Vous êtes sur la page 1sur 92

¾ DJABER Mahfoud

IDENTIFICATION DE CIBLES AÉRIENNES PAR UN CLASSIFIEUR NEURONAL

Sommaire
Introduction générale...........................................................................................................01 CHAPITRE I : INTRODUCTION AU RADAR
Introduction………………………………………………………………………………...…03 1- généralité sur les radar……………………………………………………………………03 1.1- définition du radar…………………………………………………………………..03 1.2- principe du radar………………………………………………………………...….03 2- composition d’un radar………………………………………………………………...…..04 3- les fréquences radar…………………………………………………………………..……06 4- caractéristiques d’un système radar………………………………………………………..07 4.1- type de radar …………………………………………………………………...……07 4.2- modes d’émission du radar…………………………………………………………..07 5- l’effet doppler…………………………………………………………………...…………07 6- équation radar……………………………………………………………………...………08 7- la surface équivalent radar………………………………………………………...……….09 8- notation sur les performances des radars………………………………………………..…10 8.1- la portée……………………………………………………………..……………….10 8.2- localisation en ongle ………………………………………………………..……….10 8.3- localisation en distance ……………………………………………..……………….11 9le bruit ………………………………………………………………..…………………11 9.1- le bruit thermique…………………………………………………………….………12 9.2- le bruit extérieurs (clutter)………………………………………………….………..12 9.3- aspect probabilistique de signal radar…………………………………………….…12 10- application radar …………………………………………………………………...…….13 Conclusion……………………………………………………………………………….13

CHAPITRE II : LE RADAR À OUVERTURE SYNTHETIQUE INVERSE (ISAR)
Introduction …………………………………………………………………………..14 1- Identification des cibles au moyen des systèmes IFF………………………………..…….14 1.1- Principe de fonctionnement………………………………………………..…………14 1.2- Caractéristiques des antennes………………………………………………...………15 - Le faisceau d’interrogation……………………………………………….………..15 - Le faisceau de contrôle…………………………………………………..…………15 1.3 - Signal d’interrogation……………………………………………………………….16 1.4- Signal de réponse………………………………………………………...…………..18

1.5- Les inconvénients de system (IFF)………………………………………………….18 2- Reconnaissance des cibles non coopératives……………………………………………20 2.1-définition ……………………………………………………………………………….20 2.2- Techniques de reconnaissance des cibles non coopératives ……………………….20 2.2.1- Radar Haute Résolution……………………………………………………..20 2.2.2- L’image 2D-ISAR…………………………………………………………22 2.3- Comparaison des techniques de reconnaissance de cibles non coopératives ………23 3- principes de fonctionnement des radars imageurs SAR et ISAR………………………….23 3.1- Principe de fonctionnement des radars SAR…………………………………24 3.1.1- Avantages du radar SAR et ses applications………………………………….24 3.1.2- Résolution du radar SAR……………………………………………………25 3.2- la radar a ouverture synthétique inverse (ISAR)……………………………………29 3.2.1- Principe de fonctionnement du radar ISAR………………………………….30 3.2.2- Recouvrement de données ISAR……………………………………………..31 3.2.3- Résolution de l'ISAR……………………………………………………….33 4- Les opérations de pré-traitement effectuées sur les images ISAR………………………34 4.1- technique d'extraction des caractéristiques…………………………………….34 4.1.1- Extraction de contour ……………………………………………………34 4.2- Technique de réduction de la taille de donnée……………………………………36 4.3- transformée de radon (TR) ……………………………………………………38 4.4- technique de sélection des caractéristique ……………………………………39 4.4.1- l'analyse en composantes principales (ACP)…………………………40 Conclusion …………………………………………………………………………42

CHAPITRE III : Classification par réseaux de neurones
Introduction ...………………………………………………………………………..43 1- méthode de classification…………………………………………………………………..43 2- présentation des réseaux de neurones…………………………………………………….44 2.1- définition …………………………………………………………………………….44 2.2- transition du neurone biologique au neurone formel…………………………………45 2.3- le principe et les étapes de constriction d’un réseau de neurones…………………….46 2.4- réseaux de neurones formels………………………………………………………….47 3- Différents type de fonction d’activation …………………………………………………49 4- l’apprentissage……………………………………………………………………………..50 4.1- l’apprentissage supervisé……………………………………………………………50

59 9..Application de la transformée de radon aux images ………………………………64 2.sélection des caractéristiques……………………………………………………….3.61 CHAPITRE VI : Mise en Œuvre d’un Classifieur Neuronal Introduction………………………………………………………………………………62 1..2...2.Algorithme de rétropropagation ………………………………………………………….......1-Conditionnement des entrées…………………………………………………………69 4..54 7.Données brutes ………………………………………………………………………64 2.62 2....Architecture du réseau et apprentissage………………………………………………..1.70 ♦ Etude en fonction du nombre de neurones dans la couche cachée…………………70 ♦ Etude en fonction du pas d’apprentissage……….Prétraitement et compression…………………………………………………………….les inconvénients du TN………………………………………………………….1..les avantages et les inconvénients du réseau de neurones…………………………………59 9..3.Interface graphique………………………………………………………………………..64 2.52 6...67 3..réseau de neurones pour la classification …………………………………………………58 8..67 4-Conception et mise en oeuvre par MATLAB …………………………………………….les réseaux non récurrents…………………………………………………………..1..le perceptron multicouches………………………………………………………………53 7.2.mise à jour des poids des couches cachées………………………………………….l’apprentissage non supervisé………………………………………………………51 4.1..4.........76 ..classification et approximation des fonctions………………………………………58 8.Architecture………………………………………………………………………………51 5....72 Conclusion……………………………………………………………………………..69 ♦ Etude en fonction du nombre de couches cachées…………………………………...1...2.71 ♦ Etude en fonction du nombre d’itérations………………………………………….3..les réseaux récurrents………………………………………………………………..lissage de la classification ……………………………………………………………57 8.2..classification neuronale et non neuronale………………………………………….modification des poids de la couche de sortie……………………………………….2.54 7....71 ♦ Etude en fonction du nombre d’itérations…………………………………………72 5.51 5..Base de données de notre travail………………………………………………………….les avantages du RN…………………………………………………………………59 9...55 7.2.Démarche générale ………………………………………………………………………...60 Conclusion……………………………………………………………………………........techniques d’apprentissages…………………………………………………………51 5.69 4.......

2.16 Fig.16: montre l'application de plusieurs techniques d'extraction de contours sur une image 2D-ISAR…………………………………………………………………………………….22 Fig.18 Fig.46 Fig.2.1.2.2 : Neurone biologique……………………………………………………………….12 : Equivalence SAR/ISAR………………………………………………………….3: Définition des modes militaires…………………………………………………….20: La transformée de radon sur une image ISAR……………………………………39 Fig.2.3.24 Fig.44 Fig.17: les différent niveau de la transformée en endelette appliqués a un mig-25………37 Fig.45 Fig.3.30 Fig.30 Fig.…………………………………………………..35 Fig2.77 Liste des figures Fig.1.2. y ) projetée sur l'axe x ′ qui Est orienté selon un ongle θ Par apport l'axe x…………………………………………………………………………………………38 Fig.2.1: Schéma synoptique général…………………………………………………………15 Fig.2.29 Fig.2: Les signaux d’antennes…………………………………………………………….Conclusion générale………………….3: Résolution en distance………………………………………………………………11 Fig.18: Les différents niveaux de la transformée en ondelette appliqués à un bateau…….impulsions……………………32 Fig.2.1: Schéma synoptique d’un radar moderne…………………………………………04 Fig.2.3.11 Fig 1.2.1: diagramme d'un système de classification………………………………………….31 Fig.3 : Neurone artificiel……………………………………………………………………45 Fig.48 .. 3.21: Résultat après l’application de l’ACP sur une image ISAR………………………42 Fig...2..6 :géométrie du radar SAR…………………………………………………………….2.5: neurone formel…………………………………………………………………….2.7: Le SAR embarqué sur plate forme déplaçant à une vitesse constante v……………26 Fig.3.8: Principe de focalisation du radar SAR………………………………………………27 Fig.14: Spectres d’un point réflecteur à deux instants différents………………………….11:Géométrie du l'ISAR……………………………………………………………….4: Profil en portée d'un avion vu du côté gauche………………………………………21 Fig.2 : Localisation en distance…………………………………………………………….2.7: Situation des données avant et après focalisation……………………………………27 Fig..5: image 2D ISAR…………………………………………………………………….13: deux points réflecteurs d’une cible pour le cas de l’imagerie ISAR…………….15:représentation de la forme d'onde de M.37 Fig.4: architecture d'un perceptron multicouches…………………………………………..2.2.19: Limage f ( x.2.bus et N.2. 2.10: Schéma comparatif entre la résolution de trois types de radar……………………28 Fig.2.

.6 : Application de la transformation Radon et SVD sur l’image ISAR MIG25………67 Fig.8 : réseau MLP………………………………………………………………………….11: étude en fonction de momentum…………………………………………………. ………………66 Fig.2-3 :Comparaison des techniques de classification……………………………………. …………………65 Fig.4..4.16: Forme de la cible identifiée……………………………………………………….17 :forme choix avion………………………………………………………………….4.2-2 : Modes militaires…………………………………………………………………17 TAB.6: Réseaux non récurrents……………………………………………………………52 Fig.15 : Forme de progression de l’acquisition…………………………………………….9 : étude en fonction de nombre de neurones………………………………………….12: étude en fonction de nombre d’itération………………………………………….3.4.4..10 : étude en fonction de pas d’apprentissage………………………………………….71 Fig.4 : Séquence d’images ISAR d’un MIG25 a des instants successifs.1 : Démarche générale de l’approche proposée………………………………………63 Fig.1-1 : les fréquences radar………………………………………………………………06 Tab.3-1: Différents types de fonction d’activation………………………………………….70 Fig.4.8 : étude en fonction de nombre de couches cachées………………………………….4.73 Fig.5 : Image ISAR du MIG25 a 0° et 45° et leur transformée de Radon.74 Fig.4.7 : Les réseaux de neurones récurrents…………………………………………………52 Fig.4.23 Tab.53 Fig.14 : Forme « Architecture réseau »…………………………………………………….46 Tab.72 Fig.49 ..74 Fig.64 Fig.4.2-1 : Modes civils………………………………………………………………………17 Tab.4.75 Fig.4.4.4.4.3.Fig.72 Fig.73 Fig.70 Fig.13 : Forme principale………………………………………………………………….3-1 : Eléments de ressemblance entre le neurone biologique et le neurone formel…….7 : Images brutes des avions utilisés pour la base de référence………………………68 Fig.3.4.2: Organigramme de notre démarche de travail……………………………………….3 : Image ISAR d’un MIG 25…………………………………………………………65 Fig.4.18 : forme a propos……………………………………………………………………75 Liste des tableaux Tab.4.

mourad et Benatala.dahman. aissa. brahim. Djaber .hafidha. nakhla. messouda.smaile somia.saleh. pour ses sacrifices depuis qu’elle m’a mis au monde Mon père.Dédicaces Je dédie ce travail à: Ma chère mère.chibout.taytah. zinab. amin. qui m’a toujours soutenu et aidé à affronter les difficultés Toute la famille:khadra.abdo.maria .said. A mes amis : rachid.nadjat et hayat Mon binôme et frère hassen ainsi que toute sa famille. Toute la promotion 2008. noura.

.

l’IFF présente beaucoup d’inconvénients qui peuvent fausser l’identification de la cible et conduire à une décision périlleuse. Ceci permet alors d’aboutir à une base de données de référence de taille raisonnable et accélérer les différents calculs. Dans ce mémoire. A partir du moment ou la géométrie de la cible et ses parties en rotation imposent une certaine réponse vis-à-vis des ondes électromagnétiques. Plusieurs types de signatures radar peuvent être utilisés. Pour résoudre ce problème. L’IFF est basée sur une boucle de questions/réponses. Ensuite. Toutefois. La première étape de l’approche est un prétraitement qui permet de réduire la taille des données (ACP) et d’extraire les caractéristiques indépendamment de l’angle d’orientation (transformé Radon). Pour pallier aux problèmes posés par l’utilisation de l’IFF. la signature radar est largement utilisée pour la reconnaissance des cibles non coopératives. les recherches se sont orientées de plus en plus vers la reconnaissance de la cible sans sa participation active. le code d’identification de la cible est transmis à la station de surveillance. Depuis les deux dernières guerres mondiales.Introduction générale : La surveillance aérienne est l’une des préoccupations majeures de la défense militaire. En réponse à une interrogation codée. La difficulté première de la reconnaissance des cibles radar est que la SER est fortement dépendante de la fréquence utilisée et de l’angle de visée du radar. par conséquent. La signature radar de la cible est fonction de sa surface "vue" par le radar appelée surface équivalente radar (SER). Les premiers systèmes développés pour examiner l’identité d’une cible aérienne sont les systèmes IFF (Identification Friend-Foe). Cette sélection se fait en off-line et n’affecte en rien la durée nécessaire à la prise de décision concernant une cible nouvellement détectée. les fréquences de résonances. la cible est dite coopérative. beaucoup d’efforts ont été déployés pour l’identification des cibles. nous avons essayé d’utiliser un classifieur neuronal pour identifier un cible inconnu a partir de son image ISAR. afin de reconnaître automatiquement une cible . L’idée de base est de ne sélectionner que l’information pertinente (intéressante) par rapport à ce but. il est essentiel d’obtenir des caractéristiques efficaces et robustes à partir de la SER de la cible. les profils en portée (HRR) et les images radar à ouverture synthétique inverse (ISAR) ont été utilisés à cette fin. la base de donnée sera utilisée par Matlab pour faire l’apprentissage d’un réseau de neurones.

Nous présentons les résultats de l’application de la transformation de radon et de l’ACP. Ensuite. La manuscrit qui représente notre travail sera organiser de la manière suivant : Le premier chapitre a été réservé a une introduction générale sur le radar. nous allons présenter la technique d’identification des cibles (IFF). Les étapes de prétraitements des images ISAR (extraction des caractéristiques. et les équations radar. ainsi que l’interface utilisateur de notre application C++. Le troisième chapitre a pour but de présenter la méthode de classification par une approche neuronale basée sur l’algorithme de rétro-propagation. la composition d’un radar.inconnue. Le dernier parti. Nous terminons ce mémoire par une conclusion générale. Nous allons aussi présentée dans ce chapitre l’effet doppler et les applications des radars. sont aussi exposées dans ce chapitre. Le fondement mathématique de l’algorithme a été présenté. réduction de la taille des données. de Type C++. le classifieur neuronal sera exporter vers une application. . Pour réduire la probabilité de fratricide causé par un des inconvénients de l’IFF nous allons présenter le système d’identification des cibles non coopérative basée sur la classification des images des cibles de type ISAR. Dans le deuxième chapitre. Ultérieurement. est la présentation de la réalisation finale de l’exportation du réseau. Puis nous citons les différents facteurs qui influent sur la classification neuronale. sélection des caractéristiques…). sur des images ISAR. Nous allons parlée des principes de fonctionnement d’un système radar. qui se charge de faire l’identification automatique. Le quatrième chapitre est consacré aux résultats d’application. nous parlons de la conception de notre réseau de neurones et la mise en œuvre de ce dernier. ses avantages et ses inconvénients. à la fin de ce chapitre nous donnons la procédure d’établissement d’un classifieur à base de réseau de neurones. ainsi que son application en classification.

les fréquences radar 4.l’effet doppler 6.composition d’un radar 3.équation radar 7.notation sur les performances des radars 9.la surface équivalent radar 8.caractéristiques d’un système radar 5.CHAPITRE I : Généralités sur les radars 1.généralité sur les radar 2.application radar .le bruit 10.

un faisceau d’ondes électromagnétiques. De plus. le principe est la détermination de la présence et la localisation d’un objet en utilisant les échos des ondes radio.1. le seul écho intercepté par le radar est celui réfléchi dans la direction de son récepteur. Pour extraire le signal utile des . Cette énergie se propage dans l'aire à une vitesse proche de la vitesse de la lumière c. 9 Radio : le radar utilise des ondes radio électriques. leur position. Ensuite. la mer ou les nuages. nous essayons d'exposer les caractéristiques d'un tel système et aussi présenté l'effet doppler. ainsi que les équations radar. c'est-à-dire la révélation de la présence d’une cible. leurs vitesses et éventuellement d'identifier leurs caractéristiques. Généralités sur le radar : 1. notion sur performances des radar et les applications du radar. Dans ce premier chapitre nous allons parler sur le principe et la composition d'un système radar. qui est ″ RADIO DETECTION AND RANGING ″. C'est un système qui utilise les ondes électromagnétiques à fin de détecter l'existence de cible. Ces signaux interférant. Le terme radar est lié à son mot d’origine. le récepteur rajoute des bruits aléatoires au signal reçu. 1. La réflexion se fait dans plusieurs directions suivant la forme de l'objet. la plus grande partie de l'énergie délivrer par le radar est transmise dans la direction du lobe principale de l'antenne. Le développement du radar. le bruit. Principe du radar : L’émetteur diffuse au moyen d’une antenne. 1. peuvent nuire à la détection des cibles. où il a connu un progrès considérable. durant la deuxième guerre mondiale. l'énergie reçue des différents échos est amplifiée et filtrée. L’antenne capte le signal écho.Définition du radar : RADAR est une abréviation de RADIO DETECTION AND RANGING. Malheureusement.2. A la réception. ce signal va donc indiquer la présence de la cible [1]. 9 Détection : le rôle essentiel de radar est la détection.Introduction: Ce chapitre a été élaboré dans le but d'étayer le principe de fonctionnement du système radar. est due en premier lieu. appelés clutters. le radar peut recevoir une partie de l'énergie réfléchie par le sol. a la révélation technologique qui a pris place en XX siècles et surtout. 9 Ranging : indique les paramètres qui caractérisent la cible.

