Detection D'une Cible Par Frequence D'oppler PDF

No dordre : \NumeroOrdre
Thse
prsente
Telecom Bretagne
pour obtenir
le grade de : Docteur de Telecom Bretagne
mention : Traitement du Signal et Tlcommunications
par
Laurent Djean
Dtection de petites cibles marines en milieu ctier

par radar aroport
Soutenue le 10 novembre 2009 devant la commission dExamen :
Composition du Jury :
Prsident : Jean-Jacques Fuchs, Professeur, Universit de Rennes I

Rapporteurs : Jean-Marie Nicolas, Professeur, Telecom Paris Tech
Philippe Forster, Professeur, Universit de Paris X/ENS Cachan
Examinateurs : Jean-Marc Boucher, Professeur, Telecom Bretagne
Dominique Pastor, Professeur, Telecom Bretagne
Jean-Michel Quellec, Ingnieur, Thales Systmes Aroports
Remerciements
Parvenu au terme de ces longues annes de thse, voici venu le moment de contempler
le chemin parcouru. Ce chemin na certes pas t le plus court, il ne maura du moins pas
men la perdition (comprenne qui pourra), et a crois la route de nombreuses personnes
qui, dune faon ou dune autre, mont permis de poursuivre un peu plus en avant que ce soit
dun point de vue purement scientifique, ou plus largement humain ou spirituel. Quelles en
soient toutes vivement remercies. Pour reprendre louverture du livre de lExode, hc sunt
nomina (nanmoins pas tous).
Je voudrais remercier ainsi en premier lieu, autant quil mest possible, le Professeur Do-
minique Pastor qui a t dune certaine manire linstigateur de ce plerinage vers la thse
promise. Il a su en aplanir les voies par sa disponibilit et sa rigueur sans faille, ainsi que par
les longues conversations que nous tnmes, parfois plus philosophiques que scientifiques.
Il me faut galement remercier le Professeur Jean-Marc Boucher davoir accept de diriger
ces travaux de thse. Ce fut pour moi un grand honneur de travailler sous sa direction.
Il ne mest pas permis non plus doublier de remercier Monsieur Jean-Michel Quellec et
le Docteur Myriam Chabah, qui mont accueilli au sein de leur quipe chez Thales Systme
Aroport. Sans eux cette thse naurait pas vu le jour. Ils ont su maccorder toute leur
confiance, me laissant une grande autonomie dans mes recherches, sachant toutefois recadrer
mes travaux lorsque ctait ncessaire.
Je remercie galement les membres du jury pour lintrt quils ont port mes travaux,
et tout spcialement les Professeurs Jean-Marie Nicolas et Philippe Forster, qui ont accept la
lourde tche dtre rapporteurs de ce manuscrit, mais aussi au Professeur Jean-Jacques Fuchs
de bien avoir voulu prsid ce jury. Ce fut un grand honneur davoir des chercheurs dune telle
renomme dans mon jury de thse.
Ce fut vraiment un plaisir, tant chez Thales qu Telecom Bretagne, de travailler avec
tous les collgues de bureau, les stagiaires et les thsards que jai cotoys tout au long de mes
prgrinations. Il ne sont pas trangers la douce ambiance qui rgnait pendant ces annes.
Merci Gilbert, Vronique, Michel, Grard, Benot, Yvon, Nicolas B., Laurent S., Nicolas V.,
Anglique, tienne, Fadoua, Andrzej, Abdou, Rodrigue, Riwal, Thanh, Zineddine, Cheikh
Rabie III, Dr Eynard, Hyunseuk, Anh, Giao, Sarab, Simo, Asmaa, Patricia, Sterenn, Bogdan,
Anas, Clmentine, Mathieu, Mounir, Pauline, Thibaut, Omid, Liyun, Serge, Giao, Yizhi,
Junyi, Ali, Mustapha, Khalid, Franois-Xavier, Thang, Karim et Mohamad, ainsi qu ceux
que jaurais ventuellement oublis. Un merci particulier galement Brigitte Le Meur et
Monique Larsonneur pour le travail administratif quelles accomplissent et qui est combien
important dans la vie dun thsard.
Je tiens aussi remercier Messieurs les Abbs Claude Caill et Jean-Yves Dirou pour le
ii Remerciements
soutien spirituel quils ont daign maccorder avec une grande charit, pour leurs encoura-
gements et leurs exhortations. Une mention spciale Monsieur lAbb Dirou qui ma fait
lhonneur dassister ma soutenance.
Merci galement mes parents, mon frre et ma sur.
Enfin, je ne saurais conclure ces remerciements sans citer Celui que Bourbaki nommait le
compactifi dAlexandroff de lunivers . Laudate et superexaltate eum in saecula.
Table des matires
Remerciements i
Introduction 1
I Prsentation et modlisation du problme 5
1 La dtection radar 7
1.1 Les signaux radars . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.1 Forme donde . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.2 Expression du signal reu . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.3 Stratgie de dtection . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2 Thorie de la dtection radar . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.1 Modlisation statistique du problme . . . . . . . . . . . . . . . . . . . 14
1.2.2 Un test dhypothses binaire . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.3 Le lemme de Neyman-Pearson . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.4 Hypothses composes . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Modlisation statistique du fouillis 21

2.1 Le modle gaussien et ses limitations . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Une consquence du thorme de la limite centrale . . . . . . . . . . . 21
2.1.2 Limitations du modle . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 Questions infrentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1 Statistiques unidimensionnelles . . . . . . . . . . . . . . . . . . . . . . 23
2.2.2 Statistiques multidimensionnelles . . . . . . . . . . . . . . . . . . . . . 26
3 Modlisation robuste 29
3.1 Limitations du modle SIRP . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Modlisation et dtection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Une modlisation robuste : le modle localement gaussien . . . . . . . . . . . 35
iv TABLE DES MATIRES
II Dtection 37
4 Dtection optimale 39
4.1 Retour sur le critre de Neyman-Pearson . . . . . . . . . . . . . . . . . . . . . 39
4.2 Tests puissance constante sur une famille de surfaces . . . . . . . . . . . . . 43
4.2.1 Dfinition et rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3 Tests invariants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3.1 Notion dinvariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3.2 Principe dinvariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.4 Invariance et puissance constante sur une famille de surfaces . . . . . . . . . . 49
5 Dtection dans un fouillis blanc 51

5.1 Dtection sous-espace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.1.1 Interprtation sous-espace . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.1.2 Rsolution du problme par invariance . . . . . . . . . . . . . . . . . . 54
5.1.3 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2 Dtection dune cible de frquence Doppler inconnue . . . . . . . . . . . . . . 59
5.2.1 Le test du rapport de vraisemblance gnralis . . . . . . . . . . . . . 60
5.2.2 Test invariant optimal . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.2.3 Mise en uvre et rsultats . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.3 Cas dun fouillis color . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.3.2 Le test du priodogramme normalis . . . . . . . . . . . . . . . . . . . 67
5.3.3 Implmentation et rsultats . . . . . . . . . . . . . . . . . . . . . . . . 73
6 Dtection adaptative 79
6.1 Le modle gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.1.2 Test invariant optimal . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.1.3 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.2 Le modle localement gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . 85
6.2.2 Rduction du problme par invariance . . . . . . . . . . . . . . . . . . 88
6.2.3 La mthode du plug-in . . . . . . . . . . . . . . . . . . . . . . . . . 90
6.3 Implmentation et rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
6.3.1 Implmentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
TABLE DES MATIRES v
6.3.2 Rsultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7 Discrimination sol-mer 107

7.1 Prsentation des donnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.2 Analyse spectrale des donnes . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.2.1 tude globale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.2.2 tude locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.3 Modlisation autorgressive au premier ordre . . . . . . . . . . . . . . . . . . 112
Conclusion 117
Annexes 121
A Vecteurs et matrices gaussiens 123

A.1 Vecteurs gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
A.1.1 Dfinition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
A.1.2 Densit de probabilit . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
A.1.3 Vecteurs gaussiens complexes . . . . . . . . . . . . . . . . . . . . . . . 123
A.2 Matrices gaussiennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
B Proprit TFAC des AGNMF et AWNPD 127

B.1 Proprit TFAC par rapport du AGNMF . . . . . . . . . . . . . . . . . . 127
B.2 Proprit TFAC par rapport du AWNPD . . . . . . . . . . . . . . . . . . 128
B.3 Proprit TFAC par rapport des AGNMF et AWNPD associs au sample
covariance matrix estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
C Invariant Maximal 131

C.1 Invariance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
C.2 Maximalit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
D Performances dun test non biais sur un fouillis spiky 135
E Convergence de lestimateur de la matrice de blanchiment 139

Introduction
Un jour de 1886, Heinrich R. Hertz dcouvrit que les ondes lectromagntiques taient
rflchies par les surfaces mtalliques. Lhistoire du radar tait lance. Ds 1904, Christian
Hlsmeyer, sappuyant sur la dcouverte de Hertz, met au point le premier systme de tld-
tection. Baptis Telemobiloskop , il est capable de dtecter des bateaux dans du brouillard.
Les premiers systmes de tldtection impulsions firent leur apparition laube de la
seconde guerre mondiale, qui acclra considrablement les recherches dans le domaine. Le
terme radar fut introduit cette poque par lUS Navy pour dsigner les systmes de
tldtection et de tlmtrie par ondes radiolectriques (RAdio Detection And Ranging). Un
demi-sicle plus tt, Hertz tait certainement loin de se douter que sa dcouverte allait jouer
un rle dcisif dans la bataille dAngleterre (aot-octobre 1940), permettant au Royaume-Uni
de rsister aux assauts de la Luftwaffe. Un rseau de soixante installations, la Chain Home ,
permettait alors de surveiller lensemble des ctes britanniques.
De nos jours, la surveillance des ctes revt toujours une grande importance, que ce soit
pour lutter contre les trafics en tous genres (drogue, contrebande, clandestins), la piraterie
ou le terrorisme, pour surveiller les zones de pches, ou encore pour assurer des missions de
sauvetage en mer. Toutes ces missions consistent en la dtection et la localisation de petites
cibles marines en milieu ctier. Le radar aroport constitue un outil privilgi pour les remplir,
car il permet une observation par tout temps, de jour comme de nuit, un dploiement rapide
et une grande couverture. Toutefois, contrairement au cas de la Chain Home , ce nest plus
le ciel mais la surface de la mer qui est cette fois-ci observe, si bien que lobservation radar
de la cible est perturbe par des chos parasites retourns par la mer et appels fouillis.
Lanalyse du fouillis est primordiale afin de pouvoir optimiser les performances des dtec-
teurs, puisquil constitue un srieux facteur limitant en terme de dtection. Cest pourquoi de
nombreux travaux de recherche ont t effectus et le sont encore actuellement pour modliser
le fouillis aussi prcisment que possible. Afin de tenir compte de la nature alatoire du fouillis
et de tirer parti des rsultats obtenus dans le cadre de la thorie statistique de la dcision, les
radaristes ont opt pour une caractrisation statistique du fouillis. Il est vite apparu que le
modle gaussien initialement propos ne permettait plus de modliser correctement le fouillis
en incidence rasante ou haute rsolution. En effet, dans ces conditions, de forts chos
appels spikes se dtachant du niveau moyen de fouillis apparaissent, traduisant un al-
longement de la queue de distribution de lamplitude du fouillis et donc un cart par rapport
aux statistiques gaussiennes.
Ainsi, des modles statistiques non gaussiens furent proposs ds les annes soixante pour
modliser lamplitude du fouillis. Apparurent ensuite des modles modlisant galement la
phase du fouillis, mais ne permettant pas de prendre en compte les corrlations entre les
chos. Actuellement, le modle le plus rpandu dans la littrature consiste reprsenter le
2 Introduction
fouillis comme un processus alatoire invariant sphriquement ( Spherically Invariant Ran-

dom Process SIRP). Ce modle consiste voir le fouillis comme un processus gaussien
dont la variance est elle-mme une variable alatoire, appele la texture. Il permet ainsi de
modliser lamplitude du fouillis par un processus non gaussien, ainsi que la phase et les
corrlations entre les chos.
Toutefois, mme en supposant les cibles recherches parfaitement connues, les dtecteurs
optimaux associs au modle SIRP de fouillis ne peuvent pas tre mis en uvre en pratique,
car ils ncessitent la connaissance de la loi de la texture, qui est inconnue. Pour pallier ce
problme, un dtecteur sous-optimal, le dtecteur asymptotiquement optimal [Conte et al.,
1995] ( Asymptotically Optimum Detector AOD) est gnralement employ. Ce dtecteur
ne ncessite pas la connaissance de la loi de la texture du fouillis, quil considre en fait comme
un paramtre dterministe inconnu, alors estim au sens du maximum de vraisemblance. Par
consquent, lutilit de la modlisation statistique de la texture est remise en question. Si
ce dtecteur affiche les mmes performances que le dtecteur optimal lorsque la taille des
observations tend vers linfini, aucune garantie sur ses performances ne peut en revanche tre
avance dans le cas non asymptotique.
Les cibles recherches ntant jamais parfaitement connues, une grande partie des travaux
en dtection radar sest concentre sur la recherche de cibles sous-espace de rang 1 dans un
SIRP, cest--dire des cibles appartenant un sous-espace vectoriel de dimension 1 de lespace
dobservation, ou encore des cibles de vecteur de direction ( steering vector ) connu. Ainsi,
seules lamplitude et la phase de la cible sont supposes inconnues. Dans ce cas, un dtecteur
ne ncessitant aucune connaissance des paramtres du fouillis ou de la cible a t dvelopp
[Conte et al., 2002, Pascal, 2006].
Cependant, supposer que le vecteur de direction des cibles recherches est parfaitement
connu nest pas une hypothse trs raliste. En effet, cela revient supposer que la frquence
Doppler de la cible et donc sa vitesse radiale relative est connue, ce qui nest gnralement
pas le cas, surtout lorsque les cibles sont recherches sur une large gamme de vitesses. De
plus, le dtecteur propos par [Conte et al., 2002] vient estimer la matrice de covariance du
fouillis partir de donnes secondaires, supposes homognes. Si cette hypothse ne pose
pas de problme en pleine mer, o lenvironnement peut tre suppos homogne sur la zone
dobservation, ce nest plus le cas en milieu ctier. En effet, de la terre peut tre observe
en mme temps que la mer, si bien que du fouillis du sol peut se retrouver dans les donnes
secondaires, faussant alors lestimation de la matrice de covariance, et entranant par l une
dgradation des performances du dtecteur.
Les objectifs de ces travaux de thse sont donc triples. Le premier objectif concerne la
modlisation du fouillis et les critres doptimalit des dtecteurs. Il sagit de montrer que le
modle SIRP, largement rpandu parmi les radaristes, nest pas trs adapt la rsolution du
problme de la dtection radar. Ds lors, un nouveau modle, mieux adapt ce problme,
devra tre propos. Ensuite, le critre de Neyman-Pearson se trouve bien peu utile en pratique.
En effet, dans le cas dhypothses composes, il nexiste gnralement pas de test optimal selon
le critre de Neyman-Pearson, qui est bien trop fort. De nouveaux critres doptimalit doivent
donc tre proposs, moins forts que le critre de Neyman-Pearson afin de permettre lexistence
dun test optimal, suffisamment contraignants toutefois pour avoir un sens en pratique.
Le deuxime objectif consiste tendre les rsultats obtenus dans le cas sous-espace au
cas o la frquence Doppler de la cible nest pas connue. Les nouveaux critres doptimalit
introduits auparavant seront utiliss pour rechercher de nouveaux dtecteurs ou, dfaut, pour
obtenir des bornes de performances et pouvoir ainsi valuer les performances des dtecteurs
Introduction 3
obtenus.
Enfin, le troisime et dernier objectif consiste trouver un discriminant entre le fouillis
de sol et le fouillis de mer, afin dtre en mesure de slectionner des donnes secondaires ne
contenant que du fouillis de mer.
Les travaux sarticulent en deux parties : lune consacre la modlisation statistique
du problme, lautre sa rsolution, cest--dire la dtection. Nanmoins, il ne faut pas
perdre de vue que la division entre modlisation et dtection est trs artificielle au sens o
la modlisation fait dj partie de la dtection. En effet, la modlisation vise ici obtenir les
meilleures performances possibles, et non pas dcrire le fouillis le plus prcisment possible,
ce qui sera le cas dun modle utilis pour lvaluation de performances.
La premire partie, consacre la modlisation du problme, se compose de trois chapitres.
Le chapitre 1 prsente les signaux entrant en jeu dans le fonctionnement dun radar ainsi quun
aperu de la thorie de la dtection radar.
Le chapitre 2 sintresse la modlisation statistique du fouillis, montrant dabord les
limitations du modle gaussien en incidence rasante ou haute rsolution pour ensuite aboutir
sur la modlisation sous la forme dun SIRP, la modlisation la plus rpandue actuellement.
Le chapitre 3 sattache montrer les limitations du modle SIRP, en rattachant le problme
de la modlisation celui de la dtection. Un nouveau modle est alors introduit pour rsoudre
le problme. Le modle SIRP plus prcis sera cependant toujours utilis pour lvaluation
des performances.
La deuxime partie, consacre la dtection, est divise en quatre chapitres. Le chapitre
4, aprs avoir montr que le critre de Neyman-Pearson est trop fort dans les cas pratiques,
prsente deux autres critres doptimalit, consistant appliquer le critre de Neyman-Pearson
sur une classe restreinte de tests considrs comme les tests dintrt. Un lien est de plus tabli
entre ces deux nouveaux critres.
Dans le chapitre 5, le problme de dtection est tudi lorsque la matrice de covariance du
fouillis est connue. Un tat de lart des rsultats obtenus avec une cible sous-espace de rang
1 est dabord prsent, puis un rsultat concernant la dtection dune sinusode damplitude,
de phase et de frquence inconnues dans un bruit blanc. Ce rsultat est tendu ici au cas dun
fouillis color.
Le chapitre 6 prsente le problme de la dtection adaptative, cest--dire lorsque la matrice
de covariance du fouillis nest pas connue. Dans ce cas, des donnes secondaires doivent tre
utilises. Aprs un tat de lart des rsultats sur un fouillis gaussien sont prsents les rsultats
obtenus sur un fouillis localement gaussien au cours de ces travaux.
Enfin, le chapitre 7 sintresse au problme de la slection des donnes secondaires en
milieu ctier. Des discriminants permettant de diffrencier le fouillis de mer du fouillis de sol
y sont identifis partir de donnes relles.
Premire partie
Prsentation et modlisation du
problme
1
CHAPITRE
La dtection radar
The White Rabbit put on his spectacles.

Where shall I begin, please your Ma-
jesty ? he asked. Begin at the begin-
ning, the King said gravely, and go on
till you come to the end : then stop.
Lewis Carroll, Alice in Wonderland
La premire fonction dun radar (radio detection and ranging) est, comme son nom lin-
dique, la dtection de cibles, qui est un pralable toutes les autres fonctions que peut
remplir un radar moderne, de la localisation limagerie ou la classification de cibles [La-
comme et al., 2001]. Pour remplir cette fonction, un radar met une onde lectromagntique
et analyse lnergie rtrodiffuse la recherche dune ventuelle cible (cf. figure 1.1). Dans le
contexte aroport tudi ici, les radars ne comportent quune seule antenne fonctionnant
tour de rle en mission et en rception. Si une cible est prsente, elle rflchira londe mise
et renverra alors un cho vers le radar. Toutefois, mme en labsence de cible, des chos sont
observs par le radar, dus au bruit thermique du rcepteur, la rtrodiffusion du milieu en-
vironnant (mer, sol, nuages), appele fouillis, ou encore un ventuel brouillage toutefois
bien peu probable dans les missions de surveillance maritime. Le problme consiste alors
metteur onde mise
cible
cho cible
rcepteur
fouillis
brouillage
bruit
thermique
Figure 1.1 Principe de fonctionnement dun systme radar.
dterminer si le signal reu est rtrodiffus par une cible ou bien sil nest quun signal para-
8 CHAPITRE 1 : La dtection radar
site. Dans ce but, le signal mis possde certaines proprits afin de faciliter le traitement en
vue de la dtection.
1.1 Les signaux radars
Afin de faciliter le traitement en vue de la dtection, le signal mis possde certaines

proprits qui dfinissent ce que lon appelle la forme donde. Afin de pouvoir dtecter une
cible, il est ncessaire de pouvoir relier le signal quelle rflchit la forme donde mise.
Pour cela, il faut connatre, outre la forme donde, les effets du canal de transmission en
loccurrence latmosphre dans le cas du radar et de la rflexion sur la cible.
1.1.1 Forme donde
Les radars de surveillance et de patrouille maritime sont des radars impulsions, cest-
-dire que londe nest pas mise en continu, mais seulement certains moments, sous forme
dimpulsions. La forme donde est alors un train dimpulsions caractris par deux paramtres :
la frquence de rptition des impulsions fR (ou la priode de rptition des impulsions
TR = f1R ) et leur dure p (cf. figure 1.2).
Puissance
Temps
1
TR = fR
mission rception
Figure 1.2 Forme donde dun radar impulsions.
Le signal mis est donc une succession dimpulsions dont le signal analytique est de la forme,
sous lhypothse bande troite
e(t) = h(t)ei2f0 t (1.1)
o f0 est la frquence dmission et h la fonction dfinie par

R R
h: 1 si t [0, p [ (1.2)
t 7
0 sinon
cest--dire la fonction indicatrice de [0, p [. Par la suite, tous les signaux considrs seront
des signaux analytiques.
Les radars impulsions prsentent lavantage de ne ncessiter quune antenne, qui est
alternativement en mission et en rception, ce qui rduit les cots et lencombrement. Ils
Section 1.1 : Les signaux radars 9
permettent de plus une mesure directe de la distance R laquelle se trouve la cible par
mesure du retard t de lcho :
ct
R= (1.3)
2
o c dsigne la vitesse de propagation de londe radar (le facteur 12 tant l pour prendre en
compte le trajet aller-retour). Toutefois, la localisation de la cible en distance ne peut se faire
sans ambigut que si R < Ru = 2fcR . En effet, comme lillustre la figure 1.3, un cho revenant
au radar avec un retard suprieur la priode de rptition des impulsions (PRI) est ambigu.
La frquence de rptition fR permet donc de quantifier lambigut distance du radar. La
R2
R1
Figure 1.3 Ambigut distance. Lcho est ambigu en distance : le radar linterprtera
comme lcho de et mesurera une distance R2 alors quil peut tre galement lcho de ,
avec une distance correspondante R1 .
dure p des impulsions caractrise quant elle la rsolution distance R du radar :
cp
R = . (1.4)
2
Deux cibles distantes dune distance infrieure R ne seront pas dissocies par le radar qui
ne verra quune seule cible. Daprs (1.4), pour augmenter la rsolution, il faut diminuer la
dure des impulsions, tout en maintenant une puissance moyenne mise convenable, ce qui
devient difficile pour des radars haute rsolution distance. Des techniques de compression
dimpulsion qui sappuient sur une modulation du signal mis permettent de pallier
ce problme [Lacomme et al., 2001], auquel cas la rsolution distance nest plus donne par
la formule (1.4). Il sera admis par la suite quil est possible de considrer quun radar
compression dimpulsion est quivalent un radar sans compression dimpulsion avec une
longueur dimpulsion plus courte.
1.1.2 Expression du signal reu
Lors de la rtrodiffusion sur la cible, seule une partie gnralement plutt faible
de lnergie est rflchie vers le radar. En effet, non seulement la cible ne rayonne quune
partie de lnergie qui lclaire, mais cette nergie est rayonne plus ou moins dans toutes les
directions, et pas seulement vers le radar. De plus, la puissance mise est attnue lors de sa
propagation dans latmosphre. Le signal mis par le radar est donc attnu lors de son retour
vers le rcepteur. Le bilan de puissance est donne par lquation radar
Pr G2 2 L
= (1.5)
Pe (4)3 R4
o Pr dsigne la puissance de londe reue par le radar, Pe la puissance mise, G le gain de
lantenne, la longueur de londe mise, la surface quivalente radar (SER) de la cible,
R la distance de la cible au radar et L est un facteur reprsentant lensemble des pertes
(attnuation atmosphrique, pertes hyperfrquences...).
La propagation dans latmosphre ainsi que la rflexion sur la cible provoquent galement
un dphasage du signal mis par le radar, et, bien entendu, le temps de propagation fait que
le signal reu est retard par rapport au signal mis.
Enfin, si la cible est mue dune vitesse radiale relativement au radar ce qui est quasiment
toujours le cas pour un radar aroport, du fait du mouvement du porteur elle engendre
un effet Doppler1 sur londe quelle rflchit. Leffet Doppler se traduit, suivant que la cible se
rapproche ou sloigne du radar, par une compression ou une dilatation temporelle du signal
mis [Cook et Bernfeld, 1993]. Ainsi, si un signal e(t) claire une cible mobile de vitesse v
positive pour une cible en rapprochement, ngative pour une cible en loignement le signal
r(t) rflchi par la cible est donn par

r(t) = e(t) (1.6)
o = 1 + 2 vc . Toutefois, la vitesse de la cible tant en pratique ngligeable devant la vitesse
de la lumire, leffet Doppler peut tre considr comme une simple translation en frquence
fd = 2v
[Levanon et Mozeson, 2004, p. 5].
Si le radar met un signal e(t) de la forme (1.1), une cible situe une distance R et mue
dune vitesse radiale v relativement au radar renvoie donc un cho r(t) de la forme
r(t) = h(t t)ei2(f0 +fd )(tt) (1.7)
o t = 2R 2v
c est le retard d au temps de propagation de londe, fd = le dcalage Doppler
i
d au mouvement de la cible et = Ae lattnuation et le dphasage causs par le canal de
transmission dune part et par la rflexion sur la cible dautre part.
1.1.3 Stratgie de dtection
Pour chaque impulsion mise, le signal reu est chantillonn une frquence fs sur une
dure TR , ce qui revient discrtiser la dimension distance. En dautres termes, le signal est
chantillonn aux instants t0 + kTR + nTs , o Ts = f1s , t0 < Ts et t0 + nTs [0, TR ], cest-
-dire n J0, M 1K, avec M = TRTts
0
+ 1 (cf. figure 1.4). Deux chantillons conscutifs,
spars en temps dune dure Ts correspondent dventuelles cibles spares dune distance
R = cT2 s . Lchantillonnage correspond donc au dcoupage de laxe distance en cases distance
de longueur R. Pour une impulsion mise, chaque chantillon du signal reu correspond une
case distance. Deux cibles prsentes dans la mme case distance au mme instant ne peuvent
pas tre diffrenties par le radar. Afin de ne pas avoir de perte en rsolution distance, la
frquence dchantillonnage fs doit donc tre au moins gale 1p , ce qui garantit que la taille
dune case distance R est infrieure la rsolution distance R du radar. Le signal reu fait
donc intervenir deux chelles de temps :
1
Dcouvert indpendamment par Christian Doppler en 1842 et par Hippolyte Fizeau en 1848, leffet Doppler
est parfois aussi nomm plus justement effet Doppler-Fizeau.
TR
Ts
t
r(t0 + kTR + Ts )
r(t0 + kTR + 2Ts )
r(t0 + kTR + (M 1)Ts )
r(t0 + (k + 1)TR + Ts )
r(t0 + (k + 1)TR + 2Ts )

r(t0 + kTR )
r(t0 + (k + 1)TR )
= rk,0
= rk,1
= rk,2
= rk,M 1
= rk+1,0
= rk+1,1
= rk+1,2
Figure 1.4 chantillonnage du signal reu.
un temps long correspondant chaque impulsion ou rcurrence ;

un temps court correspondant lchantillonnage entre chaque impulsion et donc aux
cases distance.
Un chantillon du signal reu linstant t0 + kTR + nTs est donc index par une rcurrence k
et une case distance n (cf. figure 1.4). Le signal reu chantillonn peut donc tre reprsent
sous la forme dun tableau deux dimensions.
La stratgie de dtection radar consiste, pour chaque rcurrence, examiner chaque case
distance pour dterminer si elle contient une cible ou non. Une telle stratgie permet de
saffranchir du problme que constitue le temps darrive du signal reu, inconnu en pratique.
Pour assurer la plus grande couverture possible, les radars de surveillance maritime oprent
gnralement avec une antenne en balayage sur 360 degrs. Dans ces conditions, la cible nest
claire que pendant un certain temps Te , appel temps dclairement et donn par
3dB
Te = (1.8)

o 3dB dsigne louverture du lobe dantenne 3 dB en azimut et la vitesse de rotation de
lantenne. Toutefois, ce temps est en gnral suffisamment long pour que la cible soit atteinte
par plusieurs impulsions, ce qui va permettre damliorer les capacits du systme radar en
dtection. La figure 1.5 illustre ainsi le cas dune cible reprsente par la zone grise
claire sur trois rcurrences. Le nombre N dimpulsions sur lesquelles une cible est vue est
appel nombre de coups au but. Il est fonction de la frquence de rptition fR et du temps
dclairement Te :
N = Te fR (1.9)
3dB
= fR . (1.10)

Considrons le cas dune cible mue dune vitesse radiale v relativement au radar et sup-
pose constante pendant le temps dclairement. Si le radar met un train cohrent se de N
rc. 3 rc. 2 rc. 1
case distance
azimut
de rfrence
Figure 1.5 Illustration du temps dclairement et du nombre de coups au but.
impulsions dfini par

