Cognitive radio refers to the technology that the devices can intelligently access unused frequency resources which are originally reserved for legacy services in order to increase the spectrum utilization. At the mean time, the legacy services should not be affected by the access of cognitive radio devices. The common problems in cognitive radio are how to find unused frequency resources (spectrum sensing) and how to access them (spectrum accessing). This dissertation focuses on the robust methods of spectrum sensing as well as spectrum accessing strategies with the statistics of channel availabilities. The first part of the thesis studies non-parametric robust hypothesis testing problem to eliminate the effect of the uncertainty and instability introduced by non-stationary noise, which is constantly observed in communication systems. An empirical likelihood ratio test with density function constraints is proposed. This test outperforms many popular goodness-of-fit tests, including the robust Kolmogorov-Smirnov test and the Cramér-von Mises test, etc. Examples using spectrum sensing data with real-world noise samples are provided to show their performance. The second part focuses on channel idle time distribution based spectrum accessing strategies. Through the study of the real-world wireless local area network traffic, it is identified that the channel idle time distribution can be modeled using hyper-exponential distribution. With this model, the performance of a single cognitive radio, or the secondary user, is studied when the licensed user, or the primary user, does not react to interference. It is also shown that with the complete information of the hyper-exponential distribution, the secondary user can achieve a desirable performance. But when the model exhibits uncertainty and time non-stationarity, which would happen for any kind of wireless traffic, the secondary user suffers from huge performance loss. A strategy that is robust to the uncertainty is proposed. The performance of this strategy is demonstrated using experimental data. Another aspect of the problem is when the PU is reactive. In this case, a spectrum accessing strategy is devised to avoid large-duration interference to the PU. Additionally, the spectrum accessing strategies are also extended to the cognitive radio networks with multiple secondary users. A decentralized MAC protocol is devised which reaches a total secondary capacity performance close to the optimal. A discussion of the engineering aspects with practical consideration of spectrum sensing and accessing is given at the end. / text

La surveillance des nouveau-nés prématurés placés en unité de soins intensifs a conduit à la notion de monitoring et à l'acquisition de nombreux signaux physiologiques. Si ces informations sont bien utilisées pour le diagnostic et la prévention des situations d'urgence, force est de constater qu'à ce jour, elles le sont beaucoup moins dans un objectif prédictif. La difficulté d'extraction d'informations fiables en temps réel, sans aucun contrôle visuel, à partir de signaux non stationnaires, en est vraisemblablement la cause. Ce mémoire vise donc à proposer des méthodes robustes, adaptées au contexte des unités de soins intensifs néonatals et du temps réel. Pour cela, un ensemble de méthodes génériques appliquées à la variabilité cardiaque, mais capable d'être adaptées à d'autres constantes physiologiques telles que la respiration, ont été développées et testées en contexte clinique. Quatre grandes parties illustrent notre propos : - La proposition d'une méthode originale de détection temps réel probabiliste multicaractéristique permettant de répondre à une problématique d'extraction robuste d'événements d'intérêt à partir de signaux physiologiques bruités. Générique, cette solution est appliquée à la détection robuste du QRS d'un signal ECG. Elle est basée sur le calcul temps réel de plusieurs probabilités a posteriori, concernant les propriétés du signal, qui sont ensuite fusionnées au sein d'un nœud de décision reposant sur l'utilisation pondérée de la divergence de Kullback-Leibler. Comparée à deux méthodes classiques de la littérature sur deux bases de données bruitées, elle obtient un taux d'erreur de détection inférieur (20.91% vs 29.02% (ondelettes) et 33.08% (Pan-Tompkins) sur la base de test). - La proposition d'une méthode impliquant plusieurs modèles semi-markoviens cachés, visant la segmentation de périodes au sein