Doctorant en traitement du signal (Machine Learning / Radar) Lanvéoc, France

A propos

Établissement public à caractère scientifique, culturel et professionnel sous tutelle du ministère des Armées, l’École Navale est une école militaire située sur la presqu’île de Crozon, dans le Finistère.

L’École Navale accueille chaque année environ 300 élèves officiers de marine et assure la formation de plusieurs spécialités maritimes du personnel de la Marine nationale. Elle est également ouverte sur l’extérieur en assurant une dimension « recherche », en partenariat avec le monde de l’industrie. L’école s’appuie à ce titre sur l’institut de recherche navale (IRENav, UR 3634). Ce sont environ 370 personnes civiles et militaires qui concourent à ces différentes missions et participent ainsi au développement de l’École Navale, dans l’écosystème de l’enseignement supérieur, de la recherche et de l’innovation.

La direction de la recherche et de l’innovation de l’École Navale est le support de la recherche et de la formation et est composée d’un Institut de recherche (IRENav) spécialisé dans les sciences de l’ingénieur, d’une équipe en sciences humaines et sociales, de chaires industrielles et d’une cellule innovation. L’Institut de Recherche de l’École navale (IRENav) est le support de la recherche et de la formation scientifique. Il est labellisé par l’HCERES dans le cadre de la contractualisation des laboratoires Arts et Métiers. Ses équipes de recherche s’inscrivent dans deux domaines liés au secteur maritime : la modélisation et le traitement de l’information maritime (équipe MOTIM), la mécanique et l’énergie en environnement naval (équipe M2EN).

Pour répondre à sa mission, l’École Navale recherche un(e) doctorant(e) en traitement du signal. En complément de ses travaux de recherche, le (la) doctorant(e) assurera une mission d’enseignement annuelle de 64 heures équivalent TD. Il/Elle interviendra principalement dans les domaines de formation en traitement du signal et des images et en programmation (Python, Matlab) au profit des élèves de l’établissement.

Votre mission

L’ENSEIGNEMENT

Au sein du département de formation scientifique et technique, le/la doctorant(e) assure une charge d’enseignement annuelle maximale de 64 heures équivalent TD sous forme de travaux pratiques (TP), travaux dirigés (TD) ou encadrement de projets. Ces interventions s’effectuent dans le cadre de la formation d’ingénieur des élèves-officiers de l’École Navale (niveau L3, M1 et M2). Elles peuvent aussi concerner les masters soutenus par l’École Navale (niveau M1 et M2).

La personne recrutée effectue son enseignement au sein du département d’enseignement traitement de l’information maritime de l’École navale. Elle intervient dans les enseignements scientifiques des sciences de l’ingénieur relevant par exemple du domaine du traitement de l’information et ses applications (Traitement du signal et des images, programmation, IA, automatique).

En complément, le (la) doctorant(e) est amené(e) à proposer et encadrer des projets de recherche d’élèves ingénieurs et masters. Il (elle) sera membre de jurys d’évaluation.

LA THESE

1.     Sujet : Analyse des émissions Radar impulsionnelles par écoute passive : Application à la guerre électronique

2.     Contexte

Cette thèse s’inscrit dans l’axe de recherche émergeant du groupe de recherche MOTIM autour de la guerre électronique et l’intelligence artificielle.

