You are on page 1of 125

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE MINISTERE DE LENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE MENTOURI CONSTANTINE FACULTE DES SCIENCES

DE LINGENIEUR DEPARTEMENT DLECTRONIQUE Laboratoire Signaux et Systmes de Communication

MEMOIRE
Prsent en Vue de lObtention du Diplme de Magister en lectronique

DETECTION ADAPTATIVE CFAR A CENSURE AUTOMATIQUE BASEE


SUR LES STATISTIQUES D'ORDRE EN MILIEUX NON

Gaussiens

Option: Traitement du Signal Par CHABBI Soud


Devant la Commission d'Examen
Prsident Rapporteur Examinateurs F. SOLTANI T. LAROUSSI Z. HAMMOUDI A. FARROUKI Professeur Matre de Confrences classe A Matre de Confrences classe A Matre de Confrences classe A U. Constantine U. Constantine U. Constantine U. Constantine

Promotion 2008

Ddicaces
Le travail prsent dans ce Mmoire a t labor au sein du Laboratoire Signaux et Systmes de Communications, SISCOM, Dpartement dElectronique, Universit Mentouri Constantine. Mes remerciements vont en premier lieu ALLAH Tout Puissant qui a illumin mon chemin de la lueur du savoir et de la science et pour la volont, la sant et la patience qu'il ma prodigues durant toutes ces annes dtudes. Je ddie ce Mmoire A mes trs chers parents, dont l'incommensurable contribution mon ducation, mon instruction et tous les instants de ma vie, ravivera jusqu' la fin de mes jours mon infinie tendresse. Qu'ils trouvent ici l'expression de mon ternelle reconnaissance. A toute ma famille A mes cousines et cousins A tous mes amies et amis En tmoignage de mon affection. Je tiens remercier vivement mon respectueux Directeur de Mmoire Dr. Toufik Laroussi pour mavoir accord sa confiance et fait partager son savoir. Durant llaboration de ce travail, jai bnfici sans cesse de sa grande exprience
et de ses prcieux conseils. J'ai appris de lui le sens de la critique constructive et une

volont incessante surmonter toutes les difficults que jai rencontres en toutes circonstances.
Qu'il veuille trouver ici le modeste tmoignage de ma gratitude et de mon profond respect.

ii J'aimerais galement exprimer ma reconnaissance et gratitude aux membres du laboratoire SISCOM, pour leurs aides et orientations, leurs encouragements et prcieuses remarques.

A lensemble de mes enseignants dont jai bnfici sans cesse de leurs grandes expriences et prcieux conseils. Qu'ils veuillent trouver ici le tmoignage de ma gratitude et de mon profond respect.

A toutes et tous mes camarades et personnel administratif, toute ma reconnaissance et mon attachement.

A Monsieur le Prsident du Jury, le Professeur Faouzi Soltani et Messieurs les jurs, le Dr. Zoheir Hammoudi, Matre de Confrences et le Dr. Atef Farrouki, Matre de Confrences luniversit Mentouri Constantine, Qui ont bien voulu nous honorer de prendre en charge ce modeste ouvrage. Qu'ils veuillent trouver ici l'expression de mon fidle tmoignage et l'assurance de mon profond respect. Que toutes les personnes que j'ai involontairement oublies, trouvent ici, en cette heureuse et solennelle circonstance, l'expression de ma profonde gratitude et de mon indfectible dvouement.

Soud

iii

Table des matires


Chapitre 1 tat de lart

1.1 Introduction 1.2 Etat de l'art des dtecteurs CFAR mono-impulsion existants 1.2.1 Dtecteurs CFAR niveau moyen 1.2.2 Dtecteurs CFAR bass sur les statistiques dordre 1.3 Contribution 1.4 Organisation du manuscrit

2 5 5 6 8 8

Chapitre 2

Concepts radar et dtection adaptative CFAR

2.1 Introduction 2.2 Principe de fonctionnement et composants dun systme radar 2.3 Types de radars 2.4 Radar impulsions 2.4.1 Paramtres caractristiques dune impulsion RF 2.4.2 Equation du radar 2.5 Radar indicateur de cibles mobiles 2.5.1 Effet Doppler-Fizeau 2.5.2 Radar Doppler impulsions 2.6 Diffrents types de bruit 2.6.1 Bruit thermique 2.6.2 Fouillis (clutter) 2.7 Modles statistiques de clutter et de cibles 2.7.1 Modles statistiques de clutter 2.7.2 Modles statistiques de cibles 2.8 Dtection adaptative CFAR 2.9 Critres de vraisemblance 2.9.1 Critre de Bayes 2.9.2 Critre de Neyman-Pearson 2.10 Conclusion

11 12 14 15 16 18 19 19 20 21 21 22 24 24 24 26 29 29 31 32

iv
Chapitre 3 Rappels de quelques lois de distributions

3.1 Introduction 3.2 Les distributions de type Location-Scale (LS) 3.3 Distribution uniforme (Uniform) 3.4 Distribution Gaussienne (Normal) 3.5 Distribution lognormal 3.6 Distribution Rayleigh 3.7 Distribution Weibull 3.8 Distribution Gumbel 3.9 Conclusion

34 34 34 36 38 40 42 45 46

Chapitre 4

Analyse des dtecteurs F/B-ACCAD-CFAR et F/B-ACOSD-CFAR dans des clutter lognormal et Weibull

4.1 Introduction 4.2 Analyse des dtecteurs F/B-ACOSD 4.2.1 Analyse du dtecteur F-ACOSD 4.2.2 Analyse du dtecteur B-ACOSD 4.2.3 Slection des seuils adaptatifs de censure automatique 4.2.4 Probabilits de fausse alarme et de dtection 4.3 Analyse des dtecteurs F/B-ACCAD 4.3.1 Estimation des paramtres de position et d'chelle 4.3.1.1 Distribution normal 4.3.1.2 Distribution Gumbel 4.3.2 Analyse du dtecteur F-ACCAD 4.3.3 Analyse du dtecteur B-ACCAD 4.3.4 Slection des seuils adaptatifs de censure automatique 4.3.5 Probabilits de fausse alarme et de dtection 4.4 Conclusion

48 49 51 53 54 55 55 56 56 58 59 59 59 61 62

Chapitre 5

Simulations

5.1 Introduction 5.2 Simulations

64 64

v
5.2.1. Dtecteurs F/B-ACOSD et F/B-ACCAD dans un environnement lognormal ou Weibull 5.2.1.1 Evaluation des paramtres de seuils adaptatifs des dtecteurs F/B-ACOSD 5.2.1.2 Evaluation des paramtres de seuils adaptatifs des dtecteurs F/B-ACCAD 5.2.1.3 Probabilit de censure 5.2.1.4 Probabilit de dtection 5.4 Conclusion 66 66 71 76 91 100

Chapitre 6

Conclusion gnrale

6.1 Conclusions 6.2 Perspectives

102 103

Rfrences bibliographiques

104

vi

Liste des symboles

Pd Pfa TR Dmax FR TR- C t D Dmax d Pr Pt Pmin Lt, Lr Gt, Gr G Rt, Rr k T B

Probabilit de Dtection Probabilit de Fasse Alarme Priode de rptition des impulsions radar, PRI Distance maximale de dtection Dure dune impulsion radiofrquence Frquence de rptition des impulsions, PRF Temps dcoute Vitesse de la lumire Temps correspondant un aller-retour de l'onde entre le radar et la cible Distance radar-cible, Distance oblique Distance maximale radar-cible sans ambigut Pouvoir de discrimination en distance Puissance de lcho reu Puissance du signal mis Puissance de lcho reu minimale Longueur d'onde du radar du signal RF Pertes totales en transmission et en rception Gains de l'antenne mettrice et rceptrice Gain de l'antenne Surface Equivalente Radar (SER) ou RCS de la cible Distances cible-radar metteur et cible-radar rcepteur Constante de Boltzmann Temprature due au bruit du systme Bande passante du bruit au niveau du rcepteur Rapport Signal sur Bruit moyen la sortie du rcepteur (dtecteur) Largeur du faisceau Vitesse et vitesse radiale de la cible Frquence Doppler Frquence de londe mise Frquences des ondes reue et transmise aprs modification par l'effet Doppler Frquences intermdiaire et locale Signal reu

S
VO, Vr Fd Fe Fr, Ft Fi, Fl r(.)

vii
N q qi H0, H1 T s(.) n(.) R(Di,Hj) Cij E(C) Rmoy P(H0), P(H1) Nombre de cellules de rfrence Sortie totale des cellules sous test Sortie de la cellule sous test correspondant l'impulsion i Hypothses cible absente et cible prsente Seuil de dtection Signal cible Signal bruit Fonction risque d'une dcision Di pour une hypothse Hj, i=j=0, 1 Fonction cot d'une dcision i pour une hypothse j, i=j=0, 1 Cot moyen Risque moyen Probabilits a priori cible absente et cible prsente Rapport de vraisemblance Fonction objective Probabilit de non dtection Multiplicateur de Lagrange

(.)
J(.) Pmiss ~ Pnull

Probabilit de dtection nulle

P(Q)

p q H1 , p q H 0
Ii, Qi k p l X0 Xi Pfc ek

) (

pdf jointe du niveau total estim de l'environnement pdfs de la cellule sous test sous H1 et H0 Composantes en phase et en quadrature de phase, respectivement, de la iime cellule de rfrence Le nombre des cibles interfrentes Le nombre des cellules dans la population initiale Le nombre des cellules noyes dans le clutter La cellule sous test Les cellules de rfrences (i=1,, N) Probabilit de fausse censure Probability of hypothesis test error Constants choisis pour atteindre Pfc dans les dtecteurs F-ACOSD et B-ACOSD, respectivement Constants choisis pour atteindre Pfc dans les dtecteurs F-ACCAD et B-ACCAD, respectivement Constants choisis pour atteindre Pfa dans les dtecteurs F/B-ACOSD et F/B-ACCAD, respectivement.

k , k
ak, bk

k , gk

viii

Liste des figures


2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 Seuil adaptatif dans un environnement non homogne Cycles mission/coute dun systme radar impulsion Angles caractrisant une cible radar Schma synoptique dun radar Doppler impulsions Cellule sous test dans le bruit thermique en prsence d'un bord de clutter Cellule sous test dans le bruit thermique et le clutter Cellule sous test dans le bruit thermique en prsence des cibles interfrentes Mixture bruit thermique, bord de clutter et cibles interfrentes Schma synoptique gnral d'un dtecteur CFAR 11 16 18 21 23 23 23 24 27 28 29 32 35 35 37 37 39 39 41 42 43 43 45 45 49 50 51 52 53 56 60 61 65

2.10 Matrice distance vitesse d'un radar Doppler impulsions 2.11 Signal obtenu par dtection d'enveloppe 2.12 Rgions de dcisions 3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 Fonction de densit de probabilit de la loi uniforme Fonction de rpartition de la loi uniforme Fonction de densit de probabilit de la loi Gaussienne Fonction de rpartition de la loi Gaussienne Fonction de densit de probabilit de la loi lognormal Fonction de rpartition de la loi lognormal Fonction de densit de probabilit de la loi Rayleigh Fonction de rpartition de la loi Rayleigh Fonction de densit de probabilit de la loi Weibull

3.10 Fonction de rpartition de la loi Weibull 3.11 Fonction de densit de probabilit de la loi Gumbel 3.12 Fonction de rpartition de la loi Gumbel 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 5.1 5.2 Structure gnrale des dtecteurs F/B-ACOSD Dtecteur linaire denveloppe Diffrents types denvironnements Schma fonctionnel de lalgorithme F-ACOSD Schma fonctionnel de lalgorithme B-ACOSD Structure gnrale du dtecteur F/B-ACCAD Schma fonctionnel de lalgorithme F-ACCAD Schma fonctionnel de lalgorithme B-ACCAD Reprsentation gomtrique des vecteurs cible et clutter

Probabilit d'erreur de test ek du dtecteur F-ACOSD en fonction du paramtre de seuil k 68

ix
dans un environnement homogne pour (N, p) = (24,16). 5.3 Probabilit d'erreur de test ek du dtecteur B-ACOSD en fonction du paramtre de seuil k dans un environnement homogne pour (N, p) = (24,16). 5.4 Probabilit d'erreur de test ek du dtecteur F-ACCAD en fonction du paramtre de seuil ak 73 dans un environnement homogne pour (N, p) = (24,16). 5.5 Probabilit d'erreur de test ek du dtecteur B-ACCAD en fonction du paramtre de seuil 74 69

bk dans un environnement homogne pour (N, p) = (24,16).


5.6 Comparaison des probabilits de censure en fonction de k des algorithmes F/B-ACOSD et 80 F/B-ACCAD dans des environnements lognormal et Weibull, pour N=36, p=24, =0.355, =3 Pfc=10-2, m=6 et ICR=25dB. 5.7 Probabilits de censure en fonction de k ICR=25 et 35dB. 5.8 5.9 Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACOSD dans un 82 environnement interfrent, pour N=36, p=24, =0.355, =3 Pfc=10-2 et m=2 et 10. Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACCAD dans un 83 environnement interfrent, pour N=36, p=24, =0.355, =3 Pfc=10-2 et m=2 et 10. 5.10 Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACOSD et 84 F/B-ACCAD dans un environnement interfrent, pour N=36, p=24, =0.355, =3 Pfc=10-2 et m=10. 5.11 Probabilits de censure en fonction de k de lalgorithme F-ACOSD dans des 86 environnements lognormal et Weibull pour N=36, p=24, =0.355, =3, ICR=25dB, m=6 et Pfc=10-2 et 10-3. 5.12 Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACOSD dans un 87 environnement interfrent, pour N=36, p=24, (=0.355 et m=6), (=3 et m=10) et Pfc=10-2 et 10-3. 5.13 Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACCAD dans un 88 environnement interfrent, pour N=36, p=24, (=0.355 et m=6), (=3 et m=10) et Pfc=10-2 et 10-3. 5.14 Probabilit de sous-censure en fonction de , () pour les algorithmes F/B-ACOSD dans un 89 environnement interfrent pour (N, p) = (36, 24), m=8, Pfc=10-2 et ICR=25dB et 35 dB. 5.15 Probabilit de sous-censure en fonction de () des algorithmes F/B-ACCAD dans un 90 environnement interfrent, pour (N, p)=(36, 24), m=8, Pfc=10-2 et ICR=25dB et 35 dB. 5.16 Probabilit de dtection en fonction de SCR des dtecteurs F/B-ACOSD dans un 92 environnement homogne pour =0.355, =3, (N, p)=(36, 24), (16, 12), Pfc=10-2 et Pfa=10-3. de lalgorithme F-ACOSD dans des 81 environnements lognormal et Weibull, pour N=36, p=24, =0.355, =3 Pfc=10-2, m=6 et

x
5.17 Probabilit de dtection en fonction de SCR des dtecteurs F/B-ACCAD dans un 93 environnement homogne pour =0.355, =3, (N, p)=(36, 24) et (16, 12), et Pfc=10-2 et Pfa=10-3. 5.18 Comparaison des probabilits de dtection en fonction de SCR des dtecteurs F-ACOSD et 94 F-ACCAD dans un environnement homogne pour =0.355, =3, (N, p)=(36, 24), (16, 12) et Pfc=10-2 et Pfa=10-3. 5.19 Probabilit de dtection en fonction de () des dtecteurs F-ACOSD et F-ACCAD dans 95 un environnement homogne pour N=36, p=24, Pfc=10-2, Pfc=10-3 et SCR=25dB et 35 dB. 5.20 Probabilit de dtection en fonction de SCR des dtecteurs F/B-ACOSD dans un 97 environnement interfrent pour =0.355 et 0.7, (=1.5 et 3), (N, p)=(36, 24), m=4 et 10, Pfc=10-2 et Pfa=10-3. 5.21 Probabilit de dtection en fonction de SCR des dtecteurs F/B-ACCAD dans un 98 environnement interfrent pour =0.355 et 0.7, = 1.5 et 3, (N, p)=(36, 24), m=4 et 10, Pfc=10-2 et Pfa=10-3. 5.22 Comparaison des probabilits de dtection en fonction de SCR des dtecteurs 99 F-ACOSD et F-ACCAD dans un environnement interfrent pour, =0.355 et 0.7, =1.5 et 3, (N, p) = (36, 24), m=6 et Pfc=10-2 et Pfa=10-3.

xi

Liste des tableaux

2.1 5.1

Exemples d'environnements Gaussien et non-Gaussiens

25

Paramtre de seuil de dtection k des dtecteurs F/B-ACOSD, pour diffrentes valeurs 67 de (N, p), dans un environnement homogne pour Pfa=10-3. Paramtres de seuils de censure k et k des dtecteurs F/B-ACOSD pour diffrentes 70 valeurs de la Pfc dans un environnement homogne. Paramtres de seuils de dtection g k des dtecteurs F/B-ACCAD pour diffrents (N, p), 72 dans un environnement homogne pour Pfa=10-3. Paramtres de seuils de censure ak et bk des dtecteurs F/B-ACCAD dans un 75 environnement homogne pour Pfc=10-2 et 10-3. Probabilit de censure des dtecteurs F/B-ACOSD dans un environnement homogne, 76 =0.355 et =3, pour (N, p) = (16, 12) et (36, 24) et Pfc=10-2 et 10-3. Probabilit de censure des dtecteurs F/B-ACCAD dans un environnement homogne, 77 pour =0.355, =3, (N, p)= (16, 12) et (36, 24) et Pfc=10-2 et 10-3.

5.2

5.3

5.4

5.5 5.6

xii

Liste des acronymes


ACCA -ODV ACGO ACMLD BLUE BLIE CA CDF CST CFAR/TFAC CMLD DLE F/B-ACCA F/B-ACOS FI GO hH ICR IFF IID LS MDS MLE MTI nhH OS PDF PRF PRI PSR RADAR RCS RF SNR SO Automatic Censoring Cell Averaging-Ordered Data Variability Adaptive Censored Greatest Of Automatic Censored Mean Level Detector Best Linear Unbiased Estimation Best Linear Invariant Estimation Cell Averaging Cumulative Density Function, Cellule Sous Test Constant False Alarme Rate/ Taux de Fausse Alarme Contant Censored Mean Level Detector Dtecteur Linaire dEnveloppe Forward Automatic Censored Cell-Averaging Forward/Backward-Automatic Censored Order-Statistic Frquence Intermdiaire Greatest Of Homogeneous hypothesis Interference to Clutter Ratio Identification Friend or Foe Indpendant et Identiquement Distribu Location-Scale Minimum Discernable Signal Maximum Likelihood Estimator Moving Target Indicator Non homogeneous hypothesis Ordre Statistic Probability Density Function Pulse Repetition Frequency Pulse Repetition Interval Primary Surveillance Radar RAdio Detection And Ranging Radar Cross Section Radio Frequency Signal to Noise Ratio Smallest Of

xiii
SSR TM TOT VI WCA Secondary Surveillance Radar Trimmed Mean Time On Target Variability Index Weighted Cell Averaging

xiv

. . ]21,41[ Gaussien ]61,71[ -RAFC lognormal F/B-DSOCA . F-DACCA-RAFC .I gnilrewS

B-DACCA-RAFC lognormal llubeiW F-DACCA-RAFC . .

xv

Abstract
The problem of automatic target detection in non Gaussian clutter and multiple target situations, without any a priori knowledge of neither the non stationary clutter statistics in which the radar operates nor the number of outliers, is addressed. To this end, we consider the techniques of automatic censoring introduced in [12, 14] for Gaussian clutter and [16-17] for lognormal clutter. Based upon order statistics, these detectors allow us to exploit samples in the reference window to discriminate between homogeneous and non homogeneous environments. To do this, we first analyze the Forward/Backward Automatic Censoring Order Statistic Detector-Constant False Alarm Rate (F/B-ACOSD-CFAR) and the Forward Automatic Censoring Cell Averaging Dectector-CFAR (F-ACCAD-CFAR) detectors. Then, for the sake of comparison, we complete the analysis by deriving the B-ACCAD-CFAR. Theoretical analysis of these detectors for lognormal and Weibull clutter is provided, while censoring and detection performance of Swerling I targets analysis is carried out by means of extensive Monte Carlo simulations. The performance of these detectors is proven to be the same in uniform clutter. However, the Forward detectors supplant the Backward ones in the presence of interfering targets. Nevertheless, the F-ACCAD-CFAR exhibits less CFAR loss than the F-ACOSD-CFAR.

xvi

Rsum
La dtection automatique de cibles se fait, gnralement, sans aucune connaissance pralable sur la nature statistique de lenvironnement non stationnaire dans lequel le systme radar opre. De plus, en gnral, nous ne disposons daucune information a priori sur le nombre de cibles interfrentes pouvant tre prsentes dans la direction du faisceau radar. De ce fait, nous considrons les techniques de la censure automatique proposes dans [12, 14] pour un environnement Gaussien et celles proposes dans [16-17], pour un environnement lognormal. Pour ce faire, nous analysons les dtecteurs Forward/Backward Automatic Censoring Order Statistic Detector-Constant False Alarm Rate (F/B-ACOSD-CFAR) et Forward Automatic Censoring Cell Averaging Dectector-CFAR (F-ACCAD-CFAR). Ensuite, dans loptique de complter cette analyse, nous mettons au point le dtecteur B-ACCAD-CFAR. La comparaison des performances de censure et de dtection, par le biais de simulations intensives de Monte Carlo, ralises pour des environnements lognormal et Weibull et des cibles de type Swerling I, montre que les dtecteurs F/B-ACOSD-CFAR et F/BACCAD-CFAR exhibent des performances similaires dans le cas dun environnement homogne. Cependant, en prsence des interfrences, les dtecteurs Forward sont plus robustes que les dtecteurs Backward. Il nen demeure pas moins que le dtecteur F-ACCAD-CFAR prsente des pertes CFAR moins importantes que celles du dtecteur F-ACOSD-CFAR.

Chapitre 1
tat de lart

Rsum
Dans ce chapitre, nous parlons succinctement de lhistoire des radars et introduisons quelques dfinitions utiles de ces systmes, leurs divers domaines dapplications et les principes fondamentaux de la dtection adaptative CFAR. Ensuite, nous rappelons quelques travaux sur les dtecteurs CFAR mono-impulsion existants dans la littrature. Enfin, Nous nous positionnons par rapport au problme que nous voulons rsoudre et exposons brivement lorganisation de ce manuscrit.

