L’enjeu principal de ce stage est de développer une méthode de classification frugale de signaux ultrasonores expérimentaux, en s'appuyant exclusivement sur une base de données simulée. Pour cela, il est essentiel d’identifier des descripteurs pertinents et des méthodes de transformation qui puissent garantir une généralisation correcte du classifieur, malgré la nature simulée des données d’entraînement. Les étapes clés du projet sont les suivantes :

• Familiarisation avec le domaine du traitement du signal en CND : L'étudiant devra s’approprier l’état de l’art en matière de classification de signaux temporels. Un accent particulier sera mis sur les transformations et métriques adaptées aux signaux ultrasonores, qui ne se prêtent pas à l’usage de la simple distance euclidienne en raison de leur complexité temporelle. Parmi les méthodes à explorer, on pourra citer :
  - Les distances de type Dynamic Time Warping (DTW)
  - Les transformations de Fourier ou de Wavelet
  - Les méthodes de compression de caractéristiques (PCA, TSNE)
• Simulations et extraction de caractéristiques : Les signaux simulés seront générés à l’aide du logiciel CIVA, un outil de simulation avancé en CND. L’objectif sera de développer des descripteurs partagés entre les signaux simulés et les signaux expérimentaux, permettant ainsi de surmonter les différences liées aux conditions réelles (bruit, défauts non modélisés). Ce processus passera par :
  - L'analyse des caractéristiques temporelles et fréquentielles des signaux
  - La mise en place de critères de discrimination pertinents entre signaux de défauts et signaux sans défauts.
• Méthodologies de classification : Le stage sera orienté vers des méthodes de classification frugales, qui ne feront pas appel à des modèles complexes de deep learning. L'accent sera mis sur des approches telles que :
  - Les modèles de classification par plus proches voisins (k-NN) avec des métriques adaptées
  - Les modèles linéaires (SVM, régression logistique)
  - Les méthodes basées sur des forêts aléatoires (Random Forest)
• Évaluation de la robustesse du classifieur : Une attention particulière sera portée à l’évaluation de la généralisation du modèle de classification développé sur les données expérimentales. Il sera nécessaire d’évaluer la robustesse du classifieur face à des signaux expérimentaux qui peuvent diverger des simulations en raison de facteurs non contrôlés. Des techniques telles que la validation croisée ou des méthodes de régularisation devront être mises en place.