Abstract FR:

Ce memoire est consacre au probleme de la supervision d'environnements reels de bruits impulsifs. L'objectif est de developper une methode capable de detecter, dans un flux continu de bruits transitoires, les evenements acoustiques qui ne s'inscrivent pas dans une certaine regularite du signal. Nous montrons que les techniques classiques de detection de ruptures sont mal adaptees a la surveillance d'un milieu intrinsequement irregulier. Ceci nous amene a adopter une approche de plus haut niveau, basee sur le regroupement en classes des differentes composantes acoustiques de l'environnement. L'etude bibliographique des algorithmes de classification automatique montre leur difficulte a classifier des formes qui peuvent etre superposees. Or le recouvrement de signaux emis par differentes sources acoustiques est probable dans des milieux complexes. Nous proposons une solution neuro-mimetique originale au probleme de la modelisation dynamique du signal. Il s'agit d'une memoire associative nonsupervisee qui adapte sa structure par deux processus inter-dependants : la modelisation du signal par classification d'unites acoustiques recurrentes et la detection d'evenements provoquant la rupture du modele. L'architecture proposee permet la detection et la classification de formes acoustiques lineairement melangees. Neanmoins, la co-occurence d'une rupture et d'une forme acoustique referencee provoque une mauvaise formation du modele due au melange des prototypes des classes. La separation des classes melangees peut etre consideree comme un probleme de separation de sources. Ceci nous amene a implanter, dans l'architecture neuronale proposee, un mecanisme d'apprentissage qui s'inspire des methodes de separation aveugle de sources. Il s'agit d'un processus d'auto-organisation du classifieur neuronal qui minimise la dependance statistique des classes. Les performances de cet algorithme sont evaluees a la fois en detection de ruptures et en classification non-supervisee. Nos tests montrent le bon comportement du modele dans des situations de fort taux de superposition des formes acoustiques ainsi qu'une degradation sensible des performances en presence de bruit blanc de forte energie