L’École Centrale Casablanca (ECC), créée en 2013 par le Royaume du Maroc en partenariat avec la France, est une école d’ingénieurs d’excellence qui forme des ingénieurs généralistes polyvalents, futurs cadres et leaders du Maroc et du continent africain.
Le centre de recherche « Systèmes Complexes et Interactions » réunit une communauté dynamique d’enseignants-chercheurs, de chercheurs associés et de doctorants issus de disciplines variées. Ce centre encourage une approche interdisciplinaire pour répondre aux défis académiques et socio-économiques du Maroc et du continent Africain, grâce à des collaborations étroites avec des partenaires industriels et académiques.
Rejoignez notre laboratoire Centre de Recherche « Systèmes Complexes et Interactions » de l'Ecole Centrale Casablanca pour effectuer votre PFE.
Points importants :
• Lieux: Ecole Centrale Casablanca, Ville Verte Côté Latéral Est à la forêt Bouskoura, Bouskoura
• Encadrement : Encadrement par des enseignants chercheurs de l’École Centrale Casablanca
• Durée : 5 à 6 mois
• Rémunération : 3.000 DHS net / mois
Contact : kawtar.zerhouni@centrale-casablanca.ma
NB: les candidatures doivent être envoyées au plus tard le 31 janvier 2026 à minuit.
Contexte et objectifs :
Ce sujet s’inscrit dans la continuité des travaux de recherche menés en collaboration entre l’UTER MIDAS et le laboratoire LEOST sur les interférences entre radars FMCW et systèmes de communication OFDM dans les environnements RadCom. Il s’appuie sur un outil expérimental ARIA développé en interne et qui permet la génération, visualisation et analyse de signaux radar et télécoms. Une première série d’architectures deep learning y a déjà été testée (CNN 1D, U-Net 1D, U-Net 2D), ouvrant la voie à une exploration plus approfondie.
Le PFE proposé étendra ces travaux sur deux axes principaux :
améliorer l’analyse, l’extraction et la reconstruction de signaux radar ou OFDM perturbés par bruit et interférence,
explorer des architectures deep learning plus avancées pour ce problème, incluant des CNN plus profonds, ResNet 1D, modèles multi-modalités radar+OFDM, ou encore des combinaisons CNN-transformers.
Le stagiaire contribuera également à la validation scientifique des modèles sur l’ensemble de la plateforme ARIA, et le travail pourra inclure la mise en place d’un module complémentaire de génération synthétique de données, permettant un entraînement et une évaluation plus robustes.
Résultats et livrables attendus :
Développement de nouveaux modèles DNN et optimisation des architectures existantes.
Évaluation comparative (accuracy, MAE, SNR gain, amélioration du taux de détection radar) sur ARIA.
Proposition d’une stratégie unifiée de benchmarking pour RadCom.
Rapport technique + contribution potentielle au futur article issu du travail ARIA.
Formation souhaitée de l'étudiant(e) :
Très bonne maîtrise Python / PyTorch.
Bases solides en traitement du signal radar ou télécoms (FFT, spectrogramme, OFDM).
Goût pour l’expérimentation et la reproductibilité scientifique.