DJABER Mahfoud

IDENTIFICATION DE CIBLES ARIENNES PAR UN CLASSIFIEUR NEURONAL

Sommaire
Introduction gnrale...........................................................................................................01 CHAPITRE I : INTRODUCTION AU RADAR
Introduction...03 1- gnralit sur les radar03 1.1- dfinition du radar..03 1.2- principe du radar....03 2- composition dun radar.....04 3- les frquences radar..06 4- caractristiques dun systme radar..07 4.1- type de radar ...07 4.2- modes dmission du radar..07 5- leffet doppler...07 6- quation radar...08 7- la surface quivalent radar....09 8- notation sur les performances des radars..10 8.1- la porte...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 extrieurs (clutter)...12 9.3- aspect probabilistique de signal radar.12 10- application radar ....13 Conclusion.13

CHAPITRE II : LE RADAR OUVERTURE SYNTHETIQUE INVERSE (ISAR)

Introduction ..14 1- Identification des cibles au moyen des systmes IFF...14 1.1- Principe de fonctionnement..14 1.2- Caractristiques des antennes...15 - Le faisceau dinterrogation...15 - Le faisceau de contrle..15 1.3 - Signal dinterrogation.16 1.4- Signal de rponse.....18

1.5- Les inconvnients de system (IFF).18 2- Reconnaissance des cibles non coopratives20 2.1-dfinition .20 2.2- Techniques de reconnaissance des cibles non coopratives .20 2.2.1- Radar Haute Rsolution..20 2.2.2- Limage 2D-ISAR22 2.3- Comparaison des techniques de reconnaissance de cibles non coopratives 23 3- principes de fonctionnement des radars imageurs SAR et ISAR.23 3.1- Principe de fonctionnement des radars SAR24 3.1.1- Avantages du radar SAR et ses applications.24 3.1.2- Rsolution du radar SAR25 3.2- la radar a ouverture synthtique inverse (ISAR)29 3.2.1- Principe de fonctionnement du radar ISAR.30 3.2.2- Recouvrement de donnes ISAR..31 3.2.3- Rsolution de l'ISAR.33 4- Les oprations de pr-traitement effectues sur les images ISAR34 4.1- technique d'extraction des caractristiques.34 4.1.1- Extraction de contour 34 4.2- Technique de rduction de la taille de donne36 4.3- transforme de radon (TR) 38 4.4- technique de slection des caractristique 39 4.4.1- l'analyse en composantes principales (ACP)40 Conclusion 42

CHAPITRE III : Classification par rseaux de neurones

Introduction .....43 1- mthode de classification..43 2- prsentation des rseaux de neurones.44 2.1- dfinition .44 2.2- transition du neurone biologique au neurone formel45 2.3- le principe et les tapes de constriction dun rseau de neurones.46 2.4- rseaux de neurones formels.47 3- Diffrents type de fonction dactivation 49 4- lapprentissage..50 4.1- lapprentissage supervis50

4.2- lapprentissage non supervis51 4.3- techniques dapprentissages51 5- Architecture51 5.1- les rseaux non rcurrents.....51 5.2- les rseaux rcurrents.52 6- le perceptron multicouches53 7- Algorithme de rtropropagation .54 7.1- modification des poids de la couche de sortie..54 7.2- mise jour des poids des couches caches.55 7.3- lissage de la classification 57 8- rseau de neurones pour la classification 58 8.1- classification et approximation des fonctions58 8.2- classification neuronale et non neuronale..59 9- les avantages et les inconvnients du rseau de neurones59 9.1- les avantages du RN59 9.2- les inconvnients du TN..60 Conclusion..61

CHAPITRE VI : Mise en uvre dun Classifieur Neuronal

Introduction62 1- Dmarche gnrale ..62 2- Prtraitement et compression.64 2.1- Donnes brutes 64 2.2- Application de la transforme de radon aux images 64 2.3- slection des caractristiques.67 3- Base de donnes de notre travail..67 4-Conception et mise en oeuvre par MATLAB ..69 4.1-Conditionnement des entres69 4.2- Architecture du rseau et apprentissage.69 Etude en fonction du nombre de couches caches.70 Etude en fonction du nombre de neurones dans la couche cache70 Etude en fonction du pas dapprentissage......................................................71 Etude en fonction du nombre ditrations.71 Etude en fonction du nombre ditrations72 5- Interface graphique..72 Conclusion..76

Conclusion gnrale....77

Liste des figures

Fig.1.1: Schma synoptique dun radar moderne04 Fig.1.2 : Localisation en distance..11 Fig 1.3: Rsolution en distance11 Fig.2.1: Schma synoptique gnral15 Fig.2.2: Les signaux dantennes.16 Fig.2.3: Dfinition des modes militaires..18 Fig. 2.4: Profil en porte d'un avion vu du ct gauche21 Fig.2.5: image 2D ISAR.22 Fig.2.6 :gomtrie du radar SAR.24 Fig.2.7: Le SAR embarqu sur plate forme dplaant une vitesse constante v26 Fig.2.7: Situation des donnes avant et aprs focalisation27 Fig.2.8: Principe de focalisation du radar SAR27 Fig.2.10: Schma comparatif entre la rsolution de trois types de radar28 Fig.2.11:Gomtrie du l'ISAR.29 Fig.2.12 : Equivalence SAR/ISAR.30 Fig.2.13: deux points rflecteurs dune cible pour le cas de limagerie ISAR..30 Fig.2.14: Spectres dun point rflecteur deux instants diffrents.31 Fig.2.15:reprsentation de la forme d'onde de M- bus et N- impulsions32 Fig.2.16: montre l'application de plusieurs techniques d'extraction de contours sur une image 2D-ISAR.35 Fig2.17: les diffrent niveau de la transforme en endelette appliqus a un mig-2537 Fig.2.18: Les diffrents niveaux de la transforme en ondelette appliqus un bateau.37 Fig.2.19: Limage f ( x, y ) projete sur l'axe x qui Est orient selon un ongle Par apport l'axe x38 Fig.2.20: La transforme de radon sur une image ISAR39 Fig.2.21: Rsultat aprs lapplication de lACP sur une image ISAR42 Fig.3.1: diagramme d'un systme de classification.44 Fig. 3.2 : Neurone biologique..45 Fig.3.3 : Neurone artificiel45 Fig.3.4: architecture d'un perceptron multicouches.46 Fig.3.5: neurone formel..48

Fig.3.6: Rseaux non rcurrents52 Fig.3.7 : Les rseaux de neurones rcurrents52 Fig.3.8 : rseau MLP.53 Fig.4.1 : Dmarche gnrale de lapproche propose63 Fig.4.2: Organigramme de notre dmarche de travail.64 Fig.4.3 : Image ISAR dun MIG 2565 Fig.4.4 : Squence dimages ISAR dun MIG25 a des instants successifs. 65 Fig.4.5 : Image ISAR du MIG25 a 0 et 45 et leur transforme de Radon. 66 Fig.4.6 : Application de la transformation Radon et SVD sur limage ISAR MIG2567 Fig.4.7 : Images brutes des avions utiliss pour la base de rfrence68 Fig.4.8 : tude en fonction de nombre de couches caches..70 Fig.4.9 : tude en fonction de nombre de neurones.70 Fig.4.10 : tude en fonction de pas dapprentissage.71 Fig.4.11: tude en fonction de momentum.72 Fig.4.12: tude en fonction de nombre ditration.72 Fig.4.13 : Forme principale.73 Fig.4.14 : Forme Architecture rseau ..73 Fig.4.15 : Forme de progression de lacquisition.74 Fig.4.16: Forme de la cible identifie.74 Fig.4.17 :forme choix avion.75 Fig.4.18 : forme a propos75

Liste des tableaux

Tab.1-1 : les frquences radar06 Tab.2-1 : Modes civils17 Tab.2-2 : Modes militaires17 TAB.2-3 :Comparaison des techniques de classification..23 Tab.3-1 : Elments de ressemblance entre le neurone biologique et le neurone formel.46 Tab.3-1: Diffrents types de fonction dactivation..49

Ddicaces
Je ddie ce travail : Ma chre mre, pour ses sacrifices depuis quelle ma mis au monde Mon pre, qui ma toujours soutenu et aid affronter les difficults Toute la famille:khadra, nakhla,said,hafidha,nadjat et hayat Mon binme et frre hassen ainsi que toute sa famille, A mes amis : rachid, aissa,dahman,chibout,abdo,saleh, brahim,taytah, amin,mourad et Benatala,smaile somia,maria , noura, messouda, zinab. Toute la promotion 2008.
Djaber

Introduction gnrale :
La surveillance arienne est lune des proccupations majeures de la dfense militaire. Depuis les deux dernires guerres mondiales, beaucoup defforts ont t dploys pour lidentification des cibles. Les premiers systmes dvelopps pour examiner lidentit dune cible arienne sont les systmes IFF (Identification Friend-Foe). LIFF est base sur une boucle de questions/rponses. En rponse une interrogation code, le code didentification de la cible est transmis la station de surveillance, la cible est dite cooprative. Toutefois, lIFF prsente beaucoup dinconvnients qui peuvent fausser lidentification de la cible et conduire une dcision prilleuse. Pour pallier aux problmes poss par lutilisation de lIFF, les recherches se sont orientes de plus en plus vers la reconnaissance de la cible sans sa participation active. A partir du moment ou la gomtrie de la cible et ses parties en rotation imposent une certaine rponse vis--vis des ondes lectromagntiques, la signature radar est largement utilise pour la reconnaissance des cibles non coopratives. Plusieurs types de signatures radar peuvent tre utiliss. La signature radar de la cible est fonction de sa surface "vue" par le radar appele surface quivalente radar (SER). La difficult premire de la reconnaissance des cibles radar est que la
SER est fortement dpendante de la frquence utilise et de langle de vise du radar. Pour

rsoudre ce problme, il est essentiel dobtenir des caractristiques efficaces et robustes partir de la SER de la cible, par consquent, les frquences de rsonances, les profils en porte
(HRR) et les images radar ouverture synthtique inverse (ISAR) ont t utiliss cette fin.

Dans ce mmoire, nous avons essay dutiliser un classifieur neuronal pour identifier un cible inconnu a partir de son image ISAR. Lide de base est de ne slectionner que linformation pertinente (intressante) par rapport ce but. Ceci permet alors daboutir une base de donnes de rfrence de taille raisonnable et acclrer les diffrents calculs. Cette slection se fait en off-line et naffecte en rien la dure ncessaire la prise de dcision concernant une cible nouvellement dtecte. La premire tape de lapproche est un prtraitement qui permet de rduire la taille des donnes (ACP) et dextraire les caractristiques indpendamment de langle dorientation (transform Radon). Ensuite, la base de donne sera utilise par Matlab pour faire lapprentissage dun rseau de neurones, afin de reconnatre automatiquement une cible

inconnue. Ultrieurement, le classifieur neuronal sera exporter vers une application, de Type C++, qui se charge de faire lidentification automatique. La manuscrit qui reprsente notre travail sera organiser de la manire suivant : Le premier chapitre a t rserv a une introduction gnrale sur le radar. Nous allons parle des principes de fonctionnement dun systme radar, la composition dun radar, et les quations radar. Nous allons aussi prsente dans ce chapitre leffet doppler et les applications des radars. Dans le deuxime chapitre, nous allons prsenter la technique didentification des cibles (IFF), ses avantages et ses inconvnients. Pour rduire la probabilit de fratricide caus par un des inconvnients de lIFF nous allons prsenter le systme didentification des cibles non cooprative base sur la classification des images des cibles de type ISAR. Les tapes de prtraitements des images ISAR (extraction des caractristiques, rduction de la taille des donnes, slection des caractristiques), sont aussi exposes dans ce chapitre. Le troisime chapitre a pour but de prsenter la mthode de classification par une approche neuronale base sur lalgorithme de rtro-propagation. Le fondement mathmatique de lalgorithme a t prsent, ainsi que son application en classification. Puis nous citons les diffrents facteurs qui influent sur la classification neuronale, la fin de ce chapitre nous donnons la procdure dtablissement dun classifieur base de rseau de neurones. Le quatrime chapitre est consacr aux rsultats dapplication, sur des images ISAR. Nous prsentons les rsultats de lapplication de la transformation de radon et de lACP. Ensuite, nous parlons de la conception de notre rseau de neurones et la mise en uvre de ce dernier. Le dernier parti, est la prsentation de la ralisation finale de lexportation du rseau, ainsi que linterface utilisateur de notre application C++. Nous terminons ce mmoire par une conclusion gnrale.

CHAPITRE I :

Gnralits sur les radars

1- gnralit sur les radar 2- composition dun radar 3- les frquences radar 4- caractristiques dun systme radar 5- leffet doppler 6- quation radar 7- la surface quivalent radar 8- notation sur les performances des radars 9- le bruit 10- application radar

Introduction:
Ce chapitre a t labor dans le but d'tayer le principe de fonctionnement du systme radar. Le terme radar est li son mot dorigine, qui est RADIO DETECTION AND RANGING , le principe est la dtermination de la prsence et la localisation dun objet en utilisant les chos des ondes radio. Le dveloppement du radar, est due en premier lieu, a la rvlation technologique qui a pris place en XX sicles et surtout, durant la deuxime guerre mondiale, o il a connu un progrs considrable. Dans ce premier chapitre nous allons parler sur le principe et la composition d'un systme radar. Ensuite, nous essayons d'exposer les caractristiques d'un tel systme et aussi prsent l'effet doppler, ainsi que les quations radar, le bruit, notion sur performances des radar et les applications du radar.

1. Gnralits sur le radar :

1.1- Dfinition du radar : RADAR est une abrviation de RADIO DETECTION AND RANGING. 9 Radio : le radar utilise des ondes radio lectriques. 9 Dtection : le rle essentiel de radar est la dtection, c'est--dire la rvlation de la prsence dune cible. 9 Ranging : indique les paramtres qui caractrisent la cible. C'est un systme qui utilise les ondes lectromagntiques fin de dtecter l'existence de cible, leur position, leurs vitesses et ventuellement d'identifier leurs caractristiques. 1.2. Principe du radar : Lmetteur diffuse au moyen dune antenne, un faisceau dondes lectromagntiques, la plus grande partie de l'nergie dlivrer par le radar est transmise dans la direction du lobe principale de l'antenne. Cette nergie se propage dans l'aire une vitesse proche de la vitesse de la lumire c. La rflexion se fait dans plusieurs directions suivant la forme de l'objet, le seul cho intercept par le radar est celui rflchi dans la direction de son rcepteur. Lantenne capte le signal cho, ce signal va donc indiquer la prsence de la cible [1]. De plus, le radar peut recevoir une partie de l'nergie rflchie par le sol, la mer ou les nuages. Ces signaux interfrant, appels clutters, peuvent nuire la dtection des cibles. A la rception, l'nergie reue des diffrents chos est amplifie et filtre. Malheureusement, le rcepteur rajoute des bruits alatoires au signal reu. Pour extraire le signal utile des

interfrences, des traitements sont effectus, le signal rsultant est compar un certain niveau de rfrence appel le seuil de dtection. Ce seuil doit tre soigneusement choisi de manire avoir un minimum probabilit de fausse alarme [2]. La distance entre le radar et la cible est calcule a partir du temps ncessaire a l'onde pour parcourir le trajet aller retour entre le radar et la cible. Cette distance est proportionnelle cette dure et vaut:
t1 + t 2 = 2R c

(1.1)

Ou c est la vitesse de la lumire et R la distance radar cible [3].

