This paper deals with the demodulation of automatic identification system (AIS) signals received by a satellite. More precisely, an error correction algorithm is presented, whose computational complexity is reduced with respect to that of a previously considered approach. This latter approach makes use of the cyclic redundancy check (CRC) of a message as redundancy, in order to correct transmission errors. In this paper, the CRC is also considered as a correction tool, but only a part of it is used for that purpose; the remaining part is only used as an error detection means. This novel approach allows the decoding performance to be adapted to the noise power, and provides a reduction of the computational complexity. Simulation results obtained with and without complexity optimization are presented and compared in the context of the AIS system.

Le démélange d’images hyperspectrales vise à identifier les signatures spectrales d’un milieu imagé ainsi que leurs proportions dans chacun des pixels. Toutefois, les signatures extraites présentent en pratique une variabilité qui peut compromettre la fiabilité de cette identification. En supposant ces signatures potentiellement affectées par le phénomène de variabilité, nous proposons d’estimer les paramètres d’un modèle de mélange linéaire à l’aide d’un algorithme de minimisation alternée (Proximal alternating linearized minimization, PALM) dont la convergence a été démontrée pour une classe de problèmes non-convexes qui contient précisément le problème du démélange d’images hyperspectrales. La méthode proposée est évaluée sur des données synthétiques et réelles.

La caractérisation de la texture d’une image peut être conduite via l’étude des fluctuations de la régularité locale de son amplitude dans le cadre théorique de l’analyse multifractale. Les images étant souvent composées de différentes textures, cette analyse doit être locale. Cet article s’attaque à ce problème en formulant un modèle bayésien par patch reposant sur un modèle semi-paramétrique récemment proposé pour la statistique du logarithme des coefficients dominants. Les estimateurs bayésiens sont obtenus via une procédure d’échantillonnage utilisant un algorithme de Monte-Carlo Hamiltonien. Les performances de ces estimateurs sont illustrées à l’aide de processus synthétiques.

Cet article propose une approche automatique pour estimer le nombre de spectres de composés purs dans les images hyperspectrales. L’estimation est basée sur de récents résultats de la théorie des matrices aléatoires sur les “modèles à variances isolées”. Plus précisément, nous étudions l’écart entre les valeurs propres successives de la matrice de covariance des observations. L’algorithme d’estimation proposé est automatique et robuste à la présence de bruit corrélé. Cette stratégie est validée sur des images synthétiques et réelles. Les résultats expérimentaux sont prometteurs et montrent la pertinence de cette approche par rapport à l’état de l’art.

Dans ce papier, on propose un récepteur exact pour les modulations à phase continue (CPM) basé sur la décomposition/représentation de Laurent. L’approche proposée permet de remédier aux problèmes des interférences inter-symboles et inter-composantes induites par les composantes de Laurent sans introduire un étage supplémentaire dans le récepteur de type filtre blanchissant. Puis, en se basant sur la décomposition de Rimoldi, on proposera une méthode analytique pour construire le nouveau banc de filtre de réception. In this paper, we derive an exact receiver for continuous phase modulations based on Laurent decomposition. The proposed method allows to cancel the inter-symbol and inter-component interference induced by the Laurent components, without the use of an additional processing stage at the receiver side such as whitening filters. Futhermore, based on Rimoldi decomposition, we will propose an analytical method to derive the new receiver filter bank.

This paper proposes a new method for data reception over a random access channel in a satellite communication system. The method is called Multi-replicA decoding using corRelation baSed locALisAtion (MARSALA). It uses the same transmission scheme as in Contention Resolution Diversity Slotted Aloha (CRDSA) where each user sends several replicas of the same packet over the frame. MARSALA is a new decoding technique that localises all the replicas of a packet using a correlation based method, then combines them to decode the data. With MARSALA, the system can achieve a normalized throughput higher than 1.2, resulting in a significant gain compared to CRDSA, while adding a relatively low implementation complexity at the receiver. We also highlight on the practical issues related to channel estimation and how to perform coherent signal combination in MARSALA.

Cet article traite du problème de l'échantillonnage non uniforme dans le cas des processus aléatoires. Une nouvelle méthode est proposée permettant d'effectuer une reconstruction exacte du signal avec une meilleure vitesse de convergence en termes de nombre d'échantillons et un filtrage linéaire directement à partir des échantillons non uniformes. Ce procédé peut être appliqué à des signaux de type passe-bas comme à des signaux de type passe-bande.

This paper proposes a hierarchical Bayesian model for estimating the parameters of asymmetric power distributions (APDs). These distributions are defined by shape, scale and asymmetry parameters which make them very flexible for approximating empirical distributions. A hybrid Markov chain Monte Carlo method is then studied to sample the unknown parameters of APDs. The generated samples can be used to compute the Bayesian estimators of the unknown APD parameters. Numerical experiments show the good performance of the proposed estimation method. An application to an image segmentation problem is finally investigated.