FUSION DE DONNEES Théorie et pratique

• Fusion de Données
• Introduction au stage • Combinaison d’informations incertaines • Les théories, des probabilités aux mesures floues • Les opérateurs de combinaison • La fusion robuste • Exemple : tenue de situation passive multicapteurs • Estimation et décision statistique
• Estimation statistique : • Estimateur, critère • Biais, variance, borne de CRAMER-RAO • Lois exponentielles • Maximum de vraisemblance (MV) récursif • Espérance conditionnelle • Estimation du maximum a posteriori (MAP) • Décision statistique : • Motivations et définitions • Problème à hypothèses simples • Critères bayésien et de NEWMAN-PEARSON • Rapport de vraisemblance et de seuils • Problèmes de décision à hypothèses composites • Test UMP - Invariance statistique • Exemples d'application • Désignation d'objectif pour un missile bi-modes • Localisation au moyen de goniomètres répartis • Fusion plots/pistes • Pistage multi capteurs
• Boucle de pistage – Gestion des pistes • Modélisation : Modèles de cibles, d’observation • MLE – Filtre de Kalman - Filtre Bayésien • Filtrage multimodèles (IMM) - Fusion de pistes • Exemple d’application : • Analyse de performances à partir de simulations • Applications air/air et air/surface • Pistage multi capteurs
• Traitement d’association, informations utilisées • Modélisation : approche probabiliste, combinatoire • Algorithmes classiques : PMHT - MHT - Approches bayesiennes - SD - Assigment • Exemples de traitement d’association • Fusion des images
• Traitement d'image • Extraction des caractéristiques et reconnaissance • Synthèse
• Panorama synthétique du stage - Evaluation d’un système multicapteurs - Critères de choix des éléments constitutifs
• Table ronde finale