N
X 1
se (t) = ei2f0 t h(t kTR ) (1.11)
k=0
et si la cible est claire par le lobe dantenne sur les N rcurrences conscutives 0, 1, . . . , N 1,
elle renverra vers le radar un cho de la forme
N
X 1
sr (t) = k h(t tk kTR )ei2(f0 +fd )(ttk ) (1.12)
k=0
o fd est le dcalage Doppler, proportionnel la vitesse radiale relative v de la cible, tk = 2Rc k

est le retard la rcurrence k d au temps de propagation, Rk tant la distance cible-radar la
rcurrence k, et k reprsente lattnuation et le dphasage causs par le canal de transmission
et la rflexion sur la cible la rcurrence k, ainsi que leffet du dpointage de lantenne. En
chantillonnant aux instants t0 + TR + nTs , o n J0, M 1K, avec M = TRTt s
0
+ 1, et
J0, N 1K, on obtient
N
X 1
sr (t0 + TR + nTs ) = k h(t0 + nTs tk + (l k)TR )i2(f0 +fd )(t0 +nTs tk +TR ) . (1.13)
k=0
Le radar ne pouvant pas recevoir un signal quand lantenne est en mission (cf. figure 1.2),
lcho renvoy par la cible ne sera vu par le radar la rcurrence k que si
p tk < TR . (1.14)
Pour la mme raison, lchantillonnage nest effectu que pendant les priodes de rception,
et donc, pour tout n J0, M 1K,
p t0 + nTs < TR . (1.15)
Daprs la dfinition (1.2) de h, le signal reu sr est nul sauf pour les (n, ) vrifiant
0 t0 + nTs tk + ( k)TR < p (1.16)

et donc, en raison des conditions (1.14) et (1.15),
p TR < tk (t0 + nTs ) ( k)TR < p + tk (t0 + nTs ) < TR (1.17)
si bien que le signal est nul pour k 6= , puisque p < TR . Le signal reu sexprime donc sous la
forme, pour une case distance n contenant la cible (i.e. tout n vrifiant 0 t0 +nTs tk < p )
sr (t0 + TR + nTs ) = ei2(f0 +fd )(t0 +nTs t +TR ) . (1.18)
La cible tant mue dune vitesse radiale v relativement au radar, sa distance au radar varie
de vTR entre chaque rcurrence, et donc R = R0 + vTR , ou, en terme de retard, t =
t0 + 2v
c TR . De plus en ngligeant les effets du dpointage de lantenne, les attnuations
peuvent tre supposes constantes et toutes gales 0 . Le signal reu scrit alors sous la
forme
2v
sr (t0 + TR + nTs ) = 0 ei2(f0 +fd )(t0 +nTs t0 +(1 c )TR ) . (1.19)
En supposant que la cible ne change pas de case distance pendant lobservation, le vecteur
cho sn forms des chos de la cible la case distance n et aux rcurrences 0, 1, . . . , N 1 est
donn par

sr (t0 + nTs )
sr (t0 + nTs + TR )

sn = .. (1.20)
.
sr (t0 + nTs + (N 1)TR )

1
2v
ei2(f0 +fd )(1 c
)TR
i2(f0 +fd )(t0 +nTs t0 )
= 0 e .. . (1.21)
.
2v
ei2(f0 +fd )(1 c
)TR (N 1)
Le vecteur cho sn dune cible dans la case distance n claire sur N rcurrences est donc de
la forme
sn = p(f ) (1.22)
o = 0 ei2(f0 +fd )(t0 +nTs t0 ) et p(f ) = [1, ei2f , . . . , ei2f (N 1) ]T , avec f = (f0 + fd)(1
2v
c )TR . Le vecteur p(f ) est appel vecteur de direction, et est appele lamplitude complexe.
Afin dintgrer dans le traitement radar le fait quune cible est vue sur N rcurrences
conscutives, la prise de dtection est prise, pour chaque case distance, sur un vecteur de
N rcurrences. Ainsi, les performances du systme sont accrues : une dcision prise sur N
observations est en effet plus fiable quune dcision prise sur une seule observation. Pour
chaque case distance n, le signal radar reu sur lequel se fait la dtection est donc un vecteur
zn de longueur N . En prsence dune cible, ce vecteur dobservation zn est le vecteur cho sn
de la cible corrompu par le bruit thermique et le fouillis, modliss par un vecteur n :
zn = sn + n . (1.23)
Dans le cas o aucune cible nest prsente dans la case distance n, le signal zn observ par le
radar nest que du fouillis et du bruit thermique :
zn = n . (1.24)
Le problme de la dtection radar est alors de dcider, partir du vecteur dobservation zn ,

si on observe une cible ou non, cest--dire si zn = sn + n ou si zn = n .
1.2 Thorie de la dtection radar
Le problme de la dtection serait trivial en labsence dchos parasites de bruit ou de

fouillis. En effet, dans ce cas-l, le simple fait dobserver un signal indiquerait la prsence
dune cible. Malheureusement il est impossible de saffranchir du fouillis comme du bruit
thermique, et le problme est dautant plus ardu que les chos de cible sont gnralement de
trs faible puissance, tout particulirement dans le cas de petites cibles.
En raison de la nature alatoire du bruit et du fouillis, la dtection radar sinscrit dans le
cadre de la thorie statistique de la dcision. On parle ici plus particulirement de dtection
dans la mesure o le nombre de dcisions possibles est rduit deux.
1.2.1 Modlisation statistique du problme
La modlisation statistique consiste faire lhypothse que le vecteur dobservation z,

prenant ses valeurs sur un espace X , est la ralisation Z() dun vecteur alatoire Z, dfini
sur un espace probabilis (, F, P ) et valeurs dans lespace dobservation X muni dune
tribu A. On suppose de plus que la loi P Z1 de Z appartient une famille de distributions
{P , } indexe par un paramtre , ventuellement vectoriel, valeurs dans un espace
de paramtres . Il existe donc un dans lespace des paramtres tel que P Z1 = P .
Lensemble (, F, P, Z, X , A, P , ) est un modle statistique de lobservation. Dans le
cas prsent dans la section 1.1, lespace dobservation X est CN , espace vectoriel des N -
uplets dlments de C, muni de sa tribu borlienne A = B(CN ). Lespace des paramtres
prend en compte lamplitude complexe de la cible, sa frquence Doppler f , ainsi que les
paramtres de la distribution des chos parasites (moyenne et variance par exemple dans le cas
dune loi gaussienne). Les connaissances a priori sur la distribution des observations doivent
donc tre suffisantes pour permettre de la paramtrer par un paramtre ventuellement
vectoriel.
1.2.2 Un test dhypothses binaire
partir du modle statistique de lobservation, on cherche prendre une dcision entre

deux hypothses :
lhypothse nulle H0 : aucune cible nest prsente ;
lhypothse alternative H1 : une cible est prsente.
La valeur du paramtre de la distribution du vecteur alatoire observ change en fonction
de lhypothse vrifie, de sorte que si est connu, on sait aussi quelle hypothse est vrifie.
Il est donc possible de partitionner lespace des paramtres sous la forme = 0 1 ,
o 0 et 1 sont non vides et disjoints, de telle sorte que lhypothse nulle corresponde
0 et lhypothse alternative 1 . Le problme se prsente alors sous la forme du
test dhypothses binaire :

H0 : 0
. (1.25)
H1 : 1
Quatre cas de figure peuvent se prsenter lors de la dcision entre les deux hypothses H0 et
H1 , suivant la dcision qui est prise et lhypothse qui est vraiment vrifie :
lhypothse H0 est accepte et elle est vraie ;
lhypothse H0 est rejete et elle est fausse : dtection ;
lhypothse H0 est accept alors quelle est fausse : manque ou erreur de seconde espce ;
Section 1.2 : Thorie de la dtection radar 15
lhypothse H0 est rejete alors quelle est vraie : fausse alarme ou erreur de premire
espce.
Dans les deux premiers cas, la bonne dcision est prise, alors que dans les deux derniers, une
erreur est commise. Les dnominations erreur de premire espce et erreur de deuxime
espce sont employes par les statisticiens l o les radaristes parlent plutt de fausse
alarme et de manque . Le tableau 1.1 rsume la terminologie employe par les radaristes.
La probabilit, pour un 1 donn (cest--dire pour H1 vrifie), de rejeter H0 est appele
PP
PP H0
P vraie fausse
dcision PPP
P
accepte non-dtection manque
rejete fausse alarme dtection
Tableau 1.1 Terminologie de la dtection radar.
puissance par les statisticiens, et probabilit de dtection par les radaristes. La probabilit,
pour un 0 donn (cest--dire pour H0 vrifie), de rejeter H0 est appele probabilit de
fausse alarme. Les diffrences de terminologie entre radaristes et statisticiens sont rcapitules
dans le tableau 1.2.
statistiques radar
test dtecteur
erreur de premire espce fausse alarme
erreur de seconde espce manque
puissance probabilit de dtection
Tableau 1.2 quivalence entre les terminologies usites en radar et en statistiques.
La procdure de dcision sappuie sur un test ou encore dtecteur, le premier terme tant
rpandu chez les statisticiens, le deuxime chez les radaristes. Un test est une variable alatoire
(Z) valeurs dans {0, 1}. La rgle de dcision associe consiste accepter H0 si (z) = 0 et
la rejeter sinon. Il existe galement des tests valeurs dans [0, 1] : on parle dans ce cas-l
de tests randomiss, par opposition aux tests non randomiss, qui sont valeurs dans {0, 1}.
La rgle de dcision associe un test randomis consiste, si (z) = , effectuer un tirage
dans {0, 1} selon une loi de Bernoulli de paramtre indpendamment de lobservation, et
accepter H0 si le rsultat du tirage est 0, la rejeter sinon. La notion de test randomis
nintervient quau niveau de certains rsultats doptimalit et nest pas vraiment indispensable
en pratique, si bien que par la suite tous les tests considrs seront des tests non randomiss.
Un test non randomis consiste en fait dfinir une rgion critique X1 X sur lespace
dobservation X , et rejeter lhypothse nulle si lobservation est dans la rgion critique,
laccepter sinon. Ainsi un test est dfini partir de sa rgion critique X1 par

X {0, 1}
: 0 si z
/ X1 (1.26)
z 7 .
1 sinon
Pour une rgion critique X1 donne, le test associ nest ainsi rien dautre que la fonction
indicatrice IX1 de X1 . La rgion critique est alors dfinie comme limage rciproque 1 ({1}).
La dfinition dun test partir de sa rgion critique donne par (1.26) peut tre abrge sous
la forme
H1
z
/ X1
(1.27)
H0
qui est en fait une formulation condense de la rgle de dcision.

Idalement, on cherche un test qui maximise la probabilit de dtection (ce qui revient
minimiser la probabilit de manque) pour tout 1 tout en minimisant la probabilit
de fausse alarme pour tout 0 . Toutefois, il est impossible de minimiser les probabilits
des deux types derreur simultanment. Par consquent, la dcision sur lhypothse nulle
acceptation ou rejet doit sappuyer sur un autre critre sur les probabilits derreur, choisi
en fonction du contexte. Les trois critres les plus rpandus dans la thorie statistique de la
dcision sont [Poor, 1994, Lehmann et Romano, 2005] :
les critres de dtection baysienne ;
le critre du minimax ;
le critre de Neyman-Pearson.
La dtection baysienne est gnralement carte, car elle fait appel aux probabilits a priori
doccurrence des hypothses H0 et H1 , inconnues dans le contexte radar. En revanche, lex-
prience a montr que les oprateurs taient trs sensibles au taux de fausses alarmes, si bien
que ce dernier doit tre maintenu un niveau acceptable. Cest pourquoi le critre adopt
pour la dtection radar est celui de Neyman-Pearson, qui consiste maximiser la probabilit
de dtection pour tout 1 sous contrainte dune probabilit de fausse alarme borne.
La probabilit de fausse alarme ou erreur de premire espce associe au test
de rgion critique X1 est la probabilit de rejeter H0 alors quelle est vraie, cest--dire la
probabilit P (Z X1 |H0 ) que lobservation Z appartienne la rgion critique X1 alors que
H0 est vrifie. Or, lhypothse nulle H0 tant vrifie, il existe un 0 tel que P Z1 = P
daprs la modlisation statistique du problme (cf. section 1.2.1) et sa formulation sous la
forme du test dhypothses binaire (1.25), si bien que
P (Z X1 |H0 ) = P Z1 (X1 |H0 ) (1.28)

= P (X1 ). (1.29)
On a alors
P (Z X1 |H0 ) = P (X1 ) (1.30)

Z
= IX1 (z)dP (z) (1.31)
Z
= (z)dP (z) (1.32)
= E (Z) (1.33)
puisque le test est gal la fonction indicatrice IX1 de la rgion critique X1 . De mme, la
probabilit de dtection ou puissance est la probabilit de rejeter H0 alors quelle est
fausse, cest--dire la probabilit P (Z X1 |H1 ) que lobservation Z appartienne la rgion
critique X1 sachant que H1 est vrifie. Comme pour la probabilit de fausse alarme, il est
facile de montrer quil existe un 1 tel que
P (Z X1 |H1 ) = E (Z) (1.34)
La probabilit de fausse alarme et la probabilit de dtection sont donc toutes les deux une
mme fonction du paramtre . Cette fonction est appele fonction puissance et est
dfinie par
() = E (Z). (1.35)
Sa restriction 0 correspond la probabilit de fausse alarme alors que sa restriction 1
donne la puissance. Un test est dit de niveau [0, 1] si sa probabilit de fausse alarme
est borne par , cest--dire si
sup E (Z) . (1.36)
0
Si le niveau est atteint, cest--dire si sup0 E (Z) = , le test est dit de taille . Le critre
de Neyman-Pearson revient alors chercher un test de niveau donn dont la puissance
vrifie, pour tout test de niveau ,
1 () () (1.37)
cest--dire un test de niveau dont la fonction puissance est suprieure ou gale en

tout point de 1 la fonction puissance dun autre test de niveau . Un tel test est dit
uniformment plus puissant (UPP).
1.2.3 Le lemme de Neyman-Pearson
Dans le cas o les espaces de paramtre 0 et 1 sont tous deux rduits des singletons,
les familles de distributions {P , 0 } et {P , 1 } sont chacune rduite une seule
distribution, respectivement P0 et P1 . Les hypothses sont alors dites simples. Dans ce cas,
puisque 1 est rduit un seul point, cela na pas beaucoup de sens de parler de test unifor-
mment plus puissant, et le test optimal au sens de Neyman-Pearson est simplement qualifi
de test le plus puissant, et est donn par le lemme de Neyman-Pearson [Neyman et Pearson,
1933] [Lehmann et Romano, 2005, thorme 3.2.1 p. 60].
Thorme 1.2.1 (Lemme fondamental de Neyman-Pearson). Soient P0 et P1 deux distri-

butions de probabilit possdant des densits respectives p0 et p1 par rapport une mesure
dominante . Considrons le test dhypothses binaire donn par

H0 : P Z1 = P0
(1.38)
H1 : P Z1 = P1
(i) Il existe un rel et ]0, 1[ tels que

0 si p1 (z) < p0 (z)
(z) = si p1 (z) = p0 (z) (1.39)

1 si p1 (z) > p0 (z)
R
et E0 (Z) = (z)dP0 (z) = (donc est de niveau pour le test dhypothse
(1.38)) ;
(ii) Si est un test de niveau pour tester H0 contre H1 , alors E0 (Z) E0 (Z) ;
(iii) Si est un test de niveau tel que
Z Z
E1 (Z) = (z)dP1 (z) = (z)dP0 (z) = E0 (Z)
alors (z) = (z) pour -presque tout z {z|p1 (z) 6= p0 (z)}.

Le test le plus puissant donn par le lemme de Neyman-Pearson est un test randomis.
Toutefois, lorsque lensemble frontire {z|p1 (z) = p0 (z)} est de mesure nulle, le test unifor-
mment plus puissant (UPP) est le test dfini de manire unique ( un ensemble de mesure
nulle prs) par
0 si p1 (z) p0 (z)
(z) = (1.40)
1 si p1 (z) > p0 (z)
qui est un test non randomis. La meilleure zone critique est celle associe au test UPP (1.40).
Elle est dfinie un ensemble de mesure nulle prs partir du rapport de vraisemblance
que lon compare un seuil , choisi de manire remplir la condition impose sur le niveau :
p1 (z)
X1 = {z CN | > }. (1.41)
p0 (z)
Le test associ sappelle le test du rapport de vraisemblance et scrit, selon la notation
introduite en (1.27)
p1 (z) H1
. (1.42)
p0 (z) H0
La randomisation apporte par le lemme de Neyman-Pearson nest utile que sur lensemble
{z|p1 (z) = p0 (z)} afin dobtenir un test de taille .
Dans le cas dhypothses simples, la taille du test est confondue avec sa probabilit de
fausse alarme PF A , si bien que les performances dun test sont juges travers la paire proba-
bilit de fausse alarme PF A - probabilit de dtection PD . La courbe COR (caractristiques
oprationnelles du rcepteur) reprsente lvolution de la puissance du test en fonction de sa
probabilit de fausse alarme. Elle permet donc dvaluer les performances du test. La courbe
COR du test du rapport de vraisemblance prsente en outre les proprits suivantes :
1. elle est concave, cest--dire que pour tout [0, 1], PD (PF A1 + (1 )PF A2 )
PD (PF A1 ) + (1 )PD (PF A2 ) ;
2. elle est au-dessus de la droite PD = PF A ;
3. sa pente en un point donn est gale la valeur du seuil auquel le rapport de vraisem-
blance doit tre compar pour obtenir les probabilits de fausse alarme et de dtection
correspondantes.
La courbe COR du test du rapport de vraisemblance, cest--dire le test le plus puissant
daprs le lemme de Neyman-Pearson pour tester

H0 : Z N (0, 1)
(1.43)
H1 : Z N (1, 1)
est reprsente sur la figure 1.6. La pente de la courbe est infinie lorigine, ce qui daprs la
troisime proprit des courbes COR signifie que le seuil est lui aussi infini : lhypothse nulle
est alors toujours accepte, do des probabilits de dtection et de fausse alarme nulles. De
mme, la pente est nulle pour une probabilit de fausse alarme et une probabilit de dtection
gales un : le seuil est gal zro, lhypothse nulle est toujours rejete. Lorsque le seuil
diminue, la probabilit de fausse alarme augmente, et avec elle la probabilit de dtection. On
vrifie bien que la courbe est concave et au dessus de la droite PD = PF A . Lorsque la courbe
COR est au-dessous de cette droite, la probabilit de dtection est infrieure la probabilit
de fausse alarme, si bien quen rejetant lhypothse nulle, on a plus de chances de se tromper
que de prendre la dcision correcte. Un tel test est qualifi de biais. Le test du rapport de
vraisemblance est donc un test non biais. Un test biais correspond en fait un mauvais
choix de zone critique. En prenant pour zone critique X \X1 au lieu de X1 , un test biais
devient non biais.
0.9
probabilit de dtection
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
probabilit de fausse alarme
Figure 1.6 Exemple de courbe ROC.
1.2.4 Hypothses composes
Tester deux hypothses simples revient connatre parfaitement la distribution des obser-
vations sous chacune des deux hypothses qui, en pratique, ne sont connues qu un vecteur
de paramtres (puissance moyenne, phase, frquence Doppler...) prs. Par consquent, les
hypothses tester en pratique ne sont pas simples elles sont alors dites composes et
le lemme de Neyman-Pearson ne sapplique pas. Bien pire, il nexiste gnralement pas de
test UPP dans ce cas, mis part quelques exceptions, telles que les distributions rapport
de vraisemblance monotone qui permettent dappliquer le thorme de Karlin-Rubin [Karlin
et Rubin, 1956].
Une approche trs populaire en thorie de la dtection consiste alors substituer aux
paramtres inconnus leurs estimes au sens du maximum de vraisemblance sous chacune des
hypothses dans lexpression du rapport de vraisemblance, ce qui consiste associer chaque
hypothse une densit unique et donc se ramener par l au cas de deux hypothses
simples en prenant celle qui maximise la vraisemblance des observations. Le rapport de
vraisemblance ainsi obtenu sappelle le rapport de vraisemblance gnralis. En adoptant les
notations dfinies prcdemment, et en supposant de plus que pour tout , P admet une
densit de probabilit p par rapport une mesure dominante , le rapport de vraisemblance
gnralis sexprime sous la forme
max1 p (z)
RV G (z) = . (1.44)
max0 p (z)
Le rapport de vraisemblance gnralis scrit aussi

pb1 (z)
RV G (z) = (1.45)
pb0 (z)
o b0 = arg max0 p (z) et b1 = arg max1 p (z) sont respectivement les estimateurs de
au sens du maximum de vraisemblance sous chacune des hypothses H0 et H1 . Sous certaines
conditions de rgularit suffisamment larges pour tre vrifies en pratique, ces estimateurs
sont consistants, cest--dire quils convergent en probabilit vers la vraie valeur du paramtre
lorsque la taille des observations tend vers linfini. Ils convergent donc galement a fortiori
en distribution. Si le rapport de vraisemblance gnralis (1.45) est une fonction continue des
estimes b0 et b1 , il converge alors en distribution vers le rapport de vraisemblance daprs
[Serfling, 1980, thorme p. 24]. Le test du rapport de vraisemblance gnralis, donn par
H1
RV G (z) (1.46)
H0
qui consiste comparer le rapport de vraisemblance gnralis un seuil choisi pour at-
teindre une certaine probabilit de fausse alarme (PFA) et dcider H1 si le seuil est franchi
et H0 sinon, a donc asymptotiquement la mme rgion critique que le test du rapport de
vraisemblance. Il est donc asymptotiquement optimal en ce sens. Toutefois, il nexiste aucun
rsultat concernant loptimalit du test du rapport de vraisemblance gnralis dans le cas
dun nombre dobservations fini. Si la vitesse de convergence est suffisamment forte, le test du
rapport de vraisemblance gnralis constitue un test sous-optimal satisfaisant. En revanche,
si la vitesse de convergence est faible, le test du rapport de vraisemblance gnralis accusera
des pertes importantes.
En sus de labsence, en rgle gnrale, de test UPP, un autre problme se pose lorsque
lhypothse nulle est compose : celui de la variation de la probabilit de fausse alarme avec
les paramtres du modle. En effet, les oprateurs radars sont trs sensibles au taux de fausse
alarme, et les variations que peut avoir la fonction puissance sur 0 , cest--dire de possibles
fluctuations de la probabilit de fausse alarme, peuvent savrer gnantes. Cest pourquoi on
impose gnralement aux dtecteurs radar davoir une probabilit de fausse alarme constante
sur 0 , et pas seulement borne (par le niveau du test). Un test dont la fonction puissance
est constante sur 0 est appel test taux de fausse alarme constant, ou encore test TFAC.
2
CHAPITRE
Modlisation statistique
du fouillis
Facts are stubborn things, but statistics

are more pliable.
Mark Twain
La thorie de la dtection radar expose dans le chapitre prcdent sappuie sur une mo-
dlisation statistique du problme, les observations tant interprtes comme les ralisations
dun vecteur alatoire. Il est alors ncessaire de connatre la loi ventuellement un vecteur
de paramtres prs de ce vecteur alatoire lorsquune cible est prsente ou non. Mme si
son amplitude, son dphasage et le dcalage Doppler ne sont pas connus, lcho renvoy par
une cible, fonction du signal mis, sera suppos tre de nature dterministe. Dans ce cas, la
modlisation statistique ne dpend que de la distribution du fouillis et du bruit thermique.
En effet, si les interfrences ont une densit de probabilit p (z), le vecteur dobservation,
en prsence dun cho de cible s, a une densit de probabilit p (z s). Le bruit thermique
tant gaussien, la modlisation statistique du problme radar se rduit donc la modlisation
statistique du fouillis.
2.1 Le modle gaussien et ses limitations
Historiquement, les premiers modles statistiques de fouillis taient des modles gaussiens.
Le fouillis tait modlis comme un processus gaussien sur chacune des voies en phase et
en quadrature du rcepteur, de mme variance sur chaque voie, le fouillis en phase tant
suppos indpendant du fouillis en quadrature. Ainsi, lamplitude du fouillis tait modlise
par une distribution de Rayleigh. Ces modles gaussiens taient principalement justifis par
une application du thorme de la limite centrale.
2.1.1 Une consquence du thorme de la limite centrale
La surface de mer ou de sol claire par le radar peut tre vue comme un ensemble de
rflecteurs lmentaires indpendants. Le signal E(r, t) rtrodiffus par la cellule de rsolution
la distance r et linstant t est alors la somme cohrente des contributions des N rflecteurs
22 CHAPITRE 2 : Modlisation statistique du fouillis
lmentaires qui la composent [Jakeman et Pusey, 1976] :

N
X
E(r, t) = eit ak (r, t)eik (r,t) (2.1)
k=1
o ak (r, t) et k (r, t) dsignent respectivement le module et la phase de la contribution du k-

ime rflecteur, et la pulsation de londe mise. Il sagit dun modle de marche alatoire dans
le plan complexe N pas de longueurs {a1 , . . . , aN }. Si les ak sont des variables alatoires
statistiquement indpendantes et identiquement distribues, et si les k sont des variables
alatoires statistiquement indpendantes, indpendantes des ak , et uniformment distribues
sur [0, 2], alors le thorme de la limite centrale sapplique. Dans ce cas, lorsque le nombre de
rflecteurs lmentaires N tend vers linfini, le signal rtrodiffus par la surface de la mer est un
processus gaussien dont les parties relles et imaginaires sont indpendantes et identiquement
distribues [Jakeman et Pusey, 1978], cest--dire un processus gaussien complexe circulaire.
Ainsi, lorsque le nombre de rflecteurs est suffisamment grand, lamplitude du fouillis est
distribue selon une loi de Rayleigh.
2.1.2 Limitations du modle
Cependant, en incidence rasante ou haute rsolution, de forts chos se dtachant du

niveau moyen du fouillis apparaissent, comme lillustre la figure 2.1, qui reprsente lvolution
de lamplitude dun fouillis gaussien distribue selon une loi de Rayleigh et lvolution
dun fouillis de mer rel vue en incidence rasante (site de 0.3), tous deux normaliss en
puissance, sur 5 000 cases distance. Lapparition de ces forts chos, appels spikes , traduit
un allongement de la queue de distribution de lamplitude et donc un cart par rapport aux
statistiques gaussiennes. Le caractre non gaussien du fouillis est observ sur la figure 2.2
laide dun diagramme quantile-quantile. Le diagramme ou trac quantile-quantile est un
test de normalit qui consiste comparer les quantiles observs avec les quantiles thoriques
dune loi normale standard (i.e. une loi normale de moyenne nulle et de variance unitaire). Si
lobservation est gaussienne, le diagramme quantile-quantile est une droite, dont lordonne
lorigine et la pente sont respectivement la moyenne et lcart-type de la loi normale observe.
Sur la figure 2.2 sont reprsents les diagrammes quantiles-quantiles des voies en phase et
en quadrature du fouillis de mer observ en incidence rasante reprsent sur la figure 2.1b.
Aucune des voies nest gaussienne, et donc les hypothses dapplication du thorme de la
limite centrale ne sont plus vrifies en incidence rasante ou haute rsolution.
Une premire consquence de lallongement de la queue de distribution, au niveau de la
dtection, est que les seuils de dtection, fixs de manire garantir une certaine probabilit
de fausse alarme sous lhypothse dun fouillis gaussien, sont sous-valus, si bien que la
probabilit de fausse alarme observe est bien suprieure celle voulue. Il faut alors rhausser
les seuils de dtection pour revenir la probabilit de fausse alarme voulue, au dtriment des
performances en dtection, les cibles plus faibles ntant plus dtectes.
Pour tenir compte de lapparition de ces spikes , des distributions queues lourdes sont
apparues dans la modlisation du fouillis.
2.2 Questions infrentielles

Le modle gaussien ne permet pas de modliser le fouillis de mer en incidence rasante
ou haute rsolution, conditions gnralement remplies dans le cadre de la surveillance ou
Section 2.2 : Questions infrentielles 23
14 14
12 12
10 10
Amplitude
Amplitude
8 8
6 6
4 4
2 2
0 0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Cases distance Cases distance
(a) Fouillis gaussien. (b) Fouillis de mer en incidence rasante.
Figure 2.1 Apparitions de spikes en incidence rasante.
10 15
10
5
Quantiles observs
Quantiles observs
10
10
15 15
5 4 3 2 1 0 1 2 3 4 5 5 4 3 2 1 0 1 2 3 4 5
Quantiles thoriques Quantiles thoriques
(a) Voie I. (b) Voie Q.
Figure 2.2 Tracs quantile-quantile des voies en phase (a) et en quadrature (b) de fouillis
de mer en incidence rasante.
de la patrouille maritime. La thorie de la dtection tant dpendante de la modlisation

statistique du problme qui, comme cela a t vu en introduction de ce chapitre, se rduit
la modlisation du fouillis il est important de disposer dun modle correct pour le
fouillis. En effet, cest la distribution du fouillis qui dtermine la forme du rcepteur optimal
(cf. chapitre 1). Cest pourquoi non seulement des modles non gaussiens de fouillis ont t
labors, mais la modlisation statistique du fouillis est encore un sujet de recherche essentiel
dans la thorie de la dtection radar.
2.2.1 Statistiques unidimensionnelles
La loi lognormale fut considre ds 1966 [Ballard, 1966] pour modliser lvolution de
lamplitude du fouillis de mer. La distribution du fouillis semble nanmoins plutt tre en
gnral intermdiaire entre une loi de Rayleigh et une loi lognormale [Valenzuela et Laing,
1971]. Cest pourquoi la distribution de Weibull a t introduite pour modliser lamplitude

dun fouillis non gaussien [Schleher, 1976]. En effet, la loi de Weibull, dont la densit de
probabilit est donne par

x 1 x
f (x) = e (2.2)

permet dapprocher une loi lognormale
[Schleher, 1976] et devient une loi de Rayleigh de pa-
ramtre pour = 2 et = 2. Dautres lois ont galement t avances pour modliser
lamplitude du fouillis, telles que la loi de Rice, la loi Gamma ou encore la loi de Laplace-Gauss
perturbe (mieux connue sous son appellation anglaise de contaminated-normal ). Ces dis-
tributions ne sappuient pas sur un modle physique ou sur le mcanisme de la rtrodiffusion,
elles ne correspondent qu des ajustements sur des donnes relles issues denregistrements.
Cest pourquoi la modlisation K-compose, qui reflte ce quil se passe la surface de la mer
ou du sol, est actuellement le modle le plus rpandu.
La loi K a t utilise pour la premire fois en 1976 pour modliser lamplitude du fouillis
de mer [Jakeman et Pusey, 1976]. Elle est obtenue partir du modle de marche alatoire
(2.1) o le nombre de rflecteurs N est lui-mme une variable alatoire distribue selon une
loi binomiale ngative. Dans ce cas, si le nombre moyen de rflecteurs E[N ] tend vers linfini,
alors lamplitude du signal reu |E(r, t)| suit une loi K [Jakeman et Pusey, 1978]. La loi
binomiale ngative est une gnralisation de la loi de Poisson, qui est trs souvent employe
dans les problmes de comptage. Toutefois, au lieu de modliser une succession dvnements
indpendants comme le fait la loi de Poisson, la loi binomiale ngative suppose un effet de
contagion : les vnements se produisent en rafales. Elle est donc tout fait adapte pour
dcrire la rpartition des rflecteurs la surface de la mer : des amas de rflecteurs associs
aux vagues de capillarit, ports par les vagues de gravit.
Le modle est donc compatible avec un modle de rtrodiffusion deux chelles, comme
celui prsent dans [Valenzuela et Laing, 1971], o le signal rtrodiffus par une surface sex-
prime sous la forme du produit de deux composantes statistiquement indpendantes, lune
relie aux proprits intrinsques la surface (les vagues de capillarit), lautre son incli-
naison moyenne (correspondant aux vagues de gravit). Dans le cas de la loi K, ces deux
composantes sont [Ward, 1981] :
le chatoiement ou speckle, composante fluctuations rapides associe aux vagues de
capillarit, damplitude distribue selon une loi de Rayleigh ;
la texture, composante fluctuations lentes, associe aux vagues de gravit, dont lin-
tensit suit une loi Gamma.
Cette reprsentation deux composantes de la loi K est appele modle K-compos. Pour
une case distance donne, lamplitude du n-ime cho de fouillis sexprime alors sous la forme
p
[n] = [n]r[n] (2.3)
o [n] et r[n] dsignent respectivement la texture et lamplitude du speckle. Lintensit de

la texture tant distribue selon une loi Gamma, sa densit de probabilit est donne par
a x1 ax
f (x) = e , x0 (2.4)
()
o dsigne la fonction gamma dEuler. La loi Gamma est paramtre par deux paramtres :
un paramtre de forme et un facteur dchelle a. La densit de est alors donne par

