Annonce

Les commentaires sont clos.

Stage M2 (+ thèse CIFRE) : Apprentissage automatique pour la reconnaissance de signaux de communication acoustiques sous-marins

24 Octobre 2024


Catégorie : Stagiaire


Dans le cadre d’un projet commun, Naval Group et IMT Atlantique s’associent pour proposer sujet de stage qui sera suivi d’une thèse CIFRE à la rentrée 2025-2026

Lieu du stage : Naval Group, Ollioules, France
Durée : 4 à 6 mois (printemps 2025)


Contexte
La connaissance et l’exploitation de l’environnement marin constitue un enjeu majeur du 21e siècle, tant du point de vue économique que pour des questions d’écologie des espaces maritimes, d’aménagement et de préservation du littoral, ou encore de sécurité du territoire. Étant données leurs bonnes propriétés de propagation sous l’eau, les ondes acoustiques sont le support privilégié pour l’inférence et la transmission d’informations dans l’environnement sous-marin. Dans ce contexte, la caractérisation du paysage sonore sur une zone donnée est primordiale pour de nombreuses applications comme l’analyse de la pollution sonore anthropique, l’étude d’espèces biologiques ou la détection de menaces. Ainsi, il est important de pouvoir détecter et identifier toutes les sources sonores actives sur zone. Du fait du déploiement croissant de capteurs télé-opérés (drones, bouées dérivantes ou autres), de plus en plus de signaux de communication figurent parmi ces sources sonores d’intérêt.
La littérature scientifique sur la reconnaissance aveugle de signaux de communication est relativement abondante [1]. Toutefois, celle-ci se limite en grande partie à des contextes de communications radio-fréquences terrestres et n’est pas directement applicable sous l’eau. En effet, le canal de propagation acoustique sous-marin (ASM) peut fortement distordre les signaux transmis et modifier les signatures usuelles utilisées pour la reconnaissance [2]. De plus, du fait de l’hétérogénéité de l’environnement ASM, les méthodes de reconnaissance doivent être généralisables en maintenant des performances de classification élevées même lorsque les distributions des données d’apprentissage diffèrent significativement des celles utilisées en contexte opérationnel. Enfin, certaines classes de modulation sont propres au contexte ASM.

Travail à réaliser
L’objectif du stage est d’étudier des méthodes de reconnaissance de modulation adaptées au contexte ASM. Le travail consistera à :
1. Réaliser un état de l’art des méthodes utilisées dans le contexte acoustique sous-marin.
2. Mettre en place une base de données de signaux pour l’apprentissage et les tests.
3. Identifier et implémenter des stratégies de reconnaissance offrant un potentiel intéressant de généralisation [3,4].
4. Valider ces méthodes sur des données expérimentales mises à disposition [5].
Le stagiaire sera encadrée par une équipe qui possède une longue expérience en analyse aveugle de signaux de communication et en acoustique sous-marine.


Profil recherché
• Actuellement en formation en master 2 ou en dernière année de cycle ingénieur dans l’un ou plusieurs des domaines suivants : traitement du signal et de l’information, télécommunications, intelligence artificielle, mathématiques, électronique.
• Programmation en Matlab et/ou Python
• Rigueur, autonomie, analyse, capacités rédactionnelles.
Les missions impliquant une participation à l'exercice de prérogatives de puissance publique, notamment en matière de défense nationale, le profil recherché devra être de nationalité française.


Candidature
CV, lettre de motivation et relevé de notes à envoyer à : François-Xavier Socheleau (fx.socheleau@imt-atlantique.fr), Philippe Courmontagne (philippe.courmontagne@naval-group.com) et Aurélien Bonvard (aurelien.bonvard@naval-group.com).

Références
[1] : Zhu, Z., & Nandi, A. K. (2015). Automatic modulation classification: principles, algorithms and applications. John Wiley & Sons.
[2] : Socheleau, F. X. (2022). Cyclostationarity of Communication Signals in Underwater Acoustic Channels. IEEE Journal of Oceanic Engineering.
[3]: Snoap, John A., et al. "Deep-Learning-Based Classification of Digitally Modulated Signals Using Capsule Networks and Cyclic Cumulants." Sensors 23.12 (2023): 5735.
[4]: Snoap, John A., Dimitrie C. Popescu, and Chad M. Spooner. "Novel Nonlinear Neural-Network Layers for High Performance and Generalization in Modulation-Recognition Applications." arXiv preprint arXiv:2308.06886 (2023).
[5] : van Walree, P. A., Socheleau, F. X., Otnes, R., & Jenserud, T. (2017). The watermark benchmark for underwater acoustic modulation schemes. IEEE journal of oceanic engineering, 42(4), 1007-1018.