1.1 Introduction 1.2 Etat de l'art des dtecteurs CFAR mono-impulsion existants 1.3 Contribution 1.4 Organisation du manuscrit

Dtection adaptative CFAR censure automatique base sur les statistiques 1.1 Introduction

Le RADAR est lune des merveilles du vingtime sicle. Cest un systme lectromagntique utilis pour dtecter la prsence des objets mobiles et dterminer leur trajectoire, leur vitesse, leur point de contact le plus proche, et d'autres donnes, tout en transmettant des ondes radiolectriques, dont la longueur d'onde varie de quelques centimtres environ 1 m. Il en extrait alors l'information ncessaire sur la cible partir du signal choque. Son histoire de dtection a dbut par les travaux du physicien britannique James Clerk Maxwell, en 1864, qui a prdit mathmatiquement que les radiations, qui seront connues ensuite sous le nom d'ondes lectromagntiques, ont quelques proprits communes avec les ondes lumineuses. En particulier, la vitesse de propagation et la rflexion par les objets mtalliques et dilectriques. Ceci a t dmontr par le physicien allemand Heinrich Rudolf Hertz en 1886. L'ingnieur allemand Christian Hlsmeyer fut le premier, en 1904, suggrer l'utilisation d'chos radio dans un appareil de dtection afin d'viter les collisions en navigation. Ensuite, en 1917, Nikola Tesla tablit les principes thoriques (frquences et niveaux de puissance) du futur radar. En 1922, un dispositif similaire fut propos par l'inventeur italien Guglielmo Marconi. Par la suite, le radar fut dvelopp progressivement, grce l'action de nombreux savants, ingnieurs et techniciens. Plus tard, et au cours de la deuxime guerre mondiale (Bataille dAngleterre), Wattson Watt a pu raliser un dtecteur radio que les amricains lui ont attribu le nom de RADAR qui est la contraction de lexpression 'RAdio Detection And Ranging', qui signifie dtection de la prsence et mesure de la distance dobjets laide dondes lectromagntiques, ou tout simplement 'radioreprage'. Depuis cette poque, le radar na cess de ce perfectionner tant sur le plan technologique que par la varit mises en jeu. Ce systme permet de dtecter la prsence d'objets (cibles) qui ne peuvent tres visibles en estimant leurs positions daprs le temps de retour du signal mis par le radar aprs sa rflexion par un objet, et leurs vitesses grce au changement de frquence du signal par effet Doppler. Les premires utilisations oprationnelles du radar eurent lieu pendant la seconde guerre mondiale afin de dtecter depuis la cte l'approche de formations ariennes, et de navires. Les radars ont aujourd'hui une trs grande varit d'applications dans de nombreux domaines telles que: militaire, maritime, mtorologie, circulation et scurit routire, scientifique, etc.. Au point de vue militaire, il a modifi progressivement les caractristiques de la guerre arienne en supprimant presque compltement la surprise dans le droulement des oprations; en effet, il permet de dtecter, non sans quelques limitations, grande distance, les avions et les navires, de suivre leur route, de jour comme de nuit, travers les nuages, les brouillards et les fumes artificielles. Grce lui, lalerte peut tre dclenche avec pravis, les populations averties et parfois protges, les moyens de raction sont ainsi dirigs vers les agresseurs. Le radar reste ainsi un lment indispensable la mise en uvre dune aviation moderne. Associ des ordinateurs lectroniques qui traitent instantanment les informations reues et les transforment pour les visualiser et les exploiter immdiatement, il est plus que jamais la base des systmes de dfense arienne. La

Chapitre 1 - tat de lart

proprit premire du radar, savoir une grande prcision des mesures de la distance a aussi permis de mesurer avec prcision la distance de la terre diffrents astres soit avec des ondes radio soit aussi avec le laser. Dans le domaine civil, les applications du radar sont devenues nombreuses et importantes, allant du contrle de la circulation arienne, si dense actuellement, avec des matriels de grande porte, celui de latterrissage dans des conditions de visibilit trs rduite. En mtorologie, il permet de suivre les ballons-sondes, de mesurer le plafond des couches nuageuses au dessus des arodromes et davertir les quipages de la prsence de perturbation sur leur route, ce qui permet de les viter. Sur les routes, il permet la surveillance de la vitesse des automobilistes, et par consquent, participe lamlioration de la scurit de la circulation routire. Enfin, il est largement utilis dans lexploration spatiale puisquil rend possible ltude du sol des plantes entoures de nuages, par exemple, Venus. Le mot radar sapplique donc une vaste gamme de matriels et dinstallations allant dquipements de bord, de volume et de poids trs rduits, de trs gros ensembles servis par des centaines de personnes. Cependant, en dpit de cet extrme diversit daspects et demplois, les mmes principes de base se retrouvent sur tous les types dquipements. Ce sont donc surtout ces principes qui sont tudier dans la littrature radar et de surcrot leurs prolongements actuels, c'est--dire les radars modernes. Le principe de ce systme est bas sur les proprits des ondes radio, qui se propagent dans le vide la vitesse de la lumire. Un metteur diffuse, au moyen d'une antenne, un faisceau d'ondes lectromagntiques concentr dans une direction souhaite. Lorsque ces ondes rencontrent un objet, elles se rflchissent toutes ou en partie, formant ce qu'on appelle un cho radar. Cet cho, renvoy vers le radar, est capt par l'antenne qui joue alors, cette fois-ci, le rle du rcepteur. Le signal rflchi, aprs avoir t amplifi, est numris et transform sous forme de spots (plots) lumineux visualisables sur un cran qui donnent une reprsentation polaire plane de lespace balay par le radar. Le signal choque est un mlange de signaux provenant de plusieurs sources telles que cibles, bruit thermique propre aux composantes des systmes radar et de fouillis (clutter) qui reprsente le signal provenant de la rflexion dobjets indsirables comme le sol, la mer, les nuages, la pluie, le brouillage (jamming), les reliefs, la fort, les oiseaux, les insectes ou parfois mme les objets mtalliques appels chaff, manant des avions pour masquer une cible que le radar veut rellement dtecter. Les premiers radars acheminaient les informations (porte-azimut et porte-Doppler) directement vers un cran de visualisation. Le clutter, le bruit et les variations d'amplitude de la cible taient tous visualiss simultanment et exploites par un oprateur humain pour, partir des variations de l'intensit de l'image arrivait un temps soit peu, distinguer dventuelles cibles. La russite de linterprtation dpend aussi de ltat de loprateur car il y a dnormes difficults traiter un nombre lev de cibles. Dans les systmes radars modernes, par opposition la dtection visuelle, la dtection est ralise dune manire automatique. Le signal reu est chantillonn en porte et en frquence

Dtection adaptative CFAR censure automatique base sur les statistiques

Doppler, chaque chantillon est plac dans une cellule de rsolution, les cellules qui sont de part et dautre de la cellule sous test sont dites cellules de rfrence. Le comportement de la cellule sous test est compar un seuil de dtection pour dclarer la cible prsente ou absente dans le domaine ou espace scrut par le radar. Le terme radar de visualisation des cibles mobiles (Moving Target Indicator, MTI) dsigne un radar qui utilise la frquence Doppler pour discriminer les cibles mobiles des cibles fixes reprsentant le clutter. Le radar impulsions, pour le diffrencier d'un radar ondes continues, mis un faisceau d'ondes lectromagntiques pendant un temps trs court, de l'ordre de la microseconde, puis l'metteur est verrouill pendant une centaine de microsecondes, le temps que l'onde mise fasse l'aller-retour (radar-cible). Ce type de radar est gnralement coupl avec le radar Doppler-Fizeau, du nom des physiciens qui ont tudi respectivement les propagations sonores et magntiques. Ce radar est utilis pour mesurer les vitesses. Les fouillis (clutter) ont gnralement des puissances inconnues cause de la fluctuation alatoire de lnergie lectrique. La dtection seffectue donc dans un environnement non stationnaire. L'utilisation dun seuil fixe induit une dtection vulnrable aux variations du milieu dans lequel voluent les cibles d'intrt. Cest pour cette raison que nous somme conduit utiliser des techniques seuillage adaptatif pour maintenir un Taux de Fausse Alarme Contant TFAC (CFAR: Constant False Alarme Rate). Par consquent, il est toujours dsirable de concevoir des stratgies de dtection optimale dans le sens de Bayes ou celui de Neyman-Pearson. De tels systmes ne sont ralisables que dans le cas o la dtection est effectue en milieu Gaussien. En effet, comme un environnement non Gaussien (lognormal, Weibull, K,), ne permet pas de connatre le comportement statistique du clutter, une expression exacte du rapport de vraisemblance ne peut tre obtenue. De ce fait, l'exception des cas o les paramtres des distributions log-normal, Weibull, K ou autres sont connus, une forme gnrale d'un rcepteur radar pour le cas non Gaussien n'est pas toujours disponible. L'valuation des performances d'un critre par rapport un autre, conduit la notion de cot et de perte (cost and loss). Dans des conditions idales de fonctionnement dans un environnement Gaussien o les chantillons sont indpendants et identiquement distribus (IID), les modles de Swerling constituent un ensemble de cinq cas qui correspondent chacun une nature statistique bien dtermine de la fluctuation du RCS (Radar Cross Section). Ces cas supposent que, par rapport au rcepteur radar, le RCS de la cible est non fluctuant ou fluctuant. Le modle fluctuant est, quant lui, reprsent par deux distributions dites Rayleigh et One-dominant-plus Rayleigh. En fonction de la corrlation d'une impulsion une autre des chos reus (corrlation complte ou RCS lentement fluctuant et dcorrlation complte ou RCS rapidement fluctuant), les deux distributions fluctuantes sont, leur tour, scindes en deux chacune. Les traitements mono-impulsion et impulsions multiples permettent alors de distinguer les cibles lentement fluctuantes des cibles rapidement fluctuantes [1].

Chapitre 1 - tat de lart

1.2 Etat de l'art des dtecteurs CFAR mono-impulsion existants La majorit des dtecteurs proposs traitent un problme CFAR particulier. C'est pourquoi, nous allons citer ces algorithmes selon les modles de perturbations traites. Nous essayerons de prsenter diverses mthodes et systmes utiliss.

1.2.1 Dtecteurs CFAR niveau moyen Le paradigme des dtecteurs CFAR est celui niveau moyen CA-CFAR (Cell Averaging CFAR) propos par Finn et Jonhson [2]. Dans ce cas, le niveau du clutter est estim en moyennant celui qui existe dans les cellules de rfrence. Afin datteindre une probabilit de fausse alarme dsire, le seuil de dtection est obtenu en multipliant une constante par le niveau de bruit estim. Pour un clutter homogne, cest--dire un clutter dont les chantillons sont indpendants et identiquement distribus (IID), ce dtecteur performe bien. Cependant, dans la ralit, le cutter est inhomogne. Par consquent, les capacits de performance et de rgulation du taux de fausses alarmes du dtecteur CA-CFAR peuvent tre srieusement affectes. Les prcipitations et/ou les interfrences et les diverses rflexions manant dautres objets sont lorigine des inhomognits dans le clutter. Les premires apparaissent sous forme dun bord de clutter tendu et les dernires sous forme de cibles interfrentes (secondaires) indsirables apparaissent comme des pics (spikes) dans lune ou lautre demi fentre ou concomitamment dans les deux, o la valeur du seuil augmente. De ce fait, la dtection de la cible primaire (dintrt) est particulirement mdiocre. Ceci est connu sous le nom de leffet de capture (capture effect). Plus prcisment, si le seuil est trop lev, quelques cibles primaires peuvent ne pas tre dtectes. Par ailleurs, sil ne lest pas suffisamment, le taux de fausse alarme augmente cause de la prsence de ces pics. Le bord de clutter (clutter edge) est dfini dans des situations o la puissance du clutter exhibe une transition abrupte. Ceci peut, par exemple, reprsent le passage dune zone o le ciel est compltement dgag une zone o celuici est couvert de nuages, ou inversement. Dans un premier lieu, nous pouvons penser au cas o la cellule sous test, celle dans laquelle la cible est probablement prsente, est dans la zone dgage (bruit thermique uniquement), alors quun groupe de cellules de rfrences est noy dans le clutter. Auquel cas, le seuil de dtection savre trs lev, donnant lieu a une rduction des probabilits de dtection et de fausse alarme. Ceci est du leffet de masquage de la cible (Masking effect). Nous pouvons aussi supposer que la cellule sous test est noye dans la zone de prcipitation (bruit thermique plus clutter), alors que quelques unes des cellules de rfrence se trouvent dans la zone dgage. Dans ce deuxime cas, le seuil est rduit donnant lieu une augmentation intolrable, au niveau de la discontinue, de la probabilit de fausse alarme. Pour pallier ces problmes, beaucoup de dtecteurs ont t propos dans la littrature, nous en citons quelques uns [3-18]. Pour contrler l'augmentation de la probabilit de fausse alarme, en prsence d'un bord de clutter, Hansen et Sawyers [3] ont dvelopp le dtecteur GO-CFAR (Greatest Of CFAR). Dans ce type de dtecteur, lestimation du niveau de bruit est donne par le maximum des moyennes

Dtection adaptative CFAR censure automatique base sur les statistiques

obtenues partir des cellules appartenant aux deux demi-fentres, se trouvant de part et dautre de la cellule sous test. Weiss [4], a montr que le dtecteur GO-CFAR est trs vulnrable la prsence dune ou de plusieurs cibles interfrentes dans la fentre de rfrence. Il a donc suggr lutilisation dun dtecteur bas sur lestimation du niveau de bruit donne par le minimum des moyennes obtenues partir des cellules appartenant aux deux demi-fentres. Pour amliorer les performances de dtection en prsence de cibles interfrentes peu espaces, Trunk [5], a propos le dtecteur SO-CFAR (Smallest Of CFAR). Cependant, ses performances de dtection se dgradent considrablement si les cibles interfrentes se situent dans les deux demi-fentres de rfrences. De plus, en prsence dun bord de clutter, le dtecteur SO-CFAR a des difficults maintenir un taux de fausses alarmes constant. Lorsque une information a priori sur les cibles interfrentes est rendue disponible par le systme de pistage du radar, le seuil adaptatif peut tre rduit minimisant ainsi leffet de masque (Masking Effect) qui peut toutefois dtriorer les performances du dtecteur CA-CFAR. Pour cela, beaucoup dautres travaux ont abouti des versions amliores du dtecteur CA-CFAR [6-8].En se basant sur une information a priori concernant la position des cibles, Mc Lane et al [6] ont propos une version modifie du dtecteur CA-CFAR qui compense le seuil de dtection. Une extension de cette procdure aux dtecteurs SO-CFAR et GO-CFAR a t faite par Al-Hussaini et Ibrahim [7]. Puis, Barkat et al ont conu un schma de pondration des deux fentres de rfrence. Il s'agit du dtecteur WCA-CFAR (Weighted CA-CFAR).

1.2.2 Dtecteurs CFAR bass sur les statistiques dordre Dans loptique de garantir une dtection CFAR immunise aux situations de cibles multiples, Richard et Dillard [8], ont propos une classe de dtecteurs CMLD-CFAR (Censored Mean Level Detectors). Cette classe de dtecteurs est base sur les statistiques dordre des chantillons reus. Dans ce cas, les chantillons dans les cellules de rfrence sont dabord classs par ordre croissant de leurs amplitudes puis les plus grands dentre eux sont censurs. Les chantillons restants sont alors utiliss pour estimer le niveau de bruit. EL Mashade [9], a montr que ces dtecteurs demeurent robustes tant que le nombre des chantillons censurs est suprieur ou gal au nombre des cibles interfrentes. Rohling [10], a introduit le dtecteur OS-CFAR (Ordre Statistic CFAR). Ce dtecteur est aussi bas sur les statistiques dordre. Dans ce cas, les chantillons dans les cellules de rfrence sont dabord classs par ordre croissant puis le kme est choisi pour estimer le seuil de dtection. Pour des applications radar dans un milieu Gaussien, le cas k=3N/4 reprsente un bon estimateur, o est N le nombre des cellules de rfrence. Dans le cas de situation plus complexe, Kassem et Ghandi [11], ont propos une gnralisation du dtecteur OS-CFAR combinant le classement la moyenne arithmtique. En effet, le dtecteur TM-CFAR (Trimmed Mean CFAR) sadapte parfaitement bien la prsence concomitante de bord de clutter et de cibles interfrentes. Il est certain quen milieu interfrent, les dtecteurs OS-CFAR et CMLD-CFAR possdent des

Chapitre 1 - tat de lart

capacits de dtection trs suprieures celle du dtecteur CA-CFAR. Il nen demeure pas moins, quils soient onreux en temps de calcul et que ce dernier les transcende en milieu homogne [1]. Il est important de remarquer que les dtecteurs bass sur les statistiques d'ordre suscits sont dits 'points de censure fixes'. Autrement dit, ces dtecteurs ne donnent de bons rsultats que si les points de censure sont connus a priori. De ce fait, la technique censure automatique a, pour sa part, beaucoup contribu dans l'amlioration des performances de ces dtecteurs. Les meilleurs exemples que nous pouvons donner sont ceux qui existent dans [12-14]. Dans [12-13], Himonas et Barkat ont davantage considr, respectivement, les dtecteurs ACMLD-CFAR (Automatic) et ACGO-CFAR (Adaptive Censored Greatest Of). Ces dtecteurs ont la particularit d'utiliser la mme procdure de censure. Dans la mme optique, Farrouki et Barkat [14] ont introduit le dtecteur ACCA-ODV (Automatic Censoring Cell Averaging-Ordered Data Variability). Ils ont utilis une technique de censure automatique base cette fois-ci sur l'index de variabilit (Variability Index, VI), introduit dans [15], par Smith et Varshney. Aprs, dans [16-17], Musaed N. Almarshad et al ont considr, respectivement, les dtecteurs F-ACCAD-CFAR (Forward Automatic Censored Cell-Averaging) et F/B-ACOSD-CFAR (Forward/Backward Automatic Censored Order-Statistic) pour des situations de cibles multiple dans un environnement log-normal. La technique de censure automatique est base sur la comparaison de lchantillon dans une des cellules de rfrence sous test avec un seuil adaptatif. Le premier utilise un seuil linaire biparamtrique. Dans ce cas, le signal reu est dabord pass travers un amplificateur logarithmique. Dans le deuxime, ils ont considr le seuil adaptatif de Weber Haykin qui vite lestimation des paramtres et donc le passage par un amplificateur logarithmique. Les cas de clutter non Gaussiens sont connus depuis lavnement des techniques de la dtection adaptative CFAR. Les distributions lognormal, Weibull et Gamma ont t utilises pour reprsenter le clutter de mer, terre et mtorologique. Rcemment, le clutter K-distribu a t intensivement exploit pour modliser le clutter de mer [18]. En effet, des tudes ont montr que les distributions caractrises par la prsence d'une longue queue (long tail ou heavy tail) sont les plus adaptes la ralit [19-23]. Dans [19], Goldstein a introduit pour la premire fois, un dtecteur CFAR capable de prendre en charge la variation simultane des deux paramtres d'chelle et de forme pour des clutter de distributions log-normal et Weibull. Dans [20], Weber et Haykin ont prsent une extension des travaux de Rholing pour des distributions deux paramtres donnant lieu une forme particulire du seuil de dtection. Plus tard, dans [21], Ravid et Levanon ont prsent une tude approfondie des performances des dtecteurs Maximum Likelihood Estimator (MLE) non censur et censur pour des cas de paramtres de forme connu et inconnu. Ainsi, dans [22-23], Guida, M. et al ont considr des dtecteurs CFAR biparamtriques aboutissant une mthode d'adaptation du seuil de dtection d'aprs une estimation commune des paramtres de forme et d'chelle du clutter, dans des environnements Weibull et lognormal, respectivement. Ils ont introduis une transformation logarithmique pour rduire la pdf Weibull une pdf Gumbel, c--d,

Dtection adaptative CFAR censure automatique base sur les statistiques

au type LS (position-chelle), et alors utiliser le meilleur estimateur linaires sans biais (BLUE) des paramtres de position et dchelle pour ajuster le seuil de dtection. Finalement, comme pour la distribution K, laquelle est compose dun produit de deux variables alatoires ; la premire connue sous le nom de speckle de distribution Rayleigh et la deuxime connue sous le nom de texture de distribution Gamma, la distribution compose gnralise ou Gaussienne compose est utilise pour reprsenter un clutter dans des situations o la distorsion du speckle exhibe une queue beaucoup plus tale que celle de la distribution K. Dans ce cas, la distribution du speckle est de distribution Gamma gnralise [24-27].

1.3 Contribution Dans ce mmoire, nous nous intressons la technique de censure automatique dans le cadre de la dtection adaptative CFAR base sur les statistiques d'ordre dans les environnements log-normal et Weibull. La difficult qui nous intresse particulirement est comment dtecter automatiquement une cible dans un environnement non Gaussien, en prsence des interfrences sans connaissance a priori de leur nombre. Nous avons considr la technique de la censure automatique propose dans [16,17]. Cette technique est utilise pour amliorer les performances des dtecteurs CFAR oprant dans des environnements htrognes. Ainsi, elle permet dliminer automatiquement toutes les interfrences situes dans les cellules de rfrences. La censure de ces cellules est effectue partir dun rang, appel point de censure. Ce rang est dtermin par lalgorithme de censure utilis. Les algorithmes de censure automatique considrs consistent en deux tapes: Notamment, la censure des cibles secondaires ou indsirables et la dtection des cibles primaires. Les deux tapes sont ralises dynamiquement en utilisant un ensemble convenable de cellules dont les nergies respectives sont tries dans un ordre croissant et ce afin destimer le niveau inconnu du clutter. Pour ce faire, nous avons rtudi le dtecteur F-ACCAD-CFAR, propos dans [16] avec plus de dtails. Par la mme, nous avons mis au point un autre dtecteur que nous avons appel Backward Automatic Censored Cell-Averaging (B-ACCAD-CFAR). Ensuite, nous avons repris l'tude des deux dtecteurs F/B-ACOSD-CFAR, proposs dans [17] avec plus de dtails. Enfin, nous avons compar les performances de censure et de dtection de tous les dtecteurs

F/B-ACOSD et F/B-ACCAD dans des environnements lognormal et Weibull.

1.4 Organisation du manuscrit Le manuscrit est organis comme suit: Dans le deuxime chapitre, nous ddions au lecteur en premier lieu quelques concepts radar tels que son principe de fonctionnement et ses diffrentes composantes. Ensuite, nous dcrivons le radar impulsions et leffet de la frquence Doppler sur les radars de visualisation des cibles mobiles. En deuxime lieu, comme la dtection adaptative CFAR est une partie importante d'une chane radar, nous introduisons ses principes fondamentaux telles que la constance du taux de

Chapitre 1 - tat de lart

fausse alarme et l'adaptabilit du seuil de dtection. Ensuite, nous dcrivons les diffrents types de bruit et les modles statistiques de clutter et de cibles. Finalement, nous montrons lutilit des critres de Bayes et de Neyman-Pearson dans le calcul des probabilits de fausse alarme et de dtection. Dans le troisime chapitre, nous rappelons les lois des distributions qui peuvent survenir dans les systmes radar de dtection automatique et particulirement celles qui sont utilises dans notre travail de recherche. Nous y avons dfini leurs fonctions de densit de probabilit, fonctions de rpartition, moments dordre n et quelques autres proprits statistiques et les liens possibles entre eux. Dans le quatrime chapitre, nous avons analys les dtecteurs F-ACCAD-CFAR et F/B-ACOSD-CFAR dans un clutter lognormal et Weibull et mis au point le dtecteur B-ACCAD-CFAR. Nous montrons que la slection de bons estimateurs pour les dtecteurs de type ACCAD-CFAR et le choix des seuils adaptatifs, pour tous les dtecteurs, sont plus que ncessaires. Dans le cinquime chapitre, nous avons simul et compar les performances des dtecteurs F/B-ACOSD-CFAR et F/B-ACCAD-CFAR dans un clutter log-normal et Weibull. Pour tester la robustesse de la technique de censure automatique, nous avons introduit un certain nombre de scnarii correspondant la prsence dune ou de plusieurs cibles interfrentes. Lvaluation des probabilits de fausse alarme et de dtection de ces dtecteurs a t rendue possible grce aux simulations de Monte Carlo. Dans le sixime chapitre, nous rsumons l'essentiel de nos rsultats et donnons quelques suggestions d'extensions possibles notre travail.

Chapitre 2
Concepts radar et dtection adaptative CFAR

Rsum
Dans ce chapitre, nous consacrons dabord la premire partie la dfinition de quelques concepts radars, tels que leur principe de fonctionnement et quipements associs. Ensuite, nous dcrivons le radar impulsions et leffet de la frquence Doppler sur les radars de visualisation des cibles mobiles. Dans la deuxime partie, nous introduisons les principes fondamentaux de la dtection adaptative CFAR telles que la constance du taux de fausses alarmes et l'adaptabilit du seuil de dtection. Ensuite, nous dcrivons les diffrents types de bruit et les modles statistiques de clutter et de cibles. Finalement, nous montrons lutilit des critres de vraisemblance dans le calcul des probabilits de fausse alarme et de dtection.