2- Compositions dun radar :

Le fonctionnement du radar correspond au schma donn la figure (1.1) : Antenne SerovM i

Duplexeur

metteur

pilote

Rcepteur

Traitement du Signal

Traitement de

linformation

Interface Homme/ Machine

Fig.1.1: Schma synoptique dun radar moderne. Lantenne : le radar est dot dune antenne directive, permet de dtecter et de

localiser une cible. Ses caractristiques dpendent essentiellement de lapplication, et en particulier de la place disponible. On recherche gnralement obtenir des faisceaux troits pour mieux localiser la cible. Le duplexeur : cet lment hyperfrquence autorise lutilisation de la mme antenne lmission et la rception. Son rle est daiguiller lnergie mise de lmetteur vers lantenne et le signal reu de lantenne vers le rcepteur, il doit offrir une isolation parfaite entre les deux tages metteur et rcepteur, car le premier gre des puissances

de lordre du mgawatts, alors que le second se caractrise par une sensibilit de quelques nano watts, voire des pico watts. Lmetteur : Lmetteur est le gnrateur de londe radiolectrique mise par le radar. Le pilote : cest un sous-ensemble qui gnre lensemble des signaux des rfrences ncessaires au fonctionnement du radar cest-dire : - Loscillateur local (OL) utilis par la rception super htro type du radar. - Londe FI (frquence intermdiaire) qui servira dmoduler le signal aprs rception. - Londe dmission : est obtenu par battement (transposition) de londe OL et de londe FI. - Les horloges de base du radar. Le rcepteur : Le rcepteur radar est du type htrodyne (avec changement de frquence) avec en plus souvent un tage amplificateur hyperfrquence (faible bruit) En tte. Aprs changement de frquence, la frquence du signal devient alors FI+ FD, o FD est la frquence doppler du signal. Le recepteur, qui doit tre linaire dans toute,la dynamique de rception, amplifie le signal recu pour permettre un traitement ultrieure, sa sensibilit est de lordre de 10-14 W. Traitement du signal : Les signaux fournis par le rcepteur sont composs de signaux utiles (chos de cible) mlangs des signaux parasites. Le rle du traitement de signal est : - Dtecter les cibles utiles, cest dire de dcider si le mlange rsultant contient ou non des cibles utiles - Mesurer les paramtres de ces cibles (distance, vitesse doppler, carts angulaires etc.). Systme de traitement de linformation: Ce systme manipule les donnes partir des informations brutes fournies par le systme de traitement du signal. Le Servomcanisme: partir des informations fournis par le calculateur, le servomcanisme commande la position de lantenne. Linterface Homme/ Machine: Linterface Homme/Machine est un lment qui permet de commander le fonctionnement du radar dune part, et dexploiter les informations dautre part. Lexploitation de ces informations se fait gnralement sur oscilloscope cathodique sur lequel sont inscrites des informations (soit des informations brutes ou des informations synthtises).

La synchronisation entre lmission et la rception est ncessaire pour le calcul des distances. La vitesse des cibles est dtermine grce leffet doppler. Il se manifeste par un dcalage en frquence du signal reu par rapport au signal mis proportionnel la vitesse radiale de la cible (si le radar est fixe):

fd =

2Vr . f c

(1.2)

Cette relation permet de dduire la vitesse radiale Vr dune cible radar en fonction de la frquence porteuse f , La vitesse de propagation c et de dcalage en frquence f d .

3- Frquences radar :
La dsignation de la bande de frquence radar est spcifie par un accord international. La table 1.1 illustre l'allocation de chaque bande de frquence avec leurs symboles correspondants.

Dsignation de la bande HF VHF UHF L S C X Ku K Ka

Plage des frquences 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.1.1 : Frquences radar.

4- Caractristiques du systme radar :

4.1- Types de radar Les radars peuvent tre classs suivant plusieurs caractristiques (mission de radar, relation entre l'antenne mettrice et l'antenne rceptrice, la bande de frquence utilise,..etc). Cependant la classification la plus commune est base sur le mode de transmission du signal. Deux grandes familles sont distingues : Les radars impulsion. Les radars ondes continues. Le radar a impulsions illumine la cible en mettant de courtes impulsions suivant une frquence de rptition (PRF). Le radar a ondes continues met un signal de faon continue. 4.2- Modes d'mission du radar: Il existe trois modes principaux modes d'mission: Mode en onde continue : la forme la plus simple d'un signal a onde continue est la forme sinusodale, il est principalement utilis pour la mesure de la vitesse et la poursuite de cible. Mode a impulsion : il travaille sur le principe de l'mission de courtes impulsions d'nergie. si le rapport auquel les impulsions mises est petit, alors les premires mesures faites sont celles de la porte et la position angulaire, sinon ce sont des mesures formes d'ondes doppler (mesures de vitesse). Mode pulse-doppler : c'est un type spcial de signaux, il peut atteindre une bonne rsolution en porte des signaux mise a impulsions et une grande capacit de discrimination en frquence des signaux a ondes continues.

5- Leffet Doppler :
Lorsquune cible, claire par un metteur radar et lorsquelle est mobile par rapport ce dernier, soit parce quelle se dplace, soit parce que le radar se dplace, londe quelle renvoie vers celui-ci est affecte deffet Doppler. Ceci peut tre utilis pour mesurer la vitesse relative radar cible, o pour caractriser celle-ci, si elle se dplace par rapport son environnement. Considrons une antenne radar qui met une onde de frquence fe que nous supposerons pour le moment rigoureusement constant. Sil y a une cible une distance D0, celle ci renvoie un cho qui donne la sortie du rcepteur du radar un signal de la forme :
S 0 = cos( 2 . f e .t 2

.2 D0 )

(1-3)

Le terme correspond au dphasage d a la propagation le long du trajet aller retour.

4 .D0

Au bout dun temps t1, la cible se trouve une distance D1 et le signal reu aura la forme suivante :
2 S1 (t ) = cos 2 . f e .t .2 D1

(1.4)

V est la vitesse radiale de la cible (V sera positive si la cible se rapproche, ngative si elle sloigne), nous aurons : D0-D1=V.t1 On voit que S1(t) et S0(t) sont dphass, lun par rapport lautre dune quantit :
2 2

(1.5)

1 =

2( D0 D1 ) =

2.V .t1

(1.6)

Mais la variation de la phase 1 correspond une variation de frquence Avec = .t 1 , soit une variation de frquence fd :

angulaire

1 = 2 . f d .t1
Do la frquence doppler sera de la forme : f f
+

(1-7)

Cible ce rapproche Cible sloigne

6- Equation du radar :
Considrons un radar, qui peut fonctionner en impulsions ou en ondes continues. Ce radar est quip dune antenne qui prsente un gain G. Soit P la puissance totale rayonne par lantenne : P sera la puissance crte dans limpulsion ou la puissance de londe continue. La puissance rayonne par unit dangle solide dans la direction o le gain est G, daprs la dfinition du gain :

P1 =

P .G 4
P.G 4 .R 2

(1-8)

A une distance R o se trouve une cible, cette puissance exprime en W/m2 est :
P2 =

(1-9)

Puisque langle solide unit dcoupe sur une sphre de rayon une surface R2.

Une partie de cette puissance incidente est rayonne par la cible dans toutes les directions. Cependant si la cible tait ponctuelle, elle renverrait dans lespace une certaine puissance P3, qui est proportionnelle P2, soit : P3 = .P2 .

: est appel la surface quivalente radar ( SER ) de la cible par unit dangle solide, nous
aurons donc une puissance :

P4 =

P3 .P2 P.G. = = 4 4 (4 .R) 2

(1.10)

Cette puissance P4 donne au niveau de lantenne du radar une densit surfacique de puissance:

P4 =
Pour la mme raison que ci-dessus.

P.G. 1 . ( 4 .R ) 2 R 2

W /m2

(1.11)

Cependant le gain G de lantenne est li sa surface quivalente de rception (eq ) Par relation :
G= 4 . eq

(1.12)

De telle sorte que lantenne se comporte, pour une onde plane comme une ouverture absorbante de surface :

2 .G eq = 4

(1.13)

Il sensuit que le signal S dlivr par lantenne est le produit de la densit de puissance P4 par eq , ce qui donne : S= P.G. 2 .G . 4 4 (1.14)

Soit:

S=

P.G 2 .2 . (4 ) 3 R 4

(1.15)

7- La surface quivalent radar :

La connaissance de la SER de la cible, est trs difficile prvoir priori avec exactitude compte tenu de lextrme sensibilit de cette valeur aux diffrents paramtres prendre en compte. Elle est gnralement obtenue par des mesures.

La SER dune cible est dfinie comme le rapport entre la puissance rflchie de la source [5]. la puissance incidente.

= 4

puissance rflichie / unit d ' engle solide puissance incidente / unit de surface

(1.16)

Cette quation est valable juste pour les cibles qui rayonnent de faon isotropique et dans la direction de lmetteur. Seule la puissance rflchie vers lmetteur participe dans la valeur de la SER. Donc la SER est forme par trois paramtres principaux: la surface de la cible, la Rflexivit et le gain de la cible dans la direction de lmetteur:

= Ac .c .Gc
O :
9 Ac : La surface de la cible vue dans la direction de lmetteur. 9 c : La rflexivit de la cible : puissance rflechie c = puissance incidente

(1-17)

9 Gc : Le gain de la cible dans la direction de lmetteur. 8- Notions sur les performances des radars [4]:
8.1- Porte :

On appelle porte dun radar, la distance maximale laquelle on peut dtecter ou bien suivre une cible donne. La distance est obtenue en gnral par la mesure de dlai de transmission de limpulsion.
8.2- Localisation en angle :

La directivit de lantenne mettrice permet deffectuer une localisation angulaire. Lantenne nmet que dans un domaine angulaire restreint. Suivant lcart relatif entre la direction vers laquelle est pointe lantenne et celle de lobstacle. Lintensit de lcho capt varie et passe par un maximum lorsque ces deux directions sont confondues.

8.3- Localisation en distance :

Le retard dans la rception du signal retour permet doprer une localisation en distance (voir figure 1.2).

impulsion mise

Radar

Impulsion rflchie

Cible T

Fig.1.2 : Localisation en distance.

Limpulsion revient aprs un temps (t ) : (t ) =

2R o R est la distance radar cible, est le C

temps de trajet radar cible aller et retour. Cible1 Impulsion mise cho cible1 cho cible2 Cible2

cho effectivement
Fig.1.3: Rsolution en distance. La figure montre quon a deux cibles situes dans la mme direction mais distances

voisines. Ces deux cibles peuvent tre discrimines que par la langueur r de limpulsion. r est appele la rsolution en distance radar .Cette rsolution en distance dpend de la largeur de l impulsion et donc de sa dure

9- Le bruit :
Dans la rception du signal utile, un certain paramtre limite la sensibilit du radar, donc ils sont des facteurs gnant et il ne suffit pas dvaluer la capacit de dtection du radar partir de la puissance reue. Ces paramtres sont appels bruit ou parasites au sens gnral. Un bruit est un phnomne alatoire et gnant qui accompagne une information utile en la

dnaturant. Cette dfinition implique que le bruit est une notion subjective, ce qui est bruit

pour lun ne peut tre bruit pour lautre. Les diffrents types de bruit sont : le bruit interne du radar ou bruit thermique. les chos parasites dus lenvironnement naturel appel (fouillis ou clutter).

9.1- Le bruit thermique : Il est due lagitation thermique des conducteurs et rsistances .Il permet de limiter la sensibilit absolue du rcepteur .On peut citer aussi des bruits qui se trouvent aux bornes dun diple et des bruits gnrs par un quadriple. 9.2- Parasites extrieurs (Clutter) : Les chos parasites ce sont des chos de tout objet autre quune cible constituant une gne, ils peuvent masquer lcho utile. Ces chos, repartis de faon plus ou moins alatoire et plus ou moins dense, sont dsigns sur le nom Clutter. On a plusieurs types de Clutter citant quelques types :
Clutter atmosphrique:

Ce clutter est d la rflexion des ondes sur les nuages, il est caractris par :
9 9

une rpartition volumtrique plus ou moins uniforme. une vitesse propre (celle du vent) suffisante pour quil se distingue du clutter

de sol.
Clutter de sol:

Le clutter du sol a des proprits trs diffrentes de celles du clutter atmosphrique:

9 9

sa densit de probabilit suit une loi gaussienne. son spectre est gnralement plus troit, mais le niveau de rtro- diffusion est

beaucoup plus fort de plusieurs ondes de grandeur suprieure au niveau des cibles utiles. Le clutter de sol est caractris par un coefficient de rtro diffusion qui dpend videmment de la nature du sol et de la longueur donde.
Clutter de mer :

Le clutter de mer est intermdiaire entre les deux prcdents clutters, il suit une distribution lognormal, en cas de force de mer moyenne ou faible (<4), il se rapproche du clutter atmosphrique. Par mer plus forte (>4) on lassimile au clutter de sol et on utilise leffet doppler.

9.3- Aspect probabilistique du signal radar :

En pratique, le signal reu est form du signal utile plus du bruit (signal composite). Pour dtecter le signal utile, le signal composite est compar aprs dtection un seuil qui permet de dcider sil y a ou non prsence de cible. Deux cas peuvent se prsenter :
En absence du signal utile, le bruit peut dpasser le seuil impos, et quon dcide quil y a

cible, alors quil ny en a pas. On dit quil y a fausse alarme. Il sen suit la notion de probabilit de fausse alarme qui est la probabilit pour quune pointe de bruit dpasse le seuil impos.
En prsence du signal utile, le signal composite peut dpasser au moins le seuil impos, do

la notion de probabilit de dtection, qui est la probabilit pour que le signal composite dpasse le seuil impos.

10- application radar:

Les premires applications du radar taient dans le domaine militaire. Durant la deuxime gure mondial, le radar a t dvelopp aussi bien sur le plan thorique que technologie. Par la suite, ses applications civiles sont devenues plus rpandues. Son dveloppement rapide qualitativement et quantitativement dmontre le grande intrt a celui-ci. Parmi ses applications on peut citer: Le contrle du trafic arien. La navigation arienne. La navigation maritime. Les system d'alerte de dfense. Les mesures de porte et de vitesse pour les besoins de contrle de vitesse par la police. L'assistance pour atterrissage des vhicules sur la lune.

Conclusion :
Ce premier chapitre a t rserv une introduction gnrale sur le radar et ses principes de fonctionnement. Les progrs rcents notamment, les techniques utilises ont contribu a largir le domaine dutilisation du radar. Ses applications se sont tendues de lobservation des missiles et des satellites, lexploitation de lespace etc. La dtection par le radar se fait par simple principe, il suffit dmettre au moyen dune antenne un faisceau dondes lectromagntiques dans une direction souhaite. Lorsque ces ondes rencontrent un objet elles sy rflchissent formant un cho radar. Lantenne capte le signal dcho, ce signal va donc indiquer la prsence de cible. Nous parlons dans le chapitre suivant de lutilisation des images ISAR, quest une des applications majeures du radar, dans lidentification des cibles.

CHAPITRE II:

Systmes didentification des cibles

1- Identification des cibles au moyen des systmes IFF 2- Reconnaissance des cibles non coopratives 3- principes de fonctionnement des radars imageurs SAR et ISAR 4- Les oprations de pr-traitement effectues sur les images ISAR

Introduction :
Pendant la premire et deuxime guerre mondiale, la reconnaissance d'avions n'a pas pos des problmes srieux: La distance laquelle un avion pouvait visuellement tre identifi tait considrablement plus grande que la porte des systmes d'arme bord de l'avion. La cible tait facilement reconnaissable au moyen de signes montrant sa nation d'origine et par ses emblmes d'escadron. En outre, la forme de la cible tait gnralement spcifique son origine. Enfin, la reconnaissance partir de chacune des caractristiques tait facilite par la faible vitesse des cibles. Actuellement, tous les avions de chasse ont des formes comparables. Ils peuvent voler des vitesses supersoniques et la porte de leurs systmes d'armes a augment considrablement. La consquence est que l'avion est trop proche une fois quil est reconnu visuellement. Juste avant le dbut de la deuxime guerre mondiale, les premiers systmes ont t dvelopps pour examiner l'identit d'une cible arienne. Des versions amliores de la technique la plus importante: identification amiennemi (IFF, Identification Friend-Foe), restent toujours employes. Ce chapitre contient trois partie, la premier partie t labor dans le but dtayer le principe de fonctionnement du systme radar secondaire (IFF), ainsi que lutilisation de ces derniers dans la surveillance de lespace arien, et les inconvnients des radars secondaire (IFF). Dans la deuxime partie nous allons parle sur le radar imageur ISAR, principe de son fonctionnement et sa rsolution en distance. La troisime partie rserve pour les opration prtraitement des images ISAR (extraction des caractristiques, rduction de la taille des donnes et slection des caractristiques)

1- Identification des cibles au moyen des systmes IFF

1.1- Principe de fonctionnement:

La figure (2.1) reprsente le systme radar de surveillance secondaire (Secondary

Surveillance Radar / SSR), qui se constitue de deux parties : un quipement sol et un autre

embarqu. Lquipement au sol met des impulsions nergtiques travers un faisceau directif de lantenne tournante, avec une frquence de 1030MHZ. Quand un dispositif volant pntre le champ de rayonnement de lantenne dmission, lquipement embarqu connu sous le nom de transpondeur dtecte le signal dinterrogation mis, et module son propre metteur pour rpondre par signal de rponse modul avec une frquence de 1090MHZ, qui sera dtect par lquipement au sol, et trait par un extracteur de plots, ce dernier mesure la distance lazimut dcode les rponses pour dterminer lidentit, laltitude du dispositif et enfin transmet ces donnes vers la visualisation.

