pdf
Ce travail bénéficiera de premiers travaux réalisés sur le sujet que la/le stagiaire pourra choisir de complètement ou partiellement réutiliser. Il pourra éventuellement déboucher sur la rédaction d’une publication scientifique. L’ensemble des implémentations sera programmé en Python, la partie deep learning devant s’appuyer sur PyTorch.
[1] ROHLING, H. Radar CFAR thresholding in clutter and multiple target situations. IEEE Transactions on
Aerospace Electronic Systems, 1983, vol. 19, p. 608-621.
[2] SHOR, Mordechai et LEVANON, Nadav. Performances of order statistics CFAR. IEEE Transactions on
Aerospace and Electronic Systems, 1991, vol. 27, no 2, p. 214-224.
[3] TRABELSI, Chiheb, BILANIUK, Olexa, ZHANG, Ying, et al. Deep Complex Networks. International
Conference on Learning Representations. 2018.