Compositions d’un radar : Le fonctionnement du radar correspond au schéma donné à la figure (1. et en particulier de la place disponible.1) : Antenne SerovMé i Duplexeur Émetteur pilote Récepteur Traitement du Signal Traitement de l’information Interface Homme/ Machine Fig. • L’antenne : le radar est doté d’une antenne directive. Ses caractéristiques dépendent essentiellement de l’application. Ce seuil doit être soigneusement choisi de manière à avoir un minimum probabilité de fausse alarme [2]. il doit offrir une isolation parfaite entre les deux étages émetteur et récepteur. On recherche généralement à obtenir des faisceaux étroits pour mieux localiser la cible. des traitements sont effectués. 2. Son rôle est d’aiguiller l’énergie émise de l’émetteur vers l’antenne et le signal reçu de l’antenne vers le récepteur. La distance entre le radar et la cible est calculée a partir du temps nécessaire a l'onde pour parcourir le trajet aller retour entre le radar et la cible. le signal résultant est comparé à un certain niveau de référence appelé le seuil de détection. permet de détecter et de localiser une cible.1) Ou c est la vitesse de la lumière et R la distance radar cible [3]. • Le duplexeur : cet élément hyperfréquence autorise l’utilisation de la même antenne à l’émission et à la réception. Cette distance est proportionnelle à cette durée et vaut: ∆ t1 + ∆ t 2 = 2R c (1. car le premier gère des puissances .1.1: Schéma synoptique d’un radar moderne.interférences.

. Après changement de fréquence. c’est à dire de décider si le mélange résultant contient ou non des cibles utiles .de l’ordre du mégawatts. amplifie le signal recu pour permettre un traitement ultérieure.L’onde d’émission : est obtenu par battement (transposition) de l’onde OL et de l’onde FI. • Le récepteur : Le récepteur radar est du type hétérodyne (avec changement de fréquence) avec en plus souvent un étage amplificateur hyperfréquence (faible bruit) En tête. alors que le second se caractérise par une sensibilité de quelques nano watts. et d’exploiter les informations d’autre part. • • • Système de traitement de l’information: Ce système manipule les données à partir des informations brutes fournies par le système de traitement du signal.L’oscillateur local (OL) utilisé par la réception super hétéro type du radar. Le pilote : c’est un sous-ensemble qui génére l’ensemble des signaux des références nécessaires au fonctionnement du radar c’est–à-dire : . vitesse doppler. . voire des pico watts. L’exploitation de ces informations se fait généralement sur oscilloscope cathodique sur lequel sont inscrites des informations (soit des informations brutes ou des informations synthétisées).L’onde FI (fréquence intermédiaire) qui servira à démoduler le signal après réception. sa sensibilité est de l’ordre de 10-14 W. Le recepteur. • • L’émetteur : L’émetteur est le générateur de l’onde radioélectrique émise par le radar. qui doit être linéaire dans toute. L’interface Homme/ Machine: L’interface Homme/Machine est un élément qui permet de commander le fonctionnement du radar d’une part.Les horloges de base du radar.).Mesurer les paramètres de ces cibles (distance. • Traitement du signal : Les signaux fournis par le récepteur sont composés de signaux utiles (échos de cible) mélangés à des signaux parasites. Le rôle du traitement de signal est : . où FD est la fréquence doppler du signal. Le Servomécanisme: à partir des informations fournis par le calculateur. le servomécanisme commande la position de l’antenne. . la fréquence du signal devient alors FI+ FD. . écarts angulaires … etc.Détecter les cibles utiles.la dynamique de réception.

Il se manifeste par un décalage en fréquence du signal reçu par rapport au signal émis proportionnel à la vitesse radiale de la cible (si le radar est fixe): fd = 2Vr . La vitesse des cibles est déterminée grâce à l’effet doppler.1 illustre l'allocation de chaque bande de fréquence avec leurs symboles correspondants.1 : Fréquences radar.2) Cette relation permet de déduire la vitesse radiale Vr d’une cible radar en fonction de la fréquence porteuse f . .La synchronisation entre l’émission et la réception est nécessaire pour le calcul des distances. La vitesse de propagation c et de décalage en fréquence f d . Désignation de la bande HF VHF UHF L S C X Ku K Ka Plage des fréquences 3-30 MHZ 30-300 MHZ 300-1000 MHZ 1-2 GHZ 2-4 GHZ 4-8 GHZ 8-12 GHZ 12-18 GHZ 18-27 GHZ 27-40 GHZ Tab. 3. La table 1.Fréquences radar : La désignation de la bande de fréquence radar est spécifiée par un accord international. f c (1.1.

f e . relation entre l'antenne émettrice et l'antenne réceptrice.L’effet Doppler : Lorsqu’une cible. soit parce qu’elle se déplace. 4. où pour caractériser celle-ci.. Mode a impulsion : il travaille sur le principe de l'émission de courtes impulsions d'énergie. ¾ Les radars à ondes continues. éclairée par un émetteur radar et lorsqu’elle est mobile par rapport à ce dernier. si elle se déplace par rapport à son environnement. si le rapport auquel les impulsions émises est petit.…. Ceci peut être utilisé pour mesurer la vitesse relative radar cible. soit parce que le radar se déplace. Le radar a ondes continues émet un signal de façon continue. il est principalement utilisé pour la mesure de la vitesse et la poursuite de cible.t − 2π λ . la bande de fréquence utilisée.Types de radar Les radars peuvent être classés suivant plusieurs caractéristiques (mission de radar. l’onde quelle renvoie vers celui-ci est affectée d’effet Doppler. sinon ce sont des mesures formes d'ondes doppler (mesures de vitesse). Le radar a impulsions illumine la cible en émettant de courtes impulsions suivant une fréquence de répétition (PRF).4. S’il y a une cible à une distance D0. celle ci renvoie un écho qui donne à la sortie du récepteur du radar un signal de la forme : S 0 = cos( 2π .2. Cependant la classification la plus commune est basée sur le mode de transmission du signal.1. 5. il peut atteindre une bonne résolution en portée des signaux émise a impulsions et une grande capacité de discrimination en fréquence des signaux a ondes continues.etc).Caractéristiques du système radar : 4. alors les premières mesures faites sont celles de la portée et la position angulaire.Modes d'émission du radar: Il existe trois modes principaux modes d'émission: Mode en onde continue : la forme la plus simple d'un signal a onde continue est la forme sinusoïdale.2 D0 ) (1-3) . Deux grandes familles sont distinguées : ¾ Les radars à impulsion. Mode pulse-doppler : c'est un type spécial de signaux. Considérons une antenne radar qui émet une onde de fréquence fe que nous supposerons pour le moment rigoureusement constant.

t1 On voit que S1(t) et S0(t) sont déphasés.G 4π .4) V est la vitesse radiale de la cible (V sera positive si la cible se rapproche. cette puissance exprimée en W/m2 est : P2 = (1-9) Puisque l’angle solide unité découpe sur une sphère de rayon une surface R2. soit à une variation de fréquence fd : ω angulaire φ1 = 2π .t 1 .t1 (1.G 4π P. . La puissance rayonnée par unité d’angle solide dans la direction où le gain est G.Le terme correspond au déphasage dû a la propagation le long du trajet aller retour.t − .t1 D’où la fréquence doppler sera de la forme : f f + − (1-7) Cible ce rapproche Cible s’éloigne 6. d’après la définition du gain : P1 = P .5) φ1 = λ 2( D0 − D1 ) = λ 2.R 2 (1-8) A une distance R où se trouve une cible.D0 λ Au bout d’un temps t1. la cible se trouve à une distance D1 et le signal reçu aura la forme suivante : 2π ⎛ ⎞ S1 (t ) = cos ⎜ 2π .6) Mais la variation de la phase φ1 correspond à une variation de fréquence Avec φ = ω . 4π . f e .V . qui peut fonctionner en impulsions ou en ondes continues. nous aurons : D0-D1=V. négative si elle s’éloigne). Ce radar est équipé d’une antenne qui présente un gain G. l’un par rapport à l’autre d’une quantité : 2π 2π (1. f d .Equation du radar : Considérons un radar.2 D1 ⎟ λ ⎝ ⎠ (1. Soit P la puissance totale rayonnée par l’antenne : P sera la puissance crête dans l’impulsion ou la puissance de l’onde continue.

G 2 .15) 7. . qui est proportionnelle à P2. 4π 4π (1. σ : est appelé la surface équivalente radar ( SER ) de la cible par unité d’angle solide. P. nous aurons donc une puissance : P4 = P3 σ .La surface équivalent radar : La connaissance de la SER de la cible. Cependant si la cible était ponctuelle.σ λ2 .10) Cette puissance P4 donne au niveau de l’antenne du radar une densité surfacique de puissance: P4 = Pour la même raison que ci-dessus.G.λ2 .G ∑ eq = 4π (1.∑ eq λ2 (1.R) 2 (1.P2 P. est très difficile à prévoir à priori avec exactitude compte tenu de l’extrême sensibilité de cette valeur aux différents paramètres à prendre en compte.G.12) De telle sorte que l’antenne se comporte.σ = = 4π 4π (4π .R ) 2 R 2 W /m2 (1.11) Cependant le gain G de l’antenne est lié à sa surface équivalente de réception (∑eq ) Par relation : G= 4π .σ 1 .σ (4π ) 3 R 4 (1.G. ( 4π .G . Elle est généralement obtenue par des mesures.13) Il s’ensuit que le signal S délivré par l’antenne est le produit de la densité de puissance P4 par ∑ eq . elle renverrait dans l’espace une certaine puissance P3.P2 . soit : P3 = σ . ce qui donne : S= P.Une partie de cette puissance incidente est rayonnée par la cible dans toutes les directions.14) Soit: S= P. pour une onde plane comme une ouverture absorbante de surface : λ2 .

Seule la puissance réfléchie vers l’émetteur participe dans la valeur de la SER.16) Cette équation est valable juste pour les cibles qui rayonnent de façon isotropique et dans la direction de l’émetteur.Γc .1.Portée : On appelle portée d’un radar. L’intensité de l’écho capté varie et passe par un maximum lorsque ces deux directions sont confondues. 8. 9 Γc : La réflexivité de la cible : puissance réflechie Γc = puissance incidente (1-17) 9 Gc : Le gain de la cible dans la direction de l’émetteur.Notions sur les performances des radars [4]: 8.La SER d’une cible est définie comme le rapport entre la puissance réfléchie de la source [5]. L’antenne n’émet que dans un domaine angulaire restreint.Localisation en angle : La directivité de l’antenne émettrice permet d’effectuer une localisation angulaire. à la puissance incidente.Gc Où : 9 Ac : La surface de la cible vue dans la direction de l’émetteur. σ = 4π ⋅ puissance réflichie / unité d ' engle solide puissance incidente / unité de surface (1. la Réflexivité et le gain de la cible dans la direction de l’émetteur: σ = Ac . la distance maximale à laquelle on peut détecter ou bien suivre une cible donnée. La distance est obtenue en général par la mesure de délai de transmission de l’impulsion. .2. Donc la SER est formée par trois paramètres principaux: la surface de la cible. Suivant l’écart relatif entre la direction vers laquelle est pointée l’antenne et celle de l’obstacle. 8.

Ces deux cibles peuvent être discriminées que par la langueur λr de l’impulsion.Le bruit : Dans la réception du signal utile. Ces paramètres sont appelés «bruit » ou parasites au sens général.2). La figure montre qu’on a deux cibles situées dans la même direction mais à distances voisines. un certain paramètre limite la sensibilité du radar.Cette résolution en distance dépend de la largeur de l’ impulsion et donc de sa durée 9.1.3: Résolution en distance.8.1. est le C temps de trajet radar cible aller et retour. Cible1 Impulsion émise Écho cible1 écho cible2 Cible2 T Écho effectivement Fig. λr est appelée la résolution en distance radar . donc ils sont des facteurs gênant et il ne suffit pas d’évaluer la capacité de détection du radar à partir de la puissance reçue. Un bruit est un phénomène aléatoire et gênant qui accompagne une information utile en la .3.2 : Localisation en distance. T impulsion émise Radar Impulsion réfléchie Cible T Fig.Localisation en distance : Le retard dans la réception du signal retour permet d’opérer une localisation en distance (voir figure 1. L’impulsion revient après un temps τ (t ) : τ (t ) = 2R où R est la distance radar cible.

ils peuvent masquer l’écho utile.dénaturant.1.diffusion est beaucoup plus fort de plusieurs ondes de grandeur supérieure au niveau des cibles utiles. Les différents types de bruit sont : le bruit interne du radar ou bruit thermique. 9. les échos parasites dus à l’environnement naturel appelé (fouillis ou clutter).2.Le bruit thermique : Il est due à l’agitation thermique des conducteurs et résistances .On peut citer aussi des bruits qui se trouvent aux bornes d’un dipôle et des bruits générés par un quadripôle. son spectre est généralement plus étroit. il suit une distribution log–normal. il est caractérisé par : 9 9 une répartition volumétrique plus ou moins uniforme. Clutter de sol: Le clutter du sol a des propriétés très différentes de celles du clutter atmosphérique: 9 9 sa densité de probabilité suit une loi gaussienne. Cette définition implique que le bruit est une notion subjective. Le clutter de sol est caractérisé par un coefficient de rétro diffusion qui dépend évidemment de la nature du sol et de la longueur d’onde.Il permet de limiter la sensibilité absolue du récepteur . 9. Clutter de mer : Le clutter de mer est intermédiaire entre les deux précédents clutters. . une vitesse propre (celle du vent) suffisante pour qu’il se distingue du clutter de sol. Ces échos. repartis de façon plus ou moins aléatoire et plus ou moins dense. Par mer plus forte (>4) on l’assimile au clutter de sol et on utilise l’effet doppler. mais le niveau de rétro.Parasites extérieurs (Clutter) : Les échos parasites ce sont des échos de tout objet autre qu’une cible constituant une gène. On a plusieurs types de Clutter citant quelques types : Clutter atmosphérique: Ce clutter est dû à la réflexion des ondes sur les nuages. sont désignés sur le nom Clutter. il se rapproche du clutter atmosphérique. ce qui est bruit pour l’un ne peut être bruit pour l’autre. en cas de force de mer moyenne ou faible (<4).

Deux cas peuvent se présenter : • En absence du signal utile. le signal reçu est formé du signal utile plus du bruit (signal composite). Les system d'alerte de défense. et qu’on décide qu’il y a cible. L'assistance pour atterrissage des véhicules sur la lune. On dit qu’il y a fausse alarme. le signal composite peut dépasser au moins le seuil imposé. Pour détecter le signal utile. 10.3. le signal composite est comparé après détection à un seuil qui permet de décider s’il y a ou non présence de cible. Son développement rapide qualitativement et quantitativement démontre le grande intérêt a celui-ci. le radar a été développé aussi bien sur le plan théorique que technologie. Durant la deuxième guère mondial. ses applications civiles sont devenues plus répandues. d’où la notion de probabilité de détection.Aspect probabilistique du signal radar : En pratique.9. • En présence du signal utile. Il s’en suit la notion de probabilité de fausse alarme qui est la probabilité pour qu’une pointe de bruit dépasse le seuil imposé. La navigation aérienne. Les mesures de portée et de vitesse pour les besoins de contrôle de vitesse par la police. le bruit peut dépasser le seuil imposé. qui est la probabilité pour que le signal composite dépasse le seuil imposé. La navigation maritime. .application radar: Les premières applications du radar étaient dans le domaine militaire. Parmi ses applications on peut citer: Le contrôle du trafic aérien. alors qu’il n’y en a pas. Par la suite.

les techniques utilisées ont contribué a élargir le domaine d’utilisation du radar. Lorsque ces ondes rencontrent un objet elles s’y réfléchissent formant un « écho radar». à l’exploitation de l’espace … etc. L’antenne capte le signal d’écho. Les progrès récents notamment.Conclusion : Ce premier chapitre a été réservé à une introduction générale sur le radar et ses principes de fonctionnement. Ses applications se sont étendues de l’observation des missiles et des satellites. La détection par le radar se fait par simple principe. qu’est une des applications majeures du radar. . ce signal va donc indiquer la présence de cible. Nous parlons dans le chapitre suivant de l’utilisation des images ISAR. dans l’identification des cibles. il suffit d’émettre au moyen d’une antenne un faisceau d’ondes électromagnétiques dans une direction souhaitée.

principes de fonctionnement des radars imageurs SAR et ISAR 4.CHAPITRE II: Systèmes d’identification des cibles 1.Identification des cibles au moyen des systèmes IFF 2.Reconnaissance des cibles non coopératives 3.Les opérations de pré-traitement effectuées sur les images ISAR .

La conséquence est que l'avion est trop proche une fois qu’il est reconnu visuellement. qui se constitue de deux parties : un équipement sol et un autre embarqué. Enfin. . ce dernier mesure la distance l’azimut décode les réponses pour déterminer l’identité. Ils peuvent voler à des vitesses supersoniques et la portée de leurs systèmes d'armes a augmenté considérablement. Quand un dispositif volant pénètre le champ de rayonnement de l’antenne d’émission. l’altitude du dispositif et enfin transmet ces données vers la visualisation.1) représente le système radar de surveillance secondaire (Secondary Surveillance Radar / SSR). Juste avant le début de la deuxième guerre mondiale. et module son propre émetteur pour répondre par signal de réponse modulé avec une fréquence de 1090MHZ. restent toujours employées. Ce chapitre contient trois partie.Principe de fonctionnement: La figure (2. la reconnaissance d'avions n'a pas posé des problèmes sérieux: La distance à laquelle un avion pouvait visuellement être identifié était considérablement plus grande que la portée des systèmes d'arme à bord de l'avion. tous les avions de chasse ont des formes comparables.Identification des cibles au moyen des systèmes IFF 1. L’équipement au sol émet des impulsions énergétiques à travers un faisceau directif de l’antenne tournante. Actuellement. la reconnaissance à partir de chacune des caractéristiques était facilitée par la faible vitesse des cibles. Des versions améliorées de la technique la plus importante: identification amiennemi (IFF. Identification Friend-Foe). En outre. ainsi que l’utilisation de ces derniers dans la surveillance de l’espace aérien.Introduction : Pendant la première et deuxième guerre mondiale. la premier partie à été élaboré dans le but d’étayer le principe de fonctionnement du système radar secondaire (IFF). La cible était facilement reconnaissable au moyen de signes montrant sa nation d'origine et par ses emblèmes d'escadron. les premiers systèmes ont été développés pour examiner l'identité d'une cible aérienne. Dans la deuxième partie nous allons parlée sur le radar imageur ISAR. la forme de la cible était généralement spécifique à son origine. avec une fréquence de 1030MHZ. et les inconvénients des radars secondaire (IFF). La troisième partie réservée pour les opération prétraitement des images ISAR (extraction des caractéristiques. principe de son fonctionnement et sa résolution en distance. et traité par un extracteur de plots. l’équipement embarqué connu sous le nom de transpondeur détecte le signal d’interrogation émis. réduction de la taille des données et sélection des caractéristiques) 1. qui sera détecté par l’équipement au sol.1.

