Professional Documents
Culture Documents
THEME
ANALYSE DES PERFORMANCES
DES DETECTEURS CA, OS et ML-CFAR
DANS UN CLUTTER DE DISTRIBUTION WEIBULL
Promotion 2007
-0-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
1. INTRODUCTION :
maritime et aérienne. La détection du signal radar est une tache très complexe qui requiert un
donné, tous les objets détectables ne présentent pas la même importance et un objet digne
d’intérêt pour un système peut être considéré sans intérêt et même gênant pour un autre (un
radar météorologique est conçu pour détecter les précipitations, lesquelles constituent une
Dans les systèmes radar le signal de la cible est séparé du clutter inutile qui provient de la
réflexion d’objets indésirables tels que le sol, les arbres et la mer etc …. Pour éliminer ces
perturbations, la détection classique basée sur l’utilisation de seuil fixe, provoque une
augmentation considérable dans la probabilité de fausse alarme (décider qu’un objet présent
alors qu’il est absent). Des méthodes adaptives ont été adoptées pour analyser et perfectionner
la détection radar. Les dispositifs utilisant ces méthodes sont appelés les détecteurs CFAR.
environnement non homogène avec présence de clutter distribué de façon homogène pour trois
types de détecteurs le CA, l’OS et le ML-CFAR. Le clutter est supposé comme un clutter de
mer représenté par une distribution Weibull et le paramètre de forme sera supposé soit connu à
priori soit inconnu. Nous proposons aussi d’établir une comparaison entre les performances du
l’estimateur WH-CFAR (Weber-Haykin) a été établi. Aussi une comparaison a été faite pour
le détecteur ML-CFAR dans les deux cas de C connu et C estimé. Pour enfin qu’une
comparaison entre les trois types de détecteurs CA, OS et ML-CFAR soit présenté.
-1-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
L’avantage apporté par ces détecteurs est justifié à travers les résultats de simulation en
2. ORGANISATION DU MEMOIRE :
Notre travail est organisé comme suit, Dans le premier chapitre un bref rappel sur le
système radar sont présentés. Quelques critères de détection, quelques modèles du clutter et
les différents types des détecteurs CFAR sont exposés. Dans le chapitre 2, nous analysons les
ensuite dans le chapitre 3 les résultats obtenus par programmation MATLAB en utilisant la
méthode de Monté Carlo. Nous interprétons les différents graphes obtenus suivant la variation
du SCR. Enfin une conclusion générale est présentée, englobant les objectifs et les résultats
-2-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
I.I.1- INTRODUCTION :
Le "RADAR" est par définition un appareil de "RAdio Detection And Ranging" que
l'on peut traduire par "détection et estimation de la distance par onde radio".
Tout a commencé en 1886, quand le physicien allemand "Hertz" a réalisé les premières
expériences sur les ondes électromagnétiques et a montré que les ondes "Radio" pouvait être
réfléchies par les corps métalliques et diélectriques. En 1904, l'allemand "Hulsmeyer" dépose
un brevet sur "un détecteur d'obstacles à ondes radio-continues" à la suite de reflecxions
constatées sur des navires croisant sur le Rhin [2]. L'évolution de ce domaine a permis en 1935
d'utiliser le premier réseau de radars par "Robert Wattson".
Le radar est un dispositif opérationnel d'émission et de réception d'ondes électromagnétiques
qui présente de nos jours un grand nombre d'applications. Après la deuxième guerre mondiale,
les applications du radar ont complètement changés, car au début il était utilisé comme un
appareil de guerre; mais de nos jours il est aussi utilisé en civile qu’en militaire. Dans le
domaine civil on peut prendre l’exemple de la météorologie, dans laquelle le radar est utilisé
pour le contrôle du trafic aérien, pour la surveillance du trafic routier ...etc.
-3-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
t
∆T ∆T
TR
Figure I.1- Génération d'écho.
-4-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
L'azimut d'une cible détectée par un radar est l'angle entre la direction du nord et celle de la
ligne directe antenne-cible comme il est indiqué sur la figure I.2. Cet angle se mesure dans le
plan horizontal, dans le sens des aiguilles d'une montre, et à partir du nord.
-5-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
E : le champ électrique.
B : le champ magnétique.
Dans l’antenne émettrice, le signal électrique porteur (modulé par le signal de base) produit
une onde radioélectrique de même fréquence qui se propage dans l’espace. Plusieurs ondes
émises par l’antenne sont ensuite captées par l'antenne réceptrice, qui les transforment en
autant de signaux électriques.
-6-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
ANTENNE
MODULATEUR SYNCHRONISEUR
INDICATEUR
: chemin à l'émission.
: chemin à la réception.
1- Le synchroniseur :
C'est le composant le plus important dans le système radar, il contient une horloge de
très grande stabilité (10 −4 à 10 −6 ) à partir duquel sont produits les signaux de synchronisation.
-7-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
2- Le modulateur :
Le modulateur est un circuit électronique qui permet de fractionner le signal radio en
pulsations. Ce dispositif constitue la partie active de l'émetteur qui sert à stocker l'énergie
pendant le temps entre deux impulsions successives [2]. Un radar émet de 500 à 3,000
pulsations par seconde et chaque pulsation a une durée de 0,1 à 0,5 microsecondes.
L'opérateur peut varier le rythme et la durée des pulsations, en fonction de la zone à couvrir.
Des pulsations plus courtes produisent une image plus nette mais demande un rythme
d'émission plus rapide. Puisque l'écho ne peut être reçu tant que la pulsation entière n'est pas
émise, la longueur de la pulsation détermine également la portée minimale.
3- L'émetteur :
L'émetteur doit émettre des signaux de radio fréquence (RF) de grande quantité d'énergie
dans un court temps. La fréquence doit être extrêmement haute pour obtenir beaucoup de
cycles dans une courte impulsion [7].