En comparaison avec le radar primaire, le radar secondaire utilise des puissances dmissions moins importantes, la puissance du transpondeur permet au signal rponse dtre modul de sorte que linformation additionnelle de lidentit et laltitude de vol soit communique entre le dispositif volant et linterrogateur. Le systme SSR dpend compltement du bon fonctionnement du transpondeur [6].

Fig.2.1: Schma synoptique gnral. 1.2- Caractristiques des antennes:

Lantenne de linterrogateur possde deux faisceaux principaux : - Le faisceau dinterrogation : caractris par un trs grand gain, constitu dun lobe principal troit et des lobes secondaire trs faibles. - Le faisceau de contrle : large avec un faible gain dans la direction du faisceau dinterrogation, et un gain plus grand dans toutes les directions restantes. Voir la figure fig(2.2). La dtection des aronefs qui se dplacent prs du radar est exclusivement dpendante de la direction du signal rponse par rapport la direction des lobes secondaires du faisceau dinterrogation sans mesures spciales. Des rponses excessives peuvent tre obtenues de laronef par consquent le nombre daronefs pourrait tre exagrs et la vraie direction de laronef peut tre fausse, pour viter ceci le faisceau de contrle est utilis pour empcher laronef dmettre ses rponses vers la direction des lobes secondaires [6].

Fig.2.2: Les signaux dantennes 1.3- Signal dinterrogation :

Le signal mis par la station au sol est appel signal dinterrogation, la figure ( Fig.2.3) nous donne les caractristiques de ce signal, tel que les impulsions P1 et P3 sont mises par le faisceau dinterrogation de lantenne. Lespacement entre ces deux impulsions dtermine le contenu de la donne rponse du transpondeur . Limpulsion P2 est rayonne par le faisceau de contrle. La figure (2.2) nous explique comment lamplitude relative des impulsions change avec la direction de lantenne, tel que limpulsion P2 est relativement grande par rapport P1 dans toutes les directions sauf dans la direction du lobe principal du faisceau dinterrogation, et cause de ceci le transpondeur aroport peut savoir si le signal quil reoit provient du lobe principal ou des lobes secondaires. Il peut donc, dterminer si une rponse de sa part est exige ou non. Par ce processus les rponses aux lobes secondaires sont supprimes et ceci est connu sous le nom suppression de leffet des lobes secondaire ISLS ou SLS , Le signal dinterrogation est caractris par :
-

Une frquence dmission de 1030 0.2 MHz. Une paire dimpulsions P1 et P3, dont lespacement dfinit le mode dinterrogation. La dure des impulsions est de 0.8 0.1s avec des temps de monte compris entre 50 et 200 ns, des temps de descente compris entre 50 et 100 ns.

Pour les applications civiles du radar secondaire, il y a 4 modes dinterrogation, dsigns par A, B, C et D, auxquels correspondent les espacements suivants de la paire dimpulsion voir le tableau (2-1). Le mode A est celui universellement adopt pour l'identification.
Espacement entre P1 et P3 en s 8 0.1 17 0.1 21 0.1 25 0.1 Tab.2.1 : Modes civils.

Mode d'interrogation A B C D

Utilit Identification Identification Altitude Rarement utilis

Les applications militaires ont 3 modes conventionnels non scuriss. Dsigns par 1, 2 et 3, ils sont caractriss par les espacements suivants (voir le tableau 2-2) [6] :

Mode dinterrogation 1 2 3

Espacement entre P1 et P3 en s 3 0.1 5 0.1 8 0.1 Tab.2.2 Modes militaires

Utilit Varie dune force arienne une autre

Description des principaux modes : Mode 1 :

Ce mode, usage militaire permet lidentification tactique ami/ennemi dun aronef, dune unit arienne ou dun dispositif.
Mode 2 :

Ce mode est aussi usage militaire seulement, il est utilis pour une identification plus dtaille de laronef.
Modes 3 :

Les dfinitions des modes 3 (militaire) et A (civil) sont identiques. Ce mode commun, souvent appel 3/A, permet un interrogateur, qu'il soit civil ou militaire, de contrler l'ensemble des aronefs qui l'environnent, quelles que soit leurs appartenances. Les trois modes sont prsents par la figure (2-3)

Mode1

Mode2

Mode3

Fig.2.3: Dfinition des modes militaires 1.4- Signal de rponse :

Cest un signal hyperfrquence modul en impulsions. La frquence adopte est de 10903 MHz, la modulation comporte toujours une paire dimpulsions dites dencadrement, appeles F1 et F2 espaces de 20.3s. Entre ces impulsions ils existent 13 positions possibles dimpulsions au pas de 1.45s. Limpulsion centrale appele X nest pas utilise. Ainsi les 12 positions permettent de coder un mot de rponse de 12 bits (prsence dimpulsion cest--dire 1 , absence cest--dire 0 ) soit 212= 4096 rponses diffrentes [6].
1.5- Inconvnients de system (IFF):

Les systmes IFF ont des limitations. Beaucoup de systmes d'IFF en service sont anciens et ne possdent pas de cryptage ou disposent de systme de cryptage qui ne peut plus tre compltement efficace. En consquence, ces systmes peuvent tre tromps. Mme avec le cryptage, il est encore possible quun avion hostile intercepte et retransmette une rponse d'un avion ami. Dans ce cas l'avion hostile passe pour un avion ami, moins que l'intervalle de validit du code soit extrmement court. Un autre inconvnient des systmes IFF rside dans le fait que des avions civils sont quips de transpondeurs conformment des normes internationales en vigueur. Ainsi, un avion militaire hostile peut tre quip d'un tel transpondeur pour apparatre comme tant un avion civil. De plus, le procd d'interrogation peut tre dfaillant

mme si l'avion est effectivement ami. Par exemple, le transpondeur bord de l'avion p e u t tre surcharg avec des interrogations d'IFF, la clef crypto peut tre affiche incorrectement, ou le transpondeur peut simplement tre dfectueux. L'chec peut galement tre provoqu par un brouillage hostile. Enfin, il peut y avoir des problmes pratiques graves assurant la pleine interoprabilit entre toutes paires d'interrogateurs et transpondeurs, en particulier dans des oprations militaires multinationales. Si la boucle d'interrogation d'IFF est interrompue pour n'importe quelle raison, la conclusion tire de l'absence d'une rponse correcte, savoir "ceci est un avion hostile" peut mener au fratricide (l'limination d'un avion ami). Des sources supplmentaires d'information peuvent tre utilises pour rduire la probabilit d'une dcision incorrecte, telle que les services de renseignement et les mesures lectroniques de soutien (ESM : Electronic Support Measures). Dans cette dernire technique, on "coute" les signaux radio et radar qui proviennent de l'avion. Une option additionnelle serait les conventions sur des couloirs qui ne doivent pas tre quitts par les avions amis. Si un objet non identifi se dplace hors d'un tel couloir, il est probable que ce soit un objet non-ami. Enfin, ces mthodes et procdures ne sont pas suffisantes pour faire face aux problmes didentification au moyen des systmes IFF. d'avions, avec des exemples dincidents connus dans les annes:
1973 : les gyptiens ont abattus un nombre trs important de leurs propres avions. 1980 : Un avion italien DC-9 de passagers a t abattu par un missile prs de la Sicile.

Dans son livre sur la

reconnaissance radar, Nebabin [7] numre plusieurs incidents d'identification incorrecte

Le missile a t tir par erreur en raison de l'IFF incorrecte et de la discrimination du type d'avion. 81 passagers sont morts.
1988 : Dans le golfe Persique, un avion Iranien de passagers de type Airbus a

t abattu par un missile standard SM-2 lanc partir du croiseur USS Vincennes. L'avion a t incorrectement identifi comme tant un avion de type F-14. 298 personnes sont mortes.
1992 : Un hlicoptre de la mission des observateurs de la Communaut europenne

en Yougoslavie a t abattu 80 kilomtres au nord de Zagreb par un missile lanc partir d'un avion yougoslave. Cinq hommes sont morts. incorrecte du type d'avion sont supposes tre la cause.
1994 : Deux hlicoptres des USA ont t abattus en Irak par deux avions de chasse

L'IFF et la reconnaissance

F-15 des USA. Quatorze hommes sont morts. Les hlicoptres ont t incorrectement

identifis en tant quavions irakiens. Une enqute minutieuse sur cet incident a montr que la clef IFF turque a t employe, tandis quau moment o elle devait tre commute la clef irakienne, les deux hlicoptres franchirent la frontire irako-turque. En consquence, aucune rponse n'a t retourne une fois que les hlicoptres taient en Irak. Pour rduire la probabilit du fratricide, des recherches ont t effectues, il y a quelque temps, dans les techniques de reconnaissance positive d'ennemi ou la reconnaissance de cible non cooprative (NCTR : Non-Cooperative Target Recognition).

2- Reconnaissance des cibles non coopratives:

2.1-Dfinition :

Lutilisation des techniques de reconnaissance des cibles non coopratives vise la reconnaissance des cibles sans leur participation active. L'ide fondamentale de ces techniques est base sur le fait que la gomtrie dune cible donne ou ses parties mobiles imposent au signal radar rflchi des caractristiques qui sont spcifiques l'objet. Ces caractristiques peuvent alors tre utilises pour classifier la cible [8]. Le radar est un instrument trs attrayant pour la reconnaissance de cibles non coopratives. Il peut dtecter et poursuivre un avion sur des grandes distances (jusqu' plusieurs centaines de kilomtres) dans des conditions atmosphriques dfavorables, de jour et de nuit. D'autres dtecteurs (optique, infrarouge, laser) n'ont pas la mme porte et/ou n'ont pas les mmes capacits tous temps . Des dveloppements technologiques importants dans lquipement du radar ont t accomplis ces dernires dcennies, ce qui rend possible la mesure des signatures pour la reconnaissance des cibles.
2.2- Techniques de reconnaissance des cibles non coopratives :

Plusieurs types de signatures radar peuvent tre utilises pour obtenir des informations sur les caractristiques de la cible. Les mthodes les plus importantes dans le domaine de la reconnaissance des cibles peuvent tre subdivises en deux familles. Elles dpendent du type de signature utilise. Les techniques du premier groupe sont bases sur le fait que le rayonnement du radar est rflchi par les parties en rotation des moteurs, des rotors dun hlicoptre ou des lames du racteur dans un moteur davion. Les techniques de la deuxime famille classifient une cible sur la base de son image radar. Les images unidimensionnelles sont des profils en porte du radar haute rsolution (HRR), ou simplement des profils en porte. Des images bidimensionnelles de l'avion peuvent tre produites laide de la technique du radar ouverture synthtique inverse deux dimensions
(2D-ISAR). Cest la dernire technique qui est la plus utilise. Les mthodes de classification

qui seront dveloppes dans les sections qui suivent sont bases sur le traitement des images de type 2D-ISAR.
2.2.1- Radar Haute Rsolution : Profil en Porte [8]

Les profils en porte acquis au moyen dun radar haute rsolution (HRR) sont essentiellement des images unidimensionnelles des cibles. Un HRR est un radar tel que la cellule de rsolution en distance est largement infrieure la taille de la cible. Cette performance est obtenue par lemploi des techniques de compression dimpulsion ou les ondes millimtriques. Les rflecteurs importants ou les structures de l'avion qui donnent lieu une rflexion leve de radar, sont projets sur la ligne de vise du radar figure (Fig.2.4).

Fig.2.4: Profil en porte d'un avion vu du ct gauche. Les rponses des diffuseurs de l'avion

(points) sont projetes sur la ligne vise, ayant pour rsultat un profil radar en porte. Les profils contiennent des informations sur la gomtrie de la cible et peuvent donc caractriser le type d'avion. Sur la base des profils prcdemment mesurs, un systme de classification peut tre conu pour reconnatre les cibles.

2.2.2- Limage 2D-ISAR [9]:

Le radar ouverture synthtique inverse se base sur le mouvement de rotation de la cible pour reconstituer limage, limage ISAR est une reprsentation 2D de la distribution de la SER de la cible en porte et dans la direction orthogonale la ligne de vise, ce sont les points les plus rflchissants qui fournissent plus dinformations sur une image 2D-ISAR.

Fig.2.5: image 2D ISAR

Lavantage que donne limage 2D-ISAR est quelle contient des informations dtailles sur la gomtrie de la cible, mais de lautre cot on a toujours des inconvnients qui peuvent ralentir le processus didentification et de classification, il sagit de la compensation de mouvement et le temps ncessaire pour effectuer le processus, parce quil est clair que la notion deffectuer des calculs en temps rel soit vrifie, mais malheureusement la ncessite deffectuer beaucoup de pr-traitements avant de passer la classification savoir la transforme de radon et le pas choisi, les transformes qui peuvent extraire les caractristiques pertinentes et rduire la taille de limage (extraction des contours, transforme en ondelette, analyse en composantes principales, la corrlation) et la taille de la banque de donnes dont on dispose ont tendances augmenter le temps deffectuer le processus de la classification et didentification dune telle cible. Le problme le plus important en employant les images 2DISAR est la compensation de mouvement [10]. Les donnes usuelles de poursuite ne sont souvent pas assez prcises pour produire une image bien focalise. Par consquent la compensation doit tre effectue en utilisant des techniques d'autofocus o les paramtres du mouvement sont estims en utilisant les donnes radar elles-mmes [11]. Seules quelques publications traitent le problme de la classification 2D-ISAR. Novak [12] emploie un classificateur de forme statistique sur des mesures de quatre objets diffrents sur un plateau tournant. Bachmann et all [13] dmontrent comment les objets 2D-ISAR peuvent tre classifis en utilisant trois architectures diffrentes de rseau de neurones. Ioannidis [14] montre des rsultats de classification base sur les moments invariants et la dtection de

contour des images. De nouveaux dveloppements intressants ont t rapports par Rihaczek et Hershkowitz dans le domaine de la classification 2D-ISAR par l'utilisation de lanalyse dimage complexe [15].
2.3- Comparaison des techniques de reconnaissance de cibles non coopratives :

Le tableau (Tab.2.3) rcapitule les avantages et les inconvnients des deux techniques de la reconnaissance des cibles non coopratives les plus importantes.
Avantages Inconvnients

-Temps d'observation de la cible

HRR

relativement court. - Application sur touts les ongles d'observation.

-Base de donnes trs importante.

- Image dpend de la mouvement de cible.

2D-ISAR

-Information dtailles sur l'objet.

- traitement complexe de compensation de mouvement de la cible. - Temps d'observation de la cible long -Base de donne trs importante.

Tab.2.3 : comparaison des techniques de classification

Il est clair quune image (2D) contient beaucoup plus d'information qu'un simple relev de profil en porte (1D) et devrait donc permettre de rduire les erreurs de classification.

3- Principes de fonctionnement des radars imageurs SAR et ISAR:

La premire phase du processus d'identification, de classification et de reconnaissance des cibles non coopratives consiste a dtecter la cible et a disposer d'une "image" de cette cible au moyen d'un capteur adquat. La prsente tude est base sur l'utilisation des images bidimensionnelles (2D). Des images radar haut rsolution (2D) peuvent tre obtenues en utilisant des radars a ouverture synthtiques (SAR) ou a ouverture synthtique inverse (ISAR). Les techniques SAR et ISAR sont fondes sur la mme thorie de base. La diffrence essentielle rside dans les configurations gomtriques. Dans le cas de l'imagerie SAR, le radar est embarqu sur une plate forme mobile et les objets (cibles) sont stationnaires alors que dans le cas de l'imagerie ISAR, les objets sont en mouvement et le radar est fixe. Seuls les mouvement relatifs entre l'objet et le radar prsent une importance pour la construction de l'image de l'objet.