2 x
f (x) = K1 (x), x 0 (2.5)
() 2
o K1 dsigne la fonction de Bessel modifie de seconde espce dordre 1. Comme la loi

Gamma, la loi K est paramtre par un paramtre de forme et un facteur dchelle . Le
facteur dchelle permetpde jouer sur le niveau moyen. Il est li au facteur dchelle a de la
loi de la texture par = a2 . Le paramtre de forme indique le comportement de la queue
de distribution : plus est petit, plus la densit de probabilit dcrot lentement linfini, et
donc plus les forts chos ( spikes ) sont probables, ou encore plus le fouillis est spiky . La
figure 2.3 illustre lvolution de la densit de probabilit en fonction du paramtre de forme,
pour une puissance normalise. La loi K devient une loi de Rayleigh lorsque le paramtre de
1.4
Rayleigh
= 10
1.2 =1
= 0.1
0.8
0.6
0.4
0.2
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Figure 2.3 Densit de probabilit associe la loi K.
forme tend vers linfini. En pratique, cela est vrifi pour 10 comme lillustre la figure
2.3.
Toutefois, la connaissance de la distribution de lamplitude du fouillis ne fournit pas une
description statistique suffisante du fouillis non seulement pour la rsolution de problmes de
dtection cohrente, o la phase du fouillis entre en jeu, mais aussi pour les problmes de
dtection non cohrente o la distribution du signal reu en prsence dune cible dpend
la fois de lamplitude et de la phase du fouillis, puisque lcho de cible et le fouillis saddi-
tionnent de manire cohrente. Une approche consiste alors venir ajouter la modlisation
de lamplitude une phase alatoire indpendante de cette dernire et uniformment distribue
sur [0, 2] [Farina et al., 1986, 1987]. Dans le cas du modle K-compos, seule la phase du
speckle intervient, la texture tant un processus rel. Une solution consiste alors modliser
le speckle comme un processus gaussien complexe circulaire, compatible avec la modlisation
de lamplitude par une loi de Rayleigh. On obtient alors un modle gaussien-compos de la
forme p
[n] = [n]x[n] (2.6)
o x[n] est un processus gaussien complexe circulaire reprsentant le speckle. Ce modle est
compatible avec le modle K-compos (2.3) propos pour modliser lamplitude du fouillis
ds lors que la texture [n] suit une loi Gamma en intensit. Le modle gaussien compos est
galement compatible avec une amplitude distribue selon une loi de Weibull condition que
le paramtre de forme appartienne lintervalle ]0, 2]. Dans ce cas, la texture [n] a pour
densit de probabilit [Conte et Ricci, 1998]

Z + h
1
cr 2 cos(

r 2 r i
f (x) = e 4 ) cos cr sin dr (2.7)
x3 0 4 2x2

pour x > 0 et 0 < 2, avec c = 12 (1 + 2 ) 2 .
Cette modlisation unidimensionnelle permet de caractriser entirement le fouillis si les
chos sont indpendants dimpulsion impulsion, et se rvle suffisante pour une dtection
sur une seule impulsion.
2.2.2 Statistiques multidimensionnelles
Une modlisation unidimensionnelle nest gnralement pas suffisante en ce qui concerne

les problmes de dtection. Des techniques dintgration sur plusieurs impulsions conscu-
tives sont en effet gnralement employes pour amliorer les performances [Darricau, 1981,
Lacomme et al., 2001], et lorsque la forme donde mise nest pas agilit de frquence (ce
qui est gnralement le cas pour des traitements cohrents), les impulsions sont normalement
corrles entre elles. Il est alors ncessaire de dterminer la densit de probabilit multivarie
dun vecteur de N chos successifs appartenant tous la mme case distance (cf. chapitre 1).
En pratique, peu de processus sont caractriss explicitement par une densit de probabilit
multivarie : les processus valeurs indpendantes, les processus accroissements indpen-
dants, les processus de Markov et les processus gaussiens. En dehors de ces cas particuliers,
peu de processus possdent une densit de probabilit multivarie explicite.
Cest toutefois le cas des processus alatoires invariants sphriquement en anglais sphe-
rically invariant random process (SIRP) introduits en 1964 par Vershik [Vershik, 1964],
qui recherchait une classe de processus partageant des proprits caractristiques des processus
gaussiens. Vershik recherchait en particulier des processus pour lesquels tout problme desti-
mation aux moindres carrs sur les espaces vectoriels quils engendrent a une solution linaire.
Il considre sans perte de gnralit seulement des processus centrs (un processus non centr
sera dit invariant sphriquement si le processus centr correspondant est invariant sphrique-
ment), et dfinit un SIRP comme suit : un processus alatoire de moyenne nulle {t , t T }
est invariant sphriquement si pour tout n N , pour tout n-uplet (t1 , . . . , tn ) T n , toutes
les variables alatoires appartenant lespace vectoriel engendr par = [t1 , . . . , tn ]T qui
ont la mme variance ont la mme distribution. Le vecteur est alors un vecteur alatoire
invariant sphriquement ( spherically invariant random vector SIRV). partir de cette
dfinition, Blake et Thomas montrent que la fonction caractristique dun vecteur centr in-
variant sphriquement est fonction dune forme quadratique semi-dfinie positive [Blake et
Thomas, 1968] :
T
(u) = E[ei u ] = (uT u) (2.8)
o est une matrice semi-dfinie positive de taille n n et une fonction dune variable.
Toutefois, puisque est une fonction caractristique, la fonction ne peut pas tre entire-
ment arbitraire [Picinbono, 1970]. Yao sintresse au cas o est dfinie positive [Yao, 1973]
et montre que la fonction doit tre de la forme
Z +
1 2
(r) = e 2 rv dF (v) (2.9)
0
o F est une mesure de probabilit sur [0, +[. Ce rsultat est connu sous le nom de tho-
rme de reprsentation de Yao, et signifie que, dans le cas tudi par Yao, tout SIRV est
quivalent au produit dune variable alatoire positive et dun vecteur gaussien non dgnr
indpendants. Le rsultat snonce aussi directement au niveau des processus : tout SIRP
est quivalent au produit dune variable alatoire positive et dun processus gaussien non
dgnr indpendants. Le rsultat est tendu au cas o nest pas dfinie par Wise et
Gallagher [Wise et Gallagher, 1978], qui montrent alors que tout processus invariant sphri-
quement admet une reprsentation sous la forme du produit dune variable alatoire positive
et dun processus gaussien indpendants. Ainsi un vecteur invariant sphriquement peut se
reprsenter sous la forme
= X (2.10)
o X est un vecteur alatoire gaussien et est une variable alatoire positive. Sous cette
forme, un vecteur admet une infinit de reprsentations, puisque pour tout > 0, =
1 X, o 1 X est bien un vecteur gaussien et une variable alatoire positive. Le

modle statistique nest alors pas identifiable, cest--dire que lapplication qui un vecteur
de paramtre associe la loi de probabilit P nest pas injective. Dans ce cas, en reprenant
les notations gnrales introduites au chapitre 1, il est possible dimaginer quil existe un
0 0 et un 1 1 tels que P0 = P1 , si bien quil est impossible de prendre une
dcision. Pour rendre le modle identifiable, il suffit dimposer une condition supplmentaire
de normalisation, comme par exemple
Tr() = N. (2.11)
Le thorme de reprsentation montre donc que les SIRP sont un cas particulier du modle
(2.6), o la texture nest plus un processus mais une variable alatoire. Le fouillis peut donc
tre vu comme un SIRP si la texture peut tre suppose constante sur le temps de traitement.
tant donn que la texture est une composante fluctuations lentes, et compte tenu de ses
longueurs de corrlation azimutale et temporelle, lhypothse est gnralement vrifie, ou du
moins considre comme telle. En outre, la modlisation du fouillis sous la forme dun SIRP
est compatible avec le modle compos damplitude propos prcdemment.
Un SIRV de longueur N est donc dfini dune part par un vecteur moyenne et une
matrice positive de taille N N caractrisant le vecteur gaussien sous-jacent et dautre
part par une mesure de probabilit F sur [0, +[ associe la variable alatoire positive
du thorme de reprsentation. Dans le cas o la matrice est dfinie, le vecteur gaussien
sous-jacent est non dgnr et admet donc une densit de probabilit. Le SIRV possde alors
lui aussi une densit donne par
Z +
1 1 1 (u)T 1 (u)
f (u) = N 1 N e
2 dF ( ) (2.12)
(2) 2 || 2 0 2
dans le cas rel. Un SIRV complexe de longueur N nest rien dautre quun SIRV rel de
longueur 2N . Dans le cas o le SIRV est circulaire, le vecteur gaussien complexe sous-
jacent lest aussi, et la densit de sexprime sous la forme
Z +
1 1 1 (u)H 1 (u)
f (u) = N e dF ( ) (2.13)
|| 0 N
La circularit ou symtrie circulaire du fouillis a t vrifie exprimentalement sur des
donnes relles [Conte et al., 2004] : les voies en phase et en quadrature sont indpendantes
et identiquement distribues. La densit de probabilit du fouillis est donc donne par (2.13).
En pratique, on se restreint au cas o la matrice est dfinie, afin que les SIRV aient une
densit de probabilit. Il nest pas gnant doprer cette restriction, puisque lensemble des
matrices carrs singulires est de mesure de Lebesgue nulle, autrement dit la matrice est
dfinie presque partout.
3
CHAPITRE
Modlisation robuste
I only believe in statistics that I doctored

myself.
Winston Churchill1
La thorie statistique de la dtection sappuie sur une modlisation statistique du pro-

blme pour dvelopper des tests optimaux (cf. chapitre 1). Lorsque le modle statistique,
cest dire la famille de distributions indexe par un paramtre ventuellement vectoriel
ne dcrit pas exactement le comportement des observations, les tests optimaux pour le
modle ne le sont plus pour les observations, si bien que les performances obtenues sont en
de de celles attendues : soit la probabilit de fausse alarme franchit le niveau voulu, soit
le niveau est maintenu mais la probabilit de dtection est dgrade. En pratique, les dis-
tributions des observations sous chacune des hypothses ne sont jamais connues et donc les
modles statistiques sont toujours inexacts. Pour pallier ce problme, la thorie de la dtection
recourt lusage de tests robustes [Huber, 1981, Kariya et Sinha, 1989], cest--dire des tests
pour lesquels de lgres dviations par rapport au modle naffectent pas les performances de
manire significative.
Toutefois, le problme peut galement tre abord au niveau de la modlisation et non
plus au niveau de la dtection proprement parler. Lide dveloppe ici est quil ne sagit
plus de chercher le modle qui dcrive le mieux les observations, mais le modle qui permettra
en dpit de son inexactitude dobtenir les meilleures performances en dtection.
3.1 Dtection dans un processus invariant sphriquement : li-

mitations du modle
Considrons la dtection dune cible connue, de nature dterministe, dans un fouillis in-
variant sphriquement. Comme il a t vu au chapitre 1, le problme de dtection peut se
formuler sous la forme dun test dhypothses binaire, qui scrit en fonction des observations
sous la forme :
H0 : Z =
(3.1)
H1 : Z = s +
1
Cette citation a en fait t faussement attribue W. Churchill en 1940 par J. Goebbels, ministre de la
propagande nazie, afin de le discrditer.
30 CHAPITRE 3 : Modlisation robuste
o Z, sont des vecteurs alatoires complexes de longueur N dsignant respectivement les

observations et le fouillis, et s est un vecteur complexe de longueur N dsignant le signal cible.
Le fouillis tant modlis par un SIRP, le vecteur est un SIRV, pouvant donc tre reprsent

sous la forme = X, o est une variable alatoire positive de densit de probabilit f
dont le carr reprsente la texture et X est un vecteur alatoire gaussien complexe centr et
circulaire de matrice de covariance , qui sera suppose connue. Sous lhypothse nulle H0 ,
la vraisemblance du vecteur observ Z est alors donne par (cf. chapitre 2)
Z +
1 1 zH 1 z
p0 (z) = e f ( )d. (3.2)
0 N
Sous lhypothse alternative H1 , le signal cible s tant dterministe, la vraisemblance du
vecteur observ Z est donne par
p1 (z) = p0 (z s). (3.3)
Le test le plus puissant qui, daprs le lemme de Neyman-Pearson (cf. section 1.2.3), consiste
comparer le rapport de vraisemblance un seuil choisi de manire garantir une certaine
probabilit de fausse alarme, est alors dfini par
R + 1 1 (zs)H 1 (zs)
N
e f ( )d H1
RV (z) = 0 R + 1 H 1 . (3.4)
1 z z
0 N e f ( )d H0
Le test du rapport de vraisemblance (3.4) dpend donc de la densit de probabilit f de

la texture. Cette dpendance tait prvoir ; il est en effet bien normal dattendre du test
optimal quil exploite toute linformation disponible a priori, et en particulier la densit de
probabilit de la texture. Or la densit f nest malheureusement pas connue en pratique :
mme sil est possible de la modliser par telle ou telle distribution, les paramtres en seront
encore inconnus. Il nest en effet pas possible de fixer ces paramtres a priori car ils sont
susceptibles de varier spatialement, soit avec la distance, soit avec lazimut du lobe dantenne.
Le dtecteur (3.4) ne peut donc pas tre mis en uvre en pratique. Toutefois, si la fonction
puissance du test est peu sensible la densit f , il est possible de la remplacer par une
densit g a priori. Le dtecteur devient alors
R + 1 1 (zs)H 1 (zs)
N
e g( )d H1
g (z) = 0 R + 1 H 1 g (3.5)
1 z z
0 N
e g( )d H0
et on parlera alors de test du g-rapport de vraisemblance. Le test du f -rapport de vraisem-

blance est bien entendu le test du rapport de vraisemblance (3.4). Mme si la densit a priori
g scarte de la densit f de la texture des observations, cela naura quune faible incidence
sur les performances du test, tant au niveau de la probabilit de fausse alarme que de la
probabilit de dtection, et le test, bien que sous-optimal, reste acceptable. Dans ce cas, le
test est dit robuste au modle : un cart des statistiques des observations (ici la densit f de
la texture) par rapport au modle (la densit a priori g) nentrane pas une dgradation des
performances trop importante.
Cest le cas pour le dtecteur (3.5) lorsque la taille N des observations tend vers linfini.
En effet, pour deux densits g1 et g2 , les dtecteurs
R + 1 1 (zs)H 1 (zs)
0 N
e g1 ( )d H1
R + 1 1 zH 1 z 1 (3.6)
0 N e g 1 ( )d H0
Section 3.1 : Limitations du modle SIRP 31
et R + 1 1 (zs)H 1 (zs)
0 N
e g2 ( )d H1
R + 1 1 zH 1 z 2 (3.7)
0 N
e g2 ( )d H0
ont la mme fonction puissance lorsque N tend vers linfini, comme en atteste la figure 3.1,
o sont reprsentes, pour diffrentes valeurs de N , les courbes COR pour diffrentes densits
a priori g. Ces courbes ont t obtenues sur un fouillis de matrice de covariance identit dont
la texture suit une loi Gamma cest--dire un fouillis distribu selon une loi K (cf. chapitre
2) de paramtre de forme et de facteur dchelle unitaire, soit
f ( ) = e , 0 (3.8)
et pour une cible s de la forme s = p(f ) (cf. chapitre 1), avec f = 0.2 et = 0.1. La densit
a priori g a t successivement prise gale la densit f , auquel cas le test associ est le
test optimal au critre de Neyman-Pearson, une loi Gamma de paramtre de forme 10 et de
facteur dchelle 0.2, un dirac en 1 (i.e. est dterministe et gal 1) et une loi Gamma
inverse de paramtre de forme 0.5 et de facteur dchelle 2.
Lvolution des courbes COR rvle deux phnomnes. Tout dabord, tous les dtecteurs
sont dautant plus performants que N est grand. Ensuite, lorsque N augmente, les courbes
COR se rapprochent les unes des autres jusqu devenir confondues avec la courbe COR du
test du rapport de vraisemblance, qui est le test le plus puissant. Comme on peut le voir,
la convergence des fonctions puissance vers la fonction puissance optimale est trs rapide.
En effet, pour N = 16, les courbes COR peuvent dj tre considres comme confondues,
excepte celle obtenue pour une texture dterministe, qui converge beaucoup plus lentement.
Elle converge toutefois, comme le montre la figure 3.1.
En fait, lorsque la taille N des observations tend vers linfini, lexpression du test (3.5) ne
dpend plus de la densit a priori g [Picinbono et Vezzosi, 1970, Conte et al., 1995]. En effet,
Z + x
1 x N +1
e g( )d (N )x g (3.9)
0 N N + N
si bien que, lorsque N tend vers linfini, g (z), dfinie en (3.5) est asymptotiquement quiva-
lente
zH 1 z
AOD (z) = . (3.10)
(z s)H 1 (z s)
En ce sens, le test dfini par
zH 1 z H1
AOD (z) = (3.11)
(z s)H 1 (z s) H0
est une version asymptotique du test (3.5), et donc du test (3.4), qui est un cas particulier du
test (3.5), o g = f . Comme par ailleurs, selon le lemme de Neyman-Pearson, le test (3.4) est
le plus puissant, le test (3.11) est souvent appel dtecteur asymptotiquement optimal , ou
encore asymptotically optimum detector (AOD). Les courbes COR du dtecteur asymp-
totiquement optimal ont t compares aux courbes COR du test le plus puissant ainsi qu
celles de tests du g-rapport de vraisemblance sur les figures 3.1 et 3.1. Le dtecteur asympto-
tiquement optimal converge trs vite vers le dtecteur optimal. Ainsi, pour N = 4, les courbes
COR des deux dtecteurs sont quasiment confondues (cf. figure 3.1a).
Le problme de la mise en uvre du dtecteur (3.4) est rsolu dans [Jay, 2002, Jay et al.,
2003] en remplaant dans lexpression du dtecteur (3.4) la densit f de la texture par une
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
0.2 (1,1) 0.2 (1,1)

(10, 0.2) (10, 0.2)
1 1
0.1 1 0.1 1
(0.5, 2) (0.5, 2)
AOD AOD
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A PF A
(a) N = 4. (b) N = 8.
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
0.2 (1,1) 0.2 (1,1)

(10, 0.2) (10, 0.2)
1 1
0.1 0.1
1(0.5, 2) 1(0.5, 2)
AOD AOD
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A PF A
(c) N = 16. (d) N = 32.
Figure 3.1 volution des courbes COR du test du g-rapport de vraisemblance en fonction
de la taille des observations et de la densit a priori g de la texture.
estimation baysienne fb effectue partir de donnes de rfrence : le test ainsi obtenu

est appel Bayesian Optimum Radar Detector (BORD). Lorsque la taille des donnes de
rfrence tend vers linfini, le BORD prend la forme (3.11). En fait, le BORD correspond ce
qui a t appel ici le fb -rapport de vraisemblance, il est par consquent normal que sa forme
asymptotique soit celle donne par (3.11).
Le dtecteur asymptotiquement optimal (3.11) a aussi t obtenu par [Sangston et al.,
1999] en considrant la texture comme un paramtre dterministe inconnu et en la rempla-
ant par son estime au sens du maximum de vraisemblance sous chacune des deux hypothses
dans lexpression du rapport de vraisemblance.
Section 3.2 : Modlisation et dtection 33
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
0.2 NP 0.2 NP
(10, 0.2) (10, 0.2)
1 1
0.1 0.1
1(0.5, 2) 1(0.5, 2)
AOD AOD
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A PF A
(e) N = 1024. (f ) N = 2048.
Figure 3.1 Convergence des performances du test du 1 -rapport de vraisemblance.
3.2 Modlisation et dtection
Ltat de lart de la dtection dans un processus invariant sphriquement prsent dans

la section prcdente mne la question suivante : est-il ncessaire, pour mettre au point
un dtecteur, de modliser la densit de probabilit de la texture ? En effet, le dtecteur
asymptotiquement optimal (3.11) ne ncessite pas la connaissance de la densit de la texture,
et de plus il ne prsente que trs peu de pertes de performances par rapport au test le
plus puissant (3.4), qui, lui, ncessite la connaissance de la densit de la texture, et qui
en supposant que cela soit possible est bien moins simple mettre en uvre. Au
niveau de la dtection, la modlisation de la densit de la texture du processus invariant
sphriquement napporte donc que peu de gain pour beaucoup defforts, dautant plus que
la forme asymptotique (3.11) est prfre en pratique, parce quelle est simple mettre en
uvre et que le seuil ne dpend pas de la densit f [Jay et al., 2003].
Ainsi, aussi paradoxal que cela puisse paratre, le modle qui dcrit le plus prcisment les
observations nest pas ncessairement le modle le mieux adapt au problme de dtection,
dans la mesure o il ne permet de parvenir naturellement un test robuste et simple mettre
en uvre. Cest le cas de la modlisation du fouillis sous la forme dun processus alatoire
invariant sphriquement, qui permet de modliser lapparition de forts chos en incidence
rasante et/ou haute rsolution, mais pour laquelle le dtecteur retenu en pratique est obtenu
par le biais de considrations asymptotiques.
Pour modliser plus prcisment les observations, il est en gnral ncessaire dintroduire
des paramtres supplmentaires dans le modle. Dans le cas de la modlisation de lamplitude
du fouillis, par exemple, pour prendre en compte lapparition des spikes (cf. chapitre 2),
on passe dun modle de Rayleigh un paramtre des modles deux paramtres (Weibull,
loi K...). Lintroduction de nouveaux paramtres permet dajuster toujours mieux le modle
aux observations, et de toujours plus gnraliser le modle. De ce point de vue, un modle sera
dautant meilleur quil prsentera de nombreux paramtres dajustement. Toutefois, si un tel
modle permet certes de mieux modliser les observations, il nest pas forcment le meilleur
pour traiter le problme de dtection, puisquun ajout de paramtres supplmentaires peut
amener des pertes de performances en dtection.

Cette perte de performance est due lintroduction dans le modle de paramtres s pour
dcrire les chos parasites. Ces paramtres s sont appels des paramtres de nuisance car la
prise de dcision ne porte pas sur eux. Au contraire, les paramtres d qui dterminent les
hypothses sont appels les paramtres utiles. Lespace des paramtres introduit au chapitre
1 peut donc scrire sous la forme
= d s (3.12)
o d reprsente lespace des paramtres utiles et s lespace des paramtres de nuisance. La
dcision ne portant que sur les paramtres utiles, le problme se prsente sous la forme du
test dhypothses binaire suivant :

H0 : d d0 , s s
(3.13)
H1 : d d1 , s s
o d0 et d1 forment une partition de lespace des paramtres utiles d .

Les paramtres de nuisance, inconnus, amnent gnralement des pertes de performance,
puisque linformation a priori sur les observations est rduite. La modlisation statistique dun
problme de dtection consiste alors en un compromis au niveau des paramtres de nuisance. Il
faut en effet introduire suffisamment de paramtres de nuisance pour modliser correctement
les observations, sans quoi il sensuivrait une perte de performance due un modle trop
inexact, en veillant toutefois en introduire le moins possible de faon rduire les pertes
de performance quils occasionnent. Il ne faut pas perdre de vue que dans un problme de
dtection, ltape de modlisation ne vise pas dcrire les observations le plus prcisment
possible, mais obtenir de bonnes performances en dtection. Le compromis au niveau des
paramtres de nuisance nen est que plus dlicat, dautant plus quune modlisation mdiocre
pourra tout de mme aboutir un dtecteur performant. Cest par exemple le cas pour les
processus invariants sphriquement : une texture mal modlise naura que peu dincidence,
pour une taille des observations suffisamment grande, sur les performances du dtecteur,
comme cela a t montr dans la section prcdente.
Toutefois, si la prcision de la modlisation de la densit de probabilit des observations
nest pas cruciale dans la conception dun dtecteur, elle lest pour ltude de ses perfor-
mances. En effet, si la rgion critique dun test peut tre indpendante du modle, sa fonction
puissance, en revanche, dpend toujours de la densit relle et non pas du modle
des observations. Ainsi, afin dvaluer correctement les performances dun dtecteur, il est
ncessaire de modliser prcisment la densit de probabilit des observations.
La figure 3.2 illustre la dpendance de la fonction puissance la densit de probabilit
relle des observations. Les courbes COR du dtecteur asymptotiquement optimal (3.11) sur
un fouillis distribu selon une loi K y sont reprsentes pour diffrentes valeurs du paramtre
de forme , en conservant chaque fois une puissance moyenne unitaire. La cible est de la
forme s = p(f ) avec f = 0.2 et = 0.1 et la taille des observations est N = 32. Le rapport
2 )k2
signal bruit = || Nkp(f
E[ ] tant constant, gal 20 dB, les performances du dtecteur
(3.11) sont dautant meilleures que le paramtre de forme du fouillis est petit, cest--dire que
le fouillis est spiky (cf. chapitre 2). Le rsultat, apparemment paradoxal, puisquun fouillis
spiky exhibe de forts chos censs rendre la dtection plus difficile, est observ galement
dans [Conte et al., 1995], mais sans aucune interprtation. Lexplication rside dans le fait que
la puissance moyenne du fouillis est constante. Lorsque le paramtre de forme diminue, les
forts chos se font plus frquents, et donc, la puissance moyenne restant constante, le niveau
moyen des chos diminue, ce qui explique lamlioration des performances (cf. annexe D).
Section 3.3 : Une modlisation robuste : le modle localement gaussien 35
0.9
0.8
0.7
PD 0.6
0.5
0.4
0.3
= 0.1
0.2 = 0.5
=1
0.1
= 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A
Figure 3.2 volution des courbes COR en fonction du paramtre de forme de la

texture.
3.3 Une modlisation robuste : le modle localement gaussien
Lapproche mene par [Sangston et al., 1999] (cf. section 3.1), qui consiste considrer
la texture comme un paramtre dterministe inconnu, revient exactement voir le vecteur
fouillis comme un vecteur gaussien de niveau inconnu, cest--dire un vecteur gaussien
centr de matrice de covariance , o est un paramtre inconnu, la matrice vrifiant
la condition de normalisation Tr() = N afin que le modle soit identifiable (cf. chapitre 2).
Une telle approche se justifie par les proprits concernant lergodicit dun SIRP. En effet,
un SIRP ergodique est ncessairement gaussien [Blake et Thomas, 1968, Rangaswamy, 1993].
Il est par consquent impossible de diffrencier un SIRP dun processus gaussien sur la base
dune seule ralisation. En ce qui concerne une dtection opre sur une seule ralisation, il
ny a donc pas plus de raison dans le cas pratique o la distribution de la texture est
entirement inconnue de considrer la texture comme une variable alatoire que comme un
paramtre dterministe inconnu. Dans le premier cas, on parlera de SIRP et dans le second
de modle localement gaussien.
Ainsi, un vecteur localement gaussien de longueur N peut-tre reprsent, linstar
dun SIRV, sous la forme
= X (3.14)
o X est un vecteur alatoire gaussien de matrice de covariance et est un niveau inconnu de

nature dterministe. Comme dans le cas du modle SIRP, afin que le modle soit identifiable,
la condition de normalisation
Tr() = N (3.15)
est impose la matrice , qui est alors appele matrice de covariance normalise.
Sur la base dune seule observation, le modle localement gaussien apporte autant din-
formation quune modlisation sous la forme dun SIRP, tout en nintroduisant quun seul
paramtre de nuisance reli la texture, l o un SIRP en introduit gnralement deux, la
densit de probabilit de la texture tant la plupart du temps une loi deux paramtres (telle
que la loi Gamma, cf. chapitre 2).
Cependant, dune observation lautre, la texture varie. Modliser chaque observation du
fouillis comme un vecteur gaussien de niveau inconnu revient alors ne considrer que la puis-
sance instantane observe, sans se proccuper de ses variations dune observation lautre.
Une partie de linformation a priori les variations de la texture est donc occulte. Un
SIRP permet au contraire dintgrer cette information au modle par le biais de la densit
de la texture, qui nest rien dautre quune modlisation de ses variations. Puisque les perfor-
mances dpendent de ces variations les probabilits de fausse alarme et de dtection tant
moyennes par rapport la texture il parat judicieux dintroduire une telle information
dans le modle.
Toutefois, comme le montrent les rsultats prsents dans la section 3.1, il est prfrable
de sen abstenir et dadopter le modle localement gaussien. En effet, lorsque la taille N
des observations tend vers linfini, le dtecteur le plus puissant (3.4) sur un SIRP affiche les
mmes performances que le test (3.11), qui est le test du rapport de vraisemblance gnralis
associ au modle localement gaussien. Ainsi, les pertes de performance lies limprcision
du modle localement gaussien les variations de la texture ne sont plus prises en compte
deviennent ngligeables ds lors que N est suffisamment grand. En fait, lorsque la taille N
des observations tend vers linfini, la texture peut tre estime sans erreur son estimateur
au sens du maximum de vraisemblance tant consistant si bien que ses variations sont
connues et donc il ny a plus de perte dinformation due la modlisation. Cest pourquoi
la dmarche de [Conte et al., 1995], qui consiste utiliser une approximation asymptotique
du dtecteur optimal, et celle de [Sangston et al., 1999], qui considre la texture comme un
paramtre dterministe inconnu, mnent au mme rsultat.
En outre, le test du rapport de vraisemblance gnralis est en gnral difficile implmen-
ter dans le cas dun SIRP, tant donn quil nest pas facile voire impossible, notamment
dans le cas de la loi K, fort rpandue en radar destimer les paramtres de la densit de
probabilit de la texture au sens du maximum de vraisemblance. Par consquent, le dtecteur
asymptotiquement optimal (3.11), qui nest autre que le test du rapport de vraisemblance
gnralis associ au modle localement gaussien, lui est en pratique toujours prfr, ce qui
revient donc nutiliser que linformation modlise par le modle localement gaussien.
Ainsi, si les SIRP constituent un modle plus prcis au niveau de la modlisation, le modle
localement gaussien est mieux adapt aux problmes de dtection.
Deuxime partie
Dtection
4
CHAPITRE
Dtection optimale
I have two clocks : one doesnt go at all,

and the other loses a minute a day : which
would you prefer ? [...] The one which
loses a minute a day [...] is only right
once in two years, whereas the other is
evidently right [...] twice a day.
Lewis Carroll
Le modle statistique de fouillis propos au chapitre 3 fait intervenir deux paramtres

inconnus : le niveau local de fouillis et la matrice des covariances normalise . De plus,
la cible est elle aussi modlise sous la forme dune sinusode damplitude, de phase et de
frquence inconnues. Le test dhypothses associ au problme de dtection fait donc intervenir
deux hypothses composes (cf. chapitre 1). Or, comme il a t vu dans la premire partie,
dans le cas dun test entre deux hypothses composes, il nexiste pas en gnral de test
uniformment plus puissant. Dans ce cas, le test du rapport de vraisemblance gnralis peut
tre utilis, mais sans aucune connaissance sur son optimalit dans le cas non asymptotique.
Quand peut-on alors considrer que lon est dans le cas asymptotique ? En dautres termes,
quelle est la vitesse de convergence du test du rapport de vraisemblance gnralis vers le
dtecteur optimal ? Cette vitesse de convergence dpend-t-elle des paramtres ? En outre, le
seuil dpend lui aussi des estimes des paramtres, et la question se pose de savoir comment le
fixer. Pour ces raisons, il est utile de dfinir de nouveaux critres doptimalit mieux adapts
au cas dhypothses composes, moins contraignants que le critre de Neyman-Pearson, afin
de sassurer de lexistence dun test optimal (pour le nouveau critre), mais suffisamment
contraignants tout de mme pour avoir un sens dans les applications pratiques.
4.1 Retour sur le critre de Neyman-Pearson
Comme expliqu au chapitre 1, la dtection radar sinscrit dans le cadre de la thorie

statistique de la dtection : les observations z sur un espace X sont vues comme les ralisations
dune variable alatoire Z dont la distribution appartient une famille {P , } indexe
par un paramtre ventuellement vectoriel valeurs dans un espace . Les deux
hypothses absence ou prsence dune cible dfinissent une partition {0 , 1 } sur cet
espace des paramtres : lhypothse nulle (absence de cible) est vrifie si appartient 0 ,
40 CHAPITRE 4 : Dtection optimale
lhypothse alternative si appartient 1 :

