Escolar Documentos
Profissional Documentos
Cultura Documentos
THÈSE
PRÉSENTÉE A
L’UNIVERSITÉ BORDEAUX 1
ÉCOLE DOCTORALE DES SCIENCES PHYSIQUES ET DE L‟INGENIEUR
-------------------
Contributions au traitement spatio-temporel fondé sur un modèle
autorégressif vectoriel des interférences pour améliorer la détection
de petites cibles lentes dans un environnement de fouillis hétérogène
Gaussien et non Gaussien.
-------------------
Soutenue le 6 Décembre 2010.
Sommaire Page 3
3.3 Commentaires sur la détermination de l‟ordre p du modèle...................................... 71
3.4 Contributions sur l‟estimation des matrices AR ........................................................ 72
3.4.1 Méthodes par bloc .............................................................................................. 72
3.4.2 Méthodes récursives ........................................................................................... 79
3.4.3 Bilan ................................................................................................................... 87
3.5 Implémentation et coût calculatoire .......................................................................... 87
3.5.1 Implémentation des algorithmes récursifs fondés sur une représentation du
système dans l‟espace d‟état ........................................................................................... 87
3.5.2 Implémentation réduisant le coût calculatoire du PAMF ................................... 89
3.5.3 Coût calculatoire du PAMF ................................................................................ 90
3.6 Etude comparative : résultats sur des données VAR synthétiques ............................ 92
3.6.1 En milieu Gaussien ............................................................................................. 93
3.6.2 En milieu non Gaussien ....................................................................................100
3.7 Conclusions .............................................................................................................101
Sommaire Page 5
Glossaire
Glossaire Page 7
SMI Sample Matrix Inversion
STAP Space Time Adaptive Processing
STAR Space Time AutoRegressive
TFAC Taux de Fausses Alarmes Constant
TRVG Test du Rapport de Vraisemblance Généralisé
ULA Uniform Linear Array
VAR AutoRegressif Vectoriel
Glossaire Page 8
Notations
⃗
Vitesse d‟un obstacle ponctuel
Vitesse radiale relative entre le porteur et l‟obstacle
Donneé es radar
Glossaire Page 9
Nombre de cases d‟entraînement
Nombre d‟éléments équi-répartis en azimut pour une case distance
donnée
Indice de la case distance sous test
Echantillon de la case distance reçu lors de l‟impulsion et capté par le
{ } capteur .
Vecteur de taille regroupant les échantillons de la case distance
sous test
Vecteurs de taille regroupant les échantillons des données
d‟entraînement
Glossaire Page 10
Vecteur de taille représentant la signature spatio-temporelle de
la cible
Réponse impulsionnelle finie du filtre non adaptatif de la case distance
sous test
Sortie du filtre adapté
̂
Réponse impulsionnelle finie de la méthode SMI
̂
Estimateur de la matrice de covariance des interférences, appelé Sample
Covariance Matrix
̂
Estimateur de la matrice de covariance des interférences, appelé
Normalized Sample Covariance Matrix
̂
Estimateur de la matrice de covariance des interférences à partir de la
méthode du point fixe
Configuration geé omeé trique
Angle azimut
Angle élévation
Repère Doppler
Repère Antenne
⃗
Vecteur directionnel unitaire
Angle azimut de dépointage de l‟antenne
Modeè le AR
Ordre du modèle
{ }
Paramètres AR d‟un processus AR d‟ordre
Vecteur de taille regroupant les paramètres AR { }
d‟un
processus AR d‟ordre
Processus générateur aléatoire Gaussien centré de variance dans le
modèle AR
Modeè le VAR
Ordre du modèle
{ }
Matrices AR d‟un processus AR d‟ordre
Matrice de taille regroupant les matrices AR { }
d‟un
processus AR d‟ordre
Processus générateur vectorielle aléatoire Gaussien centré de matrice de
covariance dans le modèle VAR
Glossaire Page 11
Repreé sentation dans l’espace d’eé tat
Vecteur de taille regroupant les coefficients des matrices AR
Vecteur d‟état étendu de taille
̂
Estimation du vecteur d‟état à l‟instant reposant sur observations
Matrice de covariance des erreurs d‟estimation a priori
Matrice de covariance des erreurs d‟estimation a priori
Gain de Kalman
Points sigma a priori
Points sigma a posteriori
Constantes
Vitesse de la lumière
Constante de Boltzmann
Glossaire Page 12
Introduction
A l‟origine, le radar, acronyme anglais de « RAdio Detection And Ranging », a été conçu
pour remplir deux fonctions : la détection d‟une cible et l‟estimation de la distance séparant le
radar de celle-ci. Son principe repose sur l‟émission d‟ondes électromagnétiques qui, après
réflexion sur tout obstacle, sont captées par un récepteur pour être traitées. Depuis de
nombreuses années, le radar est capable d‟estimer d‟autres paramètres liés à la cible tels que
sa vitesse radiale relative et sa localisation angulaire, à savoir l‟azimut et l‟élévation. Pour
cette raison, il est utilisé dans de nombreux domaines : la surveillance du trafic aérien ou
routier, la météorologie, l‟automobile, l‟astronomie, etc. Dans cette thèse, le radar est
employé pour des missions de surveillance maritime à partir d‟un porteur tel qu‟un avion de
surveillance, un avion d‟arme, un drone ou encore un hélicoptère.
Pour un radar aéroporté, le signal reçu par l‟antenne comprend le signal rétrodiffusé par des
cibles éventuelles noyé dans des interférences. Ces dernières sont composées du bruit
thermique lié au récepteur du système, des échos de terre et ceux de mer que l‟on appelle
1
fouillis et d‟éventuels brouilleurs que l‟on ne traite pas dans cette thèse. Ces interférences
viennent dégrader la fonction première du radar, c‟est-à-dire la détection. En particulier les
cibles dites lentes sont difficiles à dissocier du fouillis. Elles présentent une distance, une
vitesse relative ou une localisation proche de celle du fouillis. Il s‟agit donc de tenir compte
de plusieurs caractéristiques de la cible et de les distinguer suffisamment de celles des
interférences pour effectuer une détection « la plus robuste possible ». Les traitements spatio-
temporels adaptatifs ou STAP (Space-Time Adaptive Processing) entrent dans cette stratégie
de détection. Ils réfèrent à l‟ensemble des traitements adaptatifs appliqués à des signaux reçus
par un système radar et utilisant les paramètres de vitesse et de localisation angulaire
[KLE02].
Dans un cadre théorique où les interférences sont supposées connues, cette technique permet
2
au radar de détecter des cibles dont la vitesse est faible . Cependant dans la pratique, les
caractéristiques statistiques des interférences doivent être estimées. Etant donné la nature du
fouillis (hétérogénéité ou non, Gaussianité ou non), cette étape d‟estimation est une difficulté
1 On parle aussi de « clutter », terme anglais signifiant fouillis. Ce dernier peut être aussi utilisé pour des échos
de pluie ou de l‟atmosphère. Cependant, ces types de fouillis ne sont pas traités dans cette thèse.
2 Pour des raisons de confidentialité, des ordres de grandeur ne sont pas donnés.
Chapitre 1 : Domaine d‟application : le radar Page 13
majeure à résoudre. Pour cette raison, le STAP a donné lieu à la publication de nombreux
articles visant à traiter ce problème [BRE73], [WAR94], [KLE04] et [MEL04]. De plus, en
France, le « club STAP », constitué d‟industriels et de chercheurs, forme un groupe de travail
qui se réunit plusieurs fois par an pour échanger sur les nouvelles techniques proposées sur ce
1
thème .
Dans ce cadre, la thèse porte sur le développement d‟approches paramétriques fondées sur
une modélisation a priori des interférences.
Dans le deuxième chapitre, nous dressons un état de l‟art sur le STAP. En particulier, nous
décrivons la méthode dite optimale selon [KLE02], qui se décompose en deux phases : le
filtrage et la détection d‟une cible dans une zone géographique donnée. Comme cette méthode
présente une forte complexité calculatoire et nécessite la connaissance a priori d‟informations
sur les interférences, des méthodes sous-optimales ont été depuis développées. Elles
requièrent des données, dites d‟entraînement, qui correspondent à des zones géographiques
très voisines de la zone sous test dans laquelle la cible ne se trouve pas a priori. Outre la
méthode originelle fondée sur l‟inversion de la matrice de covariance des interférences
[REE74], de nombreuses techniques ont été proposées ces dernières années pour réduire la
2
complexité calculatoire et le nombre de données d‟entraînement . On distingue les
algorithmes à dimension réduite [WAR94], ceux à rang réduit [HAI96], les techniques
utilisant des informations a priori tels que le KA-STAP [GUE06] et les algorithmes fondés sur
une modélisation autorégressive vectorielle (VAR) des interférences [ROM00].
Cependant, la principale difficulté de la méthode reposant sur une modélisation VAR des
interférences réside dans l‟estimation des matrices autorégressives (AR) à partir des données
d‟entraînement ; ce point constitue l‟axe de notre travail de recherche qui est décrit dans le
troisième chapitre. En particulier, notre contribution porte sur deux aspects.
D‟une part, dans le cas où l‟on suppose que le bruit thermique est négligeable devant le
fouillis supposé non Gaussien, nous proposons [PET10b] de modéliser le fouillis comme un
vecteur aléatoire invariant sphériquement [PAS06] pour lequel la composante gaussienne est
représentée par un processus VAR. Puis, nous utilisons la méthode du point fixe, initialement
développée par Gini et al. [GIN02], pour en déduire les matrices AR. Cette méthode permet
une estimation de la matrice de covariance des interférences tenant compte de la distribution
non Gaussienne du fouillis avec un traitement par bloc des données disponibles. Notre
approche présente l‟avantage d‟en réduire le coût calculatoire.
1 http://clubstap.free.fr/Club_STAP/Bienvenue.html
2 Des algorithmes sans donnée d‟entraînement ont été proposés [LEC06] et reposent sur une analyse spectrale
haute résolution de la zone sous test.
Dans le chapitre 4, une étude comparative des différentes méthodes proposées dans le chapitre
3 est menée dans un contexte de détection radar. Pour cela, des données synthétiques résultant
du modèle de Ward [WAR94], des données semi-synthétiques fournies par le CELAR et des
données réelles fournies par THALES sont utilisées. La performance des algorithmes est alors
établie en termes de probabilité de détection et de probabilité de fausses alarmes dans le cas
d‟un fouillis Gaussien et non Gaussien.
Enfin, conclusions et perspectives sont données. En outre, ce mémoire est complété par six
annexes dont l‟annexe F dédiée à une méthode EIV récursive pour l‟estimation des
paramètres AR à partir d‟observations bruitées [PET 10c].
1 En anglais, ces deux algorithmes sont appelés Unscented Kalman Filter (UKF) et Central Difference Kalman
Filter (CDKF).
Ce chapitre introduit des généralités sur le radar, domaine d‟application de cette thèse. Après
une présentation du principe de fonctionnement du système, les composantes du signal reçu
sont décrites à savoir la cible, le bruit thermique et le fouillis. Ce dernier élément perturbateur
est caractérisé en détail en termes d‟amplitude, de distribution et du point de vue de ses
propriétés de corrélation et spectrales selon qu‟il est issu des échos de sol ou de mer. De plus,
des méthodes de simulation du signal reçu par le radar sont présentées.
(1.1)
où désigne la vitesse de la lumière.
Dans cette thèse, on considère que et d‟après l‟équation (1.1), il vient
.
Après avoir défini les différentes fonctionnalités du système radar, intéressons-nous aux
paramètres liés au porteur et à l‟antenne ainsi qu‟à la configuration géométrique utilisée.
1/ Quel que soit le porteur utilisé, il est caractérisé par son altitude h et sa vitesse ⃗. Pour ne pas alourdir la présentation, l‟avion est supposé se diriger vers le Nord.
2/ Dans les radars modernes, le récepteur permet la construction de plusieurs voies. Il s‟agit
d‟une configuration dite SIMO : Single Input Multiple Output. Dans cette thèse, trois types
d‟antenne sont envisagés et décrits dans l‟annexe A, en particulier à la figure 60. Une des
caractéristiques principales d‟une antenne est sa directivité. En effet, elle correspond à
l‟ouverture angulaire à , notée , sous le gain maximal [LAC01]. Elle permet
d‟évaluer la résolution angulaire du radar et par voie de conséquence la localisation en
azimut de la cible. Une représentation des angles azimut et élévationdans un repère
quelconque ⃗⃗⃗est donnée dans la figure 1.
⃗
⃗
⃗
(1.2)
De manière équivalente, un vecteur directionnel unitaire ⃗
:
est défini dans le repère antenne
⃗ * +
(1.3)
⃗ ⃗
Antenne Antenne
⃗
⃗
⃗
⃗
⃗ ⃗
à la vitesse ⃗ ⃗
Obstacle se déplaçant
⃗
à la vitesse ⃗
étant le résultat de la différence entre les vitesses du porteur et de l‟obstacle projetées sur
l‟axe porteur-obstacle, son expression est donc :
(1.5)
où et désignent la valeur des vitesses radiales du respectivement, c‟est-à-dire les modules des projetés de ⃗et de ⃗
porteur et de l‟obstacle
sur l‟axe porteur-obstacle.
Pour un obstacle fixe tel qu‟un bâtiment ou un véhicule immobile, l‟équation (1.5) se
simplifie. Etant donné (1.2), s‟écrit :
( )
(1.6)
Cet obstacle diffuse l‟onde dans toutes les directions ; notamment une partie est rétrodiffusée
vers le radar. Ce signal reçu par un capteur élémentaire s‟écrit :
(1.7)
avec
(1.8)
( ) ⁄
où A désigne l‟atténuation due à la propagation (Cf. Annexe B), est la distance séparant
(1.10)
où
(1.11)
est appelée fréquence Doppler.
Durant la phase de réception, il convient de mesurer le temps t0 (Cf. figure 4) puis de déduire
la distance radar-cible D0 :
(1.12)
Emission Réception
Onde émise
Information distance :
Echo détecté
Sur la dimension distance, pour maximiser la puissance du signal d‟une cible par rapport à
celle du bruit thermique, un filtre adapté est mis en œuvre. Dans la pratique, ce filtrage adapté
est réalisé dans le récepteur. Etant donné la forme du signal émis, ce filtre est approximé par
un filtre passe-bande de largeur [LAC01]. A la sortie du récepteur, le signal est échantillonné
à une période inférieure à . La figure 5 présente la partie réelle du
signal reçu par le radar et le signal de sortie du filtrage adapté.
2 0
1.5
-3dB
1
-5
0.5
puissance en dB
-10
0
amplitude
-0.5
-15
-1
-1.5 -20
5 10 15 20 25 30 35 40
-20
5 10 15 20 25 30 35 40
-250
temps en s temps en s
Figure 5 : Partie réelle du signal non modulé en fréquence et sortie du signal du filtre adapté.
