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
Le spectre électromagnétique est porteur de nombreux signaux d’origine humaine. La quantité et la diversité de ces signaux et des contextes EM encouragent à évaluer des méthodes d’apprentissage statistique pour encoder et discriminer les signaux. Ce stage s’inscrit dans la recherche de méthodes s’appuyant exclusivement ou partiellement sur des réseaux de neurones pour détecter, représenter et séparer des signaux électromagnétiques quelconques. Bien que pensées pour des signaux radar, les méthodes implémentées seront transposables dans de nombreux domaines (e.g. acoustique).
La première partie du stage sera dédiée à une initiation aux signaux radar ainsi qu’à une recherche bibliographique centrée sur l’emploi de réseaux de neurones pour détecter et discriminer des signaux [1]. Un intérêt particulier sera alors accordé aux méthodes développées pour des signaux électromagnétiques et s’appuyant sur des réseaux de neurones à valeurs complexes (CVNN) [2]. 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. Le réseau de neurones résultant de cette implémentation sera ensuite intégré dans GNU Radio, comme cela a déjà été fait dans la littérature [3].
Le stage pourra éventuellement déboucher sur l’évaluation du réseau de neurones proposé sur des signaux réels issus d’un capteur type USRP déjà mis en œuvre par le DEMR, ainsi que sur la rédaction et la publication d’un preprint décrivant le développement et les performances obtenues sur HAL et arXiv. Ce preprint pourra servir de support pour une présentation ultérieure lors d’un workshop ou d’une conférence telle que le FOSDEM ou la GRCon. La/le stagiaire bénéficiera de l’infrastructure de calcul de l’ONERA, dont un cluster Slurm doté de nœuds GPU. Les expériences seront implémentées en Python, la partie deep learning devant s’appuyer sur PyTorch.
https://w3.onera.fr/stages/sites/default/files/2025-11/stage-DEMR-2026-12.pdf
[1] O’SHEA, Timothy James, ROY, Tamoghna, et CLANCY, T. Charles. Over-the-air deep learning based radio signal classification. IEEE Journal of Selected Topics in Signal Processing, 2018, vol. 12, no 1, p. 168-
179.
[2] TRABELSI, Chiheb, BILANIUK, Olexa, ZHANG, Ying, et al. Deep Complex Networks. International Conference on Learning Representations. 2018.
[3] VALLANCE, Phil, OH, Erebus, MULLINS, Justin, et al. « TorchSig: A GNU Radio Block and New Spectrogram Tools for Augmenting ML Training ». Proceedings of the GNU Radio Conference. 2024.
