This paper deals with cyclic redundancy check (CRC) decoding when used in the context of non forward error correction (FEC)-encoded IoT systems: CRC decoding remains challenging when combined to continuous phase modulation (CPM). In this paper, a proposed algorithm relying on the candidate diversity principle through a candidate list generation from soft CPM demodulation output combined with CPM-tailored syndrome decoding is evaluated. Applied with Bahl Cocke Jelinek Raviv (BCJR) algorithm for Gaussian minimum shift keying (GMSK) demodulation, it outperforms all existing complexity-affordable methods and performs close to the best evaluated Parallel-List Viterbi Algorithm with usual CRC validation.

In this work, we investigate the design of the parity-check matrix in the recently introduced Syndrome-Based Neural Decoders, which are powerful neural-network-based channel decoders. We show that the structure of the parity-check matrix has a crucial effect on the decoder’s performance, propose an information-theoretic metric to describe this effect, and suggest an algorithm to construct a parity-check matrix accordingly. The results are illustrated both analytically and numerically, showing a considerable performance gain for the proposed design without any increase in training or decoding complexity.

Cet article présente une extension d’une approche plug-and-play pour le recalage de nuages de points 3D. Le problème de recalage de nuages de points 3D est formulé comme un problème inverse, et une approche plug-and-play est utilisée pour conjointement débruiter et recaler les nuages de points. Dans cet article, nous proposons d’optimiser la transformation de recalage en exploitant la structure de groupe de Lie de la transformation rigide SE(3). Des expériences menées sur des nuages de points LiDAR sont présentées mettant en évidence l’amélioration de la méthode par rapport à une méthode existante.

Différentes méthodes d’imagerie satellitaire sont utilisées pour estimer la bathymétrie des lacs. L’enjeu principal réside dans l’établissement d’une relation précise entre la réflectance dans les bandes spectrales observées et la profondeur de l’eau, une tâche complexe dont les incertitudes peuvent affecter la fiabilité des estimations obtenues. Les approches paramétriques, largement utilisées dans la littérature, reposent sur des modèles établis, tandis que des méthodes non paramétriques ont été explorées plus récemment afin de s’affranchir de certaines hypothèses. Dans cet article, nous proposons une approche bayésienne fondée sur les processus Gaussiens, permettant une modélisation probabiliste des relations spectro-bathymétriques ainsi qu’une quantification rigoureuse des incertitudes associées aux estimations de profondeur.

Les missions spatiales nécessitent des capteurs alliant hautes résolutions spatiale et spectrale. Pour ce faire, de nouveaux instruments permettent d’obtenir plusieurs bandes spectrales en une seule acquisition. Cela entraîne cependant un sous-échantillonnage, nécessitant un démosaïquage pour reconstruire les images complètes. Cet article présente un état de l’art condensé des méthodes de démosaïquage pouvant être appliquées à un motif de 25 bandes spectrales et évalue leurs performances sur une image réelle du cratère Humboldt situé sur la Lune. Cette analyse montre que les approches itératives et par démélange offrent les meilleures performances en termes de fidélité spectrale et spatiale.

Cet article présente un nouvel algorithme EM (Expectation-Maximization) pour le recalage robuste de nuages de points 2D–3D issus d’une caméra et d’une carte de référence. Nous nous intéressons à l’estimation conjointe des paramètres d’intérêt (i.e., orientation et position de la caméra), de la proportion d’observations aberrantes et de la variance du bruit de mesure. L’approche proposée repose sur un modèle statistique intégrant des variables latentes permettant de gérer les associations inconnues entre points 2D, points 3D et observations aberrantes, via un modèle de mélange. Des résultats obtenus à partir de données synthétiques montrent l’intérêt de cette démarche en termes de rapidité de convergence de l’algorithme proposé et de robustesse face aux mesures aberrantes.

Les observations de phase de la porteuse dans les récepteurs GNSS permettent un positionnement au centimètre près mais sont affectées par un bruit de phase supposé qui suit une distribution de von Mises, dégradant la performance des estimateurs. Nous proposons une approche novatrice contraignant les paramètres de von Mises—localisation angulaire et dispersion—dans l’espace du groupe de Lie SO(2) × R+. Un estimateur du maximum de vraisemblance sur groupes de Lie, résolu via un algorithme de Newton, améliore la rigueur mathématique et la précision, notamment avec peu d’observations, par rapport aux méthodes euclidiennes.

Les séries temporelles d’images SAR polarimétriques Sentinel-1 (S1) sont cruciales pour analyser les changements environnementaux. La détection de la déforestation, associée à un point de changement dans une série temporelle, doit surmonter les défis liés à la saisonnalité et au caractère aléatoire de la réflectivité des environnements forestiers. Cet article propose une méthode bayésienne appliquée à des séries temporelles de données SAR, exploitant les propriétés polarimétriques partielles des mesures S1 pour une meilleure détection. Les résultats réels montrent que le modèle surpasse les modèles bivariés standards, les méthodes à polarisation unique et une méthode existante basé sur l’imagerie optique.

Fuel cell is a promising alternative to battery in heavy duty mobility. Though, efforts are needed for the development of reliable fuel cell aging models that could be integrated in control strategies. The present paper presents a voltage prediction model based on an Extended Kalman Filter that track the key parameters of the different losses of the fuel cell quasi-static model. The ohmic resistance is predicted thanks to a random forests algorithm taking into account the operating variables. The proposed method is evaluated on experimental data from an aging campaign of a 1 kW stack with a heavy transportation profile. The prediction capacity of the method is evaluated for several learning duration. It shows very good results with less than 2 % errors from 400 h of learning. The ohmic resistance modeling based on random forests gives a relevant estimation with about 4 % error, even for short learning duration.

Un réseau IP peut être représenté sous la forme d'un graphe où les noeuds sont des routeurs et les arêtes des liens de communication IP. Ce graphe aide à analyser les interactions et les flux d'information au sein du réseau. Chaque routeur, agissant comme une file d'attente, gère le trafic avec une capacité de mémoire tampon et un débit de sortie. Lorsque le trafic entrant dépasse cette capacité, une congestion se produit, dégradant le service. Identifier ces goulots d'étranglement est crucial pour évaluer la performance du réseau. Cet article explore une méthode de partitionnement de graphe permettant de regrouper les flux partageant un goulot commun à l'aide d'un modèle probabiliste plus général que ceux de la littérature.