On peut alors déduire une valeur de la distance minimale séparant deux cibles de même
vitesse et de même amplitude pouvant être discriminées par le radar. Il s‟agit de la résolution
distance notée . Il existe plusieurs manières de la définir [LAC01]. L‟une d‟elles stipule
que est égale à la largeur du pic du signal filtré mesurée à 3 dB de son maximum comme
indiquée sur la figure 5. r est alors directement reliée à la bande comme suit :
r c c (1.13)
imp
2B 2
D‟après (1.13), plus est grand, plus la valeur de la résolution distance est faible.
A présent, on peut définir la notion de case de résolution d‟un radar. C‟est une surface dont la
longueur vaut la résolution angulaire et la largeur correspond à la résolution distance . Deux
cibles sont discriminées par un radar si elles ne sont pas dans la même case de résolution.
Etant donné l‟équation (1.12), il est possible de faire correspondre une distance à chaque échantillon obtenu à la sortie du récepteur. Pour
cette raison, les échantillons du signal reçus par le radar sont abusivement appelées « cases distance ». En toute rigueur, une case distance
désigne l‟écart en distance ̃ entre deux échantillons successifs :
̃ (1.14)
La forme du signal sortant du récepteur et utilisée lors de la phase de traitement du signal est
décrite en détail en annexe A. Le lecteur peut se référer à [LAC01] pour obtenir plus
d‟informations sur ce point.
Dans les radars actuels, est de l‟ordre de et est de l‟ordre de la dizaine de
. La résolution distance correspondante est alors de l‟ordre de la dizaine de mètres.
1 Ces caractéristiques ne correspondent pas exactement à celles d‟un radar opérationnel, mais permettent une
visualisation « aisée » des résultats.
0.5
puissance en dB
0 -10
amplitude
-0.5
-15
-1
-1.5 -20
5 10 15 20 25 30 35 40
-20 5 10 15 20 25 30 35 40
-250
temps en s
temps en s
Figure 6 : Partie réelle du signal modulé en fréquence et sortie du signal du filtre adapté.
Si l‟on considère à présent plusieurs impulsions émises avec une période de récurrence
1
TR , l‟écho éventuel est reçu pour chaque récurrence dans la même case distance,
FR
comme le montre la figure 7. Cette répétition des impulsions entraîne deux phénomènes :
2
l‟ambiguïté distance et l‟ambiguïté vitesse [LAC01]. Les valeurs de que l‟on utilise
dépendent de ces deux notions et des objectifs opérationnels du radar. Pour les radars
aéroportés, elles peuvent être classées comme suit :
basse fréquence de récurrence (BFR) allant de à ;
moyenne fréquence de récurrence (MFR) allant de à ;
haute fréquence de récurrence (HFR) allant de à 30 .
1 Ces caractéristiques ne correspondent pas exactement à celles d‟un radar opérationnel, mais permettent une
visualisation « aisée » des résultats.
2 L‟annexe C présente la notion d‟ambiguïté distance. Pour plus d‟informations sur cette notion dans le
domaine radar, le lecteur peut se référer à [LAC01].
(1.15)
Case distance
Information distance :
Echo détecté
Information distance :
Echo détecté
. .
. .
Echo détecté Information distance :
Information Doppler :
Evolution de la cible entre chaque impulsion.
(1.16)
où est l‟écart de distance radar-obstacle entre deux impulsions.
Le retard s‟écrit donc :
(1.17)
Etant donné (1.1), (1.16) et (1.17), le déphasage Doppler correspondant est égal à :
(1.18)
⏟ ⏟
Ce déphasage fait ainsi apparaître une translation de fréquence qui s‟exprime en fonction de
la fréquence Doppler (1.11) :
(1.19)
Ainsi, la fréquence Doppler peut être estimée grâce au déphasage introduit au niveau du
signal reçu pour chaque impulsion émise.
(1.20)
où le temps de traitement cohérent, ou Coherent Processing Interval (CPI), comporte M
impulsions.
Le signal reçu pour un capteur élémentaire se décrit suivant deux dimensions : la dimension
en distance et la dimension en mesure Doppler. Cependant, une antenne est constituée de
plusieurs capteurs élémentaires qui reçoivent chacun le signal rétrodiffusé avec un déphasage
dit spatial. Ce point est traité dans la prochaine section.
Plan d‟onde
Retard spatial
…
⃗
(1.21)
où est le retard entre la réception de l‟onde au point de référence et celle au niveau du capteur
élémentaire n.
(1.22)
le vecteur spatial complet s‟écrit :
⃗ ⃗
⃗ ⃗
⃗ ⃗ ⃗ ⃗
(1.23)
⃗ ⃗ ⃗ ⃗ ]
[
[ ] qui permet la
De plus, selon l‟antenne utilisée, on introduit la matrice P de taille ième
de la n ligne et de
formation de sous-réseaux. Les valeurs prises par les coefficients
ième
j colonne de la matrice P sont :
si le capteur élémentaire n ne fait pas partie du sous-réseau j,
si le capteur élémentaire n appartient au sous-réseau j.
D‟une part, ce coefficient permet de pondérer l‟amplitude reçue. Cela influe sur la forme du
diagramme de rayonnement du sous-réseau et notamment sur l‟élargissement du lobe
principal et la réduction des lobes secondaires. D‟autre part, il peut ajouter un déphasage en
réception modélisant le dépointage électronique des antennes actives.
Ainsi, le vecteur de pointage spatial de taille est obtenu comme suit :
(1.24)
A présent, développons l‟équation (1.24) dans le cas particulier de l‟antenne ULA. Nous
supposons que l‟axe ⃗ sont identiques. Cela signifie que le passage du repère
et l‟axe
au repère se fait par rotation d‟angle , appelé angle de crab [KLE02] autour de
l‟axe ⃗ . Les simplifications sont les suivantes :
; (1.25)
, ce qui signifie qu‟il n‟y a pas de formation de sous-réseaux ; (1.26)
avec ⟦
la distance séparant deux éléments. (1.27)
⟧ et
⃗
Le premier capteur étant le centre des repères et en combinant (1.3), (1.26) et (1.27),
l‟équation (1.23) devient :
(1.28)
[ ]
, (1.29)
le déphasage spatial pour un capteur n est égal à :
(1.30)
Chapitre 1 : Domaine d‟application : le radar Page 26
On peut donc réécrire le vecteur de pointage spatial de la manière suivante [MEL09] :
s spa ( ant , ant i2f i2 ( N 1) f T (1.31)
) [1 e s e s]
A présent que les trois dimensions caractéristiques du radar ont été introduites, la manière de
structurer les mesures, que l‟on appelle « data cube », peut être présentée. Les données de ce
cube comprennent le signal rétrodiffusé par une cible éventuelle, le fouillis et le bruit
thermique qu‟il est nécessaire de caractériser.
d‟entraînement
Case Sous
Test (CST)
Données
d‟entraînement
Dimension
Dimension distance
spatiale
Dimension Doppler
Pour chaque case distance, le traitement STAP s‟effectue après le filtrage adapté ou la
compression d‟impulsion réalisée sur l‟axe distance. La Case Sous Test (CST) contient
échantillons de la case distance .
Dans la suite, l‟échantillon représente le signal relatif à la case distance reçue lors de
l‟impulsion et capté par l‟antenne . L‟ensemble des échantillons peut alors être concaténé
sous la forme d‟un vecteur noté :
(1.32)
[ ]
où .
[ ] avec
1
est un signal complexe résultant de trois composantes : le signal rétrodiffusé par une
éventuelle cible (et le fouillis :
), le bruit thermique
(1.33)
( ) ( )
où représente l‟ensemble des interférences plus bruit ; sa matrice de covariance est notée
. Il s‟agit d‟une matrice de taille qui est Toeplitz par bloc :
(1.34)
[ ]
où .
Il est à noter que le signal émis par un brouilleur n‟est pas traité dans cette thèse.
Les trois composantes sont caractérisées par deux grandeurs, à savoir l‟amplitude du signal et
la signature spatio-temporelle de taille . Leur calcul permet d‟évaluer la matrice de
covariance de chacune des composantes.
Pour cela, la position de la cible par rapport au porteur est définie soit par le couple d‟angles
dans le repère , soit par le couple dans le repère . On
peut donc caractériser sa réponse au système radar par un vecteur Doppler d‟après
le paragraphe 1.1.2 et par un vecteur spatial d‟après le paragraphe 1.1.3. La
signature spatio-temporelle ( ) se déduit alors comme suit :
(1.35)
( ) ( ) ( )
Le coefficient peut être relié au bilan de liaison radar (Cf. Annexe B) de la manière
suivante :
(1.36)
√
A noter que est souvent calculée suivant le modèle de Swerling [SWE60]. Cependant,
d‟autres modèles existent comme le modèle de Nakagami [NAK60].
1
Concernant les notations, dans ( ), l‟indice d désigne Doppler, s indique spatial et t désigne target (la
cible).
(1.37)
( ( ) ( )) ( ( ) ( ))
D‟autre part, le bruit thermique est dû à l‟agitation des électrons dans la partie récepteur du
radar. Il est indépendant de la case distance considérée. Il est supposé blanc dans le domaine
Doppler et dans le domaine spatial : il est décorrélé d‟impulsion à impulsion et d‟antenne à
antenne. C‟est un processus aléatoire Gaussien centré et de variance . Le signal étant centré,
correspond à la puissance du bruit thermique qui peut être calculée comme suit :
(1.38)
Selon les dispositifs radar, tous les paramètres de l‟équation (1.38) peuvent être connus ; on
peut donc en déduire la variance et .
Afin d‟envisager des traitements éliminant le fouillis, il est nécessaire de le caractériser avec
précision. C‟est l‟objet de la section 1.2.3.
Case distance
⃗
. .
.. ... ..
. ̃
.. ...
Figure 10 : Discrétisation du sol selon le modèle de Ward.
Le fouillis est le résultat de la somme des contributions des éléments du sol de la case
distance non ambigüe et des éléments du sol des cases distances ambigües. Sa
matrice de covariance s‟écrit donc sous la forme :
(1.41)
∑ ∑ ( ( ) ( )) ( ( ) ( ))
où est l‟impulsion de Dirac et permet de régler l‟influence des deux composantes sur
la puissance totale. La composante est décrite par une loi en puissance dont l‟expression
est donnée en annexe E et comporte deux paramètres à savoir et . Son allure est
représentée sur la figure 11.
Pour le fouillis de mer, le mouvement intrinsèque traduit le mouvement relatif de la surface de
la mer par rapport au porteur. D‟une part, le pic Doppler est décalé. Chabah [CHA98] en
rappelle les causes : la vitesse de phase et orbitale des vagues, la dérive de Stoke et la dérive
du vent. L‟application numérique faite par l‟auteur montre une vitesse centrale de la mer
allant de 0.6 m/s à 3.1 m/s. D‟autre part, l‟élargissement du spectre de fouillis de mer est lié à
la dispersion en vitesse des différents éléments de la mer et à leur durée de vie limitée.
Trois lois, dont les définitions sont rappelées en annexe E, sont proposées pour décrire
l‟étalement spectral :
une loi Gaussienne permettant la représentation de la dispersion en vitesse des
éléments du fouillis de mer ;
une loi de Lorentz permettant la représentation de la durée de vie réduite des éléments
du fouillis de mer [LEE95a] ;
une loi Voightienne permettant la représentation conjointe de la durée de vie réduite
des éléments du fouillis de mer et leur dispersion en vitesse. Cette loi est obtenue par
convolution d‟une loi Gaussienne et d‟une loi Lorentzienne [LEE95b].
4.5
n=3
fc=0.1
4 n=2
fc=0.1
3.5 n=3
fc=0.2
n=2 f =0.2
c
Densité spectrale de puissance
3
2.5
1.5
0.5
0 -0.2-0.1 0 0.1 0.2 0.3 0.4 0.5
-0.5-0.4-0.3
frequences normalisees
[ ]
avec avec . L‟écart type en vitesse
de l‟étalement Doppler varie selon la vitesse du vent ou l‟état de mer sur l‟échelle de Douglas.
De manière générale, pour le fouillis de mer, est compris entre 0 et 2 m/s.
Puis, la matrice est incorporée au modèle GCM (1.41) comme suit :
∑ ∑ ( ( ) ( )) ( ( ) ( )) (1.44)
où ième est la
désigne la distance qui sépare le porteur de la j case distance ambigüe et
SER de l‟élément.
Cependant, les échos provenant du sol ou de la mer sont issus de nombreux réflecteurs
compris dans une seule cellule de résolution radar. Pour pouvoir caractériser chaque type de
sol, Goldstein [GOL50] introduit une SER par unité de surface notée ne dépendant pas de la
surface de chaque cellule. Cette grandeur est aussi appelée coefficient de rétrodiffusion
moyen. Ainsi, la SER de l‟élément s‟écrit :
(1.46)
D‟après (1.48), diminuer ̃ défini par (1.14) permet d‟affaiblir l‟amplitude de fouillis reçue par le radar. Pour cette raison, on cherche toujours à réduire ̃
dans les radars. De
plus,
comme est inversement proportionnel au cosinus de l‟angle d‟élévation, plus la
configuration est rasante, c‟est-à-dire plus est faible, plus l‟amplitude du fouillis est
faible.
Pour obtenir , il est nécessaire de combiner les équations (1.45) et (1.48). Cependant, il
reste à préciser les différentes valeurs prises par selon les deux types de fouillis : celui de
sol et celui de mer.
Deé finition de la surface eé quivalente radar par uniteé de surface du fouillis de sol
Pour le sol, dépend principalement de deux paramètres : l‟angle d‟élévation et le type
de terrain.
Lombardo [LOM05] propose une généralisation pour tout type de terrain du modèle
constant initialement introduit par Clapp [CLA46]. s‟écrit :
(1.49)
où est une constante qui dépend du type de terrain ; le tableau 1 présente les valeurs de pour
cinq types de terrain.
Type de terrain (dB)
Ville -10.8
Montagne -21.6
Forêt -25.0
Campagne -28.8
Désert -42.0
Tableau 1 : Valeur de selon le type de terrain.
Deé finition de la surface eé quivalente radar par uniteé de surface du fouillis de mer
Le calcul théorique de reposant sur l‟étude d‟une réflexion électromagnétique d‟une onde
sur une surface non plane, des méthodes semi-empiriques ont été développées. Elles sont
issues d‟une association de modèles mathématiques et des données expérimentales. Les trois
approches les plus utilisées sont celles de Nathanson [NAT69], de Sittrop [SIT77] et celle du
Georgia Institute of Technology (GIT) [HOR78]. Pour obtenir le détail de ces trois méthodes,
le lecteur peut se référer à l‟article d‟Antipov [ANT98]. D‟autres modèles existent,
notamment celui développé par Technology Service Corporation [RYA90] et celui
qu‟Antipov appelle « hybride ». Cependant, ces deux modèles ne tiennent pas compte de la
vitesse du vent et ne sont donc pas étudiés dans cette thèse.
1
La méthode GIT [HOR78] est la plus populaire car elle repose sur une combinaison de
facteurs empiriques et du modèle physique de rétrodiffusion de l‟onde sur une surface marine.
Contrairement au bruit thermique, les signaux expérimentaux du fouillis de terre ou de mer ne sont pas forcément Gaussiens ; on
parle alors de signaux « impulsionnels » en raison des pics d‟amplitude. Cette non-Gaussianité peut s‟expliquer physiquement.
