Université Blida 1
Reconnaissance par apprentissage automatique de signatures acoustique de drone
JavaScript is disabled for your browser. Some features of this site may not work without it.
| dc.contributor.author | Benabida, Lalouani | |
| dc.contributor.author | Hamdani, Younes | |
| dc.contributor.author | Cheggaga, Nawal (promotrice) | |
| dc.date.accessioned | 2023-09-26T08:56:38Z | |
| dc.date.available | 2023-09-26T08:56:38Z | |
| dc.date.issued | 2023 | |
| dc.identifier.uri | https://di.univ-blida.dz/jspui/handle/123456789/24953 | |
| dc.description | Mémoire de Master option Avionique.-Numéro de Thèse 026/2023 | fr_FR |
| dc.language.iso | fr | fr_FR |
| dc.publisher | blida 01 | fr_FR |
| dc.subject | Drones | fr_FR |
| dc.subject | Détection acoustique | fr_FR |
| dc.subject | Réseaux de neurone convolutifs | fr_FR |
| dc.subject | spectrogramme Le développement des drones et les menaces qu’ils représentent pour les sites sensibles rendent critiques leur localisation et identification. Plusieurs modalités sont disponibles pour traiter ce problème comme l’imagerie optique ou radar, la détection de communications radiofréquence ou encore l’acoustique. C’est sur cette dernière modalité que ce travail s’articule .Il s’agit de développer un module acoustique pour la détection et l’identification de sources acoustiques de type mini- drone. Afin de protéger des sites sensibles contre les drones artisanaux. Les résultats obtenus au cours de cette recherche démontrent clairement l’efficacité de réseaux de neurones spécifiquement CNN dans la classification de sons de drones transformés sous forme d’image de spectrogramme. Avec une précision de 98%. | fr_FR |
| dc.title | Reconnaissance par apprentissage automatique de signatures acoustique de drone | fr_FR |
| dc.type | Thesis | fr_FR |
Fichier(s) constituant ce document
Ce document figure dans la(les) collection(s) suivante(s)
-
Mémoires de Master
Mémoires de master