4- Le duplexeur :
Un commutateur électronique, dirige l'onde vers l'antenne lors de l'émission, ou le signal
de retour depuis l'antenne vers le récepteur avec une perte minimale.
5- Le récepteur :
Un préamplificateur est généralement installé près de l'antenne pour amplifier les
signaux et réduire ainsi la perte du signal sur le câble menant au récepteur. Les informations
sont alors traitées (démodulées) et le résultat dirigé vers l'écran.
6- L'antenne :
L'antenne radar est conçue de façon à concentrer l'énergie des pulsations émises en un
faisceau horizontal étroit. L'antenne diffuse l'énergie de l'émetteur dans l'espace dans un
volume déterminé et avec l'efficacité voulue. Le processus est identique à la réception,
l'antenne captant alors l'énergie diffuse dans un volume d'espace donné et selon son efficacité.
On note aussi le joint tournant qui est un dispositif permettant de transférer l'énergie RF entre
la partie fixe et la partie tournante du système [7].
-8-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
7- L'indicateur :
L'indicateur doit en permanence mettre à la disposition de l'utilisateur une représentation
graphique facilement interprétable de la position relative des cibles détectées par le radar.
P W
P1 = (Ι − 03)
4Π R 2 m 2
P
M .G
4Π R 2
-9-
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
RADAR
RADAR RADAR
SECONDAIRE PRIMAIRE
RADAR A
IMPULSION CW-RADAR
1- Radar secondaire :
Les radars connus sous le nom de radars secondaires, dépendent dans leur
fonctionnement, d'une réponse de la cible. La plupart de ces dispositifs sont utilisés pour la
navigation et les télécommunications.
- 10 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
2-Radar primaire :
Les radars primaires peuvent être de type à deux dimensions donnant des mesures de la
distance et de l’azimut ou de trois dimensions, pour lesquelles une mesure complémentaire en
angle de site est alors disponible. Il existe des radars primaires d'approche qui sont implantés
dans les aéroports et qui ont pour but de détecter tous les aéronefs s'approchant d'un aéroport.
- 11 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
f ( s) =
1
exp( − s σ 2 ) , s≥0 (Ι − 05)
σ2
D’où :
- 12 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
f ( s) =
4s
exp(− 2 s 2 ) , s≥0 (Ι − 06)
σ² σ
Dans les cas 1 et 2, on suppose que les cibles se composent de plusieurs réflecteurs
élémentaires indépendants. En théorie, ce nombre tend vers l'infinie. Ce modèle est utilisé
pour représenter les fluctuations des échos d'avions et la réflexion sur la plupart des terrains.
- 13 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Par contre les densités de probabilité des cas 3 et 4 sont utilisées pour modéliser des cibles
composées d'un réflecteur dominant constant et des petits réflecteurs indépendants. Les
missiles et les satellites par exemple répondent à cette situation.
Il est à noter que les cibles des cas 1 et 2 produisent des signaux dont les enveloppes sont
Rayleigh distribuées, alors que les cibles des cas 3 et 4 produisent des signaux dont les
enveloppes sont χ − 2 distribuées.
Les cibles non fluctuées sont représentées par le cas Swerling 5 ou le cas Swerling 0. Dans ce
type de cibles, l'amplitude du signal reçue est supposée inconnue, et il n'y a aucune fluctuation
d'amplitude [3].
- 14 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 15 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
c x
c −1
x c
f x ( x) = exp − , x ≥ 0 ; c ≥ 0 ; b ≥ 0 (Ι − 08)
bb b
b: paramètre d'échelle.
c: paramètre de forme.
- 16 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
0.6 1.2 x
Remarque :
Le modèle de Rayleigh est un cas particulier de la distribution de Weibull avec un facteur de
forme C égale 2 [3].
p( x) =
4 x 2
( ) v K v −1 ( x); x ≥ 0 (Ι − 9)
bΓ (v) b b
b: paramètre d'échelle.
V: paramètre de forme.
Γ : fonction gamma.
K (x) : la fonction de Bessel modifiée [3].
La distribution de chi-square est une fonction de distribution importante. Elle peut être
considérée comme un cas spécial de la distribution gamma. On peut dire qu'une variable
aléatoire X a une distribution chi-square avec n degrés de liberté lorsque sa fonction densité de
probabilité est donnée par la forme :
- 17 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
1 (n / 2 )−1 − x / 2
2 n / 2 Γ(n / 2 ) x e , x≥0
f X (x ) = (Ι − 10)
0 ailleurs
- 18 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
I.II.1 INTRODUCTION :
Dans la vie quotidienne, on doit toujours prendre des décisions. De même pour les
problèmes de la détection du signal radar, nous devrons prendre la décision de l'existence ou
de l'absence des cibles grâce à l'observation du signal retourné. Le processus que le récepteur
entreprend en choisissant une règle de décision est classé sous le nom de la théorie de la
détection du signal [3].
Dans un radar, le signal utile est toujours accompagné de bruit pour de nombreuses
raisons et, en particulier, en fonction du niveau de brouillage reçu. Si le niveau du bruit
présent des variations assez lentes, on peut modifier lentement le seuil pour maintenir la
probabilité de fausse alarme constante, mais ceci devient très difficile lorsque les variations du
niveau de bruit sont rapides. Actuellement on utilise des récepteurs (CFAR) « Constant False
Alarm Rate », ce qui signifie une détection à taux de fausse alarme constante: « Taux à Fausse
Alarme Constante» (TFAC) [1].
H 0 : y(t ) = n(t )
(Ι − 11)
H 1 : y(t ) = s (t ) + n (t )
Chaque hypothèse correspond à une ou plusieurs observations qui sont représentées par des
variables aléatoires. Basé sur les valeurs d'observation de ces variables aléatoires, l'ensemble
des valeurs que la variable aléatoire X prend constitue l'espace d'observation Z. Cet espace
d'observation est divisé en deux régions Z0 et Z1.