Le renseignement d’origine électromagnétique (ROEM) constitue la composante de la guerre électronique (GE) pour son aspect renseignement obtenu à partir de l’interception d’ondes radioélectriques. L’émission d’énergie électromagnétique est inhérente à la mise en œuvre d’aéronefs, de tout système d’armes, d’information ou de communication. On distingue classiquement deux grandes catégories d’informations : le renseignement basé sur l’interception des communications COMINT (COMmunication INTelligence) qui comprend toutes les émissions radioélectriques pouvant être traduites en langage humain et le renseignement non discursif ELINT (ELectronic INTelligence) qui concerne les signaux électroniques émis par les divers radars, systèmes d’armes ou systèmes de navigation. Plus précisément dans le cadre d’ELINT, l’étude approfondie des signaux interceptés permet d’identifier les émetteurs, leurs capacités opérationnelles, et le cas échéant, l’état d’engagement des systèmes d’armes qui y sont rattachés. L’intérêt est double en permettant, d’une part, de détecter en temps réel les systèmes de pénétration ennemis (avions, missiles etc.) par identification des émissions radars en provenance de ces derniers. Cet aspect est qualifié de « renseignement de situation » et suppose, en général, une réponse à brève échéance qui relève prioritairement du domaine tactique. Et, d’autre part, en fournissant des informations en temps différé sur les systèmes de défense adverses ELINT permet d’entretenir les capacités de nos propres forces de pénétration : « renseignement de documentation » destiné à alimenter des bases de données à des fins plutôt stratégiques.

3.     Objectifs scientifiques

Le travail de recherche proposé s’oriente vers les activités de recueil d’informations à partir d’émissions électromagnétiques de type impulsionnel et donc essentiellement vers le domaine du radar (ELINT). L’objectif recherché à travers cette thèse consiste à proposer une méthode automatisée capable d’assurer l’extraction aveugle (sans connaissances a priori), à partir d’une ambiance électromagnétique potentiellement complexe, des impulsions issues d’un même radar (problématique du désentrelacement de trames radar) puis de caractériser la séquence d’évolution des paramètres interpulse voire intrapulse, et le cas échéant, notamment si le capteur intègre une chaîne interférométrique, de déterminer la localisation des émetteurs. Implicitement, l’algorithme développé doit prendre en compte les formes d’onde complexes c’est-à-dire des formes d’onde dont les caractéristiques (largeur d’impulsion, période de répétition, fréquence etc.) évoluent en fonction de lois déterministe ou éventuellement pseudo aléatoire.

Les méthodes d’extraction sont encore, de nos jours, largement basées sur des techniques de Clustering réalisées à partir des différents paramètres interpulse. La détermination de la loi suivie par la période de répétition des impulsions demeure l’une des caractéristiques principales affectant les capacités d’un système radar et constitue donc l’un des points clé de l’analyse ELINT. L’identification de la loi en question est menée à partir d’histogrammes élaborés à partir des intervalles de répétition des impulsions et elle consiste à ajuster la largeur des classes afin d’essayer d’obtenir un profil répertorié. Les résultats sont d’autant meilleurs que la quantité d’information est importante or pour accroitre la discrétion des radars modernes, avec notamment l’introduction de l’agilité, le nombre d’impulsions interceptées a tendance à diminuer.

De plus, la perte de l’information chronologique d’arrivée des impulsions par ces techniques d’histogrammes, notamment lorsque le nombre d’impulsions est faible, constitue une difficulté supplémentaire. Une solution envisagée serait de considérer les temps d’arrivée comme une série temporelle et de lui appliquer les algorithmes classiques de pistages multicibles à partir d’une représentation d’état (Interacting Multiple Modelref, filtrage particulaire etc .). De nouvelles difficultés apparaissent alors, telles que l’initialisation du filtre, la sensibilité de la méthode aux impulsions manquantes et parasites et la nécessité de connaître a priori le type de modulations recherchées. Plusieurs solutions ont cependant été présentées dans la littérature pour atténuer les effets des impulsions manquées et parasites. Il n’en demeure pas moins que ces méthodes sont pénalisées par les capacités de calcul nécessaires pour traiter de manière réaliste l’ambiance électromagnétique d’un théâtre d’opérations où le nombre d’impulsions est colossal. Toutefois elles restent d’actualité pour identifier des modulations complexes où seul un faible nombre d’impulsions est disponible.