̃
D‟une part, le théorème central limite ne s‟applique plus lorsque est faible car le nombre de réflecteurs par cellule de résolution se
réduit ne respectant plus la condition 1. D‟autre part, l‟angle d‟élévation faible ou « rasant » fait ressortir les disparités du terrain
(des rugosités pour la terre, des vagues pour la mer). La condition 2 n‟est alors plus respectée.
̃
On a vu précédemment que d‟après (1.48), diminuer la valeur des paramètres et permet d‟affaiblir la puissance du fouillis reçue par le radar
et une meilleure détection des éventuelles cibles. Cependant, cette diminution entraîne une distribution non Gaussienne du fouillis.
D‟une part, pour la distribution temporelle, Lombardo [LOM05] propose la loi de Rayleigh.
Le paramètre de forme de cette loi permettant de prendre en compte les réflecteurs fixes et les
réflecteurs mobiles. Cependant, Keer [KEE51] opte plutôt pour la distribution de Rice qui
selon lui est plus adaptée à la somme des échos fixes et mobiles.
D‟autre part, la distribution spatiale étudiée par le laboratoire Lincoln grâce à de nombreuses
mesures d‟échantillons du fouillis de sol [BIL91] dépend du type de terrain et de l‟angle
d‟élévation. Pour des angles de plus faible élévation, c‟est-à-dire une configuration « rasante
» du radar, une distribution à queue lourde est nécessaire. Pour ces raisons, la loi log-normale
est considérée. Pour des angles d‟élévation compris entre et , la distribution spatiale peut être
approximée par une loi de Rayleigh. Ainsi, pour le cas général, les auteurs font le choix d‟une
distribution de Weibull. En effet, le paramètre de forme de cette loi permet d‟approcher soit
une distribution de Rayleigh, soit une distribution log-normale. Les chercheurs ayant mené
l‟étude déduisent les valeurs de ce paramètre suivant les types de terrain et les angles
d‟élévation.
Tout d‟abord, Trunk et George [TRU70] ont utilisé la distribution log-normale en 1970. Sa
densité de probabilité à queue lourde permet de modéliser les fouillis de mer en configuration
rasante. Valenzuela et Laing [VAL71] expliquent l‟utilisation de cette loi par un modèle de
rétrodiffusion à deux échelles : la première représentant la rugosité de chaque réflecteur
élémentaire et la seconde modélisant la pente de ces réflecteurs.
Ensuite, Fay [FAY77] a introduit la loi de Weibull. Cela lui permet de modéliser de
nombreuses conditions opérationnelles et environnementales de fouillis de mer.
SIRV
Ces modèles se caractérisent par la modulation aléatoire au cours du temps de la puissance
instantanée d‟un processus complexe Gaussien [PAS06]. Plus précisément, le SIRV noté est
ou (1.56)
( )
ou
( )
(1.58)
avec et deux paramètres à déterminer.
(1.59)
0.6
0.4
Correlation
0.2
0
-0.2
Ecart
0.4
0.2
Correlation
0
-0.2
-0.4
Retard
18
= 0.6
16
14
12
Puissan
10
ce
8
6
4
2
100 200 300 400 500 600 700 800 900 1000
echantillons
Figure 14: Processus aléatoire distribué selon une loi K avec
caractérisée par la fonction d‟autocorrélation Gamma désirée.
Tout d‟abord, la non-homogénéité du sol peut donner lieu à une variation en amplitude et en
étalement spectral du fouillis. Une transition rapide du fouillis explique ces phénomènes :
dans le cas d‟une surveillance côtière, il y a du fouillis de mer et du sol ;
dans le cas d‟une surveillance du sol, il y a plusieurs types de terrain à prendre en
compte et qui sont cités dans le tableau 1.
La présence ou non d‟arbres et de champs peut expliquer la variation spectrale.
Ensuite, suivant la configuration du radar, le fouillis peut ne pas être stationnaire en distance.
Dans le cas où l‟angle de dépointage de l‟antenne est différent de 90°, le lieu du fouillis
décrit une ellipse [BEA08] et n‟est pas stationnaire en distance puisqu‟il dépend de l‟angle
d‟élévation .
La figure 15 présente le lieu du fouillis pour cinq distances différentes à savoir ,
, , et . Dans ce cas, l‟altitude du porteur est fixé à et
.
D‟après la figure 15, la non-stationnarité du fouillis en distance est importante pour les
distances faibles avec une grande variation des lieux du fouillis. Pour cette altitude du porteur
à savoir , il est possible de considérer que le fouillis est stationnaire en distance à partir de 20
km.
0.4
fréquence
sspatiales
normalisé
0.3
es
0.2
0.1
0
-0.1
-0.2
Dc = 4 km
-0.3 Dc = 5 km
-0.4 Dc = 10 km
Dc = 20 km
-0.5 Dc = 30 km
0 0.10.20.30.40.5
-0.5-0.4-0.3-0.2-0.1
fréquences Doppler normalisées
Enfin, des cibles supplémentaires peuvent être présentes dans la CST ou dans les données
d‟entraînement [MEL01]. Ce cas de figure se rencontre dans le cadre d‟une mission de
surveillance sur un large domaine.
1.2.3.9 Bilan
Dans la section 1.2.3, nous avons décrit l‟ensemble des propriétés des fouillis de mer et de sol
et avons présenté un modèle de simulation. De plus, nous avons dressé un état de l‟art des
différentes distributions permettant de synthétiser les variations d‟amplitude du signal reçu
par le radar issu de la rétrodiffusion du sol et de la mer. A présent, nous proposons de préciser
nos choix de modélisation dans le cadre de la thèse.
D‟une part, le signal rétrodiffusé par le sol est simulé grâce au modèle GCM [WAR94] sans
mouvement intrinsèque. Son amplitude suit une loi de Rayleigh pour des hypothèses
Gaussiennes et une loi log-normale sinon. Enfin, son coefficient de réflexion moyen obéit au
modèle du constant développé par Lombardo [LOM05].
D‟autre part, le signal rétrodiffusé par la mer est simulé grâce au modèle GCM [WAR94]
avec un mouvement intrinsèque représenté par une enveloppe Gaussienne. Son amplitude suit
une loi de Rayleigh pour des hypothèses Gaussiennes et une loi K sinon. Enfin, son
coefficient de réflexion moyen obéit au modèle de GIT [HOR78].
,
.
(1.62)
fréquence spatiale :
(1.63)
Le lieu du fouillis dans les dimensions spatio-Doppler est décrit par une droite de pente
indépendante de la distance, comme le montre la figure 16.
Etant donné l‟équation (1.35), la cible est représentée, en théorie, dans le domaine dual de
fréquence spatio-Doppler par un Dirac. Bien que la détection d‟une cible rapide soit possible
dans le domaine fréquentiel Doppler, celle d‟une cible lente est plus délicate car elle possède
une vitesse relative et une localisation angulaire proches de celles du fouillis. La probabilité
de détection est donc dégradée pour des cibles ayant des fréquences Doppler faibles. De plus,
un filtrage monodimensionnel du fouillis soit dans la dimension Doppler, soit dans la
dimension spatiale ne permet pas d‟augmenter la probabilité de détection puisque cette
opération atténue fortement les amplitudes des cibles lentes. Une solution est le filtrage
bidimensionnel spatio-temporel qui permet l‟élimination du fouillis sans atténuation de la
cible. Ainsi, les traitements STAP présentent un grand intérêt dès lors que le radar possède
plusieurs voies de réception. Un état de l‟art de ces techniques est dressé dans le chapitre 2.
Le STAP vise à éliminer l‟influence du fouillis en vue de détecter une cible lente. Cependant,
en pratique, il requiert la connaissance du vecteur de pointage et l‟estimation de la matrice de
covariance des interférences. Cela a donné lieu à de nombreuses variantes du STAP tenant
compte de la taille des données d‟entraînement, de l‟hétérogénéité éventuelle et du caractère
Gaussien ou non du fouillis.
Après un rappel sur la théorie de la détection dans le cas non adaptatif, c‟est-à-dire lorsque la
matrice de covariance théorique des interférences et le vecteur de pointage sont connus, un
1
état de l‟art sur les traitements adaptatifs spatio-temporels est dressé. Il inclut une
présentation de la méthode originelle connue sous le nom de SMI [REE74] et des déclinaisons
qui ont été ensuite proposées. On s‟intéresse alors à des détecteurs adaptatifs [KEL86]
[ROB92] ainsi qu‟à l‟ensemble des méthodes permettant la réduction du domaine
d‟entraînement ou l‟estimation en milieu non Gaussien. Enfin, les méthodes de compensation
en distance et l‟approche appelée Knowledge-Aided STAP [WIC06] sont détaillées.
( )
(2.2)
,
1 Le terme « adaptatif » désigne le fait que la matrice de covariance des interférences et le vecteur de pointage
ne sont pas connus et sont estimés grâce aux données d‟entraînement { }
Il est à noter que pour une valeur de fixée à , le seuil de détection satisfait :
(2.5)
∫
(2.6)
∫
Dans certains cas, des paramètres de l‟équation (2.4) ne sont pas connus ; il s‟agit notamment
de l‟amplitude de la cible et de la matrice de covariance des interférences . Elles sont
nécessaires pour définir et .
Dans ce cas, on applique le test du rapport de vraisemblance généralisé (TRVG). La détection
s‟opère en deux étapes :
1/ le paramètre représentant ou , est estimé par exemple au sens du maximum de
vraisemblance pour les hypothèses et :
pour (2.7)
̂
2/ le test du rapport de vraisemblance (2.4) est appliqué avec les paramètres estimés.
Ensuite, cet estimateur est intégré dans l‟équation (2.3) du TRV. Pour cela, on définit
et :
(2.9)
( ̂ ( )) ( ̂ ( ))
(2.10)
‖ ‖
( ) ( )
‖ ‖
où ‖ ‖ désigne le déterminant.
Afin de fixer ce seuil en fonction d‟une fixée à , il est nécessaire de déterminer la loi de
probabilité de sous l‟hypothèse . D‟après [KAY98], il décrit la loi suivante :
où est une loi du à 2 degrés de liberté. (2.12)
1 Cette propriété est appelée Constant False Alarm Rate (CFAR) en anglais.
(2.13)
Dans certains cas, la matrice de covariance des interférences est connue à un facteur
multiplicatif près :
(2.14)
où est une matrice hermitienne définie positive et est un facteur de puissance inconnue.
Dans ce cas, le test binaire est composite à la fois sous l‟hypothèse et sous l‟hypothèse
:
sous l‟hypothèse , l‟amplitude du signal est inconnue ;
sous les hypothèses et , la puissance est inconnue.
Comme pour l‟OGD, le détecteur qui en résulte s‟obtient par application du TRVG [SCH96] :
en estimant au sens du maximum de vraisemblance des paramètres inconnus et
;
en appliquant le test du rapport de vraisemblance généralisée.
Etant donné le second terme de normalisation apparaissant au dénominateur, ce test statistique est appelé «
Normalized Matched Filter » (NMF) :
(2.15)
| ( ) |
[ ( ) ( )]* +
On peut noter que est insensible à un facteur d‟échelle arbitraire sur la CST .
[ ( ) ( )]* +
(2.19)
√
Il est à noter que ce détecteur est aussi connu sous l‟acronyme GLRT-LQ (Generalized
Likelihood Ratio Test-Linear Quadratic) [GIN97]. De plus, Sangston et al. [SAN99] ont obtenu
un détecteur semblable en considérant la texture du SIRV comme un paramètre déterministe et en la
remplaçant par son estimation au sens du maximum de vraisemblance sous chacune des hypothèses.
Dans la pratique, la matrice de covariance et le vecteur de pointage ( ) sont
inconnus :
est remplacée par son estimation ̂
fondée sur les données d‟entraînement ;
un candidat est proposé comme vecteur de pointage, c‟est-à-dire que l‟on choisit une
fréquence Doppler et une fréquence spatiale pour une cible éventuelle afin de
construire un vecteur de pointage. Par souci de simplicité, ce dernier garde la même
notation dans la suite que le vecteur de pointage théorique : ( ).
| | | | ( ( ) ( ))(2.23)
Remarque : Dans le cas Gaussien, Klemm [KLE02] montre que ce filtrage peut être considéré
comme optimal suivant de nombreux critères : maximisation du RSBI, maximum de
vraisemblance, minimum de variance et minimisation de l‟erreur quadratique moyenne. Selon
les critères, la valeur de varie. Ainsi, défini en (2.11) peut être interprété comme la
puissance de sortie d‟un filtre adapté (2.26) où vaut :
(2.27)
√ ( ) ( )
Reed et al. [REE74] montrent que, si toutes les données d‟entraînement sont indépendantes et
identiquement distribuées, fixer le nombre de données d‟entraînement à permet d‟obtenir en
moyenne des pertes en performance de 3 dB par rapport au filtrage non adaptatif décrit dans
l‟équation (2.25).
Cependant, le SMI présente quatre inconvénients majeurs :
la propriété CFAR du détecteur n‟est pas prise en considération ;
le nombre K de données d‟entraînement est trop important. En effet, en raison de
l‟hétérogénéité du fouillis présentée dans la section 1.2.3.8, 2NM cases distances
consécutives ne sont pas en pratique indépendantes et identiquement distribuées. De
plus, utiliser le SMI avec un domaine d‟entraînement réduit conduit à une dégradation
de la probabilité de détection ;
le coût calculatoire est élevé et est dû à l‟estimation de la matrice et à son ̂
inversion [GOL96] ;
la robustesse de l‟estimation de la matrice ̂ et du détecteur à une distribution non
Gaussienne des interférences n‟est pas prise en compte.
Pour résoudre ces problèmes, de nombreux auteurs ont proposé des variantes du SMI et une
littérature abondante est disponible sur ce sujet. Dans la suite, nous détaillons les différents
détecteurs adaptatifs développés. Ils possèdent tous des propriétés CFAR en présence de
données d‟entraînement homogènes. Pour un fouillis hétérogène, des techniques de sélection
ou de compensation de données existent et sont décrites. Puis, diverses stratégies peuvent être
mises au point pour réduire le nombre de cases d‟entraînement. Enfin, certaines techniques
[GIN02] prennent en compte la distribution non Gaussienne du fouillis.
̂
[ ( )̂ ( )]* +
seuil de détection.
1
La notation ∑
désigne une somme de vecteurs du data cube dont les indices sur la dimension
distance sont différents de .
(2.32)
[ ( )̂ ( )]
La propriété CFAR du GLRT de Kelly et l‟AMF sont mises en défaut sur des données réelles
[DEM06], [FAB03] où le niveau de puissance de la CST est supérieur à celui des données
d‟entraînement.
3/ Pour traduire une non-homogénéité du fouillis, Scharf [SCH96] a développé un détecteur
adaptatif fondé sur l‟hypothèse que les données d‟entraînement ne possèdent pas la même
puissance que celles issues de la case sous test :
,
, et .