- 19 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Z Z1:
Z0 : décision H0
décision
H1
fY / H 0 ( y / H 0 )
fY / H1 ( y / H1 )
source
Les fonctions densité de probabilités de Y correspondant à chaque hypothèse sont alors notée
f Y / H 0 ( y / H 0 ) et f Y / H 1 ( y / H 1 ) .
On note que les deux hypothèses précédentes donne quatre cas probabilistes possibles [3]:
1- Décidez H0 quand H0 est vrai.
2- Décidez H0 quand H1 est vrai.
3- Décidez H1 quand H0 est vrai.
4- Décidez H1 quand H1 est vrai.
L’objectif de la détection est de déterminer laquelle des deux hypothèses est la plus
vraisemblable, tout en minimisant les deux erreurs suivantes :
Décider H0 alors que H1 est vraie. Dans ce cas, on parle de non-détection, avec la
probabilité p ( D0 / H 1 ) = 1 − p ( D0 / H 1 ) = 1 − p D où PD représente la probabilité de
détection;
Décider H1 alors que H0 est vraie. Dans ce cas, on parle de fausse alarme, avec la
probabilité p( D1 / H 0 ) .
Dans la pratique, il est très difficile d’éviter totalement ces erreurs, à moins de connaître
parfaitement la statistique de l’environnement du radar ainsi que la nature de la cible a
détectée [8].
- 20 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
R = P0 C10 + P1C11 + ∫ {P (C
1 01 − C11 ) f X / H1( x / H 1 ) − P0 (C10 − C 00 ) f ( x / H 0 )}dx (Ι − 18)
Z0
Nous observons que la quantité P0C10+P1C11 est constante, indépendamment de la façon dont
nous assignons les points dans l'espace d'observation.
En conséquence, le risque est réduit au minimum en choisissant la région de décision Z0, pour
inclure seulement les points de Y, pour lesquels la deuxième limite est plus grande [3].
f X / H 1 ( x / H 1 ) > H 1 P0 (C10 − C 00 )
Λ( X ) = (Ι − 19)
f X / H 0 ( x / H 0 ) < H 0 P1 (C 01 − C11 )
- 21 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Où :
Λ (X) : est le rapport de vraisemblance.
P0 (C10 − C 00 )
η= : est le seuil de décision.
P1 (C 01 − C11 )
2- Critère de Neyman-Person :
Pour construire le test de Bayes, à partir du coût moyen d'une décision, il est nécessaire
de connaître les probabilités a priori Pi , qui déterminent la valeur du seuil auquel le rapport de
vraisemblance seras comparé. Dans la plupart des applications, ces valeurs ne sont pas
connues, et on ne peut pas appliquer l'approche de Bayes, où encore, même si elles sont
connues, le critère ajusté au problème n'est pas obtenu à cause de ce qui se passe pour tout
l'ensemble des situations possibles. Les tests de Neyman-Person constituent, dans ces cas, une
approche alternative.
Dans ce critère, les probabilités à priori ainsi que les coûts associés à chaque décision sont
connus. Le test de Neyman-Person suppose que la Pfa est fixée à une valeur désirée, tandis
que la probabilité de détection est maximisée. Du fait que Pm = (1 − Pd ) , donc maximiser Pd
revient à minimisé Pm . Alors on peut former la fonction objective J comme suit [2] :
J (λ ) = Pm + λ ( Pfa − α ) (Ι − 20)
Où: λ (λ ≥ 0) est le multiplicateur de Lagrange. On note que pour un espace d’observation Z
donné, il y a plusieurs régions de décision Z1 pour lesquelles Pfa . Donc le problème est de
déterminer ces régions de décision pour lesquelles Pm est minimale
En conséquence, nous récrivons la fonction objective J en termes des régions de décisions
pour obtenir:
J (λ ) = ∫f X / H1 ( x / H 1 ) dx + λ ∫ f X / H 0 ( x / H 0 )dx − α (Ι − 21)
Z1 Z 1
Puisque:
Z = Z 0 ∪ Z1 (Ι − 22)
Donc l'équation (Ι − 21) devient :
J (λ ) = λ (1 − a ) + ∫[f
Z0
X / H1 ( x / H 1 ) − λf X / H 0 ( x / H 0 ) ]dx (Ι − 23)
- 22 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
J est réduit au minimum quand les valeurs pour lesquelles f X / H1 (x / H1 ) > f X / H 0 (x / H0 ) sont
assigné à la région Z1 de décision [3]. La solution de l'inégalité est:
f X / H1 ( x / H1 )
<λ (Ι − 24)
f X / H 0 (x / H 0 )
Et nous pouvons donner la règle de décision :
f X / H1 (x / H1 ) > H1
Λ( X ) = λ (Ι − 25)
f X / H 0 (x / H 0 ) < H 0
10 −4
10 −6
10 −8
2 4 6 8 10 12
Puissance du bruit (dB)
- 23 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Le CFAR est un modèle qui se place dans la partie traitement du signal du récepteur radar;
après réception et démodulation des échos radar, ceux-ci parcourent une série de cellule qui
sont de nombres impairs.
Cellules
de références
matrice
à vecteur Paramètre
d'Estimation Seuil Décision
cellule cellule
sous test sous test
comparaison
étape1:traitement du signal étape2: estimation du Clutter et décision
La "cellule sous test " est la cellule centrale, elle comporte le signal à détecter. Deux fenêtres
regroupant des cellules dites "de références" qui servirons à estimer la puissance du clutter,
sont placées de part et d’autre de la cellule de test, celle à droite est désignée par la lettre U; et
l’autre à gauche par la lettre V. Pour des raisons de sécurité, les"cellules de garde" sont des
cellules voisines à la cellule sous test, utilisées pour éviter tout débordement du signal mais
qui ne sont pas incluses dans la procédure d'estimation [2].
- 24 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
dans un registre formé par un ensemble de cellules de référence. Le niveau du clutter est
estimé par la moyenne arithmétique des échantillons dans les fenêtres de références.
