WP2, tâche 2-1, dans le cadre de la location de sources bande étroite par un grand réseau de capteurs, nous avons montré que si les angles d'arrivée sont relativement éloignés, la traditionnelle méthode sous-espace est consistante, et que ses performances sont identiques à celles de la méthode sous-espace, baptisée G-MUSIC, tirant partie de résultats concernant les grandes matrices aléatoires. Dans le cas où les sources sont proches, la méthode MUSIC traditionnelle ne fonctionne plus à la différence de la méthode G-MUSIC. L'article A statistical comparison between MUSIC and G-MUSIC a été soumis à la conférence ICASSP 2014. Dans le but d'étudier des estimateurs de nombre de sources, nous avons réalisé une étude détaillée des statistiques des valeurs propres de matrices de covariance empirique se trouvant au voisinage des composantes connexes du support de la distribution limite. L'article Large complex correlated Wishart matrices:fluctuations and asymptotic independence at the edge a été soumis. Enfin, dans le but d'aborder les problèmes de détection de sources bande étroite en utilisant la problématique des tests de sphéricité, nous nous sommes intéressés aux propriétés au sens du minimax de certains tests en grande dimension. L'article Sharp minimax tests for large covariance matrices a été soumis.
WP2, tâche 2-2, Nous avons établi qu'en présence de bruit seul, les valeurs propres de la matrice de covariance empirique des vecteurs obtenus en faisant le produit de Kronecker des vecteurs observés avec eux-mêmes sont localisées presque surement à partir d'un certain rang dans le support de la distribution de Marcenko-Pastur.
WP3, tâche 3-1, soumission de l'article de revue On the almost sure location of the singular values of certain Gaussian block-Hankel large random matrices concernant la localisation des valeurs propres de la matrice de covariance spatio-temporelle empirique du bruit. Les résultats obtenus ont été appliqués à la mise en évidence d'estimateurs de type sous-espace d'angles d'arrivées de sources bande étroite dans le cas où le nombre d'observations est très inférieur au nombre de capteurs. Nous utilisons la technique du lissage spatial. L'article Performance analysis of spatial smoothing schemes in the context of large arrays a été soumis à ICASSP 2015.