1: Schéma synoptique général. constitué d’un lobe principal étroit et des lobes secondaire très faibles. Des réponses excessives peuvent être obtenues de l’aéronef par conséquent le nombre d’aéronefs pourrait être exagérés et la vraie direction de l’aéronef peut être fausse. et un gain plus grand dans toutes les directions restantes.2). . Fig.En comparaison avec le radar primaire. Voir la figure fig(2.Caractéristiques des antennes: L’antenne de l’interrogateur possède deux faisceaux principaux : .Le faisceau d’interrogation : caractérisé par un très grand gain. la puissance du transpondeur permet au signal réponse d’être modulé de sorte que l’information additionnelle de l’identité et l’altitude de vol soit communiquée entre le dispositif volant et l’interrogateur.2. La détection des aéronefs qui se déplacent prés du radar est exclusivement dépendante de la direction du signal réponse par rapport à la direction des lobes secondaires du faisceau d’interrogation sans mesures spéciales. .2. Le système SSR dépend complètement du bon fonctionnement du transpondeur [6]. 1. le radar secondaire utilise des puissances d’émissions moins importantes.Le faisceau de contrôle : large avec un faible gain dans la direction du faisceau d’interrogation. pour éviter ceci le faisceau de contrôle est utilisé pour empêcher l’aéronef d’émettre ses réponses vers la direction des lobes secondaires [6].

tel que l’impulsion P2 est relativement grande par rapport à P1 dans toutes les directions sauf dans la direction du lobe principal du faisceau d’interrogation.2. déterminer si une réponse de sa part est exigée ou non. La durée des impulsions est de 0. dont l’espacement définit le mode d’interrogation. L’impulsion P2 est rayonnée par le faisceau de contrôle. tel que les impulsions P1 et P3 sont émises par le faisceau d’interrogation de l’antenne. des temps de descente compris entre 50 et 100 ns.2. et à cause de ceci le transpondeur aéroporté peut savoir si le signal qu’il reçoit provient du lobe principal ou des lobes secondaires. la figure ( Fig. La figure (2.2 MHz. .1µs avec des temps de montée compris entre 50 et 200 ns. Par ce processus les réponses aux lobes secondaires sont supprimées et ceci est connu sous le nom « suppression de l’effet des lobes secondaire » « ISLS ou SLS ».3) nous donne les caractéristiques de ce signal. Le signal d’interrogation est caractérisé par : - Une fréquence d’émission de 1030 ± 0.2: Les signaux d’antennes 1. Il peut donc.8 ± 0.3.Signal d’interrogation : Le signal émis par la station au sol est appelé signal d’interrogation.2) nous explique comment l’amplitude relative des impulsions change avec la direction de l’antenne.Fig. Une paire d’impulsions P1 et P3. L’espacement entre ces deux impulsions détermine le contenu de la donnée « réponse du transpondeur ».

2 Modes militaires Utilité Varie d’une force aérienne à une autre Description des principaux modes : Mode 1 : Ce mode.2. 2 et 3.2. de contrôler l'ensemble des aéronefs qui l'environnent. quelles que soit leurs appartenances. Espacement entre P1 et P3 en µs 8 ± 0. permet á un interrogateur. désignés par A.Pour les applications civiles du radar secondaire.1 8 ± 0. d’une unité aérienne ou d’un dispositif. Ce mode commun. Le mode A est celui universellement adopté pour l'identification.1 : Modes civils. qu'il soit civil ou militaire. Désignés par 1. souvent appelé 3/A. B. il est utilisé pour une identification plus détaillée de l’aéronef. à usage militaire permet l’identification tactique ami/ennemi d’un aéronef.1 21± 0. auxquels correspondent les espacements suivants de la paire d’impulsion voir le tableau (2-1). Mode d'interrogation A B C D Utilité Identification Identification Altitude Rarement utilisé Les applications militaires ont 3 modes conventionnels non sécurisés. Les trois modes sont présentés par la figure (2-3) .1 5 ± 0.1 Tab. C et D.1 17± 0. Modes 3 : Les définitions des modes 3 (militaire) et A (civil) sont identiques. ils sont caractérisés par les espacements suivants (voir le tableau 2-2) [6] : Mode d’interrogation 1 2 3 Espacement entre P1 et P3 en µs 3 ± 0. Mode 2 : Ce mode est aussi à usage militaire seulement. il y a 4 modes d’interrogation.1 Tab.1 25± 0.

à moins que l'intervalle de validité du code soit extrêmement court.3: Définition des modes militaires 1.Signal de réponse : C’est un signal hyperfréquence modulé en impulsions. la modulation comporte toujours une paire d’impulsions dites d’encadrement. En conséquence. Beaucoup de systèmes d'IFF en service sont anciens et ne possèdent pas de cryptage ou disposent de système de cryptage qui ne peut plus être complètement efficace. Même avec le cryptage. Ainsi les 12 positions permettent de coder un mot de réponse de 12 bits (présence d’impulsion c’est-à-dire « 1 ». le procédé d'interrogation peut être défaillant . 1. un avion militaire hostile peut être équipé d'un tel transpondeur pour apparaître comme étant un avion civil.45µs. ces systèmes peuvent être trompés. La fréquence adoptée est de 1090±3 MHz. De plus. L’impulsion centrale appelée X n’est pas utilisée. Ainsi.5.Mode1 Mode2 Mode3 Fig.3µs. appelées F1 et F2 espacées de 20.Inconvénients de system (IFF): Les systèmes IFF ont des limitations.4.2. Entre ces impulsions ils existent 13 positions possibles d’impulsions au pas de 1. Un autre inconvénient des systèmes IFF réside dans le fait que des avions civils sont équipés de transpondeurs conformément à des normes internationales en vigueur. absence c’est-à-dire « 0 ») soit 212= 4096 réponses différentes [6]. il est encore possible qu’un avion hostile intercepte et retransmette une réponse d'un avion ami. Dans ce cas l'avion hostile passe pour un avion ami.

81 passagers sont morts. 1980 : Un avion italien DC-9 de passagers a été abattu par un missile près de la Sicile. ou le transpondeur peut simplement être défectueux. Si un objet non identifié se déplace hors d'un tel couloir. le transpondeur à bord de l'avion p e u t être surchargé avec des interrogations d'IFF. Dans son livre sur la reconnaissance radar. il peut y avoir des problèmes pratiques graves assurant la pleine interopérabilité entre toutes paires d'interrogateurs et transpondeurs. Cinq hommes sont morts.même si l'avion est effectivement ami. avec des exemples d’incidents connus dans les années: 1973 : les égyptiens ont abattus un nombre très important de leurs propres avions. on "écoute" les signaux radio et radar qui proviennent de l'avion. L'avion a été incorrectement identifié comme étant un avion de type F-14. à savoir "ceci est un avion hostile" peut mener au fratricide (l'élimination d'un avion ami). ces méthodes et procédures ne sont pas suffisantes pour faire face aux problèmes d’identification au moyen des systèmes IFF. incorrecte du type d'avion sont supposées être la cause. un avion Iranien de passagers de type Airbus a été abattu par un missile standard SM-2 lancé à partir du croiseur USS Vincennes. Les hélicoptères ont été incorrectement . Enfin. la clef crypto peut être affichée incorrectement. Des sources supplémentaires d'information peuvent être utilisées pour réduire la probabilité d'une décision incorrecte. Dans cette dernière technique. Quatorze hommes sont morts. en particulier dans des opérations militaires multinationales. Une option additionnelle serait les conventions sur des couloirs qui ne doivent pas être quittés par les avions amis. la conclusion tirée de l'absence d'une réponse correcte. Si la boucle d'interrogation d'IFF est interrompue pour n'importe quelle raison. Nebabin [7] énumère plusieurs incidents d'identification incorrecte Le missile a été tiré par erreur en raison de l'IFF incorrecte et de la discrimination du type d'avion. 298 personnes sont mortes. telle que les services de renseignement et les mesures électroniques de soutien (ESM : Electronic Support Measures). il est probable que ce soit un objet non-ami. d'avions. L'échec peut également être provoqué par un brouillage hostile. 1994 : Deux hélicoptères des USA ont été abattus en Irak par deux avions de chasse L'IFF et la reconnaissance F-15 des USA. 1992 : Un hélicoptère de la mission des observateurs de la Communauté européenne en Yougoslavie a été abattu à 80 kilomètres au nord de Zagreb par un missile lancé à partir d'un avion yougoslave. Enfin. 1988 : Dans le golfe Persique. Par exemple.

laser) n'ont pas la même portée et/ou n'ont pas les mêmes capacités « tous temps ». Une enquête minutieuse sur cet incident a montré que la clef IFF turque a été employée. dans les techniques de reconnaissance positive d'ennemi ou la reconnaissance de cible non coopérative (NCTR : Non-Cooperative Target Recognition).1-Définition : L’utilisation des techniques de reconnaissance des cibles non coopératives vise la reconnaissance des cibles sans leur participation active. il y a quelque temps. • Les techniques de la deuxième famille classifient une cible sur la base de son image radar. 2.Techniques de reconnaissance des cibles non coopératives : Plusieurs types de signatures radar peuvent être utilisées pour obtenir des informations sur les caractéristiques de la cible. L'idée fondamentale de ces techniques est basée sur le fait que la géométrie d’une cible donnée ou ses parties mobiles imposent au signal radar réfléchi des caractéristiques qui sont spécifiques à l'objet. Les méthodes de classification . aucune réponse n'a été retournée une fois que les hélicoptères étaient en Irak. infrarouge. Ces caractéristiques peuvent alors être utilisées pour classifier la cible [8]. ou simplement des profils en portée. les deux hélicoptères franchirent la frontière irako-turque. Le radar est un instrument très attrayant pour la reconnaissance de cibles non coopératives. En conséquence. C’est la dernière technique qui est la plus utilisée. Pour réduire la probabilité du fratricide. Des images bidimensionnelles de l'avion peuvent être produites à l’aide de la technique du radar à ouverture synthétique inverse à deux dimensions (2D-ISAR). ce qui rend possible la mesure des signatures pour la reconnaissance des cibles. de jour et de nuit. D'autres détecteurs (optique.2. • Les techniques du premier groupe sont basées sur le fait que le rayonnement du radar est réfléchi par les parties en rotation des moteurs. des recherches ont été effectuées.identifiés en tant qu’avions irakiens.Reconnaissance des cibles non coopératives: 2. Les images unidimensionnelles sont des profils en portée du radar à haute résolution (HRR). tandis qu’au moment où elle devait être commutée à la clef irakienne. Il peut détecter et poursuivre un avion sur des grandes distances (jusqu'à plusieurs centaines de kilomètres) dans des conditions atmosphériques défavorables. Des développements technologiques importants dans l’équipement du radar ont été accomplis ces dernières décennies. Les méthodes les plus importantes dans le domaine de la reconnaissance des cibles peuvent être subdivisées en deux familles. des rotors d’un hélicoptère ou des lames du réacteur dans un moteur d’avion. Elles dépendent du type de signature utilisée. 2.

4: Profil en portée d'un avion vu du côté gauche. un système de classification peut être conçu pour reconnaître les cibles. Un HRR est un radar tel que la cellule de résolution en distance est largement inférieure à la taille de la cible. Les réflecteurs importants ou les structures de l'avion qui donnent lieu à une réflexion élevée de radar. Les réponses des diffuseurs de l'avion (points) sont projetées sur la ligne visée. . 2. Les profils contiennent des informations sur la géométrie de la cible et peuvent donc caractériser le type d'avion. Fig.1.2.4).Radar Haute Résolution : Profil en Portée [8] Les profils en portée acquis au moyen d’un radar à haute résolution (HRR) sont essentiellement des images unidimensionnelles des cibles. Cette performance est obtenue par l’emploi des techniques de compression d’impulsion ou les ondes millimétriques.qui seront développées dans les sections qui suivent sont basées sur le traitement des images de type 2D-ISAR. ayant pour résultat un profil radar en portée.2. Sur la base des profils précédemment mesurés.2. sont projetés sur la ligne de visée du radar figure (Fig.

2. mais malheureusement la nécessitée d’effectuer beaucoup de pré-traitements avant de passer à la classification à savoir la transformée de radon et le pas choisi. la corrélation) et la taille de la banque de données dont on dispose ont tendances à augmenter le temps d’effectuer le processus de la classification et d’identification d’une telle cible.2.L’image 2D-ISAR [9]: Le radar à ouverture synthétique inverse se base sur le mouvement de rotation de la cible pour reconstituer l’image. Ioannidis [14] montre des résultats de classification basée sur les moments invariants et la détection de . mais de l’autre coté on a toujours des inconvénients qui peuvent ralentir le processus d’identification et de classification. Par conséquent la compensation doit être effectuée en utilisant des techniques d'autofocus où les paramètres du mouvement sont estimés en utilisant les données radar elles-mêmes [11].2. Le problème le plus important en employant les images 2DISAR est la compensation de mouvement [10]. Bachmann et all [13] démontrent comment les objets 2D-ISAR peuvent être classifiés en utilisant trois architectures différentes de réseau de neurones.5: image 2D ISAR L’avantage que donne l’image 2D-ISAR est qu’elle contient des informations détaillées sur la géométrie de la cible. il s’agit de la compensation de mouvement et le temps nécessaire pour effectuer le processus. parce qu’il est clair que la notion d’effectuer des calculs en temps réel soit vérifiée. transformée en ondelette.2. les transformées qui peuvent extraire les caractéristiques pertinentes et réduire la taille de l’image (extraction des contours. analyse en composantes principales. l’image ISAR est une représentation 2D de la distribution de la SER de la cible en portée et dans la direction orthogonale à la ligne de visée. Novak [12] emploie un classificateur de forme statistique sur des mesures de quatre objets différents sur un plateau tournant. Les données usuelles de poursuite ne sont souvent pas assez précises pour produire une image bien focalisée. ce sont les points les plus réfléchissants qui fournissent plus d’informations sur une image 2D-ISAR. Seules quelques publications traitent le problème de la classification 2D-ISAR. Fig.

De nouveaux développements intéressants ont été rapportés par Rihaczek et Hershkowitz dans le domaine de la classification 2D-ISAR par l'utilisation de l’analyse d’image complexe [15]. La différence essentielle réside dans les configurations géométriques.Comparaison des techniques de reconnaissance de cibles non coopératives : Le tableau (Tab.contour des images. Tab.Application sur touts les ongles d'observation.Temps d'observation de la cible long -Base de donnée très importante. 2D-ISAR -Information détaillées sur l'objet. -Base de données très importante.traitement complexe de compensation de mouvement de la cible. de classification et de reconnaissance des cibles non coopératives consiste a détecter la cible et a disposer d'une "image" de cette cible au moyen d'un capteur adéquat. Avantages Inconvénients -Temps d'observation de la cible HRR relativement court.3) récapitule les avantages et les inconvénients des deux techniques de la reconnaissance des cibles non coopératives les plus importantes. . .3.Principes de fonctionnement des radars imageurs SAR et ISAR: La première phase du processus d'identification. les objets sont en mouvement et le radar est fixe. La présente étude est basée sur l'utilisation des images bidimensionnelles (2D). le radar est embarqué sur une plate forme mobile et les objets (cibles) sont stationnaires alors que dans le cas de l'imagerie ISAR.2. 3. Seuls les mouvement relatifs entre l'objet et le radar présent une importance pour la construction de l'image de l'objet. . Dans le cas de l'imagerie SAR. 2. .3 : comparaison des techniques de classification Il est clair qu’une image (2D) contient beaucoup plus d'information qu'un simple relevé de profil en portée (1D) et devrait donc permettre de réduire les erreurs de classification. Les techniques SAR et ISAR sont fondées sur la même théorie de base.2.Image dépend de la mouvement de cible. Des images radar haut résolution (2D) peuvent être obtenues en utilisant des radars a ouverture synthétiques (SAR) ou a ouverture synthétique inverse (ISAR). .

.). distribué selon une loi gamma de moyenne unité et de variance égale à l’inverse du nombre équivalent de vues indépendantes (Equivalent Number of Indépendant Looks ENIL). Dans l’imagerie SAR. (la faible sensibilité aux conditions atmosphériques qui est fondamentale surtout pour les zones tropicales qui sont souvent sous les nuages). transport de troupes…etc.Avantages du radar SAR et ses applications : Le radar Imageur SAR reste un instrument unique en télédétection de part de son aspect actif et ses avantages: .Le radar à ouverture synthétique SAR est un instrument actif. L'antenne du radar embarqué est montée de telle manière que le rayonnement se fait dans la direction perpendiculaire à la direction de déplacement. comme la végétation. Les structures dans les images SAR donnent d’importantes informations contextuelles utiles pour la détection et la classification des entités.1. les images SAR sont dégradées par un bruit spécifique appelé « SPECKLE ».Sa grande portée. 3. les zones industrielles et de cibles militaires (chars. .Principe de fonctionnement des radars SAR: Le radar à ouverture synthétique ou le SAR est l’une des techniques les plus utilisées en imagerie radar.6 : Géométrie du radar SAR 3. Fig.1. bateaux. le speckle est généralement modélisé comme un fort bruit multiplicatif. utilisé pour l’observation de la surface terrestre. La figure (Fig. Cependant.1.Sa capacité de fonctionnement en tout temps.2.6) montre une plate forme se déplaçant à une vitesse V constante le long d'un trajet rectiligne. L’image SAR est obtenue grâce au fait que l’antenne du radar (embarquée sur un avion ou un satellite) effectue un balayage de la surface de la cible éclairée. les zones urbaines.2. à cause de la nature cohérente de l’onde radar. permettant l’acquisition des images de très haute résolution par tout temps.