Le détecteur résultant est connu sous le nom ACE (Adaptive Coherent Estimator) ou ANMF :
(2.36)
| ( )̂ |
[ ( )̂ ( )]* +
Dans ce cadre Gaussien, la relation entre la et le seuil fait intervenir une fonction
hypergéométrique :
(2.37)
(2.39)
̂ ̂
Ainsi, la matrice ̂ étant calculée qu‟une seule fois pour chaque région, cette méthode
réduit la complexité calculatoire de l‟algorithme.
Ensuite, l‟entraînement gelé décrit sur la figure 18, consiste à appliquer la stratégie du « trou
glissant » sur une région qui regroupe les premières cases distances et permet l‟estimation de
̂̂ . Cette dernière est appliquée au reste des cases distance. Les premières cases distance ayant une puissance plus forte selon le bilan
4
de liaison radar (Cf. Annexe B), cela revient à pratiquer sur les cases distance éloignées de l‟overnulling .
1 Par abus de langage, les radaristes parlent dans ce cas de fouillis arrivant par les lobes secondaires de
l‟antenne.
2 Par abus de langage, les radaristes parlent dans ce cas de fouillis arrivant par le lobe principal de l‟antenne.
3 Dans ce cas, le terme « structure fixe » signifie que la stratégie de sélection des données d‟entraînement ne
dépend que de leur position par rapport à la case sous test et non de leur propriété d‟amplitude ou de phase.
4 L‟overnulling désigne l‟élargissement de l‟encoche de la réponse fréquentielle du filtre utilisé vis-à-vis du
filtre non adaptatif.
NM
1
1
Dimension distance
Case sous test
Données Données
d‟entraînement d‟entraînement
NM
1
1
Dimension distance
2
Figure 17 : Sélection à structure fixe par trou glissant .
NM
1
1
Dimension distance
1 Ici, le terme « adaptatif » désigne une adaptation de la sélection des données suivant leur propriété
d‟amplitude ou de phase.
2 Pour des raisons de simplicité, les dimensions Doppler et spatiale ont été regroupées sur la figure 17 au
contraire de la figure 9 présentant le data cube.
où P désigne la matrice de projection de la case sous test dans l‟espace d‟une éventuelle
cible. D‟après les auteurs, les performances en termes de fausses alarmes sont nettement
améliorées sur des données réelles.
De plus, Kogon [KOG01] propose d‟améliorer la PST en excluant des données
d‟entraînement et les cases distance contenant des cibles. Ainsi, pour chaque case
d‟entraînement, une estimation de phase du signal est faite permettant une différenciation
entre une cible et un fort fouillis.
Ensuite, trois critères de non homogénéité ont été proposés par Melvin et Wicks [MEL97] : le
Inner Product (IP), le Generalized Inner Product (GIP) et le test statistique du SMI. Ils sont
définis respectivement par :
(2.42)
(2.43)
| ( ) | (2.44)
Selon les auteurs, les deux derniers critères donnent de meilleurs résultats en termes de
détection sur des données réelles que le critère IP.
Pour chaque critère, la valeur obtenue pour une case distance donnée est comparée à
l‟espérance mathématique du critère qui satisfait :
E[ (2.45)
E[ (2.46)
E[ (2.47)
( ) ( )
Si celle-ci s‟en écarte, la case distance est exclue du domaine d‟entraînement. Néanmoins, la
connaissance a priori de la matrice requise par ces méthodes est un inconvénient majeur.
Enfin, Lombardo et Colone [LOM03] proposent une sélection des données a posteriori, c‟est-
à-dire après le traitement STAP. En particulier, les données d‟entraînement sont divisées en J
groupes donnant lieu à J filtres STAP appliqués à la CST.
NM
1
1
Dimension distance
| |
STAP 1
| |
M
E | |
STAP 2 D
| |
I
STAP 3 A
N
|
STAP 4
Element-Space Element-Space
Pre-Doppler Dimension Doppler Dimension Doppler
Post-Doppler
Transformation
Dimension Doppler Dimension
Spatiale Spatiale
Bien que ces algorithmes soient théoriquement sous-optimaux, ils se révèlent très performants
en pratique en termes de détection ; ils approchent les résultats de l‟algorithme optimal. Les
méthodes post-Doppler sont les plus populaires par leur faible coût calculatoire puisqu‟après
une analyse spectrale, seuls échantillons de la dimension Doppler sont utilisés pour le
traitement STAP. Cependant, les méthodes pré-Doppler permettent d‟obtenir de meilleures
performances de détection en moyenne car elles ont à disposition plus de données
d‟entraînement. En effet, pour estimer la matrice de covariance des interférences avec un
nombre égal de cases distance :
les méthodes pré-Doppler utilisent les M échantillons de la dimension Doppler ;
Le conditionnement de la matrice ̂ est alors moins élevé que celui de ̂, réduisant les
problèmes lors de son inversion. Dans [KIM98], Kim et al. développent une méthode
théorique pour fixer la valeur de et Ayoub et al. [AYO00] en déduisent le détecteur
Loaded-GLRT (L-GLRT). D‟après les auteurs, il s‟agit d‟une version modifiée du GLRT de
Kelly qui fournit de « meilleures » performances en détection.
(2.49)
est le processus AR, p est l‟ordre du modèle, { }
(2.50)
∑
de moyenne nulle et temporellement blanc. Sa matrice de covariance est donc diagonale par
bloc :
[ ]
(2.51)
où ̂ est une estimation de D et ̂ est une matrice triangulaire inférieure par bloc.
̂ de taille
s‟écrit :
̂
(2.53)
̂
̂ ̂
̂ ̂ ̂
]
[
[ ( )̂ ̂ ̂ ( )]
Roman [ROM00] propose alors de fixer l‟ordre . Cela signifie que pour tout
:
. (2.55)
[ ( )̂ ̂ ̂ ( )]
Etant donné la structure de , l‟équation (2.57) peut se réécrire sous la forme suivante :
(2.58)
|∑ ̂ ̂ ̂ |
∑ ̂ ̂ ̂
où
̂
(2.59)
∑
et
̂ ∑ ̂
. (2.60)
Les équations (2.59) et (2.60) peuvent être interprétées comme des « filtrages inverses ».
Ainsi, l‟algorithme PAMF nécessite l‟estimation des matrices AR et de la matrice de covariance ̂ . Pour cela, Roman et al. [ROM00] utilisent
deux algorithmes : le premier repose sur une estimation au sens des moindres carrés et le second est une généralisation de l‟algorithme de
Burg [BUR67] au cas d‟un processus VAR. Nous revenons en détail sur ces algorithmes dans le chapitre 3. Néanmoins, ces méthodes ne
permettent pas une « bonne » estimation ̂ de la matrice théorique . Il en résulte un filtrage spatial inadapté. Les auteurs préconisent
d‟effectuer le filtrage inverse caractérisé par l‟équation (2.59) sur l‟ensemble des données d‟entraînement et d‟estimer la matrice ̂ à partir du
signal résiduel de ce filtre inverse :
̂ ∑ ̂
(2.61)
(2.63)
̂ ∑ ̂ (̂ )
PAMF « proche » de la propriété CFAR alors que le choix de ̂ améliore la probabilité de détection.
̂
{̂}
̂ ̂
Filtre inverse
Estimation de la
̂ ̂
matrice ̂
Seuillage
Figure 21 : Schéma de principe du PAMF.
̂ ̂ ̂ +[∑
*∑ (̂ ) ̂ ̂]
Selon les auteurs, il est l‟implémentation paramétrique du détecteur adaptatif ANMF décrit
par l‟équation (2.36).
Le NG-PAMF développé par Rangaswamy et Michels [RAN97] est quant à lui défini par :
̂ ̂ (2.65)
avec
̂ ∑ (̂ )̂ ̂ , (2.66)
∑ ̂
. (2.68)
( )
où est la densité de probabilité de la texture lorsque le fouillis est modélisé par un SIRV.
Le NG-PAMF résulte de la version logarithmique du TRVG avec une amplitude inconnue du
signal. Si le fouillis est Gaussien, et le NG-PAMF est équivalent au PAMF. Cependant, ce test
nécessite la connaissance des paramètres statistiques du fouillis, ce qui n‟est pas le cas pour le
NPAMF. Pour cette raison, seul le NPAMF est étudié dans cette thèse.
Les performances de ces deux détecteurs ont été étudiées par Michels et al. [MIC00c] pour un
fouillis Gaussien et non Gaussien. Le NPAMF et le NG-PAMF présentent de meilleures
performances de détection que l‟ANMF pour un ordre . De plus, le NPAMF a des
performances proches du détecteur non adaptatif NMF [MIC00a]. Selon les auteurs, le
NPAMF est « presque » texture-CFAR, mais n‟est pas matrix-CFAR.
Pour apporter la propriété CFAR au détecteur paramétrique, Parker et Swindlehurst [PAR03]
ont conçu le filtre Space-Time Autoregressive (STAR). Ils proposent de relaxer deux
contraintes du PAMF : les matrices AR sont rectangulaires de taille où et
n‟est plus égal à la matrice identité. Cependant, le choix de est délicat puisqu‟il est lié au
rang r de la matrice .
Lombardo et Colone [LOM03] proposent une autre approche fondée sur l‟application du
GLRT en deux étapes. Dans un premier temps, ils considèrent que l‟ordre du modèle p, les
matrices AR { et la matrice D sont connus. }
(2.69)
∑
| |
∑
(2.70)
∑ ̂ ̂ ̂
̂ ∑ (| |)
∑ ̂ ̂ ̂
Selon lombardo, cet algorithme permet de diviser par quatre le nombre de cases distance du
domaine d‟entraînement pour des performances identiques en détection.
Cependant, l‟estimateur NSCM est biaisé et non consistant [PAS08]. Pour cette raison,
l‟estimateur du point fixe (PF) a été développé. Il repose sur des résultats issus de la théorie
sur le maximum de vraisemblance appliqué au cas d‟un SIRV. En effet, si la texture est
considérée comme un paramètre inconnu déterministe, l‟estimateur PF est l‟estimateur au
sens du maximum de vraisemblance ; si est considéré comme une variable aléatoire
positive, l‟estimateur PF est une approximation de l‟estimateur au sens du maximum de
vraisemblance [GIN02]. Selon Pascal et al. [PAS08], l‟estimateur PF est l‟unique solution de :
. (2.73)
̂ ∑ ∑
̂ ̂
Il ne dépend pas de la texture du SIRV ; il est non biaisé et consistant. De plus, l‟estimateur
PF est obtenu par un algorithme itératif qui converge quel que soit l‟initialisation. Le nom de
cet estimateur provient du fait que la solution est le point fixe de la fonction définie par :
{
{
∑
[ ( )̂ ( )]* ̂ +
Dans ce cas, la fonction reliant la et le seuil est donnée par l‟équation suivante :
(2.75)
où et .
(2.76)
Tout d‟abord développée pour une configuration d‟antenne tournante [HAY96a], cette
technique peut être utilisée dans toutes les configurations non latérales [BID07], mais aussi en
configuration bistatique [KOG00]. Elle repose sur un double domaine d‟entraînement pour
estimer et . Pour cette raison, elle est utilisée avec un algorithme à domaine d‟entraînement
réduit : soit l‟algorithme post-Doppler [ZAT00], soit l‟algorithme pre-Doppler [BID07]. Cette
technique ne nécessite la connaissance d‟aucun paramètre radar, mais son coût calculatoire
reste un défaut majeur [BEA08].
̂ ̂ (2.77)
où sont des nombres réels.
Une méthode simple pour construire la matrice repose sur le modèle GCM rappelé à
l‟équation (1.41). Elle peut être vue comme une étape de pré-blanchiment annulant la part
quasi-déterministe des interférences [BID08]. Le problème de la méthode CL réside dans le
choix du couple . Stoica et al. [STO08] proposent une méthode reposant sur la
minimisation de l‟erreur quadratique entre et la matrice de covariance
l‟estimation ̂
théorique . De Maio [DEM06] développe, quant à lui, une approche alternative permettant
d‟introduire l‟information a priori dans un cadre bayésien. La matrice est alors estimée par
une matrice aléatoire distribuée autour de . Bidon propose d‟y introduire un modèle
d‟hétérogénéité sur les données d‟entraînement [BID08].
Enfin, le KA-STAP peut être inséré au sein des techniques décrites dans la section 2.2.4 nécessitant un domaine
d‟entraînement réduit. Récemment, Wang et al. [WAN10] utilisent le modèle d‟hétérogénéité de Bidon [BID08]
au sein d‟un détecteur PAMF afin de déterminer la matrice de covariance de l‟erreur de prédiction ̂ . Ainsi, ils
luttent contre la non-homogénéité du domaine d‟entraînement réduit.
2.2.8 Bilan
Le chapitre 2 a permis de dresser un état de l‟art sur les traitements STAP. Les méthodes
effectuant une sélection des données d‟entraînement et celles compensant la variation en
distance des lieux du fouillis sont présentées. De plus, partant de la méthode SMI, les
algorithmes, utilisés en pratique et permettant de réduire le domaine d‟entraînement, sont
détaillés. Ils sont regroupés dans la figure 22. Pour obtenir une taxinomie et une structure
globale sur le STAP, le lecteur peut se référer à [DEG08].
Tout d‟abord, les algorithmes à dimension réduite consistent à appliquer une transformation
fixe aux données du data cube [WAR94]. Bien qu‟ils soient sous-optimaux, ils présentent des
performances en termes de probabilité de détection proches du filtrage non adaptatif. De plus,
de par leur coût calculatoire réduit, notamment avec une structure hybride proposée par Savy
[SAV06], ils sont très largement utilisés en pratique.
Puis, le diagonal loading est une méthode simple qui consiste à ajouter un poids à chaque
élément diagonal de la matrice de covariance estimée des interférences pour améliorer son
conditionnement.
Le KA-STAP permet de tenir compte d‟informations connues a priori sur la configuration du
radar ou la surface éclairée par celui-ci dans le schéma de détection. Cette méthode est très
prometteuse en termes de performance de détection, de robustesse à l‟hétérogénéité et de
réduction des données d‟entraînement. Cependant, l‟importance à accorder à l‟information a
priori reste un problème ouvert en pratique [BID08].
Récemment, Le Chevalier a proposé des algorithmes sans données d‟entraînement [LEC03]
permettant de lutter contre un fouillis très hétérogène. Cependant, ces traitements n‟éliminent
pas le fouillis et doivent donc être suivis par un traitement TFAC orienté dans le sens des
lieux du fouillis.
Enfin, les algorithmes reposant sur une structure paramétrique utilisent le modèle VAR pour
définir le filtre STAP [ROM00]. Ils requièrent un domaine d‟entraînement réduit et sont
robustes aux effets de transition du fouillis [LOM03]. Nos travaux de recherche s‟intègrent
dans cette famille d‟algorithmes et plus particulièrement portent sur l‟estimation des matrices
AR. Tout d‟abord, nous développons un modèle de représentation des interférences
distinguant le fouillis du bruit thermique. Puis, nous mettons en œuvre des techniques
d‟estimation des matrices AR en tenant compte des points suivants :
l‟estimation des matrices AR est, dans certains cas, totalement aveugle ;
une estimation récursive permet de réduire le coût calculatoire ;
le fouillis peut suivre une distribution non Gaussienne.
