Estimation des temps de retard et localisation de sources avec des systèmes Radar

Source localization (in far-field or in near-field) and time-delay estimation have many practical applications. To locate a far-field source from a sensor array, only the direction of arrival (DOA) of the source is necessary. When the sources are in a near-field situation, the wavefront of the signal is spherical and two parameters are needed to locate the sources: the direction of arrival and the distance between the source and the sensors. In this thesis, we focus on the localization of sources (both in far-field and near-field) as well as the estimation of time-delay in the context where the signals are coherent, overlapped and with a small number of snapshots.First, we propose to combine the theory of the SVR method (support vector regression, which is a supervised learning-based regression method) with the theory of forward-backward linear prediction (FBLP). The proposed method, called FBLP-SVR, is developed for two applications: far-field source localization and time-delay estimation by using ground penetrating radar. The proposed method is evaluated by simulations and experiments. We also propose a near-field source localization method in the context where the signals are coherent and overlapped. The proposed method is based on a focusing technique, a spatial smoothing preprocessing, and a subspace method in the estimation of DOA. Then, the distances between the sources and sensors are estimated with the maximum likelihood method.La localisation de sources (en champ lointain ou en champ proche) et l'estimation des temps de retard ont de nombreuses applications pratiques. Pour localiser une source en champ lointain à partir d'un réseau de capteur, seule la direction d'arrivée (DDA) de la source est nécessaire. Quand les sources se situent dans une situation de champ proche, le front d'onde du signal est sphérique et deux paramètres sont nécessaires pour localiser les sources : la direction d'arrivée et la distance entre la source et le réseau de capteurs. Dans cette thèse, on se focalise sur la localisation de sources (en champ lointain et en champ proche) ainsi sur l'estimation des temps de retard dans le contexte où les signaux sont cohérents, mélangés et avec un faible nombre de réalisation.Tout d'abord, nous proposons de combiner la théorie de la méthode SVR (Support vector regression qui est une méthode de régression à base d'apprentissage supervisée) avec la théorie de la prédiction linéaire avant-arrière. La méthode proposée, appelée FBLP-SVR, est développée pour deux applications : la localisation de sources en champ lointain et l'estimation des temps de retard des échos radar en champ lointain. La méthode développée est évaluée par des simulations et des expérimentations. Nous proposons également une méthode de localisation de sources en champ proche dans le contexte où les signaux sont cohérents et mélangés. La méthode proposée est basée sur une technique de focalisation, de moyennage en sous-bande et sur une méthode à sous-espaces pour l'estimation des DDAs. Ensuite, les distances entre les sources et le réseau de capteur sont estimées avec la méthode du maximum de vraisemblance