4) K ∈ [0. ou dans le domaine militaire pour l’observation et la surveillance des territoires.2. Résolution orthogonale : Pour avoir un lobe très étroit (une bonne résolution orthogonale) il faut une antenne réelle de grandes dimensions. la résolution en distance est donnée par : δ d = [(c. et les techniques numériques (codage binaire de phase).9. L’imagerie radar de type SAR a trouvé de très nombreuses applications que ce soit dans le domaine civil pour la détection d’icebergs. ainsi que l’identification et la classification de cibles [16].Possibilité de très haute résolution spatiale par l’intermédiaire du traitement complexe du signal issu du rétro diffusion radar.(en générale K=1). .2) Pour améliorer la résolution en distance on utilise la technique de compression d’impulsion.1.La possibilité de contrôle de radiation électromagnétique émise : puissance..[1 / cos(α )] Si le radar est perpendiculaire à la surface rayonnée ( α = 0 ) on aura : (2.1) δ d = (c.1. une résolution orthogonale telle que : δ cr = R * θ g θ g = K [λ (metre) / D(metre)] Rad Où : • • (2. fréquence. l’urbanisme.τ ) / 2 (2. l’océanographie (l’étude des vagues et des courants).). K : Due à la distribution de courant le long de l’ouverture. la cartographie géologique.Résolution du radar SAR : Résolution en distance : Pour avoir une meilleure résolution en distance il faut diminuer la durée de l’impulsion. polarisation.3] . ce qui rend l’opération de montée cette antenne sur un avion ou un satellite très difficile (aérodynamisme.τ ) / 2]. Deux techniques peuvent être utilisées pour la compression à savoir les techniques analogiques (modulation linéaire de fréquence).3) (2. poids …etc. . Une antenne d'ouverture a -3 dB et θ g permet d'obtenir a une distance R du radar. 3.

2. Si l’écho reçu à chaque émission d’une impulsion est enregistré. d = v / f R ou f R est la fréquence de répétition. la sommation de ces (N) impulsions nous donnent l’effet d’un réseau d’antenne linéaire dont la longueur est égale à la distance parcourue par l'avion pendant la transmission du N impulsions. Les (*) de la figure représentent la position de l'antenne du radar a chaque fois qu'une impulsion est émise. 2.7.Enregistrement de l’écho à chaque position du radar (à chaque émission d’une impulsion). Fig.La vitesse v de déplacement est constante.7: Le SAR embarqué sur plate forme déplaçant à une vitesse constante v.L'antenne du radar embarqué est montée de telle manière que le rayonnement se fait dans la direction perpendiculaire a la direction du déplacement (radar a vision latérale "sidelooking radar" ) voir Fig.Le rayonnement est perpendiculaire à la direction du déplacement.Les N impulsions enregistrées sont sommées. 3. 5. d = v * T R .Récapitulatif du procédé: 1. . 2. Donc le radar SAR peut se présenter sous deux formes différentes : . la longueur effective Le est telle que Le = N * d . 4.La longueur du réseau est Le = N * v * TR On considère que le radar SAR est un réseau d’antenne réalisé à partir d’un alignement linéaire de N éléments rayonnants.

8: Principe de focalisation du radar SAR [12] .• Le radar SAR non focalisé vérifiant la condition du champ lointain (onde plane). La résolution orthogonale dans ce cas est donnée par la formule suivante: Rλ 2 δ cr = (2. (cible situant à l’infini). Situation des données sur la surface de la cible avant correction de focalisation Situation des données sur la surface de la cible après correction de focalisation Fig. Il s'agit donc de corriger les phase de chaque signal élémentaire de manière a rendre touts les éléments du réseau résultant a la même distance de la cible. Position actuelle Position corrigée du neme élément Trajectoire Fig.7: Situation des données avant et après focalisation La figure suivante montre comment apporter la correction de phase pour le nième élément de réseau . • Cette limite de résolution peut être surmontée en introduisant un traitement qui tient compte de la position angulaire des cibles par rapport au radar pendant l'éclairement.2.5) La résolution d’un radar non focalisé ne dépend donc pas des dimensions de l’antenne mais elle est plutôt proportionnelle à la distance radar cible pour une longueur d’onde donnée.2.

R non focalisé δ cr = D / 2 S. La résolution orthogonale est alors donnée par la relation suivante : δ cr = Rθ g = D 2 (2.9) montre une comparaison entre les résolution orthogonales d'un radar conventionnel. Touts les échos reçus a partir d'une cible située a cette distance R sont en phase.9: Schéma comparatif entre la résolution de trois types de radar La contrainte qui peut se poser pour le cas d’un SAR focalisé est que on diminuant D.d 2 2R δRn = il lui correspond une différence de phase: δφn = 2π n 2 d 2 .R focalisé Fig.A. mais le gain G diminue. λ 2R (2.6) C'est la correction de phase qu'il faut apporter a chaque élément du réseau synthétique pour que touts ces élément soient a la même distance par rapport a la cible. La figure (Fig. δ cr (m) δ cr = Rθ g Antenne conventionnelle δ cr = Rλ 2 S. or la puissance de l’écho reçu est proportionnelle à G2 et par conséquent le risque de ne pas détecter l’écho augmente à cause Une autre contrainte liée à la fréquence de répétition peut se poser: FR doit être d'une part.(n: ordre de l'élément) lorsque cette correction est apportée le radar a ouverture synthétique est dit focaliser. un radar SAR non focalisé et un radar SAR focalisé en fonction de la distance.L’analyse de cette figure montre que la différence de marche entre le signal réfléchi par l’élément central de la figure et celui réfléchi par le nième réflecteur est telle que: n 2 .7) La résolution orthogonale est d'autant meilleure que la dimension du radar est petite.A.2. la résolution est améliorée.2. .

p FR p R C C ⇒ Max p 2 R Max δ cr 2v (2. Le radar ISAR exploite les mouvements en rotation de la cible au lieu du mouvement de l'antenne de radar. la figure suivante indique la géométrie d'un radar de type ISAR. La figure.suffisamment faible pour évité les ambiguïtés en distance RMax = C . et suffisamment 2 FR grande d'autre part pour évité les ambiguïtés angulaires liée a l'application des «grating lobes» v δ cr indépendante d'une de l'autre.2.8) La portée sons ambiguïtés est la résolution orthogonale ne peuvent être fixée de façon 3. a partir de la détermination de l'ongle d'aspect Ψ pour l'information d'azimut et par le traitement et la composition des données collectées des réflexions. La distance instantanée d'un diffuseur P de la cible est r. La cible dont on veut prendre l'image subit des mouvements de rotation et/ou de déplacement tandis que le radar est stationnaire. les mesures sont prises par rapport à la rotation et la portée de la cible. L'axe des y correspond a la ligne de visée (line-of-sight(LOS)) du radar et R représente la distance radar-centre de la rotation de la cible. Comme la cible en mouvement est située a l'intérieur de lobe du radar.la radar a ouverture synthétique inverse (ISAR) [17]: La technique ISAR (radar a ouverture synthétique inverse) est une simple variante de la technique SAR. L'angle Ψ est l'angle de rotation effectué par la cible. a fin d'obtenir une résolution transversale élevé.(2. la technique ISAR nécessite le mouvement de cible. Direction de Y ' X ' X Radar distance r Fig. par conséquent. En imagerie ISAR. les signaux réfléchis par les différentes surfaces de la cible peuvent être interceptés. Le terme inverse est utilisé parce que l'ouverture synthétique est formée grâce à la rotation de la cible au lieu du mouvement de radar comme dans le cas de la technique SAR. Limage de la cible est formée.11:Géométrie du l'ISAR Y Centre de rotation .11) montre une cible ISAR en rotation observée par le lobe d'un radar stationnaire.2.

sur un segment circulaire.2.13: deux points réflecteurs d’une cible pour le cas de l’imagerie ISAR. La longueur L de l’ouverture SAR de la figure (2. (b) SAR équivalent. une cible identique mais stationnaire. L’image SAR équivalente est illustrée par la figure (Fig. alors que chaque écho reçu d’un point est déphasé par rapport à l’autre.Principe de fonctionnement du radar ISAR: Sur une cible il existe des points fortement réfléchissante.1.2. Fig.12.2. à la réception pour le cas de l’imagerie ISAR on se base sur ces points réflecteurs pour L'extraction de la forme géométrique de la cible [18]. 3.12) montre la collection des données d’une cible aérienne par un radar stationnaire durant la rotation d’un angle Ψ de la cible.12. ces points sont déterminés par la forme de la cible. .12.a) Fig.2. 2.b) correspond à l’angle d’intégration Ψ dans la Figure(Fig.b) Les mêmes données sont obtenues par le mouvement du radar qui survolerait.12: Equivalence SAR/ISAR: (a) ISAR.2.La figure (Fig.

ces fluctuations ont pour conséquences: 1.2. q) : La TF (transformée de fourrier en deux dimensions) de la fonction densité h( x ′.Les deux signaux réfléchis présentent des doppler différents c'est-à-dire deux spectres différents. y ′) du signal réfléchi par la cible. A peut être mis a un sans affecter aucune phase ∧ ∧ ∧ ∧ ∧ ∧ ∧ ∧ (2. l'atténuation due a l'atmosphère et les pertes du système radar).Recouvrement de données ISAR : Les échos des signaux reçus sont classés dans M-bus [19].9) (2.10) .La trajectoire de l'avion est la combinaison de deux mouvements : ¾ ¾ Un mouvement de translation qui définit le déplacement de l'avion. Un mouvement de rotation sur l'axe de l'avion. Fig. La repense fréquentielle de signal reçu pour une impulsion s'écrit sous la forme suivante: U = A exp( j 4π .2. Donc. y ′) exp( j 2π ( p x ′ + q y ′))dx ′dy ′ Où: H ( p. avec l'utilisation d'un traitement fréquentiel de chaque signal. chaque bus contient N impulsions. q) = ∫∫ h( x ′. on aura M pixels qui définissent les points réflecteurs sur la cible [18].14: Spectres d’un point réflecteur à deux instants différents 3. 2. Si on arrive a émettre puis enregistrés les M signaux reçues au niveau du récepteur.Deux points de la même cible n'aient pas la même vitesse angulaire. c’est cette propriété importante du signal reçu donne une information sur la distance qui sépare les deux point.2. A: L'amplitude associée a la transmission du signal (gain de l'antenne.rf / c) H ( p. q) Avec : H ( p.

q ) = ∫∫ h( x ′.n indiquent respectivement l'ordre de bus et de l'impulsion alors la réponse U s'écrit : U = A exp( j 4πf (r0 + rm . n ) et θ devient θ m . Pour touts les impulsions on peut remplacer f par f n . n). Fig.15: Représentation de la forme d'onde de M.n et q m. y ′) exp( j 2π ( p m.n)est définie par : H ( p.n .bus et N. n )) H (m.12) . r devient (r0 + rm.n .n = 2( f / c) sin θ m .10) : ⎧∧ ⎪ p = 2( f / c) sin θ ⎨ ⎪∧ ⎩q = 2( f / c) cos θ ¾ θ : est l’angle entre l’axe du radar et l’axe de la cible.11) Où H(m. r0 : Représente la position initiale de la cible. Par conséquent p et q devient : p m.impulsions Avec dans l’équation (2.2.n x ′ + q m . n ¾ ∧ ∧ ∧ ∧ m.n : Représente la position de la cible a t m .n y ′))dx ′dy ′ ∧ ∧ ∧ ∧ (2.des termes de la réponse fréquentielle. (2.n = 2( f / c) cos θ m . rm .

17) La résolution orthogonale dépend de fréquence doppler ∆f D = Elle est donnée par : ∆rc = c∆f / 2ω 0 f c = λ / 2ω 0 T Où : ω est le taux de rotation de la cible et λ = d'un bus.15) 1 . n + 1 2 a 0 t m. f c est le centre de la bande de fréquence fc . Un temps d'observation plus long fourni une meilleure résolution de Doppler et un meilleur rapport signal/bruit. ainsi de la limite de la phase parasite qui est négligeable.14) (2. n est liée a la période de l'impulsion ∆t : t m . mais il cause des erreurs de phase.19) 1 1 = [ N ( M − 1)∆t ] T (2. La fréquence de Doppler change au cours du temps en raison du mouvement (2. En utilisant la DFT pour calculer la fréquence de Doppler.13) v 0 et a0 sont la vitesse et l’accélération initiales de centre de masse de la cible.rm. ∆t f 0 est la fréquence initiale dans un bus. n est définie par : rm. f n = f 0 + n∆f ¾ ¾ (2. ∆f est l'écart de fréquence entre deux impulsions successives ∆f = 3.Résolution du ISAR: La relation qui donne la résolution en distance en fonction de la bande passante est donnée par : ∆r = Pour N impulsions: ∆rs = C 2β (2. La résolution en profil est déterminée par la largeur de bande.2. il est nécessaire de supposer que la fréquence de Doppler est constante au-dessus de la durée de temps de formation image.n 2 (2.18) c .3. n = v 0 t m.16) C [2( N − 1)∆f ] (2. n = ( n + mN ) ∆ t . la résolution de fréquence de Doppler (résolution orthogonale) est déterminée par le temps d'observation M. t m .

non uniforme de la cible. mène souvent à une image floue. il est donc important de réduire le bruit qu'il les accompagne et d'effectuer un traitement d'images indépendantes de l'orientation. y ) .Opérations de prétraitement effectuées sur les images ISAR : Les images ISAR brutes comportent un nombre important de paramètres. Le gradient de l'image est donné par : ∂g ( x. Les classificateurs exigent un nombre des caractéristiques relativement faible (cinquantaine) pour répondre aux impératifs de traitement en temps réel. y ) est une image binaire de même dimension ou les contours sont en blanc et le reste est noir. y ) = (2.Technique d'extraction des caractéristiques: Les techniques d'extraction des caractéristiques nous permettent de n'utiliser dans les image ISAR que les informations comportant les caractéristiques pertinentes concernant l'objet à identifier. y ) ∂y g x ( x. y ) ∂x ∂g ( x.Extraction de contour : L'extraction de contours est une opération importent dans la phase de prétraitement des image ISAR. Cette détection va être accompagnée par une opération de seuillage qui est nécessaire pour éliminer le bruit et affiner les contours a l'épaisseur d'un pixel.21) Le résultat de l'extraction de contours d'une image binaire ou en niveaux de gris g ( x.1. Les contours peuvent être détectés en utilisant des opérateurs différentiels tels que le gradient ou le Laplacien d'une image.20) (2. 4. L'extraction des contours est réaliser par le calcule du gradient de l'image selon l'axe horizontale (x) et l'axe verticale (y). Par ailleurs par rapport au radar est inconnues. Opérateurs du premier ordre ¾ Méthode de Roberts détermine les contours en utilisant l’approximation de Roberts de .1. L'image considérée est une fonction de niveaux de gris g ( x. y ) = g y ( x. Une opération de prétraitement sur les données brutes est donc nécessaire pour préparer la phase de classification.1. Le spectre global de Fourier calculé par la DFT. Plusieurs techniques d'extraction de contours sont proposée dans la littérature. 4. Un contour est défini comme une brusque variation de niveaux de gris dans l'image. 4.

la dérivée. Elle donne les contours aux points où le gradient de l’image est maximum.
¾ Méthode de Sobel détermine les contours en utilisant l’approximation de Sobel de la

dérivée .Elle donne les contours aux points ou le gradient de l'image est maximum.
¾ Méthode de Prewitt détermine les contours en utilisant l'approximation de perwitt des

points où le gradient de l'image est maximum.
¾ Opérateurs Gradients Directionnels : Kirsh 3 et 5 niveaux: L’image ISAR. Opérateur de second ordre

• Méthode du Laplacien d’une gaussienne détermine les contours en cherchant les passages par zéro après le filtrage de l’image par le filtre Laplacien d’une gaussienne. • Opérateur de Marr et Hildreth basé sur un lissage par un filtre gaussien plus un calcul de la dérivée seconde du gradient et on recherche un passage par zéro. • Opérateur de Huertas: Cet opérateur est un filtre numérique a réponse impulsionnelle Finie (RIF).

Image brute

image en niveaux de gris

Méthode de roberts

Méthode de sobel

Méthode de prewitt

Méthode de canny

Méthode de Derriche

Fig.2.16: montre l'application de plusieurs techniques d'extraction de contours sur une image

2D-ISAR.