Il existe plusieurs variantes du détecteur CA-CFAR pour lesquelles on prend soit le maximum
soit le minimum des deux fenêtres, on trouve alors :
q0
q1 q N / 2 q N / 2+1 qN
2 2
U=
N
∑q
i
i V=
N
∑q
i
i
Sélection logique
QCA−CFAR = U +V
QGO −CFAR = MAX (U ,V )
QSO −CFAR = MIN (U , V )
- 25 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
q0
q1 q N / 2 q N / 2+1 qN
Algorithme de classement
q (1) < q( 2) < .......... ............... < q ( N )
Algorithme de classement
q (1) < q( 2) < .......... ... < q ( K )
QOS −CFAR = Q = q ( K )
k
1
QCMLD = Q =
K
∑q
i =1
i
- 26 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
I.III. CONCLUSION:
Dans ce chapitre, nous avons étudié, le principe de fonctionnement du system radar, ses
différents composants et les types de radars utilisés dans différents environnements. Plusieurs
méthodes de détection des cibles ont été proposées ici ainsi que les problèmes rencontrés et les
difficultés liées à la furtivité, la fluctuation des cibles et la présence du clutter. Généralement
la connaissance de l’environnement est un paramètre essentiel pour faire la détection. II est à
noter que le critère le plus utilisé est celui de Neyman-Person qui consiste à maximiser la
probabilité de détection en fixant la probabilité de fausse alarme pfa à une valeur désirée. Ce
critère est lié à la détection CFAR qui a fait l’objet de la deuxième partie de ce chapitre.
Actuellement, plusieurs détecteurs ont été proposés pour estimer le niveau du bruit, qui
présente un critère important pour la qualité de la détection.
A la fin de ce chapitre plusieurs types de détecteur ont été proposés et leurs différents
avantages et inconvénients ont été exposés.
- 27 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
II.1. INTRODUCTION :
Dans la détection automatique du radar, le problème essentiel est la présence du bruit et
du clutter dans l’environnement dans le quel est faite cette détection. En plus les paramètres
statistiques liés au bruit sont généralement inconnus.
Dans ce chapitre nous allons analysé la détection CFAR pour les détecteurs CA-CFAR, OS-
CFAR et ML-CFAR dans un environnement où les échantillons du bruit total (bruit+clutter)
sont statistiquement indépendants et identiquement distribués. Dans un environnement réel, les
échantillons du bruit ne sont pas tous identiquement distribués (environnement non
homogène), ceci est dû à la présence d'échos parasites dont les origines sont des cibles
d'interférences c'est-à-dire des cibles qui ne sont pas concernées par la détection [6].
L’objectif de ce travail est l’étude du cas du clutter de mer, où les échantillons (cellules) sont
distribués suivant une distribution Weibull.
C x
C −1
x C
p( x) = exp − , x ≥ 0 ; C ≥ 0 ; B ≥ 0 (ΙΙ − 1)
BB B
Où :
x : La variable aléatoire
B : Le paramètre d'échelle, et
C : Le paramètre de forme.
- 28 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
[ ]
∞ ∞
Pfa = ∫ P( X 0 ≥ TX ) p N ( X )dx = ∫ exp − b(Tx ) p N (x )dx
C
(ΙΙ − 4)
0 0
Pfa =
1
N
(ΙΙ − 5)
T C / 2
1 +
r
Tel que:
2
Γ N +
r= C
(ΙΙ − 6)
2
N .Γ ( N ).Γ1 +
C
Dans le cas où C est égale à 2, l'expression de la Pfa seras donnée par:
Pfa =
1
(ΙΙ − 7 )
[1 + T ]N
Le facteur multiplicatif T utilisé pour satisfaire la probabilité de fausse alarme est alors donné
par:
- 29 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
[Pfa −1 / N
−1]
2/C 2
.Γ N +
T= C
(ΙΙ − 8)
2
N .Γ (N ).Γ1 +
C
Le seuil Tz peut être écrit sous la forme :
N
TZ =
1
∑ q .T i (ΙΙ − 9)
N 1
−N
(T .ξ )C / 2
Pfa = 1 + ow (ΙΙ − 12)
N
Alors, le seuil Tow est donné par:
Tow =
[N ( Pfa −1 / N
− 1) ]2/C
(ΙΙ − 13)
2
Γ 1 +
C
Les équations précédentes montrent clairement que l'estimateur varie en fonction du nombre
de cellules N, la probabilité de fausse alarme Pfa, le facteur multiplicatif Tow et le paramètre
de forme C.
Le seuil Tz peut être écrit sous la forme :
- 30 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Tz = α .z k (ΙΙ − 18)
Pour des échantillons d'amplitude X i sont indépendants, identiquement distribué (IID) avec
une fonction densité de probabilité de Rayleigh, Rohling a montré que la relation entre la
fausse alarme et le facteur d'échelle est donnée par [10]:
N !(α + N − K )!
Pfa = (ΙΙ − 19)
(N − K )!(α + N )!
On supposant des échantillons d'amplitude pour un milieu décrit par un (IID), et X est la
variable aléatoire avec une PDF Weibull donnée par l'équation (ΙΙ − 17 ) . Alors en choisissant
le paramètre de forme C=2, la fonction densité de probabilité Weibull se réduit à une fonction
densité de probabilité Rayleigh.
La figure suivante montre la Pfa représentée comme une fonction de C quand le facteur
d'échelle a été mis pour une Pfa=10-5.
- 31 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
K=10
K=14
K=16
- 32 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Pfa =
N! (
α C/2 + N − K ! ) (ΙΙ − 25)
( N − K )! α C / 2 + N !
( )
Cette relation est obtenue de la même manière que la probabilité de détection en posant S=0.
α C/2
+ N − K !
1+ S
. (ΙΙ − 26)
N!
Pd =
(N - K)! α C/2
+ N !