desquelles le détecteur temps réel probabiliste multicaractéristique fournit les détections d'évènements les plus fiables. En comparaison à deux méthodes de la littérature, la solution proposée obtient de meilleures performances, le critère d‘erreur obtenu est significativement plus faible (entre -21.37% et -74.98% selon la base et l'approche évaluée). - La sélection d'un détecteur optimal pour le monitoring d'événements d'apnée-bradycardie, en termes de fiabilité et précocité, à partir de données ECG obtenues chez le nouveau-né. Les performances du détecteur retenu seront comparées aux alarmes générées par un dispositif industriel de suivi continu classiquement utilisé en service de néonatalogie (moniteur Philips IntelliVue). La méthode basée sur le changement abrupt de la moyenne des RR obtient les meilleurs résultats au regard du délai (3.99 s vs 11.53 s pour le moniteur IntelliVue) et de la fiabilité (critère d'erreur de 43.60% vs 80.40%). - La conception et le développement d'une plateforme logicielle SYNaPSE (SYstem for Noninvasive Physiological Signal Explorations) permettant l'acquisition de divers signaux physiologiques en très grande quantité, et de façon non invasive, au sein des unités de soins. La conception modulaire de cette plateforme, ainsi que ses propriétés temps réel, permettent l'intégration simple et rapide de méthodes de traitement du signal complexes. Son intérêt translationnel est montré dans le dépouillement d'une base de données cherchant à étudier l'impact de la bilirubine sur la variabilité cardiaque. / The surveillance of premature newborns placed in intensive care units led to the notion of monitoring and the acquisition of many physiological signals. While this information is well used for the diagnosis and prevention of emergency situations, it must be acknowledged that, to date, it is less the case for predictive purposes. This is mainly due to the difficulty of extracting reliable information in real time, without any visual control, from non-stationary signals. This thesis aims to propose robust methods, adapted to the context of neonatal intensive care units and real time. For this purpose, a set of generic methods applied to cardiac variability, but capable of being adapted to other physiological constants such as respiration, have been developed and tested in clinical context. Four main parts illustrate these points : - The proposal of an original multicharacteristic probabilistic real time detection method for robust detection of interest events of noisy physiological signals. Generic, this solution is applied to the robust QRS complex detection of the ECG signals. It is based on the real time calculation of several posterior probabilities of the signal properties before merging them into a decision node using the weighted Kullback-Leibler divergence. Compared to two classic methods from the literature on two noisy databases, it has a lower detection error rate (20.91% vs. 29.02% (wavelets) and 33.08% (Pan-Tompkins) on the test database). - The proposal of using hidden semi-markovian models for the segmentation of temporal periods with most reliable event detections. Compared to two methods from the literature, the proposed solution achieves better performance, the error criterion obtained is significantly lower (between -21.37% and -74.98% depending on the basis and approach evaluated). - The selection of an optimal detector for the monitoring of apnea-bradycardia events, in terms of reliability and precocity, based on ECG data obtained from newborns. The performance of the selected detector will be compared to the alarms generated by an industrial continuous monitoring device traditionally used in neonatology service (Philips IntelliVue monitor). The method based on the abrupt change of the RR average achieves the best results in terms of time (3.99 s vs. 11.53 s for the IntelliVue monitor) and reliability (error criterion of 43.60% vs. 80.40%). - The design and development of SYNaPSE (SYstem for Noninvasive Physiological Signal Explorations) software platform for the acquisition of various physiological signals in large quantities, and in a non-invasive way, within the care units. The modular design of this platform, as well as its real time properties, allows simple and fast integration of complex signal processing methods. Its translational interest is shown in the analysis of a database in order to study the impact of bilirubin on cardiac variability.