Approche par optimisation :

• La méthode de Canny détermine les contours en cherchant les maximums locaux du gradient de l'image. Le gradient est calculé en utilisant la dérivée d'un filtre gaussien. Cette méthode utilise deux seuillages, a fin de détecter les conteurs forts et les contours faibles, Elle inclut les contours dans le résultat seulement s'ils sont connectés aux contours forts. Par conséquent, cette méthode est moins sensible aux bruits, et elle a plus de chance pour détecter les faibles vrais contours
4.2- Technique de réduction de la taille de donnée :

Le but recherché en utilisant ces techniques est de réduire la taille des données tout en préservant le maximum d’information. Plusieurs techniques sont utilisées dans ce domaine.
La transformée en ondelette:

L’expression générale de la transformée en ondelette s'écrit de la façon suivante :
T ond f (a, b) = 1 a
+∞

−∞

∫ f (t )⎜ ⎝

⎛t −b⎞ ⎟dt a ⎠

(2.22)

Le paramètre a est appelé facteur d'échelle (pas de dilatation), et bfacteur de décalage (paramètre de translation). La variable a joue un rôle de l'inverse de fréquence, plus a est petit moins l'ondelette (la fonction analysante) est étendue temporellement,donc plus la fréquence centrale de son spectre est élevée,On peut également interpréter cette expression comme une projection du signal sur une famille de fonction analysante ψ a ,b construite a partir d'une fonction "mère" ψ conformément a l'équation suivante:

ψ a ,b =

1 a

ψ⎜

⎛t −b⎞ ⎟ ⎝ a ⎠

(2.23)

La norme est conservée lors du changement de facteur d'échelle.

ψ a ,b
On pourra noter:

2

1 ⎛t −b⎞ 1 2 = ∫ ψ⎜ ⎟ dt = ∫ ψ ( x ) adx = ψ a ⎝ a ⎠ a −∞ −∞

+∞

2

+∞

2

T ond f (a, b) =p f ,ψ a ,b f .

- Quelques images traitées par la transformée en ondelette :

Mig.25 de taille 256*256

Matrice d'approximation de taille 128*128

Matrice d'approximation de taille 64*64

Matrice d'approximation de taille 32*32

Matrice d'approximation de taille 16*16

Fig..17: les différent niveau de la transformée en endelette appliqués a un mig-25

Echo de bateau taille 256*256

Matrice d'approximation de taille128*128

Matrice d'approximation de taille 64*64

Matrice d'approximation de taille 32*32

Matrice d'approximation de taille 16*16

Fig.2.18: Les différents niveaux de la transformée en ondelette appliqués à un bateau

24) . . La transformée de radon génère une image dont l'intensité de chaque colonne correspond a la projection de l'image sur un plan.3. Cette transformée possède la possibilité de transformer une image 2D contenant des lignes en une autre image ou chaque ligne est représentée par un pic localisé suivant les paramètres de la ligne.19): Limage f ( x. de vision par ordinateur Fig. Cette propriété a fait que cette transformation soit utilisée dans la détection des lignes dans les domaines de traitement d'images.4.(2.Définition de transformée de radon : La transformée de radon nous donne un recueil des projections d'une fonction sur un axe suivant une direction (angle de projection θ ) on peut donc écrire : R0 ( x ′) = +∞ −∞ ∫ f ( x′ cosθ − y ′ sin θ + y ′ cosθ )dy ′ (2. Chaque rayon est indexé par sa distance par rapport à l'origine et son angle [20]. y ) est projetée sur l'axe x ′ qui est orienté selon un ongle θ par apport a l'axe x.transformée de radon (TR) : La transformée de radon d'une fonction bidimensionnelle est donnée par un recueil de ses projections sur un axe suivant une direction.

En raison de ces problèmes.20: La transformée de radon sur une image ISAR 4. Alors pour bien définit la TR d'une image il faut avoir plusieurs échantillons (des projection selon des ongles différents). La réduction de donnée ne permet pas toujours de sélectionner les bonnes caractéristiques permettant de bien discriminer entre éléments distincts. x ′ : La plus petite distance a l'origine de l'image.Technique de sélection des caractéristiques : Même après l'application de la technique de compression des donnée. certaines méthodes permettant de bien distinguer entre deux éléments ont été développées. . les mesures sont discrètes. Ou encore : p ( x ′. (L'équation d'une ligne). Ainsi on constate que chaque projection définit un échantillonnage de la TR de la fonction qui caractérise l'image. y)δ ( x′ − x cosθ − y sin θ ) dxdy (2.4. par conséquent le processus de classification et identification des cibles en temps réel est rendu difficile. En particulier les projections sont obtenues pour les valeur discret de θ .25) Cependant en pratique. C'est alors plus convenable de dire que chaque projection Rθ ( x ′) nous fournit un échantillonnage de la fonction f ( x.Exemple de la transformée de Radon d’une image ISAR La figure (Fig. y ) .20) montre le résultat obtenu après l’application de la transformée de radon sur une image ISAR Fig.2. θ ) = +∞ +∞ −∞ −∞ ∫ ∫ f ( x. L'analyse en .2.La multiplication des projections obtenues dans des condition différentes nous permettent de "Remplire" progressivement le domaine de la transformée.Où le passage du repère xoy au repère x ′oy ′ est donnée par : ⎡ x ′ ⎤ ⎡ cos θ sin θ ⎤ ⎡ x ⎤ ⎢ y ′⎥ = ⎢− sin θ cos θ ⎥ ⎢ y ⎥ ⎣ ⎦ ⎣ ⎦⎣ ⎦ Avec θ : L'ongle d'orientation de x ′ par rapport a l'axe x . le nombre de caractéristique a entée du classificateur reste toujours élevé.

appelées composantes principales.….Analyse en composantes principales (ACP): Lorsque N variables quantitatives x1. ...... la première composante étant celle qui restitue le plus d'informations.. Dans ce contexte linéaire. Il y a une inégalité stricte m<n s'il existe des relations linéaires entre les variables initiales.xN une liste non redondante de M nouvelles variables ou facteurs f1 .. Peut-on alors extraire de la liste redondante des N variables x1.…. c'est-à-dire linéairement: Les facteur "y" sont.. f M ( M p N ). l'information qu'elles véhiculent ensemble possède de ce fait un certain degré de redondance. construits comme combinaisons linéaire des variables et réciproquement... il est logique de les prendre pour un même objet. qui procède a cette extraction de la façon la plus simple possible. de construire M (< ou = N) autres variables. autrement dit l'ACP représente un algorithme linéaire de compression. qui sont des combinaisons linéaire des variables initiales et qui présentent les propriétés suivante : • • • • Elles sont ordonnées selon l'information qu'elles restituent. Son but est d'extraire l'information pertinente a partir de données appartenant a un espace R N et de la présentation dans un espace R M tel que M p N . La corrélation (dépendance) être deux élément permet également de mesurer le degré de ressemblance entre eux et par conséquent éliminer les redondances qui peuvent existées dans une image.. La part d'information restituée par chaque composant principale st connue. Voila précisément en quoi consiste l'analyse en composantes principales (ACP)..1.xN sont corrélée entre elles. en effet..... à partir de N variables initiales.. la condition de non-redondance de la liste des facteurs f 1 . Si le coefficient de corrélation entre deux caractéristiques est supérieur au seuil.composant principales (ACP) est un outil très utilisé dans ce domaine.4. Les composantes sont moins sensibles aux fluctuations aléatoires que les variables initiales. f M s'exprime alors par la condition de non-corélation des facteurs entre eux.. En pratique les composantes principales sont calculées en utilisant la décomposition en valeurs singulières (SVD) (voir annexe (1)) de la matrice de covariance de donnée Alors l'Analyse en Composantes Principales est une technique d'analyse de données qui permet. 4. L'application de cette méthode permet d'extraire l'information pertinente ainsi qu'elle réduit le nombre de caractéristiques qui mène a évaluer les calculs en un temps très court.

.V T Où D est une matrice diagonale contenant les valeurs propres.. v 2 . alors C peut être décomposée comme suit: C = V . La diagonalisation de la matrice C est souvent effectuée en utilisant la décomposition en valeurs singulières (SVD) pour sa stabilité numérique (précision et rapidité de calcul).. Diagonaliser la matrice C et extraire ces valeurs et vecteurs propres.Cela dépend de la nature des données (homogènes u non).D.26) (x ij −X j ) ( ) σj Calculer la matrice de variance covariance C = Y T Y . • • Si les données sont homogènes la diagonalisation porte sur la matrice de covariances ou variance-covariece Si les données sont non homogènes la diagonalisation porte sur la matrice de corrélation: Les composantes recherchées sont obtenues en exprimant les variables initiales. mais selon de nouveaux axes dites variances des composantes principales. L’avantage de l’utilisation de la compression des images par l’ACP est que les premiers vecteurs propres correspondent à l’information utile pour la classification tandis que les . v N ) est la matrice contenant les vecteurs propres de C.. Si V = (v1 .Les étapes a suivre pour effectuer l'analyse en composant principales (ACP) sont: 1) La diagonalisation de la matrice soit de corrélations soit de covariances . • Trier les valeurs propres et les vecteurs propres correspondants. non selon les axes d'origine de l'espace des individus.. axes principaux qui sont les vecteurs propres de l96a matrice et dont les valeurs propres sont les La diagonalisation de la matrice de variance-covariance s'effectue selon les étapes suivantes Centrer et réduire la variable Xj (la jieme colonne) revient à calculer les quantités suivantes : Xj = 1 N ∑X i =1 N N ij σ j = ⎢ ∑ X ij − X ⎣ N i =1 Yij = • • ⎡1 ( j )⎤ ⎥ 2 ⎦ (2.

le but fondamental de ce système est la détection et l’identification des objets environnement bruyant. peuvent correspondre à des composantes aléatoires telles que les bruits.réduction de la taille des données. et finalement identification de forme. Le chapitre suivant sera consacré à la technique de classification par réseaux de neurones. Les étapes de construction d'un réseau de neurones ainsi que les défirent caractéristiques seront exposées. comme une outille de identification.2. Fig. .21: Résultat après l’application de l’ACP sur une image ISAR Conclusion : Dans ce chapitre nous avons expliqué le principe de fonctionnement du radar secondaire (IFF) et ces inconvénients. sélection des caractéristique ) Un système typique de formation d’image ISAR se compose de l'acquisition d'image fusion de données. Exemple de l’application de l’ACP sur la transformée de radon d’une image d’avion La figure suivante présente le résultat obtenu après l’application de l’analyse en composante principale sur la transformée de Radon de l’image d’un avion.vecteurs propres restants. et Pour réduire la probabilité de fratricide et les fausses identifications de (IFF) nous avons présenté la technique de reconnaissance positive d'ennemi ou la reconnaissance de cible non coopérative au moyenne des radars imageur ISAR(radar à ouverture synthétique inverse). Le radar à ouverture synthétique inverse est une technique de formation d’image réalisée à haute résolution en exploitant le mouvement relatif entre le radar stationnaire et la cible mobile. extraction et perfectionnement. apes la formation d'image nous avons évoqué les différentes étapes nécessaires à la préparation des données qui serviront à la construction d'un classificateur (extraction des caractéristiques. forme de cible.

Algorithme de rétropropagation 8.présentation des réseaux de neurones 3.CHAPITRE III : Classification par réseaux de neurones 1.réseau de neurones pour la classification 9.les avantages et les inconvénients du réseau de neurones .méthode de classification 2.le perceptron multicouches 7.Différents type de fonction d’activation 4.l’apprentissage 5.Architecture 6.

il est quasiment impossible d’en déterminer la cause. parmi plusieurs classes définies à l’avance. la reconnaissance de cibles consiste à déterminer les caractéristiques typiques d’objets. En cas d’erreurs du système. et dont l’inspiration originale était le fonctionnement cérébral de l’être humain. ou « catégorie ». Le grand avantage des réseaux de neurones réside dans leur capacité d’apprentissage automatique. Cependant ce sont de véritables boites noires qui ne permettent pas d’interpréter les modèles construits. permettant leur discrimination. Plusieurs degrés peuvent être considérés. En effet.Introduction: Les réseaux de neurones sont des modèles mathématiques informatiques. 1. Un réseau de neurones artificiels comporte un certain nombre de neurones connectés entre eux . Les réseaux de neurones connaissent depuis quelques années un succès croissant dans divers domaines des Sciences de l’ingénieur. Nous allons présenter dans ce chapitre aussi l’utilisation du réseau de neurones MLP. La sortie changera d'état à partir du moment ou la somme de ses entrées dépassera un certain seuil. Chaque entrée est pondérée [23]. de la classification à . l'apprentissage et les perceptrons multicouches. Le fonctionnement de ce réseau passe par une phase d'apprentissage qui permet de déterminer les pondération a appliquer aux entrées des neurones. modèles connexionnistes. Un algorithme qui réalise automatiquement cette classification est appelé « classifieur ». Plusieurs types de réseaux peuvent ainsi être conçus simplement en modifiant les règles de connexion des neurones.chaque neurone possède plusieurs entrées mais une seule sortie.Méthode de classification : La classification ou parfois la discrimination est définie comme l’attribution à chaque ensemble d’objets d’une classe. Les réseaux de neurones artificiels sont connus sous des noms très différents tels que réseaux neuromimétiques [22]. des assemblages d’unités de calcul appelés neurones formels. réseaux de neurones formels. leur tolérance aux erreurs leur capacité de fonctionner en parallèle et leur capacité de manipuler des données bruyantes ou incomplètes. Dans ce chapitre nous allons parler sur le principe et les étapes de construction d'un réseau de neurones ainsi que les défirent type de fonction d'activation. Le principe d'un réseau de neurones est basé sur le mécanisme biologique. comme un classifieur.

la classification automatique des cibles a conduit à de nombreuses erreurs. quant à elle. Ces classifications désastreuses qui ont causé la perte de nombreuses vies humaines. La classification signifie la détermination du type ou la classe de l’objet. 2 – Présentation des réseaux de neurones : 2. un système de classification est représenté comme sur la figure ci-dessous : Donnée prétraitement et compression extraction des traits Classes Classification Fig.1-Définition « Les réseaux de neurones artificiels » sont des modèles mathématiques établis pour modéliser le comportement de la structure des neurones organiques du cerveau humain [24]. De nombreuses techniques de classification sont disponibles. . – Les réseaux de neurones. par le passé. tel que : – Le plus proche voisin. encouragent la recherche scientifique dans l’amélioration de la classification automatique de cibles aériennes. Extraction ou sélection des traits : extraction d’un ensemble de nombres qui caractérise les régions de données Classification : apprentissage et décision. L’identification. Il est important de souligner que les réseaux de neurones biologiques sont plus complexes que les modèles mathématiques artificiels utilisés.1: Diagramme d'un système de classification.3. il est usuel d’utiliser la nomination "réseaux de neurones''. Le processus de classification contient trois étapes essentielles : Prétraitement des données : segmentation et localisation des régions d’importance dans les données. En général. cette technique est utilisée pour discriminer les appareils ennemis des appareils amis. Cependant.l’identification. signifie la détermination de l’identité de l’objet. Lors des conflits militaires. Elle est peut être considérée comme le degré le plus élevé de la reconnaissance. Mais.

Les figures suivantes illustrent la ressemblance entre le neurone biologique et le neurone formel. des recherches [25].2-Transition du neurone biologique au neurone formel : Dans la nature l’élément de base de la cognition est la cellule nerveuse. Fig. C’est sur cette base que les mathématiciens ont établi les composants du neurone formel. [27]. et qui s’appuient toutes sur le neurone formel qui représente le composant élémentaire des réseaux de neurones.3. [28] en été faites dans cette direction.2.3 : Neurone artificiel [29]. [26].2 : Neurone biologique. la transmission de l’information entre neurones n’est pas directe elle est faite à travers une jonction appelée la synapse. . Au niveau du cerveau humain. Soma Dendrite Synapse Axone Fig. dans le but de imiter le traitement et le flux de l’information dans celle-ci. La rapidité du traitement de l’information ne dépend pas du nombre de cellules nerveuses qui est fixe mais du nombre de connexions. 3.

propagent l’activité des neurones avec une pondération caractéristique de la connexion. Pitts (Logicien) [29].1 : Eléments de ressemblance entre le neurone biologique et le neurone formel. Mc Culloch (Neuropsychiatre) et W. Ces neurones possèdent une fonction d’activation qui permet d’influencer les autres neurones du réseau. . Les neurones peuvent être organisés de différentes manières. Les correspondances sont résumées dans le tableau suivant : Neurone biologique Neurone formel Synapses Axone Dendrite Soma Poids des connexions Signal de sortie Signal d’entrée Fonction d’activation Tab. L’idée principale est de simuler de façon très simplifiée le neurone naturel en définissant des opérateurs mathématiques qui approximent les actions de nature électrique ou chimique effectuées par les éléments du neurone biologique. C’est ce qui définit l’architecture et le modèle du réseau.3. Un réseau de neurones est constitué d’un graphe pondéré orienté dont les noeuds symbolisent Les neurones.4.Les premiers travaux (1943) de simulation des réseaux de neurones artificiels sont présentés par les deux cybernéticiens W. On appelle poids synaptiques les pondérations de liens synaptiques. ou liens synaptiques. 2.3-Le principe et les étapes de construction d’un réseau de neurones: Un réseau de neurones est un outil d’analyse statistique permettant de construire un modèle de comportement à partir de données qui sont des exemples de ce comportement.3. L’architecture la plus courante est Celle dite du perceptron multicouche (MLP) comme l’indique la fig. Les connexions entre les neurones.

