Abstract FR:

L'objectif de cette these est d'etudier les apports possibles du connexionisme a la fusion de donnees. Pour ce faire, nous avons ete amenes a degager une structure commune aux differents systemes de fusion que l'on peut rencontrer dans la litterature scientifique, ce qui nous a permis de faire apparaitre un probleme recurrent : l'association des donnees. Ce probleme, egalement appele probleme de l'affectation multi-dimensionnelle, est np-complet, ce qui signifie qu'il est impossible d'en obtenir la solution optimale en un temps polynomial. Nous avons propose plusieurs approches neuronales pour le resoudre, en faisant porter plus particulierement notre effort sur une approche derivant du modele de hopfield, pour laquelle il a ete possible de montrer que la solution delivree a la convergence verifie les contraintes de notre probleme d'affectation. Dans une deuxieme partie, nous avons applique notre approche neuronale a un probleme reel : le pistage radar. Nous avons montre que le pistage par maximum de vraisemblance peut etre ramene a un probleme d'affectation multi-dimensionnelle, si bien qu'il est possible de realiser l'optimisation de la vraisemblance a l'aide de notre approche neuronale. Deux extensions de cette methode de pistage ont egalement ete developpees : la fusion de pistes semblables, qui permet de reduire la complexite de l'optimisation de la vraisemblance, et la prise en compte d'attributs de plots. Quant au pistage multicapteur, un probleme d'association des donnees est egalement a resoudre pour decider des pistes monocapteurs qui representent la meme cible. Nous avons tout d'abord propose deux criteres neuronaux de fusion dedies specifiquement a ce probleme, puis nous avons montre comment utiliser notre approche neuronale pour le probleme de l'affectation multi-dimensionnelle dans le cadre du pistage multicapteur.