Le radar ouverture synthtique SAR est un instrument actif, utilis pour lobservation de la surface terrestre, permettant lacquisition des images de trs haute rsolution par tout temps. Les structures dans les images SAR donnent dimportantes informations contextuelles utiles pour la dtection et la classification des entits, comme la vgtation, les zones urbaines, les zones industrielles et de cibles militaires (chars, bateaux, transport de troupesetc.). Cependant, cause de la nature cohrente de londe radar, les images SAR sont dgrades par un bruit spcifique appel SPECKLE . Dans limagerie
SAR, le speckle est gnralement modlis comme un fort bruit multiplicatif, distribu selon

une loi gamma de moyenne unit et de variance gale linverse du nombre quivalent de vues indpendantes (Equivalent Number of Indpendant Looks ENIL).
3.1- Principe de fonctionnement des radars SAR:

Le radar ouverture synthtique ou le SAR est lune des techniques les plus utilises en imagerie radar. Limage SAR est obtenue grce au fait que lantenne du radar (embarque sur un avion ou un satellite) effectue un balayage de la surface de la cible claire. La figure (Fig.2.6) montre une plate forme se dplaant une vitesse V constante le long d'un trajet rectiligne. L'antenne du radar embarqu est monte de telle manire que le rayonnement se fait dans la direction perpendiculaire la direction de dplacement.

Fig.2.6 : Gomtrie du radar SAR 3.1.1- Avantages du radar SAR et ses applications :

Le radar Imageur SAR reste un instrument unique en tldtection de part de son aspect actif et ses avantages: - Sa capacit de fonctionnement en tout temps, (la faible sensibilit aux conditions atmosphriques qui est fondamentale surtout pour les zones tropicales qui sont souvent sous les nuages). - Sa grande porte.

- La possibilit de contrle de radiation lectromagntique mise : puissance, frquence, polarisation. - Possibilit de trs haute rsolution spatiale par lintermdiaire du traitement complexe du signal issu du rtro diffusion radar. Limagerie radar de type SAR a trouv de trs nombreuses applications que ce soit dans le domaine civil pour la dtection dicebergs, la cartographie gologique, locanographie (ltude des vagues et des courants), lurbanisme, ou dans le domaine militaire pour lobservation et la surveillance des territoires, ainsi que lidentification et la classification de cibles [16].
3.1.2- Rsolution du radar SAR : Rsolution en distance :

Pour avoir une meilleure rsolution en distance il faut diminuer la dure de limpulsion, la rsolution en distance est donne par :

d = [(c. ) / 2].[1 / cos( )]

Si le radar est perpendiculaire la surface rayonne ( = 0 ) on aura :

(2.1)

d = (c. ) / 2

(2.2)

Pour amliorer la rsolution en distance on utilise la technique de compression dimpulsion. Deux techniques peuvent tre utilises pour la compression savoir les techniques analogiques (modulation linaire de frquence), et les techniques numriques (codage binaire de phase).
Rsolution orthogonale :

Pour avoir un lobe trs troit (une bonne rsolution orthogonale) il faut une antenne relle de grandes dimensions, ce qui rend lopration de monte cette antenne sur un avion ou un satellite trs difficile (arodynamisme, poids etc.). Une antenne d'ouverture a -3 dB et g permet d'obtenir a une distance R du radar, une rsolution orthogonale telle que :

cr = R * g g = K [ (metre) / D(metre)] Rad

O :

(2.3) (2.4)

K [0.9,1.3] .(en gnrale K=1), K : Due la distribution de courant le long de louverture.

L'antenne du radar embarqu est monte de telle manire que le rayonnement se fait dans la direction perpendiculaire a la direction du dplacement (radar a vision latrale "sidelooking radar" ) voir Fig. 2.7. Les (*) de la figure reprsentent la position de l'antenne du radar a chaque fois qu'une impulsion est mise.

Fig.2.7: Le SAR embarqu sur plate forme dplaant une vitesse constante v.

Si lcho reu chaque mission dune impulsion est enregistr, la sommation de ces (N) impulsions nous donnent leffet dun rseau dantenne linaire dont la longueur est gale la distance parcourue par l'avion pendant la transmission du N impulsions, la longueur effective
Le est telle que Le = N * d , d = v * T R , d = v / f R ou f R est la frquence de rptition. - Rcapitulatif du procd:

1- Le rayonnement est perpendiculaire la direction du dplacement. 2- La vitesse v de dplacement est constante. 3- Enregistrement de lcho chaque position du radar ( chaque mission dune impulsion). 4- Les N impulsions enregistres sont sommes. 5- La longueur du rseau est Le = N * v * TR On considre que le radar SAR est un rseau dantenne ralis partir dun alignement linaire de N lments rayonnants. Donc le radar SAR peut se prsenter sous deux formes diffrentes :

Le radar SAR non focalis vrifiant la condition du champ lointain (onde plane), (cible situant linfini). La rsolution orthogonale dans ce cas est donne par la formule suivante: R 2

cr =

(2.5)

La rsolution dun radar non focalis ne dpend donc pas des dimensions de lantenne mais elle est plutt proportionnelle la distance radar cible pour une longueur donde donne.

Cette limite de rsolution peut tre surmonte en introduisant un traitement qui tient compte de la position angulaire des cibles par rapport au radar pendant l'clairement. Il s'agit donc de corriger les phase de chaque signal lmentaire de manire a rendre touts les lments du rseau rsultant a la mme distance de la cible.

Situation des donnes sur la surface de la cible avant correction de focalisation

Situation des donnes sur la surface de la cible aprs correction de focalisation

Fig.2.7: Situation des donnes avant et aprs focalisation

La figure suivante montre comment apporter la correction de phase pour le nime lment de rseau . Position actuelle Position corrige du neme lment
Trajectoire

Fig.2.8: Principe de focalisation du radar SAR [12]

Lanalyse de cette figure montre que la diffrence de marche entre le signal rflchi par llment central de la figure et celui rflchi par le nime rflecteur est telle que: n 2 .d 2 2R

Rn =
il lui correspond une diffrence de phase:

n =

2 n 2 d 2 . 2R

(2.6)

C'est la correction de phase qu'il faut apporter a chaque lment du rseau synthtique pour que touts ces lment soient a la mme distance par rapport a la cible.(n: ordre de l'lment) lorsque cette correction est apporte le radar a ouverture synthtique est dit focaliser. Touts les chos reus a partir d'une cible situe a cette distance R sont en phase. La rsolution orthogonale est alors donne par la relation suivante :

cr = R g =

D 2

(2.7)

La rsolution orthogonale est d'autant meilleure que la dimension du radar est petite. La figure (Fig.2.9) montre une comparaison entre les rsolution orthogonales d'un radar conventionnel, un radar SAR non focalis et un radar SAR focalis en fonction de la distance.

cr (m)
cr = R g

Antenne conventionnelle

cr =

R 2

S.A.R non focalis

cr = D / 2

S.A.R focalis

Fig.2.9: Schma comparatif entre la rsolution de trois types de radar

La contrainte qui peut se poser pour le cas dun SAR focalis est que on diminuant D, la rsolution est amliore, mais le gain G diminue, or la puissance de lcho reu est proportionnelle G2 et par consquent le risque de ne pas dtecter lcho augmente cause Une autre contrainte lie la frquence de rptition peut se poser: FR doit tre d'une part.

suffisamment faible pour vit les ambiguts en distance RMax =

C , et suffisamment 2 FR

grande d'autre part pour vit les ambiguts angulaires lie a l'application des grating lobes
v

cr
indpendante d'une de l'autre.

p FR p

R C C Max p 2 R Max cr 2v

(2.8)

La porte sons ambiguts est la rsolution orthogonale ne peuvent tre fixe de faon
3.2- la radar a ouverture synthtique inverse (ISAR) [17]:

La technique ISAR (radar a ouverture synthtique inverse) est une simple variante de la technique SAR. Le radar ISAR exploite les mouvements en rotation de la cible au lieu du mouvement de l'antenne de radar, a fin d'obtenir une rsolution transversale lev. La cible dont on veut prendre l'image subit des mouvements de rotation et/ou de dplacement tandis que le radar est stationnaire, par consquent, la technique ISAR ncessite le mouvement de cible. Le terme inverse est utilis parce que l'ouverture synthtique est forme grce la rotation de la cible au lieu du mouvement de radar comme dans le cas de la technique SAR. Comme la cible en mouvement est situe a l'intrieur de lobe du radar, les signaux rflchis par les diffrentes surfaces de la cible peuvent tre intercepts. La figure.(2.11) montre une cible ISAR en rotation observe par le lobe d'un radar stationnaire. L'angle est l'angle de rotation effectu par la cible. L'axe des y correspond a la ligne de vise (line-of-sight(LOS)) du radar et R reprsente la distance radar-centre de la rotation de la cible. La distance instantane d'un diffuseur P de la cible est r. En imagerie ISAR, les mesures sont prises par rapport la rotation et la porte de la cible. Limage de la cible est forme, a partir de la dtermination de l'ongle d'aspect pour l'information d'azimut et par le traitement et la composition des donnes collectes des rflexions, la figure suivante indique la gomtrie d'un radar de type ISAR. Direction de Y
'

X
'

Radar distance r
Fig.2.11:Gomtrie du l'ISAR

Y Centre de rotation

La figure (Fig.2.12) montre la collection des donnes dune cible arienne par un radar stationnaire durant la rotation dun angle de la cible. Limage SAR quivalente est illustre par la figure (Fig.2.12.b) Les mmes donnes sont obtenues par le mouvement du radar qui survolerait, sur un segment circulaire, une cible identique mais stationnaire. La longueur L de louverture SAR de la figure (2.12.b) correspond langle dintgration dans la Figure(Fig.2.12.a)

Fig. 2.12: Equivalence SAR/ISAR: (a) ISAR; (b) SAR quivalent. 3.2.1- Principe de fonctionnement du radar ISAR:

Sur une cible il existe des points fortement rflchissante, ces points sont dtermins par la forme de la cible, alors que chaque cho reu dun point est dphas par rapport lautre, la rception pour le cas de limagerie ISAR on se base sur ces points rflecteurs pour L'extraction de la forme gomtrique de la cible [18].

Fig.2.13: deux points rflecteurs dune cible pour le cas de limagerie ISAR.

La trajectoire de l'avion est la combinaison de deux mouvements :

Un mouvement de translation qui dfinit le dplacement de l'avion. Un mouvement de rotation sur l'axe de l'avion, ces fluctuations ont pour consquences: 1- Deux points de la mme cible n'aient pas la mme vitesse angulaire. 2- Les deux signaux rflchis prsentent des doppler diffrents c'est--dire deux spectres diffrents.

Donc, cest cette proprit importante du signal reu donne une information sur la distance qui spare les deux point. Si on arrive a mettre puis enregistrs les M signaux reues au niveau du rcepteur, avec l'utilisation d'un traitement frquentiel de chaque signal, on aura M pixels qui dfinissent les points rflecteurs sur la cible [18].

Fig.2.14: Spectres dun point rflecteur deux instants diffrents 3.2.2- Recouvrement de donnes ISAR :

Les chos des signaux reus sont classs dans M-bus [19], chaque bus contient N impulsions. La repense frquentielle de signal reu pour une impulsion s'crit sous la forme suivante: U = A exp( j 4 .rf / c) H ( p, q) Avec : H ( p, q) = h( x , y ) exp( j 2 ( p x + q y ))dx dy O: H ( p, q) : La TF (transforme de fourrier en deux dimensions) de la fonction densit h( x , y ) du signal rflchi par la cible. A: L'amplitude associe a la transmission du signal (gain de l'antenne, l'attnuation due a l'atmosphre et les pertes du systme radar). A peut tre mis a un sans affecter aucune phase

(2.9)

(2.10)

des termes de la rponse frquentielle.

Fig.2.15: Reprsentation de la forme d'onde de M- bus et N- impulsions

Avec dans lquation (2.10) :

p = 2( f / c) sin q = 2( f / c) cos

: est langle entre laxe du radar et laxe de la cible.

Pour touts les impulsions on peut remplacer f par f n , r devient (r0 + rm, n ) et devient m ,n . r0 : Reprsente la position initiale de la cible. rm ,n : Reprsente la position de la cible a t m ,n . Par consquent p et q devient : p m,n = 2( f / c) sin m ,n et q m.n = 2( f / c) cos m , n

m,n indiquent respectivement l'ordre de bus et de l'impulsion alors la rponse U s'crit : U = A exp( j 4f (r0 + rm , n )) H (m, n). (2.11)

O H(m,n)est dfinie par : H ( p, q ) = h( x , y ) exp( j 2 ( p m,n x + q m ,n y ))dx dy

(2.12)

rm, n est dfinie par :

rm, n = v 0 t m, n +

1 2 a 0 t m,n 2

(2.13)

v 0 et a0 sont la vitesse et lacclration initiales de centre de masse de la cible. t m , n est lie a la priode de l'impulsion t :

t m , n = ( n + mN ) t .
f n = f 0 + nf

(2.14) (2.15) 1 . t

f 0 est la frquence initiale dans un bus.

f est l'cart de frquence entre deux impulsions successives f =

3.2.3- Rsolution du ISAR:

La relation qui donne la rsolution en distance en fonction de la bande passante est donne par : r = Pour N impulsions: rs =

C 2

(2.16)

C [2( N 1)f ]

(2.17)

La rsolution orthogonale dpend de frquence doppler f D = Elle est donne par : rc = cf / 2 0 f c = / 2 0 T O : est le taux de rotation de la cible et = d'un bus. La rsolution en profil est dtermine par la largeur de bande, la rsolution de frquence de Doppler (rsolution orthogonale) est dtermine par le temps d'observation M. Un temps d'observation plus long fourni une meilleure rsolution de Doppler et un meilleur rapport signal/bruit, mais il cause des erreurs de phase. En utilisant la DFT pour calculer la frquence de Doppler, il est ncessaire de supposer que la frquence de Doppler est constante au-dessus de la dure de temps de formation image, ainsi de la limite de la phase parasite qui est ngligeable. La frquence de Doppler change au cours du temps en raison du mouvement (2.19) 1 1 = [ N ( M 1)t ] T (2.18)

c , f c est le centre de la bande de frquence fc

non uniforme de la cible. Le spectre global de Fourier calcul par la DFT, mne souvent une image floue.

4- Oprations de prtraitement effectues sur les images ISAR :

Les images ISAR brutes comportent un nombre important de paramtres. Les classificateurs exigent un nombre des caractristiques relativement faible (cinquantaine) pour rpondre aux impratifs de traitement en temps rel. Une opration de prtraitement sur les donnes brutes est donc ncessaire pour prparer la phase de classification, Par ailleurs par rapport au radar est inconnues, il est donc important de rduire le bruit qu'il les accompagne et d'effectuer un traitement d'images indpendantes de l'orientation.
4.1- Technique d'extraction des caractristiques:

Les techniques d'extraction des caractristiques nous permettent de n'utiliser dans les image ISAR que les informations comportant les caractristiques pertinentes concernant l'objet identifier.
4.1.1- Extraction de contour :

L'extraction de contours est une opration importent dans la phase de prtraitement des image ISAR, Plusieurs techniques d'extraction de contours sont propose dans la littrature. Les contours peuvent tre dtects en utilisant des oprateurs diffrentiels tels que le gradient ou le Laplacien d'une image, Cette dtection va tre accompagne par une opration de seuillage qui est ncessaire pour liminer le bruit et affiner les contours a l'paisseur d'un pixel. Un contour est dfini comme une brusque variation de niveaux de gris dans l'image. L'extraction des contours est raliser par le calcule du gradient de l'image selon l'axe horizontale (x) et l'axe verticale (y). L'image considre est une fonction de niveaux de gris g ( x, y ) , Le gradient de l'image est donn par : g ( x, y ) x
g ( x, y ) y

g x ( x, y ) =
g y ( x, y ) =

(2.20)
(2.21)

Le rsultat de l'extraction de contours d'une image binaire ou en niveaux de gris g ( x, y ) est une image binaire de mme dimension ou les contours sont en blanc et le reste est noir.
Oprateurs du premier ordre Mthode de Roberts dtermine les contours en utilisant lapproximation de Roberts de

la drive. Elle donne les contours aux points o le gradient de limage est maximum.
Mthode de Sobel dtermine les contours en utilisant lapproximation de Sobel de la

drive .Elle donne les contours aux points ou le gradient de l'image est maximum.
Mthode de Prewitt dtermine les contours en utilisant l'approximation de perwitt des

points o le gradient de l'image est maximum.