H0 : 0
. (4.1)
H1 : 1
La dcision sappuie alors sur un test, qui est une application de lespace dobservation X sur
{0, 1}. Le critre de Neyman-Pearson consiste rechercher, parmi les tests de niveau donn,
celui qui est uniformment le plus puissant. Ainsi, en dsignant par

K = : X 7 {0, 1}| sup E (Z) (4.2)
0
lensemble des tests de niveau pour le test dhypothses (4.1), le critre de Neyman-Pearson
revient chercher un test K tel que, pour tout test K ,
1 , () () (4.3)
o dsigne la fonction puissance du test . Ce critre est le critre naturel en radar, o le

taux de fausse alarme doit tre maintenu en de dun certain niveau, afin que les oprateurs
puissent exploiter les vidos radar. Sous cette contrainte, il est alors normal de chercher
maximiser la probabilit de dtection.
Lorsque le test dhypothses (4.1) fait intervenir deux hypothses simples, le test le plus
puissant satisfaisant donc au critre de Neyman-Pearson est, en vertu du lemme de
Neyman-Pearson (cf. section 1.2.3), le test du rapport de vraisemblance. Dans le cas dhy-
pothses composes, le thorme de Karlin-Rubin donne le test uniformment plus puissant
lorsque les hypothses sont unilatrales et que la famille de densits {p , } associe
la famille de distributions {P , }, indexe par un paramtre rel, est rapport de
vraisemblance monotone, cest--dire quil existe une fonction relle T telle que pour tous
p (x)
< , les distributions P et P sont distinctes1 et le rapport de vraisemblance p(x) est une
fonction monotone de T (x). Lorsque le rapport de vraisemblance est une fonction croissante
(resp. dcroissante) de T (x), on parle de famille de distribution rapport de vraisemblance
croissant (resp. dcroissant) en T .
Thorme 4.1.1 (Thorme de Karlin-Rubin). Soit {P , } une famille de distributions,

indexe par un paramtre rel (i.e. R), admettant une famille de densits associe {p ,
} rapport de vraisemblance croissant en T . Considrons le test dhypothses binaire donn
par
H0 : 0
. (4.4)
H1 : > 0
(i) Il existe un test randomis uniformment plus puissant pour tester H0 contre H1 ,
donn par
0 si T (z) <

(z) = si T (z) = (4.5)

1 si T (z) >
o et sont dtermins par
E0 (Z) = . (4.6)
(ii) La fonction puissance () = E (Z) est strictement croissante sur 1 (]0, 1[).
1
Ce qui est toujours le cas pour un modle identifiable.
Section 4.1 : Retour sur le critre de Neyman-Pearson 41
(iii) Le test est uniformment plus puissant pour tester H0 : contre H1 : >
au niveau = ( ).
(iv) Parmi tous les tests vrifiant (4.6), le test est celui qui minimise () pour tout
< 0 .
Il ny a pas de perte de gnralit supposer que la famille {p , } soit rapport de

vraisemblance croissant en T . En effet, si elle est rapport de vraisemblance dcroissant en
T , alors elle est rapport de vraisemblance croissant en T .
Le thorme de Karlin-Rubin est un rsultat dautant plus intressant quil peut sappli-
quer une classe importante de familles de densits, la classe des familles exponentielles, de
la forme
p (z) = C()eQ()T (z) h(z), R. (4.7)
Ces familles sont rapport de vraisemblance croissant lorsque Q est croissante, rapport de
vraisemblance dcroissant lorsque Q est dcroissante.
Cependant, lorsque le paramtre nest pas scalaire mais vectoriel 2 , le thorme de Karlin-
Rubin ne sapplique plus. Dans la plupart des cas, il nexiste pas de test uniformment plus
puissant. Le critre de Neyman-Pearson nest donc pas adapt la problmatique radar, bien
qutant le critre le plus naturel dans ce contexte. En effet, les hypothses intervenant dans
les problmes de dtection radar sont gnralement des hypothses composes mettant en jeu
des paramtres vectoriels (amplitude, phase et frquence Doppler dune cible, puissance du
fouillis...), si bien quil nexiste pas, en gnral, de test optimal au sens du critre de Neyman-
Pearson. Afin de sassurer de lexistence dun test optimal, il est alors ncessaire dadopter
un nouveau critre doptimalit moins contraignant que le critre de Neyman-Pearson, mieux
adapt aux cas dhypothses composes et de paramtres vectoriels. Pour cela, la classe des
tests envisags est restreinte de faon aussi naturelle que possible, le but de cette restriction
tant la recherche dun test uniformment plus puissant sur la classe restreinte de tests. Un
critre naturel est davoir un test non biais (cf. chapitre 1). Un autre critre naturel sappuie
sur les proprits dinvariance ou de symtrie du problme.
Considrons par exemple le problme de la dtection dune cible ponctuelle en Doppler,
damplitude et de phase inconnues, dans un fouillis localement gaussien (modle introduit
au chapitre 3) de matrice de covariance normalise suppose connue. Il est donc possible de
supposer, sans perte de gnralit, que le fouillis est blanc et de niveau unitaire. En effet, il
est toujours possible de se ramener ce cas-l en blanchissant les observations dune part, et
en les normalisant par le niveau du fouillis dautre part, ce qui ne change rien au problme,
lamplitude de la cible tant inconnue. Comme il a t vu au chapitre 1, une cible ponctuelle
en Doppler est de la forme p(f ), o = Aei2 C est lamplitude complexe A tant
lamplitude et la phase et p(f ) = [1ei2f ei2(N 1) ]T est le vecteur de direction f
tant la frquence Doppler normalise. Le test dhypothses associ est alors

H0 : Z =
(4.8)
H1 : Z = p(f ) + , C
o est un vecteur alatoire gaussien complexe centr de matrice de covariance identit, ce
qui sera not CN (0, IN ) IN dsignant la matrice identit de taille N N . Pour une
amplitude complexe 0 donne, le test du rapport de vraisemblance est donn par
H1
(z) = 2{0 p(f )H z} |0 |2 kp(f )k2 (4.9)
H0
2
Un vecteur dans un espace de dimension suprieure ou gale deux.
o dsigne la fonction partie relle et loprateur de conjugaison complexe. Le test du

rapport de vraisemblance est donc le filtre adapt une cible de la forme 0 p(f ) en prsence
de bruit blanc gaussien. En prsence dune cible damplitude complexe , la distribution de
(Z) est donne par :
(Z) N (|0 |2 kp(f )k2 , 2|0 |2 kp(f )k2 ) sous lhypothse H0 ;
(Z) N (2{0 kp(f )k2 } |0 |2 kp(f )k2 , 2|0 |2 kp(f )k2 ) sous lhypothse H1 ;
o N (, 2 ) dsigne une distribution gaussienne de moyenne et de variance 2 . Les perfor-
mances de ce dtecteur sont donc connues en fonction de f et de . Pour une cible damplitude
unitaire cest--dire damplitude complexe = ei2 et de frquence f = 0.5, lvolution
de la puissance de ce test, avec 0 = ei20 et 0 = 0.5 a t reprsente sur la figure 4.1 en
fonction de la phase normalise de la cible pour une probabilit de fausse alarme de 104 et
N = 32. Le test du rapport de vraisemblance (4.9) est alors optimal pour dtecter une cible
0.9
0.8
Probabilit de dtection
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Phase (normalise)
Figure 4.1 Probabilit de dtection du test du rapport de vraisemblance (4.9) pour

une cible damplitude unitaire et de frquence inconnue en fonction de sa phase pour une
probabilit de fausse alarme de 104 .
de phase = 0 (en vertu du lemme de Neyman-Pearson). En revanche, le test est totalement

inefficace pour des phases infrieures 0.2 et suprieures 0.8 : en effet le filtre nest plus
adapt la cible observe. Le test est mme biais pour les phases normalises infrieures
0.25 ou suprieures 0.75, comme le montrent les courbes COR (cf. figure 4.2). Pourtant, le
problme ne change pas quelle que soit la phase, et par consquent il est lgitime dattendre
des performances qui ne dpendent pas de la phase de la cible. Lorsque la phase de la cible est
inconnue, un test du rapport de vraisemblance de la forme (4.9) ne prsente donc pas grand
intrt.
Afin dviter de tels tests, optimaux sur un domaine de lespace des paramtres mais trs
mauvais ailleurs, il suffit de restreindre la recherche dun test uniformment plus puissant
(UPP) une sous-classe K de tests jugs pertinents pour le problme pos : on parlera alors
de tests K-UPP. Ainsi, en notant, pour un problme de dtection donn, K lensemble des
tests de niveau , un test T sera dit K-UPP si
T appartient K K ;
pour tout test T appartenant K K, T est uniformment plus puissant que T .
Section 4.2 : Tests puissance constante sur une famille de surfaces 43
0.9 = 0.2
= 0.22
0.8 = 0.23
= 0.25
0.7
= 0.5
PD 0.6 = 0.75
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A
Figure 4.2 Courbes COR du test du rapport de vraisemblance associ au test dhypo-
thses (4.8) pour diffrentes valeurs de la phase relle de la cible.
Le problme est alors de dfinir quels tests sont jugs dignes dintrt, cest--dire de dfinir
la classe K. Deux classes de tests sont particulirement intressantes :
les tests puissance constante sur une famille de surfaces ;
les tests invariants.
Les tests puissance constante sur une famille de surfaces permettent dviter la situation
prcdemment dcrite dun test optimal dans une direction mais mauvais partout ailleurs en
imposant des contraintes de symtrie sur la puissance du test. Les tests invariants permettent
de saffranchir des paramtres de nuisance en prenant en compte les invariances du problme
pour le rduire un problme plus simple sur lequel le lemme de Neyman-Pearson ou le
thorme de Karlin-Rubin peuvent tre appliqus.
4.2 Tests puissance constante sur une famille de surfaces
Afin dviter que la puissance dun test soit excellente sur un domaine de lespace des
paramtres mais trs mauvaise ailleurs, il est naturel dimposer des invariances la puissance
des tests envisags. A. Wald proposa en 1943 de le faire laide dune famille de surfaces sur
chacune desquelles la puissance des tests envisags serait constante [Wald, 1943].
4.2.1 Dfinition et rsultats
Les tests puissance constante sur une famille de surfaces sont dfinis par rapport une
famille de surfaces S = {Sc , c > 0} sur le domaine 1 de lespace des paramtres. Un test T
est puissance constante sur la famille de surfaces S si sa fonction puissance T vrifie, pour
tout couple de paramtres (1 , 2 ) Sc2
T (1 ) = T (2 ). (4.10)
Autrement dit, la fonction puissance T est constante sur chaque surface Sc de la famille S.
La classe des tests puissance constante sur la famille de surfaces S est note C S .
Un test est dit uniformment plus puissant puissance constante sur la famille de sur-
faces S si il est C S -UPP. On parle alors de tests S-uniformment plus puissant constamment
(S-UPPC), ou tout simplement UPPC, lorsquil ny a pas dambigut sur la famille S de
surfaces. Bien que les tests UPPC prsentent un intrt vident dans les problmes pratiques
de dtection notamment pour les raisons voques prcdemment, ils sont largement ignors
en thorie de la dtection, trs certainement cause de la difficult pour les construire. Il
ny a dailleurs que peu de rsultats dans la littrature mis part celui donn par Wald dans
[Wald, 1943], qui rsoud le problme

H0 : Z N (0, )
(4.11)
H1 : Z N (H 6= 0, )
o Z RN est le vecteur dobservation, Rk , k N est un vecteur inconnu, appel vecteur

de mode, RN N est une matrice dfinie positive connue et H RN k est une matrice
connue de rang plein, appele matrice de direction. Il est facile de montrer quil nexiste pas
de test UPP pour ce problme ds lors que k > 1. Toutefois, dans ce cas, le test donn par

0 si (z) = zT 1 H(HT 1 H)1 HT 1 z <
(z) = (4.12)
1 sinon
o est choisi tel que le test soit de taille et donc de niveau est un test uniformment
plus puissant constamment (UPPC) sur la famille de surfaces S = {Sc : T HT 1 H =
c, c > 0}. Ce test consiste exploiter le fait que la cible appartient limage de la matrice de
direction H en calculant la norme (z) de la projection des observations z sur le sous-espace
engendr par la matrice H (i.e. limage de H) pour ensuite la comparer un seuil.
4.2.2 Exemple
Le problme (4.8), pour une cible de frquence connue, est un test dhypothses linaires
de la mme forme que le problme (4.11) trait par Wald, avec p(f ) pour vecteur (et non plus
matrice) de direction au lieu de H, et lamplitude complexe prenant la place du vecteur de
mode . Le test ( H p(f )|2
0 si (z) = |zkp(f <
(z) = )k2 (4.13)
1 sinon
est donc UPPC sur la famille de surfaces {Sc : ||2 kp(f )k2 = c, c > 0}. Puisque (Z) =
ZH BZ, o B = kp(f1 )k2 p(f )p(f )H est une matrice idempotente (i.e. B2 = B), (Z) est
distribu selon une loi du 2 2 degrs de libert sous lhypothse nulle (H0 : Z = )
et selon une loi du 2 non centrale 2 degrs de libert et de paramtre de non-centralit
= ||2 kp(f )k2 sous lhypothse alternative (H1 : Z = p(f ) + C, f [0, 1])
[Muirhead, 1982]. Les performances du test (4.13) sont donc connues sous forme analytique.
En effet, la probabilit de fausse alarme est donne par
P ((Z) |H0 ) = 1 P ((Z) < |H0 ) (4.14)

= 1 F22 () (4.15)
o F22 dsigne la fonction de rpartition dune distribution du 2 2 degrs de libert. Puisque

le seuil est choisi tel que le test soit de taille [0, 1], il doit vrifier P ((Z) |H0 ) =
Section 4.2 : Tests puissance constante sur une famille de surfaces 45
et donc
= F1
2 (1 ) (4.16)
2
Quant la probabilit de dtection, elle est donne par

P ((Z) |H0 ) = 1 P ((Z) < |H0 ) (4.17)
= 1 F22 () () (4.18)
o F22 () dsigne la fonction de rpartition dune distribution du 2 2 degrs de libert

et de paramtre de non-centralit . La puissance du test (4.13) ne dpend donc que du
paramtre de non-centralit = ||2 kp(f )k2 , elle est donc bien bien constante sur chaque
surface Sc : ||2 kp(f )k2 = c, c > 0. Pour une amplitude unitaire, cest--dire ||2 = 1, cette
puissance a t reprsente sur la figure 4.3 en fonction de la phase de la cible, pour une
frquence f = 0.5, N = 32 et une probabilit de fausse alarme de 104 . Si la probabilit de
0.9
0.8
Probabilit de dtection
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Phase (normalise)
Figure 4.3 Probabilit de dtection dune cible damplitude et de frquence inconnues

en fonction de sa phase pour le test UPPC (4.13) pour une probabilit de fausse alarme de
104 .
dtection est lgrement infrieure celle obtenue dans la direction privilgie [0.4, 0.6]
par le test du rapport de vraisemblance (cf. figure 4.1), elle est en revanche bien meilleure
pour une phase infrieure 0.25 ou suprieure 0.75 : le test nest plus biais pour certaines
valeurs de la phase.
Les tests UPPC sont donc trs intressants dun point de vue oprationnel, puisquil est
possible dimposer une symtrie la puissance en choisissant une famille de surfaces. Cette
famille peut tre arbitrairement choisie, si bien quelle permet dimposer la puissance la
symtrie voulue a priori : elle constitue donc un critre la fois souple et naturel pour dcrire
la classe des tests envisags. Toutefois, lexistence dun test UPPC nest pas garantie pour une
famille de surfaces donne, et il est gnralement difficile, lorsquil en existe un, de le trouver.
Cest la raison pour laquelle les tests puissance constante sur une famille de surfaces
sont peu prsents dans la littrature et compltement inconnus chez les radaristes, dlaisss
au profit des tests invariants, qui ont eux lavantage de prsenter des rsultats facilitant la
recherche dun test optimal.
4.3 Tests invariants

Trs souvent, les problmes statistiques de tests dhypothses prsentent des symtries ap-
peles aussi invariances. Ces invariances constituent un moyen naturel de restreindre la classe
des tests envisags. Il est en effet naturel, pour traiter un problme invariant, de ne considrer
que les tests eux-mmes invariants. Mathmatiquement, la notion dinvariance sexprime
laide dune action de groupe sur lespace dobservation.
4.3.1 Notion dinvariance
Un problme statistique (, F, Z, X , A, P , = 0 0 ) est dit invariant sous laction

dun groupe G de transformations de X sur lui-mme, ou G-invariant, si en appliquant aux
observations une transformation g G, il ne sen trouve pas modifi. Pour cela, il faut que, si
la distribution de Z est une loi P de la famille P = {P , }, la distribution de la variable
alatoire gZ = g Z appartienne aussi P, et donc quil existe un g tel que gZ ait
pour distribution Pg . Il faut de plus que si appartient 0 (respectivement 1 ), alors g
appartienne 0 (respectivement 1 ). La premire de ces deux conditions correspond la
notion de famille de distributions invariante.
Plus prcisment, la famille de distributions {P , } est invariante sous laction du
groupe G si pour tout g G et pour tout A A, il existe un g tel que
P (gX A) = Pg (X A). (4.19)
Pour cela, il faut tout dabord que toute application g G laisse la tribu A invariante,
cest--dire que si A appartient A, alors gA = g(A) et g1 A = g1 (A) appartiennent aussi
A. Ensuite, le modle tant toujours suppos identifiable (cf. chapitre 2), g , sil existe,
est unique. Pour une famille de distribution invariante, il est donc possible de dfinir une
application bijective g de lespace des paramtres sur lui-mme qui associe g = g .
Lensemble des applications g forme un groupe G, appel le groupe induit par G, ou tout
simplement le groupe induit. Lapplication de G dans G qui g G associe g G est un
morphisme de groupe, cest--dire que pour tous g, h G
gh = gh. (4.20)
Pour que le problme de test dhypothses soit invariant, il faut aussi que si appartient
0 (resp. 1 ), alors pour tout g G, g appartienne 0 (resp. 1 ). En dautres termes,
pour toute application g G, les ensembles 0 et 1 vrifient
g0 = 0 (4.21)
g1 = 1 . (4.22)
Confront un problme de test dhypothses invariant sous laction dun groupe G, il est
naturel de ne considrer pour le rsoudre que les tests eux-mmes invariants sous laction de
ce groupe G. Un test est dit invariant sous laction du groupe G, ou encore G-invariant, ou
bien tout simplement invariant, lorsque, pour tout g G et tout z X ,
(gz) = (z). (4.23)
La classe des tests G-invariants est note I G . Le problme consiste alors rechercher un test
I G -UPP on parle aussi de test uniformment plus puissant invariant(UPPI) si du moins
Section 4.3 : Tests invariants 47
il en existe un. Pour cela, il existe contrairement au cas des tests puissance constante
sur une famille de surface un rsultat fort, le principe dinvariance, qui montre que les
invariances dun problme de test dhypothses permettent de se ramener un problme plus
simple.
4.3.2 Principe dinvariance
Le fait davoir dfini linvariance par rapport une action de groupe nest pas anodin.
En effet, il et t possible de dfinir linvariance par rapport des transformations de X
sur lui-mme, sans pour autant que lensemble de ces transformations ne forme un groupe.
Toutefois, le fait que G soit un groupe permet de rduire le problme de faon naturelle en ne
sintressant plus quaux orbites de laction de groupe. En effet, G tant un groupe, la relation
R dfinie sur X X par
z1 Rz2 g G|z1 = gz2 (4.24)
est une relation dquivalence. Les classes dquivalence sont alors donnes par C(z) = {gz, g
G} et sont les orbites de laction du groupe G sur lespace des observations X . Lensemble
des classes dquivalence de la relation R, ou encore lensemble des orbites de laction de G,
forment une partition de X appele lensemble quotient X /R, que lon prfrera noter X /G
pour faire apparatre laction du groupe G.
Par dfinition, il sensuit quun test est invariant si et seulement si il est constant sur cha-
cune des orbites. Puisque seuls les tests invariants sont considrs dans la rsolution du pro-
blme, lespace dobservation X peut alors tre rduit lensemble quotient X /G. Il convient
alors de rduire galement lobservation Z afin quelle se trouve bien dans lespace dobserva-
tion rduit. Pour cela, il suffit dappliquer aux observations Z la surjection canonique qui
a un lment associe sa classe dquivalence de lespace dobservation X sur lespace dob-
servation rduit X /G, cest--dire de considrer (Z) = Z comme nouvelle observation.
Toutefois, il est plus gnralement fait appel la notion dinvariant maximal. Une application
M sur X est un G-invariant maximal, ou tout simplement un invariant maximal, si elle est
G-invariante cest--dire si elle est constante sur chaque orbite de laction de G et si
pour tout z1 et tout z2 de X tels que M (z1 ) = M (z2 ), alors il existe une transformation g
de G telle que z1 = gz2 . Ainsi, un invariant maximal est constant sur chaque orbite et prend
une valeur diffrente sur chacune delles. La notion dinvariant maximal est trs importante
car elle formalise dune part la rduction des observations par invariance et permet dautre
part de caractriser les tests invariants.
En effet, tant donn un G-invariant maximal M , un test est invariant si et seulement si
il existe une fonction h telle que = hM [Lehmann et Romano, 2005, thorme 6.2.1]. Ainsi,
tout test sur le problme rduit espace dobservation X /G et observation M (Z) = M Z
est un test invariant sur le problme original. Il sagit du principe dinvariance : le problme
original est rduit par invariance un problme plus simple, sur lequel on recherche un test
uniformment plus puissant. Un test uniformment plus puissant sur le problme rduit est
alors un test uniformment plus puissant invariant pour le problme original. En revanche, sil
nexiste pas de test uniformment plus puissant sur le problme rduit, il nexiste pas de test
uniformment plus puissant invariant sur le problme original. Cependant, pour obtenir le
problme rduit, il faut dterminer la famille de distribution des observations rduites M (Z),
ainsi que lespace des paramtres rduits et les hypothses rduites.
La distribution de lobservation rduite M (Z) sexprime en fonction de la distribution de
lobservation originale Z. Ainsi, si Z a pour distribution P , avec , alors M (Z) a pour
distribution PM = P M 1 . En effet, pour tout A A
P (M (Z))1 (A) = P (M (Z) A) (4.25)

1
= P (Z M (A)) (4.26)
1
= P (M (A)) (4.27)
1
= P M (A). (4.28)
La famille de distributions de lobservation rduite est alors {PM , }. Toutefois, le modle

rduit nest alors pas identifiable. En effet, si M est un G-invariant, si v est un G-invariant
maximal, et si Z a pour distribution P , avec , alors la distribution de M (Z) ne dpend
que de v() [Lehmann et Romano, 2005, thorme 6.3.2]. En dautres termes, si v(1 ) = v(2 ),
alors PM
1
= PM 2
. Pour que le modle rduit soit identifiable, il faut alors considrer lespace
des paramtres rduit /G, cest--dire lensemble des orbites de laction du groupe G sur
, et non plus lespace des paramtres dorigine. La distribution des observations rduites
M (Z) appartient donc la famille {PM , /G}. De plus, puisque les ensembles 0 et 1
sont invariants par G (i.e. pour tout g G, g0 = 0 et g1 = 1 ), il est possible de dfinir
les ensembles rduits 0 /G et 1 /G.
Le problme rduit par invariance sous laction de G est donc finalement donn par
(, F, P, M (Z), X /G, A/G, PM , /G = 0 /G 1 /G). Le principe dinvariance affirme
alors que si il existe un test uniformment plus puissant pour le problme rduit, alors ce test
est uniformment plus puissant invariant pour le problme dorigine.
4.3.3 Exemple
Le problme de test dhypothses binaire (4.8), donn par

H0 : Z =
H1 : Z = p(f ) + , C
o p(f ) = [1 ei2f ei2(N 1)f ]T et est un vecteur gaussien complexe de longueur N ,

centr et de matrice de covariance identit, est invariant aux dphasages, cest--dire aux
applications de la forme N
C CN
g : . (4.29)
z 7 ei2 z
Lensemble G = {g , [0, 1[} muni de la loi de composition est un groupe ablien. En effet,
la loi de composition est bien une loi interne sur G : pour tout (, ) [0, 1[2 , g g =
g+ + , o . dsigne la fonction partie entire, et puisque + + [0, 1[,
g g appartient bien G. Ensuite, lassociativit est trivialement vrifie, g0 est llment
neutre et pour tout [0, 1[, linverse de g est donne par g1 = g11 .
La famille de distributions P = {CN (p(f ), IN ), C} est G-invariante : si Z
CN (p(f ), IN ), alors g Z CN (ei2 p(f ), IN ). Lapplication g induite sur lespace des
paramtres par g est alors donne par

