Théories de l'incertain et fusion de données multicapteurs
Coll. SEE

Auteur :

Directeurs de Collection : SEE , DUBUISSON Bernard

Langue : Français
Couverture de l'ouvrage Théories de l'incertain et fusion de données multicapteurs

Thème de Théories de l'incertain et fusion de données multicapteurs

79,00 €

En stock : expédition en 24h !

Ajouter au panierAjouter au panier
Date de parution :
Ouvrage 248 p. · 16.3x24 cm · Relié · 
ISBN : 9782746231986 EAN : 9782746231986
Hermes Science

Résumé de Théories de l'incertain et fusion de données multicapteurs

En matière d’observation, l’exploitation coordonnée de capteurs multiples permet de répondre aux exigences croissantes des systèmes complexes, que ce soit en termes d’environnement ou de besoins opérationnels. Tirer profit de la diversité des informations, des capacités complémentaires de leurs différentes sources requiert néanmoins le développement de fonctionnalités spécifiques et l’intégration de données imparfaites. Dans ce contexte, cet ouvrage considère l’ensemble des problèmes soulevés par l’élaboration de traitements multicapteurs. Il propose une suite de modules génériques dont l’association permet de fournir une chaîne complète de traitement adaptable à chaque situation.

L’efficacité des méthodes dégagées repose sur l’aptitude des différentes théories de l’incertain à n’extraire et à n’utiliser que la partie pertinente des données disponibles, grâce au potentiel propre de chacune de ces théories, mais surtout grâce aux synergies qu’il est possible d’établir entre elles.

Sommaire de Théories de l'incertain et fusion de données multicapteurs

Introduction

Chapitre 1. La fusion multicapteur

1.1. Les enjeux

1.2. Les problématiques

1.3. Les solutions

1.4. Positionnement de la fusion multicapteur

Chapitre 2. Formalismes de référence

2.1. Probabilités

2.2. Sous-ensembles flous

2.3. Théorie des possibilités

2.4. Théorie des fonctions de croyance

Chapitre 3. Gestion des référentiels et propagation des informations

3.1. Les sous-ensembles flous : propagation de l’imprécision

3.2. Probabilités et possibilités : même démarche pour l’incertitude

3.3. Fonctions de croyance, une vision synthétique en matière de propagation

3.4. Exemple d’application : la mise à jour des connaissances dans le temps

Chapitre 4. Gestion de la fiabilité des informations

4.1. Le point de vue possibiliste

4.2. L’affaiblissement des fonctions de croyance

4.3. Gestion intégrée de la fiabilité

4.4. Gestion des domaines de validité des sources

4.5. Application à la fusion de pixels d’images multispectrales

4.6. Formulation pour les problèmes d’estimation

Chapitre 5. Combinaison de sources

5.1. Probabilités : une solution clé en main, l’inférence bayésienne

5.2. Sous-ensembles flous : la maîtrise des axiomatiques

5.3. Théorie des possibilités : une approche simple des grands principes

5.4. Théorie des fonctions de croyance : les approches classiques

5.5. Approche générale de la combinaison : référentiels et logiques quelconques

5.6. Gestion du conflit

5.7. Retour sur le paradoxe de Zadeh

Chapitre 6. Modélisation des données

6.1. Caractérisation des signaux

6.2. Probabilités : une prise en compte immédiate

6.3. Fonctions de croyance : un cadre ouvert et fédérateur

6.4. Possibilités : une approche similaire

6.5. Application à un exemple didactique de classification

Chapitre 7. Classification : décision et exploitation de la diversité des sources d’information

7.1. Décision : choix de l’hypothèse la plus vraisemblable

7.2. Décision : détermination de l’ensemble le plus vraisemblable d’hypothèses

7.3. Comportement de l’opérateur décision : quelques exemples pratiques

7.4. Exploitation de la diversité des sources d’information : la synthèse de comparaisons binaires

7.5. Exploitation de la diversité des sources d’information : classification à partir de référentiels distincts mais recouvrants

7.6. Exploitation de la diversité des attributs : exemple d’application à la fusion d’images aéroportées

Chapitre 8. Dimension spatiale : l’association des données

8.1. L’association des données : un problème multiforme, incontournable en fusion multicapteur

8.2. Elaboration d’une méthode générale d’association des données

8.3. Exemple simple de mise en œuvre de la méthode

Chapitre 9. Dimension temporelle : le pistage

9.1. Pistage : exploitation des atouts de la fusion multicapteur

9.2. Expression du filtre bayésien

9.4. Extensions du MSF de base

9.5. Exemples de mise en œuvre

Conclusion. Quelques bonnes pratiques

Bibliographie

Index

Biographie de Théories de l'incertain et fusion de données multicapteurs

Directeur de recherche à l’ONERA, Alain Appriou est membre émérite de la SEE et a reçu la médaille Ampère.