2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9

Introduction Principe de fonctionnement et composants dun systme radar Types de radars Radar impulsions Radar indicateur de cibles mobiles Diffrents types de bruit Modles statistiques de clutter et de cibles Dtection adaptative CFAR Critres de vraisemblance

2.10 Conclusion

Dtection adaptative CFAR censure automatique base sur les statistiques 2.1 Introduction

11

Le problme de la dtection automatique radar est un problme de dcision statistique. Autrement dit, partir dune exprience (la rception), le radar doit prendre une dcision concernant la prsence ou labsence dune cible dans son champ de vision. Sachant que le signal hyperfrquence reu par lantenne t tout dabord dmodul et soumis laction du filtre adapt afin quaprs filtrage, le rapport signal sur bruit soit le plus lev possible. Il sagit maintenant de comparer la sortie du filtre adapt un seuil de dcision choisi pour rpondre aux exigences de lutilisateur exprimes en termes de probabilit de dtection (Pd) et probabilit de fausse alarme (Pfa). Les premiers radars utilisaient un seuil fixe qui ne dpend pas de lenvironnement dans lequel le radar fonctionne. Cependant, ce type de seuillage conduit une augmentation intolrable du nombre de fausses alarmes lorsque le niveau du bruit au voisinage de la cellule sous test subit un changement abrupt du clutter. Trs vite, ces mthodes ont t supplantes par celles utilisant un seuillage adaptatif dont le calcul est directement li au niveau du bruit dans les cellules de porte avoisinant la cellule sous test, appeles cellules ou fentre de rfrence. Pour des raisons lies uniquement au temps de calcul, un nombre restreint de cellules dans la fentre de rfrence est utilis. Celle-ci glissera, ensuite, le long de la porte maximale du radar. Par consquent, la dtection dune cible est tributaire du choix du seuil de dtection. La figure 2.1, schmatise un exemple de seuillage dont lamplitude varie proportionnellement avec le niveau du bruit. Les cellules de rfrences servent estimer le niveau du bruit et du clutter. Dans les systmes radars, le taux de fausse alarme constant (CFAR) est un algorithme de traitement numrique du signal qui conduit au calcul des seuils adaptatifs pour la dtection automatique des cibles. Lobjectif du concept CFAR est de faire en sorte que ces seuils soient immuniss contre toutes variations du bruit et/ou clutter [1].

Figure 2.1 Seuil adaptatif dans un environnement non homogne

Chapitre2 - Concepts radar et dtection adaptative CFAR 2.2 Principe de fonctionnement et composants dun systme radar

12

Le principe utilis par les radars est voisin de celui de la rflexion des ondes sonores. Lorsque vous criez dans la direction d'un objet qui peut rflchir le son de votre voix, vous en entendez l'cho. Si vous connaissez la vitesse du son dans l'air, vous pouvez alors estimer la distance et la direction gnrale de l'objet. Le radar utilise des impulsions d'nergie lectromagntique peu prs de la mme manire. Un metteur puissant diffuse, au moyen d'une antenne (balayeur), une nergie lectromagntique sous forme dun faisceau concentr dans la direction souhaite. L'nergie rayonne dans les limites du faisceau se propage vers son objectif la vitesse de la lumire. Quand celle-ci frappe un obstacle, une fraction de cette nergie est rflchie (cho radar) et capte au retour en un court laps de temps aprs la transmission, par un rcepteur sensible de diffrentes manires en fonction des caractristiques de londe mise ainsi que la forme, composition et ltat physique de la cible. Ce signal choque, est ensuite amplifi et transform en signal visuel sur l'cran (indicateur), qui est parfois un moniteur d'ordinateur. Sachant que les metteurs et rcepteurs radar sont gnralement situs au mme endroit. Il est ncessaire que l'impulsion soit trs courte et puissante pour dtecter plusieurs petits objectifs souvent rapprochs les uns des autres. Ces caractristiques sont indiques par le pouvoir de rsolution et la sensibilit. Un radar dot d'un pouvoir de rsolution lev peut identifier sparment des objets loigns de quelques mtres seulement les uns des autres. Le radar dtermine ainsi l'loignement de la cible en mesurant le temps coul entre l'mission de limpulsion et le retour de l'cho. Le relvement de la cible dtecte est dtermin par la direction vers laquelle pointe l'antenne du radar lorsqu'elle met limpulsion [1, 28-31]. metteur L'metteur, site du radar, est un circuit oscillateur qui produit des pulsations lectromagntiques trs hautes frquences. Il comprend un oscillateur permanent, un amplificateur et un modulateur. Pour les radars hyperfrquences, qui forment l'immense majorit des radars en service, la gnration d'impulsions courtes et trs nergtiques demande une technologie qui est diffrente de celle, disons, d'un metteur radio utilis en tlcommunications. Sachant quune longueur d'onde courte produit un faisceau radar troit qui distingue et spare mieux les chos de deux cibles. On peut galement obtenir un faisceau troit en employant une antenne plus large. Le modulateur (gnrateur d'impulsions) constitue la partie active de lmetteur. Cest un circuit lectronique qui permet de fractionner l'onde continue produite par l'oscillateur en impulsions. Il permet de stocker lnergie pendant les priodes sparant deux missions successives et de la restituer pendant le temps trs bref de lmission radar. Un radar met de 500 3000 impulsions par seconde et chaque impulsion a une dure =0,1 0,5 s. L'oprateur peut varier le rythme et la dure des impulsions, en fonction de la zone couvrir. Des impulsions plus courtes

Dtection adaptative CFAR censure automatique base sur les statistiques

13

produisent une image plus nette mais demande un rythme d'mission plus rapide. Puisque l'cho ne peut tre reu tant que limpulsion entire n'est pas mise, la longueur de limpulsion dtermine galement la porte minimale.

Duplexeur Cest un commutateur lectronique qui dirige l'onde vers l'antenne lors de l'mission ou le signal choque depuis l'antenne vers le rcepteur lors de la rception quand on utilise un radar monostatique. Il permet donc d'utiliser la mme antenne pour les deux fonctions, avec une perte minimale. Il est primordial qu'il soit bien synchronis puisque la puissance du signal mis est de l'ordre du mega-watt ce qui est trop important pour le rcepteur qui traite des signaux d'une puissance de l'ordre de quelques nano-watts. Au cas o l'impulsion mise serait dirige vers le rcepteur, celui-ci serait instantanment dtruit.

Antenne Cest llment le plus visible du radar et galement le plus connu du profane. Son rle est de concentrer lnergie mise par le radar dans un angle solide dtermin. Le meilleur rendement d'une antenne radar est obtenu en la fixant une hauteur de 3 6 mtres au-dessus du niveau de la mer, l'endroit le plus dgag possible. Place plus haut, l'antenne devient sensible aux mouvements de roulis et de tangage. Place trop bas, ses radiations sont dangereuses pour les personnes qui s'en approchent. Lantenne radar est dessine de faon concentrer l'nergie des impulsions mises en un faisceau horizontal troit. Pour reprer les cibles, l'antenne met sur le plan horizontal, un rayon trs troit (2 4). Plus l'antenne est large, plus le faisceau est troit. Sur le plan vertical, le rayon de balayage se situe entre 20 et 40, et son centre est dirig vers l'horizon de faon tenir compte du roulis et du tangage sans perdre les cibles de vue. Les antennes radar doivent avoir une directivit leve. La directivit dune antenne caractrise la manire dont celleci concentre son rayonnement dans une certaine direction de lespace pour envoyer un faisceau troit tant donn que la largeur du faisceau est proportionnelle la longueur donde du rayonnement et inversement proportionnelle la largeur de lantenne. Si le faisceau est trop grand, il y a gaspillage dnergie. Par contre, sil est trop petit, un objet se trouvant sous la porte de lantenne, ne peut, en plus, tre repr. Par consquent, en gnral, aucune antenne nest parfaite. Lantenne peut tre double afin de permettre indpendamment les fonctions dmission et de rception. Dans ce cas, il est ncessaire que les deux ariens lmentaires soient orients chaque instant dans la mme direction. Ils doivent donc tre solidaires entre eux ou synchroniss. En outre, leur interfrence radiolectrique doit tre la plus faible possible afin quau moment de lmission, le signal mis qui est de trs grande puissance ne vienne perturber le fonctionnement du rcepteur.

Chapitre2 - Concepts radar et dtection adaptative CFAR Rcepteur

14

Le rcepteur est llment le plus dlicat et souvent le plus complexe du radar. Il est install prs de lantenne. Il doit amplifier et mesurer un signal extrmement faible une frquence extrmement haute. Les amplificateurs mobiles ne pouvant remplir directement cette fonction. En effet, le signal est converti et amplifi par un circuit superhtrodyne une frquence intermdiaire d'environ 30 MHz. La frquence trs leve du signal radar ncessite l'utilisation d'un oscillateur et d'un mlangeur de signaux avec une prcision beaucoup plus leve que pour les rcepteurs radio ordinaires. Des circuits appropris ont t mis au point, utilisant comme oscillateurs des tubes hautes puissances hyperfrquences, autrement dit, les klystrons. La frquence intermdiaire est amplifie de manire classique. Le signal est ensuite envoy dans un ordinateur.

cran L'cran est la partie utile du radar, celle sur laquelle se font la navigation et la dtection des obstacles. Les progrs de la technologie ont permis de dvelopper des crans couleurs et balayeurs de gauche droite et de bas en haut (le procd est rpt 60 fois par seconde). Un rayon rotatif synchronis avec l'antenne balaie l'cran la recherche d'objets. La reprsentation d'un objet sur l'cran s'appelle un spot.

2.3 Types de radars On distingue deux types dexploitations fonctionnelles trs diffrentes des radars. Les radars primaires (surveillance non cooprative) et les radars secondaires (surveillance cooprative) [32].

Radar primaire La surveillance non cooprative est assure sans intervention de la cible sa dtection. Cest la proprit de la rflexion dune onde lectromagntique sur la surface physique de la cible qui est utilise. La dtection se fait par reconnaissance de la prsence dun signal rflchi. La mesure de la distance est obtenue par la mesure du temps de propagation radar cible radar. La mesure dazimut est faite par lutilisation dune antenne directive tournante. Les quipements correspondants sont caractriss comme 'radars primaires' ou PSR (Primary Surveillance Radars). Ils peuvent tre deux dimensions (2D) donnant des mesures de distance et dazimut ou trois dimensions (3D). Par consquent, une mesure complmentaire en angle de site (angle dlvation dans le plan vertical) est alors disponible. Sachant que pour les radars (2D), labsence de toute mesure dangle de site ne permet pas de discrimination en altitude.

Radar secondaire La surveillance cooprative est assure grce la participation active de la cible sa dtection. La cible est quipe dun rpondeur (ou transpondeur) qui reoit des interrogations du radar et rpond.

Dtection adaptative CFAR censure automatique base sur les statistiques

15

Les mesures de distance et dazimut utilisent les mmes principes que pour le radar primaire. Loriginalit de lexploitation cooprative est que le signal reu est renseign en identification ou altitude en fonction de linterrogation du radar. Les quipements correspondants sont caractriss comme 'radars secondaires' ou SSR (Secondary Surveillance Radars). Dans ces dispositifs de contrle arien qui interrogent le ciel, labsence de toute discrimination en angle de site a des consquences ngatives. Il ne peut exister dchos de sol en surveillance cooprative. Cependant, tous les paramtres et rglages adapts une zone de dtection difficile dans un site particulier seront appliqus de fait, sans limitation daltitude, au trafic de survol. Pour laviation civile, lexploitation radar secondaire est utilise (seule) pour la dtection En Route. Elle est associe lexploitation radar primaire pour le contrle dapproche et darodrome. Pour la dfense, les radars secondaires sont utiliss, en complment des radars primaires, pour la reconnaissance entre avions amis et avions ennemis (IFF : Identification Friend or Foe). Ce type de radar ne rpond pas au besoin oprationnel de la dfense pour la dtection de cibles non coopratives (dans le cadre de la mission de dfense arienne); ce qui explique la ncessit dun nombre important de radars primaires pour assurer la couverture de lespace arien national. Mais quel que soit lusage auquel ils sont destins, tous les systmes radar fonctionnent partir des mmes principes de base.

2.4 Radar impulsions Le principe de base dun radar impulsions consiste envoyer des paquets d'impulsions trs brves et puissantes dans le temps, figure 2.2, transformes en un faisceau tel que, lorsque lantenne tourne, les ondes peuvent tre diriges dans une direction choisie lavance. Les ondes radiolectriques sont donc mises dans lespace par des impulsions rptitives des intervalles rguliers appels priodes de rptition des impulsions TR (Pulse Repetition Interval, PRI). La PRI du radar est un paramtre important dans le calcul de la distance maximale de dtection (Dmax) car les chos qui reviennent au radar aprs un temps suprieur la PRI apparaissent sur le scope des positions errones (distances fausses). Ils sont alors appels chos du 2me balayage (ou du nime balayage). Les chos revenant au radar au del de la PRI se traduisent par une ambigut-distance (erreur de visualisation) alors que ceux qui reviennent dans un dlai infrieur la PRI sont affichs la distance correcte (non ambigu). Afin dviter leffet dit du deuxime retour dcho (nme retour dcho), le rcepteur partageant la mme antenne avec lmetteur (radar impulsions monostatique), doit tre non seulement inhib pendant toute la dure de chaque impulsion radiofrquence mise mais aussi, il faudrait que celle-ci ait une puissance et une frquence de rptition des impulsions FR (Pulse Repetition Frequency, PRF) de manire minimiser tout risque affrent une anomalie de propagation. Cette dernire peut provenir de lemplacement du radar et/ou de conditions mtorologiques particulires. A chaque fois quun objet se situant dans lespace de balayage (faisceau principal) du radar et percut par londe RF, une partie de lnergie

Chapitre2 - Concepts radar et dtection adaptative CFAR


Emission

16

coute

TR

Temps

Figure 2.2 Cycles mission/coute dun systme radar impulsion lectromagntique est rflchie puis analyse par le rcepteur devenant oprationnel pendant lintervalle sparant deux impulsions successives appel temps dcoute (TR-). Cest particulirement de cette proportion dnergie que dpend la qualit du signal reu. Une cible est dite parfaitement localise si sa distance (range) et sa direction (azimut et lvation) sont connues. Les radars impulsions subissant malheureusement des limitations tels que : ils nont pas accs directement la vitesse instantane de la cible et ils ont des difficults pour mesurer des faibles distances et ncessitent des puissances crte importantes [33].

2.4.1 Paramtres caractristiques dune impulsion RF Dans le radar impulsions, il y a un certain nombre de paramtres qui caractrisent londe radiofrquence (RF) mise par celui-ci et dont le choix est dterminant pour son bon fonctionnement [1].

Mesure de la distance Si une onde lectromagntique voyageant la vitesse de la lumire C, met t pour percuter un objet et revenir, alors celui-ci se trouve une distance (range) en ligne droite D du radar, gale :

D=

C t 2

(2.1)

Si t > TR, la mesure de la distance prsente une ambigut (effet du 2me retour dcho). Alors, la porte maximale mesurable sans ambigut du radar et aussi limite par le temps qui spare l'mission de deux impulsions conscutives. Elle est dfinie par:

D MAX =

C TR 2

(2.2)

Un objet situ la porte maximale ne reoit quune petite partie de lnergie transmise et ne reflte donc quune infime partie de cette nergie dans toutes les directions. Cependant, augmenter davantage la puissance de limpulsion reue amplifierait le bruit et le clutter contenus dans le

Dtection adaptative CFAR censure automatique base sur les statistiques

17

signal utile. Dautre part, lamplification de limpulsion mise nest gure la solution approprie. En effet, dans ce cas, nous nous heurtons aux limitations physiques des gnrateurs de puissances qui oscillent des frquences proches de celles de la lumire. Mais, et cest surtout l le point important, plus la frquence augmente, plus latmosphre absorbe une partie importante de lnergie mise. Lorsque l'antenne est la fois mettrice et rceptrice (ce qui est le cas le plus courant), l'antenne ne peut pas dtecter l'onde rflchie (retour) pendant que le signal est mis. Cela implique qu'un radar a une porte minimale (distance aveugle), donne par:

d =

C 2

(2.3)

La forme de l'impulsion joue sur la capacit du radar distinguer deux objets proches (Pouvoir de rsolution en distance). Donc, pour dtecter des cibles plus proches, il faut utiliser une dure d'impulsion plus courte. Sachant que les cibles situes une distance quivalente la dure d'impulsion ne sont pas dtectes. L'horloge du radar est remise zro chaque fois qu'une nouvelle impulsion est mise, et ce afin de s'assurer que la mesure de distance s'effectue bien partir de la dernire impulsion.

Mesure de la direction Le radar impulsions calcule le gisement (angle dazimut) et le site (angle dlvation) dun objet partir de la direction vers laquelle lantenne doit tre dirige pour obtenir un signal rflchi maximum en provenance de celui-ci. La figure 2.3 montre que, l'azimut d'une cible dtecte par un radar est l'angle entre la direction du nord et celle de la ligne directe antenne-cible. Cet angle est dtermin grce la directivit de lantenne. Elle se mesure dans le plan horizontal, dans le sens des aiguilles d'une montre. Par contre, llvation est l'angle que forme, avec sa projection sur le plan horizontal, l'axe 'antenne radarcible', mesur dans le plan vertical. L'angle de site est positif lorsqu'il est au-dessus de l'horizon (site 0), et ngatif en dessous.

Mesure de la hauteur La hauteur d'une cible par rapport la surface du globe terrestre est appele 'Altitude'. Elle peut tre calcule en multipliant la distance oblique D de la cible par le sinus de son angle dlvation.

Mesure de vitesse Il existe diffrentes mthodes pour mesurer la vitesse de dplacement d'une cible. La plus ancienne consiste noter sa position un instant, l'aide d'un crayon gras, sur l'affichage radar. un autre instant, on refait la mme chose et la diffrence des deux positions divise par le temps coul entre les deux instants, donne la vitesse de dplacement.

Chapitre2 - Concepts radar et dtection adaptative CFAR

18

Figure 2.3 Angles caractrisant une cible radar

2.4.2 Equation du radar Etablir lquation du radar consiste faire un bilan des puissances sur le trajet aller-retour d'une onde mise. La puissance reue par lantenne rceptrice d'un radar est donne par l'quation du radar [1].

Pr = Pt

(4 )3 R 2 R 2 L t L r t r

G t G r 2

(2.4)

o Pt est la puissance mise, est la longueur d'onde du radar, Lt, Lr sont les pertes totales en transmission et en rception, respectivement, Gt, Gr reprsentent les gains de l'antenne mettrice et rceptrice, respectivement. est la Surface Equivalente Radar (SER) (Radar Cross Section, RCS) de la cible, Rt et Rr sont les distances cible-radar metteur et cible-radar rcepteur, respectivement. Dans la plupart des cas de petits radars, pour faire voisiner un metteur trs puissant et un rcepteur trs sensible, les deux utilisant la mme antenne (radar monostatique), nous utilisons un duplexeur tels que: Rt = Rr = D et Gt = Gr = G. L'quation (2.4) devient alors:

Pr = Pt

G2 2 (4 )3 D 4 L t L r

(2.5)

Dans le cas de la dtection dune cible de type MDS (Minimum Discernable Signal), cest-dire que Pr un objet pour lequel lcho reu a une puissance minimale telle

= Pmin = K T B S

. En utilisant lquation (2.5), la porte maximale scrit:

Dtection adaptative CFAR censure automatique base sur les statistiques

19

G 2 2 D max = Pt (4 )3 P L L min t r

1/4
(2.6)

o k est la constante de Boltzmann, T la temprature due au bruit du systme, B la bande passante du bruit au niveau du rcepteur et S le rapport signal sur bruit (Signal-to-Noise Ratio, SNR) moyen, correspondant une impulsion, la sortie du dtecteur linaire ou quadratique.

2.5 Radar indicateur de cibles mobiles Pour tirer pleinement parti d'un radar sans tre astreint des conditions trop restrictives en ce qui concerne son emplacement, le matriel doit tre quip d'un liminateur dchos fixes. Un systme radar est dit performant s'il arrive supprimer un taux important de clutter. Pour augmenter la rsolution du radar il faut considrer deux paramtres, dure de l'impulsion et la largeur du faisceau. Sauf que leur choix est toujours limit par dautres considrations telles que l'nergie des impulsions RF, la vitesse de rotation de l'antenne, etc. Pour cela il est possible d'exploiter d'autres caractristiques propres aux chos "dsirs" qui permettent de les diffrencier du clutter. Pour permettre au radar d'tre sensible tous les types d'chos (fixes, lents ou rapides), la caractristique "mobilit" est celle qui t la plus investigue. De tels systmes sont appels dispositif de visualisation des cibles mobiles (Moving Target Indicator, MTI). Le radar Doppler impulsions constitue un excellent dispositif de visualisation de cibles mobiles en prsence dun clutter svre [1].

2.5.1 Effet Doppler-Fizeau Au dbut du dix neuvime sicle, 1 8 4 2 , le physicien autrichien Christian Johann Doppler pour les ondes acoustiques, puis indpendamment de lui, en 1848, le franais H. Fizeau pour les ondes lectromagntiques, ont dcouvert le phnomne appel aujourdhui effet Doppler-Fizeau. Lorsque lmetteur est anim dun mouvement relatif de vitesse radiale Vr = V0 cos , par rapport un observateur. Londe mise subit une variation apparente de quantit Fd appele frquence Doppler donne par [34]:

V Fd = r

Hz

(2.7)

avec = C Fe et Fe sont la longueur d'onde et la frquence du signal mis.

Chapitre2 - Concepts radar et dtection adaptative CFAR

20

Lorsque lmetteur de londe se rapproche de lobservateur, la frquence Doppler semble positive (londe est dite tasse), et lorsquil sen loigne, la frquence Doppler semble ngative et plus faible (londe est dite dilate). Dans le cas du radar, pour le trajet aller, la cible est l'observateur. Elle reoit et rmet un signal de frquence tel que:
V Ft = F + r e (2.8)

Pour le trajet retour, la cible devient la source et le radar observe alors une frquence dcale de Fd par rapport celle rmise par la cible donne par :

2 Vr F =F + r e
2.5.2 Radar Doppler impulsions

(2.9)

La plus courante des mthodes est d'utiliser une variante de l'effet Doppler avec un radar impulsions car elle permet de dterminer la vitesse radiale et la position de la cible. Le schma synoptique est donn par la figure 2.4, Il est constitu de deux oscillateurs: L'un stable de frquence intermdiaire Fi et l'autre local de frquence Fl. La formation de londe dmission est obtenue par battement des deux frquences Fe= Fi+Fl. Ensuite, le signal hyperfrquence est dcoup en impulsions de dure par le biais dun interrupteur lectronique command par un signal de mme frquence. Ces impulsions sont amplifies laide dun magntron et envoyes au duplexeur qui les dirige son tour vers lantenne. A la rception, le signal reu a une frquence FeFd. Ce dernier subit encore une amplification avant dtre passe par un filtre adapt. La sortie du filtre adapt est un signal bande troite centre sur la frquence intermdiaire Fi. A la sortie du MTI, le signal est appliqu un rcepteur quadratique pour produire lenveloppe du signal. Enfin, la dcision est prise par le dtecteur CFAR. L'extracteur des donnes permet d'extraire les coordonnes des cibles partir des rsultats de la dtection. En pratique, des cibles peuvent tre dclares prsentes sur plusieurs cellules adjacentes. Le Barycentre de ces dtections appel "spot" et la bonne dtermination de la position de la cible. Le traitement des donnes est une fonction connue sous le nom de "Tracking". Elle consiste traiter les spots gnrs par l'extracteur en vu de dterminer les trajectoires des cibles voluant dans l'espace de surveillance du radar. L'extraction des donnes et leur traitement sont raliss pour une ventuelle visualisation sur l'cran [31].

Dtection adaptative CFAR censure automatique base sur les statistiques

21

Figure 2.4 Schma synoptique dun radar Doppler impulsions

2.6 Diffrents types de bruit

Il existe de nombreuses sources de signaux indsirables que les radars doivent pouvoir ignorer plus ou moins, afin de se focaliser uniquement sur les cibles dintrt. Ces signaux peuvent avoir des origines passives et actives, internes (bruit thermique) et externes (cibles interfrentes et/ou fouillis (clutter)), En gnral, la puissance du clutter est beaucoup plus leve que celle du bruit thermique. La capacit dun radar surmonter ces nuisances dfinit son rapport signal sur bruit (SNR). Plus le SNR est grand, plus le radar peut sparer efficacement une cible des signaux parasites [1].