4.     Collaboration avec DGA/MI

La nécessité de disposer de données expérimentales réalistes ainsi que l’appui d’experts métier pour que cette étude puisse être valorisée constituent, a priori, une difficulté majeure. Cependant, les installations de simulation et d’évaluation dont dispose DGA/MI ainsi que son expertise dans leur mise en œuvre et, d’une manière générale, en guerre électronique en font un potentiel partenaire naturel. Cette collaboration permettra également à DGA/MI de disposer des résultats de l’étude notamment en ce qui concerne l’application des méthodes basées sur l’intelligence artificielle à la problématique de détection et de classification des micro-modulations involontaires.

5.     Démarche envisagée

La principale contribution de cette thèse concerne le désentrelacement des trames radar en étudiant, d’une part, les apports d’une analyse détaillée des caractéristiques intrapulse extraites du signal en bande de base, et d’autre part, certaines caractéristiques de la modulation engendrées par le matériel, ces deux approches venant en complément des techniques plus classiques basées sur les paramètres interpulse. Les représentations intrapulse ainsi obtenues, basées sur les concepts énumérés ci-après, et incluant le mode de compression d’impulsion constitueraient des attributs caractéristiques du signal origine et seraient utilisées pour entraîner un réseau de neurones profond afin de reconnaitre automatiquement l’émetteur. Le principe utilisé pourrait se rapprocher, par exemple, de ce qui a été réalisé pour la reconnaissance faciale appelée «eigenfaces» à savoir : prétraitement des données pour les homogénéiser suivi d’une décomposition en valeurs singulières (ACP, deep clustering etc.) avec sélection des vecteurs propres les plus significatifs et enfin l’apprentissage supervisé de la matrice de projection. La classification est alors réalisée en comparant les attributs du signal en entrée à ceux des signaux connus correspondants aux vecteurs propres.

En ce qui concerne l’analyse intrapulse, plusieurs pistes novatrices, mentionnées ci-dessous, peuvent être envisagées et constituent des verrous scientifiques :

·         Prise en compte du micro-Doppler sous la forme d’une micro-modulation parasite due aux mouvements de porteur.

·         Analyse de la technique de compression d’impulsion mise en œuvre et de potentiels motifs transitoires signant de la fréquence instantanée à l’aide de méthodes d’analyse spectrale haute résolution.

·         Analyse des récurrences de phases de la fréquence instantanée.

·         Calcul de la variance multi-échantillons (variance d’Allan etc.) des divers bruits engendrés par les composants de l’émetteur (bruit de phase) et caractérisation univoque de l’émetteur par la contribution respective des différents types de bruits.

En plus des caractéristiques intrapulse ci-dessus, un intérêt peut être porté à la recherche de certains « défauts » liés au matériel en étudiant, par exemple, le déphasage et/ou le déséquilibre de gain entre les voies I/Q.

Enfin, lorsque le désentrelacement des trames radars est réalisé, l’identification des lois régissant les variations des diverses caractéristiques interpulse ou même intrapulse, dans le cas de radar à compression d’impulsion, est réalisée à partir de méthodes d’apprentissage automatique. Les méthodes basées sur l’utilisation d’un dictionnaire comportant les modulations potentielles constituent une réponse adaptée au problème.

La méthode sera testée et évaluée d’une part grâce à des données simulées et d’autre part en utilisant des mesures réalistes en collaboration avec DGA /MI. Enfin, une solution également envisageable consisterait à se rapprocher des organismes étatiques traitant de telles données.

5.     Références

[1] M. Mottier, Transport optimal : une application au processus de reconnaissance RADAR pour désentrelacer les impulsions RADAR et identifier les émetteurs, Thèse de Doctorat, Université Paris-Saclay, 2024.

[2] M. Mottier, G. Chardon and F. Pascal, Radar emitter classification with optimal transport distances, EUSIPCO, pp. 1871-1875, 2022.