1+ S
La probabilité de détection :
K −1
N −i
Pd = ∏ (ΙΙ − 27)
i =0
α C/2
N −i+
1+ S
La probabilité de fausse alarme :
K −1
N −i
Pfa = ∏ (ΙΙ − 28)
i =0 N − i + α C /2
- 33 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
∧
C=
[ ]
ln − ln(1 − h j ) − ln[− ln(1 − hi )] (ΙΙ − 31)
ln X j − ln X i
Où: hi =
i
et hj =
j
(ΙΙ − 32)
N +1 N +1
β=
lnα i
(ΙΙ − 34)
[ ]
ln − ln (1 − h j ) − ln[− ln(1 − hi )]
- 34 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
L'algorithme de l’ML-CFAR est plus coûteux en temps de calcul que les deux autres
approches; Cependant, les processeurs modernes peuvent être capables de manipuler un
traitement supplémentaire, même s’il n'ai pas rendu effectif, les performances exceptées du
ML que l'algorithme peut servir comme une référence comparative pour les algorithmes plus
simples.
Par la suite nous développerons l'algorithme ML-CFAR et analyserons sa performance, en
commençant avec le cas simple dans lequel le paramètre de forme est connu, et passer aux cas
dans lesquels les deux paramètres sont inconnus. Pour le cas général nous montrons que le
seuil du ML-CFAR peut être effectif comme c’est montré sur la figure suivante:
q0
q1 qN/ 2 qN / 2+1 qN
ESTIMATEUR DE
MAXIMUM LIKELIHOOD
∧ ∧
B C
∧ ∧
Pfa désirée Calcul
T = B .α 1/ C Comparateur
Décision
Figure II.2- Le détecteur ML-CFAR.
T = B .α 1 / C (ΙΙ − 35)
Dans le cas du ML, B et C sont estimés à partir des N échantillons
x = ( x1 , x 2 .......... ................., x N ) (ΙΙ − 36)
∧
D’une façon itérative, on peut estimer C à partir de l'équation:
- 35 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
N ∧
∑x C
j ln x j N
j =1
N ∧
−
1
∧
=
1
∑ ln x j (ΙΙ − 37)
∑x C
C N j =1
j
j =1
∧ ∧
Le C est utilisé alors pour obtenir B d’après l’équation:
∧
1/ C
∧ 1 N ∧
B = ∑x C
j
(ΙΙ − 38)
N j =1
- 36 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Pour le cas C=2, la PDF devient de forme Rayleigh, pour laquelle il a été montré que
l'estimateur du Maximum-likelihood de B est:
1/ 2
∧ 1 N
B = ∑ x
2
j (ΙΙ − 39)
N j =1
Avec un seuil de la forme:
∧
T ( x) = α . B (ΙΙ − 40)
La probabilité de fausse alarme est alors:
−N
α2
Pfa = 1 + (ΙΙ − 41)
N
Nous utiliserons la même procédure pour déterminer le seuil, avec B estimé, quand C est
connu mais n'est pas nécessairement égal à 2. La référence [9] montre que pour un tel cas
l'estimateur ML-CFAR est donné par :
1/ C
∧ 1 N
B = ∑ x
C
j (ΙΙ − 42)
N j =1
Et un seuil T égale:
1/ C
∧ 1 N
T ( x) = α . B = α . ∑ x C
j (ΙΙ − 43)
N j =1
Une fausse alarme se présente lorsque la valeur dans la cellule sous test (CUT) dépasse le
seuil, en mettant :
∞
Pfa = ∫ P[CUT > T ( x) ]f x ( x)dx (ΙΙ − 44)
0
∞
Cx C −1 x C
P(CUT > T ) = ∫ exp − dx (ΙΙ − 46)
t BC B
- 37 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
T C
P(CUT > T ) = exp − (ΙΙ − 47)
B
On remplacer le seuil de l'équation (ΙΙ − 43) dans l'équation (ΙΙ − 47) nous obtenons, pour le
premier terme dans l'intégrale :
αC xj
N
C
P(CUT > T ) = exp − ∑ (ΙΙ − 48)
N j =1 B
Le deuxième terme dans l'intégrale de l'équation (ΙΙ − 44) est la PDF commune pour N
cellules est :
N
C xj
C −1
xj
C
f x ( x) = ∏ exp − (ΙΙ − 49)
j =1 B B B
En insérant les équations (ΙΙ − 48) et (ΙΙ − 49) dans l'équation (ΙΙ − 44) nous obtenons:
N ∞
C xj
C −1
αC x j
C
Pfa = ∏ ∫ . exp − 1 + dxi (ΙΙ − 50)
j =1 0 B B N B
C
xj
On remplaçons yi = nous obtenons:
B
N ∞ αC
Pfa = ∏ ∫ exp − 1 + yi dyi (ΙΙ − 51)
j =1 0 N
Ce qui donne:
−N
αC
Pfa = 1 + (ΙΙ − 52)
N
L'équation (ΙΙ − 52) indique que l'algorithme est en effet CFAR, puisque la probabilité de
- 38 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
L'analyse précédente suppose un détecteur linéaire où la variable aléatoire x est distribuée avec
une distribution Weibull pour un paramètre de forme C. Par contre pour un détecteur
quadratique la variable aléatoire y = x 2 est aussi Weibull, avec un paramètre de forme égale
C/2. Le seuil deviendra alors [11]:
2/C
( )
N
T ( y ) = Pfa −1 / N − 1 ∑ y Cj / 2 (ΙΙ − 54)
j =1
Quand le paramètre de forme C est connu, le seuil est basé sur l'estimation du paramètre
d'échelle, comme dans l'équation (ΙΙ − 43) . La probabilité de détection sera par conséquent :
∞
Pd = ∫ P(CUT > αB ) f ∧ ( B)dB (ΙΙ − 55)
B
0
N. y C
N
N
f B ( y) = C
C
y C . N −1 exp − C (ΙΙ − 56)
B (N − 1)! B
Nous supposerons une cible fluctuante avec une PDF Rayleigh, et une puissance moyenne
de Bt2 . Le clutter dans la CUT seront rapprochés par une PDF Rayleigh avec la même
puissance moyenne comme celle du clutter Weibull dans les cellules de références.