C C
g : (4.30)
7 ei2
et G = {g , [0, 1[} est le groupe des transformations sur lespace des paramtres induit par
le groupe G. Lhypothse nulle correspond = 0, si bien que, puisque g est une application
Section 4.4 : Invariance et puissance constante sur une famille de surfaces 49
linaire bijective pour tout [0, 1[, les ensembles 0 = {0} et 1 = C\{0} sont invariants
par tout g G, ce qui montre que le problme est bien invariant aux dphasages.
H 2
Lapplication (z) = |zkp(f
p(f )|
)k2
est un G-invariant maximal [Scharf et Friedlander, 1994].
Lobservation (Z) associe est distribue selon une loi du 2 2 degrs de libert (cf. section
4.2.2), centre sous lhypothse H0 , non centrale de paramtre de non-centralit ||2 kp(f )k2
sous lhypothse H1 . La loi du 2 tant rapport de vraisemblance monotone en son para-
mtre de non-centralit [Scharf et Friedlander, 1994], le thorme de Karlin-Rubin permet de
conclure que le test (
|zH p(f )|2
0 si (z) = <
(z) = kp(f )k2 (4.31)
1 sinon
est uniformment plus puissant invariant en vertu du principe dinvariance. En outre, lappli-
cation 7 || est un G-invariant maximal, et donc la distribution de (Z) ne dpend que de
||. Par consquent, les performances du test uniformment plus puissant invariant (4.31) ne
dpendent galement que du module A = || de lamplitude complexe , et non de sa phase
.
Ce dernier rsultat na rien de surprenant dans la mesure o le test uniformment plus
puissant invariant (4.31) et le test uniformment plus puissant constamment (4.13) sont les
mmes. Ainsi, bien que les approches soient diffrentes contrainte impose sur la puissance
dune part, sur le test dautre part elles aboutissent, au moins dans ce cas particulier, au
mme test optimal.
4.4 Invariance et puissance constante sur une famille de sur-

faces
Pour le test dhypothses binaire (4.8), les tests uniformment plus puissant invariant
et uniformment plus puissant constamment sont identiques. La question se pose alors de
savoir sil sagit dune exception ou bien si cela se vrifie plus gnralement sous certaines
conditions. Une premire condition vidente est le choix de la famille de surfaces associe au
test uniformment plus puissant constamment : si, dans le cas du test dhypothses binaire
(4.8), la famille de surfaces navait pas t la famille de sphres {Sc : ||2 kp(f )k2 = c, c > 0},
le test uniformment plus puissant constamment associ si toutefois il existait naurait
certainement pas t identique au test uniformment plus puissant invariant.
Tout dabord, il est utile de remarquer quun test G-invariant est puissance constante
sur les orbites du groupe induit G sur lespace des paramtres. En effet, comme il a t vu
dans la section 4.3.2, puisque est G-invariant, la distribution de (Z) ne dpend que dun
G-invariant maximal v. tant donn que v est constant sur les orbites de G puisquil sagit
dun G-invariant il est alors clair que la puissance de lest aussi. Ainsi, si les orbites
de G forment une famille de surfaces S, alors la classe des tests G-invariants est inclue dans
la classe des tests puissance constante sur la famille de surfaces S, soit, avec les notations
introduites prcdemment :
I G CS (4.32)
si bien quun test S-uniformment plus puissant constamment sera aussi, si il est G-invariant,
G-uniformment plus puissant invariant. Malheureusement, ce rsultat nest pas trs intres-
sant dans la mesure o il est plus facile, nous lavons vu, de trouver un test uniformment
plus puissant invariant quun test uniformment plus puissant constamment.
Cependant, il suggre de choisir comme famille de surfaces S lensemble des orbites du

groupe induit G sur lespace des paramtres. Dans ce cas, si le test recherch est taux
de fausse alarme constant, sa fonction puissance est constante sur chaque orbite de G. Elle
est donc G-invariante. Le problme consiste alors ramener les proprits dinvariance de la
fonction puissance du test au test lui-mme, afin de pouvoir ramener la recherche dun test
S-uniformment plus puissant constamment la recherche dun test G-uniformment plus
puissant invariant.
Pour cela, Lehmann introduit [Lehmann et Romano, 2005] la notion de test
presque invariant sous laction dun groupe G. Considrons un problme de dtection
(, F, Z, X , A, P , = 0 0 ), invariant sous laction dun groupe G de transfor-
mations de X sur lui-mme. Un test est dit presque invariant sous laction du groupe G,
ou encore G-presque invariant si pour tout g G et tout x X \Ng ,
(gx) = (x) (4.33)
o Ng est un ensemble, dpendant ventuellement de g, de mesure nulle pour toute mesure

P . Alors, si la famille de distributions P = {P , } est borne complte, cest--dire si
pour toute fonction borne f , E [f (Z)] = 0 pour tout implique que f (x) = 0 P-presque
partout3 , une condition ncessaire et suffisante pour que la fonction puissance dun test soit
G-invariante est que soit G-presque invariant [Lehmann et Romano, 2005, lemme 6.5.1].
Ainsi, la classe des tests puissance constante sur la famille de surfaces4 S constitue des
orbites de G est gale la classe des tests G-presque invariants. Ds lors, la recherche dun
test S-uniformment plus puissant constamment se rsume la recherche dun test G-presque
invariant le plus puissant. Il est mme possible, sous certaines hypothses, de se ramener
la recherche dun test G-uniformment plus puissant invariant [Lehmann et Romano, 2005,
corollaire 6.5.1] : en effet, si, tant donnes deux tribus A et B de X et de G telles que pour
tout A A lensemble {(x, g) X G|gx A} appartient la tribu produit A B de A et B,
il existe une mesure -finie sur G telle que pour tout g G et tout B B, (B) = 0 implique
que (Bg) = 0, alors un test G-uniformment plus puissant invariant est aussi uniformment
plus puissant sur la classe des tests G-presque invariants. Ce dernier rsultat est assez fort,
tant donn que la classe des tests G-presque invariants est plus grande que celle des tests
G-invariants. Malgr tout, les hypothses sont vrifies pour une large classe de problmes.
En effet, la condition sur la mesure pour tout g G et tout B B, (B) = 0 implique
que (Bg) est quivalente (Bg) = (B) pour tout g G et tout B B, et lexistence
dun telle mesure, invariante droite, est garantie pour une large classe de groupes par la
thorie des mesures de Haar.
Les tests invariants prsentent donc un double intrt. Tout dabord, il est ais, grce au
principe dinvariance, de sassurer de lexistence ou non dun test uniformment plus puissant
invariant, et, dans le cas o il en existe un, de le dterminer. Ensuite, tout test invariant est un
test puissance constante sur une famille de surfaces, cette famille ntant rien dautre que les
orbites du groupe induit sur lespace des paramtres. Linvariance dun problme permet donc
de dterminer la famille de surfaces la plus naturelle, et mme ventuellement de dterminer
le test uniformment plus puissant constamment associ.
3
Une proprit est vraie P-presque partout si lensemble N des points o elle est fausse est de mesure nulle
pour toute mesure de P, i.e. P (N ) = 0 pour tout P P.
4
Il est ici abusivement fait rfrence des surfaces pour dsigner les orbites de G, alors quil sagit dune
notion plus gnrale.
5
CHAPITRE
Dtection dans un fouillis

blanc
Lavabis me, et super nivem dealbabor.
Ps. 50, 9
Comme il a t vu au chapitre 1, une petite cible vue par un radar impulsions peut
tre reprsente sous la forme dun vecteur p(f ), o p(f ) = [1, ei2f , . . . , ei2f (N 1) ]T est un
vecteur de Fourier appel vecteur de direction, et = aei C\{0} est lamplitude complexe.
En modlisant par ailleurs le fouillis par un processus localement gaussien (cf. chapitre 3), la
dtection radar correspond alors au test dhypothses

H0 : Z =
(5.1)
H1 : Z = p(f ) +
o Z est un vecteur alatoire de taille N reprsentant, pour une case distance donne, les
observations de N chos successifs. Le vecteur alatoire est un vecteur gaussien complexe
de taille N , centr, et de matrice de covariance 2 , o Tr() = N . Le problme est donc
paramtr par lamplitude complexe (amplitude a et phase ), la frquence de la cible f ,
le niveau et la matrice de covariance normalise du fouillis.
Le problme de test dhypothses est diffrent selon que ces paramtres sont connus ou
non. Ainsi, lorsque tous les paramtres sont connus, le lemme de Neyman-Pearson apporte
une solution optimale (i.e. un test uniformment plus puissant) au problme, donne par le
filtre adapt. En revanche, ds lors quun des paramtres est inconnu, le problme na plus
de solution au sens du critre de Neyman-Pearson. Dans ce cas sont alors utiliss les critres
doptimalit introduits au chapitre 4, mieux adapts aux cas dhypothses composes. Le
critre fond sur linvariance sera le seul retenu par la suite puisquil permet une recherche
plus facile du test optimal et quil est quivalent, sous certaines conditions ici vrifies, au
critre consistant rechercher le test uniformment plus puissant constamment.
Le test dhypothses (5.1) est un problme largement trait dans la littrature lorsque la
frquence f de la cible est connue. Dans ce cas, le vecteur de direction peut tout simplement
tre not p, et la cible appartient alors un sous-espace vectoriel de lespace dobservation,
le sous-espace Vect(p) engendr par le vecteur de direction p ; il sagit alors dun test entre
deux hypothses linaires [Lehmann et Romano, 2005, chap. 7] :

H0 : Z =
(5.2)
H1 : Z = p +
52 CHAPITRE 5 : Dtection dans un fouillis blanc
ou encore dun problme de dtection sous-espace. Toutefois, le problme nest pas abord de
la mme faon suivant que la matrice de covariance normalise est connue ou non. En effet,
si est inconnue, le problme (5.1) fait intervenir au moins N 2 inconnues pour seulement
N observations, si bien que pour un nombre dobservations N > 1, le problme prsente plus
dinconnues que dobservations. Lorsque la matrice est inconnue, des donnes secondaires
supposes ne pas contenir de cible sont alors introduites pour pallier ce problme :
on parle alors de dtection adaptative. Lorsque la matrice de covariance est connue, on peut
sans perte de gnralit supposer que = I, cest--dire se ramener une dtection dans un
fouillis blanc. En effet, puisque est dfinie positive, elle peut tre factorise sous la forme
= UH U, o U est une matrice triangulaire suprieure dfinie positive, unique, appele
facteur de Cholesky. La matrice W = UH est alors une matrice de blanchiment, cest--dire
que WZ est un vecteur gaussien centr de matrice de covariance I, si bien quen considrant
les observations Z = WZ, le problme

= W
H0 : Z
(5.3)
H1 : Z = Wp + W
est similaire au problme (5.2), avec = I. Il convient donc de distinguer la dtection dans un
fouillis blanc quivalente la dtection dans un fouillis de matrice de covariance normalise
connue dune part et la dtection adaptative dautre part.
En revanche, lorsque la frquence f de la cible est inconnue, la gomtrie du problme nest
plus la mme. En effet la cible nappartient plus, dans ce cas, un sous-espace vectoriel connu
de lespace dobservation. Il convient l-aussi, comme dans le cas dhypothses linaires, de
distinguer la dtection dans un fouillis blanc (ou matrice de covariance normalise connue),
prsente dans ce chapitre, de la dtection adaptative, qui sera prsente dans le prochain
chapitre.
5.1 Dtection sous-espace
Lorsque la frquence Doppler f de la cible est connue, le vecteur de direction p(f ) est
parfaitement connu et peut tout simplement tre not p, la frquence f ntant plus un
paramtre de nuisance. La cible appartient alors la droite de vecteur directeur p, sous-
espace vectoriel de dimension 1 de lespace dobservation CN . Le problme de dtection est
dcrit par le test dhypothses binaire :

H0 : Z =
(5.4)
H1 : Z = p +
o est un vecteur gaussien complexe de longueur N , centr et de matrice de covariance 2 ,

avec la condition de normalisation Tr() = N , afin de sassurer que le modle est identifiable
(cf. chapitre 2). La densit de probabilit fZ,k du fouillis sous lhypothse k scrit
1 q
k2
fZ,k (z) = e (5.5)
N 2N
o qk est donn par :
q0 = zH z = kzk2 (5.6)
H 2
q1 = (z p) (z p) = kz pk . (5.7)
Section 5.1 : Dtection sous-espace 53
Lestimateur
bk au sens du maximum de vraisemblance du niveau sous lhypothse k est
donn par
qk
bk2 = .
(5.8)
N
Puisque de plus lestimateur b
au sens du maximum de vraisemblance de lamplitude complexe
est donn par [Sangston et Gerlach, 1994]
pH z

b= (5.9)
kpk2
le rapport de vraisemblance gnralis, obtenu en substituant les estimateurs b et
bk aux
fZ,1 (z)
paramtres inconnus et dans lexpression du rapport de vraisemblance fZ,0 (z) , est alors
donn par
N
kzk2
(5.10)
pH z 2
kz kpk2 pk
et donc le test du rapport de vraisemblance gnralis est de la forme

N
kzk2 H1
(5.11)
pH z 2
kz kpk2 pk H0
ce qui est quivalent

|pH z|2 H1
RV G (z) = (5.12)
kpk2 kzk2 H0
puisque
N N
kzk2 1
pH z
= |pH z|2
. (5.13)
kz kpk2
pk2 1 kpk2 kzk2
Le dtecteur (5.12) est un filtre adapt au vecteur de direction p, normalis par kzk2 . Pour
cette raison, il sera appel par la suite NMF ( Normalized Matched Filter ). La variable
alatoire RV G (Z) est distribue, sous lhypothse nulle H0 , selon une loi Beta de premire
espce [Jay, 2002], do on dduit que le seuil est reli la probabilit de fausse alarme
par la relation
N
= 1N . (5.14)
5.1.1 Interprtation sous-espace
Le NMF donn en (5.12) consiste en fait comparer les projections de lobservation sur
le sous-espace cible Vect(p) et sur son sous-espace orthogonal Vect(p) , appel sous-espace
bruit. Cest pour cette raison que lon parle de dtection sous-espace . Le rapport de
vraisemblance gnralis (5.10) scrit en effet aussi sous la forme
N
kzk2
(5.15)
k(I P)zk2
1 H est le projecteur orthogonal sur le sous-espace Vect(p). Puisque daprs le
o P = kpk 2 pp
thorme de Pythagore kzk2 = kPzk2 + k(I P)zk2 , alors

kzk2 kPzk2
= +1 (5.16)
k(I P)zk2 k(I P)zk2
do
kPzk2
k(IP)zk2
RV G (z) = kPzk2
. (5.17)
1 + k(IP)zk2
Le test du rapport de vraisemblance gnralis peut donc aussi tre exprim sous la forme
kPzk2 H1
(5.18)
k(I P)zk2 H0
ce qui permet dobtenir linterprtation sous-espace du test du rapport de vraisemblance
gnralis : la projection de lobservation sur le sous-espace cible Vect(p) est compare la
projection de lobservation sur le sous-espace orthogonal au sous-espace cible Vect(p) (cf.
figure 5.1 et les commentaires correspondant en 5.1.2).
5.1.2 Rsolution du problme par invariance
Comme le montre [Scharf et Friedlander, 1994], le NMF (5.12) est uniformment plus
puissant invariant pour tester les hypothses du problme (5.2). Le test dhypothses binaire
(5.2) est en effet invariant par homothtie de rapport positif et par rotation autour de Vect(p).
Il est facile de vrifier que
kPzk2
M (z) = (5.19)
k(I P)zk2
est un invariant maximal pour le groupe engendr par ces transformations. Or les variables
alatoires kPZk2 et k(I P)Zk2 sont indpendantes car les images des projecteurs P et
(I P) sont orthogonales et suivent respectivement une loi du 2 non centrale 2 degrs
2 2
de libert et de paramtre de non-centralit = 2 || kpk
2 et une loi du 2 2(N 1) degrs
de libert, si bien que
kPZk2
(N 1)M (Z) = (N 1) (5.20)
k(I P)Zk2
est distribu selon une loi F non centrale de Fisher de degrs de libert 2 et 2(N 1) et de
paramtre de non-centralit . La loi F non centrale de Fisher tant rapport de vraisemblance
monotone par rapport son paramtre de non-centralit [Scharf et Friedlander, 1994], il vient
daprs le thorme de Karlin-Rubin [Lehmann et Romano, 2005] et le principe dinvariance
(cf. chapitre 4) que le test dfini par
(
kPzk2
0 si k(IP)zk 2
(z) = (5.21)
1 sinon
est un test uniformment plus puissant invariant. Daprs lidentit (5.18), le test du rapport
de vraisemblance gnralis et le test ont la mme rgion critique, si bien que le NMF est
uniformment plus puissant invariant.
Les invariances du problme (5.2) et du NMF (5.12) sont illustres par la figure 5.1. Le
problme, tout comme le NMF, ne change pas lorsque le vecteur dobservation se dplace
sur un cne de rvolution autour de Vect(p). Ces cnes constituent les orbites de laction du
groupe engendr par les rotations autour de Vect(p) et les homothties de rapport positif.
Linvariant maximal est alors langle que forment le vecteur dobservation z et le vecteur
de direction p. En effet, linvariant maximal M (z) donn en (5.19) vrifie
1
M (z) = (5.22)
(tan )2
Vect(p)
fouillis
Vect(p)
Figure 5.1 Invariances du problme (5.2) et du test du rapport de vraisemblance gn-

ralis (5.10).
qui est une bijection de , tant donn que [0, 2 ]. Or toute bijection dun invariant
maximal est trivialement un invariant maximal, daprs les dfinitions donnes au chapitre 4.
Le test uniformment plus puissant invariant consiste alors comparer langle observ un
seuil ou, ce qui est quivalent, regarder si le vecteur z observ est lintrieur dun cne
critique, reprsent en vert sur la figure 5.1. Si le vecteur dobservation est lintrieur du
cne critique, lhypothse alternative H1 est accepte, elle est rejete sinon.
Cette interprtation va aussi de pair avec linterprtation sous-espace, qui consiste voir
le test du rapport de vraisemblance gnralis comme la comparaison de la projection de
lobservation sur le sous-espace cible Vect(p) et de la projection de lobservation sur le sous-
espace orthogonal au sous-espace cible Vect(p) . En effet, lorsque le vecteur dobservation z
est lintrieur du cne critique, la projection de lobservation sur le sous-espace orthogonal
au sous-espace cible, assimile au fouillis et reprsente en violet sur la figure, est alors ju-
ge ngligeable devant la projection de lobservation sur le sous-espace cible, ce qui justifie
lacceptation de lhypothse alternative.
5.1.3 Rsultats
Puisque la distribution du rapport de vraisemblance gnralis (5.10) est connue sous

chacune des hypothses (cf. section 5.1.2), les performances du NMF sont galement connues.
En outre, puisque le rapport de vraisemblance gnralis RV G (z) est un invariant, et que le
rapport signal fouillis donn par
||2 kpk2
= (5.23)
N 2
est un invariant maximal pour le groupe induit sur lespace des paramtres, daprs [Lehmann
et Romano, 2005, thorme 6.3.2] rappel au chapitre 4, la distribution de RV G (Z) ne dpend
que de . Par consquent le NMF est taux de fausse alarme constant (TFAC). En effet, si la
distribution de RV G (Z) ne dpend que de , il en est de mme de la fonction puissance du
test du rapport de vraisemblance gnralis, cest--dire du NMF. Or sous lhypothse nulle,
le rapport signal fouillis est nul, si bien que la probabilit de fausse alarme est constante.
Pour un rapport signal fouillis donn, il est alors possible de tracer les courbes COR (cf.
chapitre 1).
0.9
0.8
0.7
0.6
PD
0.5
0.4
0.3
N=8
0.2
N = 16
N = 32
0.1
N = 64
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A
Figure 5.2 Courbes COR du NMF pour un rapport signal fouillis de -10 dB.
Les courbes COR du NMF sont reprsentes sur la figure 5.2 pour un rapport signal
fouillis de 10 dB et diffrentes tailles dobservations. Les performances augmentent naturel-
lement avec la taille N du vecteur dobservation, puisque le NMF qui est aussi le test du
rapport de vraisemblance gnralis est asymptotiquement quivalent au test uniformment
le plus puissant.
Comme la fonction puissance du NMF ne dpend que du rapport signal fouillis, les
performances peuvent aussi tre reprsentes, pour une probabilit de fausse alarme donne,
en fonction du rapport signal fouillis. Cette reprsentation est dailleurs souvent prfre
dun point de vue oprationnel, car le radar fonctionne un taux de fausse alarme fix par
loprateur, alors que le rapport signal fouillis varie quant lui en fonction du scnario de
dtection, et loprateur na aucun contrle sur lui.
La figure 5.3 reprsente lvolution de la puissance du NMF en fonction du rapport signal
fouillis pour diffrentes tailles du vecteur dobservation.
Ces rsultats obtenus dans le cas dun fouillis blanc constituent des rsultats normaliss
valables galement lorsque le fouillis est color. Toutefois, dans ce cas, linterprtation des
rsultats est alors un peu diffrente, et les courbes normalises ne permettent pas dappr-
hender totalement les performances du dtecteur, qui dpendent galement de la matrice de
covariance normalise . Lorsque le fouillis a une matrice de covariance normalise 6= I, le
NMF (5.12) devient alors
|pH 1 z|2 H1
H 1 H 1
. (5.24)
(p p)(z z) H0
Le test (5.24) sera appel par la suite WNMF ( Whitening Normalized Matched Filter ).
0.9
0.8
0.7
PD 0.6
0.5
0.4
0.3
N=8
0.2
N = 16
N = 32
0.1 N = 64
0
15 10 5 0 5 10
SCR (dB)
Figure 5.3 Probabilit de dtection du NMF en fonction du rapport signal fouillis pour
une probabilit de fausse alarme de 104 .
Sa fonction puissance ne dpend que du rapport signal fouillis aprs blanchiment donn
par
||2 pH 1 p
= (5.25)
N 2
et les performances en fonction de sont trivialement les mmes que dans le cas dun fouillis
blanc. Toutefois, dun point de vue oprationnel, ce sont les performances en fonction du
rapport signal fouillis
||2 kpk2
= (5.26)
N 2
dorigine qui sont intressantes, et non pas les performances normalises (cest--dire en fonc-
tion de ).
La figure 5.4 montre les performances affiches par le WNMF (5.24) sur des cibles de la
forme p(f ), o est un complexe non-nul et p(f ) est le vecteur de direction, donn par
p(f ) = [1, ei2f , . . . , ei2f (N 1) ]T , (5.27)
pour diffrentes frquences f . La probabilit de dtection est reprsente en fonction du rap-

port signal fouillis . Les carts de performances dune cible lautre sont trs importants :
12 dB de pertes pour une cible de frquence 0.3 contre une cible de frquence 0.4. Cette va-
riation des performances en fonction de la frquence de la cible est due au fait que le fouillis
nest pas blanc. Les courbes reprsentes sur la figure 5.4 ont t obtenues sur un fouillis de
matrice de covariance normalise = (ij ) de terme gnral
|ij|
ij = ei2f0 (ij) 0 (5.28)
avec 0 = 0.9 et f0 = 0.3. La densit spectrale de puissance du fouillis et des cibles est
reprsente sur la figure 5.5.
Le rapport signal fouillis est le mme pour les trois cibles, de frquences diffrentes.
Toutefois, la cible de frquence f = 0.3 est noye dans le fouillis on parle alors de cible
0.9
0.8
0.7
0.6
PD
0.5
0.4
0.3
0.2
f = 0.3
f = 0.4
0.1 f = 0.5
0
20 15 10 5 0 5 10 15 20
SCR (dB)
Figure 5.4 Probabilit de dtection du WNMF dans un fouillis color en fonction du

rapport signal fouillis et de la frquence de la cible pour une probabilit de fausse alarme
de 104 .
0
10
1
10
DSP
2
10
3
10
4
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Frquence normalise
Figure 5.5 Cibles endo-fouillis et exo-fouillis.
endo-fouillis alors que les deux autres ne le sont pas il sagit de cibles exo-fouillis
ce qui explique les diffrences de performances. Plus prcisment, le rapport signal fouillis
est donn, pour une cible de la forme p(f ), par
||2 kp(f )k2

= (5.29)
N 2
||2
= (5.30)
2
2
puisque kp(f )k2 = N . Il ne dpend donc pas de la frquence f et seul le rapport || 2
le
dtermine. Ainsi, pour une cible p(f ) et un rapport signal fouillis donn, le rapport
Section 5.2 : Dtection dune cible de frquence Doppler inconnue 59
normalis est donn par
||2 p(f )H 1 p(f )

= (5.31)
N 2
p(f ) 1 p(f )
H
= (5.32)
N
et donc, puisque la fonction puissance du WNMF ne dpend que de , il est possible de
dnormaliser les courbes de performances reprsentes sur les figures 5.2 et 5.3 grce
la relation (5.32). Lvolution du rapport en fonction de la frquence f de la cible est
reprsent sur la figure 5.6 pour la matrice de covariance normalise (5.28).
18
16
14
12
10

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Frquence normalise
Figure 5.6 Variations du rapport signal fouillis normalis avec la frquence f de la

cible.
Ainsi, lorsque f = 0.3, la cible est noye dans le fouillis, le rapport signal fouillis normalis
est minimal, et donc les performances sont au plus bas. En revanche, lorsque f = 0.8, la cible
est en dehors du fouillis, et le rapport signal fouillis normalis est maximal, tout comme les
performances.
5.2 Dtection dune cible de frquence Doppler inconnue

Dans un fouillis blanc ou du moins dont la matrice de covariance est connue il existe,
lorsque la frquence f de la cible est connue, un test uniformment plus puissant invariant.
Cependant, dans la grande majorit des situations rencontres en pratique, et notamment
au cours des missions de patrouille et/ou de surveillance maritime, la frquence Doppler de
la cible est inconnue. Par consquent, elle constitue un paramtre inconnu supplmentaire
entrant en jeu, et les hypothses testes ne sont plus linaires. Le problme est donn par

H0 : Z =
(5.33)
H1 : Z = p(f ) +
o est un vecteur gaussien complexe centr de matrice de covariance 2 I, 2 tant la

puissance instantane du fouillis, dterministe inconnue, et I la matrice identit. Comme
dans le cas prcdent, deux stratgies de dtection sont tudies : le test du rapport de
vraisemblance gnralis et la recherche dun test uniformment plus puissant invariant.
5.2.1 Le test du rapport de vraisemblance gnralis
La densit du vecteur dobservation Z est donne en fonction des paramtres inconnus ,

et f par
1 1 H
fZ (z, , , f ) = N 2N e 2 (zp(f )) (zp(f )) . (5.34)

Sous lhypothse H1 , les estimateurs de et au sens du maximum de vraisemblance sont
donns, par analogie avec le cas sous-espace, respectivement par
1 1
=
b p(f )H z = p(f )H z (5.35)
kp(f )k2 N
1
b12 =
bp(f )k2 .
kz (5.36)
N
Sous lhypothse H0 , = 0 et alors lestimateur de est donn par
1
b02 =
kzk2 . (5.37)
N
Le rapport de vraisemblance gnralis sexprime alors sous la forme
maxf [0,1[ fZ (z, b,
b1 , f ) b02N
minf [0,1[
= (5.38)
maxf [0,1[ fZ (z, 0, b0 , f ) b12N
minf [0,1[
N
kzk2
= (5.39)
bp(f )k2
minf [0,1[ kz
N
1
= )H z|2
. (5.40)
1 maxf [0,1[ |p(f
N kzk2
Et donc le test du rapport de vraisemblance gnralis rejette lhypothse nulle H0 lorsque

|p(f )H z|2
RV G (z) = max > (5.41)
f [0,1[ kzk2
o est un seuil fix de sorte ce que la probabilit de fausse alarme ne dpasse pas le niveau
souhait. Puisque
N
X 1
H
p(f ) z = z[n]ei2f n (5.42)
n=0
est la transforme de Fourier de z, le test du rapport de vraisemblance gnralis est le
maximum du priodogramme normalis. Pour cette raison, le test (5.41) sera nomm par
la suite le NPD ( Normalized Periodogram Detector ). La cible, dont la transforme de
Fourier est un Dirac, est donc recherche dans le spectre des observations estim par un
priodogramme. La normalisation par kzk2 correspond lestimation de la puissance 2 locale
du fouillis. Le NPD prsente lavantage dtre facile implmenter. Toutefois, il sagit dune
procdure de dtection sous-optimale et aucun rsultat nest a priori garanti au niveau de
ses performances. Pour juger de sa pertinence, il convient donc de comparer ses performances
avec celles dun test optimal. Cest notamment dans cette optique quest recherch un test
uniformment plus puissant invariant, cest--dire un test invariant optimal.
5.2.2 Test invariant optimal
Comme dans le cas sous-espace, le problme (5.33) est trivialement invariant par homo-
thtie. En revanche, la frquence f de la cible ntant plus connue, linvariance aux rotations
autour de Vect(p(f )) na plus grand intrt, ces rotations ntant pas plus connues que le vec-
teur de direction. Toutefois, le problme prsente une proprit dinvariance que le problme
sous-espace ne possdait pas, linvariance aux modulations [Kay et Gabriel, 2002], qui permet
de saffranchir de f . Une modulation est une transformation md dfinie par
N
C CN
md : (5.43)
z 7 M(d)z
o d [0, 1[ et M(d) est une matrice diagonale de la forme

1 0
ei2d

M(d) = .. . (5.44)
.
0 ei2d(N 1)
En fonction de la forme polaire du vecteur dobservation z, donne par

r0 ei0
r1 ei1

z= .. (5.45)
.
rN 1 eiN1
lexpression dun maximal invariant T (z) pour le groupe engendr par les homothties et les
modulations est donne par [Kay et Gabriel, 2002] :
r0 i(0 N1 ) (N 1)(

rN1 e N 2 N 1 )
..
.

rk ei(k N1 ) (N 1 k)(
T (z) = rN1 N 2 N 1 ) . (5.46)
.
..