2.6.1 Bruit thermique

Le bruit thermique est une source interne de variations alatoires du signal, que tous les composants lectroniques gnrent de faon inhrente diffrents degrs. Il apparat typiquement comme constitu de variations alatoires superposes au signal dcho reu par le radar, lequel est celui qu'on recherche. Plus la puissance du signal dsir est faible, plus il est difficile de le discerner du bruit thermique (tenter dentendre un murmure prs dune route encombre est

Chapitre2 - Concepts radar et dtection adaptative CFAR

22

similaire). Ainsi, les sources de bruit thermique les plus importunes apparaissent au niveau du rcepteur et beaucoup defforts sont faits pour minimiser ces facteurs. Le facteur de bruit est une mesure du bruit produit par un rcepteur compar celui produit par un rcepteur idal. Ce ratio doit tre minimal. Dans le cas des radars modernes, grce aux hautes performances de leurs rcepteurs, le bruit interne est infrieur ou gal au bruit de lenvironnement extrieur, sauf si le radar est point vers un ciel dgag, auquel cas lenvironnement est si froid quil gnre trs peu de bruit thermique.

2.6.2 Fouillis (clutter)

Nous pouvons classifier les clutter en deux grandes familles. Les clutter de surface qui peuvent reprsenter les chos de la mer et de la terre et les clutter de volume qui sont gnralement lis aux phnomnes mtorologiques. Ces deux types de clutter sont tels que le rapport du signal sur clutter (Signal to Clutter Ratio, SCR) est trs grand par rapport au rapport signal sur bruit (Signal to Noise Ratio, SNR). La prsence des interfrences induit, quant elle, un rapport signal interfrence (Signal to interference Ratio, SIR) beaucoup plus grand que le SNR. Le clutter peut tre considr comme homogne ou non homogne. La non homognit est cause essentiellement par leffet de bord de clutter et/ou par la prsence des cibles interfrentes.

Bord de clutter

Dans la dtection radar, une transition entre deux milieux de natures diffrentes telle que la transition d'un milieu terrestre vers un milieu maritime ou d'une zone claire vers une zone nuageuse et inversement produit un changement brusque dans la puissance du clutter. Cette transition est appele bord de clutter. Elle pose deux types de problmes dans la dtection. Le premier se produit lorsque la cellule sous test (CST) baigne dans le bruit thermique alors quune partie des cellules de rfrence contient du clutter et du bruit thermique. Dans ce cas, le niveau du seuil de dtection augmente, ce qui a pour effet de dgrader la dtection. Ce phnomne est appel effet de masque (masking effect) et est illustr dans la figure 2.5. Le deuxime problme, quant lui, se manifeste lorsque la cellule sous test baigne dans le bruit thermique et le clutter, alors qu'une partie des cellules de rfrence contient du bruit thermique uniquement. Dans ce cas, comme le montre la figure 2.6, le seuil de dtection diminue et le nombre de fausses alarmes devient important.

Cibles interfrentes

Ils peuvent apparatre dans une ou plusieurs cellules de rfrence sous forme de pics. Elles peuvent se situer en aval ou en amont de la cellule sous test. Dans ce cas, le seuil de dtection augmente et par consquent, la probabilit de dtection diminue. Ce phnomne que nous avons illustr en figure 2.7, est connu sous le nom de leffet de capture (Capture effect).

Dtection adaptative CFAR censure automatique base sur les statistiques

23

La figure 2.8 montre une situation dans laquelle il y a une mixture de tous les cas prcdents. Ceci rend donc la dtection extrmement complexe et fait de ce modle le cas le plus gnral.

Figure 2.5 Cellule sous test dans le bruit thermique en prsence d'un bord de clutter

Figure 2.6 Cellule sous test dans le bruit thermique et le clutter

Figure 2.7 Cellule sous test dans le bruit thermique en prsence des cibles interfrentes

Chapitre2 - Concepts radar et dtection adaptative CFAR

24

Figure 2.8 Prsence concomitante de bruit thermique, bord de clutter et cibles interfrentes

2.7 Modles statistiques de clutter et de cibles 2.7.1 Modles statistiques de clutter

La modlisation du clutter dpend de lapplication radar en question. En effet, dans les radars basse rsolution, la largeur dimpulsion est suprieure 0.5 s . Si de plus la dtection se fait des angles dincidence (grazing angles) suprieurs 5 degrs, le clutter de surface peut tre modlis par une distribution Gaussienne de moyenne nulle et de variance constante (clutter uniforme). En revanche, dans certains environnements, lutilisation dun radar haute rsolution savre indubitable (largeur dimpulsion infrieure 0.5 s ). Pour ce cas, les donnes exprimentales correspondant ce type de clutter ont montr quelles obissent une distribution prsentant une queue plus tale ou lourde (long ou heavy tail) que celle de la Gaussienne. Consquemment, pour dtecter des cibles dans ce type de clutter, il est ncessaire de modliser lenvironnement par des distributions non-Gaussiennes. Dans la littrature radar, les modles statistiques pouvant suppler labsence dun clutter Gaussien sont les distributions Weibull, log-normal et K. Pour ce faire, le tableau 2.1 rsume quelques cas de clutter non-Gaussien [1]. Nous reviendrons sur les caractristiques statistiques de ces distributions dans le chapitre 3.

2.7.2 Modles statistiques de cibles

La cible reprsente le dispositif ou l'objet que nous voulons dtecter. Pour cela, elle doit se situer au-dessus de l'horizon radar et doit pouvoir renvoyer un cho suffisamment puissant. La puissance d'un cho renvoy par une cible dpend grandement de la largeur de celle-ci et de sa hauteur audessus de l'horizon radar. Ces facteurs ne sont cependant pas suffisants. En effet, une petite cible trs rflchissante peut fort bien renvoyer un cho suprieur celui d'une cible plus importante mais dont le pouvoir de rflexion est faible. Dans la thorie de la dcision statistique, une cible peut tre caractrise par un signal cho dont lamplitude ou le RCS est inconnu et non fluctuant, alatoire et suivant une loi Rayleigh ou alors alatoire et suivant une loi one-dominant-plus Rayleigh [1].

Dtection adaptative CFAR censure automatique base sur les statistiques

25

Le premier modle considre la cible comme tant un ensemble de plusieurs rflecteurs lmentaires de mme taille. Lenveloppe du signal rflchi dune telle cible la sortie du dtecteur quadratique suit une loi de Rayleigh de la forme:
x2 x exp 2 2 2 , x 0

f (x ) =

(2.10)

o x est lamplitude du signal et 2 la variance de la cible qui est proportionnelle son RCS. Le second modle suppose quelle est considre dun gros rflecteur entour de plusieurs petits rflecteurs. A la sortie du dtecteur quadratique, l'enveloppe suit une loi de la forme:

3x2 9x 3 f (x ) = exp 2 2 24

, x 0

(2.11)

Gnralement, la majorit des cibles radar sont fluctuantes car leurs dimensions sont plus importantes que la longueur d'onde. Cependant, seuls les cibles sphriques ou les coins de rflecteurs vus sous un angle constant sont non fluctuants (RCS constant). D'autre part, notons que pour une mme valeur de la probabilit de dtection, les cibles non fluctuantes requirent un SNR.
Tableau 2.1 Exemples d'environnements Gaussien et non-Gaussiens

Type de radar Basse rsolution Basse rsolution Haute rsolution Haute rsolution Haute rsolution Haute rsolution

Largeur dimpulsion Terre ou Mer Montagnes rocheuses Collines boises Fort Terre cultive Mer : Etat 1 Mer : Etat 2

Bande de Frquences S L X X X Kv (12 - 18 GHz)

Angle dincidence (degrs)


5

Modlisation du clutter Gaussienne Weibull Log-normal et Weibull Log-normal et Weibull Log-normal et Weibull Log-normal, Weibull et K Log-normal, Weibull et K

(s)
2 3 0.17 0.17 0.2 0.1

<5 0.5 0.7 0.7-5.0 4.7 1.0-30.0

Chapitre2 - Concepts radar et dtection adaptative CFAR

26

plus petit que celui requis par des cibles fluctuantes. De plus, pour les cibles fluctuantes, le SNR est fonction du type de fluctuation. Pour tudier le signal cible dans plusieurs cas, il est ncessaire de prendre en compte les mouvements de la cible sur sa trajectoire pendant le temps d'exposition TOT (Time On Target). Deux types de fluctuations sont considrs. Cible lentement fluctuante ou fluctuante dun balayage un autre (scan to scan target) et cible rapidement fluctuante ou fluctuante dune impulsion une autre (pulse to pulse target).

Cible lentement fluctuante

L'cho de cible ne change pas pendant l'mission des N impulsions (TOT). Par consquent, les chantillons reus sont les mmes pour toutes les impulsions; il s'agit dune seule ralisation d'une mme variable alatoire.

Cible rapidement fluctuante

L'cho change de valeur d'une impulsion l'autre. Donc les chantillons reus sont des ralisations diffrentes de la mme variable alatoire. Swerling a observ et classifi les cibles selon les fluctuations de leur RCS en cinq modles statistiques appels Swerling 0 ou V (modle non-fluctuant), Swerling I, II, III et IV (modles fluctuants). A partir des distributions (2.10) et (2.11) ainsi que des degrs de fluctuation, les quatre modles Swerling fluctuants sont dfinis comme suit:
Swerling I (SWI): Cible lentement fluctuante dont l'enveloppe du signal varie selon la loi (2.10). Swerling II (SWII): Cible rapidement fluctuante dont l'enveloppe du signal varie selon la loi

(2.10).
Swerling III (SWIII): Cible lentement fluctuante dont l'enveloppe du signal varie selon la loi

(2.11).
Swerling IV(SWIV): Cible rapidement fluctuante dont l'enveloppe du signal varie selon la loi

(2.11).

2.8 Dtection adaptative CFAR

Dans un systme radar, la qualit de la dtection est affecte par la prsence du bruit qui est le rsultat de laddition du bruit thermique inhrent au rcepteur, du clutter de mer ou de terre et les chos des cibles interfrentes. Le problme auquel se confrontent toujours ces systmes est celui de la dtection automatique dune cible dans un milieu non stationnaire avec un taux de fausse alarme constant, une probabilit de fausse alarme Pfa, une porte maximale DMAX donne, ainsi qu'une probabilit de dtection Pd.

Dtection adaptative CFAR censure automatique base sur les statistiques

27

La dtection utilisant un seuil fixe nest pas approprie dans le cas o l'environnement est inhomogne puisquelle conduit un nombre trs lev de fausses alarmes. En fait, ceci est d la relation exponentielle qui lie la Pfa la densit spectrale de puissance du bruit et aussi, le fait que toutes les distributions non Gaussiennes possdent une queue beaucoup plus longue et tale que celle de la distribution Gaussienne. Par consquent, les dtecteurs connus pour tre optimaux et CFAR dans le cas de lhypothse dun environnement Gaussien ne le sont plus dans ce cas. Ce problme ne peut trouver de solution que dans les techniques de seuillage adaptatif. Dans ce cas, lalgorithme CFAR ajuste les seuils de dtection en se basant sur chacune des cellules de telle faon ce que toute variation du clutter ou de lenvironnement, dune manire gnrale, influe trs peu sur la constance de la probabilit de fausse alarme. La dtection CFAR est un algorithme de traitement de signal numrique ou un processus par lequel une cible est dclare prsente dans la cellule sous test tout en maintenant un taux de fausses alarmes constant. Son principe est bas sur la prise de dcision en comparant le signal dans la cellule sous test avec un seuil adaptatif appel T, en prsence du bruit thermique dans les cellules adjacentes, tels que cela est montr dans la figure 2.9.

T = F(q1, q 2 , q 3 ,..., q N ) reprsente la principale diffrence entre les divers dtecteurs CFAR proposs dans la littrature radar. La classe des dtecteurs niveau moyen est celle qui convient le mieux aux environnements homognes. Cependant, la prsence d'inhomognits dans le clutter dgrade considrablement les performances de cette classe de dtecteurs. Pour cela, plusieurs travaux de recherche qui tiennent compte des changements dans le clutter existent dans la littrature [2-23].

r(t) Signal reu

q1
Dtecteur denveloppe

q N/2

qN/2+1

qN

{qi} Fentre de rfrence gauche


CST

Fentre de rfrence droite

Estimation du bruit et du clutter travers T=F (q1qN)

Pfa de consigne

H0 ou H1
Figure 2.9 Schma synoptique gnral d'un dtecteur CFAR

Chapitre2 - Concepts radar et dtection adaptative CFAR

28

La dtection automatique revient rsoudre le problme de la prsence (dcision H1) ou de l'absence (dcision H0) d'une cible en prenant les cellules une une. En effet, dans chaque direction de l'espace balaye par le radar, la porte est divise en plusieurs centaines de cellules et les tests de dtection dans chaque cellule utilisent une fentre de N cellules. Le glissement de cette fentre le long des cellules de rfrence permet de couvrir toute la distance radar. Aussi, remarquons que les cellules de garde ne sont pas utilises dans l'estimation de la puissance du clutter car elles sont avoisinantes la cellule sous test et peuvent donc contenir une partie de la puissance de la cible. Enfin, la dcision est prise aprs la comparaison d'un chantillon de la cellule sous test un seuil adaptatif selon H1 ou H0. H1 et H0 sont les hypothses qui correspondent la prsence ou l'absence d'une cible dans la cellule sous test, respectivement, figure 2.10.

Dtecteur d'enveloppe

La transposition en vido frquence ou dtection d'enveloppe, figure 2.11, a pour fonction de restituer l'enveloppe du signal. Notons, que si les composantes en phase et en quadrature de phase du signal reu suivent une loi Gaussienne alors, les chantillons {qi} pour i=0, , N la sortie du dtecteur quadratique sont de distribution exponentielle. Par contre, si nous considrons un dtecteur linaire la place du dtecteur quadratique, alors les chantillons {qi} pour i=0, , N sont de distribution Rayleigh. Les modles statistiques de Swerling pour des cibles non fluctuantes et fluctuantes, dans un environnement constitu dun bruit thermique d au rcepteur uniquement et par consquent connu et invariable (clutter homogne), conduisent un problme doptimisation. Dans ce cas, la relation mathmatique liant le triplet Pd, Pfa et SNR est dite optimale au sens de Bayes ou de Neyman Pearson.

Figure 2.10 Matrice distance vitesse d'un radar Doppler impulsions

Dtection adaptative CFAR censure automatique base sur les statistiques

29

Figure 2.11 Signal obtenu par dtection d'enveloppe

2.9 Critres de vraisemblance

Pour effectuer la dtection automatique des cibles, le signal reu r(t) est observ dans chaque cellule de rsolution en distance pendant un temps t tel que 0 t . Le problme de la dtection dune cible revient considrer une rgle de dcision optimale qui, partir de lobservation r(t), peut dcider de la prsence du signal s(t) qui provient de la cible ou de la prsence (en absence de s(t)) dun signal n(t) qui provient du bruit de lenvironnement. Par consquent r(t) scrit :

s(t ) + n (t ) Cible prsente r (t ) = n (t ) Cible absente

(2.12)

Les principes de la thorie de la dtection statistique sont utiliss pour dterminer la structure du rcepteur radar permettant dobtenir une dcision optimale. De ce fait, pour choisir une rgle de dcision optimale, il est ncessaire dvaluer les performances relatives chacune delles. Ceci nous emmne introduire deux paramtres statistiques importants, en loccurrence le risque R(Di, Hj) pour i=j=0,1 encourus par le systme de rception, et le cot quand une dcision Di est prise pour une hypothse Hj. Dans les applications radar, les deux critres qui associent loptimalit au risque sont ceux de Bayes et de Neyman Pearson. Gnralement, les cots de dcisions correctes (dtection et dtection nulle) sont considrs comme nuls. De ce fait, les cots se rsument C01 et C10 (non dtection et fausse alarme).
2.9.1 Critre de Bayes

Lutilisation du critre de Bayes ncessite essentiellement deux hypothses. La premire tant la connaissance pralable des probabilits d'vnement des deux sorties de la source. La deuxime

Chapitre2 - Concepts radar et dtection adaptative CFAR

30

consiste attribuer un cot chaque dcision possible. Si nous dnotons par Di, les dcisions qui correspondent respectivement aux hypothses H0 et H1, nous pouvons dfinir le cot Cij (i, j=0,1), associ la dcision Di. En particulier, Quatre dcisions sont possibles : D11 (dcider la prsence alors quune cible est prsente) et D01 (dcider labsence alors quune cible est prsente) concernent lhypothse H1. Dautre part, D10 (dcider la prsence alors quaucune cible nest prsente) et D00 (dcider labsence alors quaucune cible nest prsente) concernent lhypothse H0. D11 et D00 sont des dcisions correctes auxquelles nous affectons les cots respectifs C11 et C00 ngatifs (puisque les dcisions sont correctes). Alors que, D01 et D10 sont des dcisions errones auxquelles nous affectons les cots respectifs C01 et C10 positifs. Et comme la dcision D01 est plus nfaste que la dcision D10, nous choisissons C01>C10. Le problme de dcision est rsolu en minimisant le cot moyen E(C) (connu aussi sous le non de risque moyen), c'est--dire le risque sur un grand nombre de tirages successifs et indpendants. Le problme est de nature statistique, car la squence de rception a un caractre alatoire cause du bruit [36]. Le risqu moyen Rmoy, d'une rgle de dcision est obtenu en prenant la moyenne des risques conditionnels sur toutes les hypothses possibles. 1 R moy = R j P H j i=0 avec

( )

(2.13)

1 R j = E(C ) = Cij P D i /H j i=0


La rgle de Bayes se rsume :
H1 > <

(2.14)

(q

)=

P Q/H P Q/H

1 0

(q ) (q )

PH PH

0 1

H0

(C 10 (C 01

C 00

) C 11 )

(2.15)

o (q) est le rapport de vraisemblance.

p Q/H1 (q) est la fonction de densit de probabilit (probability density function, pdf) de la cellule
sous test sachant que le signal s(t) est prsent (cible prsente) et p Q/H 0 (q) est la pdf de la cellule sous test sachant que le signal s(t) est absent (cible absente).

PH1 et PH 0 sont la probabilit a priori que le signal est prsent et la probabilit a priori que le
signal est absent, respectivement.

Dtection adaptative CFAR censure automatique base sur les statistiques 2.9.2 Critre de Neyman-Pearson

31

Dans ce critre, l'information demande est relative seulement la variance du bruit. Il consiste rendre la probabilit de dtection Pd maximale ou minimiser la probabilit de non dtection Pmiss, sachant que la probabilit de fausse alarme Pfa, est fixe une valeur . Pour cela, on construit la fonction objective suivante [1, 28]:

~ J = P miss

( )

~ + P fa

(2.16)

o est le multiplicateur de Lagrange, correspondant au seuil de dtection obtenu partir de la contrainte Pfa= .

La minimisation de J

(~ ) conduit la rgle de dcision de Neyman-Pearson suivante:


(q ) = > < (q ) P Q/H 0 H0 1 P Q/H (q) H1 ~

(2.17)

Les critres de dtection de Bayes et de Neyman-Pearson aboutissent donc aux mmes rgles de dcisions. Elles sont donnes, respectivement, par les quations (2.15) et (2.17). En effet, les deux critres se rsument la maximisation de la Pd pour une valeur particulire de la Pfa. Cependant, le critre de Neyman-Pearson est plus facile demploi du fait quil ne fasse appel qu la variance de lenvironnement (bruit et clutter). Daprs lquation (2.16), la cellule sous test q est compare au seuil adaptatif T selon le test statistique suivant:

H1 > q T < H 0

(2.18)

o q est la statistique de cellule sous test et T, le niveau adaptatif du clutter. Dans ce contexte de dtection adaptative, les probabilits de dtection Pd et de fausse alarme Pfa scrivent, respectivement:
Pd = Prob q T/H 1

(2.19)

Pfa = Prob q T/H 0

(2.20)

Chapitre2 - Concepts radar et dtection adaptative CFAR

32

Figure 2.12 Rgions de dcisions

En utilisant la pdf P(T), de la variable alatoire T, nous obtenons: P = P(T) P(q/H ) dq dT 1 d T 0 P = P(T) P(q/H ) dq dT 0 fa T 0

(2.21)

(2.22)

La figure 2.12 montre, pour une cible Gaussienne baignant dans un clutter Gaussien, les rgions de dcision par rapport au seuil de dtection T. Le glissement de T le long de laxe des abscisses permet davoir diffrents scnarii de la Pfa et de la Pd. Pnull est la probabilit de dtection nulle et Pmiss la probabilit de non dtection [1].
2.10 Conclusion

Nous avons vu, dans la premire partie de ce chapitre, que le radar est caractris par une quation spcifique lenvironnement dans lequel il fonctionne. La description d'un systme radar Doppler impulsions constitue un exemple de radar visualisation de cibles mobiles (MTI). Ce type de radar est bas sur la dtection d'chos obtenus par rflexion d'impulsions brves et puissantes. Ensuite, nous avons vu dans la deuxime partie, que la dtection adaptative CFAR constitue l'innovation essentielle dans le systme de dtection des radars modernes. Afin qu'il n'y ait aucune confusion possible, les modles de clutter et de cibles utiliss doivent tre rigoureusement rpertoris. Le choix du critre de performance est quant lui dterminant pour le calcul des probabilits de dtection et de fausse alarme.

Chapitre 3
Rappels sur quelques lois de distributions

Rsum
Dans ce chapitre, nous rappelons les lois de distributions qui peuvent survenir dans les systmes radar de dtection automatique. Nous mettrons laccent sur celles que nous avons utilises dans notre travail de recherche. Nous dfinissons donc leurs fonctions de densit de probabilit, fonctions de rpartition, moments dordre n et quelques autres proprits statistiques.

3.1 Introduction 3.2 Distributions de type Location-Scale 3.3 Distribution uniforme 3.4 Distribution Gaussienne (Normal) 3.5 Distribution lognormal 3.6 Distribution Rayleigh 3.7 Distribution Weibull 3.8 Distribution Gumbel 3.9 Conclusion

Dtection adaptative CFAR censure automatique base sur les statistiques 3.1 Introduction

34

Dans les premiers systmes radar de dtection automatique de cibles, la rsolution tait relativement basse et la distribution Gaussienne sadaptait bien ce type de radars. Cependant, les exigences inhrentes aux radars haute rsolution ont montr que lhypothse dun environnement Gaussien donnait lieu une augmentation intolrable du taux de fausses alarmes. Il a donc t prouv que les statistiques du bruit ntaient, dsormais, plus Gaussiennes. Des tudes ont montr que les distributions les plus adaptes sont de nature biparamtrique, telles que les distributions Log-normal, Weibull et K. Ces lois de distributions non Gaussiennes sont utilises pour modliser le clutter de mer et de terre [19, 22-23, 37]. Dautre part, comme nous avons considr le cas des dtecteurs mono-impulsion, les cibles sont de types Swerling I et II et par consquent, modlises par une loi Rayleigh. Les distributions de variables alatoires continues possdent plusieurs proprits statistiques qui peuvent tre exploites dans divers domaines [28]. Dans ce qui suit, nous rappelons uniquement celles que nous estimons utiles nos travaux de recherche.

3.2 Les distributions de type Location-Scale (LS) Dans la thorie des probabilits statistiques, une variable alatoire X 0 est dite pour tre de type position-chelle (Location-Scale, LS) si sa distribution est membre de la famille des distributions [38]:

xa F (x, a, b ) = FX X 0 b

(3.1)

+ o a IR est dit paramtre de position (location parameter) et b IR est dit paramtre dchelle

(scale parameter). FX (.) est la distribution de la variable standardise X0 pour laquelle a est gal 0 0 et b est gal un. Comme les distributions log-normal, Weibull, et K ne sont pas membres de la famille LS, nous supposons donc quil existe un amplificateur logarithmique dans la chane de rception pour transformer les distributions log-normal, Weibull et K en distributions Normal, Gumbel et Log-K, respectivement.