[3] M. Mottier, G. Chardon and F. Pascal, Deinterleaving Radar emitters with optimal transport distances, IEEE Trans. Aerospace and Electronic Syst., vol. 60, no. 3, pp. 3639-3651, 2024.

[4] L. Lesieur, J.M. Le Caillec and A. Khenchaf, Evaluation of a two-step clustering method for Radar pulse deinterleaving, IEEE Conference on Antenna Measurements and Applications, pp.1047-1051, 2023.

[5] J.W. Han and C.H. Park, A Unified method for deinterleaving and PRI modulation recognition of Radar pulses based on deep neural networks, IEEE ACCESS, vol. 9, pp. 89360-89375, 2021.

[6] P. Lang, X. Fu, J. Yang and J. Dong, A novel Radar signals sorting method via residual graph convolutional network, IEEE Signal Processing Letters, vol. 30, no. pp. 753-757 2023.

[7] Q. Guo, S. Huang, L. Qi, Y. Wang and M. Kaliuzhnyi, A Radar pulse train deinterleaving method for missing and short observations, Digital Signal Processing, vol. 141, pp. 1-12, 2023.

[8] K. Chi, J. Shen, Y. Li, Y. Li and S. Wang, Multi-function Radar signal sorting based on complex network, IEEE Signal Processing Letters, vol. 28, pp. 91-95, 2021.

[9] X. Dong, Y. Liang and J. Wang, Distributed clustering method based on spatial information, IEEE ACCESS, vo. 10, pp. 53143-53152, 2022.

[10] M. Xie, C. Zhao, X. Han, Z. Wang and D. Hu, Separation of interleaved pulse stream based on directed acyclic graphs, IEEE Signal Processing Letters, vol. 30, pp. 613-617, 2023.

[11] M.A. Nuhoglu and H.A. Cirpan, Radar signal seinterleaving in electronic warfare systems: A combined approach, IEEE ACCESS, vol. 11, pp. 142043-14206, 2023.

[12] Q. Guo, L. Teng, X. Wu, L. QI and W. Song, Deinterleaving of Radar pulse based on implicit feature, Journal of Systems Engineering and Electronics, vol. 34, no. 6, pp.1537–1549, 2023.

[13] J.B. Moore and V. Krishnamurthy, Deinterleaving pulse trains using discrete-time stochastic dynamic-linear models, IEEE Trans. Sig. Proc., vol. 42, no. 11, pp. 3092-3103, 1994.

[14] M.A. Nuhoglu, Y.K. Alp, M.E.C. Ulusoy and H.A. Cirpan, Image segmentation for Radar signal Deinterleaving using deep learning, IEEE Trans. Aerospace and Electronic Syst., vol. 59, no. 1, pp. 541-554, 2023.

[15] J. Young, A. Høst-Madsen and E.M. Nosal, Deinterleaving of mixtures of renewal processes, IEEE Trans. Sig. Proc. vol. 67, no. 4, pp. 885-898, 2019.

[16] Z.M. Liu, Pulse deinterleaving for multifunction Radars with hierarchical deep neural networks, IEEE Trans. Aerospace and Electronic Syst., vol. 57, no. 6, pp. 3585-3599, 2021.

[17] Z.M. Liu and P.S. Yu, Classification, denoising, and deinterleaving of pulse streams with recurrent neural networks, IEEE Trans. Aerospace and Electronic Syst., vol. 55, no. 4, pp. 1624-1639, 2019.

[18] W. Cheng, O. Zhang, J. Dong, C. Wang, X. Liu and G. Fang, An enhanced algorithm for deinterleaving mixed Radar signals, IEEE Trans. Aerospace and Electronic Syst., vol. 57, no. 6, pp. 3927-3940, 2021.

[19] X. Li, Z. Liu and Z. Huang, Deinterleaving of pulse streams with denoising autoencoders, IEEE Trans. Aerospace and Electronic Syst., vol. 56, no. 6, pp. 4767-4778, 2020.

