• Langue : Français
• Discipline : Automatique et Informatique industrielle
• Identifiant : Inconnu
• Type de thèse : Doctorat
• Date de soutenance : 01/01/1998

Résumé en langue originale

La theorie classique de la detection repose sur le postulat de centralisation de l'information qui suppose que l'information ainsi que le traitement qui lui est applique soient regroupes en un meme lieu. Une alternative a la structure centralisee a ete developpee sous la forme d'architectures imposees pour lesquelles le traitement est decompose en plusieurs etapes. Par exemple, dans le cas d'une architecture parallele, chaque source elabore un resume de son observation, qui est ensuite transmis a un operateur central de decision. Dans ce travail, nous rappelons les resultats importants de la theorie de la detection en distinguant les differentes architectures rencontrees dans la litterature : la detection centralisee, decentralisee parallele et serie. Lors de l'optimisation de ces systemes, deux criteres sont employes : le critere de bayes et celui de neyman-pearson. Les architectures decentralisees n'ont pour l'instant pu etre optimisees que pour des systemes comportant peu de capteurs et en supposant l'independance des observations. Partant de l'analogie entre les systemes de communication numeriques et les systemes de detection, nous proposons l'introduction d'un critere entropique dans les systemes de detection. Nous demontrons que les differentes architectures de detection peuvent alors etre optimisees en utilisant un critere base sur l'entropie conditionnelle de shannon. L'utilisation de l'entropie ayant ete justifiee, nous proposons d'introduire une phase d'apprentissage dans les problemes de detection. Nous suggerons de limiter le nombre de capteurs a prendre en compte lors de l'optimisation du systeme de detection. Parmi tous les capteurs disponibles, nous ne faisons intervenir que ceux apportant de l'information au processus de decision. D'autre part, nous proposons des methodes d'optimisation rapides des systemes de detection decentralisee parallele. Ces techniques d'optimisation sont ensuite etendues au probleme de la quantification repartie.