3.3 Distribution uniforme(Uniform) Une variable alatoire continue X est dite uniformment distribue sur lintervalle [a; b ] IR ,

a < b , si sa fonction de densit de probabilit (pdf), figure 3.1, est donne par [28,39]:
1 f (x) = X ba

avec

axb

(3.2)

Chapitre 3 Rappels sur quelques lois de distributions Fonction de rpartition

35

La fonction de rpartition, aussi appele fonction de distribution ou fonction de densit cumulative (cumulative density function, cdf) de X, figure 3.2, est dfinie par trois segments de droites:

x x F (x) = P (X x ) = f (u ) du = b X X
Moments dordre n

0 a a 1 ,

x < a a x b , x b

(3.3)

Par dfinition, la fonction qui donne les moments dordre n est donne par :

+ = E X n = x n f (x) dx n X

(3.4)

Figure 3.1 Fonction de densit de probabilit de la loi uniforme

Figure 3.2 Fonction de rpartition de la loi uniforme

Dtection adaptative CFAR censure automatique base sur les statistiques

36

Alors, il est possible de montrer que pour une loi uniforme, nous avons :

n = E(X n ) =

(n + 1)(b a )

b n +1 a n +1

(3.5)

Ce qui donne une moyenne (n=1):

E(X) =

1 2

(a + b)

(3.6)

Une puissance moyenne (n=2):

E(X 2 ) =

b3 a 3

3 (b a )

(3.7)

Et donc une variance:

2 = Var(X) = E X 2 E 2 [X ] X = 1 12

[ ]

(b a )2

(3.8)

Notons que sous Matlab, une variable alatoire uniforme peut tre gnre par la commande unifrnd(a,b) et est initialise par la commande rand('state',0).

3.4 Distribution Gaussienne (Normal)

La distribution normal, souvent appele distribution Gaussienne, est une famille importante de distributions de probabilit de variables alatoires continues. Par dfinition, une variable alatoire X suit une loi Gaussienne, note X~ N , 2 , quand sa fonction de densit de probabilit, figure

3.3, scrit, X IR [28,39]:

(x )= X

1 (x ) exp 2 2 1

2 < < et > 0


(3.9)

et sont, respectivement, la moyenne et lcart type de X. reprsente le paramtre de position (location parameter), et reprsente le paramtre dchelle (scale parameter). La pdf normal passe par son maximum pour x = . Elle a ses points d'inflexion en + et . Quand = 0 et 2 = 1 , N (0, 1) est appele loi normale standard.

Chapitre 3 Rappels sur quelques lois de distributions Fonction de rpartition

37

La fonction de rpartition correspondante, figure 3.4, est donne en terme de la fonction derreur par:
1 1 x F (x) = + erf ( ) X 2 2 2

(3.10)

erf(.) reprsente la fonction derreur, elle est dfinie comme suit:

erf(x) =

2 x u 2 du e 0

(3.11)

Moments dordre n

K n 2k 2k E X n = n! k =0 2 k k!(n 2k )!

( )

(3.12)

Figure 3.3 Fonction de densit de probabilit de la loi Gaussienne

Figure 3.4 Fonction de rpartition de la loi Gaussienne

Dtection adaptative CFAR censure automatique base sur les statistiques

38

n K= 2 n 1 2
Ce qui donne une moyenne (n=1):

pour n pair (3.13) pour n impair

E (X ) =

(3.14)

Une puissance moyenne (n=2): E(X) = 2 + 2 (3.15)

Et donc une variance:


Var(X) = 2 (3.16)

Notons que sous Matlab, nous gnrons une variable alatoire normale par la commande normrnd(,), o reprsente le paramtre demplacement et le paramtre dchelle. Cette commande peut tre initialise par la commande randn('state',0).

3.5 Distribution lognormal

La distribution lognormal a t dveloppe dans le but d'tre applique dans une grande varit de situations relles de clutter de mer et de terre faible angle dincidence (low grazing angle) et dans les radars haute rsolution. C'est une loi de distribution dont le logarithme est normalement distribu. Par dfinition, une variable alatoire X suit une loi lognormal, note X~ Ln , 2 ,

quand sa densit de probabilit biparamtrique, figure 3.5, scrit, X IR * [23, 28, 39]: +

1 ln x 2 f (x ) = exp - 0 et + X x 2 2
1

(3.17)

, la moyenne de ln x , reprsente le paramtre dchelle et , lcart type de ln x , est connu sous le nom de paramtre de forme [37]. Le fait d'augmenter la valeur de en maintenant celle de constante a pour effet d'aplatir la pdf et de l'tirer droite, en conservant sa forme. Tandis que le paramtre de forme , comme son nom lindique, dfinit la forme de la distribution. Le
2 paramtre = e /2 , reprsente le rapport moyenne--mdiane, peut tre utilis pour reprsenter la

Chapitre 3 Rappels sur quelques lois de distributions

39

forme. Les investigations sur les donnes relles de clutter ont donn des valeurs de variant de 1.065 1.93. Par consquent, varie dans la plage 0.355 1.147 [23].

Fonction de rpartition

La fonction de rpartition de X, figure 3.6, est reprsente par:

1 1 ln x FX (x) = + erf 2 2 2

(3.18)

Moments dordre n

E X n = exp n +

[ ]

n2 2 2

(3.19)

Figure 3.5 Fonction de densit de probabilit de la loi lognormal

Figure 3.6 Fonction de rpartition de la loi lognormal

Dtection adaptative CFAR censure automatique base sur les statistiques

40

Ce qui donne une moyenne (n=1):

E[X] = exp +

2 2

(3.20)

Une puissance moyenne (n=2):

E X 2 = exp 2 + 2

[ ] [(

)]

(3.21)

Et donc une variance:

Var [X ] = exp 2 + 2 exp( 2 ) 1


Lien entre la loi lognormal et la loi Normal

)(

(3.22)

Si la variable alatoire Y suit une loi lognormal, note Y~Ln(,2), alors la variable alatoire X=Ln(Y) suit une loi normal, note X~N(,2), (Ln tant le logarithme Nprien). Notons que sous Matlab, nous gnrons une variable alatoire lognormal par la commande lognrnd(,), o est le paramtre dchelle et , le paramtre de forme. Cette commande peut tre remise zro par la commande randn('state',0).

3.6 Distribution Rayleigh

La distribution Rayleigh, qui est frquemment utilise pour modliser les statistiques des signaux, trouve son application dans beaucoup de problmes de communications et de radar. La distribution Rayleigh, de paramtre , est caractrise par la densit de probabilit, figure 3.7,

X IR + , suivante [28,39]:
x2 x exp 2 2 2

f X (x) =

(3.23)

Fonction de rpartition

La fonction de rpartition de X, figure 3.8, est reprsente par :

x2 FX (x) = 1 exp 2 2

(3.24)

Chapitre 3 Rappels sur quelques lois de distributions Moments dordre n

41

n = E Xn =

[ ]

)n n + 1 2

(3.25)

o (.) est la fonction Gamma donne par :

(x ) = x 1e x dx , > 0 0

(3.26)

1 Lintgrale impropre ci-dessus converge pour > 0 . En intgrant par parties pour u = x et

dv = e x dx , nous obtenons:
( ) = ( 1) ( 1)

(3.27)

En continuant de cette manire pour des valeurs entires de , nous obtenons:

(n ) = (n 1)!
En particulier, nous avons:

(3.28)

1 = 2

et (1) = (2 ) = 1

(3.29)

Nous pouvons dduire la moyenne dune telle distribution de lquation (3.24) avec (n=1):

E(X) =

(3.30)

Figure 3.7 Fonction de densit de probabilit de la loi Rayleigh

Dtection adaptative CFAR censure automatique base sur les statistiques

42

Figure 3.8 Fonction de rpartition de la loi Rayleigh

Une puissance moyenne (n=2): E(X 2 ) = 2 2 (3.31)

Et donc une variance:

Var(X) = 2 2 2

(3.32)

Notons que sous Matlab, nous gnrons une variable alatoire Rayleigh par la commande

2 raylrnd(), avec = E(x ) 2 , et linitialisons par la commande randn('state',0)

Lien entre la loi Rayleigh et autres lois

La loi Rayleigh peut tre dduite de la loi normal N(0,2). Si X1 ~ N(0,2) et X2 ~ N(0,2) sont

2 2 deux variables alatoires indpendantes, alors X = X1 + X 2 est une variable alatoire qui suit
une loi Rayleigh de paramtre , et donc X2 suit une loi Exponentielle de paramtre 2 2 .

3.7 Distribution Weibull

Une variable alatoire X est dite pour tre Weibull distribue, figure 3.9, si sa densit de probabilit deux paramtres et , note W(,), est dfinie sur IR+ par [39]:

Chapitre 3 Rappels sur quelques lois de distributions


1

43

x f X (x) =

x exp

> 0 et > 0

(3.33)

reprsente le paramtre d'chelle et le paramtre de forme de la distribution Weibull. Enfin,


la distribution Weibull d'un seul paramtre est obtenue lorsque =1. Elle est alors appele distribution Weibull standard. Sa pdf se rsume donc :

f X (x) = x
Fonction de rpartition

exp x

( )

(3.34)

La fonction de rpartition de X, figure 3.10, est reprsente par:

x F X (x ) = 1 exp

(3.35)

Figure 3.9 Fonction de densit de probabilit de la loi Weibull

Figure 3.10 Fonction de rpartition de la loi Weibull

Dtection adaptative CFAR censure automatique base sur les statistiques Moments dordre n

44

n n = E X n = n (1 + )

[ ]

(3.36)

Ce qui donne une moyenne (n=1)


1 E[X ] = + 1

(3.37)

Une puissance moyenne (n=2)


2 E X 2 = 2 + 1

[ ]

(3.38)

Et donc une variance

2 1 Var(X) = 2 (1 + ) 2 (1 + )

(3.39)

Notons que sous Matlab, nous gnrons une variable alatoire Weibull par la commande

weibrnd( , ) , o est le paramtre d'chelle et , le paramtre de forme. Nous pouvons


linitialiser par la commande rand('state',0).

Lien entre la loi Weibull et autres lois

Pour =1, la loi Weibull se rduit une loi Exponentielle donne par:

f X (x ) =

x exp
1

(3.40)

Pour =2, la loi Weibull se rduit une loi Rayleigh donne par:

f X (x ) =

x2 2x exp 2 2

(3.41)

Chapitre 3 Rappels sur quelques lois de distributions 3.8 Distribution Gumbel

45

En thorie des probabilits, la loi de Gumbel, note G(,), est une distribution de probabilit continue. Sa densit de probabilit, figure 3.11, est dfinie sur IR par [22]:

f X (x) =

exp(

) exp(exp(

))

< < , > 0

(3.42)

reprsente le paramtre de position et , le paramtre dchelle. La loi standard de Gumbel est obtenue pour = 0 et = 1, G(0, 1).

Fonction de rpartition

La fonction de rpartition de X, figure 3.12, est reprsente par:

F(x) = exp(exp(

))

(3.43)

Figure 3.11 Fonction de densit de probabilit de la loi Gumbel

Figure 3.12: Fonction de rpartition de la loi Gumbel

Dtection adaptative CFAR censure automatique base sur les statistiques

46

La moyenne de la distribution Gumbel est donne par:

E(X) =

(3.44)

o est la constante dEuler (approxime par 0.5772) La variance est donne par:

2 2 Var(X) = 6

(3.45)

Lien entre la loi Gumbel et la loi Weibull

Si la variable alatoire Y suit une loi Weibull, note Y~W(,), alors la variable alatoire X=Ln(Y) suit une loi Gumbel (aussi appele loi Log-Weibull ou valeur extrme), note X~G(,), (Ln tant le logarithme Nprien). Sachant que la relation entre les paramtres et de la loi Weibull et et de la loi Gumbel est = 1 et = ln .

Enfin, notons que pour gnrer une variable alatoire Gumbel, nous utilisons sous Matlab la commande log( weibrnd( , ) ). Nous pouvons linitialiser par la commande rand('state',0).

3.9 Conclusion

Dans ce chapitre, nous avons dfini, quelques distributions continues importantes qui surviennent dans beaucoup d'applications radar et systmes de communications. Nous avons commenc dcrire les fonctions de densit de probabilit (pdf) des variables alatoires, puis leurs fonctions de rpartition (cdf), et les caractristiques statiques les plus utiliser dans notre travail. Nous avons donn quelques liens possibles qui peuvent exister entre elles.

Chapitre 4

Analyse des dtecteurs F/B-ACOSD-CFAR et F/B-ACCAD-CFAR dans des clutter lognormal et Weibull

Rsum
Dans ce chapitre, nous avons analys les dtecteurs bass sur les statistiques d'ordre et leurs algorithmes respectifs de censure automatique F/B-ACCAD-CFAR et F/B-ACOSD-CFAR. Le but tant de comparer leurs performances et robustesses dans des clutter log-normal et Weibull. Pour cela, nous montrons, dune part, que la slection de bons estimateurs pour les dtecteurs de type ACCAD-CFAR est dterminante et dautre part, le choix des seuils adaptatifs, pour tous les dtecteurs, est dcisif pour la dtection.

4.1 Introduction 4.2 Analyse des dtecteurs F/B-ACOSD 4.3 Analyse des dtecteurs F/B-ACCAD 4.4 Conclusion

Chapitre 4 - Analyse des dtecteurs F/B-ACCAD-CFAR et F/B-ACOSD-CFAR

48

4.1 Introduction Il est maintenant admis, dans la littrature radar, que l'environnement est souvent inhomogne. Le signal choque est un mlange de signaux provenant de plusieurs sources telles que les cibles primaires et secondaires, bruit thermique et clutter. Nous avons vu dans le chapitre prcdent que le clutter peut tre de type log-normal, Weibull ou K (cf. Tableau 2.1). Dans ce qui suit, nous nous intresserons aux distributions log-normal et Weibull pour modliser lenvironnement dans lequel nous allons effectuer la dtection dune cible avec un taux de fausses alarmes constant. Il est important de savoir que le nombre des interfrences et la transition du clutter dans les cellules de rfrence entourant la cellule sous test ne sont pas connues a priori. Ceci est pour viter lutilisation de dtecteurs points de censures fixes qui sont gnralement indsirables dans ce cas dapplication radar. Le principal objectif de ce chapitre est de montrer comment se fait la dtection automatique de cibles sans aucune information pralable des paramtres de forme et dchelle du clutter et du nombre de cibles interfrentes. La technique de la censure automatique est utilise pour amliorer les performances des dtecteurs CFAR oprant dans des environnements htrognes. Celle-ci limine automatiquement toutes les interfrences situes dans les cellules de rfrences sans aucune connaissance a priori de leur nombre. La censure de ces cellules est effectue partir dun rang, appel point de censure. Ce rang est dtermin par lalgorithme de censure utilis. Les deux types dalgorithmes de censure automatique considrs sont ceux quutilisent les dtecteurs CFAR Forward/Backward Automatic Censoring Order Statistic Detector (F/B-ACOSD-CFAR) et Forward/Backward Automatic Censoring Cell Averaging (F/B-ACCAD-CFAR), ou pour allger lcriture F/B-ACOSD et F/B-ACCAD. Ces dtecteurs utilisent deux tapes distinctes, savoir : la censure des cellules de rfrence qui contiennent les interfrences puis la dtection des cibles primaires. Les deux tapes sont ralises dynamiquement en utilisant un ensemble convenable de cellules classifies dans un ordre croissant pour estimer le niveau inconnu de clutter [16,17]. Les dtecteurs F/B-ACOSD utilisent le seuil adaptatif de Weber Haykin [20], aussi bien pour la censure automatique des cibles secondaires que pour la dtection des cibles primaires. Il est important de remarquer que ce type de dtecteurs ne ncessite pas destimation des paramtres du clutter log-normal et Weibull. Cependant, les dtecteurs F/B-ACCAD doivent inluctablement estimer les paramtres. Comme, il est difficile destimer les paramtres par les mthodes conventionnelles; notamment celle du maximum de vraisemblance (Maximum Likelihood Estimator, MLE), nous prconisons lutilisation dun amplificateur logarithmique. Lavantage principal d'utiliser une transformation logarithmique est dappliquer les techniques connus pour les distributions de type Location-Scale, et donc obtenir des nouveaux paramtres (position et chelle) admettent des estimateurs quivariants, c.--d., on peut former un seuil adaptatif qui assure une probabilit de fausse alarme constante, et donc la proprit CFAR est garantie pour nimporte quelle valeur des

Dtection adaptative CFAR censure automatique base sur les statistiques dordre X0 Cible et clutter X1 DLE Cellules de garde X(1) X(2) X(N) Algorithme de censure des dtecteurs F-ACOSD ou B-ACOSD X(i) X(j)
Pfa dsire

49

XN/2

XN/2+1 XN

T = X

(i)

1 ( j)

Comparateur

Dcision H0 ou H1

Figure 4.1 Structure gnrale des dtecteurs F/B-ACOSD paramtres de position et dchelle. Sachant que le logarithme peut tre dans nimporte quelle base, avec le logarithme naturel est le plus utilis [22,23].

4.2 Analyse des dtecteurs F/B-ACOSD La structure gnrale de ce type de dtecteurs, figure 4.1, est telle que les sorties Xi du dtecteur linaire denveloppe (DLE), sont envoyes de faon srielle vers une ligne retard de longueur N+1, {Xi : i=0,..., N}. X0 reprsente la cellule sous test suppose contenir la cible, tandis que les Xi, i=1,..., N, correspondent un nombre pair N de cellules dites de rfrence. Celles-ci entourent la cellule sous test et permettent donc destimer le niveau de clutter, i.e, le seuil adaptatif. Nous supposons que les chantillons sont indpendants et identiquement distribues (IID) et gnrs partir dune pdf lognormal (Weibull). La cellule sous test est alors compare au seuil adaptatif pour dcider de la prsence ou de labsence de la cible. Le dtecteur linaire denveloppe de la figure 4.1 est en fait celui reprsent en figure 4.2, avec Ii et Qi appeles, respectivement, composantes en phase et en quadrature de phase de la ime cellule de rfrence, i=1, 2,, N. Nous utilisons ce type de dtecteur pour liminer le dphasage qui peut avoir lieu entre le signal reu et le signal mis. Le seuil adaptatif de Weber-Haykin est donn par [20] :
T = X (i) X 1 (j)

(4.1)

Chapitre 4 - Analyse des dtecteurs F/B-ACCAD-CFAR et F/B-ACOSD-CFAR

50

Cible et Clutter

M.T.I et Echantillonnage

Ii

( )2

Filtre adapt Bruit thermique

cos(2 f i t)
Ii + Q i
2 2

Xi

sin(2 f i t) M.T.I et Echantillonnage


Qi

( )2

Figure 4.2 Dtecteur linaire denveloppe Les indices i et j correspondent au plus petit et au plus grand chantillons, aprs censure, respectivement. La figure 4.3, rsume tous les environnements qui peuvent tre rencontrs en pratique. Notons que plus i se rapproche de j, plus les pertes CFAR augmentent. N dsigne le nombre total de cellules de rfrence, l, le nombre de celles qui sont noyes dans le clutter et k, le nombre des interfrences. En milieu Weibull homogne, Weber et Haykin ont dmontr [20] que le dtecteur qui utilise le seuil donn par lquation (4.1) conduit une Pfa indpendante des paramtres de forme et dchelle de la distribution Weibull. Toujours, en milieu homogne, mais cette fois-ci lognormal, El Hussayni [40] a dmontr que ce mme dtecteur conduit une Pfa indpendante des paramtres de forme et dchelle de la distribution log-normal. Par consquent, les dtecteurs F/B-ACOSD sont CFAR. Pour une Pfa de consigne donne, le paramtre est calcul de faon maintenir un taux de fausses alarmes constant. Comme nous nous intressons la prsence des interfrences, lobjectif principal des algorithmes de la censure automatique dans les dtecteurs, F-ACOSD et B-ACOSD est la meilleure estimation de valeur de k. Une fois k connu, la sortie de la cellule sous test X0 est alors compare au seuil adaptatif T , selon le test statistique suivant :

H 1 >
0

< H 0

(4.2)

Dans la suite de ce document, nous supposons que toutes les cibles sont noyes dans un clutter log-normal (Weibull) homogne et que l'effet du bruit thermique est ngligeable devant celui du clutter.

Dtection adaptative CFAR censure automatique base sur les statistiques dordre

51

Environnement

Homogne

Htrogne

k interfrences

Bord de clutter

Interfrences et bord de clutter

i=1, j=N

i=1, j=N-k

i=1, j=N-l

i=l+1, j=N

i=1, j=N-k-l

i=l+1, j=N-k

Figure 4.3 Diffrents types denvironnements

4.2.1 Analyse du dtecteur F-ACOSD

La figure 4.4 illustre le schma fonctionnel dun tel dtecteur. La procdure de censure commence dabord par classer en ordre croissant les chantillons dans les cellules de rfrence comme suit : X(1) X(2) X(N) (4.3)

Puis, pour estimer le nombre des cibles interfrentes pouvant exister dans les cellules de rfrence, lalgorithme de la censure automatique compare lchantillon X(p+k+1), k=0,, N-p-1, avec le seuil adaptatif T k . La dcision est prise selon le test statistique suivant :
nhH > < hH

(p + k + 1)

(4.4)
k

k T k = X ( )k X (1 k ) 1 p+

(4.5)

k est une constante choisie pour atteindre une probabilit de fausse censure dsire, Pfc et X(p) est
le pme plus grand chantillon. Le paramtre p doit tre slectionn de manire garantir une bonne performance du dtecteur F-ACOSD aussi bien pour un environnement homogne que non homogne. Plus prcisment, p devrait tre choisi aussi grand que possible pour amliorer la dtection. En revanche, il devrait tre aussi petit que possible pour viter que X(p) soit un chantillon de clutter plus interfrence. Daprs [14,17], les valeurs de p>N/2 donnent une dtection satisfaisante.

Chapitre 4 - Analyse des dtecteurs F/B-ACCAD-CFAR et F/B-ACOSD-CFAR

52

Lhypothse nhH reprsente le cas dun environnement non homogne. Autrement dit, les chantillons X(p+k+1) et X(p+k+2), X(p+k+3), , X(N) correspondent un background clutter plus interfrences. Quant lhypothse hH, elle reprsente le cas dun environnement homogne. Autrement dit, X(p+k+1) est un chantillon issu dun background clutter uniquement. Les tests successifs, qui dbutent par ltape k=0, i.e., par le (p+1)me plus grand chantillon, sont rpts aussi longtemps que lhypothse hH est valide. Lalgorithme sarrte ds lors que la cellule de rfrence sous test est dclare appartenir un background non homogne ou dans le cas extrme, quand tous les N-p plus grands chantillons sont tests, i.e., k=N-p. X0 Cible et clutter DLE Cellules de garde X(1) X(2) X(N) X1 XN/2 XN/2+1 XN

X(1) X(p) X(p+1) X(N)

...
Pfc dsire
X(p+k+1)

Pfa dsire

Algorithme de Censure

Algorithme de Dtection

Mettre k=0 Mettre d=1 (Hypothse homogne) Tant que k N-p et d=1 Slectionner k pour satisfaire Pfc dsire.
nhH >
(p + k + 1)

Slectionner k pour satisfaire Pfa dsire.