Oprateurs Gradients Directionnels : Kirsh 3 et 5 niveaux: Limage ISAR. Oprateur de second ordre

Mthode du Laplacien dune gaussienne dtermine les contours en cherchant les passages par zro aprs le filtrage de limage par le filtre Laplacien dune gaussienne. Oprateur de Marr et Hildreth bas sur un lissage par un filtre gaussien plus un calcul de la drive seconde du gradient et on recherche un passage par zro. Oprateur de Huertas: Cet oprateur est un filtre numrique a rponse impulsionnelle Finie (RIF).

Image brute

image en niveaux de gris

Mthode de roberts

Mthode de sobel

Mthode de prewitt

Mthode de canny

Mthode de Derriche

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

2D-ISAR.

Approche par optimisation :

La mthode de Canny dtermine les contours en cherchant les maximums locaux du gradient de l'image. Le gradient est calcul en utilisant la drive d'un filtre gaussien. Cette mthode utilise deux seuillages, a fin de dtecter les conteurs forts et les contours faibles, Elle inclut les contours dans le rsultat seulement s'ils sont connects aux contours forts. Par consquent, cette mthode est moins sensible aux bruits, et elle a plus de chance pour dtecter les faibles vrais contours
4.2- Technique de rduction de la taille de donne :

Le but recherch en utilisant ces techniques est de rduire la taille des donnes tout en prservant le maximum dinformation. Plusieurs techniques sont utilises dans ce domaine.
La transforme en ondelette:

Lexpression gnrale de la transforme en ondelette s'crit de la faon suivante :

T ond f (a, b) = 1 a
+

f (t )

t b dt a

(2.22)

Le paramtre a est appel facteur d'chelle (pas de dilatation), et bfacteur de dcalage (paramtre de translation). La variable a joue un rle de l'inverse de frquence, plus a est petit moins l'ondelette (la fonction analysante) est tendue temporellement,donc plus la frquence centrale de son spectre est leve,On peut galement interprter cette expression comme une projection du signal sur une famille de fonction analysante a ,b construite a partir d'une fonction "mre" conformment a l'quation suivante:

a ,b =

1 a

t b a

(2.23)

La norme est conserve lors du changement de facteur d'chelle.

a ,b
On pourra noter:

1 t b 1 2 = dt = ( x ) adx = a a a

T ond f (a, b) =p f , a ,b f .

- Quelques images traites par la transforme 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 diffrent niveau de la transforme en endelette appliqus 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 diffrents niveaux de la transforme en ondelette appliqus un bateau

4.3- transforme de radon (TR) :

La transforme de radon d'une fonction bidimensionnelle est donne par un recueil de ses projections sur un axe suivant une direction. Chaque rayon est index par sa distance par rapport l'origine et son angle [20]. Cette transforme possde la possibilit de transformer une image 2D contenant des lignes en une autre image ou chaque ligne est reprsente par un pic localis suivant les paramtres de la ligne. Cette proprit a fait que cette transformation soit utilise dans la dtection des lignes dans les domaines de traitement d'images, de vision par ordinateur

Fig.(2.19): Limage f ( x, y ) est projete sur l'axe x qui est orient selon un ongle par apport

a l'axe x. La transforme de radon gnre une image dont l'intensit de chaque colonne correspond a la projection de l'image sur un plan.
- Dfinition de transforme de radon :

La transforme de radon nous donne un recueil des projections d'une fonction sur un axe suivant une direction (angle de projection ) on peut donc crire :
R0 ( x ) =
+

f ( x cos y sin + y cos )dy

(2.24)

O le passage du repre xoy au repre x oy est donne par : x cos sin x y = sin cos y Avec

: L'ongle d'orientation de x par rapport a l'axe x .

x : La plus petite distance a l'origine de l'image, (L'quation d'une ligne).

Ou encore :

p ( x , ) =

+ +

f ( x, y) ( x x cos y sin )

dxdy

(2.25)

Cependant en pratique, les mesures sont discrtes. En particulier les projections sont obtenues pour les valeur discret de . C'est alors plus convenable de dire que chaque projection R ( x ) nous fournit un chantillonnage de la fonction f ( x, y ) .La multiplication des projections obtenues dans des condition diffrentes nous permettent de "Remplire" progressivement le domaine de la transforme. Ainsi on constate que chaque projection dfinit un chantillonnage de la TR de la fonction qui caractrise l'image. Alors pour bien dfinit la TR d'une image il faut avoir plusieurs chantillons (des projection selon des ongles diffrents).
- Exemple de la transforme de Radon dune image ISAR

La figure (Fig.2.20) montre le rsultat obtenu aprs lapplication de la transforme de radon sur une image ISAR

Fig.2.20: La transforme de radon sur une image ISAR 4.4- Technique de slection des caractristiques :

Mme aprs l'application de la technique de compression des donne, le nombre de caractristique a ente du classificateur reste toujours lev, par consquent le processus de classification et identification des cibles en temps rel est rendu difficile. La rduction de donne ne permet pas toujours de slectionner les bonnes caractristiques permettant de bien discriminer entre lments distincts. En raison de ces problmes, certaines mthodes permettant de bien distinguer entre deux lments ont t dveloppes. L'analyse en

composant principales (ACP) est un outil trs utilis dans ce domaine. Son but est d'extraire l'information pertinente a partir de donnes appartenant a un espace R N et de la prsentation dans un espace R M tel que M p N , autrement dit l'ACP reprsente un algorithme linaire de compression. La corrlation (dpendance) tre deux lment permet galement de mesurer le degr de ressemblance entre eux et par consquent liminer les redondances qui peuvent existes dans une image. Si le coefficient de corrlation entre deux caractristiques est suprieur au seuil, il est logique de les prendre pour un mme objet. L'application de cette mthode permet d'extraire l'information pertinente ainsi qu'elle rduit le nombre de caractristiques qui mne a valuer les calculs en un temps trs court.
4.4.1- Analyse en composantes principales (ACP):

Lorsque N variables quantitatives x1,,xN sont corrle entre elles, l'information qu'elles vhiculent ensemble possde de ce fait un certain degr de redondance. Peut-on alors extraire de la liste redondante des N variables x1,..,xN une liste non redondante de M nouvelles variables ou facteurs f1 ,......., f M ( M p N ). Voila prcisment en quoi consiste l'analyse en composantes principales (ACP), qui procde a cette extraction de la faon la plus simple possible, c'est--dire linairement: Les facteur "y" sont, en effet, construits comme combinaisons linaire des variables et rciproquement. Dans ce contexte linaire, la condition de non-redondance de la liste des facteurs f 1 ,......., f M s'exprime alors par la condition de non-corlation des facteurs entre eux. En pratique les composantes principales sont calcules en utilisant la dcomposition en valeurs singulires (SVD) (voir annexe (1)) de la matrice de covariance de donne Alors l'Analyse en Composantes Principales est une technique d'analyse de donnes qui permet, partir de N variables initiales, de construire M (< ou = N) autres variables, appeles composantes principales, qui sont des combinaisons linaire des variables initiales et qui prsentent les proprits suivante :

Elles sont ordonnes selon l'information qu'elles restituent, la premire composante tant celle qui restitue le plus d'informations. La part d'information restitue par chaque composant principale st connue. Les composantes sont moins sensibles aux fluctuations alatoires que les variables initiales. Il y a une ingalit stricte m<n s'il existe des relations linaires entre les variables initiales.

Les tapes a suivre pour effectuer l'analyse en composant principales (ACP) sont: 1) La diagonalisation de la matrice soit de corrlations soit de covariances .Cela dpend de la nature des donnes (homognes u non).

Si les donnes sont homognes la diagonalisation porte sur la matrice de covariances ou variance-covariece Si les donnes sont non homognes la diagonalisation porte sur la matrice de corrlation: Les composantes recherches sont obtenues en exprimant les variables initiales, non selon

les axes d'origine de l'espace des individus, mais selon de nouveaux axes dites variances des composantes principales.

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 tapes suivantes Centrer et rduire la variable Xj (la jieme colonne) revient calculer les quantits suivantes :

Xj =

1 N

X
i =1 N

ij

j = X ij X N i =1
Yij =

)
2

(2.26)

(x

ij

)
( )

Calculer la matrice de variance covariance C = Y T Y . Diagonaliser la matrice C et extraire ces valeurs et vecteurs propres.

Si V = (v1 , v 2 ,...., v N ) est la matrice contenant les vecteurs propres de C, alors C peut tre dcompose comme suit:
C = V .D.V T

O D est une matrice diagonale contenant les valeurs propres. La diagonalisation de la matrice C est souvent effectue en utilisant la dcomposition en valeurs singulires (SVD) pour sa stabilit numrique (prcision et rapidit de calcul).

Trier les valeurs propres et les vecteurs propres correspondants.

Lavantage de lutilisation de la compression des images par lACP est que les premiers vecteurs propres correspondent linformation utile pour la classification tandis que les

vecteurs propres restants, peuvent correspondre des composantes alatoires telles que les bruits.
Exemple de lapplication de lACP sur la transforme de radon dune image davion

La figure suivante prsente le rsultat obtenu aprs lapplication de lanalyse en composante principale sur la transforme de Radon de limage dun avion.

Fig.2.21: Rsultat aprs lapplication de lACP sur une image ISAR

Conclusion :
Dans ce chapitre nous avons expliqu le principe de fonctionnement du radar secondaire (IFF) et ces inconvnients, et Pour rduire la probabilit de fratricide et les fausses identifications de (IFF) nous avons prsent la technique de reconnaissance positive d'ennemi ou la reconnaissance de cible non cooprative au moyenne des radars imageur ISAR(radar ouverture synthtique inverse), Le radar ouverture synthtique inverse est une technique de formation dimage ralise haute rsolution en exploitant le mouvement relatif entre le radar stationnaire et la cible mobile, le but fondamental de ce systme est la dtection et lidentification des objets environnement bruyant, apes la formation d'image nous avons voqu les diffrentes tapes ncessaires la prparation des donnes qui serviront la construction d'un classificateur (extraction des caractristiques,rduction de la taille des donnes, slection des caractristique ) Un systme typique de formation dimage ISAR se compose de l'acquisition d'image fusion de donnes, forme de cible, extraction et perfectionnement, et finalement identification de forme. Le chapitre suivant sera consacr la technique de classification par rseaux de neurones, comme une outille de identification. Les tapes de construction d'un rseau de neurones ainsi que les dfirent caractristiques seront exposes.

CHAPITRE III :

Classification par rseaux de neurones

1- mthode de classification 2- prsentation des rseaux de neurones 3- Diffrents type de fonction dactivation 4- lapprentissage 5- Architecture 6- le perceptron multicouches 7- Algorithme de rtropropagation 8- rseau de neurones pour la classification 9- les avantages et les inconvnients du rseau de neurones

Introduction:
Les rseaux de neurones sont des modles mathmatiques informatiques, des assemblages dunits de calcul appels neurones formels, et dont linspiration originale tait le fonctionnement crbral de ltre humain. Les rseaux de neurones artificiels sont connus sous des noms trs diffrents tels que rseaux neuromimtiques [22], modles connexionnistes, rseaux de neurones formels.

Les rseaux de neurones connaissent depuis quelques annes un succs croissant dans divers domaines des Sciences de lingnieur. Le principe d'un rseau de neurones est bas sur le mcanisme biologique. Un rseau de neurones artificiels comporte un certain nombre de neurones connects entre eux .chaque neurone possde plusieurs entres mais une seule sortie. Chaque entre est pondre [23]. La sortie changera d'tat partir du moment ou la somme de ses entres dpassera un certain seuil. Plusieurs types de rseaux peuvent ainsi tre conus simplement en modifiant les rgles de connexion des neurones. Le fonctionnement de ce rseau passe par une phase d'apprentissage qui permet de dterminer les pondration a appliquer aux entres des neurones. Le grand avantage des rseaux de neurones rside dans leur capacit dapprentissage automatique, leur tolrance aux erreurs leur capacit de fonctionner en parallle et leur capacit de manipuler des donnes bruyantes ou incompltes. Cependant ce sont de vritables boites noires qui ne permettent pas dinterprter les modles construits. En cas derreurs du systme, il est quasiment impossible den dterminer la cause.
Dans ce chapitre nous allons parler sur le principe et les tapes de construction d'un rseau de neurones ainsi que les dfirent type de fonction d'activation, l'apprentissage et les perceptrons multicouches. Nous allons prsenter dans ce chapitre aussi lutilisation du rseau de neurones MLP, comme un classifieur.

1- Mthode de classification :
La classification ou parfois la discrimination est dfinie comme lattribution chaque ensemble dobjets dune classe, ou catgorie , parmi plusieurs classes dfinies lavance. Un algorithme qui ralise automatiquement cette classification est appel classifieur . En effet, la reconnaissance de cibles consiste dterminer les caractristiques typiques dobjets, permettant leur discrimination. Plusieurs degrs peuvent tre considrs, de la classification

lidentification. La classification signifie la dtermination du type ou la classe de lobjet. Lidentification, quant elle, signifie la dtermination de lidentit de lobjet. Elle est peut tre considre comme le degr le plus lev de la reconnaissance. Lors des conflits militaires, cette technique est utilise pour discriminer les appareils ennemis des appareils amis. Mais, par le pass, la classification automatique des cibles a conduit de nombreuses erreurs. Ces classifications dsastreuses qui ont caus la perte de nombreuses vies humaines, encouragent la recherche scientifique dans lamlioration de la classification automatique de cibles ariennes. En gnral, un systme de classification est reprsent comme sur la figure ci-dessous :
Donne prtraitement et compression extraction des traits

Classes

Classification

Fig.3.1: Diagramme d'un systme de classification.

Le processus de classification contient trois tapes essentielles :

Prtraitement des donnes : segmentation et localisation des rgions dimportance dans les

donnes.
Extraction ou slection des traits : extraction dun ensemble de nombres qui caractrise les

rgions de donnes
Classification : apprentissage et dcision.

De nombreuses techniques de classification sont disponibles, tel que : Le plus proche voisin. Les rseaux de neurones.

2 Prsentation des rseaux de neurones :

2.1-Dfinition

Les rseaux de neurones artificiels sont des modles mathmatiques tablis pour modliser le comportement de la structure des neurones organiques du cerveau humain [24]. Il est important de souligner que les rseaux de neurones biologiques sont plus complexes que les modles mathmatiques artificiels utiliss. Cependant, il est usuel dutiliser la nomination "rseaux de neurones''.

2.2-Transition du neurone biologique au neurone formel :

Dans la nature llment de base de la cognition est la cellule nerveuse, dans le but de imiter le traitement et le flux de linformation dans celle-ci, des recherches [25], [26], [27], [28] en t faites dans cette direction, et qui sappuient toutes sur le neurone formel qui reprsente le composant lmentaire des rseaux de neurones. Au niveau du cerveau humain, la transmission de linformation entre neurones nest pas directe elle est faite travers une jonction appele la synapse. La rapidit du traitement de linformation ne dpend pas du nombre de cellules nerveuses qui est fixe mais du nombre de connexions, Cest sur cette base que les mathmaticiens ont tabli les composants du neurone formel. Les figures suivantes illustrent la ressemblance entre le neurone biologique et le neurone formel. Soma Dendrite

Synapse

Axone
Fig. 3.2 : Neurone biologique.

Fig.3.3 : Neurone artificiel [29].

Les premiers travaux (1943) de simulation des rseaux de neurones artificiels sont prsents par les deux cybernticiens W. Mc Culloch (Neuropsychiatre) et W. Pitts (Logicien) [29]. Lide principale est de simuler de faon trs simplifie le neurone naturel en dfinissant des oprateurs mathmatiques qui approximent les actions de nature lectrique ou chimique effectues par les lments du neurone biologique. Les correspondances sont rsumes dans le tableau suivant :
Neurone biologique Neurone formel

Synapses Axone Dendrite Soma

Poids des connexions Signal de sortie Signal dentre Fonction dactivation

Tab.3.1 : Elments de ressemblance entre le neurone biologique et le neurone formel. 2.3-Le principe et les tapes de construction dun rseau de neurones:

Un rseau de neurones est un outil danalyse statistique permettant de construire un modle de comportement partir de donnes qui sont des exemples de ce comportement. Un rseau de neurones est constitu dun graphe pondr orient dont les noeuds symbolisent Les neurones. Ces neurones possdent une fonction dactivation qui permet dinfluencer les autres neurones du rseau. Les connexions entre les neurones, ou liens synaptiques, propagent lactivit des neurones avec une pondration caractristique de la connexion. On appelle poids synaptiques les pondrations de liens synaptiques. Les neurones peuvent tre organiss de diffrentes manires. Cest ce qui dfinit larchitecture et le modle du rseau. Larchitecture la plus courante est Celle dite du perceptron multicouche (MLP) comme lindique la fig.3.4.