La télédétection par Radar à Synthèse d’Ouverture (RSO) offre une opportunité unique d’enregistrer, d’analyser et de prédire l’évolution de la surface de la Terre. La dernière décennie a permis l’avènement de nombreuses missions spatiales équipées de capteurs RSO (Sentinel-1, UAVSAR, TerraSAR X, etc.), ce qui a engendré une rapide amélioration des capacités d’acquisition d’images de la surface de la Terre. Le nombre croissant d’observations permet maintenant de construire des bases de données caractérisant l’évolution temporelle d’images, augmentant considérablement l’intérêt de l’analyse de séries temporelles pour caractériser des changements qui ont lieu à une échelle globale. Cependant, le développement de nouveaux algorithmes pour traiter ces données très volumineuses est un défi qui reste à relever. Dans ce contexte, l’objectif de cette thèse consiste ainsi à proposer et à développer des méthodologies relatives à la détection de changements dans les séries d’images ROS à très haute résolution spatiale.Le traitement de ces séries pose deux problèmes notables. En premier lieu, les méthodes d’analyse statistique performantes se basent souvent sur des données multivariées caractérisant, dans le cas des images RSO, une diversité polarimétrique, interférométrique, par exemple. Lorsque cette diversité n’est pas disponible et que les images RSO sont monocanal, de nouvelles méthodologies basées sur la décomposition en ondelettes ont été développées. Celles-ci permettent d’ajouter une diversité supplémentaire spectrale et angulaire représentant le comportement physique de rétrodiffusion des diffuseurs présents la scène de l’image. Dans un second temps, l’amélioration de la résolution spatiale sur les dernières générations de capteurs engendre une augmentation de l’hétérogénéité des données obtenues. Dans ce cas, l’hypothèse gaussienne, traditionnellement considérée pour développer les méthodologies standards de détection de changements, n’est plus valide. En conséquence, des méthodologies d’estimation robuste basée sur la famille des distributions elliptiques, mieux adaptée aux données, ont été développées.L’association de ces deux aspects a montré des résultats prometteurs pour la détection de changements.Le traitement de ces séries pose deux problèmes notables. En premier lieu, les méthodes d’analyse statistique performantes se basent souvent sur des données multivariées caractérisant, dans le cas des images RSO, une diversité polarimétrique ou interférométrique, par exemple. Lorsque cette diversité n’est pas disponible et que les images RSO sont monocanal, de nouvelles méthodologies basées sur la décomposition en ondelettes ont été développées. Celles-ci permettent d’ajouter une diversité spectrale et angulaire supplémentaire représentant le comportement physique de rétrodiffusion des diffuseurs présents la scène de l’image. Dans un second temps, l’amélioration de la résolution spatiale sur les dernières générations de capteurs engendre une augmentation de l’hétérogénéité des données obtenues. Dans ce cas, l’hypothèse gaussienne, traditionnellement considérée pour développer les méthodologies standards de détection de changements, n’est plus valide. En conséquence, des méthodologies d’estimation robuste basée sur la famille des distributions elliptiques, mieux adaptée aux données, ont été développées.L’association de ces deux aspects a montré des résultats prometteurs pour la détection de changements. / Remote sensing data from Synthetic Aperture Radar (SAR) sensors offer a unique opportunity to record, to analyze, and to predict the evolution of the Earth. In the last decade, numerous satellite remote sensing missions have been launched (Sentinel-1, UAVSAR, TerraSAR X, etc.). This resulted in a dramatic improvement in the Earth image acquisition capability and accessibility. The growing number of observation systems allows now to build high temporal/spatial-resolution Earth surface images data-sets. This new scenario significantly raises the interest in time-series processing to monitor changes occurring over large areas. However, developing new algorithms to process such a huge volume of data represents a current challenge. In this context, the present thesis aims at developing methodologies for change detection in high-resolution SAR image time series.These series raise two notable challenges that have to be overcome:On the one hand, standard statistical methods rely on multivariate data to infer a result which is often superior to a monovariate approach. Such multivariate data is however not always available when it concerns SAR images. To tackle this issue, new methodologies based on wavelet decomposition theory have been developed to fetch information based on the physical behavior of the scatterers present in the scene.On the other hand, the improvement in resolution obtained from the latest generation of sensors comes with an increased heterogeneity of the data obtained. For this setup, the standard Gaussian assumption used to develop classic change detection methodologies is no longer valid. As a consequence, new robust methodologies have been developed considering the family of elliptical distributions which have been shown to better fit the observed data.The association of both aspects has shown promising results in change detection applications.