H > < H
1

X
0

k (1)

1 k (N k)

< hH

k (1)

1 k (p + k)

Si nhH, mettre d=0 Sinon Fin Fin k=N-p-k


Figure 4.4 Schma fonctionnel de lalgorithme F-ACOSD

k=k+1

Dcision H0 ou H1

Dtection adaptative CFAR censure automatique base sur les statistiques dordre

53

X0 Cible et clutter X1 DLE Cellules de garde X(1) X(2) X(p) X(N) XN/2 XN/2+1 XN

X(1) X(p) X(p+1) X(N)

...
Pfc dsire
Algorithme de Censure
X(N-k)

Pfa dsire

Mettre k=0 Mettre d=1 (Hypothse non homogne) Tant que k N-p et d=1 Slectionner k pour satisfaire Pfc dsire
nhH >
(N k)

Algorithme de Dtection

Slectionner k pour satisfaire


Pfa dsire

< hH

k (1)

1 (p)

H1 > X < H
0

k (1)

1 k (N k)

Si hH, mettre d=0 Sinon Fin Fin


Figure 4.5 Schma fonctionnel de lalgorithme B-ACOSD

k=k+1

Dcision H0 ou H1

4.2.2 Analyse du dtecteur B-ACOSD

Lalgorithme de la censure automatique associ ce dtecteur, figure 4.5, compare lchantillon ordonn X(N-k), k=0,, N-p-1 avec le seuil adaptatif T k . La dcision est prise selon le test statistique suivant :
nhH X >
(N k)

< hH

Tk

(4.6)

Chapitre 4 - Analyse des dtecteurs F/B-ACCAD-CFAR et F/B-ACOSD-CFAR

54

T k = X k X1 k (1) (p)

(4.7)

k est une constante choisie pour atteindre une probabilit de fausse censure dsire, Pfc.
Lhypothse nhH reprsente le cas dun environnement non homogne. Autrement dit, les chantillons X(N-k), et X(N-k+1), X(N-k+2),, X(N) correspondent un background clutter plus interfrences. Alors que lhypothse hH, reprsente le cas dun environnement homogne. Autrement dit, lchantillon X(N-k) est issu dun background clutter uniquement. Les tests successifs, qui dbutent par ltape k=0, i.e., par le Nme plus grand chantillon, sont rpts aussi longtemps que lhypothse nhH est valide. Lalgorithme sarrte ds lors que la cellule de rfrence sous test est dclare appartenir un background homogne ou dans le cas extrme, quand tous les N-p plus grands chantillons sont tests, i.e., k=N-p.

4.2.3 Slection des seuils adaptatifs de censure automatique

Daprs les figures 4.4 et 4.5, il est vident que la slection des seuils est un lment cl dans la mise en uvre des algorithmes prcdents. En fait, les seuils k et k sont slectionns de manire ce quune faible probabilit d'erreur de test, ek, soit obtenue dans un environnement homogne. Pour le dtecteur F-ACOSD, ek est dfinie pour chaque valeur de k=0,, N-p-1, comme suit :
k e k = Prob(X (p+ k +1) > X k X1+ k) /hH) (1) (p

(4.8)

Par ailleurs, pour le dtecteur B-ACOSD, ek est dfinie par :

e k = Prob(X (N k) > X k X1 k /hH) (1) (p)

(4.9)

Comme des expressions analytiques des pdfs de T k et T k sont difficiles obtenir [20,40], les ek ont t obtenues en ayant recours aux simulations de Monte Carlo. Sachant que les paramtres k et k sont slectionns de faon ce quune petite Pfc soit maintenue chaque tape. Do, les valeurs de k et k sont dtermins en posant :
e 0 = e1 = L = e N p 1 = Pfc de consigne ou dsire

(4.10)

Dtection adaptative CFAR censure automatique base sur les statistiques dordre 4.2.4 Probabilits de fausse alarme et de dtection

55

Notons dabord que les probabilits de fausse alarme et de dtection sont les mmes pour les deux dtecteurs. La probabilit de fausse alarme, Pfa est dfinie par :
k = Prob X > X (1) fa 0 1 X k /H 0 (N k)

(4.11)

Quant la probabilit de dtection, Pd, elle est dfinie par :


1 k k P = Prob X > X X /H d (1) 0 1 (N k)

(4.12)

o H0 dsigne le l'hypothse nulle, i.e., cible absente dans la cellule sous test et H1 dsigne lhypothse non nulle, i.e., cible prsente dans la cellule sous test. Sachant quune expression analytique pour la pdf de T k est difficile obtenir, lvaluation de k (Pfa) et de la Pd sont obtenues en ayant recours aux simulations de Monte Carlo.

4.3 Analyse des dtecteurs F/B-ACCAD

La figure 4.6 illustre la structure gnrale des dtecteurs F/B-ACCAD. Les sorties Yi du DLE sont passes travers un amplificateur logarithmique pour obtenir de nouvelles variables alatoires Xi =Ln Yi et ce avant de les envoyer de faon srielle vers une ligne retard de longueur N+1, {Xi: i=0,..., N}. Cette technique permet lutilisation des caractristiques des distributions de type LS. En effet, en supposant que les chantillons gnrs partir dune loi log-normal (Weibull) sont issus de variables alatoires Yi IID, les variables alatoires Xi sont aussi IID mais de type LS et suivent donc une loi normal (Gumbel ou valeur extrme). Pour ce type de dtecteur, le seuil adaptatif qui assure un taux de fausses alarmes constant scrit [22-23] :

) ) ) Tg = + g

(4.13)

O g, appel paramtre de seuil, est une constante convenablement choisie pour atteindre la probabilit de fausse alarme, Pfa dsire. Pour que cette Pfa soit indpendante de la variation des paramtres de position et dchelle de la distribution normal (Gumbel), et donc la proprit CFAR soit garantie, il faut que leurs estimateurs

et , respectifs, bass sur une observation X, soient quivariants. Cette condition est vrifie si,
pour c et d des constants dans les rgions ( , ) et ( 0 + , ) respectivement [23] :

Chapitre 4 - Analyse des dtecteurs F/B-ACCAD-CFAR et F/B-ACOSD-CFAR

56

X0 Cible et clutter X1 DLE AMPLI LOG Cellules de garde X(1) X(2) X(N) Algorithme de censure des dtecteurs F-ACCAD ou B-ACCAD XN/2 XN/2+1 XN


Pfa dsire


Tg = + g
Tg

Comparateur

Dcision H0 ou H1
Figure 4.6 Structure gnrale du dtecteur F/B-ACCAD

( X ) = d ( X ) + c ( X ) = d ( X )
o
X=d X +c

(4.14)

(4.15)

La cellule sous test X0 est compare avec le seuil adaptatif T g daprs le test statistique :
H >
0

< H

T g
0

(4.16)

4.3.1 Estimation des paramtres de position et d'chelle 4.3.1.1 Distribution normal

Comme nous lavons stipul prcdemment, des chantillons issus dune loi log-normal, quand ils passent travers un amplificateur logarithmique, donnent naissance des chantillons issus dune loi normal. Le problme revient alors estimer les paramtres de la loi N (, ). Pour cela, il existe

Dtection adaptative CFAR censure automatique base sur les statistiques dordre

57

plusieurs mthodes destimation de et [28]. Citons, titre dexemple, les estimateurs du maximum likelihood (MLE) et ceux linaires tels que le meilleur estimateur linaires sans biais (Best Linear Unbiased Estimator, BLUE) et le meilleurs estimateur linaires invariant (Best Linear Invariant estimator, BLIE). Les dtecteurs F/B-ACCAD dans le cas dun clutter log-normal [16], utilisent la mthode linaire qui vite le recours des quations non linaires comme dans le MLE o la ncessit du calcul des matrices de covariance comme dans les estimateurs BLU et BLI. Les estimateurs linaires de et sont bass sur N chantillons, avec la possibilit den censurer les l plus petits (bord de clutter) et les k plus grands (interfrences), sont dfinis par [16] :

) Nk = A i X (i)
i =l + 1

(4.17)

) Nk = Bi X (i)
i =l+ 1

(4.18)

Les X(i) sont des chantillons dont les chantillons dorigine sont pris dune distribution N (, ). Ils sont ni indpendants ni identiquement distribus. Sachant que les estimateurs linaires L et

) L sont dits quivariants si et seulement si, les poids Ai= Ai (N, l, k) et Bi= Bi (N, l, k) sont
choisis de manire ce que :

i =l + 1

A
Nk

N k

=1

(4.19)

i = l +1

B =0
i

(4.20)

Les poids Ai et Bi doivent tre calculs une fois pour toute comme suit :

Bi =

Nk

j = l +1

( ) ( )
i j

(4.21)

Ai =

1 Bi N-k-l

(4.22)

Chapitre 4 - Analyse des dtecteurs F/B-ACCAD-CFAR et F/B-ACOSD-CFAR

58

est la valeur moyenne de {i: i= 1, 2, ..., N-k-l} et les i, sont les seuls estimateurs dont nous
avons besoin dans la mthode d'estimation linaire considre. Ils peuvent tre calculs une fois pour toute, pour les chantillons ordonns X(i), comme suit:

N i = i x [1 F(x )] N i [F(x )] i 1 f (x, 0,1) dx i

(4.23)

o F(x), reprsente la fonction de distribution cumulative de la pdf normal standard, i.e., N (0, 1).

4.3.1.2 Distribution Gumbel

Similairement, des chantillons issus dune loi Weibull, quand ils passent travers un amplificateur logarithmique, donnent naissance des chantillons issus dune loi Gumbel. Le problme revient alors estimer les paramtres de la loi G (, ). Pour cela, il existe plusieurs mthodes destimation de et [28]. Citons encore une fois, les estimateurs du maximum likelihood (MLE) et ceux linaires tels que le meilleur estimateur linaire sans biais (Best Linear Unbiased Estimator, BLUE) et le meilleur estimateur linaire invariant (Best Linear Invariant estimator, BLIE) [22]. Contrairement aux dtecteurs F/B-ACCAD dans un clutter log-normal, qui utilisent une mthode linaire, nous avons choisi pour les dtecteurs F/B-ACCAD dans le cas dun clutter Weibull, la mthode MLE pour estimer les paramtres de la loi Gumbel [21]. A ce titre, pour obtenir des estimateurs quivariants de (paramtre de position) et (paramtre dchelle) dune distribution Gumbel, bass sur N chantillons, avec la possibilit den censurer les k plus grands, nous obtenons choisi pour lestimateur MLE :
Nk

1 =

k y N k ) ln y ( N k ) + y j) ln y ( j) ( (

ky

( N k )

+ y
j=1

j=1 Nk

( j)

1 Nk

N k j=1

ln y

( j)

(4.24)

N k 1 = k y ( N k ) + y j) ( N k j=1

(4.25)

Les paramtres et de la loi Weibull et et de la loi Gumbel sont lis par = 1 et = ln . Par consquent, les estimateurs quivariants des paramtres et de la distribution Gumbel sont donns par :

Dtection adaptative CFAR censure automatique base sur les statistiques dordre

59

k x ( N k ) exp( =

x ( Nk ) Nk x ( Nk ) ) + x ( j) exp( ) 1 N k j=1 x ( j) x ( N k ) x ( N k ) Nk N k j=1 k exp( ) + exp( ) j=1

(4.26)

1 x ( Nk ) N k x ( Nk ) ) + exp( ) = ln k exp( Nk j=1

(4.27)

4.3.2 Analyse du dtecteur F-ACCAD-CFAR

La figure 4.7 illustre le schma fonctionnel du dtecteur F-ACCAD. L'algorithme de censure automatique dans ce dtecteur est similaire celui utilis dans le dtecteur F-ACOSD. De ce fait, nous nous contenterons de reprendre le test statistique uniquement. Autrement, nous pouvons

crire pour ce type de dtecteur [16] :


nhH > X ( p + k + 1) < hH

p+k

+ a

(4.28)
p+k

4.3.3 Analyse du dtecteur B-ACCAD

La figure 4.8 illustre le schma fonctionnel du dtecteur B-ACCAD. L'algorithme de censure automatique dans ce dtecteur est similaire celui utilis dans le dtecteur B-ACOSD. De ce fait, nous nous contenterons de reprendre le test statistique uniquement. Autrement, nous pouvons

crire pour ce type de dtecteur :


nhH > X (N k) < hH

+ b

(4.29)

4.3.4 Slection des seuils adaptatifs de censure automatique

Daprs les figures 4.7 et 4.8, les seuils a k et bk sont slectionns pour chaque valeur de k, 0,, N-p-1, tel quune faible probabilit d'erreur de test, ek, est obtenue dans un environnement homogne comme suit :
e k = Pr ob(X ( p + k +1) > p + k + a k p + k hH )

(4.30)

Chapitre 4 - Analyse des dtecteurs F/B-ACCAD-CFAR et F/B-ACOSD-CFAR

60 (4.31)

et

e k = Pr ob(X ( N k ) > p + b k p hH )

Sachant que les paramtres a k et bk sont slectionns de faon ce que la relation (4.10) soit satisfaite. X0 Cible et clutter DLE
AMPLI

X1

XN/2

XN/2+1 XN

LOG Cellules de garde X(1) X(2) X(N)

X(1) X(p) X(p+1) X(N)

...
Pfc dsire
X(p+k+1)

Pfa dsire

Algorithme de Censure

Algorithme de Dtection

Mettre k=0 Mettre d=1 (Hypothse homogne) Tant que k N-p et d=1

Slection de g k pour satisfaire

Pfa dsire
H X
0 1

Calculer

p+k

et

p+k

Si k < N-p Slection de ak pour satisfaire Pfc dsire


nhH X ( p + k + 1) > < hH p + k + ak p + k

> < H
0

p + k

+ g

p + k

Si nhH, mettre d=0, Fin Fin k=k+1 Fin k=N-p-k+1


Figure 4.7 Schma fonctionnel de lalgorithme F-ACCAD

Dtection adaptative CFAR censure automatique base sur les statistiques dordre

61

X0 Cible et clutter DLE AMPLI LOG X1 XN/2 XN/2+1 XN

Cellules de garde X(1) X(2) X(p) X(N)

X(1) X(p) X(p+1) X(N) ... Pfc dsire X(N-k)


Algorithme de Censure Algorithme de Dtection

Pfa dsire

Mettre k=0 Mettre d=1 (Hypothse non homogne)

Slection de g k pour satisfaire

Calculer

Pfa dsire

et

Si k < N-p Mettre p=N-k

Tant que k < N-p et d=1 Slection de bk pour satisfaire Pfc dsire
nhH > < hH

Calculer

et

X (N k )

+ b k

H1 > < H
0

+ g k

Si hH, mettre d=0 Sinon Fin Fin


Figure 4.8 Schma fonctionnel de lalgorithme B-ACCAD

Fin

k=k+1 Dcision H0 ou H1

4.3.5 Probabilits de fausse alarme et de dtection

Notons dabord que les probabilits de fausse alarme et de dtection sont les mmes pour les deux dtecteurs. La probabilit de fausse alarme, Pfa est dfinie par :
P = Prob X > N k + g k N k / H fa 0 0

(4.32)

Chapitre 4 - Analyse des dtecteurs F/B-ACCAD-CFAR et F/B-ACOSD-CFAR

62

Le coefficient g k garantit une probabilit de fausse alarme dsire. Dautre part, la probabilit de dtection (Pd) est dfinie par :
+g /H P = Prob X > N k k N k 1 d 0

(4.33)

o H0 dsigne le l'hypothse nulle, i.e., cible absente dans la cellule sous test et H1 dsigne lhypothse non nulle, i.e., cible prsente dans la cellule sous test. Sachant quune expression analytique pour la pdf de Tg k est difficile obtenir, lvaluation de g k (Pfa) et de la Pd sont obtenues en ayant recours aux simulations de Monte Carlo.

4.4 Conclusion
Dans ce chapitre, nous avons dabord analys les dtecteurs F/B-ACOSD et F-ACCAD. Ensuite, dans loptique de complter lanalyse, nous avons mis au point le dtecteur B-ACCAD. La comparaison, par le biais des simulations de Monte Carlo, des performances de dtection de ces dtecteurs dans des environnements log-normal et Weibull fera lobjet du chapitre 5.

Chapitre 5

Simulations

Rsum
Dans ce chapitre, nous examinons par les simulations de Monte Carlo, les performances de censure, de dtection et de robustesse en prsence de cibles interfrentes, des dtecteurs F/B-ACOSD et F/B-ACCAD. Pour cela, nous les avons tests en milieux homogne et htrogne pour des environnements lognormal et Weibull et ce dans le cas dune cible de type Swerling I.

5.1 Introduction 5.2 Simulations 5.3 Conclusion

Dtection adaptative CFAR censure automatique base sur les statistiques

64

5.1 Introduction La dtection dune cible utilisant des dtecteurs bass sur les statistiques dordre (F/B-ACOSD et F/B-ACCAD) et de la censure automatique de cibles interfrentes sans connaissance priori de leur nombre, sont caractrises par des paramtres importants, en loccurrence la probabilit de fausse censure (Pfc), de fausse alarme (Pfa), de dtection (Pd) et le SNR, qui est remplac par le SCR, du fait que le clutter dispose dune puissance plus importante que celle du bruit. Ce chapitre est entirement dvolu, dune part, limplmentation des algorithmes de censure et de dtection obtenus dans le quatrime chapitre et dautre part, la comparaison des performances des dtecteurs F/B-ACOSD et F/B-ACCAD en milieux lognormal et Weibull homogne et en prsence de cibles interfrentes.

5.2 Simulations Pour effectuer les simulations laide de donnes synthtiques, nous avons utilis l'outil MATLAB. Les hypothses que nous avons considres sont les suivantes : 1. Une probabilit de fausse alarme de consigne Pfa=10-3, sachant quil est bien connu que si la prcision dsire est 10%, le nombre des itrations indpendantes de Monte Carlo doit tre de 100/Pfa [21]. 2. Une probabilit de fausse censure Pfc=10-2 et 10-3. 3. Diffrents couples (N, p): (16,12), (24,16) et (36,24), o N dsigne le nombre de cellules dans la fentre de rfrence et p, le nombre de cellules dans la population initiale qui correspond un background homogne. Des valeurs de p=2N/3 donnent des performances satisfaisantes [35]. 4. Des valeurs de SCR variant de 0 40dB, tandis que les valeurs de ICR allant de 10 et 40dB. Le rapport de la puissance du signal sur la puissance du clutter, SCR, (ICR est calculer de la mme manire) est dfini par :

SCR = 10 log

Puissance du Signal Cible Puissance du Clutter

(5.1)

ICR = 10 log

Puissance du Signal Intefrence Puissance du Clutter

(5.2)

Par consquent, pour un clutter lognormal, de paramtres dchelle et de forme , le SCR est donn par :
SCR = A2 exp(2 + 2 2 )

(5.3)

Chapitre 5 - Simulations

65

o A 2 dsigne la puissance moyenne de l'amplitude A de la cible, E[A2], du signal. Dans notre cas, il sagit dune cible de type Swerling I ou Swerling II dont lamplitude suit une loi Rayleigh. Par ailleurs, pour un clutter Weibull de paramtres dchelle et forme , le SCR est donn par :

SCR =

A2 2 2 + 1

(5.4)

5. Comme la cellule sous test contient une cible de type Rayleigh (SW I et II), noye dans un clutter lognormal (Weibull), elle est reprsente par la construction vectorielle de la figure 5.1 tel que :

X = 0

cible

+ clutter

+ 2 * cible * clutter * cos

(5.5)

cible et clutter sont des variables alatoires de distributions respectives Rayleigh et lognormal
(Weibull). tant une variable alatoire qui suit une loi uniforme dans lintervalle [0, 2]. Remarquons, ce stade, que les cibles secondaires (interfrences) sont de mme nature que les cibles primaires. De ce fait, la mme dmarche est retenue pour gnrer les cellules de rfrence qui contiennent des cibles secondaires. De plus, dans le cas des dtecteurs F/B-ACCAD, le passage par un amplificateur logarithmique est ncessaire. Il faut donc prendre ln X0 au lieu de X0. Enfin, nous supposons que la fentre de rfrence peut contenir un nombre inconnu m de cibles interfrentes, o 0 m N p et m=0 correspond au cas homogne. Nous supposons aussi que toutes les cibles interfrentes ont le mme rapport ICR.

Composantes en quadrature de phase

QCible QClutter

Cible

Clutter

ICible IClutter Composantes en phase

Figure 5.1 Reprsentation gomtrique des vecteurs cible et clutter

Dtection adaptative CFAR censure automatique base sur les statistiques

66

5.2.1 Dtecteurs F/B-ACOSD et F/B-ACCAD dans un environnement lognormal ou Weibull 5.2.1.1 Evaluation des paramtres de seuils adaptatifs des dtecteurs F/B-ACOSD

Nous avons vu dans le chapitre prcdent que ces dtecteurs utilisent un seuil qui ne dpend pas explicitement des paramtres de forme et dchelle de la distribution reprsentant le clutter sous investigation. De plus, notons que lquation (4.1) donnant ce seuil est utilise aussi bien pour la censure que pour la dtection. Indpendamment de lalgorithme de censure, celui de la dtection tient compte uniquement du nombre k de cellules carter et dont le nombre peut tre au plus N-p et au moins 0. A cet effet, le tableau 5.1 rsume les valeurs du paramtre de seuil de dtection

k obtenues par simulations de Monte Carlo, pour les dtecteurs F-ACOSD et B-ACOSD. Pour
simuler lquation (4.11), nous avons considr un million d'itrations indpendantes et ce pour diffrentes valeurs de N et p. Les valeurs k sont slectionnes de telle sorte que la probabilit de fausse alarme (Pfa=10-3) soit maintenue constante dans un environnement lognormal ou Weibull homogne. Notons que pour une mme valeur de N, une augmentation du nombre des interfrences, induit une diminution de la valeur de k . Par contre, une augmentation du couple (N, p) gnre une augmentation de la valeur de k . Dautre part, nous remarquons aussi que les valeurs du paramtre de seuil de dtection, pour une valeur donne de Pfa, forment une squence ordonne, savoir :

0 L N p1 N p

(5.6)

Par ailleurs, les dtecteur F-ACOSD et B-ACOSD ont aussi besoin des valeurs des paramtres de seuil de censure k et k , respectivement. Ces valeurs correspondent une petite probabilit derreur de test ek donne par les quations (4.8) et (4.9), respectivement. Les figures 5.2 et 5.3 donnent les ek des dtecteurs F/B-ACOSD, en fonction des paramtres de seuil de censure k et k dans des environnements lognormal et Weibull homognes pour N=24, p=16. Chaque point a t obtenu raison dun million d'itrations indpendantes. Ces figures et la relation (4.10) permettent de trouver facilement les valeurs de k et k pour une Pfc dsire. Ces valeurs sont rsumes dans le tableau 5.2. Observons aussi, que pour une mme valeur de (N, p) et k, le tableau 5.2 indique, quune diminution de la Pfc entraine une diminution de k et k et, comme nous le verrons dans ce chapitre, une diminution de la probabilit de censure. Notons enfin, que les valeurs du paramtre de seuil de censure k pour une valeur donne de Pfc, forment des squences ordonnes, savoir :

0 L N p 2 N p 1

(5.7)

Chapitre 5 - Simulations

67

Tableau 5.1 Paramtre de seuil de dtection k des dtecteurs F/B-ACOSD, pour diffrentes

valeurs de (N, p), dans un environnement homogne pour Pfa=10-3.

(a) Environnement lognormal


-k (N, p) (16,12) (24,16) (36,24)

0
0.6415 0.4697 0.3506

1
0.8955 0.6340 0.4700

2
1.1272 0.7695 0.5644

3
1.3690 0.9012 0.6481

4
1.6538 1.0320 0.7254

10

11

12

1.1671 0.8040

1.3122 0.8821

1.4716 0.9573

1.6368 1.0323 1.1152 1.1916 1.2773 1.3670

(b) Environnement Weibull


-k (N, p) (16,12) (24,16) (36,24)

0
0.3293 0.2238 0.1629

1
0.4759 0.3118 0.2196

2
0.6147 0.3862 0.2665

3
0.7729 0.4611 0.3068

4
0.9400 0.5294 0.3468

10

11

12

0.6100 0.3848

0.6951 0.4268

0.7849 0.4656

0.8872 0.5071 0.5507 0.5957 0.6465 0.6918

Dtection adaptative CFAR censure automatique base sur les statistiques

68

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.2 Probabilit d'erreur de test ek du dtecteur F-ACOSD en fonction du paramtre de seuil k dans un environnement homogne pour (N, p) = (24,16).

Chapitre 5 - Simulations

69

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.3 Probabilit d'erreur de test ek du dtecteur B-ACOSD en fonction du paramtre de seuil

k dans un environnement homogne pour (N, p) = (24,16).