2. il peut être utilisé pour répondre au besoin exprimé à l’origine de sa construction.4. Un algorithme d’apprentissage ajuste le poids du réseau afin que les vecteurs soient correctement appris. Il est important de noter que ces neurones manipulent des données numériques et non pas symboliques [22]. 3. un neurone qui est capable de réaliser quelques calculs élémentaires. sans aucun lien avec la réalité biologique[23].4: architecture d'un perceptron multicouches Etapes de construction d’un réseau de neurones : Les étapes de construction d’un réseau de neurones sont : 1. Les premiers travaux datent de 1943 et sont l’œuvre de MM. Phase de reconnaissance qui consiste à présenter au réseau chacun des vecteurs de la base de test. Ils présentent un modèle assez simple pour les neurones et explorent les possibilités de ce modèle.3.Fig. Une fois que le réseau présente des performances acceptables. d'un côté les tenant de la modélisation biologique qui veulent respecter un certain nombre de contraintes liées à la nature du cerveau. La réponse du réseau est lue directement sur les unités de sortie et comparée à la réponse attendue. Constitution d’une base de données de vecteurs représentant au mieux le domaine à modéliser. les vecteurs de données de la base d’apprentissage sont présentés séquentiellement et plusieurs fois au réseau. L'idée principale des réseaux de neurones "modernes" est la suivante : On se donne une unité simple. Mac Culloch et Pitts. Paramétrage du réseau par apprentissage. Celle-ci est scindée en deux : une partie servant à l’apprentissage du réseau et une autre partie aux tests. de l'autre les tenants de la puissance de calcul qui s'intéressent au modèle en lui-même. La sortie correspondante est calculée en propageant les vecteurs à travers le réseau. Construction de la structure du réseau (généralement de manière empirique). Deux visions s'affrontent donc. On relie ensuite entre elles un nombre important de ces unités et on essaye de déterminer la puissance de calcul du réseau ainsi obtenu. Au cours de l’apprentissage. . L’apprentissage se termine lorsque l’algorithme atteint un état stable.Réseaux de neurones formels : Les réseaux de neurones formels sont à l'origine d’une tentative de modélisation mathématique du cerveau humain. 2. 4.

s ƒ W1 W2 W3 e1 e2 e3 e4 W4 a Wn en … Fig.Le modèle de neurone formel présenté ici. et à 0 dans le cas contraire.5: neurone formel Notons : ei (i:1…n) : les entrées du neurone formel Wi : les paramètres de pondération a: la somme pondérée des entrées . elle est calculée de la façon suivante: a = ∑ (w i * ei ) f : la fonction d’activation S = f(a): la sortie du neurone.4). On constate tout d'abord que le modèle biologique fait intervenir une notion temporelle qui est difficile à intégrer dans un modèle simple. Cet enchaînement "sommation" puis "non linéarité" représente finalement les propriétés "physiques" du . 3. On compare ensuite la somme obtenue à un Seuil et on déduit de la comparaison la sortie du neurone. Plus formellement encore. du à Mac Culloch et Pitts. Cette sortie sera par exemple égale à 1 si la somme est supérieure au seuil. Cette fonction détermine l’état de sortie du neurone qui va par la suite exciter les autres neurones qui lui sont connectés (Fig. est un modèle mathématique très simple dérivé d'une analyse de la réalité biologique [30]. il suffit pour obtenir ce comportement de soustraire le seuil considéré à la somme des entrées. On oublie donc cette notion et de ce fait on remplace l'intégration temporelle par une simple sommation des signaux arrivant au neurone (ces signaux sont communément appelés les entrées du neurone). et de faire passer le résultat par la fonction d’activation.3. Le résultat après transfert est alors la sortie du neurone.

discontinues ou aléatoires. un neurone formel réalise tout simplement une somme pondérée de ces entrées. En résumé. auquel on ajoute un seuil à cette somme et on fait passer le résultat à une fonction de Transfert pour obtenir sa sortie. 3 . On va donner par la suite celles qui sont les plus utilisées dans les réseaux de neurones. continues.Différents types de fonction d’activation : Les fonctions d’activation sont de nature très variantes : Elles peuvent être déterministes.neurone. Nom de la fonction Relation d'entrée/sortie a=0 si n<0 a=1 a=-1 Seuil symétrique a= 1 linéaire a=0 si n<0 a =n si 0<= n <=1 a=1 si n>1 si n>=0 a=n purelin si n >= 0 si n<0 hardlims icône Nom MATLAB Hardlim seuil satlin Linéaire saturée Linéaire saturée symétrique Linéaire positive a=-1 si n<-1 a =n si -1<= n <=1 a=1 si n>1 a=0 a=n si n < 0 si n >= 0 satlins poslin a=1/(1+exp(-n)) sigmoïde Exp(n)-exp(-n) logsig tansig Tangente hyperbolique Exp(n)+exp(-n) .

puis comparé la valeur obtenue avec la valeur désirée . Sortie associée) alors que l'on ne dispose que des valeurs (Entrée) pour L'apprentissage non supervisé. Qui n'est pas autre chose qu'une part de Supervision.3. dont le vecteur s’appelle patron de sortie. il a été défini deux grandes classes selon que L'apprentissage est dit supervisé ou non supervisé. Calcul du vecteur de correction.dans ce cadre on fournit au réseau une critique qui qualifie la réponse calculée.L'apprentissage supervisé : Dans ce cas on fournit au réseau la donnée a traiter mais aussi la réponse attendue. L'apprentissage par renforcement (en parle aussi d'apprentissage par récompense et pénalité. il va en suite modifier ses paramètre internes afin de minimiser l'erreur constatée.e. Cette distinction repose sur la forme des Exemples d'apprentissage. Les informations à traiter sont codées sous la forme d’un vecteur appelé patron d’entrée. Dans le cas de l'apprentissage supervisé. La réponse du réseau s’interprète à partir de la valeur d’activation de ces neurones de sortie. les exemples sont des Couples (Entrée. l’apprentissage se fait sur une période relativement longue et comprend quatre étapes de calcul : • • • • L’initialisation des poids synaptiques du réseau. Présentation du patron d’entrée et propagation d’activation. . 4. qui sont souvent initialisés à des valeurs aléatoires. Calcul de l’erreur.1: Différents types de fonction d’activation 4 . Remarquons cependant que les modèles à L'apprentissage non supervisé nécessite avant la phase d'utilisation une étape de Labellisation effectuée l'opérateur. il est déterminé à partir du vecteur d’erreur .Ce mécanisme sera répété plusieurs fois jusqu’à l’obtention du comportement désiré. i.Tab.1.ART) est une variante de l'approche supervisée. En générale. Au niveau des algorithmes d'apprentissage. le réseau effectue une évaluation de la donnée. L’apprentissage se fait généralement dans le contexte d’une tâche où d’un comportement à apprendre.L'apprentissage : L’apprentissage est vraisemblablement la propriété la plus intéressante des réseaux neuronaux [31].

la plus grande majorité des applications des réseaux de neurones utilisent des «réseaux à couches» [31] autrement dit ce sont des réseaux à une couche d’entrée. propage l’information en un seul sens.1.3. Les règles de cet apprentissage sont souvent coûteuses en temps de calcul. ce qui le rend inutile en pratique.Techniques d’apprentissages : Apprentissage interactif (On line): Idéalement. 5-Architecture : Il y’ a une multitude de manière de regrouper les neurones sous forme d’un réseau.sélectionné soit déterministe. -Caractéristique d'apprentissage non supervisé : • • • • ƒ Mode d’apprentissage moins intuitif. .2. de l’entrée vers la sortie. où il développerait automatiquement un comportement adéquat. Base d’apprentissage Dans ce cas. qui se base principalement sur les méthodes de la propagation de l’information : 5.4. l’apprentissage d’un réseau vierge s’effectue en le plaçant immédiatement en situation. Un réseau non récurrent réalise une ou plusieurs fonctions algébriques des entrées par composition des fonctions accomplies par chaque neurone. ƒ Apprentissage différé (off line): Consiste à effectuer l’apprentissage sur un échantillon de patron pré.L'apprentissage non supervisé : Dons ce paradigme aucune information (en plus des donnée a apprendre) n'est fournie au système.Les réseaux non récurrents : Un réseau de neurones « non récurrents ». une ou plusieurs couches cachées et une couche de sortie. « non bouclés » ou « statiques ». Correspond au cas où il n’est pas possible d’avoir une. soit stochastique. Exemples : Cartes de Kohonen 4. on présente les entrées au réseau et on le laisse évoluer librement jusqu’à ce qu’il se stabilise. On peut imaginer une grande variété de topologie pour ce type de réseaux. Ces patrons sont présentés plusieurs fois au réseau durant la phase d ‘apprentissage. celui-ci est amené a découvrir la structure sous-jacente des données afin de les organiser en clusters.

(b) : Réseau à une couche cachée.3. Un réseau de neurones bouclé à temps discret exécute une ou plusieurs fonctions non linéaires. « bouclé » ou « «dynamique » présente au moins une boucle de rétroaction. Réseau Compétitif Réseau Kohonon Réseau Hopfild Réseau ART . (b) (a) : Réseau simple. Dans cette catégorie on distingue les réseaux compétitifs.Réseaux récurrents Un réseau de neurone « récurrent ». les réseaux de Hopfield [33]. 5. et les réseaux ART (Théorie de la Résonance Artificielle) [34]. par composition des fonctions réalisées par chacun des neurones et des retards associés à chacune des connexions.6 : Réseaux non récurrents. les réseaux de Kohonen [32].(a) Fig.2.

L'apprentissage (supervisé). .3. etc.Perceptron multicouches : Le perceptron multicouches (noté MLP pour Multi Layer Perceptron en anglais) est directement inspiré du raisonnement présenté au dessus. Les sorties des neurones de la dernière couche forment la sortie du réseau. on peut lui faire calculer toute sorte de fonction. En ajustant les paramètres d'un MLP. Les neurones de la première couche sont reliés au monde extérieur et reçoivent tous le même vecteur d'entrée (c'est en fait l'entrée du réseau). Voir figure(Fig. le neurone de chaque couche possède des connexions avec tous les neurones de la couche suivante.3. Si on donne une fonction vectorielle particulière.3. sorties et ses couches cachées. Les entrées des neurones de la deuxième couche sont donc en fait les sorties des neurones de la première couche. On peut ajuster les valeurs des connexions synaptiques et des seuils afin de modifier la fonction calculée. on peut introduire alors la notion du sens de propagation de l’information et en définit l’ensemble de neurones d’entrés. Un perceptron multicouches calcule donc une fonction vectorielle.Fig.8 : réseau MLP Ils calculent alors leur sorties qui sont transmises aux neurones de la deuxième couche. L'idée principale est de grouper des neurones dans une couche.7: Les réseaux de neurones récurrents.8). 6 . Dans cette structure. On place ensuite bout à bout plusieurs couches et on connecte complètement les neurones de deux couches adjacentes. les connexions entre les neurones de la même couche ne sont pas tolérées. Fig. on peut tenter de faire apprendre cette fonction par un MLP : c'est l'apprentissage. on dispose des neurones arrangés en couches.

On écrit alors la fonction calculée par le réseau sous une forme paramétrique: f(x. et quand la fonction distance est aussi différentiable.x p (k )] Les p entrées de X(k) du réseau sont distribuées sur tous les neurones. xi désigne l'entrée du réseau et yi la sortie désirée pour cette entrée. La rétro propagation Les algorithmes d'optimisation de fonction efficaces utilisent en général la différentielle de la fonction considérée (c'est à dire son gradient car elle est à valeurs réelles). Dans un tel couple. c'est à dire un ensemble fini de couple de vecteurs (xi . w).w) désigne la sortie du réseau quand on lui présente en entrée le vecteur x et qu'il utilise les poids synaptiques contenus dans le vecteur w. Si cette distance est notée d. 7.Algorithme de rétro propagation du gradient : C’est l’algorithme le plus utiliser pour l’adaptation des poids d’un réseau multicouches [12]. c'est à dire la somme des distances entre les sorties obtenues et les sorties désirées d(f(xi . l'erreur commise par un MLP est une fonction différentiable des coefficients synaptiques du réseau.Modification des poids de la couche de sortie On considère un réseau de neurones recevant des vecteurs à p composant.. yi ). L'algorithme de rétro propagation permet justement de calculer le gradient de cette erreur de façon efficace : le nombre d'opérations (multiplications et additions) à faire est en effet proportionnel au nombre de connexions du réseau. On note le K ieme exemple de la base d’apprentissage: X (K ) = [ x1 (k ). Cette erreur est une fonction de w et on peut donc utiliser les techniques classiques d'optimisation de fonction pour trouver son minimum [36].. x 2 (k ). . 7. comme dans le cas du calcul de la sortie de celui-ci.yi).. x 3 (k ).1) • • Ai : Activation du neurone i f : Fonction d’activation . On se donne enfin une distance sur l'espace vectoriel de sortie. on cherche alors à trouver la valeur de w qui minimise la somme l'erreur totale commise par le réseau. Cet algorithme rend ainsi possible l'apprentissage d'un MLP.La méthode classique pour l'apprentissage supervisé consiste à donner un ensemble d'exemples.. La sortie du neurone i est: Yi (k ) = f ( Ai ) = f (∑ wij x j (k )) j =1 p (3. Quand les fonctions de transfert utilisées dans les neurones sont différentiables.1. c'est à dire un moyen de mesurer l'erreur commise en un point par le réseau.

car seule la sortie Yh est en fonction du poids wij. on veut associer un vecteur de sortie Yd.2. A l’itération t+1 la règle de modification des poids de la couche de sortie est donnée par: wij (t + 1) = wij (t ) + ∆wij (3. Calculons le gradient de cette erreur par rapport à wij : ∂ (Y (k ) h − Yd h (k )) ∂E (k ) Ns = ∑ (Yh (k ) − Yd h (k )) ∂wij ∂wij h =1 La dérivée partielle du membre de droite est nulle sauf pour i=h.x j µ :Gain d'adaptation positif. la sortie désirée ne dépend d'aucun poids.6) (3. Calculons le gradient de cette erreur par rapport au poids wij h ∈ [1.Au vecteur d'entrée X(k) du kieme exemple de la base d’apprentissage.4) (3.5) La mise à jour du poids.δ i . On associe à cette différence l'erreur quadratique E : E (k ) = 1 Ns (Yh (k ) − Yd h (k )) 2 ∑ 2 h =1 (3.9) . ∂E ( c +1) ∂Wij (c ) ∂E ( c +1) ∂Ah = ∑ ( c +1) ∂wij h =1 ∂A N c +1 ( c +1) (3. On obtient alors : ∂Y ∂E (k ) = (Yi − Yd i ) i = (Yi − Yd i ) x j f ′( Ai ) ∂wij ∂wij En posant : δ i = (Yi − Yd i ).3) (3.7) 7. f ′( Ai ) le gradient de l'erreur quadratique E s'écrit : ∂E = δ i . selon le principe du gradient s'écrit : ∆wij = − µ.2). le vecteur de sortie estimé est diffèrent de Yd.8) Nc : Nombre de neurones à la couche (c).x j ∂wij (3. l'erreur quadratique sur la sortie s'écrit : E (c) = 1 Nc (c) (c) (Yh − Yd h ) 2 ∑ 2 h =1 (3. Nc+1]: Où Nc+1 est le nombre de neurones de la couche (c+1).2) Ns est le nombre de neurone de la couche de sortie. De plus. Si les poids wij ont des valeurs quelconques.Mise à jour des poids des couches cachées : En reprenant l'équation (3.

14) On pose : δ h ( c +1) = (Yh ( c +1) − Yd h ).Y1 ] (c) (3.16) ⎥. f ′( Ah ( c +1) ).Pour un neurone i d'une couche interne (c) : δ i (c) = ⎢ ⎣ On a alors : ⎡ h h∈couche 3 (c) ∑δ ( c +1) . f ′( Ah ( c +1) ) (3.17) D'une manière générale.Whi ( 3) ( ) est égale à la somme des erreurs des neurones de la couche suivante (3).18) (3.Y j ( c −1) (3. à n'importe quelle couche cachée d'un réseau multicouches: l'incrément d'un poids wij© d'une couche (c) est le produit de l'entrée Yj(c-1) provenant de la couche précédente (c-1) par l'erreur attribuée au neurone i.. la relation (3.Ym (c) m =1 N c −1 ( c −1) )] (3.Y j ( c −1) (3. c'est à dire celui obtenu pour m=j.whi ( c +1) . f ′( Ah ( c +1) ) Pour un réseau a trois couches (c=2) nous obtenons : ∂E ∂wij Si on pose : ( 2) ⎡ N 3 ( 3) ( 3) ⎤ ( 2) = ⎢∑ δ h .15) et (3. f ′( Ai ) ⎦ ⎣ h =1 ⎡ h h∈couche 3 (3. f ′ Ai ⎦ ( ) (3.Le 1er terme : ∂E ( c +1) ∂Ah ( c +1) = (Yh ( c +1) − Yd h Nc ( c +1) ).11) se réduit alors a : ∂Ah ( c +1) (c) ∂wij = whi ( c +1) ∂ ∂wij (c) [ f ( ∑ wim . f ′( Ai (c) ). On a alors : ∂Ah ( c +1) (c) ∂wij Le gradient de l'erreur E s'écrit donc : = whi ( c +1) f ′( Ai (c) ).15) ⎤ ( 2) (3.13) ∂E ∂wij (c) = ∑ (Yh h =1 N c +1 ( c +1) − Yd h ).Y j ( c −1) .19) ∆Wij = − µ .12) Le seul terme de la somme sur m dont la dérivée est non nulle est celui qui contient wij(c).11) Le terme Yl(c) dépendant du poids wij(c) et Yi(c).δ i .10) La 2 ieme terme : ∂Ah ( c +1) (c) ∂wij = ∂ ∂wij (c) [∑ whl l =1 ( c +1) .whi ⎥. On obtient à partir des relations (3.Y j ( 2) (1) (3. f ′ Ai ⎣ ⎦ Cette relation s'interprète en considérant que l'erreur affectée à un neurone i de la couche (2) δ i ( 2) = ⎢ ∑δ ( 3) . pour l=i.δ i .16) : ∆Wij ( 2) = − µ.Whi (c) ( c +1) ⎤ (c) ⎥.