rN2 i(N2 N1 )
rN1 e (N 2 N 1 )
La densit de probabilit de ce maximal invariant est donne par
2(N 1)! N
pT (T (z), ) = N e
N 1 |z[N11]|2 kzk2
(5.47)
N
X 1 Z )H z|2
k
N 1 1 1 |p(fkzk 2
|p(f )H z|2
e df
k k! 0 kzk2
k=0
2
o = ||
2
est le rapport signal bruit, nul sous lhypothse H0 . Le rapport signal bruit
tant inconnu, il nexiste pas de test uniformment plus puissant pour rsoudre le problme
rduit par invariance. En vertu du principe dinvariance (cf. chapitre 4), il nexiste donc pas
de test uniformment plus puissant invariant pour rsoudre le problme original (5.1). En
revanche, si le rapport signal bruit est connu, le problme rduit fait intervenir deux
hypothses simples, auquel cas le test uniformment plus puissant invariant pour le problme
(5.1), donn par le lemme de Neyman-Pearson (cf. chapitre 1), consiste comparer le rapport
de vraisemblance de linvariant maximal T (z) un seuil :
H1
RV (T (z)) (5.48)
H0
o RV (T (z)) dsigne le rapport de vraisemblance de T (Z) donn par

pT (T (z), )
RV (T (z)) =
pT (T (z), 0)
N
X 1
N N 1 1
=e (5.49)
k k!
k=0
Z 1 |p(f )H Z|2 k
2
|p(f )H z|2
e kzk df.
0 kzk2
Le test (5.48) ne peut pas tre mis en uvre dans le cas pratique, puisque le rapport signal
bruit nest pas connu. Toutefois, il permet davoir une borne suprieure sur les performances,
ce qui est trs intressant pour pouvoir valuer correctement les performances du test du
rapport de vraisemblance gnralis.
5.2.3 Mise en uvre et rsultats
Le NPD dfini par (5.41) est un test invariant aux modulations et aux homothties de
rapport positif. En effet, il est trivialement invariant par homothtie grce la normalisation,
et en ce qui concerne les modulations, en remarquant que les matrices M(d) vrifient la
relation
M(d)H = M(d) (5.50)
il vient alors
|p(f )H M(d)z|2
RV G (M(d)z) = max (5.51)
f [0,1[ kzk2
|(M(d)p(f ))H z|2
= max (5.52)
f [0,1[ kzk2
|p(f d)H z|2
= max (5.53)
f [0,1[ kzk2
= RV G (z) (5.54)
ce qui montre son invariance aux modulations. Par consquent, il est ncessairement moins
puissant que le test uniformment plus puissant invariant rapport signal fouillis connu
donn par (5.48). Toutefois, il ne ncessite pas la connaissance du rapport signal fouillis
||2
= (5.55)
2
qui est inconnu en pratique. Les performances du test (5.48) tant de plus obtenues avec un
rapport signal fouillis connu, il est normal de sattendre ce quelles soient meilleures que
celles du NPD.
Puisque les deux tests (5.41) et (5.48) sont invariants aux homothties de rapport positif
et aux modulations, leurs fonctions puissance ne dpendent que du rapport signal fouillis
qui est un invariant maximal pour le groupe induit sur lespace des paramtres (cf. chapitre
4). Ils sont donc TFAC, puisque le rapport signal fouillis est nul sous lhypothse H0 , si bien
que la probabilit de fausse alarme ne dpend daucun des paramtres (amplitude complexe
, frquence f et niveau ) du problme.
La mise en uvre du test uniformment plus puissant invariant (5.48) rapport signal
fouillis connu nest pas simple : il sagit en effet dintgrer sur la frquence f une somme
de fonctions du priodogramme normalis. Cette intgration est effectue numriquement
grce une mthode de quadrature de Gauss-Legendre [Abramowitz et Stegun, 1964, formule
25.4.30]. Dans le cas du NPD, le priodogramme normalis est calcul laide dun algorithme
de transforme de Fourier discrte (FFT), ce qui ne peut tre le cas pour le test (5.48) cause
de la quadrature de Gauss-Legendre, qui ncessite de calculer le priodogramme normalis
sur une grille non rgulire de points.
Les courbes COR reprsentes sur la figure 5.7 ont t obtenues par une mthode de Monte-
Carlo sur 500 000 tirages, avec une taille dobservation N = 16 et un rapport signal fouillis
= 3 dB. Comme cela a dj t remarqu dans [Kay et Gabriel, 2002], les performances du
0.9
0.8
0.7
0.6
PD
0.5
0.4
0.3
0.2
0.1 Test UPPI (SCR connu)

NPD
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A
Figure 5.7 Courbes COR du NPD (5.41) et du test (5.48). N = 16 et = 3 dB.
NPD sont trs proches de celles du test (5.48) dont la mise en uvre ncessite pourtant
la connaissance du rapport signal fouillis qui constituent une borne suprieure. Les
courbes de probabilit de dtection en fonction du rapport signal fouillis reprsentes sur la
figure 5.8 viennent galement confirmer ce rsultat. Le NPD, de par sa faible complexit et
ses performances, est donc le test utiliser dans les cas pratiques.
La mise en uvre pratique du NPD passe bien entendu par un calcul de transforme de
Fourier discrte, ralis par un algorithme de transforme de Fourier rapide (FFT). Toutefois,
comme lillustre la figure 5.9, il est essentiel dintroduire du zero-padding dans le calcul de
la FFT, sans quoi certaines frquences ne sont pas correctement dtectes, du moins lorsque
la taille des observations N nest pas suffisamment grande. En effet, la figure 5.9 reprsente
lvolution de la probabilit de dtection du NPD en fonction de la frquence f de la cible,
pour une taille dobservation N = 16, une probabilit de fausse alarme de 104 et un rapport
signal bruit de 3 dB. Sans zero-padding, la probabilit de dtection oscille avec la frquence, il
est alors impossible de dtecter des cibles certaines frquences, ou la probabilit de dtection
0.9
0.8
0.7
0.6
PD
0.5
0.4
0.3
0.2
0.1 Test UPPI (SCR connu)

NPD
0
10 8 6 4 2 0 2 4 6 8 10
SCR (dB)
Figure 5.8 Probabilits de dtection des tests (5.41) et (5.48) en fonction du rapport
signal fouillis, pour une probabilit de fausse alarme de 103 et N = 16.
0.9
0.8
0.7
0.6
PD
0.5
0.4
0.3
FFT 16 (pas de ZP)

0.2
FFT 32
FFT 64
0.1 FFT 128
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Frquence normalise
Figure 5.9 Influence du Zero-padding sur la probabilit de dtection du NPD.
peut tre trs dgrade. Une FFT sur 128 points permet dobtenir une probabilit constante
avec la frquence de la cible, cest--dire une mise en uvre correcte du NPD.
La dgradation de performances observe pour certaines frquences lorsque le priodo-
gramme est calcul sur peu de points est due une faible rsolution spectrale. tant donn
la faible largeur spectrale des cibles recherches, elles peuvent alors passer inaperues sur le
priodogramme ainsi calcul. Le zero-padding permet deffectuer une interpolation du prio-
dogramme et daugmenter ainsi la rsolution spectrale.
Section 5.3 : Cas dun fouillis color 65
5.3 Cas dun fouillis color
Dans le cas o le fouillis nest pas blanc, cest--dire lorsque 6= I, il est possible de
se ramener au cas prcdent par un simple blanchiment, comme il a t vu au dbut de ce
chapitre. Le problme devient alors

= W
H0 : Z
= Wp(f ) + W (5.56)
H1 : Z
o W est la matrice de blanchiment, vrifiant la relation
WWH = I. (5.57)
En posant = W et p (f ) = Wp(f ) pour dsigner respectivement le fouillis et le vecteur

de direction de la cible blanchis, le problme se rcrit alors

=
H0 : Z
= p (5.58)
H1 : Z (f ) +
o est un vecteur gaussien complexe centr et de matrice de covariance 2 I. Dans le cas

de la dtection sous-espace prsent en 5.1, la frquence doppler de la cible tant connue, le
vecteur de direction p (f ) est parfaitement connu, et donc le problme reste inchang aprs le
blanchiment. Il conserve ses proprits dinvariance par homothties de rapport positif et par
rotation, cette fois-ci autour de Vect( p(f )).
En revanche, dans le cas o la frquence f est inconnue, mme si le problme reste
premire vue inchang, il ne conserve pas ses proprits dinvariance lissue du blanchiment.
Si linvariance aux homothties de rapport positif est conserve, linvariance aux modulations
est perdue. En effet, linvariance par modulation est due la structure du vecteur de direction
p(f ), qui vrifie
M(d)p(f ) = p(f + d). (5.59)
Or aprs le blanchiment, le vecteur de direction p (f ) na plus la mme structure que p(f ) et
ne vrifie plus (5.59). Ainsi, les rsultats obtenus par [Kay et Gabriel, 2002] ne stendent pas
de manire naturelle au cas dun fouillis color, linstar de la dtection sous-espace.
Les homothties permettent de saffranchir du paramtre de nuisance . Les modulations,
lorsque le fouillis est blanc et que le vecteur de direction est de la forme p(f ), permettent
de saffranchir de la frquence f de la cible. Il sagit alors de trouver les transformations
permettant de saffranchir de la frquence f lorsque le vecteur de direction est de la forme
(f ) = Wp(f ). Les transformations mW
p d dfinies par

CN CN
mW
d : (5.60)
Z 7 WM(d)W1 Z
prservent la structure du vecteur de direction p

(f ). En effet,
mW p(f )) = WM(d)W1 Wp(f )

d ( (5.61)
= WM(d)p(f ) (5.62)
= Wp(f + d) (5.63)
(f + d)
= p (5.64)
et donc elles permettraient de saffranchir du paramtre de nuisance f . Toutefois, ces trans-

formations ne laissent pas le problme invariant car les matrices WM(d)W1 ne sont pas
unitaires, et donc affectent la blancheur du fouillis.
Puisque le problme semble ne pas pouvoir tre trait laide dinvariances, il reste tou-
jours la stratgie du test du rapport de vraisemblance gnralis, qui sest rvle plutt
satisfaisante dans le cas dun fouillis blanc. Rien ninterdit de penser quil en sera de mme
dans le cas dun fouillis color.
La dtermination du test du rapport de vraisemblance gnralis se fait exactement de la

mme manire que dans le cas blanc (cf. section 5.2.1), en considrant le problme blanchi
(5.58). Ainsi, sous lhypothse H1 , les estimes de et au sens du maximum de vraisemblance
sont respectivement
1

b= (f )H z
p (5.65)
p(f )k2
k
et
1
b12 =
k
zb (f )k2
p (5.66)
N
o z = Wz dsigne le vecteur dobservation blanchi et p (f ) = Wp(f ) le vecteur de direction
blanchi. Sous lhypothse H0 , = 0 et lestimateur du niveau au sens du maximum de
vraisemblance est alors donn par
1
b02 = k
zk2 (5.67)
N
Dans ce cas, le rapport de vraisemblance gnralis scrit alors
maxf [0,1[ fZ (z, b,

b1 , f ) b02N
minf [0,1[
= (5.68)
maxf [0,1[ fZ (z, 0, b0 , f ) b12N
minf [0,1[
N
kzk2
= (5.69)
minf [0,1[ k
z (f )k2
bp
N
1
= |2
p(f )H z
|
(5.70)
1 maxf [0,1[ kp(f )k2 kzk2
et donc le test du rapport de vraisemblance gnralis est donn par
p(f )H z
| |2 H1
RV G (z) = max (5.71)
p(f )k2 k
f [0,1[ k zk2 H0
ou encore, en fonction des donnes originales,
|p(f )H 1 z|2 H1
RV G (z) = max . (5.72)
f [0,1[ (p(f )H 1 p(f ))(zH 1 z) H0
Ce dtecteur est en fait un filtre adapt normalis, o la frquence f de la cible est estime
au maximum de vraisemblance. Il sera donc dsign par la suite sous lappellation de GNMF
( Generalized Normalized Matched Filter ).
Contrairement au cas o le fouillis est blanc, le test du rapport de vraisemblance gnralis
nest cette fois-ci plus un priodogramme normalis. Son implmentation est plus difficile en
raison de la prsence du terme p(f )H 1 p(f ) au dnominateur, qui complique la recherche

du maximum sur f . Ce terme correspond au facteur de dnormalisation utilis dans le
cadre de la dtection sous-espace pour passer du cas dun fouillis blanc au cas dun fouillis
color (cf. section 5.1.3). Dans le cas o le fouillis est blanc, = I et alors ce terme est
constant gal N .
5.3.2 Le test du priodogramme normalis
Si les rsultats obtenus par [Kay et Gabriel, 2002] sur un fouillis blanc ne stendent pas
un fouillis color, cest parce quils sappuient non seulement sur la blancheur du fouillis, mais
aussi sur la structure du vecteur de direction de la cible. La matrice de covariance normalise
tant connue, il est possible de se ramener, par un blanchiment, au cas dun fouillis blanc.
Toutefois, la structure du vecteur de direction de la cible est altre par ce blanchiment, ce
qui change la gomtrie du problme et explique que les rsultats prsents dans la section
5.2 ne sappliquent plus. Il existe toutefois un cas particulier o il est possible de se ramener
au cas de la dtection dans un fouillis blanc : lorsque la matrice de covariance du fouillis est
circulante.
Matrice de covariance circulante
Si la matrice de covariance normalise du fouillis est circulante, alors le vecteur de

direction p(f ) tant un vecteur de Fourier, lensemble des vecteurs
k
{p( ), k J0, N 1K} (5.73)
N
constitue une base de vecteurs propres de [Davis, 1979, thorme 3.2.2]. En notant
1 N 1
F = [p(0) p( )], (5.74)
N N
la matrice de Fourier unitaire constitue des vecteurs propres de , il existe alors une matrice
diagonale

0 0
..
= . (5.75)
0 N 1
telle que
= FFH . (5.76)
La matrice de covariance normalise tant symtrique et dfinie positive, ses valeurs propres
k sont toutes relles et strictement positives, et alors la matrice des valeurs propres se
factorise sous la forme
1 1
= 2 2 (5.77)
avec
0 0

= ..
. (5.78)
.
p
0 N 1
La matrice de vecteurs propres F tant unitaire, se rcrit
= FFH (5.79)
1 1
= F FH 2 2 (5.80)
1 1
= F FH F FH
2 2 (5.81)
H
= U U (5.82)
1
o U = F 2 FH est alors une matrice circulante (daprs [Davis, 1979, thorme 3.2.3])
symtrique, dfinie et positive. Elle est par consquent inversible, et
W = UH = U1 (5.83)
est une matrice de blanchiment, galement circulante.

Par consquent, lorsque la frquence doppler f de la cible est de la forme
k
f= avec k J0, N 1K (5.84)
N
alors p(f ) est vecteur propre de la matrice de blanchiment W. Il existe donc un scalaire C
tel que
(f ) = Wp(f ) = p(f )
p (5.85)
et alors, lamplitude complexe de la cible tant inconnue, le blanchiment permet de se ramener
au cas de la dtection dans un fouillis blanc et dappliquer les rsultats prcdents.
Lorsque la frquence Doppler f de la cible nest pas de la forme (5.84), il est toujours
possible de lcrire sous la forme
k
f= + (5.86)
N
1
avec k J0, N 1K et || 2N . Un simple dveloppement limit au premier ordre permet
alors dcrire
k
p(f ) = p( + ) (5.87)
N
k k
= p( ) + i2Dp( ) + () (5.88)
N N
o D est la matrice diagonale dfinie par

0 0
1

D= .. (5.89)
.
0 N 1
et () est un vecteur tel que

k()k 0. (5.90)
0
Ainsi, lorsque la taille dobservation tend vers linfini, tend vers zro, et donc lerreur commise
en supposant que f est de la forme (5.84) est ngligeable, comme lillustre la figure 5.10, qui
compare, pour une taille dobservation N = 32, le vecteur dobservation p( Nk + ) et sa
version blanchie Wp( Nk + ). La matrice de blanchiment est une matrice circulante dont
les valeurs propres ont t tires alatoirement selon une loi uniforme sur [0, 1], et a t
1 1
DSP de la cible
0.9 0.9 DSP de la cible blanchie
0.8 0.8
0.7 0.7
0.6 0.6
DSP
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 cible 0.1

cible blanchie
0 0
1 0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
frquence normalise
(a) Reprsentation dans le plan complexe. (b) Priodogramme normalis.
k
Figure 5.10 Blanchiment dun vecteur p( N + ) par une matrice circulante alatoire.
1
N = 32 et = 2N .
1
pris gal sa valeur maximale 2N . La comparaison a donc t effectue dans le cas le plus
dfavorable. Si le vecteur de direction est bien affect par le blanchiment, comme en atteste
la reprsentation dans le plan complexe (5.10a), son priodogramme normalis ne lest en
revanche quasiment pas. Or la dtection porte prcisment sur le priodogramme normalis,
si bien que le blanchiment naura quune faible incidence sur la dtection.
Pour une taille dobservation suffisamment grande, tout vecteur de la forme p(f ) sera
donc considr comme un vecteur propre de la matrice de blanchiment circulante W.
Cas gnral
En pratique, la matrice de covariance nest gnralement pas circulante, le module de la

fonction dautocovariance tant dcroissant. Malgr tout, le vecteur de direction p(f ) nest
pas trs affect par le blanchiment, comme en tmoigne la figure 5.11, o sont compars les
vecteurs de direction avant et aprs blanchiment. Pour cela, la frquence doppler de la cible
a t prise gale 0.4 et la matrice de covariance normalise = (ij ) avec
|ij|
ij = ei2f0 (ij) 0 (5.91)
o 0 = 0.9 et f0 = 0.3. Le vecteur de direction a t reprsent dans le plan complexe

sur les figures (5.11a), (5.11c) et (5.11e) et sa densit spectrale de puissance normalise
obtenue par un priodogramme sur 128 points sur les figures (5.11b), (5.11d) et (5.11f)
pour diffrentes tailles dobservation.
Comme le montrent les tracs de densit spectrale, plus la taille dobservation augmente
et moins le vecteur de direction est affect par le blanchiment. La reprsentation dans le plan
complexe montre que le vecteur de direction ne subit, peu de choses prs, quune homothtie
et une rotation. En dautres termes, le vecteur de direction semble tre un vecteur propre de
la matrice de blanchiment, bien que celle-ci ne soit pas une matrice circulante.
Ce rsultat sexplique par le fait que la matrice de blanchiment se comporte asympto-
tiquement lorsque la taille N des observations tend vers linfini comme une matrice
circulante [Gray, 2005]. Il sappuie sur le fait que la matrice de covariance normalise du
1.5 1
DSP de la cible
0.9 DSP de la cible blanchie
1
0.8
0.7
0.5
0.6
DSP
0 0.5
0.4
0.5
0.3
0.2
1
cible 0.1
cible blanchie
1.5 0
1.5 1 0.5 0 0.5 1 1.5 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Frquence normalise
(a) N = 8. (b) N = 8.
1.5 1
DSP de la cible
1
0.8
0.7
0.5
0.6
DSP
0 0.5
0.4
0.5
0.3
0.2
1
cible 0.1
cible blanchie
1.5 0
1.5 1 0.5 0 0.5 1 1.5 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Frquence normalise
(c) N = 16. (d) N = 16.
1.5 1
DSP de la cible
1
0.8
0.7
0.5
0.6
DSP
0 0.5
0.4
0.5
0.3
0.2
1
cible 0.1
cible blanchie
1.5 0
1.5 1 0.5 0 0.5 1 1.5 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Frquence normalise
(e) N = 32. (f ) N = 32.
Figure 5.11 Effets du blanchiment sur le vecteur de direction p(f ) de la cible.
fouillis est une matrice de Toeplitz. En effet, en notant N la matrice de covariance norma-
lise du fouillis associe des observations de taille N , alors (N )N N dfinit une suite de
matrices de Toeplitz de terme gnral

(0) (1) ((N 1))
.. .. ..

(1) . . .

N = .. .. .. (5.92)
. . . (1)
(N 1) (1) (0)
o dsigne la fonction dautocovariance du fouillis. La suite de matrices (N )N N est

donc entirement dfinie par la fonction dautocovariance , ou, de manire quivalente par
la densit spectrale de puissance donne par
+
X
() = (k)eik (5.93)
k=
condition toutefois que soit bien dfinie, ce qui est le cas pour des signaux physiques. Une
suite de matrices de Toeplitz ainsi dfinie par une densit spectrale de puissance est note
(TN ())N N . On a donc, pour tout N N ,
N = TN (). (5.94)
Puisque est borne pour les signaux rencontrs en pratique, il existe un rel M|| tel que,
pour tout ,
|()| M|| . (5.95)
Daprs [Gray, 2005, lemme 4.1], la suite (TN ())N N est alors uniformment borne : pour
tout N N ,
|kTN ()k| = max kTN ()zk 2M|| . (5.96)
zC
kzk=1
Chaque matrice N tant symtrique et dfinie positive, elle possde une unique factorisation
de Cholesky de la forme
N = LN LH N (5.97)
o LN est une matrice triangulaire infrieure dfinie positive de taille N N . De plus, la
densit spectrale de puissance tant une fonction positive, elle peut scrire sous la forme
() = |b()|2 . (5.98)
Dans ces conditions, les suites de matrices (LN )N N et (TN (b))N N vrifient [Gray, 2005,
section 6.3]
lim |LN TN (b)| = 0 (5.99)
N +
o |A| dsigne la norme faible dune matrice A = [aij ], dfinie par

1
N 1 N 1 2
1 X X
2
|A| = |aij | (5.100)
N
i=0 j=0
1
1 H
2
= Tr(A A) . (5.101)
N
Les suites de matrices (LN )N N et (TN (b))N N sont alors dites asymptotiquement quiva-
lentes.
En outre, [Gray, 2005] montre que toute suite de matrices de Toeplitz (TN (g))N N g
tant une densit spectrale de puissance est asymptotiquement quivalente la suite de
matrices circulantes (CN (g))N N , CN (g) tant la matrice circulante de taille N N dfinie
(N ) (N ) (N ) (N )
par sa premire ligne (c0 , c1 , . . . , cN 1 ) o ck est donn par
1 X n i2 nk
N 1
(N )
ck = g 2 e N. (5.102)
N n=0 N
Ainsi, (TN (b))N N et (CN (b))N N sont asymptotiquement quivalentes, et, la relation
dquivalence asymptotique tant transitive, (LN )N N est asymptotiquement quivalente
(CN (b))N N .
Si la densit spectrale de puissance est strictement positive, alors (N )N N =
(TN ())N N est uniformment borne, et donc (LN )N N aussi, puisque
kLk2 = kk. (5.103)
De plus, |b| est alors galement strictement positive, et dans ce cas
1
(CN (b)1 )N N = (CN ( ))N N (5.104)
b
et donc (CN (b)1 )N N est uniformment borne. Sous ces conditions, [Gray, 2005, thorme
2.1 proposition (4)] permet de conclure que la suite des matrices de blanchiment (WN )N N =
(L1 1
N )N N est asymptotiquement quivalente (CN ( b ))N N = (CN )N N .
partir de ce rsultat de [Gray, 2005], on dduit que, lorsque N tend vers linfini, les
vecteurs de Fourier pN ( Nk ) de taille N , dfinis par
k k k
pN ( ) = [1 ei2 N ei2 N (N 1) ]T , k J0, N 1K (5.105)
N
forment une base orthogonale de vecteurs propres de WN .
En effet, puisque la suite des matrices de blanchiment (WN )N N est asymptotiquement
quivalente une suite de matrices circulantes (CN )N N ,
lim |WN CN | = 0 (5.106)

N +
et donc, en posant N = WN CN , il vient
WN = CN + N (5.107)
et
lim |N | = 0. (5.108)
N +
La matrice C tant circulante, la matrice unitaire FN dfinie par

1 N 1
FN = [pN (0) pN ( )] (5.109)
N N
est une matrice de vecteurs propres de C, et donc il existe une matrice diagonale N telle
que
FHN CN FN = N . (5.110)
Dans ce cas,
FH
N WN FN = FH
N (CN + N )FN (5.111)
= N + FH
N N FN (5.112)
si bien que
|FH H
N WN FN N | = |FN N FN | (5.113)
= |N | (5.114)
et donc
lim |FH
N WN FN N | = 0. (5.115)
N +
Lorsque la taille N des observations augmente, le vecteur de direction de la cible est donc de
moins en moins affect par le blanchiment lorsquil est de la forme pN ( Nk ), o k J0, N 1K.
Lorsque la frquence f de la cible nest pas de la forme Nk , le dveloppement limit (5.88)
permet de conclure que le rsultat est galement valable.
Il est donc possible, dans le cas dun fouillis color, de se ramener au cas dun fouillis blanc
en appliquant un blanchiment sans (trop) affecter la structure de la cible. Le dtecteur obtenu
dans le cas color est alors de la forme
|p(f )H Wz|2 H1
. (5.116)
kWzk2 H0
Il sagit dun blanchiment suivi du dtecteur (5.41), savoir un priodogramme normalis.

Cest pourquoi ce dtecteur sera dsign par la suite sous lappellation WNPD ( Whitening
Normalized Periodogram Detector ).
5.3.3 Implmentation et rsultats
Les dtecteurs GNMF et WNPD sont tous les deux trivialement invariants aux homoth-
ties de rapports positifs. Ils sont par consquent TFAC. En effet, sous lhypothse nulle, le
seul paramtre inconnu dont est susceptible de dpendre leurs distributions est le niveau 2 ,
la matrice de covariance normalise tant ici suppose connue. Or en vertu de linvariance,
1
(Z) = ( Z) (5.117)

o dsigne lun ou lautre des deux tests. Sous lhypothse nulle, le vecteur alatoire 1 Z est
un vecteur gaussien centr de matrice de covariance . Sa distribution ne dpend donc pas
de et par suite celle de (Z) non plus, do le rsultat.
Limplmentation du GNMF semble tre bien moins simple que celle du WNPD, notam-
ment en raison de la prsence du terme p(f )H 1 p(f ), qui dpend de f , au dnominateur.
Toutefois, la matrice de covariance normalise tant connue, les cots en calcul sont quiva-
lents. Limplmentation du GNMF est seulement plus coteuse en mmoire. En effet, puisque
est connue, les calculs de linverse 1 et de la matrice de blanchiment W peuvent tre
effectus au cours dun prtraitement et nentrent donc pas vraiment en compte dans la com-
plexit des deux dtecteurs. Les deux priodogrammes |p(f )H 1 z|2 et |p(f )H Wz|2 sont
calculs sur NZP points grce un algorithme de FFT combin du zero-padding. Comme
cela a t vu dans la section 5.2.3, le nombre de points NZP doit tre pris suffisamment grand
0.9
0.8
0.7
0.6
PD
0.5
0.4
0.3
0.2 NPD
GNMF
0.1
WNPD
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A
Figure 5.12 Courbes COR du GNMF et du WNPD. N = 16 et = 3 dB.
pour que les dtecteurs soient correctement implments. Il est alors possible, au cours du
prtraitement, de calculer le terme p(f )H 1 p(f ) sur ces NZP points et de stocker en m-
moire les NZP valeurs correspondantes. Dans ce cas limplmentation du GNMF ne demande
que NZP divisions de plus que celle du WNPD.
Les courbes COR du GNMF et du WNPD ont t reprsentes sur la figure 5.12. Elles ont
t obtenues par une mthode de Monte-Carlo sur 500000 tirages, avec une taille dobservation
N = 16, un rapport signal fouillis normalis (cf. section 5.1.3) = 3 dB, une frquence
Doppler f = 0.4 et une matrice de covariance normalise = (ij ) o
|ij|
ij = ei2f0 (ij) 0 (5.118)
avec f0 = 0.3 et 0 = 0.9. La courbe COR du NPD obtenue sur un fouillis blanc avec le
mme rapport signal fouillis ( = 3 dB) est galement reprsente sur la figure. Le NPD
et le GNMF exhibent les mmes performances, ce qui est normal puisquil sagit en fait, pour
la mtrique associe au problme du mme dtecteur, le test du rapport de vraisemblance
gnralis. En effet, le NPD et le GNMF sont tous deux de la forme
|hp(f ), zi1 |2 H1
max (5.119)
f [0,1[ kzk2
1
kp(f )k21 H0
o h, i1 et kk1 dsignent respectivement le produit scalaire et la norme associs la
matrice symtrique dfinie positive 1 , dfinis, pour deux vecteurs complexes x et y de
dimension N , par
hx, yi1 = xH 1 y (5.120)
et
kxk21 = xH 1 x. (5.121)
Dans le cas dun fouillis blanc, 1 = I et la mtrique est donc la mtrique usuelle sur CN .
De mme, le rapport signal fouillis normalis est dfini pour la mtrique associ au problme
par
||2 kp(f )k21
= (5.122)
N 2
si bien que lon retrouve, pour le cas dun fouillis blanc,
||2
= (5.123)
2
puisque kp(f )k2 = N . Le WNPD, en revanche, montre une perte de performance due
0.9
0.8
0.7
0.6
PD
0.5
0.4
0.3
0.2
GNMF
0.1
WNPD
0
10 8 6 4 2 0 2 4 6 8 10
SCR (dB)
Figure 5.13 Probabilit de dtection du GNMF et du WNPD en fonction du rapport

signal fouillis, pour une probabilit de fausse alarme de 103 et N = 16.
.
lapproximation consistant considrer le vecteur de direction p(f ) comme un vecteur propre

de la matrice de blanchiment W. Cette perte de performance est de lordre de 0.5 dB, comme
le montre la figure 5.13, obtenue dans les mmes conditions.
Toutefois, lorsque la taille dobservation N augmente, les performances du WNPD tendent
vers celles du GNMF, comme cela peut tre constat sur la figure 5.14, obtenue dans les mmes
conditions que prcdemment pour une probabilit de fausse alarme de 104 . Ce comporte-
ment des performances est normal puisque, lorsque la taille des observations augmente, le
blanchiment affecte de moins en moins la cible.
Les performances prsentes jusquici ont t obtenues sur un fouillis localement gaussien,
cest--dire avec un niveau 2 dterministe inconnu. Toutefois, comme cela est expliqu au
chapitre 3, afin dvaluer correctement les performances, il est ncessaire dutiliser le modle
SIRP. Les performances du GNMF et du WNPD sur un fouillis distribu selon une loi K sont
prsentes sur les figures 5.15 et 5.16. Les courbes COR ont t obtenues avec un rapport
signal fouillis de 3 dB. Le niveau 2 tant dsormais alatoire, le rapport signal bruit est
alors dfini par
||2 p(f )H 1 p(f )
. (5.124)
N E[ 2 ]
Lorsque le paramtre de forme diminue, les performances des deux dtecteurs aug-
mentent pour les faibles rapports signal fouillis. Ce rsultat a t galement constat sur des
dtecteurs sous-espace [Gini, 1997, Gini et al., 1998, Conte et al., 1996, Conte et Ricci, 1998].
Il parat premire vue paradoxal. En effet, le fouillis devient de plus en plus spiky lorsque
le paramtre de forme diminue, si bien que, en raison des spikes , les seuils devraient tre
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
GNMF GNMF
0.1 0.1
WNPD WNPD
0 0
10 8 6 4 2 0 2 4 6 8 10 10 8 6 4 2 0 2 4 6 8 10
SCR (dB) SCR (dB)
(a) N = 16. (b) N = 32.
1 1
0.9
0.9
0.8
0.8
0.7
0.7
0.6
PD
PD
0.5 0.6
0.4
0.5
0.3
0.4
0.2
GNMF 0.3 GNMF

