| Summary: | La description et l’estimation des modèles aussi bien univariés que multivariés impliquantdes distributions à queue lourde est un enjeu applicatif majeur. Les L-moments sontdevenus des outils classiques alternatifs aux moments centraux pour décrire les comportementsen dispersion, asymétrie, kurtosis d’une distribution univariée à queue lourde. Eneffet, contrairement aux moments centraux correspondants, ils sont bien définis dès quel’espérance de la distribution d’intérêt est finie. Les L-moments peuvent être vus comme laprojection de la fonction quantile sur une famille orthogonale de polynômes, récupérant lalinéarité inhérente aux quantiles. Nous estimerons dans un premier temps les paramètresde modèles semi paramétriques définis par des contraintes sur ces L-moments par des méthodesde minimisation de divergences.Nous proposons dans un second temps une généralisation des L-moments aux distributionsmultivariées qui passe par la définition d’un quantile multivarié défini comme untransport entre la distribution uniforme sur [0; 1]d et la distribution d’intérêt. Cela nouspermet de proposer des descripteurs pour des distributions multivariées adaptés à l’étudedes queues lourdes. Nous détaillons leurs expressions dans le cadre de modèles possédantdes paramètres de rotation.Enfin, nous proposons des M-estimateurs de la matrice de dispersion des distributions complexeselliptiques. Ces dernières forment un modèle multivarié semi-paramétrique contenantnotamment des distributions à queue lourde. Des M-estimateurs spécifiques adaptésaux distributions elliptiques avec une hypothèse supplémentaire de stationnarité sont égalementproposés. Les performances et la robustesse des estimateurs sont étudiées.Les signaux radar provenant de fouillis tels les fouillis de mer ou les fouillis de sol sontsouvent modélisés par des distributions elliptiques. Nous illustrerons les performances dedétecteurs construits à partir de l’estimation de la matrice de dispersion par les méthodesproposées pour différents scénarios radar pour lesquels la robustesse de la procédure d’estimationest cruciale. === The description and the estimation of univariate and multivariate models whose underlyingdistribution is heavy-tailed is a strategic challenge. L-moments have becomeclassical tools alternative to central moments for the description of dispersion, skewnessand kurtosis of a univariate heavy-tailed distribution. Indeed, contrary to correspondingcentral moments, they are well defined since the expectation of the distribution of interestis finite. L-moments can be seen as projections of the quantile function on a family oforthogonal polynomials. First, we will estimate parameters of semi-parametric modelsdefined by constraints on L-moments through divergence methods.We will then propose a generalization of L-moments for multivariate distributions using amultivariate quantile function defined as a transport of the uniform distribution on [0; 1]dand the distribution of interest. As their univariate versions, these multivariate L-momentsare adapted for the study of heavy-tailed distributions. We explicitly give their formulationsfor models with rotational parameters.Finally, we propose M-estimators of the scatter matrix of complex elliptical distributions.The family of these distributions form a multivariate semi-parametric model especiallycontaining heavy-tailed distributions. Specific M-estimators adapted to complex ellipticaldistribution with an additional assumption of stationarity are proposed. Performancesand robustness of introduced estimators are studied.Ground and sea clutters are often modelized by complex elliptical distributions in the fieldof radar processing. We illustrate performances of detectors built from estimators of thescatter matrix through proposed methods for different radar scenarios.
|
|---|