Hérault et C. si µ est trop petit le temps de calcul sera énorme. dans le cas contraire -très grand.il y’a risque d’instabilité.x k (t ) + γ .δ j (t ). Définir les caractéristiques du réseau: a. Nombre de couches cachées. C’est l’apprentissage en mode « on-line » ou « by. Lorsque les exemples sont choisis dans un ordre aléatoire.δ i . car le pas d’adaptation a une influence considérable sur sa convergence. 2 (3. le chemin suivi lors de la recherche du minimum de la fonction coût est rendu stochastique. Algorithme : (J. Yd (k ) − Y (k ) 2 i =1 Ns : est le nombre de neurones dans la couche de sortie. Une autre approche consiste à modifier les poids après chaque présentation d’un exemple d’apprentissage. b. Ce terme est appelé "momentum".23) Le mode « batch » dont la mise à jour des poids se fait après avoir passé en revue tous les exemples d’apprentissage pour une seule itération . L'amélioration la plus couramment utilisée consiste à ajouter un terme de filtrage sur les incréments d'adaptation.Y j (c) ( c −1) (t ) (3.Hérault et C. Son adjonction correspond à la minimisation d'un critère E approximativement égal à la somme des erreurs quadratiques pondérées exponentiellement. 1994) [37] L'algorithme de rétropropagation du gradient se résume finalement aux étapes suivantes 1. 1994) [12] : L'algorithme de rétro propagation présenté précédemment est rarement utilisé tel quel en pratique.δ i (t ) + µ.Jutten.21) 7. Soit : 1 NS E (k ) = ∑ γ ( Ns −i ) . Nombre de neurones dans chaque couche.3.Ce mode d’apprentissage est encore appelé « déterministe »ou « off.22) Et de cette relation on arrive à la règle d'apprentissage bien connue : wij (t + 1) = wij (t ) + µ.Tel que pour la dernière couche cachée on’a : δ i ( c ) = Yi ( c ) − Ysi L’équation de mise a jour des poids devient : (3.∆w jk (t ) Il y a deux modes d’adaptation de poids : (3. c’est pour cette raison qu’il n’est pas utilisé pour des applications en temps réel.line » et il se caractérise par sa robustesse au bruit sur les entrées mais il met un temps de calcul très important. .Jutten.20) ∆Wij (t + 1) = − µ .Lissage de la règle d'adaptation (J.pattern ». Ceci permet à l’algorithme d’apprentissage d’effectuer une exploration plus vaste et dans certains cas d’éviter les minimums locaux.

Yd) dans la base d'apprentissage. Initialiser les valeurs des poids. Dans cette brève partie. Mise à jour des poids de la dernière couche en utilisant les relations (3-7) et (3-6). Calcul des sorties des différentes couches pour l'entrée X. finir un critère d’arrêt : l’erreur quadratique ne dépasse pas un seuil Earrêt.c. et qui vaut zéro si cet objet appartient à la classe B. e. les réseaux de neurones ne sont donc pas limités à une prise de décision binaire . de la fonction F(x) n'est autre que la probabilité d'appartenance de l'objet x à la classe A. Cette propriété est très souvent . Mise à jour des poids des couches précédentes selon les relations (3-18) et (3-21). ils sont intrinsèquement capables de réaliser une estimation d'une probabilité d'appartenance. nous montrons comment les propriétés de classification des réseaux de neurones découlent de la propriété d'approximation universelle. d. bien au contraire. par exemple pour l'identification d'anomalies. Mise à jour des poids : a. 5. au sens des moindres carrés. Faire le test ET ≤ E arret : Si test d'arrêt n'est pas satisfait retourner en 2 sinon on garde les poids obtenus. Calcul de l’erreur sur tous les exemples de la base d’apprentissage ET = ∑ E ( p ) p =1 N 6. Contrairement à une croyance largement répandue. 2. 3. les réseaux de neurones ont été utilisés fréquemment en tant que classifieurs. Définition du nombre d’itération. Or. 8 – RN pour la classification: Dans le domaine du génie des procédés. nous venons de voir que les réseaux de neurones constituent de bons approximateurs de fonctions non linéaires : ils sont donc de bons candidats pour l'évaluation d'une probabilité d'appartenance.Classification et approximation de fonction: Considérons un problème à deux classes A et B. et considérons la fonction F(x) qui vaut +1 si l'objet décrit par le vecteur x appartient à la classe A. suivie d'une décision (qui n'est pas nécessairement prise par le réseau de neurones lui-même) quant à l'appartenance de l'objet à l'une ou l'autre classe. et nous mettons en évidence les avantages et limitations des réseaux de neurones par rapport aux autres classifieurs. 8. b. Choix aléatoire d'une paire (X. l'approximation. selon la relation (II-6) 4.1 .

Ignorée, alors qu'elle est particulièrement précieuse lorsque l'on veut introduire un réseau de neurones comme outil de classification dans des systèmes complexes, contenant par exemple d'autres classifieurs, fondés sur des principes différents, ou utilisant des représentations différentes pour les formes à classer.
8.2 - Classification neuronale et non neuronale:

Nous venons de justifier mathématiquement le fait que les réseaux de neurones fournissent une estimation de la probabilité d'appartenance à une classe. Les réseaux de neurones ne sont pas les seuls à avoir cette propriété : il existe notamment des méthodes de classification, dites paramétriques, qui consistent à faire une hypothèse sur la forme de la distribution de probabilité d'appartenance, et à ajuster les paramètres de cette distribution. Le résultat final est donc, en principe, le même que celui que l'on obtient à l'aide d'un réseau de neurones. Il n'y a donc aucune raison a priori de penser que les réseaux de neurones sont supérieurs, en termes de Taux de classification, à ceux, parmi les classifieurs conventionnels, qui permettent d'estimer De manière précise les probabilités d'appartenance. Le seul avantage que peuvent présenter les réseaux de neurones dans ce domaine, c'est peut-être une certaine facilité de mise en oeuvre, et certainement une parallélisation facile si le réseau est réalisé électroniquement, ou s'il est implanté sur un ordinateur parallèle.

9-Les avantages et les inconvénients du réseau de neurones:
9.1- Les avantages des réseaux de neurones :

Les réseaux de neurones sur le plan théorique et pratique présentent les avantages suivants :
♦ A l’opposé des méthodes statistiques, les méthodes connexionnistes ne nécessitent pas la

connaissance des probabilités à priori des distributions des classes et des éléments de l’ensemble d’apprentissage. Dans le cas des méthodes statistiques leur estimation constitue un problème majeur dans la phase d’établissement des seuils de décision, et de fausses estimations entraînent des erreurs dans le modèle. Pour les réseaux de neurones (dans le cas supervisé), la seule information nécessaire est la connaissance de l’entrée et la sortie qui lui correspond.
♦ La classification neuronale a l’avantage de ne pas faire d’hypothèses sur les lois de

distribution des entrées (par exemple la loi normale dans la classification par maximum de

vraisemblance), cette dernière peut ne pas correspondre à la distribution réelle des données, de ce fait les règles de décision seront fausses.
♦ Une fois que l’apprentissage est terminé, un nouveau test de classification se fait

instantanément. Cette caractéristique est l’avantage majeur des réseaux de neurones, et qui permet de les utiliser en traitement « temps réel ».
♦ La parcimonie est la caractéristique principale des réseaux de neurones et qui fait d’eux des

approximateurs très performants car le nombre de paramètres (poids synaptiques) n’explose pas avec l’augmentation de nombre d’entrées mais augmente d’une manière raisonnable avec l’augmentation de la complexité des surfaces séparatrices.
♦ Ils peuvent de s’adapter à la complexité des données en augmentant le nombre de couches

ou le nombre de neurones.
9.2- Les inconvénients des réseaux de neurones

Les réseaux de neurones ont les inconvénients suivants :
♦ La préparation des données pour une représentation complète des classes n’est pas évidente,

car si une région est non exploitée dans l’apprentissage le réseau ne pourra pas effectuer une généralisation sur les données appartenants à cette région.
♦ La définition de l’architecture optimale du réseau (au sens d’apprentissage et de

généralisation) se fait d’une manière empirique, aucune théorie n’a pu trancher sur cette question, elle dépend aussi de la représentation des données dans l’espace de représentation.
♦ La durée de la phase d’apprentissage et parfois très longue, particulièrement si on a une base

de données énorme, cet handicape tend à se réduire car une amélioration considérable en temps de calcul est obtenue avec l’avènement des nouveaux calculateurs.
♦ Les paramètres d’apprentissage tels que « le pas d’apprentissage » et « le moment » doivent

être choisis soigneusement pour ne pas avoir un phénomène d’oscillation ou une convergence longue.
♦ La classification par réseau de neurones appartient au système boîte noire. Il ne livre aucune

information sur les règles de décision ni sur les caractéristiques de la classe. Si les résultats ne sont pas corrects, rien n’oriente l’analyste pour mieux comprendre la nature des phénomènes qu’il traite et lui permettre de trouver des solutions [28].
♦ L’aptitude de généralisation est fortement liée au choix de la base de données et de

l’architecture, un mauvais choix peut conduire à des résultats inacceptables en généralisation.

Conclusion :
Dans ce chapitre, nous avons, en premier lieu, procédé à une présentation des réseaux de neurones à partir des définitions et des propriétés fondamentale, l’architecture et l’apprentissage nous avons parlée aussi sur les réseaux de neurones multicouches et l’algorithme de rétro propagation. Les réseaux multicouches (approche globale ou par partition) sont des modèles bien adaptés au problème de classification, mais la phase de leur élaboration n’est pas facile car il y’a une multitude de considérations à prendre en compte (l’architecture, initialisation des poids, le pas d’apprentissage et le moment). Les réseaux de neurones ont fait leur preuve en pratique d’être de bons classifieurs si la phase de l’apprentissage est soigneusement faite, offrant alors de nouvelles perspectives au domaine de la classification. Le chapitre suivant sera dédié à la conception et la mise en œuvre du réseau de neurones par le MATLAB.

2.CHAPITRE VI : Mise en Œuvre d’un Classifieur Neuronal 1.Base de donnée de notre travail. 5. 3. .Conception et mise en œuvre par MATLAB.Prétraitement et compression.Démarche générale. 4.Interface graphique .

Une cible inconnue subira. nous présentons l’interface utilisateur de la mise en œuvre de l’application C++. Dans ce chapitre nous allons exposer en détail la manière dont nous avons adapté et appliqué ces techniques a notre problème pour atteindre l’objectif que nous avons fixés et les principaux résultats que nous avons obtenus. Ensuite. Dans cette phase deux modèles de classification seront utilisés et comparés. 9 La deuxième étape consiste a sélectionner parmi ces caractéristiques celles qui seront utilisées pour estimer les paramètre du classificateur choisi. un traitement on-line en vue de sa classification. Il s’agit d’appliquer l’étape de l’extraction des caractéristiques sur les images ISAR de cette cible. Ce traitement doit être le moins coûteux possible en temps de calcule. • Une deuxième phase qui consiste a calculé les paramètres du classificateur a partir des caractéristiques préalablement sélectionnées. Finalement. Selon la valeur de . Cette démarche consiste a appliquer une succession de traitements sur les images ISAR afin d’obtenir les paramètre intrinsèques du classificateur dont nous avons préalablement fixé le modèle. nous exposons la démarche de conception du classifieur neuronal par le MATLAB. 1. Cette étape est appelée (sélection des caractéristiques).Démarche générale : Une démarche générale de résolution du problème a été dégagée (figure 4. sur les éléments de la base de travail.Introduction : Dans les trois chapitres précédents nous avons présenté les différentes méthodes et techniques utilisées pour concevoir un classificateur de cibles radar à partir de leurs images ISAR. afin d’obtenir les paramètres du classificateur. La démarche comporte essentiellement deux phase : • Une phase que nous appelons prétraitement. Ce traitement est appelé (extraction des caractéristiques). Dans ce chapitre nous démarrons par présenter les résultats des prétraitements et les différents algorithmes de sélection de caractéristiques que nous utilisons ultérieurement. quant a elle. Elle comporte deux étapes : 9 La première étape consiste a utiliser une méthode d’analyse de données pour réduire la taille de l’image ISAR tout en préservant le maximum des informations utiles. Le résultat des traitements effectués dans cette étape est un vecteur des caractéristiques représentant la cible. Les deux phase qui consiste précitées sont effectuée en off-line.1). En pratique. suivi d’une évaluation de la fonction de décision en lui injectant les caractéristiques retenues dans l’étape de la sélection.

le classificateur décide d’affecter la cible à l’une des classes existant dans la base de données. retenir les premiers vecteurs propres et prendre les valeurs absolues de leurs composantes (MATLAB). orienté d’un angle de 1°a 360° avec un pas de 1° (Transformée de Radon) (MATLAB).1). C’est ce que nous appelons la reconnaissance de cible.cette fonction. 2) Pour chaque image : (a) effectuer ses projections sur un axe passant par son centre. . Les différentes étape de la démarche son résumées dans la figure. (4.1 : Démarche générale. Novelle cible Le plan général de notre travail est le suivant : 1) Disposer d’une banque de données constituée d’images de cibles représentatives. Apprentissage Off-line Apprentissage On-line Base de travail (Images ISAR) Extraction des caractéristiques (Réduction) Classificateur Classement de la cible Sélection des Caractéristique Evaluation du critère de décision Base de donnée Extraction des caractéristiques Apprentissage et validation Fig. (c) Construire un vecteur ligne constitué de toutes les composantes des vecteurs propres retenus alignés l’un après l’autre(MATLAB).4. 3) Sélectionner les caractéristiques pertinentes qui discriminent aux mieux entre les différentes cibles. (b) Réduire la taille des matrices de données par l’analyse en composant principales (ACP).

le même pré traitement que celui de la deuxième étape. .Etude en fonction du nombre d’itérations 5) Exporter le réseau de neurones implémenter par le MATLAB vers une application C++. La base sera constituée. F16.2: Organigramme de notre démarche de travail. Pour cela il faut faire : (d) Etude en fonction du nombre de couches cachées.) constitueront nos classes de référence.Données brutes : La base de données brutes dépendra du domaine d’utilisation. par exemple. 2. (c) Choix des paramètres d’apprentissage du réseau . d’images de différents types des avions. Ainsi. 6) Utiliser le classificateur pour la reconnaissance de nouvelles cibles inconnues pour cela il faut (Application C++) : (a) Effectuer sur l’image ISAR de la cible inconnue. A310. (e) Etude en fonction du nombre de neurones dans la couche cachée. (c) Evaluer la fonction de décision et affecter la cible inconnue a la bonne classe. dans le cas d’une reconnaissance de cibles aériennes ou des images de différents types de bateaux dans le cas d’une reconnaissance de cibles maritimes.4.Prétraitement et compression 2. (b) Ressortir les caractéristiques sélectionnées dans la troisième étape.4) Construire un classificateur neuronal qui discrimine entre les cibles (MATLAB).…. AIRBUS. dans le cas de la reconnaissance de cibles aériennes.1. Fig. les types d’avions (MIG25.

. La figure ci-dessous montre un exemple d’image ISAR. Devant ces difficultés.Dans notre cas.4: Séquence d’images ISAR d’un MIG25 a des instants successifs.4693s. Généralement. Cette reconnaissance automatique nécessite la conception d’un processus de représentation et de traitement numérique de l’information. Ceci est du au fait que quelques points du conteur ainsi que les surfaces les plus anguleuses a l’intérieur du contour apparaissent de façon relativement claire. sous forme de points brillants. La cible peut apparaître dans l’image selon différentes orientation.8347s [37].4. 1.4933s. les points les plus réfléchissants de la cible. Ce type d’images fait apparaître. 1. l’automatisation de la reconnaissance de cible s’impose.1280s. 0.3: Image ISAR d’un MIG 25 6 Fig. A partir de ces figures nous pouvons constater qu’un opérateur exercé peut. les contours et les surfaces anguleuses de la cibles sont les plus réfléchissants. Malheureusement. la reconnaissance visuelle reste très limitée et même sujette a des erreurs devant le nombre important de cibles et parfois la qualité médiocre des images. Dans notre cas considérons que la cible occupe le centre de l’image quelle que soit son orientation. Il s’agit d’un avion de type MIG25 [37]. 0. La figure ci-dessous représente les images ISAR de la même cible relevées respectivement aux instants successifs t = 0. 1. les données brutes sont des images de type ISAR de cibles aériennes (avion).1520s.8107s.4. 1 2 3 4 5 Fig. avoir une idée sur le type d’appareil. a partir d’une observation visuelle.

La transformée de radon des deux images suivant des angles de projection allant de 1° a 360° a pas de 1° . Nous avons choisi comme intervalle de projection l’intervalle [0°. a fin d’être sur de balayage l’ensemble des orientations possibles de l’objet. La figure (4. 360°[ avec un pas de discrétisation de 1o .4. Nos données sont des images en niveaux de gris de 96 x 96 (9216) pixels.5-b) montre la transformée de radon (TR) d’une image ISAR d’un MIG25 (figure (4. Nous constatons que les images transformées pour les deux orientations présentent beaucoup de similitudes.5 : Image ISAR du MIG25 a 0° et 45° et leur transformée de Radon. est illustrée sur les figures ci-dessous (a) (b) (c) (d) Fig. Cette transformation remplace l’image brute par une représentation bidimensionnelle constituée de ses projections.2. L’axe des abscisses de la TR représente les angles suivant lesquels l’image a été projetée.2.un avion de type MIG25 pris sous différente angles d’orientation doit être reconnue comme étant le même objet par notre système de reconnaissance automatique. Nous avons ensuite fait tourner notre cible d’un angle de 45 degrés puis nous avons appliqué la TR a l’image obtenue. c-à-d qu’elles comportent les mêmes colonnes mais dans un ordre . Ainsi.5-a)).Application de la transformée de radon aux images : L’utilisation de la transformée de radon vise a rendre les objets a identifier indépendants de rotation (angle d’observation).

sélection des caractéristiques : La sélection des caractéristiques permet de bien distinguer entre les cibles. ⎛ 3.6146 ⎟ ⎜ 0. L’application de la transformée de radon a une image de dimension 96 x 96 (9216 pixels) conduit a une image de : (96 2 + 96 2 ) × 360 360 = 136 × = 48960 pixels.8272 ⎟ ⎜ ⎟ ⎜ 0. de la sélection des caractéristiques mais aussi de la réduction de la taille des données. Dans notre travail.défirent. Dans ce cas.0949 ⎟ ⎜ 0. Or. chaque image est transformée en une représentation bidimensionnelle de ses projections pour des angles allant de 1° à 360° par pas de 1°.3.4. même si les testes semblent conduire a conclure à un taux d’erreur de décision très faible.4198 ⎞ ⎜ ⎟ ⎜1. Après cette étape. L’information ainsi présentée occupe 1 pas environ cinq (5) fois plus d’espace mémoire que l’image initiale. En pratique les composantes principales sont calculées en utilisant la décomposition en valeurs singulières (SVD). Le décalage dans l’ordre des colonnes est du a l’ongle de rotation (45°) de la cible dans la première image par rapport à la deuxième. Pour d’outres valeurs d’ongles d’orientations de la même cible. nous utilisons directement les valeurs singulières comme des caractéristiques qui représentent la cible.5422 ⎟ ⎠ ⎝ Fig. 3.6 : Application de la transformation Radon et SVD sur l’image ISAR MIG25. L'analyse en composant principales (ACP) est un outil très utilisé dans ce domaine.Base de données de notre travail : L’efficacité d’un classificateur ne peut pas être établie lorsque sa partie apprentissage est bâtie sur une base de donnée contenant un petit nombre d’échantillons. la confrontation de ce classificateur à des problèmes réels peut sérieusement compromettre le résultat des testes. nous aurons les mêmes colonnes que précédemment mais dans un ordre différent. 2. La SVD permet non seulement. de la matrice de covariance de données. dans un domaine aussi sensible que celui de la reconnaissance de cibles .