Fig.3.4: architecture d'un perceptron multicouches Etapes de construction dun rseau de neurones :

Les tapes de construction dun rseau de neurones sont : 1. Construction de la structure du rseau (gnralement de manire empirique). 2. Constitution dune base de donnes de vecteurs reprsentant au mieux le domaine modliser. Celle-ci est scinde en deux : une partie servant lapprentissage du rseau et une autre partie aux tests. 3. Paramtrage du rseau par apprentissage. Au cours de lapprentissage, les vecteurs de donnes de la base dapprentissage sont prsents squentiellement et plusieurs fois au rseau. Un algorithme dapprentissage ajuste le poids du rseau afin que les vecteurs soient correctement appris. Lapprentissage se termine lorsque lalgorithme atteint un tat stable. 4. Phase de reconnaissance qui consiste prsenter au rseau chacun des vecteurs de la base de test. La sortie correspondante est calcule en propageant les vecteurs travers le rseau. La rponse du rseau est lue directement sur les units de sortie et compare la rponse attendue. Une fois que le rseau prsente des performances acceptables, il peut tre utilis pour rpondre au besoin exprim lorigine de sa construction.
2.4- Rseaux de neurones formels :

Les rseaux de neurones formels sont l'origine dune tentative de modlisation mathmatique du cerveau humain. Les premiers travaux datent de 1943 et sont luvre de MM. Mac Culloch et Pitts. Ils prsentent un modle assez simple pour les neurones et explorent les possibilits de ce modle. L'ide principale des rseaux de neurones "modernes" est la suivante : On se donne une unit simple, un neurone qui est capable de raliser quelques calculs lmentaires. On relie ensuite entre elles un nombre important de ces units et on essaye de dterminer la puissance de calcul du rseau ainsi obtenu. Il est important de noter que ces neurones manipulent des donnes numriques et non pas symboliques [22]. Deux visions s'affrontent donc, d'un ct les tenant de la modlisation biologique qui veulent respecter un certain nombre de contraintes lies la nature du cerveau, de l'autre les tenants de la puissance de calcul qui s'intressent au modle en lui-mme, sans aucun lien avec la ralit biologique[23].

Le modle de neurone formel prsent ici, du Mac Culloch et Pitts, est un modle mathmatique trs simple driv d'une analyse de la ralit biologique [30]. On constate tout d'abord que le modle biologique fait intervenir une notion temporelle qui est difficile intgrer dans un modle simple. On oublie donc cette notion et de ce fait on remplace l'intgration temporelle par une simple sommation des signaux arrivant au neurone (ces signaux sont communment appels les entres du neurone). On compare ensuite la somme obtenue un Seuil et on dduit de la comparaison la sortie du neurone. Cette sortie sera par exemple gale 1 si la somme est suprieure au seuil, et 0 dans le cas contraire. Plus formellement encore, il suffit pour obtenir ce comportement de soustraire le seuil considr la somme des entres, et de faire passer le rsultat par la fonction dactivation. Cette fonction dtermine ltat de sortie du neurone qui va par la suite exciter les autres neurones qui lui sont connects (Fig. 3.4). s

W1 W2 W3 e1 e2 e3 e4 W4

Wn

en

Fig.3.5: neurone formel

Notons :

ei (i:1n) : les entres du neurone formel Wi : les paramtres de pondration

a: la somme pondre des entres ; elle est calcule de la faon suivante:

a =

(w i * ei )

f : la fonction dactivation S = f(a): la sortie du neurone.

Le rsultat aprs transfert est alors la sortie du neurone. Cet enchanement "sommation" puis "non linarit" reprsente finalement les proprits "physiques" du

neurone. En rsum, un neurone formel ralise tout simplement une somme pondre de ces entres, auquel on ajoute un seuil cette somme et on fait passer le rsultat une fonction de Transfert pour obtenir sa sortie.

3 - Diffrents types de fonction dactivation :

Les fonctions dactivation sont de nature trs variantes : Elles peuvent tre dterministes, continues, discontinues ou alatoires. On va donner par la suite celles qui sont les plus utilises dans les rseaux de neurones.
Nom de la fonction Relation d'entre/sortie a=0 si n<0 a=1 a=-1 Seuil symtrique a= 1 linaire 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 icne Nom MATLAB Hardlim

seuil

satlin

Linaire sature

Linaire sature symtrique Linaire 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)) sigmode Exp(n)-exp(-n)

logsig

tansig Tangente hyperbolique Exp(n)+exp(-n)

Tab.3.1: Diffrents types de fonction dactivation

4 - L'apprentissage :
Lapprentissage est vraisemblablement la proprit la plus intressante des rseaux neuronaux [31]. Lapprentissage se fait gnralement dans le contexte dune tche o dun comportement apprendre. Les informations traiter sont codes sous la forme dun vecteur appel patron dentre. La rponse du rseau sinterprte partir de la valeur dactivation de ces neurones de sortie, dont le vecteur sappelle patron de sortie.

En gnrale, lapprentissage se fait sur une priode relativement longue et comprend quatre tapes de calcul :

Linitialisation des poids synaptiques du rseau, qui sont souvent initialiss des valeurs alatoires. Prsentation du patron dentre et propagation dactivation. Calcul de lerreur. Calcul du vecteur de correction, il est dtermin partir du vecteur derreur .Ce mcanisme sera rpt plusieurs fois jusqu lobtention du comportement dsir.

Au niveau des algorithmes d'apprentissage, il a t dfini deux grandes classes selon que L'apprentissage est dit supervis ou non supervis. Cette distinction repose sur la forme des Exemples d'apprentissage. Dans le cas de l'apprentissage supervis, les exemples sont des Couples (Entre, Sortie associe) alors que l'on ne dispose que des valeurs (Entre) pour L'apprentissage non supervis. Remarquons cependant que les modles L'apprentissage non supervis ncessite avant la phase d'utilisation une tape de Labellisation effectue l'oprateur, Qui n'est pas autre chose qu'une part de Supervision.
4.1- L'apprentissage supervis :

Dans ce cas on fournit au rseau la donne a traiter mais aussi la rponse attendue, le rseau effectue une valuation de la donne, puis compar la valeur obtenue avec la valeur dsire , il va en suite modifier ses paramtre internes afin de minimiser l'erreur constate. L'apprentissage par renforcement (en parle aussi d'apprentissage par rcompense et pnalit, i.e,ART) est une variante de l'approche supervise,dans ce cadre on fournit au rseau une critique qui qualifie la rponse calcule.

4.2- L'apprentissage non supervis :

Dons ce paradigme aucune information (en plus des donne a apprendre) n'est fournie au systme, celui-ci est amen a dcouvrir la structure sous-jacente des donnes afin de les organiser en clusters.
-Caractristique d'apprentissage non supervis :

Mode dapprentissage moins intuitif. Correspond au cas o il nest pas possible davoir une, Base dapprentissage Dans ce cas, on prsente les entres au rseau et on le laisse voluer librement jusqu ce quil se stabilise. Exemples : Cartes de Kohonen
4.3- Techniques dapprentissages :

Apprentissage interactif (On line): Idalement, lapprentissage dun rseau vierge

seffectue en le plaant immdiatement en situation, o il dvelopperait automatiquement un comportement adquat. Les rgles de cet apprentissage sont souvent coteuses en temps de calcul, ce qui le rend inutile en pratique.

Apprentissage diffr (off line): Consiste effectuer lapprentissage sur un chantillon de patron pr- slectionn soit dterministe, soit stochastique.

Ces patrons sont prsents plusieurs fois au rseau durant la phase d apprentissage.

5-Architecture :
Il y a une multitude de manire de regrouper les neurones sous forme dun rseau, qui se base principalement sur les mthodes de la propagation de linformation :
5.1- Les rseaux non rcurrents :

Un rseau de neurones non rcurrents , non boucls ou statiques , propage linformation en un seul sens, de lentre vers la sortie. On peut imaginer une grande varit de topologie pour ce type de rseaux, la plus grande majorit des applications des rseaux de neurones utilisent des rseaux couches [31] autrement dit ce sont des rseaux une couche dentre, une ou plusieurs couches caches et une couche de sortie. Un rseau non rcurrent ralise une ou plusieurs fonctions algbriques des entres par composition des fonctions accomplies par chaque neurone.

(a)
Fig.3.6 : Rseaux non rcurrents,

(b)

(a) : Rseau simple, (b) : Rseau une couche cache.

5.2- Rseaux rcurrents

Un rseau de neurone rcurrent , boucl ou dynamique prsente au moins une boucle de rtroaction. Un rseau de neurones boucl temps discret excute une ou plusieurs fonctions non linaires, par composition des fonctions ralises par chacun des neurones et des retards associs chacune des connexions. Dans cette catgorie on distingue les rseaux comptitifs, les rseaux de Kohonen [32], les rseaux de Hopfield [33], et les rseaux ART (Thorie de la Rsonance Artificielle) [34].

Rseau Comptitif

Rseau Kohonon

Rseau Hopfild

Rseau ART

Fig.3.7: Les rseaux de neurones rcurrents.

6 - Perceptron multicouches :
Le perceptron multicouches (not MLP pour Multi Layer Perceptron en anglais) est directement inspir du raisonnement prsent au dessus. L'ide principale est de grouper des neurones dans une couche. On place ensuite bout bout plusieurs couches et on connecte compltement les neurones de deux couches adjacentes. Les entres des neurones de la deuxime couche sont donc en fait les sorties des neurones de la premire couche. Les neurones de la premire couche sont relis au monde extrieur et reoivent tous le mme vecteur d'entre (c'est en fait l'entre du rseau). Voir figure(Fig.3.8).
Dans cette structure, on dispose des neurones arrangs en couches, les connexions entre les neurones de la mme couche ne sont pas tolres, le neurone de chaque couche possde des connexions avec tous les neurones de la couche suivante, on peut introduire alors la notion du sens de propagation de linformation et en dfinit lensemble de neurones dentrs, sorties et ses couches caches.

Fig.3.8 : rseau MLP

Ils calculent alors leur sorties qui sont transmises aux neurones de la deuxime couche, etc. Les sorties des neurones de la dernire couche forment la sortie du rseau. Un perceptron multicouches calcule donc une fonction vectorielle. On peut ajuster les valeurs des connexions synaptiques et des seuils afin de modifier la fonction calcule.
L'apprentissage (supervis).

En ajustant les paramtres d'un MLP, on peut lui faire calculer toute sorte de fonction. Si on donne une fonction vectorielle particulire, on peut tenter de faire apprendre cette fonction par un MLP : c'est l'apprentissage.

La mthode classique pour l'apprentissage supervis consiste donner un ensemble d'exemples, c'est dire un ensemble fini de couple de vecteurs (xi ,yi). Dans un tel couple, xi dsigne l'entre du rseau et yi la sortie dsire pour cette entre. On crit alors la fonction calcule par le rseau sous une forme paramtrique: f(x,w) dsigne la sortie du rseau quand on lui prsente en entre le vecteur x et qu'il utilise les poids synaptiques contenus dans le vecteur w. On se donne enfin une distance sur l'espace vectoriel de sortie, c'est dire un moyen de mesurer l'erreur commise en un point par le rseau. Si cette distance est note d. on cherche alors trouver la valeur de w qui minimise la somme l'erreur totale commise par le rseau, c'est dire la somme des distances entre les sorties obtenues et les sorties dsires
d(f(xi , w), yi ). Cette erreur est une fonction de w et on peut donc utiliser les techniques

classiques d'optimisation de fonction pour trouver son minimum [36].

La rtro propagation

Les algorithmes d'optimisation de fonction efficaces utilisent en gnral la diffrentielle de la fonction considre (c'est dire son gradient car elle est valeurs relles). Quand les fonctions de transfert utilises dans les neurones sont diffrentiables, et quand la fonction distance est aussi diffrentiable, l'erreur commise par un MLP est une fonction diffrentiable des coefficients synaptiques du rseau. L'algorithme de rtro propagation permet justement de calculer le gradient de cette erreur de faon efficace : le nombre d'oprations (multiplications et additions) faire est en effet proportionnel au nombre de connexions du rseau, comme dans le cas du calcul de la sortie de celui-ci. Cet algorithme rend ainsi possible l'apprentissage d'un MLP.

7- Algorithme de rtro propagation du gradient :

Cest lalgorithme le plus utiliser pour ladaptation des poids dun rseau multicouches [12].
7.1- Modification des poids de la couche de sortie

On considre un rseau de neurones recevant des vecteurs p composant. On note le K

ieme

exemple de la base dapprentissage: X (K ) = [ x1 (k ), x 2 (k ), x 3 (k ).....x p (k )] Les p entres de

X(k) du rseau sont distribues sur tous les neurones. La sortie du neurone i est: Yi (k ) = f ( Ai ) = f ( wij x j (k ))
j =1 p

(3.1)

Ai : Activation du neurone i f : Fonction dactivation .

Au vecteur d'entre X(k) du kieme exemple de la base dapprentissage, on veut associer un vecteur de sortie Yd. Si les poids wij ont des valeurs quelconques, le vecteur de sortie estim est diffrent de Yd. On associe cette diffrence l'erreur quadratique E :
E (k ) =

1 Ns (Yh (k ) Yd h (k )) 2 2 h =1

(3.2)

Ns est le nombre de neurone de la couche de sortie.

Calculons le gradient de cette erreur par rapport wij : (Y (k ) h Yd h (k )) E (k ) Ns = (Yh (k ) Yd h (k )) wij wij h =1 La drive partielle du membre de droite est nulle sauf pour i=h, car seule la sortie Yh est en fonction du poids wij. De plus, la sortie dsire ne dpend d'aucun poids. On obtient alors : Y E (k ) = (Yi Yd i ) i = (Yi Yd i ) x j f ( Ai ) wij wij En posant : i = (Yi Yd i ). f ( Ai ) le gradient de l'erreur quadratique E s'crit :
E = i .x j wij

(3.3)

(3.4)

(3.5)

La mise jour du poids, selon le principe du gradient s'crit : wij = . i .x j :Gain d'adaptation positif. A litration t+1 la rgle de modification des poids de la couche de sortie est donne par:
wij (t + 1) = wij (t ) + wij

(3.6)

(3.7)

7.2- Mise jour des poids des couches caches :

En reprenant l'quation (3.2), l'erreur quadratique sur la sortie s'crit :

E (c) = 1 Nc (c) (c) (Yh Yd h ) 2 2 h =1

(3.8)

Nc : Nombre de neurones la couche (c). Calculons le gradient de cette erreur par rapport au poids wij
h [1, Nc+1]: O Nc+1 est le nombre de neurones de la couche (c+1).