0.1
WNPD WNPD
0 0.2
10 8 6 4 2 0 2 4 6 8 10 10 8 6 4 2 0 2 4 6 8 10
SCR (dB) SCR (dB)
(c) N = 64. (d) N = 128.
Figure 5.14 volution des performances des GNMF et WNPD en fonction de la taille
dobservation N , pour une probabilit de fausse alarme de 104 .
relevs pour maintenir la probabilit de fausse alarme, ce qui devrait engendrer une perte de
performance. En fait, puisque le fouillis est puissance moyenne constante, lorsque le para-
mtre de forme diminue, de forts chos apparaissent, ce qui a pour effet dabaisser le niveau
moyen des chos. Lorsque tend vers zro, la distribution de la texture tend vers un dirac en
zro, si bien que, si le dtecteur est non biais, sa probabilit de dtection tend vers un. Ce
rsultat est dmontr dans lannexe D.
Sur un fouillis distribu selon une loi K, les performances du WNPD sont galement
lgrement en de de celles du GNMF. Or le faible gain en calcul apport par le WNPD ne
justifie pas les pertes de performances constates lorsque la taille des observations est faible.
En pratique, il reste donc prfrable dutiliser le GNMF. Toutefois, il ne faut pas perdre de
vue que si le gain en calcul est faible, cest parce que la matrice de covariance normalise
est connue, ce qui permet de calculer le terme p(f )H 1 p(f ) au cours dune tape de
prtraitement. En revanche, si la matrice varie, ou si elle est inconnue, il nest plus possible
deffectuer ce calcul pralable : il entre alors en compte dans la complexit du dtecteur. Dans
ce cas, le WNPD revt alors un certain intrt.
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
= 0.1 = 0.1
0.2 = 0.5 0.2 = 0.5
=1 =1
0.1 = 10 0.1 = 10
fouillis gaussien fouillis gaussien
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SCR (dB)
Figure 5.15 Performances du GNMF sur un fouillis de loi K en fonction du paramtre

de forme . N = 16.
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
= 0.1 = 0.1
0.2 = 0.5 0.2 = 0.5
=1 =1
0.1 = 10 0.1 = 10
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SCR (dB)
Figure 5.16 Performances du WNPD sur un fouillis de loi K en fonction du paramtre

de forme . N = 16.
6
CHAPITRE
Dtection adaptative
La mathmatique est une science dange-

reuse : elle dvoile les supercheries et les
erreurs de calcul.
Galile
Le chapitre prcdent traite de la dtection dans un fouillis blanc, ou, de manire plus
gnrale, dans un fouillis de matrice de covariance normalise connue. Cependant, en pratique,
la matrice de covariance normalise du fouillis nest pas connue. Dans ce cas, le problme fait
intervenir N 2 inconnues supplmentaires pour seulement N observations sur la case distance
sous test. Il est alors ncessaire dutiliser des donnes secondaires supposes ne pas contenir
de cible afin de ne pas tre confront un problme faisant intervenir plus dinconnues que
dobservations. Dans ce cas, les observations sont alors de la forme
Z = [Z0 Z1 ZK ] (6.1)
o Z0 dsigne le vecteur dobservation sur la case distance sous test, et Z1 , . . . , ZK les vecteurs
dobservation sur des cases distances voisines supposes ne pas contenir de cible. Afin de
disposer de suffisamment dobservations, on supposera que K > N . On cherche alors tester
si une cible est prsente sur la case distance sous test, ce qui correspond au problme

H0 : Z =
(6.2)
H1 : Z = S +
o Z est la matrice dobservation, de taille N (K + 1), constitue des observations sur la case
distance sous test ainsi que des donnes secondaires, et = [0 1 K ] est une matrice de
fouillis dont les vecteurs colonnes k , k J0, KK sont des vecteurs gaussiens complexes centrs
de matrices de covariance respectives k2 . Les vecteurs k seront supposs indpendants dans
tout ce qui suit. La matrice S, reprsentant la cible, est de la forme
S = [s 0 0] (6.3)
o s est un vecteur de la forme

s = p(f ) (6.4)
modlisant une ventuelle cible dans la case distance sous test, les autres colonnes de la matrice
tant nulles conformment lhypothse dabsence de cible dans les donnes secondaires.
80 CHAPITRE 6 : Dtection adaptative
Lorsque le fouillis est gaussien, les niveaux k sont tous gaux un niveau unique . Dans
ce cas, le problme (6.2) est un problme danalyse multivarie de la variance (MANOVA)
[Eaton, 1983] pour lequel il existe un test uniformment plus puissant invariant. En revanche,
lorsque le fouillis est localement gaussien, la puissance locale du fouillis varie dune case
distance lautre, et donc les niveaux k sont diffrents. Dans ce cas, il nexiste pas de
rsultat concernant la rsolution du problme laide dinvariances. Lapproche gnralement
mene dans la littrature consiste alors utiliser les dtecteurs obtenus dans le cas o la
matrice de covariance normalise est connue (cf. chapitre 5) en substituant une estime b
la matrice . Cette approche sera mene ici avec le GNMF et le WNPD prsents dans le
chapitre prcdent.
6.1 Le modle gaussien

Puisque la texture est corrle en distance [Watts et Ward, 1987], lhypothse peut tre
faite, si toutefois la distance de corrlation est suffisamment grande, que la texture est
constante sur la zone dobservation, cest--dire que pour tout k J0, KK
k = . (6.5)
Dans ce cas, le fouillis est gaussien, et non plus seulement localement gaussien. Il est possible,
sans perte de gnralit, de supposer que = 1. En effet, la matrice de covariance tant
inconnue, il revient au mme de considrer ou 2 , ce qui revient supposer que = 1.
Dans ce cas, la matrice de fouillis est une matrice gaussienne, de moyenne nulle et de
matrice de covariance IK+1 (cf. annexe A), o IK+1 dsigne la matrice identit de taille
(K +1)(K +1). Le problme est alors un test dhypothses linaires multivaries ou encore
un problme de MANOVA [Eaton, 1983] sous forme canonique [Lehmann et Romano, 2005]
cest--dire de la forme
Z = [ZCUT ZREF ] (6.6)
o ZCUT = Z0 est une matrice en loccurrence un vecteur gaussienne de moyenne s et de
matrice de covariance et ZREF est une matrice gaussienne de moyenne nulle et de matrice
de covariance IK . La matrice ZCUT est la matrice des cases distance sous test 1 : elle
rassemble les cases distances susceptibles de contenir une cible. Dans ce chapitre, seule une
case distance est teste, cest--dire susceptible de contenir une cible, si bien que la matrice
ZCUT est en fait un vecteur, le vecteur dobservation Z0 . La matrice ZREF est la matrice des
donnes de rfrences 2 , appeles aussi donnes secondaires, ne contenant que du fouillis.
Le problme consiste alors dcider si une cible est prsente dans la matrice ZCUT des
cases distances sous test, cest--dire

H0 : s = 0
. (6.7)
H1 : s =
6 0
Comme dans le cas dun fouillis de matrice de covariance normalise connue, tudi au cha-
pitre 5, deux stratgies de dtection sont proposes ici : le test du rapport de vraisemblance
gnralis, qui est la stratgie la plus rpandue dans la littrature, mais qui ne donne aucune
garantie sur loptimalit du test, et la rduction du problme par invariance (cf. chapitre 4),
afin de rechercher un test uniformment plus puissant invariant.
1
Lacronyme CUT en indice dans la notation de la matrice signifie cells under test , cest--dire
cellules sous test.
2
Do lindice REF .
Section 6.1 : Le modle gaussien 81
Les vecteurs colonnes Z0 , Z1 , . . . , ZK de la matrice Z tant indpendants, la densit de

probabilit de Z sous lhypothse H1 sexprime sous la forme
fZ (Z) = fZ0 ,Z1 ,...,ZK (z0 , z1 , . . . , zK ) (6.8)

K
Y
= fZk (zk ) (6.9)
k=0
et puisque chaque vecteur colonne Zk est gaussien de matrice de covariance , de moyenne s

pour k = 0 et centr sinon,
Y 1 K
1 (z0 s)H 1 (z0 s) 1
fZ (Z) = N
e N
ezk zk (6.10)
|| ||
k=1
1 H 1 (z s)
PK 1 z
zH
= e(z0 s) 0 k=1 k k
(6.11)
N (K+1) ||K+1
et donc la log-vraisemblance scrit, sous lhypothse H1 ,
L(, s, Z) = N (K + 1) ln() (K + 1) ln ||
K
X (6.12)
(z0 s)H 1 (z0 s) zH 1
k zk
k=1
et alors puisque daprs [Petersen et Petersen, 2008]
L
= 21 (z0 s) (6.13)
s
et
L
= (K + 1)H + H (z0 s)(z0 s)H H

K
X (6.14)
+ H zk zHk
H
k=1
les estimates de s et sous lhypothse H1 au sens du maximum de vraisemblance, respec-

tivement notes b b 1 , sont donnes par
s et
s = z0 = ZCUT
b (6.15)
et
K
b1 = 1 X 1
zk zH
k = ZREF ZH
REF . (6.16)
K +1 K +1
i=1
b 0 de est dduit de la
Sous lhypothse H0 , lestimateur au maximum de vraisemblance
mme manire en prenant s = 0 :
K
b0 = 1 X H 1
zi zi = (ZCUT ZH H
CUT + ZREF ZREF ). (6.17)
K+1 K +1
i=0
Le rapport de vraisemblance gnralis est alors donn par

PK H b 1
b 0 |K+1 e k=1 zk 1 zk
|
RV G (Z) = P H b 1
. (6.18)
b 1 |K+1 e K
| k=0 zk 0 zk
Or, par dfinition, lestimateur au sens du maximum de vraisemblance annule la drive de

la vraisemblance, do
K
X
b H +
(K + 1) b H zk zH
b H = 0 (6.19)
1 1 k 1
k=1
b 1 est symtrique,
et donc, puisque en outre
K
X
b 1 zk zH = (K + 1)IN .
(6.20)
1 k
k=1
En prenant la trace,
K
X
b 1 zk zH ) = N (K + 1).
Tr( (6.21)
1 k
k=1
De mme,
K
X
b 1 zk zH ) = N (K + 1)
Tr( (6.22)
0 k
k=0
et donc puisque
K
X K
X
zH b 1 b 1 zk zH ) (6.23)
k 1 zk = Tr( 1 k
k=1 k=1
et
K
X K
X
zH b 1 b 1 zk zH ) (6.24)
k 0 zk = Tr( 0 k
k=0 k=0
on en dduit que
K
X K
X
zH b 1 zH b 1 (6.25)
k 1 zk = k 0 zk
k=1 k=0
et donc le rapport de vraisemblance gnralis se rduit alors sous la forme
b 0 |K+1
|
RV G (Z) = (6.26)
b 1 |K+1
|
K+1
|ZREF ZH
REF |
= . (6.27)
|ZREF ZREF + ZCUT ZH
H
CUT |
Le test du rapport de vraisemblance gnralis est donc donn par [Eaton, 1983, proposition
9.1]
|ZREF ZHREF |
H1
H H
. (6.28)
|ZREF ZREF + ZCUT ZCUT | H0
Ce test du rapport de vraisemblance gnralis, obtenu sur un modle linaire multivari, sera
appel par la suite le ML-GLRT ( MultiLinear Generalized Likelihood Ratio Test ).
Section 6.1 : Le modle gaussien 83
6.1.2 Test invariant optimal
Les transformations (, A) sur lensemble des matrices complexes de taille N (K + 1)

dfinies par
(, A)Z = [AZCUT AZREF ] (6.29)
o CKK est une matrice orthogonale et A CN N est une matrice non singulire
forment un groupe muni de la loi de composition interne
(, A)(R, B) = (R, AB). (6.30)
et laissent le problme (6.7) invariant. En effet, le problme est paramtr par le vecteur s
et la matrice symtrique dfinie positive . Or si ZCUT est un vecteur gaussien de moyenne
s et de matrice de covariance , alors AZ0 est un vecteur gaussien de moyenne As et de
matrice de covariance AAH . De mme, si ZREF est une matrice gaussienne centre de
matrice de covariance IK , alors ZREF AH est une matrice gaussienne centre de matrice
de covariance IK AAH (cf. annexe A). De plus, puisque A nest pas singulire, AAH
est une matrice symtrique dfinie et positive, et sAH est nul si et seulement si s est nul, ce
qui montre que le problme est invariant aux transformations (, A). Un invariant maximal
pour ce groupe est donn par [Eaton, 1983, proposition 9.2], [Lehmann et Romano, 2005, p.
305]
M (Z) = M (ZCUT , ZREF ) = ZH H 1
CUT (ZREF ZREF ) ZCUT [0, +[. (6.31)
Cet invariant maximal M (Z) suit une loi de Fisher non centrale de degrs de libert 2N et
2(K N + 1), et de paramtre de non-centralit = 2sH 1 s [Eaton, 1983, Lehmann et
Romano, 2005]. Le problme rduit par invariance consiste alors tester = 0 contre > 0.
La loi de Fisher non centrale tant une distribution rapport de vraisemblance monotone
[Eaton, 1983, p. 345], le thorme de Karlin-Rubin associ au principe dinvariance permet de
conclure que le test
|ZREF ZH
REF | 1 H0
(Z) = = (6.32)
|ZREF ZH H
REF + ZCUT ZCUT | 1 + M (Z) H1
qui est donc quivalent au test

H1
M (Z) (6.33)
H0
est un test uniformment plus puissant invariant (UPPI).

La structure du test (6.33) est intressante. En effet, la matrice ZREF ZH
REF est une estime
de la matrice de covariance communment appele Sample Covariance Matrix Estimator
(SCME). Le test uniformment plus puissant invariant consiste donc estimer la matrice de
covariance partir des donnes secondaires afin de blanchir les donnes de la case distance
sous test. Le dtecteur consiste alors comparer lnergie des observations blanchies un
seuil.
Le ML-GLRT (6.28) concide avec le test (6.32) : il est par consquent uniformment plus
puissant invariant. Comme dans le cas dun test dhypothses linaires univaries (cf. chapitre
5), le test du rapport de vraisemblance gnralis est donc un test uniformment plus puissant
invariant.
Le ML-GLRT est galement un dtecteur sous-espace. En effet, la cible appartient un
sous-espace vectoriel de lespace dobservation : lespace des matrices N (K + 1) dont seule
la premire colonne nest ventuellement pas nulle. Ainsi, contrairement au cas sous-espace
univari prsent au chapitre 5, la structure de la cible nintervient pas ici. Seul importe quil
ny ait pas de cible dans les donnes secondaires. La prise en compte dun a priori sur la
structure de la cible cible de la forme p(f ), typiquement permettrait certainement
daugmenter les performances, mais rend le problme plus ardu, particulirement lorsquil
est abord avec le principe dinvariance. En outre, nintroduire aucun a priori sur la cible
prsente lavantage dobtenir un test robuste, i.e. dont les performances ne dpendent pas de
la structure de la cible. En labsence de donnes secondaires, il tait au contraire important de
disposer dun a priori sur la cible, puisquil ny avait pas de donnes de fouillis seul permettant
de servir de rfrence.
6.1.3 Rsultats
La distribution de linvariant maximal M (Z) est connue, et donc la fonction puissance du

ML-GLRT est galement connue. De plus, puisque M (Z) est un invariant, et que le rapport
signal bruit dfini par
sH 1 s
= (6.34)
N
est un maximal pour le groupe induit sur lespace des paramtres, daprs [Lehmann et Ro-
mano, 2005, thorme 6.3.2], la distribution de M (Z) et par consquent la fonction puis-
sance du ML-GLRT ne dpend que de [Eaton, 1983, proposition 9.3]. Le ML-GLRT est
donc un dtecteur taux de fausse alarme constant (cf. section 5.1.3).
Les courbes COR du ML-GLRT ont t reprsentes sur la figure 6.1 pour une taille
dobservation N = 16, un rapport signal fouillis de 3 dB et diffrentes valeurs de K, la
taille des donnes secondaires. La figure 6.2 reprsente la probabilit de dtection en fonction
0.9
0.8
0.7
0.6
PD
0.5
0.4
0.3 K = 17
K = 24
0.2
K = 32
K = 64
0.1
K = 128
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A
Figure 6.1 Courbes COR du ML-GLRT pour un rapport signal fouillis de 3 dB.
du rapport signal fouillis pour la mme taille dobservation N , les mmes valeurs de K et
une probabilit de fausse alarme de 104 .
Comme le montrent les courbes COR, et plus encore les courbes de la figure 6.2, plus la
taille K des donnes secondaires est grande, plus le test est puissant. Toutefois, lorsque K
Section 6.2 : Le modle localement gaussien 85
1
K = 17
0.9
K = 24
K = 32
0.8
K = 64
0.7 K = 128
PD 0.6
0.5
0.4
0.3
0.2
0.1
0
10 5 0 5 10 15 20 25 30
SCR (dB)
Figure 6.2 Puissance du ML-GLRT en fonction du rapport signal fouillis.
atteint une certaine valeur, les performances naugmentent plus : ainsi, les courbes obtenues
avec K = 64 et K = 128 sont confondues.
Le choix de la taille des donnes secondaires est donc primordial. Si K est choisi trop
petit, la charge de calcul attache au ML-GLRT sera rduite, mais au prix dune perte de
performance. En revanche, si K est pris trop grand, il ny aura pas de perte de performance,
mais un surcot inutile en terme de calcul.
6.2 Le modle localement gaussien
Dans bien des cas, la texture ne peut pas tre suppose constante sur les donnes secon-
daires, et tout particulire en incidence rasante ou haute rsolution (cf. chapitre 2), et il
sensuit alors une perte de performance si ces variations de puissance sur les donnes de rf-
rence ne sont pas prises en compte, comme le montre la figure 6.3, qui reprsente la probabilit
de dtection du ML-GLRT sur un fouillis gaussien et sur un fouillis distribu selon une loi
K, avec un facteur de forme = 0.2 et une puissance moyenne unitaire, pour une probabilit
de fausse alarme de 103 . Le ML-GLRT ntant plus taux de fausse alarme constant sur le
fouillis non gaussien, le seuil a t ajust de sorte maintenir la probabilit de fausse alarme
constante. La perte en performance est alors trs importante, de lordre de 14 dB.
Le modle de fouillis localement gaussien, contrairement au modle gaussien, ne fait plus
lhypothse que la puissance locale k reste constante sur les donnes secondaires. Ainsi,
les niveaux k ne sont plus forcment tous gaux, ce qui permet de prendre en compte des
variations de puissance dune case distance lautre. Le problme conserve sa formulation,
savoir
H0 : Z =
. (6.35)
H1 : Z = S +
La matrice de fouillis est toujours une matrice gaussienne centre, mais dsormais sa matrice
de covariance est de la forme
K+1 (6.36)
0.9
0.8
0.7
0.6
PD
0.5
0.4
0.3
0.2
Fouillis gaussien
0.1
Fouillis loi K, = 0.2
0
10 5 0 5 10 15 20 25 30
SCR (dB)
Figure 6.3 Pertes de performances du ML-GLRT sur un fouillis non gaussien.
o est la matrice de covariance normalise (i.e. Tr() = N ) et K+1 est une matrice
diagonale dfinie positive contenant les valeurs des puissances k2 sur chaque case distance :

02 0
..
K+1 = . . (6.37)
0 2
K
Le problme nest plus un test dhypothses linaires multivaries puisque la matrice de

covariance du fouillis nest plus de la forme IK+1 . On suppose, comme dans le cas gaussien,
que les donnes secondaires ne contiennent pas de cible et donc que si une cible est prsente,
elle lest dans la case distance sous test. Le problme est donc naturellement sous forme
canonique, et la matrice dobservation Z scrit donc toujours sous la forme
Z = [ZCUT ZREF ] (6.38)
o ZCUT est un vecteur dsignant la case distance sous test, et ZREF est une matrice N K
dsignant les donnes secondaires. Le vecteur ZCUT est un vecteur gaussien complexe, de
moyenne s et de matrice de covariance 02 . La cible s recherche est bien entendu de la forme
p(f ), comme dans le cas o la matrice de covariance normalise est connue (cf. chapitre 5).
Toutefois, cette information ne sera pas forcment exploite pour les mmes raisons que dans
le cas gaussien : dune part cela complique la rsolution du problme par invariance, dautre
part il est toujours intressant dobtenir des tests robustes qui certes seront moins performants
lorsque la cible correspondra au modle, mais qui afficheront des performances acceptables
quelle que soit la cible observe. La matrice ZREF est une matrice gaussienne complexe de
matrice de covariance REF,K o REF,K est une matrice diagonale K K dfinie positive
donne par
2
1 0
..
REF,K = . . (6.39)
0 2
K
Le problme consiste toujours, comme dans le cas gaussien, tester si une cible est prsente
dans la case distance sous test, cest--dire dcider si la moyenne s de la matrice ZCUT est
nulle ou non.
L encore, le test du rapport de vraisemblance gnralis ainsi que la rduction du problme
par invariance vont tre tudis.
Comme dans le cas gaussien, les vecteurs colonnes Z0 , Z1 , . . . , ZK de la matrice alatoire

Z sont indpendants, si bien que, sous lhypothse H1 , la densit de probabilit fZ,1 de Z est
le produit des densits de chaque vecteur colonne. En outre, chaque vecteur colonne Zk est un
vecteur gaussien complexe de matrice de covariance k2 , de moyenne s pour k = 0 et centr
sinon, si bien que la vraisemblance est donne par
fZ (, s, 0 , . . . , K , Z) = fZ0 ,Z1 ,...,ZK (, s, 0 , . . . , K , z0 , z1 , . . . , zK ) (6.40)

K
Y
= fZ0 (, s, 0 , z0 ) fZk (, k , zk ) (6.41)
k=1
1 H 1 (z s)
1
02 (z0 s) 0
e
N 02N ||
= K
Y 1
(6.42)
1 zk 1 zk
2
e k
k=1
N k2N ||
1
QK2N
= N (K+1) ||K+1 k=0 k (6.43)
P
12 (z0 s)H 1 (z0 s) K 1 H 1
z zk
k=1 2 k
e 0 k .
Sous lhypothse H1 , la log-vraisemblance scrit donc
L(, s, 0 , . . . , K , Z) = N (K + 1) ln() (K + 1) ln||
K
X 1
2N ln(k ) (z0 s)H 1 (z0 s)
02 (6.44)
k=0
K
X 1 H 1
z zk .
k2 k
k=1
Si aucune structure nest impose la cible s, alors le test du rapport de vraisemblance

gnralis nexiste pas. En effet, les drives partielles de la log-vraisemblance par rapport
la cible s et au niveau 0 sont donnes par [Petersen et Petersen, 2008]
L 2
= 2 1 (z0 s) (6.45)
s 0
et
L 2N 2
= + 3 (z0 s)H 1 (z0 s). (6.46)
0 0 0
Sous lhypothse H1 , les estimes b
s et
b0,1 respectives de s et 0 au sens du maximum de
vraisemblance sont obtenues en annulant (6.45) et (6.46) :
s = z0
b (6.47)
et
2 (z0 s)H 1 (z0 s)

b0,1 = . (6.48)
N
Et donc en substituant b
s s dans lexpression de 2 , on dduit que
b0,1 b0,1 = 0 ce qui est
impossible.
En revanche, en imposant une structure la cible s, lestime b
s nannulera presque jamais
2 , et dans ce cas le test du rapport de vraisemblance gnralis existe alors. On suppose
b0,1
donc que s est, comme dans le chapitre prcdent, de la forme s = p(f ). Sous lhypothse H1 ,
lorsque les autres paramtres sont fixs, la log-vraisemblance est maximale lorsque n = bn,1 ,
o (
zH 1 z
n
2
n
si n 6= 0

bn,1 = H
N
1
(z0 s) (z0 s)
. (6.49)
N si n = 0
En substituant les bn,1 aux k dans la vraisemblance, on obtient alors une nouvelle vraisem-
blance fZ, , ne dpendant plus des k , maximiser en s cest--dire en et en f et en
. Cette vraisemblance fZ, est donne par
N N (K+1) eN (K+1)
fZ, (, s, Z) = QK H 1
(6.50)
N (K+1) ||K+1 (z0 s)H 1 (z0 s) k=1 (zk zk )
N
et, daprs [Conte et al., 2002], elle est maximale lorsque = b 1 , o b 1 est solution de
lquation !
H XK H
b1 = N (z0 s)(z 0 s) zk zk
)+ . (6.51)
K + 1 (z0 s)H b 1 (z0 s) zH b 1 z
1 k=1 k 1
Il faut alors, pour pouvoir obtenir le rapport de vraisemblance gnralis, substituer b1

dans lexpression de la vraisemblance fZ, et maximiser en s = p(f ) la vraisemblance
obtenue. Or cette maximisation nest pas ralisable, ou du moins trs difficile, puisque la
matrice b 1 , qui dpend de s, est dfinie par une quation, mais sa forme explicite nest pas
connue. Par consquent, le test du rapport de vraisemblance gnralis nest pas une stratgie
de dtection envisageable dans ce cas.
6.2.2 Rduction du problme par invariance
Par analogie avec le cas gaussien (cf. section 6.1.2), aucune structure ne sera impose
la cible, qui sera donc reprsente par un vecteur s non nul quelconque. Le problme (6.35)
avec un fouillis localement gaussien prsente la mme forme que le problme avec un fouillis
gaussien mise part la matrice de covariance, qui nest plus donne par IK+1 mais par
K+1 .
Comme dans le cas gaussien, on dfinit un groupe de transformations (B, A) sur lespace
dobservation, dfinies par
(B, A)Z = AZB (6.52)
o B C(K+1)(K+1) et A CN N sont des matrices non singulires, la loi de composition
interne tant donne par
(B, A)(C, M) = (AM, CB). (6.53)
La matrice dobservation Z tant une matrice gaussienne de moyenne S et de matrice de
covariance K+1 , la matrice AZB est alors une matrice gaussienne de moyenne ASB et
de matrice de covariance (cf. annexe A)

BT K+1 B AAH (6.54)
o dsigne loprateur de conjugaison complexe. Ainsi, pour que le groupe des transforma-
tions (B, A) laisse le problme invariant, il faut dune part que ASB soit de la mme forme
que S, que BT K+1 B soit une matrice diagonale dfinie positive et que AAH soit une ma-
trice symtrique dfinie positive de trace N , dautre part que ASB soit nulle si et seulement
si S est nulle, condition trivialement remplie ds lors que A et B sont non singulires.
La condition de normalisation sur la trace nest pas des plus adaptes au problme. Il
est en effet difficile de dterminer les matrices A telles que AAH et soient de mme
trace. Les matrices unitaires vrifient trivialement cette condition, mais ne permettent pas
de saffranchir du paramtre de nuisance par invariance. Par consquent, la condition de
normalisation
11 = 1 (6.55)
qui rend le problme identifiable sera ici substitue la condition sur la trace. Avec cette
nouvelle condition de normalisation, il faut, pour que le problme soit invariant, que =
AAH soit une matrice symtrique dfinie positive avec 11 = 1, ce qui est vrifi si le premier
vecteur ligne de A est un vecteur unitaire. Pour que BT K+1 B soit une matrice diagonale
dfinie positive, il suffit que B soit elle-mme une matrice diagonale dfinie positive. La matrice
de covariance normalise tant symtrique dfinie positive, elle est entirement caractrise
par une matrice triangulaire infrieure ou suprieure dfinie positive. Par consquent,
il est possible de saffranchir du paramtre de nuisance en restreignant lappartenance de
A aux matrices triangulaires infrieures dfinies positives dont le premier vecteur ligne est
de norme unitaire, cest--dire dont le premier lment diagonal est gal 1. Ces matrices
forment un groupe pour la multiplications, et alors les transformations (D, L) dfinies par
(D, L)Z = LZD, (6.56)
o D R(K+1)(K+1) est une matrice diagonale dfinie positive et L CN N est une ma-
trice triangulaire infrieure dfinie positive telle que L11 = 1, forment un groupe pour la
loi de composition dfinie par (6.53). Ces transformations naffectent pas la structure de la
matrice cible S, puisque seul le premier vecteur colonne de LSD est ventuellement non nul.
Ainsi, ce groupe de transformations laisse invariant le problme (6.35) avec la condition de
normalisation (6.55).
Soit lapplication T sur lespace dobservation CN (K+1) qui une matrice

z1,1 z1,K+1
Z = ... ..
..
. . (6.57)
zN,1 zN,K+1
associe la matrice z1,1 zN,1
|z1,1 | |z1,1 |

T (Z) = .. .. ..
(6.58)
. . .
z1,K+1 zN,K+1
|z1,K+1 | |z1,K+1 |
cest--dire la transpose ZT dont chaque ligne a t normalise par le module de son premier
lment. La matrice T (Z) est alors une matrice de taille (K + 1) N avec K + 1 > N
presque srement de rang plein. Dans ces conditions, T (Z) peut tre factorise sous la forme
T (Z) = Q(Z)R(Z) (6.59)
o Q(Z) est une matrice de taille (K + 1) N unitaire, cest--dire telle que
Q(Z)Q(Z)H = IN (6.60)
et R(Z) est une matrice de taille N N triangulaire suprieure dfinie positive. Cette fac-
torisation est unique [Eaton, 1983, proposition 5.2], et alors Q(Z) est un invariant maximal
pour le groupe (6.56), comme montr en annexe C.
La distribution de cet invariant maximal na pas pu tre dtermine, et donc par cons-
quent aucun test uniformment plus puissant invariant na pu tre dduit de cette rduction
du problme par invariance.
6.2.3 La mthode du plug-in
Dans un fouillis localement gaussien de matrice de covariance inconnue, ni la stratgie

du test du rapport de vraisemblance gnralis ni la rduction du problme par invariance
nont permis dobtenir un dtecteur. Dans ce cas, une autre stratgie de dtection est alors
envisage : la mthode du plug-in . Cette stratgie de dtection, trs intuitive, est en
quelque sorte une gnralisation du test du rapport de vraisemblance gnralis. Il sagit
de substituer, dans lexpression dun dtecteur, les paramtres inconnus par des estimes
pas ncessairement au sens du maximum de vraisemblance. Lide sous-jacente une telle
stratgie est bien entendu dutiliser les rsultats obtenus dans le chapitre prcdent cest-
-dire le GNMF et le WNPD en remplaant dans leur expression la matrice de covariance
normalise ou la matrice de blanchiment par une estime. Les dtecteurs ainsi obtenus seront
respectivement dnomms AGNMF ( Adaptive Generalized Normalized Matched Filter ) et
AWNPD ( Adaptive Whitening Normalized Periodogram Detector ). Il sont respectivement
donns par
b 1 z|2
|p(f )H H1
b = max
AGN M F (z, ) (6.61)
b 1 p(f ))(zH
f [0,1[ (p(f )H b 1 z) H0 AGN M F
et
H c 2 H1
c = |p(f ) Wz| AW N P D
AW N P D (z, W) (6.62)
c 2
kWzk H0
o AGN M F et AW N P D sont des seuils fixs pour obtenir la probabilit de fausse alarme
souhaite.
Le problme consiste alors trouver un estimateur b de la matrice de covariance norma-
c
lise . En effet, un estimateur W de la matrice de blanchiment W sera alors donn par le
facteur de Cholesky de b 1 . Pour calculer ces estimateurs, seules les donnes secondaires, ne
contenant que du fouillis, seront utilises, ce qui permettra dviter des difficults similaires
celle souleve par lestimateur (6.51) lors de la recherche du test du rapport de vraisem-
blance gnralis (cf. section 6.2.1). De plus, de par la forme du GNMF et du WNPD, il nest
pas ncessaire que lestimateur vrifie la condition de normalisation sur la trace impose la
matrice de covariance normalise.
Toutefois, pour que le AWNPD puisse donner des performances acceptables, il faut que,
comme dans le cas non adaptatif (cf. chapitre 5), la matrice de blanchiment W c naffecte pas
trop la cible. Cette condition est vrifie pour une taille N dobservation et une taille K de
donnes secondaires suffisamment grandes, ds lors que lestimateur W c est consistant, cest-
-dire lorsquil converge en probabilit vers W lorsque la taille K des donnes secondaires
tend vers linfini, soit encore, en notant WN la matrice de blanchiment pour une taille N
dobservation et Wc N,K un estimateur obtenu sur des donnes secondaires de taille K
c N,K WN k ) = 0
> 0, lim P (kW (6.63)
K+
o kk dsigne une norme matricielle quelconque. En effet, il existe alors une suite (N )N N
de matrices diagonales telle que (cf. annexe E)
> 0, N , N N lim P (|FH c (6.64)