[20] Z. Ge, X. Sun, W. Ren, W. Chen and G. Xu, Improved algorithm of Radar pulse repetition interval Deinterleaving based on pulse correlation, IEEE ACCESS, vol. 7, pp. 30126-30134, 2019.

[21] H. Xiang, F. Shen and J. Zhao, Deep TOA mask-based recursive Radar pulse deinterleaving, IEEE Trans. Aerospace and Electronic Syst., vol. 59, no. 2, pp. 989-1006, 2023.

[22] M. Zhu, S. Wang and T. Li, Model-based representation and deinterleaving of mixed Radar pulse sequences with neural machine translation network, IEEE Trans. Aerospace and Electronic Syst., vol. 58, no. 3, pp. 1733-1752, 2022.

[23] W. Chao, S. Liting, L. Shan and H. Zhiahao, A Radar signal seinterleaving method based on semantic segmentation with neural network, IEEE Trans. Sig. Proc., vol. 70, pp. 5806-5820, 2022.

[24] J.W. Han and C.H. Park, A unified Method for Deinterleaving and PRI modulation recognition of Radar pulses based on deep neural networks, IEEE ACCESS, vol. 9, pp. 89360-89375, 2021.

[25] V.C. Chen, F. Li, S. Ho and H. Wechsler, Micro-doppler effect in Radar : Phenomenon, model, and simulation study, IEEE Trans. Aerospace and Electronic Syst., vol. 42, no. 1, pp. 2-21, 2006.

[26] J.P. Eckmann, S. Oliffson Kamphorst and D. Ruelle, Recurrence plots of dynamical systems, Europhysics Letters, vol. 4, pp. 973-977, 1987.

[27] N. El-Sheimy, H. Hou and X. Niu, Analysis and modeling of inertial sensors using Allan variance, IEEE Trans. Instrumentation and Measurement, vol. 57, no. 1, pp. 140-149, 2008.

[28] D.W. Allan, Statistics of atomic frequency standards, Proc. IEEE, vol. 54, no. 2, pp. 221–230, 1966.

[29] H. Mardia, New techniques for the deinterleaving of repetitive sequences, IEE Proceedings F-Radar and Signal Processing, IET, vol. 136, pp. 149–154, 1989.

Le profil idéal

LE PROFIL SOUHAITÉ :

Diplôme : Master Recherche en Traitement du signal ou Diplôme d’ingénieur dans le domaine.

Compétences :

–          Intérêt pour la recherche scientifique et pour l’enseignement.

–          Intérêt pour les applications des domaines du Radar et des Télécommunications.

–          Bonnes capacités relationnelles, dynamisme.

–          Bonne capacité rédactionnelle, bon niveau en anglais.

SPÉCIFICITÉS DU POSTE

Environnement d’école de formation initiale d’officiers.

Charge d’enseignement annuelle maximale de 64h ETD.

Nous rejoindre, c’est notamment bénéficier des avantages suivants :

–          Une restauration sur place (avec une participation employeur)

–          Un comité d’entreprise du ministère des Armées

–          Une indemnité de difficulté d’accès

–          Une protection sociale complémentaire

–          Une desserte maritime gratuite depuis la base navale de Brest

–          Un travail sur site distant possible depuis l’antenne de Brest et une possibilité de télétravail

–          Des congés pendant les périodes de vacances scolaires

Poste basé à Lanvéoc-Poulmic

Contrat doctoral de 36 mois assorti d’une mission d’enseignement annuelle de 64 heures équivalent TD

Rémunération mensuelle 2 625,14 € brut/mois – 2 109,82 € net/mois

Les candidatures (curriculum vitae, lettre de motivation, et lettres de recommandations le cas échéant) sont à transmettre sous référence « E5032 Doctorant ML RADAR » avant le 01/12/2024.

Pour toute information, vous pouvez adresser un mail à recrutement@ecole-navale.fr