E ( c +1) Wij
(c )

E ( c +1) Ah = ( c +1) wij h =1 A

N c +1

( c +1)

(3.9)

Le 1er terme :

E ( c +1) Ah
( c +1)

= (Yh

( c +1)

Yd h
Nc

( c +1)

). f ( Ah

( c +1)

(3.10)

La 2

ieme

terme :

Ah

( c +1) (c)

wij

wij
(c)

[ whl
l =1

( c +1)

.Y1 ]

(c)

(3.11)

Le terme Yl(c) dpendant du poids wij(c) et Yi(c), pour l=i. la relation (3.11) se rduit alors a : Ah
( c +1) (c)

wij

= whi

( c +1)

wij
(c)

[ f ( wim .Ym
(c) m =1

N c 1

( c 1)

)]

(3.12)

Le seul terme de la somme sur m dont la drive est non nulle est celui qui contient wij(c), c'est dire celui obtenu pour m=j. On a alors : Ah
( c +1) (c)

wij
Le gradient de l'erreur E s'crit donc :

= whi

( c +1)

f ( Ai

(c)

).Y j

( c 1)

(3.13)

E wij
(c)

= (Yh
h =1

N c +1

( c +1)

Yd h ).. f ( Ah

( c +1)

).whi

( c +1)

. f ( Ai

(c)

).Y j

( c 1)

(3.14)

On pose : h

( c +1)

= (Yh

( c +1)

Yd h ). f ( Ah

( c +1)

Pour un rseau a trois couches (c=2) nous obtenons :

E wij
Si on pose :
( 2)

N 3 ( 3) ( 3) ( 2) = h .whi . f ( Ai ) h =1
h hcouche 3

(3.15)

( 2) (3.16) . f Ai Cette relation s'interprte en considrant que l'erreur affecte un neurone i de la couche (2)

i ( 2) =

( 3)

.Whi

( 3)

est gale la somme des erreurs des neurones de la couche suivante (3). On obtient partir des relations (3.15) et (3.16) :

Wij

( 2)

= . i .Y j
( 2)

(1)

(3.17)

D'une manire gnrale, n'importe quelle couche cache d'un rseau multicouches: l'incrment d'un poids wij d'une couche (c) est le produit de l'entre Yj(c-1) provenant de la couche prcdente (c-1) par l'erreur attribue au neurone i.Pour un neurone i d'une couche interne (c) :

i (c) =

On a alors :

h hcouche 3 (c)

( c +1)

.Whi
(c)

( c +1)

(c) . f Ai

(3.18) (3.19)

Wij

= . i .Y j

( c 1)

Tel que pour la dernire couche cache ona :

i ( c ) = Yi ( c ) Ysi
Lquation de mise a jour des poids devient :

(3.20)

Wij (t + 1) = . i (t ) + . i .Y j
(c)

( c 1)

(t )

(3.21)

7.3- Lissage de la rgle d'adaptation (J.Hrault et C.Jutten, 1994) [12] :

L'algorithme de rtro propagation prsent prcdemment est rarement utilis tel quel en pratique, car le pas dadaptation a une influence considrable sur sa convergence, si est trop petit le temps de calcul sera norme, dans le cas contraire -trs grand- il ya risque dinstabilit. L'amlioration la plus couramment utilise consiste ajouter un terme de filtrage sur les incrments d'adaptation. Ce terme est appel "momentum". Son adjonction correspond la minimisation d'un critre E approximativement gal la somme des erreurs quadratiques pondres exponentiellement. Soit : 1 NS E (k ) = ( Ns i ) . Yd (k ) Y (k ) 2 i =1 Ns : est le nombre de neurones dans la couche de sortie.
2

(3.22)

Et de cette relation on arrive la rgle d'apprentissage bien connue :

wij (t + 1) = wij (t ) + . j (t ).x k (t ) + .w jk (t )

Il y a deux modes dadaptation de poids :

(3.23)

Le mode batch dont la mise jour des poids se fait aprs avoir pass en revue tous les exemples dapprentissage pour une seule itration .Ce mode dapprentissage est encore appel dterministe ou off- line et il se caractrise par sa robustesse au bruit sur les entres mais il met un temps de calcul trs important, cest pour cette raison quil nest pas utilis pour des applications en temps rel. Une autre approche consiste modifier les poids aprs chaque prsentation dun exemple dapprentissage. Cest lapprentissage en mode on-line ou by- pattern . Lorsque les exemples sont choisis dans un ordre alatoire, le chemin suivi lors de la recherche du minimum de la fonction cot est rendu stochastique. Ceci permet lalgorithme dapprentissage deffectuer une exploration plus vaste et dans certains cas dviter les minimums locaux.
Algorithme : (J.Hrault et C.Jutten, 1994) [37]

L'algorithme de rtropropagation du gradient se rsume finalement aux tapes suivantes

1. Dfinir les caractristiques du rseau:

a. Nombre de couches caches. b. Nombre de neurones dans chaque couche.

c. Initialiser les valeurs des poids.

d. finir un critre darrt : lerreur quadratique ne dpasse pas un seuil

Earrt.

e. Dfinition du nombre ditration. 2. Choix alatoire d'une paire (X,Yd) dans la base d'apprentissage. 3. Calcul des sorties des diffrentes couches pour l'entre X, selon la relation (II-6) 4. Mise jour des poids : a. Mise jour des poids de la dernire couche en utilisant les relations (3-7) et (3-6).
b. Mise jour des poids des couches prcdentes selon les relations (3-18) et (3-21).

5. Calcul de lerreur sur tous les exemples de la base dapprentissage ET = E ( p )

p =1

6.

Faire le test ET E arret : Si test d'arrt n'est pas satisfait retourner en 2 sinon on garde les poids obtenus.

8 RN pour la classification:
Dans le domaine du gnie des procds, les rseaux de neurones ont t utiliss frquemment en tant que classifieurs, par exemple pour l'identification d'anomalies. Dans cette brve partie, nous montrons comment les proprits de classification des rseaux de neurones dcoulent de la proprit d'approximation universelle, et nous mettons en vidence les avantages et limitations des rseaux de neurones par rapport aux autres classifieurs.
8.1 - Classification et approximation de fonction:

Considrons un problme deux classes A et B, et considrons la fonction F(x) qui vaut +1 si l'objet dcrit par le vecteur x appartient la classe A, et qui vaut zro si cet objet appartient la classe B. l'approximation, au sens des moindres carrs, de la fonction F(x) n'est autre que la probabilit d'appartenance de l'objet x la classe A. Or, nous venons de voir que les rseaux de neurones constituent de bons approximateurs de fonctions non linaires : ils sont donc de bons candidats pour l'valuation d'une probabilit d'appartenance, suivie d'une dcision (qui n'est pas ncessairement prise par le rseau de neurones lui-mme) quant l'appartenance de l'objet l'une ou l'autre classe. Contrairement une croyance largement rpandue, les rseaux de neurones ne sont donc pas limits une prise de dcision binaire ; bien au contraire, ils sont intrinsquement capables de raliser une estimation d'une probabilit d'appartenance. Cette proprit est trs souvent

Ignore, alors qu'elle est particulirement prcieuse lorsque l'on veut introduire un rseau de neurones comme outil de classification dans des systmes complexes, contenant par exemple d'autres classifieurs, fonds sur des principes diffrents, ou utilisant des reprsentations diffrentes pour les formes classer.
8.2 - Classification neuronale et non neuronale:

Nous venons de justifier mathmatiquement le fait que les rseaux de neurones fournissent une estimation de la probabilit d'appartenance une classe. Les rseaux de neurones ne sont pas les seuls avoir cette proprit : il existe notamment des mthodes de classification, dites paramtriques, qui consistent faire une hypothse sur la forme de la distribution de probabilit d'appartenance, et ajuster les paramtres de cette distribution. Le rsultat final est donc, en principe, le mme que celui que l'on obtient l'aide d'un rseau de neurones. Il n'y a donc aucune raison a priori de penser que les rseaux de neurones sont suprieurs, en termes de Taux de classification, ceux, parmi les classifieurs conventionnels, qui permettent d'estimer De manire prcise les probabilits d'appartenance. Le seul avantage que peuvent prsenter les rseaux de neurones dans ce domaine, c'est peut-tre une certaine facilit de mise en oeuvre, et certainement une paralllisation facile si le rseau est ralis lectroniquement, ou s'il est implant sur un ordinateur parallle.

9-Les avantages et les inconvnients du rseau de neurones:

9.1- Les avantages des rseaux de neurones :

Les rseaux de neurones sur le plan thorique et pratique prsentent les avantages suivants :
A loppos des mthodes statistiques, les mthodes connexionnistes ne ncessitent pas la

connaissance des probabilits priori des distributions des classes et des lments de lensemble dapprentissage. Dans le cas des mthodes statistiques leur estimation constitue un problme majeur dans la phase dtablissement des seuils de dcision, et de fausses estimations entranent des erreurs dans le modle. Pour les rseaux de neurones (dans le cas supervis), la seule information ncessaire est la connaissance de lentre et la sortie qui lui correspond.
La classification neuronale a lavantage de ne pas faire dhypothses sur les lois de

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

vraisemblance), cette dernire peut ne pas correspondre la distribution relle des donnes, de ce fait les rgles de dcision seront fausses.
Une fois que lapprentissage est termin, un nouveau test de classification se fait

instantanment. Cette caractristique est lavantage majeur des rseaux de neurones, et qui permet de les utiliser en traitement temps rel .
La parcimonie est la caractristique principale des rseaux de neurones et qui fait deux des

approximateurs trs performants car le nombre de paramtres (poids synaptiques) nexplose pas avec laugmentation de nombre dentres mais augmente dune manire raisonnable avec laugmentation de la complexit des surfaces sparatrices.
Ils peuvent de sadapter la complexit des donnes en augmentant le nombre de couches

ou le nombre de neurones.
9.2- Les inconvnients des rseaux de neurones

Les rseaux de neurones ont les inconvnients suivants :

La prparation des donnes pour une reprsentation complte des classes nest pas vidente,

car si une rgion est non exploite dans lapprentissage le rseau ne pourra pas effectuer une gnralisation sur les donnes appartenants cette rgion.
La dfinition de larchitecture optimale du rseau (au sens dapprentissage et de

gnralisation) se fait dune manire empirique, aucune thorie na pu trancher sur cette question, elle dpend aussi de la reprsentation des donnes dans lespace de reprsentation.
La dure de la phase dapprentissage et parfois trs longue, particulirement si on a une base

de donnes norme, cet handicape tend se rduire car une amlioration considrable en temps de calcul est obtenue avec lavnement des nouveaux calculateurs.
Les paramtres dapprentissage tels que le pas dapprentissage et le moment doivent

tre choisis soigneusement pour ne pas avoir un phnomne doscillation ou une convergence longue.
La classification par rseau de neurones appartient au systme bote noire. Il ne livre aucune

information sur les rgles de dcision ni sur les caractristiques de la classe. Si les rsultats ne sont pas corrects, rien noriente lanalyste pour mieux comprendre la nature des phnomnes quil traite et lui permettre de trouver des solutions [28].
Laptitude de gnralisation est fortement lie au choix de la base de donnes et de

larchitecture, un mauvais choix peut conduire des rsultats inacceptables en gnralisation.

Conclusion :
Dans ce chapitre, nous avons, en premier lieu, procd une prsentation des rseaux de neurones partir des dfinitions et des proprits fondamentale, larchitecture et lapprentissage nous avons parle aussi sur les rseaux de neurones multicouches et lalgorithme de rtro propagation. Les rseaux multicouches (approche globale ou par partition) sont des modles bien adapts au problme de classification, mais la phase de leur laboration nest pas facile car il ya une multitude de considrations prendre en compte (larchitecture, initialisation des poids, le pas dapprentissage et le moment). Les rseaux de neurones ont fait leur preuve en pratique dtre de bons classifieurs si la phase de lapprentissage est soigneusement faite, offrant alors de nouvelles perspectives au domaine de la classification. Le chapitre suivant sera ddi la conception et la mise en uvre du rseau de neurones par le MATLAB.

CHAPITRE VI :

Mise en uvre dun Classifieur Neuronal

1- Dmarche gnrale. 2- Prtraitement et compression. 3- Base de donne de notre travail. 4- Conception et mise en uvre par MATLAB. 5- Interface graphique .

Introduction :
Dans les trois chapitres prcdents nous avons prsent les diffrentes mthodes et techniques utilises pour concevoir un classificateur de cibles radar partir de leurs images ISAR. Dans ce chapitre nous allons exposer en dtail la manire dont nous avons adapt et appliqu ces techniques a notre problme pour atteindre lobjectif que nous avons fixs et les principaux rsultats que nous avons obtenus. Dans ce chapitre nous dmarrons par prsenter les rsultats des prtraitements et les diffrents algorithmes de slection de caractristiques que nous utilisons ultrieurement. Ensuite, nous exposons la dmarche de conception du classifieur neuronal par le MATLAB. Finalement, nous prsentons linterface utilisateur de la mise en uvre de lapplication C++.

1- Dmarche gnrale :
Une dmarche gnrale de rsolution du problme a t dgage (figure 4.1). Cette dmarche consiste a appliquer une succession de traitements sur les images ISAR afin dobtenir les paramtre intrinsques du classificateur dont nous avons pralablement fix le modle. La dmarche comporte essentiellement deux phase :

Une phase que nous appelons prtraitement. Elle comporte deux tapes :
9

La premire tape consiste a utiliser une mthode danalyse de donnes pour

rduire la taille de limage ISAR tout en prservant le maximum des informations utiles. Le rsultat des traitements effectus dans cette tape est un vecteur des caractristiques reprsentant la cible. Ce traitement est appel (extraction des caractristiques).
9

La deuxime tape consiste a slectionner parmi ces caractristiques celles qui

seront utilises pour estimer les paramtre du classificateur choisi. Cette tape est appele (slection des caractristiques).

Une deuxime phase qui consiste a calcul les paramtres du classificateur a partir des caractristiques pralablement slectionnes. Dans cette phase deux modles de classification seront utiliss et compars. En pratique, Les deux phase qui consiste prcites sont effectue en off-line, sur les lments de la base de travail, afin dobtenir les paramtres du classificateur, Une cible inconnue subira, quant a elle, un traitement

on-line en vue de sa classification. Ce traitement doit tre le moins coteux possible en

temps de calcule. Il sagit dappliquer ltape de lextraction des caractristiques sur les images ISAR de cette cible, suivi dune valuation de la fonction de dcision en lui injectant les caractristiques retenues dans ltape de la slection. Selon la valeur de

cette fonction, le classificateur dcide daffecter la cible lune des classes existant dans la base de donnes. Cest ce que nous appelons la reconnaissance de cible. Les diffrentes tape de la dmarche son rsumes dans la figure. (4.1).

Apprentissage Off-line

Apprentissage On-line

Base de travail (Images ISAR)

Extraction des caractristiques (Rduction)

Classificateur

Classement de la cible

Slection des Caractristique

Evaluation du critre de dcision

Base de donne

Extraction des caractristiques

Apprentissage et validation
Fig.4.1 : Dmarche gnrale.

Novelle cible

Le plan gnral de notre travail est le suivant : 1) Disposer dune banque de donnes constitue dimages de cibles reprsentatives. 2) Pour chaque image : (a) effectuer ses projections sur un axe passant par son centre, orient dun angle de 1a 360 avec un pas de 1 (Transforme de Radon) (MATLAB). (b) Rduire la taille des matrices de donnes par lanalyse en composant principales (ACP), retenir les premiers vecteurs propres et prendre les valeurs absolues de leurs composantes (MATLAB). (c) Construire un vecteur ligne constitu de toutes les composantes des vecteurs propres retenus aligns lun aprs lautre(MATLAB). 3) Slectionner les caractristiques pertinentes qui discriminent aux mieux entre les diffrentes cibles.

4) Construire un classificateur neuronal qui discrimine entre les cibles (MATLAB). Pour cela il faut faire : (d) Etude en fonction du nombre de couches caches. (e) Etude en fonction du nombre de neurones dans la couche cache. (c) Choix des paramtres dapprentissage du rseau - Etude en fonction du nombre ditrations 5) Exporter le rseau de neurones implmenter par le MATLAB vers une application C++. 6) Utiliser le classificateur pour la reconnaissance de nouvelles cibles inconnues pour cela il faut (Application C++) : (a) Effectuer sur limage ISAR de la cible inconnue, le mme pr traitement que celui de la deuxime tape. (b) Ressortir les caractristiques slectionnes dans la troisime tape. (c) Evaluer la fonction de dcision et affecter la cible inconnue a la bonne classe.

Fig.4.2: Organigramme de notre dmarche de travail.

2- Prtraitement et compression
2.1- Donnes brutes :

La base de donnes brutes dpendra du domaine dutilisation. La base sera constitue, par exemple, dimages de diffrents types des avions, dans le cas dune reconnaissance de cibles ariennes ou des images de diffrents types de bateaux dans le cas dune reconnaissance de cibles maritimes. Ainsi, dans le cas de la reconnaissance de cibles ariennes, les types davions (MIG25, F16, AIRBUS, A310,.) constitueront nos classes de rfrence.