Nos contributions sont détaillées dans le chapitre 3.
Chapitre 2 : Space-Time Adaptive Processing : théorie et état de l‟art Page 64
Chapitre 3 : Contributions aux approches fondées sur
la modélisation autorégressive vectorielle des
interférences
Dans le cadre du STAP, une modélisation a priori des interférences peut être utile. Différents
cas peuvent être envisagés selon que l‟on se place dans des hypothèses Gaussiennes ou non.
Ce chapitre traite de choix de modélisation des interférences et des techniques d‟estimation
associées.
Dans un premier temps, ce chapitre dresse un état de l‟art de l‟estimation des paramètres AR
dans le cas d‟un processus AR non bruité puis bruité. Ensuite, nous présentons nos
contributions concernant la modélisation des interférences par un processus VAR. Nous
décrivons les techniques d‟estimation des matrices AR existantes dans le cas d‟observations
non bruitées puis perturbées par un bruit blanc. Puis, les différents algorithmes par bloc et
récursifs que nous avons proposés sont détaillés. Deux cas sont envisagés selon que le fouillis
suit une loi Gaussienne ou non. Une implémentation permettant une réduction du coût
calculatoire du PAMF est aussi exposée. Enfin, une étude comparative est menée permettant
d‟établir la performance des différentes approches en termes d‟erreur quadratique moyenne
d‟estimation sur des données générées à partir d‟un processus VAR.
Or, on a :
(3.6)
et
(3.7)
D‟après les équations (3.6) et (3.7), l‟équation (3.5) peut se réécrire comme suit :
. (3.8)
Etant donné (3.3), il vient :
(3.9)
1 La notion d‟erreur de prédiction rétrograde n‟est pas présentée dans cette thèse. Le lecteur peut se référer à
[MAR87] pour obtenir des informations sur ce sujet.
Chapitre 3 : Contributions sur la modeé lisation VAR des interfeé rences Page 66
soit encore
(3.10)
( )
(3.11)
) ⏟
(
⏟
Pour cette raison, d‟autres techniques ont été proposées ; elles opèrent par bloc ou peuvent
être récursives.
1/ Concernant les méthodes effectuant un traitement par bloc, il est possible de réécrire les
équations de YW sans faire intervenir la fonction d‟autocorrélation du processus pour un écart
nul. On aboutit aux équations de YW modifiées [CHA80] que l‟on peut interpréter comme
une technique de variables instrumentales. D‟autre part, on peut aussi compenser le bruit de
mesure dans les équations de YW à condition de connaître a priori la variance du bruit additif.
Ainsi, les équations de YW compensées en bruit satisfont :
( ) (3.12)
L‟équation (3.13) conduit à des équations de type YW fondées sur des cumulants :
[ ] [ ] (3.14)
[ ]
Equations de YW modifiées -
e
Chapitre 3 : Contributions sur la modeé lisation VAR des interfeé rences Page 68
Il s‟exprime comme suit :
(3.15)
et
∑
(3.16)
où est le vecteur générateur Gaussien complexe centré ayant pour matrice de covariance
.
La stabilité du système est garantie si les racines { }
du déterminant de sont
situées à l‟intérieur du cercle unité du plan complexe z. Le polynôme se construit
comme suit :
(3.17)
Les équations de Yule-Walker sont établies à partir de l‟équation (3.16) [MAR87] qui s‟écrit
de manière matricielle comme suit :
(3.18)
où et
Afin d‟établir une relation entre les matrices AR et la matrice de covariance de , on
applique à l‟équation (3.18) une post-multiplication par avant de prendre
l‟espérance mathématique . Le résultat obtenu est :
(3.19)
* + [ ]
(3.21)
[ ]
et est la matrice de taille définie par bloc :
. (3.22)
L‟équation (3.20) est la version pour un processus VAR des équations de Yule-Walker. Leur
résolution permet de déduire les matrices AR comme suit :
(3.23)
( )
Des alternatives reposant sur un critère de type moindres carrés ont été développées telle que
la généralisation au cas VAR de la méthode de corrélation. Dans ce cas, la matrice est Toeplitz
par bloc ; il est donc possible d‟appliquer l‟extension de l‟algorithme de Levinson au cas
VAR développé par Wiggins et Robinson [WIG65]. Cet algorithme a pour avantage
d‟avoir un faible coût calculatoire ( ) et garantit la stabilité du modèle VAR.
Remarque : Roman et al. [ROM00] utilisent cet algorithme pour estimer les matrices AR lors
de l‟application du PAMF.
Comme dans le cas d‟un processus AR, il est possible d‟établir l‟expression (3.9) du biais des
techniques d‟estimation des matrices AR dans le cas bruité.
Les matrices AR s‟obtiennent par :
(3.26)
⏟ ( ) ⏟
où
[ ].
(3.29)
| ∑ |
40 theorique, ordre 3
ordre 2
30 ordre 12
20
10
DSP
0
-10
-20 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
-0.5
frequence normalisee
Dans le cas d‟un processus AR, deux méthodes classiques existent pour déterminer l‟ordre p
à savoir le Akaike Information Criterion (AIC) [AKA74] et le Minimum Description Length
(MDL) [RIS78].
Chapitre 3 : Contributions sur la modélisation VAR des interférences Page 71
Pour l‟AIC, l‟ordre p choisi minimise :
(̂)
(3.30)
où ̂ est l‟estimation au sens du maximum de vraisemblance de la variance de l‟erreur de prédiction à l‟ordre p.
Cependant, il est très difficile d‟estimer l‟ordre du modèle par ces critères notamment lorsque
le processus AR est bruité. Therrien [THE92] précise que ces procédures ne permettent que
d‟estimer l‟ordre d‟un processus AR strict, ce qui limite leur utilisation en pratique.
Dans le cadre d‟un modèle VAR, Roman et al. [ROM00] proposent de calculer la limite
supérieure de l‟ordre p. Ils définissent alors deux critères suivant qu‟ils utilisent l‟algorithme
de NS ou l‟algorithme des moindres carrés (MC) :
*
√
+
(3.32)
(3.33)
* +
Parker et Swindlehurst [PAR03] proposent quant à eux une généralisation des critères AIC et
MDL au cas VAR. Les critères (3.30) et (3.31) deviennent respectivement :
(‖ ̂ ‖)
(3.34)
(3.35)
(‖ ̂ ‖)
où ‖ ‖ représente ici le déterminant, ̂ est la matrice de covariance spatiale de l‟erreur de
prédiction pour un ordre p et est le nombre total de degrés de liberté pour un filtre STAR
de taille p est donné par l‟expression suivante :
(3.36)
Dans la pratique, pour des signaux radar réels, le choix de l‟ordre p est souvent empirique et
du ressort de l‟expertise : une procédure automatique et infaillible n‟existe pas. Sur des
données synthétiques représentant des scénarios réalistes de surveillance aéroportés, Michels
et al. [MIC00c] utilisent des ordres égaux à 2 ou à 3 alors que sur des données réelles avec
fouillis de sol et de mer, Lombardo [LOM03] suggère une modélisation VAR d‟ordre 3 ou 6.
Etant donné cet état de l‟art sur les techniques de détermination de l‟ordre p, nous présentons
dans ce qui suit nos contributions sur les méthodes d‟estimation des matrices AR.
Cependant, la détermination de cet ensemble solution se fait à partir des observations bruitées
sont supposés non corrélés avec les variables
où les bruits additifs { }
Pour cela, on tire profit du schéma de Frisch [BEG90]. Il repose sur la recherche du noyau
d‟une matrice qui se déduit de la matrice de corrélation des observations compensée en bruit.
Cette compensation est assurée par une matrice construite à partir des matrices de covariance
des bruits.
En utilisant les notations définies dans la section 3.2 et étant donné l‟équation (3.24), on a :
(3.38)
∑
où et .
[ ]
[ ]
peut s‟écrire :
(3.41)
[ ]
Il est à noter que la matrice peut être exprimée en fonction de la matrice de covariance
de comme suit :
(3.42)
. (3.43)
Son noyau est caractérisé par les matrices AR.
Cependant, en pratique, n‟est pas disponible directement et seule la matrice de
covariance des observations bruitées peut être considérée. Etant donné (3.25), elle satisfait
l‟équation suivante :
⏟
(3.44)
Dès lors, les équations (3.42) et (3.44) permettent d‟expliciter de la manière suivante :
([ ⏟ ])
(3.45)
Par conséquent, les matrices de covariance et font partie des couples de matrices telles
que est définie semi-positive.
Selon [BEG90], le lieu des points admissibles pour l‟ordre p satisfaisant la condition de
l‟équation (3.45) est une hypersurface notée . Elle est concave et fait face à l‟origine
dans l‟espace .
Pour un ordre , une deuxième hypersurface concave peut être obtenue. Dès
lors en théorie, la solution que l‟on cherche appartient aux deux hypersurfaces. En effet,
lorsque l‟on traite un processus VAR strictement d‟ordre p :
les p premières matrices { estimées avec un ordre q sont identiques à
}
avec .
Avant de présenter les algorithmes, rappelons comment un point de peut être obtenu
[GUI95]. Soit dans l‟espace et une ligne droite allant de l‟origine au
point . intercepte la surface au point défini par .
(3.49)
( [ ⏟ ])
s‟écrit :
[ ⏟ ]
(3.50)
([ ⏟ ])
où est une matrice unitaire et est une matrice diagonale.
peut se réécrire :
( [ { } ] ) (3.51)
( )
([ ⏟ ]).
(3.52)
.
Si , peut correspondre à un point du cercle unité dans . Puisque , les
coordonnées de sont égales à avec . Ensuite,
peut être déduite grâce à l‟équation (3.47) en faisant varier . Dans ce cas, la figure
24 décrit les hypersufaces , , et . Comme attendu, les trois
dernières ont un point en commun pour et .
0.5
0
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Comme nous l‟avons déjà précisé, les surfaces et n‟ont pas de point en
commun dans la pratique. Nous proposons deux critères à minimiser sur la surface
fondés sur ceux proposés ces dernières années dans le cas d‟un processus AR. Pour plus
d‟informations, le lecteur peut se référer à [BOB07].
(3.53)
sont les matrices AR estimées avec le point . Les matrices et sont déduites du
point . Ce critère est la généralisation au cas d‟un processus VAR du critère Shifted Relation
(SR) proposé par Bobillet et al. dans [BOB07].
Le deuxième critère est obtenu en tirant profit des caractéristiques d‟un processus VAR. Il est
fondé sur les équations de Yule-Walker modifiées et surdéterminées. C‟est la généralisation
‖ ( )[ ]‖
(3.56)
Il est à noter que le paramètre q est à régler par l‟utilisateur pour les deux critères.
Cet algorithme EIV permet une estimation aveugle par bloc. Cependant, son coût calculatoire
est élevé puisqu‟une recherche exhaustive des matrices et est nécessaire quel que soit le
critère utilisé.
Pour le réduire, notons que d‟après les équations (3.41) et (3.45), il vient :
[ ] [ ][ ([ ⏟ ])]
[ ] ** + ([ ⏟ ])+ (3.57)
[ ][ ] .
([ ⏟ ])
(3.59)
Si est connue, les matrices AR regroupées dans peuvent être déduites avec l‟équation (3.59).
On note alors . Ensuite, peut être déduit de l‟équation
(3.58). Nous proposons donc un algorithme reposant sur les équations de Yule-Walker
(3.64)
Une estimation de tenant compte des propriétés statistiques du fouillis permet d‟obtenir et et
d‟en déduire les matrices AR grâce aux équations (3.64) de Yule-Walker.
Si le fouillis est modélisé par un SIRV, l‟estimateur SCM défini dans le cas Gaussien ne peut
plus être utilisé théoriquement et dépend de la texture. Ainsi, nous proposons d‟utiliser
l‟estimateur PF pour estimer la matrice de covariance . Comme nous l‟avons déjà dit dans la
section 2.2.5, cet estimateur ne dépend plus de la texture, il est non biaisé et consistant.
L‟estimateur NSCM est aussi testé afin d‟obtenir un point de comparaison.
(3.66)
̂ ∑ ∑
(3.67)
̂ ∑ ∑
(̂
)
On obtient alors une version de la méthode du point fixe à coût calculatoire réduit. En effet,
l‟approche nécessite l‟inversion d‟une matrice de taille au lieu d‟une matrice
et que . De plus, comme nous l‟avons déjà expliqué, le détecteur NPAMF
n‟utilise qu‟un domaine d‟entraînement réduit.
Nous avons proposé deux méthodes par bloc : celle reposant sur l‟EIV en milieu Gaussien et
celle fondée sur la méthode du point fixe en milieu non Gaussien. Une alternative repose sur
le filtre de Kalman et ses variantes. En effet, ces méthodes permettent une estimation
récursive des matrices AR et présentent un coût calculatoire plus faible que l‟EIV.
(3.68)
où
(3.69)
[ ]
De plus, l‟équation d‟observation (3.25) peut s‟exprimer sous forme matricielle comme suit :
(3.70)
où .
Chapitre 3 : Contributions sur la modeé lisation VAR des interfeé rences Page 79
Néanmoins, les coefficients des matrices AR { } , à savoir { } avec ,
et , ne sont pas connus et doivent être estimés. Pour cette raison, nous
construisons le vecteur colonne de taille , qui contient les coefficients
, comme suit :
{ }
(3.71)
Nous supposons que satisfait :
(3.72)
où est un vecteur de bruit blanc centré de taille . Sa matrice de covariance est
notée .
Pour estimer le processus et les matrices AR { }
, on introduit le vecteur d‟état
étendu :
(3.73)
[ ]
Etant donné les équations (3.68), (3.72) et (3.73), le vecteur d‟état étendu est remis à
jour de la manière suivante :
(3.74)
* +
∑
(3.75)
où
* +,
,
⏟ ⏟
* + et [ ].
(3.77)
où .
Puisque l‟équation d‟observation (3.77) est linéaire, l‟estimation du vecteur d‟état, le gain de
Kalman optimal et la matrice de covariance de l‟erreur sont calculés récursivement comme
suit :
(3.78)
(3.79)
̂ ̂ ̂
(3.80)
posteriori respectivement.
Puisque est de forme quadratique sur , nous proposons
d‟utiliser l‟EKF. Le principe est de réaliser une linéarisation de la fonction par
développement de Taylor à l‟ordre 1 autour de la dernière valeur estimée du vecteur d‟état, en
l‟occurrence ̂ .
Ainsi, la matrice de covariance de l‟erreur est mise à jour comme suit :
̂ ̂
(3.81)
où
(3.82)
et
(3.83)
̂ |
̂
Ainsi, l‟EKF consiste à approximer la distribution du vecteur d‟état par une distribution
Gaussienne et à propager ce vecteur aléatoire Gaussien à travers le système linéarisé.