La puissance moyenne du clutter BC2 sera reliée avec le paramètre d'échelle B :
2
BC2 = B 2 Γ1 + (ΙΙ − 58)
C
Du fait que la cible et le clutter dans la CUT sont Rayleigh distribué, la PDF de la CUT sera
aussi distribué en Rayleigh.
- 39 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
−y 2
f CUT ( y ) = (ΙΙ − 59)
y
exp
2 2 2 2 2
B Γ1 + + Bt2
B Γ1 + C + Bt
C
On défini le SCR par:
Bt2
SCR = (ΙΙ − 60)
2
B 2 Γ 1 +
C
En remplaçant l'équation (ΙΙ − 59) dans l’équation (ΙΙ − 57 ) , nous obtiendrons :
∧
2
− α B
∧
(ΙΙ − 61)
P CUT > α B = exp
B (1 + SCR)Γ1 + C
2 2
Aussi en remplaçant l'équation (ΙΙ − 56) et (ΙΙ − 61) dans l'équation (ΙΙ − 55) nous trouverons
Pd :
∞ − (α . y ) N N C. y CN −1 − N. y C
C .
2
Pd = ∫ exp exp dy (ΙΙ − 62)
2 2 B ( N − 1)! B
C
0
B (1 + SCR )Γ 1 +
C
Substituer
N.y C
z= (ΙΙ − 63)
BC
Nous obtenons le résultat pour la probabilité de détection quand SCR>>1 :
∞ −α
2/C
z
2
1
(ΙΙ − 64)
( N − 1)! ∫0
Pd = z N −1
exp − z dz
2 N
(1 + SCR )Γ1 + C
Pour le cas spécial de clutter Rayleigh (C=2), cet intégral est résolu explicitement, en le
réduisant au résultat connu :
−N
α2
Pd = 1 + (ΙΙ − 65)
N (1 + SCR )
- 40 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
L'équation (ΙΙ − 64) est une expression approximative, parce qu'en dépit du fait que le clutter
dans les cellules de référence suit une distribution Weibull, la CUT est supposée suivre une
distribution Rayleigh (avec la même puissance moyenne). Pour vérifier l'exactitude de cette
approximation, nous comparons la Pd qui utilise l'équation (ΙΙ − 64) avec la simulation Monte-
Carlo dans laquelle la CUT contient un clutter Weibull (et une cible Rayleigh). Les résultats
sont donnés dans la figure II.3.
Pd
Cette courbe est une approximation théorique dans laquelle la cellule sous test est supposée
contenir une cible plus un bruit de Rayleigh. Les points représentent des résultats de Monte-
Carlo dans lesquels la CUT contient la cible plus le bruit de distribution Weibull correcte.
Chaque point individuel est obtenu à partir de 1000 itérations de monte-carlo. Pour des faibles
SCR nous cherchons que la Pd réelle soit quelque peu plus élevée que celle prédite par
- 41 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
assure que le seuil décrit par l'équation (ΙΙ − 35) ,est en effet un détecteur CFAR, puis nous
C
N N C −1 x Cj
f ( x) = C ∏ x j exp − C (ΙΙ − 66)
B j =1
B
Pour laquelle nous obtenons :
N N
ln f ( x) = N ln C − N .C ln B + (C − 1)∑ ln x j −
1
∑x j (ΙΙ − 67)
N −1 BC j =1
C
∂ ln f ( x) NC C N x j
=− + ∑ (ΙΙ − 68)
∂B B B j =1 B
C
∂ ln f ( x) N N N
xj x
= − N ln B + ∑ lnx j − ∑ ln j (ΙΙ − 69)
∂C C j =1 j =1 B B
On posant :
∂ ln f ( x)
=0
∂B
Nous obtenons :
∧
C
∧C N
xj
B =
1
∑ (ΙΙ − 70)
N j =1 B
- 42 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
N ∧
∑x C
j ln x j N
j =1
N ∧
−
1
∑ ln x j =
1
∧
(ΙΙ − 71)
∑x C N j =1
C
j
j =1
L'équation (ΙΙ − 71) peut être résolu itérativement pour obtenir qui sera utilisé alors dans
∧
l'équation (ΙΙ − 70 ) pour obtenir B .
Pour justifier le choix du seuil comme décrit par l'équation (ΙΙ − 35) , nous notons en premier
que quand B et C sont connus exactement dans l'équation (ΙΙ − 47) , la probabilité de fausse
∧ ∧
T = B .α 1 / C (ΙΙ − 74)
Pour un grand nombre de cellules de référence N, et une Pfa relativement élevée, est
légèrement plus élevée que (-ln pfa).
Une étude dans la référence [9] sur les propriétés des détecteurs CFAR, justifie dans
l'appendice À l'approche heuristique qui a mené à l'équation (ΙΙ − 74 ) ;
La technique de simulation donne des résultats entre le facteur et Pfa pour deux valeurs de N
(16 cellules et 32 cellules). Ces résultats sont tracés dans la figure 2.
- 43 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Pfa
Figure II.4- Le facteur en fonction de Pfa.
Nous avons aussi ajouté la courbe de (-ln Pfa); pour laquelle converge quand N tend vers
l'infini. Dans La figure II.4, chaque point sur la courbe qui correspond à N=32 a été obtenu à
partir de 100.000 itérations et chaque point sur la courbe N=16 a été obtenu à partir de 50.000
itérations. Les courbes sont obtenues en utilisant l'interpolation linéaire entre les points, sans
lissage [11].