Dtection adaptative CFAR censure automatique base sur les statistiques

70

Tableau 5.2 Paramtres de seuils de censure k et k des dtecteurs F/B-ACOSD pour diffrentes

valeurs de la Pfc dans un environnement homogne. (a) Dtecteur F-ACOSD dans un environnement lognormal
(N, p) (16,12) (24,16) - k Pfc 10-2 10-3 10
-2

0 0.4431 0.7194 0.2559 0.4091 0.1526 0.2385

1 0.4656 0.7439 0.2558 0.4023 0.1522 0.2373

2 0.5372 0.8392 0.2582 0.4090 0.1530 0.2409

3 0.7456 1.1340 0.2693 0.4187 0.1560 0.2408

10

11

0.2886 0.4440 0.1604 0.2478

0.3232 0.4915 0.1674 0.2561

0.3938 0.5921 0.1762 0.2682

0.5819 0.8594 0.1899 0.2851 0.2115 0.3197 0.2453 0.3665 0.3105 0.4571 0.4795 0.6960

10-3 10 10
-2 -3

(36,24)

(b) Dtecteur F-ACOSD dans un environnement Weibull


(N, p) (16,12) (24,16) (36,24) - k Pfc 10-2 10 10 10
-3

0 0.2900 0.4790 0.1700 0.2776 0.0977 0.1575

1 0.2910 0.4763 0.1649 0.2659 0.0963 0.1533

2 0.3161 0.5031 0.1642 0.2630 0.0958 0.1515

3 0.3956 0.6076 0.1657 0.2642 0.0958 0.1520

10

11

10-2
-3

0.1708 0.2672 0.0967 0.1515

0.1846 0.2845 0.0987 0.1559

0.2125 0.3235 0.1021 0.1594

0.2862 0.4220 0.1074 0.1650 0.1156 0.1771 0.1302 0.1972 0.1556 0.2327 0.2193 0.3157

10-2
-3

(c) Dtecteur B-ACOSD dans un environnement lognormal


(N, p) (16,12) (24,16) (36,24) -k Pfc 10-2 10 10 10
-3

0 1.6048 2.3067 1.7361 2.3594 1.5398 1.9960

1 1.0404 1.5387 1.2625 1.7216 1.1538 1.4883

2 0.7098 1.0771 1.0021 1.3708 0.9506 1.2245

3 0.4431 0.7194 0.8123 1.1289 0.8101 1.0515

10

11

10-2
-3

0.6571 0.9281 0.6978 0.9111

0.5197 0.7485 0.6020 0.7960

0.3887 0.5829 0.5191 0.6892

0.2559 0.4091 0.4409 0.5950 0.3674 0.5080 0.2978 0.4173 0.2276 0.3313 0.1526 0.2385

10-2
-3

(d) Dtecteur B-ACOSD dans un environnement Weibull


(N, p) (16,12) (24,16) (36,24) -k Pfc 10-2 10 10
-3

0 0.8966 1.3241 0.9238 1.2663 0.7663 0.9992

1 0.6348 0.9550 0.7295 1.0160 0.6253 0.8176

2 0.4519 0.7064 0.6040 0.8472 0.5395 0.7108

3 0.2900 0.4790 0.5051 0.7176 0.4730 0.6254

10

11

10-2
-3 -2

0.4180 0.6081 0.4168 0.5572

0.3368 0.4957 0.3661 0.4957

0.2557 0.3913 0.3202 0.4364

0.1700 0.2775 0.2756 0.3801 0.2334 0.3271 0.1898 0.2737 0.1461 0.2179 0.0977 0.1575

10

10-3

Chapitre 5 - Simulations

71

5.2.1.2 Evaluation des paramtres de seuils adaptatifs des dtecteurs F/B-ACCAD

Contrairement aux dtecteurs F/B-ACOSD, nous avons vu dans le chapitre prcdent que les dtecteurs F/B-ACCAD utilisent un seuil qui dpend explicitement des paramtres de forme et dchelle de la distribution reprsentant le clutter sous investigation. Par consquent, une estimation de ces paramtres est indubitable. De plus, notons, ici aussi, que lquation (4.13) donnant ce seuil est utilise aussi bien pour la censure que pour la dtection. Indpendamment de lalgorithme de censure, celui de la dtection tient compte uniquement du nombre k de cellules carter et dont le nombre peut tre au plus N-p et au moins 0. A cet effet, le tableau 5.3 rsume les valeurs du paramtre de seuil de dtection g k obtenues par simulations de Monte Carlo, pour les dtecteurs F-ACCAD et B-ACCAD. Pour simuler lquation (4.32), nous avons considr un million d'itrations indpendantes et ce pour diffrentes valeurs de N et p. Les valeurs de g k sont slectionnes de telle sorte que la probabilit de fausse alarme (Pfa=10-3) soit maintenue constante dans des environnements lognormal et Weibull homognes. Notons que pour une mme valeur de N, une augmentation du nombre des interfrences, induit une augmentation de la valeur de g k . Par contre, une augmentation du couple (N, p) gnre une diminution de la valeur de g k . Notons que les valeurs du paramtre de seuil de dtection g k , pour une valeur donne de Pfc, forment une squence ordonne, savoir :

g 0 L g N p1 g N p

(5.8)

Par ailleurs, les dtecteur F-ACCAD et B-ACCAD ont aussi besoin des valeurs des paramtres de seuil de censure ak et bk, respectivement. Ces valeurs correspondent une petite probabilit derreur de test ek donne par les quations (4.30) et (4.31), respectivement. Les figures 5.4 et 5.5 donnent les ek des dtecteurs F/B-ACCAD, en fonction des paramtres de seuil de censure ak et bk dans des environnements lognormal est Weibull homognes pour N=24, p=16. Chaque point a t obtenu raison dun million d'itrations indpendantes. Ces figures et la relation (4.10) permettent de trouver facilement les valeurs de ak et bk pour une Pfc dsire. Ces valeurs sont rsumes dans le tableau 5.4. Observons aussi, que pour une mme valeur de (N, p) et k, le tableau 5.4 indique, quune diminution de la Pfc entraine une augmentation de ak et bk et, comme nous le verrons dans ce chapitre aussi, une augmentation de la probabilit de sous censure. Notons enfin, que les valeurs des paramtres de seuil de censure ak et bk, pour une valeur donne de Pfc, forment des squences ordonnes, savoir :

a 0 L a N p 2 a N p 1

(5.9) (5.10)

b 0 L b N p 2 b N p 1

Dtection adaptative CFAR censure automatique base sur les statistiques

72

Tableau 5.3 Paramtres de seuils de dtection g k des dtecteurs F/B-ACCAD pour diffrents

(N, p), dans un environnement homogne pour Pfa=10-3.

(a) Environnement lognormal

gk
(N, p) (16,12) (24,16) (36,24)

g0
3.7968 3.5376 3.3608

g1
3.9264 3.5888 3.3874

g2
4.0648 3.6448 3.4064

g3
4.2531 3.7093 3.4384

g4
4.4672 3.7728 3.4635

g5
3.8466 3.4953

g6
3.9365 3.5262

g7
4.0412 3.5572

g8
4.1784 3.6008

g9

g10

g11

g12

3.6416

3.6832

3.7296

3.7744

(b) Environnement Weibull

gk
(N, p) (16,12) (24,16) (36,24)

g0
2.6510 2.3600 2.2160

g1
2.8356 2.4400 2.2446

g2
3.022 2.5208 2.2724

g3
3.2508 2.5925 2.2996

g4
3.5309 2.6747 2.3285

g5

g6

g7

g8

g9

g10

g11

g12

2.7728 2.3603

2.888 2.3996

3.0104 2.4372

3.1434 2.4916 2.5388 2.5846 2.6436 2.7036

Chapitre 5 - Simulations

73

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.4 Probabilit d'erreur de test ek du dtecteur F-ACCAD en fonction du paramtre de seuil

ak dans un environnement homogne pour (N, p) = (24,16).

Dtection adaptative CFAR censure automatique base sur les statistiques

74

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.5 Probabilit d'erreur de test ek du dtecteur B-ACCAD en fonction du paramtre de seuil

bk dans un environnement homogne pour (N, p) = (24,16).

Chapitre 5 - Simulations

75

Tableau 5.4 Paramtres de seuils de censure ak et b k des dtecteurs F/B-ACCAD dans un

environnement homogne pour Pfc=10-2 et 10-3. (a) Dtecteur F-ACCAD dans un environnement lognormal
(N, p) (16,12) (24,16) (36,24) ak Pfc 10-2 10 10
-3

a0 1.7574 2.4112 1.1396 1.5123 0.9475 1.1958

a1 2.0735 2.7694 1.2787 1.6575 1.0338 1.285

a2 2.5705 3.3957 1.4340 1.8229 1.1285 1.3776

a3 3.5931 4.7384 1.6165 2.0338 1.2287 1.4981

a4

a5

a6

a7

a8

a9

a11

a12

10-2
-3 -2

1.8437 2.2906 1.3422 1.6081

2.1425 2.6355 1.4649 1.7432

2.5989 3.209 1.6067 1.9055

3.5393 4.4304 1.7727 2.0869 1.9796 2.3249 2.2565 2.6608 2.6807 3.1846 3.5649 4.3281

10

10-3

(b) Dtecteur F-ACCAD dans un environnement Weibull


(N, p) (16,12) (24,16) (36,24) ak Pfc 10-2 10 10 10
-3

a0 1.3154 1.9522 0.6984 1.0561 0.4763 0.6950

a1 1.5438 2.1818 0.8100 1.1672 0.5528 0.7662

a2 1.8847 2.5620 0.9385 1.2897 0.6340 0.8465

a3 2.5115 3.3154 1.0848 1.4421 0.7189 0.9403

a4

a5

a6

a7

a8

a9

a11

a12

10-2
-3 -2

1.2480 1.6110 0.8103 1.0312

1.4677 1.8570 0.9107 1.1361

1.7773 2.2336 1.0206 1.2556

2.3347 2.8902 1.1487 1.3888 1.2987 1.5567 1.4914 1.7710 1.7609 2.0915 2.2585 2.6874

10-3

(c) Dtecteur B-ACCAD dans un environnement lognormal


(N, p) (16,12) (24,16) (36,24) bk Pfc 10-2 10
-3 -2

b0 4.3683 6.0408 4.416 5.8701 4.2125 5.3384

b1 3.0927 4.2776 3.3553 4.4488 3.2864 4.1144

b2 2.3456 3.2224 2.7686 3.6513 2.8038 3.4868

b3 1.7574 2.4112 2.3445 3.0948 2.4654 3.0689

b4

b5

b6

b7

b8

b9

b10

b11

10 10

1.9979 2.6474 2.1991 2.7444

1.6952 2.2464 1.9719 2.4682

1.4158 1.8752 1.772 2.2233

1.1396 1.5123 1.592 2.0028 1.42 1.7933 1.2582 1.588 1.101 1.3893 0.9475 1.1958

10-3
-2

10-3

(d) Dtecteur B-ACCAD dans un environnement Weibull


(N, p) (16,12) (24,16) (36,24) bk Pfc 10-2 10
-3 -2

b0 3.3746 4.7560 3.2975 4.3723 2.9578 3.6874

b1 2.4884 3.5468 2.6292 3.536 2.4325 3.0624

b2 1.8703 2.7128 2.1992 2.9884 2.1149 2.6975

b3 1.3154 1.9522 1.8599 2.551 1.8701 2.3832

b4

b5

b6

b7

b8

b9

b10

b11

10

1.5628 2.1605 1.6631 2.1398

1.279 1.8021 1.4791 1.9119

0.9974 1.4525 1.3062 1.7064

0.6984 1.0561 1.1421 1.5049 0.9834 1.3111 0.8240 1.1145 0.6594 0.9140 0.4764 0.6950

10-3 10-2 10-3

Dtection adaptative CFAR censure automatique base sur les statistiques

76

5.2.1.3 Probabilit de censure

Lefficacit des algorithmes de censure automatique inhrents aux dtecteurs F/B-ACOSD et F/B-ACCAD doit tre prouve en valuant la probabilit de censure pour diffrents scenarii de prsence de cibles interfrentes diffrents niveaux de ICR, de paires (N, p) et de paramtres de formes et . Dans cette optique, nous avons dabord ralis une batterie de tests, dans lesquels, nous avons valu, par les simulations de Monte Carlo, la probabilit de censure dans des milieux homognes. En effet, les tableaux 5.5 et 5,6 correspondent, en fait, aux probabilits de censure des algorithmes de censure des dtecteurs F/B-ACOSD et F/B-ACCAD, respectivement, dans des environnements lognormal et Weibull homogne et ce pour diffrentes valeurs de la paire (N, p) et de celle de la Pfc. Elles ont t ralises partir dun million ditrations indpendantes. Il est clair, que la valeur de la probabilit de censure, i.e., Prob{k=m}, est maximale pour k=0. Ceci, correspond donc au cas o il nest cart aucune cellule de rfrence. Cest tant mieux, car un algorithme de censure nest efficace que sil est dabord, en mesure de produire la meilleure probabilit de censure en milieu homogne. Par ailleurs, toujours partir de ces mmes tableaux, nous pouvons lire que la probabilit de censure atteint son paroxysme pour les dtecteurs B-ACOSD et B-ACCAD, surtout quand la taille de la fentre de rfrence et/ou la Pfc diminue (nt). Ceci dnote dj, une sensibilit particulire en milieu interfrent de ces dtecteurs par rapport aux dtecteurs F-ACOSD et F-ACCAD.
Tableau 5.5 Probabilit de censure des dtecteurs F/B-ACOSD dans un environnement homogne,

=0.355 et =3, pour (N, p) = (16, 12) et (36, 24) et Pfc=10-2 et 10-3. (a) Dtecteur F-ACOSD dans un environnement lognormal
(N, p) (16,12) (36,24) k Pfc 10-2 10 10
-3

0 0.9604 0.9960 0.8860 0.9880

1 0.0098 0.0010 0.0090 0.0010

2 0.0098 0.0010 0.0091 0.0010

3 0.0099 0.0010 0.0092 0.0010

4 0.0100 0.0010 0.0093 0.0010

10

11

12

10-2
-3

0.0094 0.0010

0.0094 0.0010

0.0095 0.0010

0.0096 0.0010

0.0097 0.0010

0.0098 0.0010

0.0099 0.0010

0.0100 0.0010

(b) Dtecteur F-ACOSD dans un environnement Weibull


(N, p) (16,12) (36,24) k Pfc 10-2 10 10
-3

0 0.9609 0.9961 0.8899 0.9881

1 0.0095 0.0010 0.0084 0.0010

2 0.0097 0.0010 0.0086 0.0010

3 0.0098 0.0009 0.0087 0.0010

4 0.0101 0.0010 0.0088 0.0010

10

11

12

10-2
-3

0.0089 0.0010

0.0090 0.0010

0.0092 0.0010

0.0094 0.0010

0.0095 0.0010

0.0096 0.0010

0.0098 0.0010

0.0100 0.0010

Chapitre 5 - Simulations

77

(c) Dtecteur B-ACOSD dans un environnement lognormal


(N, p) (16,12) (36,24) K Pfc 10-2 10-3 10
-2 -3

0 0.9900 0.9990 0.9900 0.9990

1 0.0063 0.0007 0.0064 0.0007

2 0.0018 0.0002 0.0014 0.0001

3 0.0010 0.0001 0.0006 0

4 0.0009 0.0001 0.0004 0

10

11

12

0.0003 0

0.0002 0

0.0002 0

0.0002 0

0.0001 0

0.0001 0

0.0001 0

0.0001 0

10

(d) Dtecteur B-ACOSD dans un environnement Weibull


(N, p) (16,12) (36,24) k Pfc 10-2 10-3 10
-2

0 0.9900 0.9990 0.9900 0.9990

1 0.0051 0.0005 0.0045 0.0006

2 0.0020 0.0002 0.0015 0.0002

3 0.0014 0.0001 0.0008 0.0001

4 0.0015 0.0001 0.0006 0

10

11

12

0.0004 0

0.0004 0

0.0003 0

0.0003 0

0.0003 0

0.0003 0

0.0003 0

0.0003 0

10-3

Tableau 5.6 Probabilit de censure des dtecteurs F/B-ACCAD dans un environnement homogne,

pour =0.355, =3, (N, p)= (16, 12) et (36, 24) et Pfc=10-2 et 10-3 (a) Dtecteur F-ACCAD dans un environnement lognormal
(N, p) (16,12) (36,24) k Pfc 10-2 10
-3 -2

0 0.9646 0.9961 0.9270 0.9909

1 0.0089 0.0010 0.0081 0.0010

2 0.0083 0.0009 0.0070 0.0009

3 0.0083 0.0009 0.0063 0.0008

4 0.0100 0.0010 0.0058 0.0008

10

11

12

10

0.0054 0.0007

0.0051 0.0007

0.0050 0.0007

0.0049 0.0006

0.0050 0.0007

0.0050 0.0007

0.0055 0.0007

0.0100 0.0010

10-3

(b) Dtecteur F-ACCAD dans un environnement Weibull


(N, p) (16,12) (36,24) k Pfc 10-2 10 10
-3

0 0.9952 0.9960 0.8902 O.9881

1 0.0005 0.0010 0.0088 0.0010

2 0.0010 0.0010 0.0087 0.0010

3 0.0015 0.0010 0.0087 0.0010

4 0.0018 0.0010 0.0087 0.0010

10

11

12

10-2
-3

0.0088 0.0010

0.0090 0.0010

0.0091 0.0010

0.0093 0.0010

0.0094 0.0010

0.0096 0.0010

0.0098 0.0010

0.0100 0.0010

Dtection adaptative CFAR censure automatique base sur les statistiques

78

(c) Dtecteur B-ACCAD dans un environnement lognormal


(N, p) (16,12) (36,24) k Pfc 10-2 10-3 10
-2

0 0.99 0.999 0.99 0.999

1 0.0062 0.0007 0.0062 0.0007

2 0.0018 0.0002 0.0014 0.0002

3 0.0010 0.0001 0.0006 0.0001

4 0.0010 0 0.0004 0

10

11

12

0.0002 0

0.0002 0

0.0002 0

0.0002 0

0.0001 0

0.0001 0

0.0001 0

0.0003 0

10-3

(d) Dtecteur B-ACCAD dans un environnement Weibull


(N, p) (16,12) k Pfc 10-2 10-3 10 10
-2 -3

0 0.9982 0.9990 0.9900 0.9988

1 0.0010 0.0006 0.0051 0.0007

2 0.0004 0.0002 0.0015 0.0002

3 0.0003 0.0001 0.0008 0.0001

4 0.0001 0.0001 0.0005 0

10

11

12

(36,24)

0.0004 0

0.0004 0

0.0003 0

0.0002 0

0.0002 0

0.0002 0

0.0002 0

0.0002 0

Cependant, en pratique, lenvironnement est loin dtre homogne. Dans ce cas, la souscensure dsavantage et par consquent dgrade les performances de l'algorithme de censure automatique. Par contre, la sur-censure favorise les performances de ce dernier quand le nombre des interfrences est inconnu. Par voie de consquence, le but escompt dans de tels systmes est la minimisation de la probabilit de sous-censure Pu=Prob{k<m} et par la mme, la maximisation de la probabilit de la sur-censure Po=Prob{km}=1-Pu . Pour cela, la figure 5.6 montre une comparaison des probabilits de censure de k cellules en fonction de k, des dtecteurs F/B-ACOSD et F/B-ACCAD dans des environnement lognormal et Weibull, pour N=36, p=24, =0.355, =3 et m=6 interfrences avec ICR=25dB et Pfc=10-2. Nous remarquons, de prime bord, que les algorithmes de censure de ces dtecteurs, ont la capacit de censurer k=m interfrences dans un milieu lognormal, avec des probabilits de 0.4819, 0.6050, 0.4794 et 0.5992, respectivement et dans un milieu Weibull, 0.7433, 0.7555, 0.5754 et 0.6085, respectivement. En apparence les algorithmes de censure Backward sont meilleurs que ceux de la censure Forward. Ce qui nest pas le cas, car un bon examen de cette figure, rvle, en fait, que les algorithmes de censure Forward sont caractriss par une petite probabilit de sous-censure et donc une grande probabilit de sur-censure. Ce qui leur confre une meilleure probabilit de censure. De ce fait, nous avons jug ncessaire dinvestiguer davantage la probabilit de sous-censure. Ensuite, nous avons investigu linfluence de ICR sur la probabilit de censure du dtecteur F-ACOSD dans des environnements lognormal et Weibull. Pour cela, la figure 5.7 montre la probabilit de censure de k cellules en fonction de k, pour N=36, p=24, =0.355, =3 et m=6, ICR=25 et 35dB et Pfc=10-2. Nous remarquons que lalgorithme de censure du dtecteur F-ACOSD a la capacit de dterminer le nombre exact des interfrences avec une probabilit de

Chapitre 5 - Simulations

79

0.4819 pour ICR=25dB et 0.5141 pour ICR=35dB dans un environnement lognormal et 0.6085 pour ICR=25dB et 0.6435 pour ICR=35dB dans un environnement Weibull. Consquemment, plus les cibles interfrentes sont puissantes, mieux est la censure. Noter que nous avons trouv les mmes rsultats pour les autres dtecteurs. Les figures 5.8 et 5.9 illustrent leffet de ICR et celui du nombre de cibles interfrentes sur les performances des algorithmes de censure des dtecteurs F/B-ACOSD et F/B-ACCAD, respectivement. La probabilit de sous-censure est trace en fonction de ICR, pour m=2 et 10 interfrences. Nous avons choisi N=36, p=24, =0.355, et une Pfc=10-2. Beaucoup denseignements peuvent tre tirs de ces deux figures. Notons que, la Pu est relativement leve pour les petits ICR et ce indpendamment du nombre des interfrences. Cet accroissement devient dautant plus significatif quand ce nombre augmente. Heureusement que, ces pertes CFAR ont tendance se dissiper pour les moyens et grands ICR, levant par la mme la PO. Cette augmentation est plus prononce pour les algorithmes des dtecteurs F/B-ACOSD que ceux des F/B-ACCAD. Enfin, de la figure 5.10, nous pouvons constater, en prsence de m=10 interfrences pour les milieux lognormal et Weibull, que les algorithmes de censure des dtecteurs F-ACOSD et F-ACCAD prsentent de faibles Pu, et sont donc plus performants en matire de censure que ceux associs aux dtecteurs B-ACOSD et B-ACCAD, sachant que Pu est encore plus faible dans le dtecteur F-ACCAD.

Dtection adaptative CFAR censure automatique base sur les statistiques

80

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.6 Comparaison des probabilits de censure en fonction de k des algorithmes

F/B-ACOSD et F/B-ACCAD dans des environnements lognormal et Weibull, pour N=36, p=24, =0.355, =3 Pfc=10-2, m=6 et ICR=25dB.

Chapitre 5 - Simulations

81

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.7 Probabilits de censure en fonction de k de lalgorithme F-ACOSD dans des

environnements lognormal et Weibull, pour N=36, p=24, =0.355, =3 Pfc=10-2, m=6 et ICR=25 et 35dB.

Dtection adaptative CFAR censure automatique base sur les statistiques

82

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.8 Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACOSD dans un

environnement interfrent, pour N=36, p=24, =0.355, =3 Pfc=10-2 et m=2 et 10.

Chapitre 5 - Simulations

83

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.9 Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACCAD dans un

environnement interfrent, pour N=36, p=24, =0.355, =3 Pfc=10-2 et m=2 et 10.

Dtection adaptative CFAR censure automatique base sur les statistiques

84

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.10 Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACOSD et

F/B-ACCAD dans un environnement interfrent, pour N=36, p=24, =0.355, =3 Pfc=10-2 et m=10.