̂
Néanmoins, la précision de l‟estimation de ̂ et dépend de la sévérité des non-linéarités. Cela peut mener parfois à la
divergence du filtre. Puisque l‟approximation due au développement de Taylor de la fonction non linéaire est précise sur le
voisinage du point de référence, elle ne traduit pas le comportement global de la fonction. Pour améliorer l‟algorithme, les
termes d‟ordre supérieur du développement de Taylor peuvent être pris en compte. Cependant, pour un EKF d‟ordre
secondaire, il est nécessaire de calculer la matrice Jacobienne de la fonction pour l‟ordre 1 et la matrice Hessienne pour
l‟ordre 2. Selon Arasaratnam et al. [ARA07], ce calcul est parfois instable et toujours complexe
(̂ √
)
(̂ )
√ (3.85)
(̂ √
)
[(̂ )
√ ]
(3.88)
Transformation
non linéaire
D‟autre part, le CDKF regroupe deux approches à savoir celle développée par Norgaard
[NOR00] appelée « divided difference filter » et celle proposée par Ito [ITO00] dénommée
« central difference filter ». Il est fondé sur la formule d‟interpolation de Stirling autour de la
dernière estimation du vecteur d‟état. Considérons une fonction que l‟on approxime par un
développment de Taylor et par une interpolation de Stirling autour de . Selon Norgaard et al.
[NOR00], le développement de Taylor permet une « meilleure » approximation de dans
un intervalle proche de et l‟interpolation de Stirling approxime « mieux » la fonction
lorsqu‟on s‟éloigne de .
Cela donne lieu à une nouvelle expression pour l‟estimation de la moyenne et de la matrice
de covariance a posteriori.
Ainsi, les points sigma sont définis comme suit :
Chapitre 3 : Contributions sur la modeé lisation VAR des interfeé rences Page 83
̂
(̂ √
)
(̂ )
√ (3.89)
(̂ √
)
[(̂ )
√ ]
Selon Norgaard [NOR00], est choisi pour que soit le coefficient d‟aplatissement ou
kurtosis de la variable aléatoire où . Pour un vecteur aléatoire Gaussien,
√.
Ensuite, de la même manière que pour l‟UKF, les points sigma a posteriori sont obtenus
comme suit :
(3.90)
(3.92)
où les poids sont donnés par [NOR00] :
(3.93)
Dans cette partie dédiée à l‟estimation des matrices AR en milieu Gaussien, deux méthodes
récursives ont été proposées à savoir l‟EKF et le SPKF. Leur coût calculatoire est inférieur à
celui des méthodes reposant sur les techniques EIV. Or, comme nous l‟avons vu dans le
chapitre 1, le fouillis de sol et de mer peuvent présenter une distribution non Gaussienne.
Nous proposons donc dans la sous-section suivante un algorithme récursif d‟estimation des
matrices AR où les hypothèses Gaussiennes sont relaxées. Cette méthode qui repose sur le
filtrage H∞ s‟effectue dans le cadre d‟une représentation du système dans l‟espace d‟état.
où .
⏟
Contrairement au filtre de Kalman qui vise à minimiser la norme H 2 de l‟erreur sur l‟estimation
du vecteur d‟état, cette approche vise à minimiser la norme H ∞ du système décrit
par la figure 26 où les entrées sont les bruits de modèle et de mesure et la sortie est
̂ .
Filtrage
H∞
.
où ̂ est l‟estimation de
Dans le cadre du filtre H∞, les matrices et sont des matrices de pondération et sont
réglées par l‟utilisateur de l‟algorithme.
Selon Hassibi et al. [HAS99], une solution analytique de l‟estimation optimale du filtre H∞
n‟existe pas toujours. Une stratégie sous-optimale est le plus souvent considérée :
(3.96)
(3.99)
et
(3.100)
* +
où .
* + *+
(3.101)
(3.104)
où ̂ est le vecteur d‟état estimé à l‟instant m avec tous les échantillons des cases
d‟entraînement de 1 à et les m échantillons de la case d‟entraînement k et est la matrice de
covariance d‟erreur estimée à l‟instant m avec tous les échantillons des cases
d‟entraînement de 1 à et les m échantillons de la case d‟entraînement k.
EKF/SPKF/H∞
Case d‟entraînement
{}
̂ ̂
EKF/SPKF/H∞
Case d‟entraînement
}
{
̂ ̂
EKF/SPKF/H∞
Case d‟entraînement
{ }
(3.106)
( ) ( ) ( )
(3.107)
̂ ̂
|∑ *( ( )) ̂ +|
(3.108)
∑ *( (
)) ̂ ( )+
(3.110)
∑ [( ( ) ) ̂ ( ) ]
ou encore :
|( ( )) ̂ ( )|
(3.111)
( ( )) ̂ ( )
où (3.112)
( ) ∑ * +.
Chapitre 3 : Contributions sur la modeé lisation VAR des interfeé rences Page 89
+
∑*
∑* +
( ) ∑* +
∑* +
∑*
[ ]
( )
( )
( )
[ ( )]
( )
( )
( )
[ ( ) ]
(3.113)
Sommation ∑
Calcul du module
Calcul matriciel
̂ ̂
Filtre inverse ( )
Filtre inverse ( )
Calcul matriciel
( ( ))
̂
( )
Calcul du module
Calcul matriciel
( ( )) ̂ ( )
On obtient les coûts calculatoires et pour les implémentations reposant sur (2.58) et
reposant sur (3.111) respectivement :
]
(3.115)
[ ( )
]
(3.116)
et sont donnés en GFlops. est égal au temps d‟acquisition du datacube qui vaut
secondes.
Pour les applications numériques, nous avons fixé les paramètres du radar comme décrit dans
le tableau 5.
2 64 2 0.0005 s 75000
Tableau 5 : Valeurs des paramètres lors des applications numériques.
(3.117)
8 16 32 64 128 256
45
44
43
42
41
Gain G
40
39
Nspa = 1
38 Nspa = 2
Nspa = 4
Nspa = 8
378
16 32 64 128 256
Nombre de fréquences Doppler
où est un processus blanc Gaussien à deux voies de variance 1 sur chaque voie et les
matrices AR sont :
(3.119)
* + * +
, (3.120)
, (3.121)
, (3.122)
. (3.123)
Définissons le vecteur regroupant les pôles :
(3.124)
Dans toute cette section, est un processus blanc Gaussien à deux voies de variance 1 sur
chaque voie. Puis le processus est perturbé par un bruit blanc Gaussien pour
obtenir :
(3.125)
Pour le test 1, le nombre d‟échantillons disponibles est fixé à 1024 alors que le RSB décroit
en prenant les valeurs suivantes égales sur les deux voies : , , , , et
.
Pour le test 2, le RSB est fixé à sur la voie 1 et à sur la voie 2 alors que le nombre
d‟échantillons disponibles décroit avec les valeurs suivantes : 1024, 512, 256, 128 et 64. Pour
chacun d‟entre eux, réalisations sont effectuées.
Chaque réalisation où le jeu de matrices AR estimées ne donnent pas lieu à un système stable
ou lorsque les algorithmes divergent, le résultat de la réalisation est dit « rejeté ». D‟après le
tableau 8, ces deux méthodes obtiennent un pourcentage trop élevé de réjections dans ces
conditions et ne sont plus testées dans la suite de cette section. Néanmoins, comme le
montrent leurs auteurs, ces méthodes itératives [HAS03] et [MAH08] donnent de bonnes
performances pour des RSB supérieurs à 10 dB et un nombre d‟échantillons disponibles égal
à 4000.
Chapitre 3 : Contributions sur la modeé lisation VAR des interfeé rences Page 94
Pôle Pôle
Méthodes Moyenne Variance Moyenne Variance
théorique - -
YW
»
Corrélation
Méthodes«standards
YW
Covariance
Kalman
YW
compensation
Corrélation
compensé
YW
Covariance
compensé
Hasan
ILSV
Méthodesavec
EKF
UKF
CDKF
H∞
EIV SR
EIV HOYW
1
Tableau 7 : Moyennes et variances des estimations des pôles pour chaque méthode avec un
RSB de 10dB sur chaque voie et 1024 échantillons disponibles.
1
0.8
YW covariance
0.4 YW corrélation compensé
YW covariance compensé -0.935
0.2 hasan
mahmoudi ilsv -0.94
0 kalman
EKF
-0.2 UKF -0.945
-0.4 CDKF
H inf
-0.95
eiv SR
-0.6 eiv HOYW
-0.8 -0.955
-1 -4.5-4-3.5-3-2.5-2 -1.5-1
-1 -0.5 0 0.5 1 -3
x 10
Figure 29 : Estimations des pôles pour une réalisation
avec un RSB de 20dB sur chaque voies et 1024 échantillons.
1 et ne sont pas indiqués car ils sont similaires à leur pôle conjugué à
Les résultats obtenus pour les pôles
savoir respectivement et .
Chapitre 3 : Contributions sur la modélisation VAR des interférences Page 95
Nombre RSB sur les % des résultats rejetés
Test d‟échantillons deux voies Méthode de Méthode ILSV
disponibles en dB Hasan [HAS03] [MAH08]
1024 [1010] 1.6 0
1024 [88] 39.4 0.4
1 1024 [66] 77.2 6.2
1024 [44] 81.8 34.8
1024 [22] 84 90.6
1024 [00] 88.4 99.6
1024 [10 8] 17 0
512 [10 8] 20 1
2 256 [10 8] 24 6
128 [10 8] 26.2 25.6
64 [10 8] 35.8 51
Tableau 8 : Pourcentage de résultats rejetés pour Hasan [HAS03] et d‟ILS [MAH08] pour des
RSB décroissants et 1024 échantillons disponibles.
Quel que soit le RSB et quel que soit le nombre d‟échantillons disponibles, les approches
autres que celles itératives donnent lieu à une estimation de matrices AR d‟un système stable.
A présent, regardons en détail les estimations obtenues des méthodes stables et compensant en
bruit. Sept méthodes sont donc comparées : la méthode de corrélation compensée en bruit, la
méthode de la covariance compensée en bruit, l‟EKF, l‟UKF, le CDKF et les deux méthodes
EIV SR et MOYW.
D‟après les figures 30-33, les méthodes de corrélation et de covariance présentent de
meilleures performances sauf lorsque le nombre d‟échantillons disponibles est inférieur à 256.
De même, les méthodes EIV montrent une très grande robustesse au bruit de mesure, mais
leurs performances se dégradent lorsque le nombre d‟échantillons disponibles diminue. Ces
deux familles d‟algorithmes nécessitent le calcul d‟une matrice de corrélation. Ainsi, le
manque d‟échantillons perturbe ce calcul et engendre une perte de précision dans l‟estimation
des matrices AR.
0.35
covariance compensé
0.3 corrélation compensé
EKF
0.25 UKF
CDKF
Hinf
0.2 EIV SR
ER EIV HOYW
0.15
0.1
0.05
2 4 6 8 10
00
RSB
Figure 30 : Influence du RSB sur l‟erreur relative.
0.02
0.35
covariance compensé
0.3 corrélation compensé
EKF
0.25 UKF
CDKF
Hinf
0.2 EIV SR
EQMN
EIV HOYW
0.15
0.1
0.05
0 2 4 6 8 10
0
RSB
0.1
0.05
Concernant les algorithmes nécessitant des informations a priori, l‟EKF, l‟UKF, le CDKF et
le filtrage H∞ présentent un EQMN proche, mais supérieur, à celui des méthodes compensées
en bruit.
Ensuite, le test 1 est reproduit, mais la valeur de la matrice de covariance du bruit est soit
majorée soit minorée. Ainsi, il vient :
(3.127)
où est la matrice donnée comme entrée des algorithmes et est un réel positif. C‟est dans
ce cas que les méthodes récursives ont un intérêt comme le montre le tableau 10.
Les résultats des méthodes compensées en bruit quant à elles peuvent être classés en deux
catégories :
soit la matrice utilisée pour compenser le bruit a, sur sa diagonale, des valeurs
supérieures à la matrice de covariance du bruit . Ainsi, la compensation peut faire
perdre à la matrice son caractère non négatif ;
soit la matrice utilisée pour compenser le bruit a, sur sa diagonale, des valeurs
inférieures à la matrice de covariance du bruit . Ainsi, la compensation en bruit
n‟est que partielle et un biais d‟estimation apparait comme dans le cas des méthodes
d‟estimation sans compensation.
Le tableau 10 ne présente pas les résultats de l‟algorithme CDKF car celui-ci présente des
résultats identiques à l‟algorithme UKF.
Chapitre 3 : Contributions sur la modeé lisation VAR des interfeé rences Page 98
Nombre Valeurs théoriques Algorithme EIV SR Algorithme EIV
d‟échantillons / RSB HOYW
sur les voies (en dB)
1024 / [10 10] 1.06 0.45 0.95 0.42 0.99 0.42
1.02 0.47 0.96 0.43 0.28 0.44
1024 / [8 8] 1.03 0.71 0.95 0.66 0.99 0.66
1.04 0.75 0.95 0.69 0.27 0.70
1024 / [6 6] 1.02 1.08 0.96 1.04 1.00 1.04
0.96 1.10 0.94 1.10 0.32 1.11
1024 / [4 4] 1.00 1.72 1.00 1.63 0.99 1.63
1.02 1.82 0.94 1.73 0.42 1.76
1024 / [2 2] 1.00 2.53 1.06 2.58 0.90 2.58
1.01 2.72 0.98 2.71 0.59 2.80
1024 / [0 0] 1.01 4.53 1.26 4.01 0.80 3.95
1.01 4.87 1.12 4.21 0.73 4.39
1024 / [10 8] 0.99 0.43 0.95 0.42 1.00 0.41
0.93 0.68 0.95 0.70 0.08 0.70
512 / [10 8] 0.93 0.42 0.94 0.40 1.00 0.39
0.94 0.74 0.95 0.67 0.12 0.68
256 / [10 8] 0.82 0.42 0.97 0.36 1.01 0.37
1.01 0.71 0.95 0.64 0.21 0.67
128 / [10 8] 1.01 0.42 0.98 0.32 0.95 0.35
1.10 0.69 0.91 0.58 0.32 0.62
64 / [10 8] 1.04 0.46 0.97 0.25 0.84 0.29
1.09 0.73 0.91 0.46 0.38 0.52
Tableau 9 : Estimations des matrices et par les algorithmes EIV.
Nombre EQMN
d‟échantillons / Coefficient
RSB sur les EKF UKF H∞
voies (en dB)
0.01 41.00 41.00 39.35
1024 / [10 8] 0.1 38.51 38.55 38.12
1 3.61 3.62 3.56
10 39.03 39.10 38.94
100 38.38 38.42 37.97
0.01 56.71 56.79 54.50
0.1 57.06 57.17 55.85
512 / [10 8] 1 8.27 8.32 8.01
10 54.46 54.58 53.78
100 55.86 56.06 54.87
0.01 86.27 86.39 82.78
0.1 86.19 86.74 82.99
256 / [10 8] 1 18.14 18.33 17.04
10 83.86 84.21 81.87
100 85.64 85.99 82.62
√ (3.128)
Enfin, un bruit Gaussien est ajouté au processus pour aboutir au signal observé
comme le montre l‟équation (3.125). Les algorithmes SCM, NSCM et PF décrits dans
la section 3.3.2, sont alors directement applicables sur le signal bruité .
