Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

11 décembre 2017

Stage M2/Ingénieur : Apprentissage automatique pour l’optimisation de liens de communication acoustiques sous-marins


Catégorie : Stagiaire


Le Lab-STICC propose un stage M2/Ingénieur en apprentissage automatique pour l’optimisation de liens de communication acoustiques sous-marins.

Mots-clés : Machine learning, communications numériques, traitement du signal

 

Laboratoire

Lieu du stage : Institut Mines-Télécom Atlantique, Lab-STICC UMR CNRS 6285, Brest, France

Période : printemps-été 2018 (5-6 mois)

Gratification : ~550 euros net/mois

Contexte

La capacité à communiquer efficacement sous l’eau sans liaison filaire revêt un intérêt majeur pour de nombreuses applications liées à la sûreté, l’analyse, l’exploration ou l’exploitation du milieu sous-marin. Du fait de l’opacité de ce milieu aux ondes électromagnétiques, l’onde acoustique s’avère être le support le mieux adapté à la transmission d’information sur de longues distances. Le canal acoustique sous-marin (ASM) est un milieu de communication réputé difficile. Il combine à la fois des effets de réflexion/réfraction générant des multi-trajets importants, une atténuation fortement croissante avec la fréquence et une faible célérité ayant pour corollaire un Doppler fort. De plus, contrairement au spectre électromagnétique utilisé pour les transmissions terrestres, l’utilisation du spectre ASM n’est pas réglementée par des instances (inter)nationales. Par conséquent, une activité acoustique simultanée et l’utilisation de bandes de fréquences similaires par des sources acoustiques non coopératives implique de fait un masquage mutuel des signaux. Dans ce contexte particulier, l’optimisation de la communication est primordiale pour garantir une qualité de service, en termes de robustesse et/ou de débit satisfaisant.

Travail à réaliser

L'objectif du stage est de proposer une méthode permettant au modem ASM de déterminer de façon automatique la forme d’onde et la configuration de récepteur optimales à utiliser pour satisfaire des contraintes de performance dans un environnement de propagation donné. Le travail consistera à :

  1. Etablir un lien entre les performances (en termes de taux d’erreur binaire par exemple) de différentes formes d’ondes et de leur récepteur associé avec les paramètres dimensionnants des canaux de propagation (SNR, étalement temporel/fréquentiel, etc.). Cette relation configuration modem-canal-performance sera « apprise » à partir d’une utilisation intensive de modèles de propagations développés par l’IMT-Atlantique.
  2. Rendre dynamique le choix de la forme d’onde et de la configuration de récepteur optimales lorsque le modem se trouve dans un environnement nouveau par rapport aux environnements testés en laboratoire. On étudiera par exemple l’apport des méthodes d’apprentissage par renforcement.

Profil recherché et candidature

Le candidat doit être étudiant en M2 ou école d’ingénieur. De bonnes connaissances en traitement du signal et communications numériques sont requises. Des connaissances en machine learning seraient appréciées. CV, lettre de motivation et relevé de notes à envoyer à : François-Xavier Socheleau (fx.socheleau@imt-atlantique.fr), Sébastien Houcke (sebastien.houcke@imt-atlantique.fr) et Christophe Laot (christophe.laot@imt-atlantique.fr).

Références

[1] A. Pottier, F-X. Socheleau, C. Laot, "Robust Noncooperative Spectrum Sharing Game in Underwater Acoustic Interference Channels", IEEE Journal of Oceanic Engineering, Vol. 42, n°4, 2017.

[2] F.-X. Socheleau, C. Laot, J.-M. Passerieux,"Parametric Replay-Based Simulation of Underwater Acoustic Communication Channels", IEEE Journal of Oceanic Engineering, Vol. 40, n° 4, 2015

[3] K. Pelekanakis, L. Cazzanti, G. Zappa, J. Alves, “Decision tree-based adaptive modulation for underwater acoustic communications”, 2016 IEEE Third Underwater Communications and Networking Conference

[4] R. S. Sutton and A. G. Barto, “Reinforcement Learning, An Introduction”, MIT Press 2017.

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2018.