Chapitre 5 - Simulations

85

Ensuite, nous avons investigu linfluence de la probabilit de fausse censure sur la probabilit de censure du dtecteur F-ACOSD dans des environnements lognormal et Weibull. Pour cela, la figure 5.11 montre la probabilit de censure de k cellules en fonction de k, pour N=36, p=24, =0.355, =3 et m=6, ICR=25 dB et Pfc=10-2 et Pfc=10-3. Nous remarquons que lalgorithme de censure du dtecteur F-ACOSD a la capacit de dterminer le nombre exact dinterfrences avec une probabilit de 0.4819 pour Pfc=10-2 et 0.7172 pour Pfc=10-3 , dans un environnement lognormal et 0.6085 pour Pfc=10-2 et 0.8239 pour Pfc=10-3, dans un environnement Weibull. Comme pour la figure 5.6, il apparat que la meilleure censure a lieu pour Pfc=10-3, alors quen fait la meilleure censure est obtenue pour une Pfc=10-2 et ce pour les mmes raisons voques. Pour tester linfluence de la probabilit de fausse censure (Pfc) sur la probabilit de sous-censure (Pu), nous avons reconduit les mmes expriences avec les mmes hypothses que prcdemment pour une Pfc gale 10-2 et 10-3 et nous avons investigu davantage la censure en milieu interfrent. Pour cela, les figures 5.12 et 5.13 donnent les variations de la Pu en fonction de ICR, associe aux algorithmes de censure des dtecteurs F/B-ACOSD et F/B-ACCAD pour m=6 interfrences, respectivement. Nous remarquons quun dcroissement de la Pfc a un impact ngatif sur les performances de ces algorithmes. En effet, une augmentation de la Pfc induit une diminution de la Pu, donc une augmentation de la Po. Les figures 5.14 et 5.15 reprsentent leffet du paramtre de forme de la distribution lognormal ou de la distribution Weibull, en prsence de m=8 interfrences, sur les performances des algorithmes de censure des dtecteurs F/B-ACOSD et F/B-ACCAD, respectivement. La probabilit de sous censure est value en fonction du pour ICR=25 et 35dB. Les courbes (figure 5.14.a et 5.15.a) associes aux algorithmes de censure des dtecteurs B-ACOSD et B-ACCAD, pour un ICR=25dB, par exemple, montrent quun accroissement de de 0 1.5, induit une augmentation de la Pu (de 0.2 0.98). Ensuite, celle-ci elle reste constante pour allant de 1.5 2. Enfin, elle dcroit pour >2 jusqu sannuler pour >8. Notons que pour ICR=35dB, la Pu a tendance diminuer. Ceci conforte donc les rsultats trouvs prcdemment, en loccurrence, plus ICR est grand, mieux est la censure. Similairement, les courbes correspondant aux algorithmes F-ACOSD et F-ACCAD exhibent la mme allure mais, cette fois-ci la Pu atteint une valeur maximale de 0.23. Puis dcrot pour >1.2 jusqu sannuler >3. Il faut savoir que les intervalles de ou (figure 5.14.b et 5.15.b) et de Pu varient en fonction de N, p, m et Pfc. Enfin, les investigations sur les donnes relles de clutter ont donn des valeurs de varie dans la plage 0.355 1.147 [23].

Dtection adaptative CFAR censure automatique base sur les statistiques

86

(a) Environnement lognormal

(b) environnement Weibull

Figure 5.11 Probabilits de censure en fonction de k de lalgorithme F-ACOSD dans des

environnements lognormal et Weibull pour N=36, p=24, =0.355, =3, ICR=25dB, m=6 et Pfc=10-2 et 10-3.

Chapitre 5 - Simulations

87

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.12 Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACOSD dans un

environnement interfrent, pour N=36, p=24, (=0.355 et m=6), (=3 et m=10) et Pfc=10-2 et 10-3.

Dtection adaptative CFAR censure automatique base sur les statistiques

88

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.13 Probabilit de sous-censure en fonction de ICR des algorithmes F/B-ACCAD dans un

environnement interfrent, pour N=36, p=24, (=0.355 et m=6), (=3 et m=10) et Pfc=10-2 et 10-3.

Chapitre 5 - Simulations

89

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.14 Probabilit de sous-censure en fonction de , () pour les algorithmes F/B-ACOSD

dans un environnement interfrent pour (N, p) = (36, 24), m=8, Pfc=10-2 et ICR=25dB et 35 dB.

Dtection adaptative CFAR censure automatique base sur les statistiques

90

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.15 Probabilit de sous-censure en fonction de () des algorithmes F/B-ACCAD dans

un environnement interfrent, pour (N, p)=(36, 24), m=8, Pfc=10-2 et ICR=25dB et 35 dB.

Chapitre 5 - Simulations

91

5.2.1.4 Probabilit de dtection

Lefficacit des algorithmes de dtection automatique inhrents aux dtecteurs F/B-ACOSD et F/B-ACCAD doit tre tablie en valuant la probabilit de dtection pour diffrents scenarii de prsence de cibles interfrentes diffrents niveaux de ICR, de paires (N, p) et de paramtre de forme et . Dans cette optique, nous avons ralis une srie de tests, dans lesquels, nous avons valu, par les simulations de Monte Carlo, les performances de dtection dans des milieux homogne et interfrent. Les figures 5.16 et 5.17 prsentent les performances de dtection, travers la Pd, des dtecteurs F/B-ACOSD et F/B-ACCAD, respectivement, en fonction de SCR dans un environnement lognormal homogne de paramtre de forme =0.355 ou Weibull de paramtre de forme =3 et ce pour des paires (N, p)=(16,12) et (36, 24), Pfa=10-3 et Pfc=10-2. Il est clair que le dtecteur F-ACOSD donne les mmes performances de dtection que le dtecteur B-ACOSD. Similairement, le dtecteur F-ACCAD donne les mmes performances de dtection que le dtecteur B-ACCAD. Par ailleurs, comme il est dj admis, plus la longueur de la fentre de rfrence est grande, mieux est la dtection. Dautre part, puisque, les dtecteurs Forward exhibent des performances meilleures que celles des dtecteurs Backward, nous avons jug utile de comparer leurs performances respectives. Donc, la figure 5.18 montre que le dtecteur F-ACCAD est lgrement plus performant que le dtecteur F-ACOSD, car le premier dispose dun seuil de dtection qui estime les paramtres de forme et dchelle alors que le second se contente dun seuil de dtection indpendant de leur estimation. Enfin, nous avons reprsent, dans la figure 5.19, les performances de dtection des dtecteurs F-ACOSD et F-ACCAD dans un environnement homogne lognormal en fonction du paramtre de forme et Weibull en fonction du paramtre de forme , pour Pfa=10-3, Pfc=10-2, N=36, p=24 et SCR=25 et 35dB. En effet, pour des valeurs ascendantes de , contrairement la Pu, la Pd commence par dcrotre, puis passe par un minimum et enfin croit jusqu atteindre sa valeur maximale.

Dtection adaptative CFAR censure automatique base sur les statistiques

92

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.16 Probabilit de dtection en fonction de SCR des dtecteurs F/B-ACOSD dans un

environnement homogne pour =0.355, =3, (N, p)=(36, 24) et (16, 12), et Pfc=10-2 et Pfa=10-3.

Chapitre 5 - Simulations

93

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.17 Probabilit de dtection en fonction de SCR des dtecteurs F/B-ACCAD dans un

environnement homogne pour =0.355, =3, (N, p)=(36, 24) et (16, 12), et Pfc=10-2 et Pfa=10-3.

Dtection adaptative CFAR censure automatique base sur les statistiques

94

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.18

Comparaison des probabilits de dtection en fonction de SCR des dtecteurs F-ACOSD et F-ACCAD dans un environnement homogne pour =0.355, =3, (N, p)=(36, 24) et (16, 12) et Pfc=10-2 et Pfa=10-3.

Chapitre 5 - Simulations

95

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.19 Probabilit de dtection en fonction de () des dtecteurs F-ACOSD et F-ACCAD

dans un environnement homogne pour N=36, p=24, Pfc=10-2, Pfc=10-3 et SCR=25dB et 35 dB.

Dtection adaptative CFAR censure automatique base sur les statistiques

96

Comme lenvironnement est souvent perturb par la prsence de cibles interfrentes, nous avons reconduit les mmes expriences avec les mmes hypothses que prcdemment. Cependant, les figures 5.20 et 5.21 illustrent leffet du nombre dinterfrences et de leur ICR, sur les performances des dtecteurs F/B-ACOSD et F/B-ACCAD, respectivement. La probabilit de dtection est trace en fonction de SCR, pour m=2 et 10 interfrences ICR=SCR. Nous avons choisi une fentre de rfrence de longueur N=36, une population initiale p=24, un paramtre de forme =0.355 et 0.7, une Pfc=10-2 et une Pfa=10-3. Nous avons obtenu deux paquets de courbes, lun pour =0.355 et lautre pour =0.7. Notons, dune part, que le premier paquet (=0.355), donne de meilleures Pd que le deuxime (=0.7). Ceci concorde avec la figure 5.19. Dautre part, contrairement au milieu homogne o les dtecteurs Forward galent en performance les dtecteurs Backward, ici les premiers supplantent les derniers. Cependant, comme ICR=SCR, les pertes CFAR sont considrables lorsque nous passons de m=4 m=10. Ils le sont davantage lorsque la valeur du paramtre de forme passe du simple au double. Finalement, comme les dtecteurs Forward exhibent des performances meilleures que celles des dtecteurs Backward, nous avons jug utile de comparer leurs performances respectives. Pour cela, la figure 5.22 montre que le dtecteur F-ACCAD est plus performant que le dtecteur F-ACOSD et ce pour les mmes raisons voques prcdemment. Cependant, les pertes CFAR sont beaucoup plus apprciables que celles obtenues dans le cas dun environnement homogne.

Chapitre 5 - Simulations

97

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.20 Probabilit de dtection en fonction de SCR des dtecteurs F/B-ACOSD dans un

environnement interfrent pour =0.355 et 0.7, (=1.5 et 3), (N, p)=(36, 24), m=4 et 10, Pfc=10-2 et Pfa=10-3.

Dtection adaptative CFAR censure automatique base sur les statistiques

98

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.21 Probabilit de dtection en fonction de SCR des dtecteurs F/B-ACCAD dans un

environnement interfrent pour =0.355 et 0.7, = 1.5 et 3, (N, p)=(36, 24), m=4 et 10, Pfc=10-2 et Pfa=10-3.

Chapitre 5 - Simulations

99

(a) Environnement lognormal

(b) Environnement Weibull

Figure 5.22

Comparaison des probabilits de dtection en fonction de SCR des dtecteurs F-ACOSD et F-ACCAD dans un environnement interfrent pour, =0.355 et 0.7, =1.5 et 3, (N, p) = (36, 24), m=6 et Pfc=10-2 et Pfa=10-3.

Dtection adaptative CFAR censure automatique base sur les statistiques

100

5.3 Conclusion

Dans ce chapitre, nous avons simul les performances de censure et de dtection des dtecteurs F/B-ACOSD et F/B-ACCAD, dans des milieux lognormal et Weibull homognes et en prsence de cibles interfrentes. Lefficacit des algorithmes de censure et de dtection automatiques inhrents ces dtecteurs, a pu tre tablie en valuant les probabilits de sous-censure et de dtection pour diffrents scenarii de prsence de cibles interfrentes et ce diffrents niveaux de ICR, de paires (N, p) et de paramtres de formes et . Les rsultats de la simulation ont montrs que les dtecteurs F/B-ACOSD et F/B-ACCAD sont robustes mme en prsence dun nombre lev dinterfrences. Ainsi, nous avons remarqu que les dtecteurs F-ACOSD et F-ACCAD sont meilleurs que B-ACOSD et B-ACCAD, respectivement, car ils prsentent de petites valeurs de probabilit de sous-censure et une grande probabilit de dtection en prsence des interfrences. Enfin, nous avons vu que le dtecteur F-ACCAD est meilleur que le dtecteur F-ACOSD, car il est caractris par de petites valeurs de probabilit de sous-censure et de grandes valeurs de probabilit de dtection.

Chapitre 6

Conclusion gnrale

Rsum
Dans ce chapitre, nous rappelons les principaux rsultats de notre travail. Ensuite, nous proposons quelques perspectives et suggestions pour des travaux futurs.

6.1 Conclusions 6.2 Perspectives

Dtection Adaptative CFAR Censure Automatique Base sur les Statistiques 6.1. Conclusions

102

Dans ce travail, nous avons abord le problme de la censure automatique ainsi que son application dans la dtection automatique des cibles radar. Nous avons introduit les dtecteurs F/B-ACCAD et F/B-ACOSD bass sur les statistiques dordre et la technique de la censure automatique des cibles interfrentes pouvant tres prsentes dans la fentre de rfrence dans des environnements lognormal et Weibull. Nous avons commenc notre tude par un tat de lart sur les dtecteurs CFAR mono-impulsion existants dans la littrature radar et un rappel sur les concepts radar et la dtection adaptative CFAR. Ensuite, nous avons dvelopp quelques lois de distributions dans le but de pouvoir les utiliser pour modliser les environnements dans lequel nous avons effectu la dtection dune cible avec un taux de fausse alarme constant. Par la suite, Nous avons fait une analyse dtaille des dtecteurs F-ACCAD, F-ACOSD et B-ACOSD, et par la mme, nous avons mis au point un autre dtecteur que nous avons baptis B-ACCAD. Nous avons alors compar leurs performances dans des milieux lognormal et Weibull et ce sans aucune information pralable sur le nombre dinterfrences et sur les paramtres de la distribution qui modlise le clutter. Pour estimer les paramtres de la distribution lognormal, nous avons utilis une approximation linaire BLUE. Quant aux paramtres de la distribution Weibull, nous les avons estims par le biais des estimateurs MLE. Le choix du nombre p des chantillons ordonns utiliss comme population initiale est trs important pour que cette population soit homogne. Ceci a pour effet de garantir la robustesse du dtecteur aussi bien dans un clutter homogne que dans un clutter non homogne. Il est montr quune valeur de p voisine de 2N/3 est parfaitement convenable pour rduire les excs du taux de fausses alarmes au niveau de la transition du clutter. Pour ce qui concerne les probabilits de fausse alarme, de fausse censure et de dtection, les expressions analytiques pour les pdfs des seuils adaptatifs sont difficiles obtenir. Cest pour cette raison que nous avons utilis les simulations de Monte Carlo, travers le logiciel Matlab. Cet outil nous a permis de vrifier un certain nombre de rsultats trouvs en thorie. Principalement, nous avons suppos dans toutes nos simulations un dtecteur denveloppe linaire et une cellule sous test pouvant contenir une cible de type Swerling I ou II. Nous avons montrs que les dtecteurs F/B-ACOSD et F/B-ACCAD ont des performances identiques dans le cas dun environnement homogne. Cependant, en prsence des interfrences (au maximum N-p), les dtecteurs Forward sont plus robustes que les dtecteurs Backward. Il nen demeure pas moins que cest le dtecteur F-ACCAD qui offre les meilleures performances de censure et de dtection surtout en prsence des interfrences.

Chapitre 6 Conclusion gnrale 6.2 Perspectives

103

Llaboration de ce modeste travail, nous a permis de dcouvrir beaucoup de vertus des dtecteurs bass sur la technique de la censure automatique. Les axes envisager comme perspectives des travaux futurs, sont les suivants:

Test de la robustesse de cette technique de censure automatique en la prsence concomitante de bord de clutter et de cibles interfrentes.

Test de la robustesse de cette technique de censure automatique pour le cas des cibles de types Swerling III et Swerling IV.

Test de la robustesse de cette technique de censure automatique pour les dtecteurs CFAR plusieurs impulsions.

Il serait intressant denvisager de nouvelles techniques de censure automatique en se basant sur l'index de variabilit dans des milieux lognormal et Weibull, voire mme K et Gaussien compos.

Enfin, nous esprons que ce travail sera un bon support de documentation pour les tudiants qui sintressent la dtection adaptative CFAR et particulirement celle affrente la technique de censure automatique dans des milieux non Gaussiens.

Rfrences bibliographiques

[1] Laroussi, T., Dtection adaptative CFAR de cibles chi-square corrles plusieurs degrs de libert en prsence de fouillis Rayleigh corrle, Thse de Doctorat dEtat, Universit de Constantine, Dcembre 2005. [2] Finn, H. M., et Johnson, R. S., Adaptive detection mode with threshold control as a function of spatially sampled clutter estimates, RCA Review, 29, (3), 1968, pp. 414-464. [3] Hansen, V. G., et Sawyers, J. H., Detectability loss due to greatest-of-selection in a cell averaging CFAR, IEEE Transactions on Aerospace and Electronic Systems, AES-16, 1980, pp. 115-118. [4] Weiss, M., Analysis of some modified cell-averaging CFAR processors in multiple-target situations, IEEE Transactions on Aerospace and Electronic Systems, AES-18, (1), 1982, pp. 102-114. [5] Trunk, G. V., Range resolution of targets using automatic detection, IEEE Transactions on Aerospace and Electronic Systems, AES-14, (5), 1978, pp. 750-755. [6] Mc Lane, P. J., Wittke, P. H., et Ips, C., Threshold control for automatic detection in radar systems, IEEE Transactions on Aerospace and Electronic Systems, AES-18, (2), 1982, pp. 242-248. [7] Al Hussayni, E. K; et Ibrahim, B. M., Comparison of adaptive cell-averaging detectors for multiple target situations, IEE Proceedings F, Communications, Radar and Signal Processing, 133, (3), 1986, pp. 217-223 [8] Rickard, J. T., et Dillard, G. M., Adaptive detection algorithms for multiple target situations, IEEE Transactions on Aerospace and Electronic Systems, AES-13, (4), 1977, pp. 338-343. [9] El Mashade, M. B., Analysis of the censored mean level CFAR processor in multiple target and nonuniform clutter, IEE Proceedings on Radar, Sonar and Navigation, Vol. 142, N5, 1995, pp. 259-266.

Rfrences bibliographiques

105

[10] Rholing, H., Radar CFAR thresholding in clutter and multiple target situations, IEEE Transactions on Aerospace and Electronic Systems, AES-19, (4), 1983, pp. 608-621. [11] Gandhi, P.P., et Kassam, S.A., Analysis of CFAR processors in nonhomogeneous background, IEEE Transactions on Aerospace and Electronic Systems, AES-24, (4), 1988, pp. 427-445. [12] Himonas, S. D., et Barkat, M., Automatic censored CFAR detection for nonhomogeneous environments, IEEE Transactions on Aerospace and Electronic Systems, AES-28, (1), 1992, pp. 286-304. [13] Himonas, S. D., et Barkat, M., Adaptive censored greatest of CFAR detection, IEE Proceedings on Radar, Sonar and Navigation, Vol. 139, N3, 1992, pp. 247-255. [14] Farrouki, A., et Barkat, M., Automatic censoring CFAR detector based on ordered data variability for nonhomogeneous environments, IEE Proceedings on Radar, Sonar and Navigation, Vol. 152, N 1, February 2005, pp.43-51. [15] Smith, M. E., et Varshney, P. K., Intelligent CFAR processor based on data variability, IEEE Transactions on Aerospace and Electronic Systems, AES-36, (3), 2000, pp. 837-847. [16] Almarshad, M. N., Ashbeili, S. A., et Barkat, M., A Forward Automatic Censored CellAveraging Detector for Multiple target Situations in Log-Normal Clutter, PWASET Vol. 17, December 2006, pp.1307-6884. [17] Almarshad, M. N., Barkat, M., et Ashbeili, S. A., A Monte Carlo simulation for two novel automatic censoring techniques of radar interfering targets in log-normal clutter, Signal Process, (2007). [18] Farina, A., et Gini, F., Tutorial on Advanced Topics on Radar Detection in Non-Gaussian Background, International Conference on Radar Systems, Brest, France, May 1999. [19] Goldstein, G. B., False Alarm Regulation in Log-Normal and Weibull Clutter, IEEE Transactions on Aerospace and Electronic Systems, AES-9, (1), January 1973, pp. 84-92.

105

Dtection Adaptative CFAR Censure Automatique Base sur les Statistiques

106

[20] Weber, P. et Haykin, S., Ordered Statistic CFAR Processing for Two-Parameter Distributions with Variable Skewness, IEEE Transactions on Aerospace and Electronic Systems, AES-21, (6), November 1985, pp. 819-821. [21] Ravid, R., et Levanon N., Maximum-Likelihood CFAR for Weibull Background, IEE Proceedings, Vol. 139, No. 3, June 1992, pp. 256-263. [22] Guida, M. et al, Biparametric Linear Estimation for CFAR against Weibull Clutter, IEEE Transactions on Aerospace and Electronic Systems, AES-28, (1), January 1992, pp. 138-152. [23] Guida, M. et al, Biparametric Linear Estimation for CFAR for Lognormal Clutter, IEEE Transactions on Aerospace and Electronic Systems, AES-29, (3), July 1993, pp. 798-809. [24] Barnard, T. J., et Weiner, D.D: Non-Gaussian clutter modeling with generalized spherically invariant random vectors, IEEE Trans. Signal Process., 1996, 44, (10), pp. 2384-2390 [25] Conte, E., et Longo, M.: Characterisation of radar clutter as a spherically invariant random process, IEE Proc. F, Commun. Radar Signal Process., 1987, 134, (2), pp. 191-197 [26] Farina, A., Gini, F., Greco, M., et Verrazzani, L.: High resolution sea clutter data: a statistical analysis of recorded live data, IEE Proc., Radar Sonar Navig., 1997, 144, (3), pp. 121-130 [27] Jakeman, E., et Pusey, P.N.: A model for non-Rayleigh sea echo, IEEE Trans. Antennas Propag., 1976, 24, pp. 806-814 [28] Barkat, M., Signal Detection and Estimation, Boston: Artech House, 2005, Second Edition. [29] Messali, Z., Performances des dtecteurs distribus CFAR dans un clutter -stable base sur des mthodes de prtraitement: La transforme en ondelettes et la compression non linaire, Thse de Doctorat dEtat, Universit de Constantine, 2007. [30] Boudemagh, N., Dtecteur CMLD-CFAR utilisant les rseaux de neurones artificiels dans un clutter log-normal en prsence de cibles interfrentes, Mmoire de magister, Universit du 20 AOUT 1955 Skikda, 2004-2007.

106

Rfrences bibliographiques

107

[31] Chabbi, S., et Behloul, A., Analyse des Dtecteurs MLE-CFAR censur et OS-CFAR dans un Environnement Weibull, mmoire dingnieur dtat, Universit de Constantine, Dpartement dlectronique, Promotion 2006. [32] Agence Nationale des Frquences, Perturbations Du Fonctionnement Des Radars Fixes De LAviation Civile Et De La Dfense Par Les Eoliennes, Version 1 approuve le 02/05/2006 par la Commission Consultative de la Compatibilit Electromagntique. [33] Thierry Rabaud, Les radars Sagem Dfense Scurit, Directeur du Dpartement Transport, CNAM, 2006. [34] Colin, J.M., Radar, Ecole Suprieur dElectricit, 1988. [35] Farrouki, A., Censure automatique dans les dtecteurs CFAR bass sur les statistiques dordre, Thse de Doctorat dtat, Universit de Constantine, Juin 2005. [36] Gilles Paquet, Dtection lectromagntique, Fondement thoriques et applications radar, Masson, Paris, 1997. [37] Sayama, S., et Sekine, M., 'Weibull distribution and K-distribution of sea clutter observed by X-band radar and analyzed by AIC' IEICE Transactions on Communivatio., Vol.E83, NO.9, Semptember 2000, pp.1978-1982 [38] Norouzi, Y., Gini, F., Nayebi M. M., et Greco, M., Non coherent radar CFAR detection based on goodnessoffit tests, IET Radar Sonar and Navigation, 2007, 1, (2), pp. 98-105. [39] Emmanuelle JAY, Dtection en environnement non-Gaussien, Thse prsente pour l'obtention du Doctorat de l'Universit de Cergy-Pontoise (spcialit Traitement du Signal), Universit de Cergy Pontoise, Juin 2002. [40] Al-Hussayni, E. K., Performance of an ordered statistic CFAR processor in lognormal Clutter, Electronic letters, Vol.24, No.7, March 1988.

107