Comme nous l‟avons déjà vu, le filtrage H ∞ ne nécessite aucune contrainte de Gaussianité sur
les signaux intervenant dans le système. L‟algorithme est donc testé pour estimer des matrices
AR avec des données non Gaussiennes. De plus, nous testons la robustesse du SPKF. En effet,
si les points sigma sont bien choisis, ils peuvent approximer tout type de distribution non
Gaussien, mais unimodal du vecteur d‟état.
Les résultats obtenus pour 1000 réalisations sont décrits dans le tableau 11 avec ,
et quatre densités de probabilité différentes à savoir une loi Gaussienne et une loi K
avec .
Méthodes EQMN avec un RSB à 20dB EQMN avec un RSB à 50dB
Gauss Gauss
SPKF 0.049 0.052 0.065 0.071 0.047 0.050 0.059 0.065
H∞ 0.070 0.072 0.081 0.083 0.075 0.076 0.080 0.118
SCM 0.044 0.047 0.057 0.063 0.038 0.039 0.050 0.057
NSCM 0.083 0.081 0.084 0.084 0.072 0.071 0.073 0.073
PF 0.051 0.051 0.052 0.053 0.044 0.044 0.046 0.046
Tableau 11 : EQMN des estimations des pôles en milieu non Gaussien.
3.7 Conclusions
{}
+ AR {
̂
}
Mise à jour
(3.114) {̂}
( ) Filtre inverse
(2.61)
Multiplication Multiplication
par Estimation de la par
matrice ̂
(3.111)
Seuillage
(3.112) AR {
̂ }
+
Mise à jour ̂
{ }
(3.114)
( ) Filtre inverse
(2.61)
(2.64)
Seuillage
Dans ce chapitre, deux choix de modélisation ont été envisagés. Dans le premier cas, le bruit
thermique est négligé et le speckle du fouillis est modélisé par un processus VAR. Le second
cas consiste à modéliser le bruit thermique par un bruit blanc Gaussien et le speckle du
fouillis par un processus VAR. Nous avons alors proposé cinq méthodes d‟estimation des
matrices AR : une pour le modèle 1 et quatre destinées au modèle 2.
Dans le cas du modèle 1, une approche reposant sur la méthode du point fixe est déduite.
Cette dernière permet une estimation de la matrice de covariance tenant compte de la
distribution non Gaussienne du fouillis. Notre approche présente l‟avantage de réduire le coût
calculatoire.
Dans le cas du modèle 2, nous suggérons tout d‟abord une approche par bloc. Elle repose sur
une technique à erreurs dans les variables et permet une estimation aveugle des matrices AR,
c‟est-à-dire sans information a priori sur les données. Ensuite, des méthodes récursives ont
été étudiées. Les deux premières sont fondées sur une extension du filtrage de Kalman pour
traiter un problème d‟estimation dans le cas d‟équations non linéaires. Il s‟agit de l‟EKF et
du SPKF. La dernière méthode récursive suggérée est le filtrage H∞. Elle vise à minimiser la
Dans ce chapitre, nous étudions la pertinence des algorithmes décrits dans le chapitre 3
appliqués au STAP. Selon que le fouillis est Gaussien ou non, nous utilisons les algorithmes
PAMF et NPAMF décrits sur les figures 34 et 35. Tout d‟abord, ces méthodes sont utilisées
sur des données synthétiques obtenues à partir d‟un simulateur développé pendant la thèse
reposant sur le GCM [WAR94] (Cf. section 1.2.3.1). Ensuite, des données semi-synthétiques
fournies par le CELAR (Centre d‟ELectronique de l‟ARmement) et des données réelles
fournies par THALES permettent d‟évaluer les algorithmes dans un cadre opérationnel.
Zone 70 -90
60
-100
« claire »
km
Zone 50
-110
distance en
« fouillis 1 » 40
30 -120
20
-130
Zone 10
-140
« fouillis 2 »
-15 -10 -5 0 5 10
vitesse en m/s
Figure 36 : Voie somme du signal reçu par le radar issu du simulateur.
Dans cette section, les différents traitements STAP sont réalisés pour des distances
supérieures à 20 km. On focalise ainsi l‟étude sur la zone « fouillis 1 ». Les performances des
différents algorithmes sont établies tout d‟abord sur un fouillis Gaussien puis non Gaussien.
(4.1)
où représente le rapport signal sur bruit plus interférences à la sortie du
filtrage utilisé et dénote le rapport signal sur bruit sans fouillis à la sortie du filtrage non
adaptatif.
Ce critère permet d‟observer les pertes du filtrage des interférences, à savoir le fouillis et le
bruit thermique, par rapport à un filtrage non adaptatif uniquement en présence de bruit
thermique. Il y deux sources majeures de pertes : celle liée à la densité spectrale du fouillis et
celle liée à l‟estimation de la matrice de covariance [MEL09]. Dans cette section, tous les
facteurs de pertes sont estimés pour une fréquence spatiale nulle, c‟est-à-dire .
La figure 37 met en évidence la règle de Reed et al. [REE74]. L‟estimation SCM doit bien
être faite à partir données d‟entraînements indépendantes et identiquement distribuées, pour
obtenir en moyenne des pertes en performance de 3 dB par rapport au filtrage non adaptatif.
0
-5 Perte liée à la densité
-10
spectrale du fouillis
-15 Perte liée à l‟estimation de
la matrice de covariance.
-20
-25
-30
-35
SCM
-45 -10 -5 0 5 10 15
-15
vitesse m/s
Figure 37 : Facteur de pertes en RSBI dans le cas non adaptatif et pour le filtrage avec
l‟estimateur SCM.
0
-5
-10
-15
-20
SCM
corrélation
-30 kalman
EKF
UKF
-35 -10 -5 0 5 10 15
-15
vitesse m/s
Figure 38 : Facteur de pertes en RSBI dans le cas non adaptatif et pour le filtrage avec les
estimateurs SCM, de la méthode de corrélation, de Kalman, de l‟EKF et de l‟UKF.
Estimateur SCM 88
Méthode de corrélation 28
Filtrage de Kalman 26
EKF 24
UKF 23
Ensuite, une cible synthétique définie par (1.35) est ajoutée au signal présenté sur la figure 36.
Cette cible présente des angles azimut et élévation nuls, c‟est-à-dire . Néanmoins, elle est
simulée pour toutes les vitesses allant de -15 m/s à 15 m/s. La figure 39
0.8
0 0.7
0.6
10 0.5
RSB
20 0.4
0.3
30 0.2
40 0.1
-15 -10 -5 0 5 10 0
vitesse m/s
Figure 39 : Probabilité de détection obtenue avec le détecteur AMF avec une estimation SCM
de la matrice de covariance et .
1
0.9
0.8
0.7
0.6
pd 0.5
0.4
0.3
0.2 AMF
0.1 corrélation
EKF
0 UKF
-10 -5 0 5 10 15 20 25 30
-15
RSB
D‟après la figure 40, pour un ordre et quelle que soit la méthode d‟estimation utilisée, le
PAMF présente de meilleures performances que l‟AMF en termes de probabilité de détection.
Dans notre cas et pour une vitesse de 10 m/s, le gain est de 2 dB.
La section 4.1.3 traite des performances des différents algorithmes d‟estimation pour un
fouillis synthétique non Gaussien.
-10
-15
-20
SCM
-30 UKF
Hinf
-35 PF
-10 -5 0 5 10 15
-15
vitesse m/s
10
1 SAR THR signifie Synthetic Aperture Radar Très Haute Résolution. Le SAR est une technique utilisée en
radar qui permet d‟obtenir des images du sol éclairé. Pour plus d‟informations, le lecteur peut se référer à
[LAC01].
distance
-130 250 -105
cases distance
250
-135 200 -110
200
scase
-140 150 -115
150
-145 100 -120
100
-150 50 -125
50
-155 -130
10 20 30 40 50 60 -6 -4 -2 0 2 4 6
récurrences vitesse
a) b)
Figure 42 : Puissance du signal de la voie 1 du datacube avec la dimension Doppler
a) dans le domaine temporel et b) dans le domaine fréquentiel.
1 -120 -120
0 -130 -130
angle
-1 -140 -140
-2 -150 -150
-6 -4 -2 0 2 4 6 -8 -6 -4 -2 0 2 4 6 8
vitesse vitesse pour angle = 0°
a) b)
Figure 43 : Détecteur AMF avec une matrice identité
a) dans le domaine spatio-Doppler et b) pour un angle égal à 0°
1 25 25
20 20
0.5
ePuissanc
15 15
angle
0 10
10
-0.5 5 5
-1 0 0
-1.5 -5 -5
-2 -10 -10
-6 -4 -2 0 2 4 6 -8 -6 -4 -2 0 2 4 6 8
vitesse vitesse pour angle = 0°
a) b)
Figure 44 : Détecteurs AMF avec une matrice SCM
a) dans le domaine spatio-Doppler et b) pour un angle égal à 0°
Afin de réduire les données d‟entraînement, modélisons les interférences et le bruit thermique
par un processus VAR et appliquons le détecteur PAMF. Il est à noter que des tests ont été
effectués pour déterminer l‟ordre du modèle à appliquer sur le scénario 1 des données
CELAR. Pour des performances de détection équivalentes, on opte pour l‟ordre le plus faible
à savoir . Dans un premier temps, les matrices AR sont estimées soit à partir de la méthode de
corrélation comme le suggèrent Roman [ROM00] et Lombardo [LOM03] avec
, soit avec l‟EKF et l‟UKF. D‟après les figures 47 et 48, le fouillis est filtré et la cible
est détectable.
D‟après le tableau 15, l‟UKF permet une meilleure détection.
35 35
1.5 30 30
1 25 25
0.5 20 20
Puissance
0 15 15
angle
10 10
-0.5 5 5
-1 0 0
-1.5 -5 -5
-2 -10 -10
-6 -4 -2 0 2 4 6 -8 -6 -4 -2 0 2 4 6 8
vitesse vitesse pour angle = 0°
a) b)
Puissance en dB
Tableau 15 : Différence entre la puissance de la cible et la moyenne des puissances sans cible
à la sortie du filtre STAP.
35 35
1.5 30 30
1 25 25
20 20
0.5
ePuissanc
15 15
angle
0 10
10
-0.5 5 5
-1 0 0
-1.5 -5 -5
-2 -10 -10
-6 -4 -2 0 2 4 6 -8 -6 -4 -2 0 2 4 6 8
vitesse vitesse pour angle = 0°
a) b)
35 35
1.5 30 30
1 25 25
0.5 20 20
Puissance
15 15
angle
0 10
10
-0.5 5 5
-1 0 0
-1.5 -5 -5
-2 -10 -10
-6 -4 -2 0 2 4 6 -8 -6 -4 -2 0 2 4 6 8
vitesse vitesse pour angle = 0°
a) b)
Figure 47 : Détecteur PAMF avec estimation des matrices par EKF avec K=40 a)
dans le domaine spatio-Doppler et b) pour un angle égal à 0°
1.5 30 30
1 25 25
0.5 20 20
Puissance
0 15 15
angle
10 10
-0.5 5
5
-1 0 0
-1.5 -5 -5
-2 -10 -10
-6 -4 -2 0 2 4 6 -8 -6 -4 -2 0 2 4 6 8
vitesse vitesse pour angle = 0°
a) b)
Figure 48 : Détecteur PAMF avec estimation des matrices par UKF avec K=40
a) dans le domaine spatio-Doppler et b) pour un angle égal à 0°
35
SMI
30 diagonal loading
corrélation
25 EKF
UKF
20
Puissance
15
10
5
0
-5
-10 -6 -4 -2 0 2 4 6 8
-8
vitesse pour angle = 0°
D‟après la figure 49, on peut encore réduire le nombre de cases distance utilisées dans le cas
du PAMF. Pour , le fouillis est filtré pour les trois méthodes et la cible reste détectable même
si sa puissance a diminué par rapport au traitement avec
Le tableau 16 présente les sorties du PAMF à la vitesse 4m/s pour les trois méthodes avec
K=4 sur les onze réalisations disponibles du scénario 1. Pour sept réalisations, la cible
présente une plus forte amplitude à la sortie du détecteur PAMF lorsque les matrices AR sont
estimées avec l‟UKF.
Tableau 16 : les sorties du PAMF à la vitesse 4m/s pour les trois méthodes
avec K=4 sur les onze réalisations disponibles du scénario 1.
-100
Groupe 2 300
distance
Case sous test 250 -105
-110
200
cases
Groupe 3 150
-115
Groupe 4
-120
100
Groupe 5 -125
50
-130
-6 -4 -2 0 2 4 6
vitesse
30
25
Groupe 1
Puissance
20
15
Puissance
10
-5
-10
-15 -6 -4 -2 0 2 4 6 8
-8
vitesse pour angle = 0°
30
25
Groupe 2
Puissancesance
20
15
10
-5
-10
-15 -6 -4 -2 0 2 4 6 8
-8
vitesse pour angle = 0°
30
25
Groupe 3
Puissance
20
15
10
-5
-10
-15 -6 -4 -2 0 2 4 6 8
-8
vitesse pour angle = 0°
20 Groupe 4
Puissance
15
10
5
0
-5
-10
Puissancesance -15 -6 -4 -2 0 2 4 6 8
-8
vitesse pour angle = 0°
30
25
20 Groupe 5
15
10
5
0
-5
-10
-15 -6 -4 -2 0 2 4 6 8
-8
vitesse pour angle = 0°
30
25
20
15
10
Puissance
5
-5
-10
-15 -6 -4 -2 0 2 4 6 8
-8
vitesse pour angle = 0°
-100
300 -130 300
-105
cases distance
cases distance
-110
200 -140 200
-115
150 150
-145 -120
100 -150 100
-125
50 -155 50
-130
10 20 30 40 50 60 -6 -4 -2 0 2 4 6
récurrences vitesse
a) b)
Figure 53 : Puissance du signal de la voie 1 du datacube avec la dimension Doppler
a) dans le domaine temporel et b) dans le domaine fréquentiel.
Le fouillis étant non Gaussien, le détecteur NPAMF défini par (2.64) est utilisé.
Les méthodes d‟estimation comparées dans cette section sont l‟UKF, le filtrage H∞ et la
méthode PF. La méthode NSCM n‟est pas retenue en raison de son biais d‟estimation
[PAS08].
-5 UKF
-10 Hinf
PF
-15
-20
Puissanc
e
-25
-30
-35
-40
-45 -6 -4 -2 0 2 4 6 8
-8
vitesse pour angle = 0°
Figure 54 : Comparaison des sorties NPAMF avec estimation par l‟UKF, H∞ et la méthode du
point fixe avec K=40.
D‟après la figure 54, le fouillis est filtré et les dix cibles sont détectables. Pour chaque cible,
la méthode donnant lieu à la plus forte puissance est le filtrage H∞, puis l‟UKF suivi de la
méthode PF avec un écart de 0.5 dB.