A-4 A-7 A-10A B-13 B-52 bucaneer F-4 F-111 Harrier Jaguar Mig25 Mig-27 Mirage Su-7 Su-24 Tu-22 Tu-26 Viggen Fig. Notre base de travail est constituée de 18 type de cibles aériennes différentes. nous avons le taux de classification correcte Pc (appelé aussi pourcentage de bien classés). Les images des cibles utilisées du travail de Y.4.7 : Images brutes des avions utilisés pour la base de référence. La base de données contient dons 18 classe de cibles. Pour mesurer la performance de l’approche préconisée. notre base de travail est donc constituée de 18 classes et une seule instance par classe.7). Comme chaque type de cible constitue une classe. Toutes les cibles de référence sont orientées dans la même direction.He [38].7). .Est encore moins évident s’agissant de cibles ennemies. La base de donnée est formée en effectuant le pré-traitement cité dans le diagramme de la figure (Fig.4. Les images brutes de ces cibles sont portées sur la figure (4.

Cependant.covariance. car les positions des surfaces séparatrices dépendent du nombre de neurones dans la couche cachée. Dans le contexte d’un mode supervisé. Pour valider les tests d’apprentissage. Nombre des échantillons testées (4. D’autres paramètres sont pris en considération durant l’apprentissage d’un réseau de neurones : le pas d’apprentissage. le réseau aura une faible capacité de généralisation. nous utilisons un réseau multicouche à rétro propagation du gradient. Pour résoudre ce problème. Nous avons effectué une étude des différentes structures en fonction du taux d’identification que nous définissons comme étant le rapport du nombre d’éléments bien classés sur le nombre total des éléments. les données doivent être décorrélées. nous avons construit une base de données qui contient 18 classes qui peuvent être corrélés.Architecture du réseau et apprentissage : Pour la définition de l’architecture du réseau. nous appliquons une analyse en composantes principales (ACP). Ces valeurs nous permettent de faire une restitution presque complète du signal.1) 4. il n’existe pas de méthode systématique pour obtenir une architecture performante.Conception et mise en oeuvre par MATLAB : Comme nous l’avons cité dans la description des différentes catégories de réseaux de neurones dans le chapitre précédent. si ce nombre est petit les surfaces ne s’adaptent pas à la complexité du problème. et si il est trop important. .1. les réseaux non bouclés (ou statiques) sont les plus adaptés à la résolution des problèmes de classification. 4. ensuite nous avons choisi les valeurs de l’espace qui représentent une variance importante (95%).Conditionnement des entrées : A l’entrée du réseau. nous avons calculé les valeurs propres de la matrice de variance. La construction du réseau se fait en trois phases principales : Le conditionnement des entrées. la définition de l’architecture du réseau et l’apprentissage. le momentum et le nombre d’itérations. nous effectuons une étape de généralisation qui traduit la capacité du réseau à classifier les données de la base de test. une telle considération n’est pas nécessaire car le but de notre application est la décorrélation des données et non pas la restitution des données originales.2.Ce taux est donné par l’expression : Pc = nombre de classification correctes . 4. Dans notre cas.

8) montre la variation du taux de reconnaissance en fonction du nombre de couches cachées. la figure (Fig. en addition.4. Il y’a un nombre à partir duquel . nous avons utilisé le nombre d’itérations=1000. avec des fonctions d’activation sigmoïde.8 : étude en fonction de nombre de couches cachées ♦ Etude en fonction du nombre de neurones dans la couche cachée : Dans cette étude nous avons utilisé un réseau à une seule couche cachée.4. l’apprentissage devient de plus en plus lent. Pour un réseau à une seule couche cachée.4. 120 taux de bonne classification 100 80 60 40 20 0 -20 0 2 4 6 8 10 12 nombre de neurones Fig. 120 taux de bonne classification 100 80 60 40 20 0 1 2 nombre de couches cachées 3 Fig.9 : étude en fonction de nombre de neurones. Une couche cachée est donc suffisante. Le graphe ci-dessous montre l’évaluation du taux d’identification en fonction du nombre de neurones dans la couche cachée.♦ Etude en fonction du nombre de couches cachées : Les résultats ont montré que l’introduction de plus d’une couche cachée ne donne aucune amélioration. l’augmentation du nombre de neurones ne peut pas améliorer indéfiniment la qualité de l’apprentissage.

Ce choix se justifie par le fait que ce nombre donne de meilleurs résultats et avec moins de temps de calcul (étude précédente). et nous avons constaté que le taux d’identification constante dans la valeur de 100% qui montre qu’il n’y a pas aucun influence sur la convergence de l’algorithme et sur les performances du réseau.10 ) 120 taux de bonne classification 100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 variation de pas d'apprentissage Fig. à présent nous étudions l’influence des paramètres d’apprentissage (le pas d’apprentissage. au delà de 7 neurones aucune amélioration n’est constatée. Nous avons varié le pas d’apprentissage dans un intervalle de [0 1]. Voir la figure(Fig4. Dans notre cas. ♦ Etude en fonction du momentum Dans cette étude nous avons entouré le momentum. et nous avons constaté que le taux d’identification constante dans la valeur de 100% qui montre qu’il n’y a pas aucun influence sur la convergence de l’algorithme et sur les performances du réseau. . Voir la figure (Fig4.aucune amélioration sur le plan structure ne peut être apportée.4. Nous avons varié le pas d’apprentissage dans un intervalle de [0 1]. .11).Choix des paramètres d’apprentissage du réseau : Nous avons utilisé l’algorithme de rétropropagation du gradient. ♦ Etude en fonction du pas d’apprentissage Dans cette étude nous avons entouré le pas d’apprentissage que nous utilisons dans la mise à jour des poids. le momentum et le nombre d’itérations) sur le taux d’identification.10 : étude en fonction de pas d’apprentissage. Pour cela nous avons utilisé un réseau à 7 neurones dans la couche cachée.

11: étude en fonction de momentum. Dans notre cas. Il y’a un nombre à partir duquel aucune amélioration sur le plan structure ne peut être apportée. au delà de 150 itération aucune amélioration n’est constatée.Interface graphique Nous avons réalisé toutes les fonctionnalités de prétraitement en longuage C++. 120 taux de bonne classification 100 80 60 40 20 0 -20 0 1000 2000 3000 4000 5000 6000 nombre d'itérations Fig. Dans ce cas nous avons variée le nombre d’itérations de 500 jusqu’a 5000 de pas 500.12 : étude en fonction de nombre d’itération 5. ♦ Etude en fonction du nombre d’itérations Nous étudions dans cette partie l’influence du nombre d’itérations sur l’apprentissage. pour être utilisé dans une application « système expert ».4.120 taux de bonne classification 100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 variation de momentum Fig. L’intégration de ces programmes avec le .4. l’augmentation du nombre de d’itérations ne peut pas améliorer indéfiniment la qualité de l’apprentissage.

4.14 : Forme « Architecture réseau ».4. pour identifier plusieurs cibles a la fois. L’interface est constitué d’une forme principale.13 : Forme principale L’opération d’exportation du réseau se fait par l’ensemble des boutons « Réseau de neurones ». . L’application que nous avons réalisée par un environnement C++ Borland.14). ce qui facilite la réalisation de notre travail. Fig. (Fig. car c’est un environnement de type RAD.4.réseau de neurones réalisé par le MATLAB se fait par une interface graphique. figure(Fig4. qui porte tous les menus et les boutons nécessaires à l’application. qui fait apparaître la forme « architecture réseau ».13). Nous aussi choisie que l’application soit de type MDI. cette dernière est utilisé pour fixer l’architecture réseau. Fig.

15 : Forme de progression de l’acquisition. . Transformé Radon.Les étapes suivantes sont : 1. alors une forme MDIchild apparais avec toutes les informations concernant l’avion identifiée.4. Fig. 3. Acquisition signal. Fig. 2. Décomposition SVD.4. Si l’identification est faite.16).16: Forme de la cible identifiée.4. Figure(Fig. Sont effectués par l’ensemble des boutons « Identification ».

4.4. Fig.Pour visionner la base de données on utilise le bouton « base de données ».17 :forme choix avion. la forme du choix de l’avion alors apparaît. .18 : forme a propos. Les informations sur le groupe de travail qu’à contribuer à la réalisation de l’application sont délivrées par la forme « A propos » Fig.

Les quelques tests réalisés. Le réseau a donné de bons résultats en généralisation pour différentes valeurs du seuil. Ce classifieur une fois établi. La combinaison de la classification par réseaux neurones avec la technique d’extraction des caractéristiques des images du cibles de type ISAR nous à permis d’atteindre un taux de reconnaissance acceptable (95 %) sur une base de données de 18 classe.Conclusion En partent de quelques intuitions nous sommes parvenus à une démarche méthodologie de classification de cibles radar. . ont permis de confirmer quantitativement nos intuitions. bien qu’ils ne soient pas nombreux. peut être exporté vers notre application C++ pour être utilisé. L’utilisation de l’algorithme de la rétropropagation pour la classification de la base de donné des images ISAR donne des résultats acceptables concernant le temps de convergence et le taux d’apprentissage. Elle commence par l’extraction des caractéristiques en passant par la sélection d’un nombre raisonnablement acceptable de caractéristiques et se termine par la classification et l’identification des cibles.

.

nous avons exporté ce dernier vers une application de type C++. pour être utilisé facilement et dans un temps raisonnable. Après la mise en œuvre du réseau de neurones par le MATLAB. Car la lourdeur de calcule vient des étapes de pri-traitement et de compressions.Conclusion générale : A travers ce mémoire de fin d’études. nous avons proposé une démarche générale de résolution. elle pose un problème de volume de stockage et une lenteur des calculs. En plus. qui part de l’extraction des caractéristiques et aboutit à une fonction de décision. nous avons basé notre processus d’identification des cibles sur des images ISAR. . C’est la raison pour laquelle nous avons utilisé des techniques de réduction pour ne retenir que l’information la plus pertinente par rapport à l’objet de reconnaissance automatique. Les perspectives de nos travaux seront focalisées sur la réalisation pratique et l’implémentation d’un système embarqué pour l’identification des cibles. Bien que cette information soit riche. C’est cette fonction de décision qui est utilisée pour identifier des cibles nouvellement détectées. Le problème d’orientation de la cible et aussi contourné en utilisant la transformée de radon. Nous n’avons négligé aucune étape du processus de construction du classificateur automatique. Il en résulte une méthodologie bien définie pour aboutir aux bons paramètres d’apprentissages et tester les performances du classificateur. Pour résoudre le problème de la reconnaissance des cibles radar. l’amélioration des algorithmes de pri-traitement est primordiale à l’identification des cibles. Les différentes testes on preuvé que notre réseau de neurones arrive à des performances très intéressante (presque 100 %). Une classification des images des cibles de type ISAR par les réseaux de neurones a été étudiée.

Résumé : Les recherches actuelles dans le domaine de la surveillance aérienne s’orientent de plus vers la reconnaissance des cibles radar sans leur participation active(reconnaissance de cibles non coopérative NCTR). ISAR images. These features are then used that data base for training of the neural networks.‫اﻹﻧﺘﺸﺎر اﻟﻌﻜﺴﻲ‬،‫اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻮﻧﻴﺔ‬ .images ISAR. we propose a global approach for the classification of targets. ACP) ont été adaptée pour extraire et sélectionner des caractéristiques ayant un grande pouvoir discriminant. des techniques standard (transformée de radon. the supervised training of the neural networks do by the back propagation algorithm of the gradient.réseau de neurones. Radon transform (RT). Ces caractéristiques sont ensuite utilisées comme base d’apprentissage pour le réseau de neurones. Classification. ‫ ﺗﻬﺘﻢ اﻟﺒﺤﻮث اﻟﺤﺎﻟﻴﺔ ﻓﻲ ﻣﺠﺎل اﻟﻤﺮاﻗﺒﺔ اﻟﺠﻮﻳﺔ ﺑﺈﻳﺠﺎد ﻃﺮق ﻣﻼﺋﻤﺔ ﻟﻠﺘﻌﺮف ﻋﻠﻲ اﻷهﺪاف ﺣﺘﻲ‬: ‫ﻣﻠﺨﺺ‬ ‫ﻓﻲ هﺬا اﻟﻤﻀﻤﻮن ﺗﻢ إﻗﺘﺮاح ﻣﻨﻬﺠﻴﺔ (أهﺪاف ﻏﻴﺮ ﻣﺴﺎهﻤﺔ) ﻓﻲ ﻏﻴﺎب اﻟﺘﻌﺎون اﻹﻳﺠﺎﺑﻲ ﻣﻦ ﻗﺒﻞ هﺬﻩ اﻷﺧﻴﺮة‬ ‫ ﺗﺴﻤﺢ ﺑﺘﺼﻨﻴﻒ اﻷهﺪاف ﻣﻦ ﺧﻼل ﺻﻮر ﻟﻬﺎ ﻣﻦ ﻧﻮع‬ISAR ‫ﻟﺒﻠﻮغ هﺬﻩ اﻟﻐﺎﻳﺔ ﻗﻤﻨﺎ ﺑﺘﻜﻴﻴﻒ ﻣﺠﻤﻮﻋﺔ ﻣﻦ‬ ‫ اﻟﺘﺤﻠﻴﻞ إﻟﻲ اﻟﻤﺮآﺒﺎت اﻷﺳﺎﺳﻴﺔ )اﻟﺘﻘﻨﻴﺎت اﻟﻤﻌﺮوﻓﺔ‬،‫ﻷﺟﻞ اﺳﺘﺨﺮاج و اﻧﺘﻘﺎء ﺧﺼﺎﺋﺺ (ﺗﺤﻮﻳﻞ رادون‬ ‫ هﺬﻩ اﻟﺨﺼﺎﺋﺺ ﺗﺴﺘﻌﻤﻞ آﻘﺎﻋﺪة ﺑﻴﺎﻧﺎت ﻟﺘﺪرﻳﺐ اﻟﻤﺼﻨﻒ‬، ‫ﻟﻬﺎ ﻗﺪرة ﺗﻤﻴﻴﺰ ﻋﺎﻟﻴﺔ ﺑﻴﻦ ﻣﺨﺘﻠﻒ اﻷهﺪاف‬ ‫ ﺗﺴﺘﻌﻤﻞ ﻗﺎﻋﺪة اﻟﺒﻴﺎﻧﺎت ﻟﺘﺪرﻳﺐ اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻮﻧﻴﺔ ﺑﺎﺳﺘﻌﻤﺎل ﺧﻮارزﻣﻴﺔ اﻹﻧﺘﺸﺎر‬، ‫ﺑﺘﻘﻨﻴﺔ اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻮﻧﻴﺔ‬ .Dans ce mémoire. la banque de données dans l’apprentissage supervisé du réseau de neurone fait par l’application de l’algorithme de rétropropagation du gradient.ACP. nous avons proposé une approche pour une classification de cibles basées sur leur image ISAR. For this purpose.transformée de radon. ‫اﻟﺸﺒﻜﺔ اﻟﻌﺼﺒﻮﻧﻴﺔ ﺗﻌﻄﻲ ﻧﺘﺎﺋﺞ ﺟﺪ دﻗﻴﻘﺔ‬ :‫آﻠﻤﺎت ﻣﻔﺘﺎﺣﻴﺔ‬ ‫ ﺻﻮر ﻣﻦ ﻧﻮع‬،‫اﻷهﺪاف ﻏﻴﺮ اﻟﻤﺴﺎهﻤﺔ‬ISAR ،‫ اﻟﺘﺼﻨﻴﻒ‬،‫ اﻟﺘﺤﻠﻴﻞ ﺑﺎﻟﻤﺮآﺒﺎت اﻷﺳﺎﺳﻴﺔ‬،‫ﺗﺤﻮﻳﻞ رادون‬ . Mots clés : NTSC. neural network. The classification of ISAR images bay the neural networks give exact result. La classification d’images ISAR par la méthode des réseaux de neurones. In this work. PCA) are fitted in a way that allows extraction and selection of a set of features with a great discriminating power. ABSTRACT : Most of the recent air surveillance researches are focusing on no-cooperative target recognition. ‫اﻟﻌﻜﺴﻲ‬ ‫ﺗﺼﻨﻴﻒ ﺻﻮر اﻷهﺪاف ﻣﻦ ﻧﻮع‬ISAR‫ ﺑﻮاﺳﻄﺔ‬. principal component analyses (PCA). rétropropagation. classification. Keywords: NTSC. standard techniques (Radon transform. La classification des images ISAR par réseau de neurones donne des résultats très précis. Pour atteindre cet objectif. This classification uses the information contained in target ISAR images.