II.6. CONCLUSION :
Dans ce chapitre, nous avons définit la distribution Weibull qui représente les clutter de
mer à partir de la fonction densité de probabilité PDF. Cette PDF a été développé pour obtenir
une fonction des probabilités de fausse alarme Pfa, la probabilité de détection Pd et le seuil de
détection T pour les détecteurs CA-CFAR, OS-CFAR et ML–CFAR. La fonction Pfa
correspond généralement à un paramètre de forme C qui varie et cette variation permet de
faire l’analyse pour deux cas, le premier concerne le cas où le paramètre de forme C est connu
et l’autre, le cas où le paramètre de forme C est inconnu (estimé). L’analyse utilisée dans ce
chapitre a permis de trouver les différentes formules du seuil de détection afin de permettre la
simulation de la détection pour les différents types de détecteurs présentés précédemment.
- 44 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
III.1. INTRODUCTION :
Dans ce qui précède nous avons fait des analyses complètes sur les performances des
détecteurs CA-CFAR, OS-CFAR et ML-CFAR. Nous avons traité des problèmes de la
détection dans un environnement où le clutter est un clutter de mer avec une distribution
Weibull et un paramètre de forme C proposé connu à priori et inconnu.
Ce chapitre présente des applications pour ce genre de systèmes, plusieurs tests ont été
effectués et les résultats trouvés sont présentés ici, ainsi que leur interprétation afin d’établir
une comparaison pour chaque détecteur dans chaque situation.
- 45 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
paramètre cellules T
N Pfa=10-2 Pfa=10-4 Pfa=10-6
8 2.7257 21.0395 96.1918
C=1 12 1.4224 8.6627 30.3904
16 0.9455 5.1486 15.9857
24 0.5593 2.7355 7.5715
paramètre cellules T
-2
N Pfa=10 Pfa=10-4 Pfa=10-6
8 0.7783 2.1623 4.6234
C=2 12 0.4678 1.1544 2.1623
16 0.3335 0.7783 1.3714
24 0.2115 0.4678 0.7783
paramètre cellules T
N Pfa=10-2 Pfa=10-4 Pfa=10-6
8 0.4622 0.9135 1.5161
C=3 12 0.2889 0.5276 0.8016
16 0.2100 0.3694 0.5389
24 0.1357 0.2304 0.3234
- 46 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Dans les figures III.1, III.2 et III.3, nous présentons les variations de la probabilité de
détection Pd en fonction du SCR pour le détecteur CA-CFAR. Ces figures sont obtenues pour
une valeur de Pfa égale 10-2.
- 47 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Afin de mieux voir l'effet de la probabilité de fausse alarme, nous avons tracé les figures III.7,
III.8 et III.9 qui montrent la variation de Pd en fonction du SCR pour une valeur de Pfa égale
10-6.
- 49 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 50 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 51 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Nous observons toujours que la probabilité de détection augmente lorsque le SCR augmente,
aussi la probabilité de détection Pd augmente lorsque la probabilité de fausse alarme Pfa
augmente.
Pour une Pfa égale 10-6, la probabilité reste nulle pour des valeurs positives du SCR jusqu'à
une valeur précise. Par contre pour une Pfa égale à 10-2 et 10-4, la Pd représente une valeur
- 52 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
positive pour un SCR nul, ce qui veut dire que le système n'est pas fiable, du fait qu'il ignore
l'information pour des valeurs remarquables du SCR. Pour une Pfa égale à 10 -5, le graphe
commence par l'origine, et s'accroît avec l'augmentation du SCR, ce qui veut dire que le
système est fiable. Donc nous pouvons dire que l'augmentation de la probabilité de fausse
alarme peut influencer la fiabilité du système.
- 53 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 54 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 55 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
On remarque d’après cette figure que lorsque le paramètre de forme C est compris entre 1.5 et
2, la variation de Pd est meilleure par apport autre cas de C. La valeur optimale de C est égale
à 2.
Dans la figure III.16, les performances du CA-CFAR, en fonction du SCR et du nombre de
cellules N, sont représentées.
- 56 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 57 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Nous remarquons que les deux détecteurs ont la même forme de variation de probabilité
de détection en fonction du SCR. On peut dire alors que le OW-CFAR donne une bonne
estimation des paramètres.
- 58 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 59 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 60 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 61 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Tableau II.10- Valeurs de α i pour différentes valeurs de Pfa dans le cas du OS-CFAR.
- 62 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Les courbes des figures III.23, III.24 et III.25 représentent la variation de la probabilité
de détection en fonction du SCR et du nombre de cellules N pour une Pfa égale 10-4.
- 63 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 64 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 65 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 66 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
paramètre cellules α
N Pfa=10-2 Pfa=10-4 Pfa=10-6
8 2.4952 4.1591 6.0817
C=2 12 2.3693 3.7220 5.0939
16 2.3101 3.5288 4.6842
24 2.2531 3.3507 4.3219
- 67 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Dans les figures III.29, III.30 et III.31, nous traçons les variations de la probabilité de
détection Pd en fonction du SCR pour le détecteur ML-CFAR. Ces figures sont obtenues pour
une valeur de Pfa égale 10-4.
- 68 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 69 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Nous remarquons que dans le cas C=0.8, 1.2 et 1.6 la Pd reste nulle pour des valeurs positives
du SCR jusqu'à une valeur du SCR égale à 20, 8.5 et 4 dB respectivement, ce qui veut dire que
le système n'est pas fiable, du fait qu'il ignore l'information pour des valeurs remarquables du
SCR. Dans le cas où C=2 le graphe commence par l'origine, et s'accroît avec l'augmentation
du SCR, ce que veut dire que le système est plus fiable comparé aux autre cas.
Pour une Pfa égale 10-6, la probabilité reste nulle pour des valeurs positives du SCR jusqu'à
une valeur précise. Par contre pour une Pfa égale 10-2 et 10-4, la Pd présente une valeur
positive d’environs 0.1 et 3.10-4 respectivement pour un SCR nul. Ce qui veut dire que le
système n'est pas fiable, du fait qu'il ignore l'information pour des valeurs remarquables du
SCR. Dans le cas où Pfa=10 -5, le graphe commence par l'origine, et s'accroît avec
l'augmentation du SCR, ce que veut dire que le système est plus fiable comparé aux autre cas.