Dans notre cas, les donnes brutes sont des images de type ISAR de cibles ariennes (avion). Ce type dimages fait apparatre, sous forme de points brillants, les points les plus rflchissants de la cible. Gnralement, les contours et les surfaces anguleuses de la cibles sont les plus rflchissants. La figure ci-dessous montre un exemple dimage ISAR. Il sagit dun avion de type MIG25 [37]. 1 2

5
Fig.4.3: Image ISAR dun MIG 25

Fig.4.4: Squence dimages ISAR dun MIG25 a des instants successifs.

La cible peut apparatre dans limage selon diffrentes orientation, Dans notre cas considrons que la cible occupe le centre de limage quelle que soit son orientation. La figure ci-dessous reprsente les images ISAR de la mme cible releves respectivement aux instants successifs t = 0.1280s, 0.4693s, 0.8107s, 1.1520s, 1.4933s, 1.8347s [37]. A partir de ces figures nous pouvons constater quun oprateur exerc peut, a partir dune observation visuelle, avoir une ide sur le type dappareil. Ceci est du au fait que quelques points du conteur ainsi que les surfaces les plus anguleuses a lintrieur du contour apparaissent de faon relativement claire. Malheureusement, la reconnaissance visuelle reste trs limite et mme sujette a des erreurs devant le nombre important de cibles et parfois la qualit mdiocre des images. Devant ces difficults, lautomatisation de la reconnaissance de cible simpose. Cette reconnaissance automatique ncessite la conception dun processus de reprsentation et de traitement numrique de linformation.

2.2- Application de la transforme de radon aux images :

Lutilisation de la transforme de radon vise a rendre les objets a identifier indpendants de rotation (angle dobservation). Ainsi,un avion de type MIG25 pris sous diffrente angles dorientation doit tre reconnue comme tant le mme objet par notre systme de reconnaissance automatique. Nos donnes sont des images en niveaux de gris de 96 x 96 (9216) pixels. Nous avons choisi comme intervalle de projection lintervalle [0, 360[ avec un pas de discrtisation de 1o , a fin dtre sur de balayage lensemble des orientations possibles de lobjet. Cette transformation remplace limage brute par une reprsentation bidimensionnelle constitue de ses projections. La figure (4.5-b) montre la transforme de radon (TR) dune image ISAR dun MIG25 (figure (4.5-a)). Laxe des abscisses de la TR reprsente les angles suivant lesquels limage a t projete. Nous avons ensuite fait tourner notre cible dun angle de 45 degrs puis nous avons appliqu la TR a limage obtenue. La transforme de radon des deux images suivant des angles de projection allant de 1 a 360 a pas de 1 , est illustre sur les figures ci-dessous (a) (b)

(c)

(d)

Fig.4.5 : Image ISAR du MIG25 a 0 et 45 et leur transforme de Radon.

Nous constatons que les images transformes pour les deux orientations prsentent beaucoup de similitudes, c--d quelles comportent les mmes colonnes mais dans un ordre

dfirent. Le dcalage dans lordre des colonnes est du a longle de rotation (45) de la cible dans la premire image par rapport la deuxime. Pour doutres valeurs dongles dorientations de la mme cible, nous aurons les mmes colonnes que prcdemment mais dans un ordre diffrent. Aprs cette tape, chaque image est transforme en une reprsentation bidimensionnelle de ses projections pour des angles allant de 1 360 par pas de 1. Lapplication de la transforme 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. Linformation ainsi prsente occupe 1 pas

environ cinq (5) fois plus despace mmoire que limage initiale.
2.3- slection des caractristiques :

La slection des caractristiques permet de bien distinguer entre les cibles. L'analyse en composant principales (ACP) est un outil trs utilis dans ce domaine. En pratique les composantes principales sont calcules en utilisant la dcomposition en valeurs singulires (SVD), de la matrice de covariance de donnes. La SVD permet non seulement, de la slection des caractristiques mais aussi de la rduction de la taille des donnes. Dans notre travail, nous utilisons directement les valeurs singulires comme des caractristiques qui reprsentent la cible.

3.4198 1.0949 0.8272 0.6146 0.5422

Fig.4.6 : Application de la transformation Radon et SVD sur limage ISAR MIG25.

3- Base de donnes de notre travail :

Lefficacit dun classificateur ne peut pas tre tablie lorsque sa partie apprentissage est btie sur une base de donne contenant un petit nombre dchantillons. Dans ce cas, mme si les testes semblent conduire a conclure un taux derreur de dcision trs faible, la confrontation de ce classificateur des problmes rels peut srieusement compromettre le rsultat des testes. Or, dans un domaine aussi sensible que celui de la reconnaissance de cibles

Est encore moins vident sagissant de cibles ennemies. Notre base de travail est constitue de 18 type de cibles ariennes diffrentes. Les images brutes de ces cibles sont portes sur la figure (4.7). Comme chaque type de cible constitue une classe, notre base de travail est donc constitue de 18 classes et une seule instance par classe. Les images des cibles utilises du travail de Y.He [38].

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.4.7 : Images brutes des avions utiliss pour la base de rfrence.

La base de donne est forme en effectuant le pr-traitement cit dans le diagramme de la figure (Fig.4.7). La base de donnes contient dons 18 classe de cibles. Toutes les cibles de rfrence sont orientes dans la mme direction. Pour mesurer la performance de lapproche prconise, nous avons le taux de classification correcte Pc (appel aussi pourcentage de bien classs).

Ce taux est donn par lexpression :

Pc = nombre de classification correctes . Nombre des chantillons testes

(4.1)

4- Conception et mise en oeuvre par MATLAB :

Comme nous lavons cit dans la description des diffrentes catgories de rseaux de neurones dans le chapitre prcdent, les rseaux non boucls (ou statiques) sont les plus adapts la rsolution des problmes de classification. Dans le contexte dun mode supervis, nous utilisons un rseau multicouche rtro propagation du gradient. La construction du rseau se fait en trois phases principales : Le conditionnement des entres, la dfinition de larchitecture du rseau et lapprentissage. Pour valider les tests dapprentissage, nous effectuons une tape de gnralisation qui traduit la capacit du rseau classifier les donnes de la base de test.
4.1- Conditionnement des entres :

A lentre du rseau, les donnes doivent tre dcorrles. Dans notre cas, nous avons construit une base de donnes qui contient 18 classes qui peuvent tre corrls. Pour rsoudre ce problme, nous appliquons une analyse en composantes principales (ACP), nous avons calcul les valeurs propres de la matrice de variance- covariance, ensuite nous avons choisi les valeurs de lespace qui reprsentent une variance importante (95%). Ces valeurs nous permettent de faire une restitution presque complte du signal. Cependant, une telle considration nest pas ncessaire car le but de notre application est la dcorrlation des donnes et non pas la restitution des donnes originales.
4.2- Architecture du rseau et apprentissage :

Pour la dfinition de larchitecture du rseau, il nexiste pas de mthode systmatique pour obtenir une architecture performante, car les positions des surfaces sparatrices dpendent du nombre de neurones dans la couche cache, si ce nombre est petit les surfaces ne sadaptent pas la complexit du problme, et si il est trop important, le rseau aura une faible capacit de gnralisation. Dautres paramtres sont pris en considration durant lapprentissage dun rseau de neurones : le pas dapprentissage, le momentum et le nombre ditrations. Nous avons effectu une tude des diffrentes structures en fonction du taux didentification que nous dfinissons comme tant le rapport du nombre dlments bien classs sur le nombre total des lments.

 Etude en fonction du nombre de couches caches :

Les rsultats ont montr que lintroduction de plus dune couche cache ne donne aucune amlioration, en addition, lapprentissage devient de plus en plus lent. Une couche cache est donc suffisante, la figure (Fig.4.8) montre la variation du taux de reconnaissance en fonction du nombre de couches caches.
120 taux de bonne classification 100 80 60 40 20 0 1 2 nombre de couches caches 3

Fig.4.8 : tude en fonction de nombre de couches caches Etude en fonction du nombre de neurones dans la couche cache :

Dans cette tude nous avons utilis un rseau une seule couche cache, avec des fonctions dactivation sigmode. Le graphe ci-dessous montre lvaluation du taux didentification en fonction du nombre de neurones dans la couche cache, nous avons utilis le nombre ditrations=1000.
120 taux de bonne classification 100 80 60 40 20 0 -20 0 2 4 6 8 10 12

nombre de neurones

Fig.4.9 : tude en fonction de nombre de neurones.

Pour un rseau une seule couche cache, laugmentation du nombre de neurones ne peut pas amliorer indfiniment la qualit de lapprentissage. Il ya un nombre partir duquel

aucune amlioration sur le plan structure ne peut tre apporte. Dans notre cas, au del de 7 neurones aucune amlioration nest constate.
- Choix des paramtres dapprentissage du rseau :

Nous avons utilis lalgorithme de rtropropagation du gradient, prsent nous tudions linfluence des paramtres dapprentissage (le pas dapprentissage, le momentum et le nombre ditrations) sur le taux didentification. Pour cela nous avons utilis un rseau 7 neurones dans la couche cache. Ce choix se justifie par le fait que ce nombre donne de meilleurs rsultats et avec moins de temps de calcul (tude prcdente).
Etude en fonction du pas dapprentissage

Dans cette tude nous avons entour le pas dapprentissage que nous utilisons dans la mise jour des poids. Nous avons vari le pas dapprentissage dans un intervalle de [0 1], et nous avons constat que le taux didentification constante dans la valeur de 100% qui montre quil ny a pas aucun influence sur la convergence de lalgorithme et sur les performances du rseau. Voir la figure(Fig4.10 )
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.4.10 : tude en fonction de pas dapprentissage. Etude en fonction du momentum

Dans cette tude nous avons entour le momentum. Nous avons vari le pas dapprentissage dans un intervalle de [0 1], et nous avons constat que le taux didentification constante dans la valeur de 100% qui montre quil ny a pas aucun influence sur la convergence de lalgorithme et sur les performances du rseau. Voir la figure (Fig4.11).

120 taux de bonne classification 100 80 60 40 20 0 1 2 3 4 5 6 7 8 9 variation de momentum

Fig.4.11: tude en fonction de momentum. Etude en fonction du nombre ditrations

Nous tudions dans cette partie linfluence du nombre ditrations sur lapprentissage. Dans ce cas nous avons varie le nombre ditrations de 500 jusqua 5000 de pas 500, laugmentation du nombre de ditrations ne peut pas amliorer indfiniment la qualit de lapprentissage. Il ya un nombre partir duquel aucune amlioration sur le plan structure ne peut tre apporte. Dans notre cas, au del de 150 itration aucune amlioration nest constate.
120 taux de bonne classification 100 80 60 40 20 0 -20 0 1000 2000 3000 4000 5000 6000

nombre d'itrations

Fig.4.12 : tude en fonction de nombre ditration

5- Interface graphique
Nous avons ralis toutes les fonctionnalits de prtraitement en longuage C++, pour tre utilis dans une application systme expert . Lintgration de ces programmes avec le

rseau de neurones ralis par le MATLAB se fait par une interface graphique. Lapplication que nous avons ralise par un environnement C++ Borland, car cest un environnement de type RAD, ce qui facilite la ralisation de notre travail. Nous aussi choisie que lapplication soit de type MDI, pour identifier plusieurs cibles a la fois. Linterface est constitu dune forme principale, qui porte tous les menus et les boutons ncessaires lapplication. (Fig.4.13).

Fig.4.13 : Forme principale

Lopration dexportation du rseau se fait par lensemble des boutons Rseau de neurones , qui fait apparatre la forme architecture rseau . cette dernire est utilis pour fixer larchitecture rseau. figure(Fig4.14).

Fig.4.14 : Forme Architecture rseau .

Les tapes suivantes sont : 1. Acquisition signal. 2. Transform Radon. 3. Dcomposition SVD. Sont effectus par lensemble des boutons Identification .

Fig.4.15 : Forme de progression de lacquisition.

Si lidentification est faite, alors une forme MDIchild apparais avec toutes les informations concernant lavion identifie. Figure(Fig.4.16).

Fig.4.16: Forme de la cible identifie.

Pour visionner la base de donnes on utilise le bouton base de donnes , la forme du choix de lavion alors apparat.

Fig.4.17 :forme choix avion.

Les informations sur le groupe de travail qu contribuer la ralisation de lapplication sont dlivres par la forme A propos

Fig.4.18 : forme a propos.

Conclusion
En partent de quelques intuitions nous sommes parvenus une dmarche mthodologie de classification de cibles radar. Elle commence par lextraction des caractristiques en passant par la slection dun nombre raisonnablement acceptable de caractristiques et se termine par la classification et lidentification des cibles. Les quelques tests raliss, bien quils ne soient pas nombreux, ont permis de confirmer quantitativement nos intuitions. La combinaison de la classification par rseaux neurones avec la technique dextraction des caractristiques des images du cibles de type ISAR nous permis datteindre un taux de reconnaissance acceptable (95 %) sur une base de donnes de 18 classe. Lutilisation de lalgorithme de la rtropropagation pour la classification de la base de donn des images ISAR donne des rsultats acceptables concernant le temps de convergence et le taux dapprentissage. Le rseau a donn de bons rsultats en gnralisation pour diffrentes valeurs du seuil. Ce classifieur une fois tabli, peut tre export vers notre application C++ pour tre utilis.

Conclusion gnrale :
A travers ce mmoire de fin dtudes, nous avons bas notre processus

didentification des cibles sur des images ISAR. Bien que cette information soit riche, elle pose un problme de volume de stockage et une lenteur des calculs. Cest la raison pour laquelle nous avons utilis des techniques de rduction pour ne retenir que linformation la plus pertinente par rapport lobjet de reconnaissance automatique. Le problme dorientation de la cible et aussi contourn en utilisant la transforme de radon. Pour rsoudre le problme de la reconnaissance des cibles radar, nous avons propos une dmarche gnrale de rsolution. Nous navons nglig aucune tape du processus de construction du classificateur automatique, qui part de lextraction des caractristiques et aboutit une fonction de dcision. Cest cette fonction de dcision qui est utilise pour identifier des cibles nouvellement dtectes. Une classification des images des cibles de type ISAR par les rseaux de neurones a t tudie. Il en rsulte une mthodologie bien dfinie pour aboutir aux bons paramtres dapprentissages et tester les performances du classificateur. Les diffrentes testes on preuv que notre rseau de neurones arrive des performances trs intressante (presque 100 %). Aprs la mise en uvre du rseau de neurones par le MATLAB, nous avons export ce dernier vers une application de type C++, pour tre utilis facilement et dans un temps raisonnable. Car la lourdeur de calcule vient des tapes de pri-traitement et de compressions. Les perspectives de nos travaux seront focalises sur la ralisation pratique et limplmentation dun systme embarqu pour lidentification des cibles. En plus, lamlioration des algorithmes de pri-traitement est primordiale lidentification des cibles.

Rsum : Les recherches actuelles dans le domaine de la surveillance arienne sorientent de plus vers la reconnaissance des cibles radar sans leur participation active(reconnaissance de cibles non cooprative NCTR).Dans ce mmoire, nous avons propos une approche pour une classification de cibles bases sur leur image ISAR. La classification dimages ISAR par la mthode des rseaux de neurones. Pour atteindre cet objectif, des techniques standard (transforme de radon, ACP) ont t adapte pour extraire et slectionner des caractristiques ayant un grande pouvoir discriminant, Ces caractristiques sont ensuite utilises comme base dapprentissage pour le rseau de neurones, la banque de donnes dans lapprentissage supervis du rseau de neurone fait par lapplication de lalgorithme de rtropropagation du gradient. La classification des images ISAR par rseau de neurones donne des rsultats trs prcis. Mots cls : NTSC,images ISAR,ACP,transforme de radon, classification,rseau de neurones, rtropropagation. ABSTRACT : Most of the recent air surveillance researches are focusing on no-cooperative target recognition. In this work, we propose a global approach for the classification of targets. This classification uses the information contained in target ISAR images. For this purpose, standard techniques (Radon transform, PCA) are fitted in a way that allows extraction and selection of a set of features with a great discriminating power. These features are then used that data base for training of the neural networks, the supervised training of the neural networks do by the back propagation algorithm of the gradient. The classification of ISAR images bay the neural networks give exact result. Keywords: NTSC, ISAR images, principal component analyses (PCA), Radon transform (RT), Classification, neural network. : ( ) ISAR ) ( . ISAR .

:
ISAR .