Le travail présenté dans ce mémoire est dédié à la localisation d'un signal dans le plan temps-fréquence. Plus précisément, nous proposons de déterminer le support temps-fréquence d'un signal d'intérêt, non stationnaire, déterministe et inconnu, noyé dans un bruit gaussien additif, centré et de fonction d'autocorrélation inconnue. Le support temps-fréquence accessible d'un signal est défini comme l'ensemble des points temps-fréquence pour lesquels le signal d'intérêt admet une énergie au moins supérieure à celle du bruit. De cette définition naîssent deux éléments qu'il est nécessaire de préciser : quel est l'énergie du bruit d'une part et que signifie "au moins supérieure" d'autre part? Dans tout ce travail, le spectrogramme est choisi pour représenter les signaux dans le plan temps-fréquence.<br /><br />Nous choisissons de résoudre ce problème de localisation au moyen d'un test binaire d'hypothèses, formulé en chaque point du plan temps-fréquence. Le seuil de détection correspondant à ce test doit alors être déterminé : d'après les lois de probabilité des coefficients du spectrogramme d'une part, en lien avec la puissance du bruit d'autre part et, enfin, selon un critère de détection approprié.<br /><br />La première étude concerne le comportement statistique des coefficients du spectrogramme. Dans le contexte d'un bruit non blanc et non stationnaire, la densité de probabilité des observations est ainsi formulée.<br /><br />La densité specrale de puissance du bruit apparaît naturellement comme l'un des paramètres de cette densité de probabilité. Dans une seconde étude, une méthode d'estimation de ce bruit est proposée. Elle se base sur le comportement statistique des plus petits coefficients du spectrogramme.<br /><br />Cet ensemble de connaissances nous permet finalement de résoudre le test d'hypothèses dont la solution naturelle au sens du maximum de vraisemblance fait apparaître le rapport d'énergie entre le signal et le bruit en chaque point du plan temps-fréquence. Ce rapport signal sur bruit local permet dès lors de préciser la condition "au moins supérieure" relative au support temps-fréquence accessible du signal.<br /><br />L'algorithme de localisation temps-fréquence qui résulte de ce travail permet finalement de retenir le support temps-fréquence du signal d'intérêt sur l'ensemble duquel le rapport signal sur bruit est supérieur à une valeur choisie a priori.

Le travail réalisé dans le cadre de cette thèse a pour but de caractériser des signaux aléatoires, rencontrés dans le domaine aérien et sous-marin, en s'appuyant sur une approche statistique. En traitement du signal, l'analyse statistique a longtemps été fondée sous l'hypothèse de Gaussianité des données. Cependant, ce modèle n'est plus valide dès lors que la densité de probabilité des données se caractérise par des phénomènes de queues lourdes et d'asymétrie. Une famille de lois est particulièrement adaptée pour représenter de tels phénomènes : les distributions α-stables. Dans un premier temps, les distributions α-stables ont été présentées et utilisées pour estimer des données synthétiques et réelles, issues d'un sondeur monofaisceau, dans une stratégie de classification de fonds marins. La classification est réalisée à partir de la théorie des fonctions de croyance, permettant ainsi de prendre en compte l'imprécision et l'incertitude liées aux données et à l'estimation de celles-ci. Les résultats obtenus ont été comparés à un classifieur Bayésien. Dans un second temps, dans le contexte de la surveillance maritime, une approche statistique à partir des distributions α-stables a été réalisée afin de caractériser les échos indésirables réfléchis par la surface maritime, appelés aussi fouillis de mer, où la surface est observée en configuration bistatique. La surface maritime a d'abord été générée à partir du spectre d'Elfouhaily puis la Surface Équivalente Radar (SER) de celle-ci a été déterminée à partir de l'Optique Physique (OP). Les distributions de Weibull et ont été utilisées et comparées au modèle α-stable. La validité de chaque modèle a été étudiée à partir d'un test de Kolmogorov-Smirnov.

Le travail réalisé dans le cadre de cette thèse a pour but de caractériser des signaux aléatoires, rencontrés dans le domaine aérien et sous-marin, en s’appuyant sur une approche statistique. En traitement du signal, l'analyse statistique a longtemps été fondée sous l'hypothèse de Gaussianité des données. Cependant, ce modèle n'est plus valide dès lors que la densité de probabilité des données se caractérise par des phénomènes de queues lourdes et d'asymétrie. Une famille de lois est particulièrement adaptée pour représenter de tels phénomènes : les distributions α-stables. Dans un premier temps, les distributions α-stables ont été présentées et utilisées pour estimer des données synthétiques et réelles, issues d'un sondeur monofaisceau, dans une stratégie de classification de fonds marins. La classification est réalisée à partir de la théorie des fonctions de croyance, permettant ainsi de prendre en compte l'imprécision et l'incertitude liées aux données et à l'estimation de celles-ci. Les résultats obtenus ont été comparés à un classifieur Bayésien. Dans un second temps, dans le contexte de la surveillance maritime, une approche statistique à partir des distributions α-stables a été réalisée afin de caractériser les échos indésirables réfléchis par la surface maritime, appelés aussi fouillis de mer, où la surface est observée en configuration bistatique. La surface maritime a d'abord été générée à partir du spectre d'Elfouhaily puis la Surface Équivalente Radar (SER) de celle-ci a été déterminée à partir de l'Optique Physique (OP). Les distributions de Weibull et ont été utilisées et comparées au modèle α-stable. La validité de chaque modèle a été étudiée à partir d'un test de Kolmogorov-Smirnov. / The purpose of this thesis is to characterize random signals, observed in air and underwater context, by using a statistical approach. In signal processing, the hypothesis of Gaussian model is often used for a statistical study. However, the Gaussian model is not valid when the probability density function of data are characterized by heavy-tailed and skewness phenomena. A family of laws can fit these phenomena: the α-stable distributions. Firstly, the α-stable distribution have been used to estimate generated and real data, extracted from a mono-beam echo-sounder, for seabed sediments classification. The classification is made by using the theory of belief functions, which can take into account the imprecision and uncertainty of data and theirs estimations. The results have been compared to a Bayesian approach. Secondly, in a context a marine surveillance, a statistical study from the α-stable distribution has been made to characterize undesirable echo reflected by a sea surface, called sea clutter, where the sea surface is considered in a bistatic configuration. The sea surface has been firstly generated by the Elfouhaily sea spectrum and the Radar Cross Section (RCS) of the sea surface has been computed by the Physical Optics (PO). The Weibull and distributions have been used and the results compared to the α-stable model. The validity of each model has been evaluated by a Kolmogorov-Smirnov test.