40
1000 1000
10
35
cases distance
800 800
600 0 600 30
cases distance
-10
25
20
400 -20 400
10
-40
5
5 10 15 20 25 30 -15 -10 -5 0 5 10
Impulsions vitesse en m/s
a) b)
Figure 55 : Puissance du signal de la voie S du datacube avec la dimension Doppler a) dans le
domaine temporel et b) dans le domaine fréquentiel.
côté de avec la méthode de corrélation et l‟UKF. Six cases de garde sont utilisées. La réponse impulsionnelle du filtre notée ̂ est définie par :
̂ ̂
̂ ̂
(4.3)
D‟après la figure 57, le fouillis est éliminé dans les deux cas, mais l‟UKF permet de
conserver une puissance de cible plus importante comme le montre le tableau 17.
25
20
15
10
-15 -10 -5 0 5 10 15
vitesse en m/s
voie S voie S
40
40 voie e
voie e
35
35
voie a Cible voie a Cible
30
30
Puissance en dB
Puiss 25
25
ance
20
en dB 20
15
15
10
10
5
5
-15 -10 -5 0 5 10 15
-15 -10 -5 0 5 10 15
vitesse en m/s
vitesse en m/s
a) b)
A présent, le signal filtré est utilisé pour simuler une cible quasi réelle pour différents RSB. La
vitesse relative de cette cible à savoir -6 m/s est choisie pour que le signal soit perturbé par le
fouillis. Pour 1000 cases distance allant de 201 à 1200, cette cible est ajoutée au signal illustré
par la figure 55 et le PAMF est appliqué avec la méthode de corrélation et l‟UKF. Chaque
méthode nécessite 4 cases d‟entraînement séparées de la cible par 6 cases de garde. D‟après
la figure 58, le PAMF utilisé avec l‟UKF a de meilleures performances en termes de
détection. En effet, pour une probabilité de détection de 0.5 et de 0.9, le RSB est 1 dB plus
faible avec l‟UKF qu‟avec la méthode de corrélation.
0.9
0.8
0.7
0.6
pd 0.5
0.4
0.3
0.2
0.1 corrélation
0 UKF
-15 -10 -5 0 5 10 15
RSB
4.4 Conclusions
Quelles que soient les données testées synthétiques, semi-synthétiques ou réelles, le détecteur
PAMF donne de meilleures performances de détection que l‟AMF. Parmi les méthodes
d‟estimation des matrices AR utilisées, l‟UKF est celle qui permet obtenir les meilleures
performances. Dans le cas d‟un fouillis Gaussien, il admet une perte en RSBI équivalent aux
autres méthodes sur données synthétiques et une meilleure probabilité de détection sur
données réelles. De plus, il présente une « certaine » robustesse au fouillis non Gaussien et
permet au NPAMF d‟être quasi texture-CFAR à l‟instar du filtrage H ∞. A noter que le filtrage
H∞ nécessite le choix contraignant par l‟utilisateur d‟un niveau d‟atténuation qui va
déterminer non seulement l‟existence d‟une solution mais aussi les performances de
l‟algorithme.
Après avoir décrit les principes de fonctionnement du radar, nous avons présenté les
composantes reçues par celui-ci : un écho de cible éventuelle, le bruit thermique et le fouillis.
Une étude approfondie de ce dernier a donné lieu au développement d‟un simulateur sous
Matlab permettant de synthétiser des échantillons reçus par le radar et issus des échos de mer
pour des scénarios de surveillance maritime aéroportée. De plus, elle a permis d‟appréhender
le STAP, traitement éliminant le fouillis en vue d‟une meilleure détection des cibles lentes.
Le STAP nécessite une connaissance a priori des interférences, et notamment leur matrice de
covariance. Cependant, celle-ci n‟est pas disponible en pratique. Pour pallier ce problème, des
détecteurs adaptatifs ont été mis en œuvre et reposent sur l‟emploi de données
d‟entraînement. Parmi ceux permettant la réduction du domaine d‟entraînement, nous nous
sommes focalisés sur les approches STAP fondées sur la modélisation VAR des interférences.
Plus particulièrement, nous avons proposé de nouveaux algorithmes d‟estimation des matrices
AR visant à répondre à des objectifs opérationnels : coût calculatoire réduit, prise en compte
éventuelle de l‟hétérogénéité et de la non Gaussianité du fouillis.
1/ Dans le cas Gaussien, appliqués au PAMF, l‟UKF et le CDKF donnent lieu à une perte en
RSBI plus faible que la méthode de corrélation, de covariance et que l‟EKF. Ils présentent une
meilleure détection des cibles sur les données semi-synthétiques fournies par le CELAR et
réelles fournies par THALES.
2/ Dans le cas non Gaussien, les approches par points sigma confèrent quasiment la propriété
texture-CFAR au NPAMF à l‟instar du filtrage H∞. Cependant, dans le cas du filtrage H∞,
l‟utilisateur doit opter pour un niveau d‟atténuation qui va déterminer non seulement
l‟existence de la solution mais aussi des performances de la méthode.
3/ D‟un point de vue implémentation, Wan et al. [WAN01] proposent une version « square-
root » de l‟UKF évitant le calcul du facteur de Cholesky pour chaque itération.
Enfin, nous avons développé une nouvelle structure du schéma de détection PAMF et
adaptable au NPAMF permettant une réduction du coût calculatoire. Ainsi, le gain en nombre
d‟opérations par rapport à une implémentation « standard » est de l‟ordre de 40.
Antenne
Duplexeur
Emetteur Récepteur
Trois types d‟antenne sont utilisés et sont décrits dans cette annexe A :
une antenne circulaire, monopulse, plate, à fente et à balayage mécanique. Comme
l‟illustre la figure 60, l‟antenne est divisée en quatre cadrans notés A, B, C et D. Pour
chacun d‟entre eux, le signal reçu par les fentes est sommé. Puis, une voie somme et
deux voies écarts notées etsont construites comme suit :
(A.1)
A B
…
C D
…
…
a) Antenne circulaire b) Antenne ULA c) Antenne rectangulaire
Dans cette annexe B, nous rappelons le bilan de puissance lié au phénomène de rétrodiffusion.
Ce mécanisme peut être décomposé en trois étapes : l‟émission du signal par le radar, la
réflexion de l‟écho et la réception par le radar du signal rétrodiffusé. Pour plus de détails, le
lecteur peut se référer à [LAC01].
satisfait :
La puissance émise Pe par l‟antenne radar dans une direction donnée
P P G ( , )
cr e ant ant
(B.1)
e 2
4 D
où Pcr désigne la puissance crête de l‟émetteur radar, Ge (ant ,ant ) est le gain à l‟émission
de l‟antenne, Gr (ant ,ant ) est le gain en réception de l‟antenne et D est la distance
radar-cible.
Le signal réfléchi par un obstacle a une puissance notée
Pref . Elle est liée à la puissance
La plupart des radars sont dits à impulsions et émettent un train d‟impulsions successives,
comme le montre la figure 62.
Echo détecté
Impulsion 1 Impulsion 2
(D.1)
avec (D.2)
(D.3)
( )
⁄
avec (D.4)
(D.5)
(D.6)
Si :
(D.9)
(D.10)
avec (D.11)
(D.12)
( )
⁄
avec (D.13)
(D.14)
(D.15)
(D.16)
Une vecteur aléatoire réel de taille suit une loi Gaussienne de moyenne (E.1)
matrice de covariance si sa densité de probabilité s‟écrit :
‖‖
où ‖ ‖ désigne le déterminant. et de
(E.2)
Loi Gaussienne ou normale complexe
Une variable aléatoire complexe suit une loi Gaussienne de moyenne m et de variance,
notée , si sa densité de probabilité s‟écrit :
(E.3)
Une vecteur aléatoire complexe de taille suit une loi Gaussienne de moyenne et de
Une variable aléatoire suit une loi de Rayleigh de paramètre si sa densité de probabilité
s‟écrit :
Loi exponentielle (E.5)
Une variable aléatoire suit une loi exponentielle de paramètre b si sa densité de probabilité
s‟écrit :
(E.6)
Loi de Laplace
Une variable aléatoire suit une loi de Laplace de paramètre de location et de paramètre
d‟échelle b si sa densité de probabilité s‟écrit :
(E.7)
Loi de Rice
Une variable aléatoire suit une loi de Rice à deux paramètresetsi sa densité de
probabilité s‟écrit :
(E.10)
Loi du centré
Une variable aléatoire suit une loi ducentré à un paramètre si sa densité de probabilité
s‟écrit :
(E.11)
(E.12)
où et .
Loi Gamma
Une variable aléatoiresuit une loi Gamma à deux paramètres etsi sa densité de
probabilité s‟écrit :
(E.13)
où est la fonction Gamma donnée par :
(E.14)
∫
(E.15)
où est la fonction de Bessel modifiée de deuxième espèce à l‟ordre .
0.8
0.7
0.6
densite de 0.5
probabilite 0.4
0.3
0.2
0.1
1 2 3 4 5 6 7
00
amplitude
(E.16)
1.5
densite de
1
probabilite
0.5
1 2 3 4 5 6 7
00
amplitude
avec .
√
Fonction hypergéométrique
La fonction hypergéométrique est un cas particulier de la fonction
hypergéométrique généralisée avec et . C‟est la
première fonction hypergéométrique à avoir été étudiée car elle est la plus rencontrée dans les problèmes
physiques. Elle est aussi connue sous le nom de fonction hypergéométrique de Gauss. Elle est définie par :
(E.19)
∫
où est appelé l‟exposant de la Power-law et est la fréquence pour laquelle est 3dB en
dessous de sa valeur maximale.
où { }
sont les paramètres AR et est un bruit blanc centré de variance .
Ce processus est perturbé par un bruit additif centré de variance :
(F.2)
Dans la suite, définissons les vecteurs suivants :
, (F.3)
, (F.4)
et , (F.5)
⏟
(F.6)
*
En pré-multipliant (F.8) par
x (m) u (m) et en prenant l‟espérance E[.], il vient :
*
*
R R diag 2 0 0 0 p11 (F.9)
x,u x u
p
T*
avec Rx E
x (n)x (n) .
*
Etant donné (F.9), Rx ,u est une matrice définie semi-positive et les paramètres AR
correspondent au noyau de Rx*,u . Cependant, dans tous les cas, Rx*,u n‟est pas directement
disponible et seule la matrice de corrélation Ry des observations bruitées peut être
considérées. Elle satisfait la relation suivante :
R R x b I p1 (F.10)
2
y
b b
p
Les variances admissibles u 2
et b 2
sontlesvaleurs quirendent
*
2 2 2
2 définie semi-positive. Les paramètres AR peuvent alors être
Ry diag u b b b
estimés en résolvant les équations de Yule-Walker compensées en bruit (3.12).
Il est à noter que la matrice Ry* peut être partitionnée comme suit :
1 2 T*
R* r (F.12) y
y r R*y p
et en prenant en compte (F.7), l‟équation (F.11) peut être décomposée en deux équations :
y2 u2 b2 rT* 0 (F.13)
r (R*y b2 I p ) 0p1 (F.14)
Si b2 est connue, peut être déduit grâce à (F.14) et peut être noté (b2 ) . Ensuite, u2
peut être obtenue par (F.13). Dans la suite, nous proposons un algorithme récursif fondé sur
les équations de Yule-Walker d‟ordre supérieur pour estimer b2 . Pour cette raison,
définissons les deux vecteurs suivants de taille q 1 où q p :
h
(m) x(m p 2) T (F.15)
x x(m p 1) x(m p q)
T
h
(m) y(m p 2) (F.16)
y y(m p 1) y(m p q)
et les matrices de corrélation de taille q ( p 1) associées :
h
h T*
h
h T*
Ry E
y (m) y (m) Rx E
x (m)x (m) (F.17)
Etant donné (F.1), on peut établir les équations de Yule-Walker d‟ordre supérieur :
(Rh )* 0
y q 1
(F.18)
En utilisant la relation (F.18), b2 peut être estimée en minimisant la fonction coût J (b2 )
définie par:
2
J ( 2 ) (Rh )* ( 2 )T * (Rh )T (Rh )* ( 2 )
b y b y y b
(F.19)
2
2
T 2 T 2 2
, 2
où (b ) 1 ( )
b , 0 b
b,max et b,max est la plus petite valeur propre de Ry.
Annexes Page 139
Dans [GUI95]et [BOB07], une solution par bloc est considérée pour obtenir les variances des
bruits. Dans cette annexe, nous proposons d‟utiliser l‟algorithme de Newton-Raphson pour
aboutir à un algorithme récursif.
Pour cette raison, définissons la matrice :
T*
h (Rh )T (Rh )* 1 (F.20)
y y p
Etant donné (F.7) et (F.20), le critère défini par (F.19) peut s‟exprimer comme suit :
2 T* 2 2 T* 2 T* 2 Ainsi, il vient :
J ( b ) ( b ) ( b ) ( b ) ( b )
f ( ) f (g( b )) 2
comme suit :
ˆ 2 (m 1) ˆ 2 (m) J ' (ˆ 2 (m))
b
(F.22)
(F.23)
(F.24)
ˆ (m 1) ˆ (m)
2 2
ˆ (F.25)
g' (ˆ b2 (m))T f ' ( (m))
b b
ˆ
g' (ˆ b2 (m))T f ' ' ( (m))g' (ˆ b2 (m))
2
g ˆ* 1 ˆˆ * 1
2
ˆ
où g' ( b ) ˆ (Ry b I p ) (Rx )
2
(F.26)
ˆ ˆ
b
ˆ f ˆˆ (F.27)
f '( ) ˆ 2( ˆ )
ˆ 2 f ˆ
f ''() 2 (F.28)
ˆ2
En remplaçant (F.26), (F.27) et (F.28) dans (F.25), on obtient :
ˆ *
1
ˆ (m)) T ˆ ˆ ˆ (m))
ˆ (m 1) ˆ (m)
2 2 ((Rx ) (m) ((m) (m) (F.29)
b b ˆ* 1 ˆ T ˆ ˆ* 1 ˆ
((Rx ) (m) (m)) (m)(Rx ) (m) (m)
.
mp1 mp1
3. ˆ* 1
ˆ* 2 1
1)I p ) .
Calcul de (Rx (m 1)) (Ry (m 1) ˆ b (m
4. ˆ ˆ * (m 1)) 1 rˆ(m 1) .
Calcul de (m 1) (Rx
5. Mise à jour de ˆ y2 (m) :
mp y(m 1) 2
ˆ 2 (m 1) ˆ 2 (m) .
y
mp1 y
mp1
6. Mise à jour de ˆ u2 (m) :
ˆ
ˆ u2 (m 1) ˆ y2 (m 1) ˆ b2 (m 1) rˆT * (m 1) (m 1)
ˆ h
7. Mise à jour de Ry (m) :
et récupération de (m
8. Retour à l‟étape 1.
Remarque : une variante de l‟algorithme peut être considérée pour éviter une éventuelle
divergence de l‟algorithme récursif en remplaçant l‟équation (F.29) par :
1
ˆ (m)) T ˆ ˆ ˆ (m))
ˆ*
ˆ b (m 1) ˆ b (m) (m 1) ˆ * 1 (m) ˆ
2 2 ((m) (m)
((Rx )
T ˆ ˆ * 1 ˆ
((Rx ) (m) (m)) (m)(Rx ) (m) (m)
où (m 1) est fixé la première fois à 1.
Cet algorithme a aussi été adapté dans le cadre d‟un suivi de paramètres TVAR [PET10c].