- 70 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 71 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
La figure III.36 présente une comparaison entre le cas de C connu et le cas de C inconnu. Il est
remarquable d'après cette figure et la figure III.28 que la perte entre les deux courbes est plus
petite par rapport à la perte obtenue dans le cas du détecteur OS-CFAR.
Les résultats de la simulation indiquent que l'estimateur du Maximum de vraisemblance donne
de meilleurs résultats que l'estimateur de Weber-Haykin.
- 72 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
III.3. CONCLUSION :
Dans ce chapitre, nous avons présenté tous les résultats obtenus en utilisant la simulation
de Monté Carlo. Nous avons étudié les détecteurs CA-CFAR, OS-CFAR et ML-CFAR dans
un environnement qui présente un clutter homogène en utilisant l'approche qui considère les
échos radars qui proviennent de réflexions indépendantes et identiques.
Le modèle utilisé est le modèle de Weibull, ce modèle convient à modéliser les clutters de mer
dans lesquels le paramètre de forme C se propose d’être connu ou parfois inconnu. Dans ce
dernier cas, plusieurs méthodes peuvent être utilisés pour estimer la valeur de C. Pour le ML-
CFAR, l'estimateur du Maximum de vraisemblance (Maximum-likelihood) a montré une
amélioration de la performance par rapport à l'estimateur Weber-Haykin. La caractéristique
principale de l'estimateur du Maximum-likelihood, est qu’il utilise toutes ces cellules pour cela
l'algorithme présente une perte CFAR inférieure et la déviation entre les valeurs réelles et les
valeurs estimés est plus petite.
D'autre part, tous les détecteurs présentent une meilleure performance pour une Pfa égale 10 -5
et un paramètre de forme C égale 2 représentant la distribution de Rayleigh.
- 73 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
CONCLUSION :
Dans la détection CFAR, plusieurs méthodes adaptatives ont été adoptées afin de
déterminer le seuil qui permet de perfectionner les systèmes de détection.
Ce travail propose d’étudier et de traiter le problème de la détection CFAR dans un clutter de
mer représenté par une distribution Weibull. Pour cela nous avons choisi d’utiliser plusieurs
types de détecteurs, le CA, l’OS et le ML-CFAR, afin de déterminer la performance de chacun
d’entre eux dans différentes situations. Ces situations sont été présentées suivant la variation
du nombre de cellules, la variation de la Pfa et la variation du paramètre de forme C.
Dans le but de déterminer le meilleur des différents types de détecteurs, une comparaison a été
effectuée pour plusieurs paramètres par simulation suivant la méthode de Monte-Carlo.
Cette étude nous a permis en premier lieu de constater que le modèle de distribution Weibull
qui est le plus adapté pour la représentation du clutter de mer, est un modèle général par
rapport aux autres modèles car chaque changement effectué dans le paramètre de forme C
représente un autre modèle, par exemple: le modèle de Rayleigh, Gamma, K distribué etc.…
Aussi le paramètre de forme C peut présenter deux situations différentes suivant que C est
connu ou inconnu. Dans le second cas ce paramètre peut être estimer suivant plusieurs
méthodes. Pour le ML-CFAR, l'estimateur du Maximum de vraisemblance (Maximum-
likelihood) a montré une amélioration de la performance par rapport à l'estimateur Weber-
Haykin. La caractéristique principale de l'estimateur du Maximum-likelihood, est qu’il utilise
toutes ces cellules pour cela l'algorithme présente une perte CFAR inférieure et la déviation
entre les valeurs réelles et les valeurs estimés est plus petite.
D’une façon générale, Malgré qu’il a été trouvé que le meilleur détecteur est le ML-CFAR,
tous les détecteurs présentent une meilleure performance pour une Pfa égale 10-5 et un
paramètre de forme C égale 2 représentant la distribution de Rayleigh.
- 74 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
fausse alarme.
- 75 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
Pfa=10-5et C=2.
- 76 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 77 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 78 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
CFAR.
III.11 Valeurs de pour différentes valeurs de la Pfa dans le cas du ML- 67
CFAR (C=1).
III.12 Valeurs de pour différentes valeurs de la Pfa dans le cas du ML- 67
CFAR (C=1).
III.13 Valeurs de pour différentes valeurs de la Pfa dans le cas du ML- 67
CFAR (C=1).
- 79 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
REFERENCES
[1]
M. Carpentier, « Radars : Bases Modernes », MASSON, 1990, 6 iémé édition.
[2]
B. Atrouz, « Les systems radar », Ecole militaire polytechnique.
[3] M. Barkat. « Signal detection and estimation », Artech house radar library,
MA 02062, 2 émé édition 2006.
[4] B. R. Mahafza, « Radars systems analysis and design using MATLAB », COLSA
Corporation, Huntsville, Alabama, ISBN 1-58488-182-8 (alk. Paper).
[6] A.Hadjlarbi et Bellache Eliasse, « Etude comparative des Détecteurs CFAR et les
systèmes distribuées en présences de cibles interférentes », Mémoire d’ingénieur,
Département d’électronique, université de M’sila, 2004
[9] Y. Dong, « Distribution of X-Band High Resolution and High Grazing Angle Sea
Clutter », Commonwealth d’Australie 2006, AR-013-708, July 2006.
[10]
N. Levanon, and M. Shor, « Order statistics CFAR for Weibull background », IEE Proc., Vol.
137, Pt.F, (3), pp.157-162, June 1990.
[11] R. Ravid, and N. Levanon, « Maximum likelihood CFAR for Weibull background »,
IEE Proc. F., vol 139, N° 3, pp.256-264, June 1992.
- 80 -
MEMOIRE DEFIN D’ETUDE LES DETECTEURS CA, OS et ML-CFAR
- 81 -