Joint deconvolution and semi & unsupervised component separation, with application to radio-interferometry - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Joint deconvolution and semi & unsupervised component separation, with application to radio-interferometry

Séparation de composantes semi & non supervisée et déconvolution conjointe, application à la radio-intéférométrie

Résumé

With the development of continent-wide radio telescopes, the analysis of multi-frequency radio-interferometric data has become a significant challenge in signal processing and astrophysics. In this respect, component separation methods are an adequate tool as they allow to separate multi-frequency data into elementary physical components.However, standard component separation algorithms are not adapted to radio-interferometric data for several reasons: (i) they are constituted of incomplete measurements in the Fourier domain, also known as the visibility domain, and are potentially further deteriorated by instrumental or non-coplanar effects, and (ii) the sought-after signals can be severely drowned in noise or other emissions.Consequently, accounting for the telescope instrumental response requires developing dedicated algorithms to solve a joint deconvolution and separation problem. Furthermore, the recovery of weak signals calls for the design of accurate approaches that make use of physical models known a priori; this motivates the development of semi-supervised separation methods that integrate machine learning techniques.
Avec le développement des radiotélescopes de taille continentale, l'analyse des données radio-interférométriques multifréquences devient un enjeu majeur tant en traitement du signal qu'en astrophysique. A cet égard, les méthodes de séparation de composantes constituent un outil adéquat car elles permettent de séparer les données multifréquences en composantes physiques élémentaires.Cependant, les algorithmes standard de séparation de composantes ne sont pas adaptés aux données radio-interférométriques à plus d'un titre : (i) celles-ci sont composées de mesures incomplètes dans le domaine de Fourier, dit des visibilités, et sont en outre potentiellement détériorées par des effets instrumentaux ou non coplanaires, et (ii) les signaux recherchés peuvent être sévèrement noyés dans le bruit ou dans d'autres émissions.En conséquence, la prise en compte de la réponse instrumentale des télescopes requiert le développement d'algorithmes dédiés pour résoudre un problème de séparation et de déconvolution conjoint. De plus, la récupération de signaux faibles nécessite la conception d'approches précises qui exploitent des modèles physiques connus a priori ; cela motive le développement de méthodes de séparation semi supervisées qui intègrent des techniques par apprentissage automatique.
Fichier principal
Vignette du fichier
111057_CARLONI_GERTOSIO_2022_archivage.pdf (14.13 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03881392 , version 1 (01-12-2022)

Identifiants

  • HAL Id : tel-03881392 , version 1

Citer

Rémi Carloni Gertosio. Joint deconvolution and semi & unsupervised component separation, with application to radio-interferometry. Signal and Image processing. Université Paris-Saclay, 2022. English. ⟨NNT : 2022UPASG064⟩. ⟨tel-03881392⟩
93 Consultations
24 Téléchargements

Partager

Gmail Facebook X LinkedIn More