N WN,K FN N | ) = 0
K+
o || est la norme faible dfinie par (5.101) et FN dsigne la matrice de Fourier de taille N N
dfinie par (5.109). Daprs (6.64), pour N suffisamment grand, les vecteurs colonnes de FN
forment presque srement une base orthonormale de vecteurs propres de W c N,K lorsque K
tend vers linfini. Il est donc possible dappliquer les rsultats obtenus au chapitre prcdent
lorsque lestimateur W c est consistant.
Lapplication qui une matrice symtrique dfinie positive associe son facteur de Cholesky
tant continue [Schatzman et Taylor, 2002, lemme 12.1.6], si b est un estimateur consistant,
il en sera de mme pour W c [Serfling, 1980, section 1.7]. La consistance de lestimateur
b est
donc un critre dterminant pour lemploi de la mthode du plug-in .
Lestimateur le plus simple de la matrice de covariance normalise est le Sample Covariance
Matrix Estimator (SCME), dj rencontr dans le cas gaussien (cf. section 6.1.2). Il est dfini
par
XK
b SCM E = 1 zk zH (6.65)
k .
K
k=1
Les dtecteurs AGNMF et AWNPD obtenus avec cet estimateur sont TFAC par rapport
la matrice de covariance normalise (cf. annexe B, section B.3). Toutefois, il prsente un
inconvnient majeur : sa distribution dpend des puissances k2 de chaque vecteur zk . En effet,
les vecteurs zk , k J1, KK peuvent scrire sous la forme
zk = k xk (6.66)
o xk est un vecteur gaussien centr de matrice de covariance . Ainsi, le SCME scrit

K
X
b SCM E = 1
k2 xk xH (6.67)
k
K
k=1
et donc sa distribution dpend des k . Les dtecteurs associs AGNMF et AWNPD ne

sont alors pas TFAC par rapport aux k .
Pour pallier ce problme, [Conte et Ricci, 1994] introduit un nouveau dtecteur, le Nor-
malized Sample Covariance Matrix Estimator (NSCME), donn par
XK
b N SCM E = N zk zH
k
Hz
. (6.68)
K z
k=1 k k
Grce la normalisation par zH k zk , cet estimateur ne dpend plus des k . En effet, en reprenant
la forme (6.66), alors il vient
K
b N X xk xH k
N SCM E = Hx
(6.69)
K x
k=1 k k
et donc les AGNMF et AWNPD associs au NSCME sont TFAC par rapport aux k . En
revanche, cause de la normalisation, le dtecteur nest plus TFAC par rapport la matrice
de covariance normalise. De plus, cet estimateur est biais [Pascal, 2006, thorme 2.3.1.2]
et donc non consistant ds lors que 6= I. Il ne peut donc tre utilis pour former le
AWNPD.
Aucun de ces deux estimateurs SCME et NSCME nest donc satisfaisant, dans le sens
o les dtecteurs qui leur sont associs par la mthode du plug-in ne sont pas TFAC par
rapport la matrice de covariance normalise et aux niveaux k , mais seulement par rapport
aux niveaux ou la matrice de covariance normalise. Il existe toutefois un estimateur b de
la matrice de covariance tel que les dtecteurs associs soient TFAC la fois par rapport
la matrice de covariance normalise et aux niveaux k . Cet estimateur b est lestimateur au
sens du maximum de vraisemblance calcul sur les donnes de rfrence [Conte et al., 2002,
Pascal et al., 2007]. La fonction de vraisemblance des donnes de rfrence ZREF est donne
par
K
Y
fZREF (, 1 , . . . , K , ZREF ) = fZk (, k , zk ) (6.70)
k=1
YK 1 1 z
1 zH
k k
2
= e k . (6.71)
k=1
N k2N ||
La log-vraisemblance est alors donne par

K
X K
X 1 H 1
L(, 1 , . . . , K , ZREF ) = N K ln() K ln|| 2N ln(k ) z zk . (6.72)
k2 k
k=1 k=1
Et donc la drive de la log-vraisemblance par rapport j est gale
L 2N 2zH
j zj
= + (6.73)
j j j3
si bien que la vraisemblance est maximale lorsque, pour tout j J1, KK,
zH 1
j zj
j2 = . (6.74)
N
De mme, la drive de la log-vraisemblance par rapport est gale
X 1 K
L
= KH + H zk zH
k
H
(6.75)
k2
k=1
et donc la vraisemblance est maximale lorsque la matrice de covariance normalise vrifie

K
1 X 1
= zk zH
k . (6.76)
K k2
k=1
b de la matrice de covariance
partir des relations (6.74) et (6.76), on dduit que lestimateur
normalise au sens du maximum de vraisemblance est dfini par lquation
K
b N X zk zH k
= . (6.77)
K zHb 1 zk
k=1 k
Cet estimateur au sens du maximum de vraisemblance est donc un point fixe de la fonction
h de dfinie par
K
N X zk zH k
h() = H 1
. (6.78)
K z zk
k=1 k
Pour cette raison, il est appel le Fixed Point Estimator (FPE) et not en consquence
b F P E . Lexistence et lunicit un facteur prs du FPE ont t montres par [Pascal et al.,
2007] lorsque K > N , ainsi que sa consistance. Les AGNMF et AWNPD associs cet
estimateur sont trivialement TFAC par rapport aux niveaux k , puisque b F P E ne dpend
pas des k . Ils sont aussi TFAC par rapport la matrice de covariance normalise , comme
cela est montr en annexe B. Toutefois, lquation (6.77) ne donne pas une expression explicite
de lestimateur b F P E . La formule itrative
K
b (k+1) NX zk zH
k
= 1 (6.79)
K b (k)
k=1 zH
k zk
propose par [Conte et al., 2002] est alors utilise afin de le calculer. Quelle que soit la condition
b (0) , la suite (
initiale b (k) )kN converge vers un point fixe de la fonction h dfinie en (6.78)
[Pascal et al., 2007], cest--dire vers b F P E , dfini un facteur prs (ce qui nest pas gnant
en vertu de la forme des dtecteurs AGNMF et AWNPD comme cela a t vu prcdemment).
Lalgorithme (6.79) converge rapidement, comme le montre la figure 6.4, o lerreur relative
destimation dfinie par
b F P E k]
E[k
(6.80)
kk
(kk dsigne la plus grande valeur singulire) est reprsente en fonction du nombre ditra-
tions, pour diffrentes valeurs de N et de K. La matrice de covariance normalise a t
prise pour cela gale = (ij ) o
ij = |ij| (6.81)
avec = 0.9, et lestimation a t effectue sur un fouillis distribu selon une loi K de para-
mtre de forme = 0.5 et de puissance unitaire. Lerreur destimation a t calcule par une
mthode de Monte-Carlo sur 10000 tirages indpendants. Dans tous les cas, la convergence est
atteinte en moins dune dizaine ditrations. De plus, pour tout N , lerreur destimation dimi-
nue lorsque K augmente, ce qui est normal puisque lestimateur est consistant. Lalgorithme
est initialis avec la matrice identit, cest--dire que
b (0) = I
(6.82)
b (1) est alors le NSCME. Ainsi, la figure 6.4 confirme
si bien que, la premire itration,
galement que lestimateur du point fixe est meilleur que le NSCME (qui est biais).
Linfluence de la matrice de covariance normalise et du paramtre de forme de la
loi du fouillis est analyse sur la figure 6.5, qui reprsente lerreur relative destimation en
fonction du nombre ditrations, pour diffrentes valeurs de et de , avec N = 16 et K = 32.
Lerreur destimation est dautant plus faible que est proche de 1 (i.e. les observations sont
corrles). En revanche, elle ne dpend pas du paramtre de forme du fouillis. Ce paramtre
de forme dtermine la distribution de la texture du fouillis, or lestimateur du point fixe ne
dpend pas des niveaux k et donc de la texture du fouillis. Il est par consquent normal que
lerreur destimation ne dpende pas non plus de .
0.22 0.24
K = 16 K = 32
0.2 0.22
K = 32 K = 64
K = 64 K = 128
0.18 0.2
K = 128 K = 256
0.16 0.18
b F P E k]
b F P E k]
0.14 0.16
kk
kk
0.12 0.14
E[k
E[k
0.1 0.12
0.08 0.1
0.06 0.08
0.04 0.06
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Itrations Itrations
(a) N = 8. (b) N = 16.
0.22 0.22
K = 64 K = 128
0.2 0.2 K = 256
K = 128
K = 256 K = 512
0.18 K = 512 0.18 K = 1024
0.16 0.16
b F P E k]
b F P E k]
0.14 0.14
kk
kk
0.12 0.12
E[k
E[k
0.1 0.1
0.08 0.08
0.06 0.06
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Itrations Itrations
(c) N = 32. (d) N = 64.
b F P E pour diffrentes
Figure 6.4 Erreur destimation de lestimateur du point fixe
valeurs de N et de K.
La figure 6.6 illustre leffet du blanchiment effectu laide de lestimateur du point fixe
b
F P E , calcul grce (6.79) avec 5 itrations. Pour cela, le priodogramme normalis de la
cible a t reprsent avant et aprs blanchiment, pour diffrentes valeurs de N et de K, avec
une cible de la forme p(f ) de frquence f = 0.4 et une matrice de covariance normalise
donne par (6.81), avec = 0.9. Ds lors que K est suffisamment grand (K 4N ), la densit
spectrale de la cible nest gure affecte par le blanchiment pour N 16.
Ainsi, pour estimer la matrice de covariance normalise avec lalgorithme itratif (6.79),
il est conseill de prendre des donnes secondaires de taille K gale 4N .
6.3 Implmentation et rsultats
6.3.1 Implmentation
Le AGNMF et le AWNPD ont respectivement la mme forme que le GNMF et le WNPD

prsents au chapitre 5. La diffrence est que, en vertu de la mthode du plug-in , les
Section 6.3 : Implmentation et rsultats 95
1.4 0.23
= 0.1 = 0.2
1.2 = 0.3 = 0.4
0.22
= 0.5 = 0.6
1 = 0.7 = 0.8
= 0.9 0.21 =1
b F P E k]
b F P E k]
0.8
0.2
kk
kk
0.6
E[k
E[k
0.19
0.4
0.18
0.2
0 0.17
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Itrations Itrations
b F P E pour diffrentes
Figure 6.5 Erreur destimation de lestimateur du point fixe
valeurs de (6.5a) et de (6.5b).
b et W.
expressions des matrices et W sont respectivement remplaces par leurs estimes c
Alors que, une fois lestime Wc calcule, limplmentation du AWNPD est la mme que
celle du WNPD, limplmentation du AGNMF diffre quelque peu de celle du GNMF. En
effet, le facteur de normalisation
p(f )H b 1 p(f )
doit dsormais tre calcul pour chaque observation, puisque la matrice de covariance nor-
malise et donc son estime b est susceptible de varier dune observation lautre.
Ainsi, le calcul de ce facteur de normalisation ne peut tre effectu lors dun prtraitement et
entre donc en compte dans la complexit du AGNMF. Il est donc important de loptimiser
autant que possible. Pour cela, il est intressant de remarquer que, une fois obtenue linverse
b 1 de la matrice de covariance normalise, le calcul de p(f )H
b 1 p(f ) se ramne en fait
une transforme de Fourier. En effet, si b 1 est donne par

s11 s1N
b 1 .. .. ..
= . . . (6.83)
sN 1 sN N
alors le facteur de normalisation scrit

N X
X N
b 1 p(f ) =
p(f )H smk ei2f (mk) (6.84)
m=1 k=1
N
X N
X 1 N
X d N
X 1 N
X d
i2f d
= skk + sk,k+de + sk+d,k ei2f d (6.85)
k=1 d=1 k=1 d=1 k=1
b 1 est hermitienne, il vient

et alors, puisque la matrice
( N N 1 N d
)
b 1 p(f ) = 2 1X X X
p(f )H skk + sk+d,k ei2f d (6.86)
2
k=1 d=1 k=1
1 1
DSP de la cible DSP de la cible
0.9 0.9
DSP de la cible blanchie DSP de la cible blanchie
0.8 0.8
0.7 0.7
DSP
0.6
DSP
0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Frquence normalise Frquence normalise
(a) N = 16, K = 17 (b) N = 32, K = 33
1 1
0.9 0.9
DSP de la cible blanchie DSP de la cible blanchie
0.8 0.8
0.7 0.7
DSP
0.6
DSP
0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(c) N = 16, K = 32 (d) N = 32, K = 64
1 1
0.9 DSP de la cible blanchie 0.9 DSP de la cible blanchie
0.8 0.8
0.7 0.7
DSP
0.6
DSP
0.6
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(e) N = 16, K = 64 (f ) N = 32, K = 128
Figure 6.6 Effet du blanchiment opr partir de lestimateur au point fixe sur la cible.
o dsigne la fonction partie relle. Finalement,

(N 1 N d
! )
X 1 X
p(f )H b 1 p(f ) = 2 (1 d,0 ) sk+d,k ei2f d (6.87)
2
d=0 k=1
o dsigne le symbole de Kronecker. Le facteur de normalisation est donc gal, daprs lqua-
tion (6.87), deux fois la partie relle de la transforme de Fourier des sommes des diagonales
infrieures, la trace de la matrice tant pondre par un facteur un demi. Ainsi, limplmen-
tation propose la section 5.3.3, qui consiste calculer |p(f )H b 1 z|2 et |p(f )H Wz|
c 2 sur
NZP points grce une transforme de Fourier rapide couple du zero-padding, peut donc
tre reprise ici, le facteur de normalisation p(f )H b 1 p(f ) tant lui-mme calcul sur NZP
points par une transforme de Fourier rapide associe du zero-padding grce lquation
(6.87).
6.3.2 Rsultats
Les performances des AGNMF et AWNPD ont t tudies sur un fouillis de puissance
unitaire distribu selon une loi K (cf. chapitre 2) qui est la loi la plus rpandue dans la
littrature pour modliser la fouillis de mer avec une matrice de covariance normalise
= (ij ) de la forme
ij = |ij| (6.88)
ce qui correspond une fonction dautocorrlation exponentielle, hypothse courante dans
la littrature [Conte et al., 1991, De Angelis et al., 1995, Gini, 1997]. Ainsi, la matrice de
covariance normalise est entirement caractrise par le coefficient de corrlation . Toutes
les courbes ont t obtenus par une mthode de Monte-Carlo sur 100 000 tirages.
Les courbes COR des AGNMF et AWNPD en fonction du nombre Nit ditrations utilises
pour estimer la matrice de covariance normalise sont reprsentes sur la figure 6.7, pour
N = 16, K = 64, = 0.5 (paramtre de forme de la loi K), une cible de frquence f = 0.4,
un rapport signal fouillis (SCR) de 3 dB et = 0.9 (coefficient de corrlation). Le rapport
signal fouillis est dfini par
||2 p(f )H 1 p(f )
(6.89)
N E[ 2 ]
o 2 dsigne la texture du fouillis. Dans le cas dun fouillis distribu selon une loi K, la texture
2 suit une loi Gamma (cf. chapitre 2). Comme le montre la figure 6.7, les performances
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 Nit = 1 0.3 Nit = 1
N =2 N =2
it it
0.2 0.2
Nit = 5 Nit = 5
0.1 Nit = 10 0.1 Nit = 10
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
PF A PF A
(a) AGNMF (b) AWNPD
Figure 6.7 Courbes COR du AGNMF et du AWNPD en fonction du nombre ditrations

Ni t. N = 16, K = 64, = 0.5 et = 0.9.
dpendent peu du nombre ditrations Nit . Lalgorithme destimation (6.79) est initialis avec
la matrice identit, si bien que, la premire itration, lestimateur obtenu nest autre que le
NSCME. Ainsi, le FPE donne des performances lgrement meilleures que le NSCME. En fait,
les performances augmentent avec Nit jusqu la convergence de lalgorithme, sans toutefois
que ce gain soit significatif.
Si le nombre Nit ditrations de lalgorithme destimation de la matrice de covariance
normalise influe peu sur les performances, il dtermine en revanche la proprit TFAC du
dtecteur associ. En effet, pour que les dtecteurs AGNMF et AWNPD soient taux
de fausse alarme constant par rapport la matrice de covariance normalise, il faut que
lalgorithme ait converg, et donc que Nit soit suffisamment grand.
2 2
10 10
= 0.1 = 0.1
= 0.3 = 0.3
= 0.5 = 0.5
= 0.7 = 0.7
= 0.9 = 0.9
PF A
PF A
3 3
10 10
0.51 0.52 0.53 0.54 0.55 0.56 0.57 0.58 0.59 0.6 0.42 0.44 0.46 0.48 0.5 0.52 0.54
Seuil Seuil
(a) AGNMF, Nit = 1 (b) AWNPD, Nit = 1
2 2
10 10
= 0.1 = 0.1
= 0.3 = 0.3
= 0.5 = 0.5
= 0.7 = 0.7
= 0.9 = 0.9
PF A
PF A
3 3
10 10
0.51 0.52 0.53 0.54 0.55 0.56 0.57 0.58 0.59 0.6 0.42 0.44 0.46 0.48 0.5 0.52 0.54
Seuil Seuil
(c) AGNMF, Nit = 2 (d) AWNPD, Nit = 2
Figure 6.8 Proprit TFAC par rapport la matrice de covariance normalise des
AGNMF et AWNPD. N = 16, K = 64, = 0.5.
Afin dillustrer ce fait, la figure 6.8 prsente lvolution de la fausse alarme des AGNMF
et AWNPD en fonction du seuil de dtection, pour N = 16, K = 64, diffrentes valeurs de Nit
et du coefficient de corrlation . Ces courbes de probabilit de fausse alarme en fonction du
seuil de dtection ont t obtenues par une mthode de Monte-Carlo sur 1 000 000 de tirages.
Lorsque Nit = 1, lestimateur de la matrice de covariance normalise est, comme prc-
2 2
10 10
= 0.1 = 0.1
= 0.3 = 0.3
= 0.5 = 0.5
= 0.7 = 0.7
= 0.9 = 0.9
PF A
PF A
3 3
10 10
0.51 0.52 0.53 0.54 0.55 0.56 0.57 0.58 0.59 0.6 0.42 0.44 0.46 0.48 0.5 0.52 0.54
Seuil Seuil
(e) AGNMF, Nit = 5 (f ) AWNPD, Nit = 5
Figure 6.8 Proprit TFAC par rapport la matrice de covariance normalise des
AGNMF et AWNPD. N = 16, K = 64, = 0.5.
demment, le NSCME. Les dtecteurs associs ne sont clairement pas taux de fausse alarme
constant par rapport la matrice de covariance normalise puisque, pour un seuil fix, la
probabilit de fausse alarme dpend de , cest--dire de la matrice de covariance normalise.
En revanche, les dtecteurs peuvent tre considrs TFAC ds la deuxime itration.
1 1
AGNMF K = 9
0.9 0.9 AGNMF K = 16
AGNMF K = 32
0.8 0.8 AWNPD K = 9
AWNPD K = 16
0.7 0.7 AWNPD K = 32
GNMF
0.6 0.6 WNPD
PD
PD
0.5 AGNMF K = 9 0.5

AGNMF K = 16
0.4 0.4
AGNMF K = 32
0.3 AWNPD K = 9 0.3
AWNPD K = 16
0.2 AWNPD K = 32 0.2
GNMF
0.1 0.1
WNPD
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SCR (dB)
(a) N = 8 (b) N = 8
Figure 6.9 Performances des AGNMF et AWNPD en fonction de N et K. Nit = 5,

= 0.5, = 0.9
La figure 6.9 prsente les performances des AGNMF et AWNPD en fonction de N et de

K, sur le mme fouillis et la mme cible que prcdemment et avec 5 itrations pour le calcul
du FPE. Les courbes de probabilit de dtection en fonction du rapport signal fouillis sont
donnes pour une probabilit de fausse alarme de 104 et les courbes COR pour un rapport
signal fouillis de 3 dB.
Comme dans le cas non adaptatif, les performances des deux dtecteurs augmentent avec
N . Elles augmentent aussi avec K, puisque lestimateur de la matrice de covariance normalise
1 1
AGNMF K = 17
0.9 0.9 AGNMF K = 32
AGNMF K = 64
0.8 0.8 AWNPD K = 17
AWNPD K = 32
0.7 0.7 AWNPD K = 64
GNMF
0.6 0.6 WNPD
PD
PD
0.5 AGNMF K = 17 0.5
AGNMF K = 32
0.4 0.4
AGNMF K = 64
0.3 AWNPD K = 17 0.3
AWNPD K = 32
0.2 AWNPD K = 64 0.2
GNMF
0.1 0.1
WNPD
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SCR (dB)
(c) N = 16 (d) N = 16
1 1
0.9 0.9
0.8 0.8
0.7 0.7
AGNMF K = 33
0.6 0.6 AGNMF K = 64
PD
PD
AGNMF K = 128
0.5 AGNMF K = 33 0.5 AWNPD K = 33
AGNMF K = 64 AWNPD K = 64
0.4 0.4 AWNPD K = 128
AGNMF K = 128
GNMF
0.3 AWNPD K = 33 0.3 WNPD
AWNPD K = 64
0.2 AWNPD K = 128 0.2
GNMF
0.1 0.1
WNPD
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SCR (dB)
(e) N = 32 (f ) N = 32
Figure 6.9 Performances des AGNMF et AWNPD en fonction de N et K. Nit = 5,

= 0.5, = 0.9
est consistant. Ainsi, lorsque K augmente, les performances des AGNMF et AWNPD tendent
vers les performances affiches par leurs versions non adaptatives cest--dire les GNMF et
WNPD lorsque la matrice de covariance normalise est connue.
Les AGNMF et AWNPD se rvlent robustes la matrice de covariance normalise. En ef-
fet, non seulement ils sont taux de fausse alarme constant, et donc pour un seuil donn, leurs
probabilits de fausse alarme ne dpendent pas de la matrice de covariance normalise, mais
leurs probabilits de dtection ne dpendent pas elles non plus du coefficient de corrlation ,
comme le montrent les figures 6.10 et 6.11, qui reprsentent les courbes COR (obtenues pour
un rapport signal fouillis de 3 dB) et les courbes de probabilit de dtection en fonction
du rapport fouillis (obtenue pour une probabilit de fausse alarme de 104 ).
Comme les dtecteurs GNMF et WNPD prsents au chapitre 5, leurs versions adaptatives,
les AGNMF et AWNPD sont dautant plus puissants particulirement faible rapport
signal fouillis que le fouillis est spiky , cest--dire que le paramtre de forme est
petit (cf. annexe D). Les rsultats sont prsents sur les figures 6.12 et 6.13, o les courbes
COR ont t obtenues pour un rapport signal fouillis de 3 dB et les courbes de probabilit
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
= 0.1 = 0.1
0.2 = 0.3 0.2 = 0.3
= 0.5 = 0.5
0.1 = 0.7 0.1 = 0.7
= 0.9 = 0.9
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SCR (dB)
Figure 6.10 Performances du AGNMF en fonction du coefficient de corrlation .

N = 16, K = 64, Nit = 5, = 0.5.
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
= 0.1 = 0.1
0.2 = 0.3 0.2 = 0.3
= 0.5 = 0.5
0.1 = 0.7 0.1 = 0.7
= 0.9 = 0.9
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SCR (dB)
Figure 6.11 Performances du AWNPD en fonction du coefficient de corrlation .

N = 16, K = 64, Nit = 5, = 0.5.
de dtection en fonction du rapport signal fouillis pour une probabilit de fausse alarme de
104 .
En pratique, un dtecteur radar nest jamais confront seulement du fouillis, puisque le
bruit thermique du rcepteur est toujours prsent. Il est donc important dtudier la robustesse
des dtecteurs en prsence de bruit. La premire tude porte sue la probabilit de fausse alarme
des deux dtecteurs. Pour cela, les seuils de dtection ont t reprsents en fonction de la
probabilit de fausse alarme pour diffrentes valeurs du rapport fouillis bruit (CNR), dfini
par
E[ 2 ]
. (6.90)
n2
o 2 dsigne la texture du fouillis, distribue selon une loi Gamma de paramtre de forme
= 0.5 (fouillis distribu selon une loi K en amplitude) et n2 la variance du bruit thermique.
Comme on peut le voir sur les figures 6.14 et 6.15, les seuils varient en fonction du rapport
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
= 0.1 = 0.1
0.2 = 0.5 0.2 = 0.5
=1 =1
0.1 = 10 0.1 = 10
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SCR (dB)
Figure 6.12 Performances du AGNMF en fonction du paramtre de forme . N = 16,

K = 64, Nit = 5 et = 0.9.
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
= 0.1 = 0.1
0.2 = 0.5 0.2 = 0.5
=1 =1
0.1 = 10 0.1 = 10
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SCR (dB)
Figure 6.13 Performances du AWNPD en fonction du paramtre de forme . N = 16,

K = 64, Nit = 5 et = 0.9.
fouillis bruit, si bien que, en utilisant les seuils calculs sur fouillis seul, la probabilit
de fausse alarme observe ne correspond pas la probabilit de fausse alarme fixe, mis
part lorsque le rapport fouillis bruit est extrmement fort (100 dB) ou extrmement faible
(100 dB). En effet, dans ces deux cas, soit le fouillis soit le bruit est prpondrant, et donc
le modle est correct, puisque le bruit est un cas particulier de SIRP. En dehors de ces cas
extrmes, les seuils de dtection doivent alors tre rajusts pour maintenir la probabilit de
fausse alarme fixe par loprateur.
Les courbes COR et les courbes de probabilits de dtection en fonction du rapport signal
interfrence (SIR) cest--dire la rapport signal fouillis plus bruit des dtecteurs
AGNMF et AWNPD sont reprsentes sur les figures 6.16 et 6.17 pour diffrents rapports
fouillis bruit (CNR). Le rapport signal interfrence est dfini par
||2 p(f )H (E[ 2 ] + n2 I)1 p(f )

. (6.91)
N
0
0.8 10
fouillis seul
CNR = 100 dB
0.7
CNR = 10 dB
1
CNR = 0 dB 10
PF A observe
0.6 CNR = 10 dB
CNR = 100 dB
0.5
Seuil
2
10
0.4
CNR = 100 dB
0.3 3
10 CNR = 10 dB
CNR = 0 dB
0.2 CNR = 10 dB
CNR = 100 dB
4
0.1 10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 3 2 1 0
10 10 10 10
PF A PF A fixe
Figure 6.14 tude de la probabilit de fausse alarme du AGNMF en fonction du rapport

fouillis bruit. N = 16, K = 64, Nit = 5, = 0.5 et = 0.9.
0
0.65 10
fouillis seul
0.6
CNR = 100 dB
CNR = 10 dB
0.55
CNR = 0 dB
PF A observe
0.5 CNR = 10 dB 1
10
CNR = 100 dB
0.45
Seuil
0.4
0.35
2
10
0.3 CNR = 100 dB
CNR = 10 dB
0.25 CNR = 0 dB
CNR = 10 dB
0.2
CNR = 100 dB
3
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 3 2 1 0
10 10 10 10
PF A PF A fixe
Figure 6.15 tude de la probabilit de fausse alarme du AWNPD en fonction du rapport

fouillis bruit. N = 16, K = 64, Nit = 5, = 0.5 et = 0.9.
Les courbes COR ont t traces pour un rapport signal interfrence de 3 dB et les courbes
de probabilit de dtection en fonction du rapport signal interfrence pour une probabilit
de fausse alarme de 104 . Elles ont t obtenues sur un fouillis distribu selon une loi K de
paramtre de forme = 0.5. Pour cela, les seuils de dtection ont t rajusts en consquence.
Les performances se dgradent faible rapport signal interfrence lorsque le rapport
fouillis bruit diminue. En fait, lorsque le rapport fouillis bruit diminue, le bruit tend
devenir prpondrant sur le fouillis, si bien que les performances tendent vers les performances
sur fouillis gaussien. Le rapport fouillis sur bruit influe sur le caractre piqu ( spikiness
des interfrences (fouillis plus bruit). Tout se passe comme si les interfrences taient elles-
mmes distribues selon une loi K, mais avec un paramtre de forme diffrent de celui du
fouillis en fonction du rapport fouillis bruit. Si le rapport fouillis bruit est trs grand,
alors est gal , car le bruit est ngligeable. En revanche, lorsque le rapport fouillis
bruit diminue, augmente pour tendre vers linfini lorsque le rapport fouillis bruit tend
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 CNR = 100 dB 0.3 CNR = 100

CNR = 10 dB CNR = 10
0.2 CNR = 0 dB 0.2
CNR = 0
0.1 0.1
CNR = 100 dB CNR = 100
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SIR (dB)
Figure 6.16 Performances du AGNMF en fonction du rapport fouillis bruit. N = 16,

K = 64, Nit = 5, = 0.5 et = 0.9.
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 CNR = 100 dB 0.3 CNR = 100

0.2 CNR = 0 dB 0.2 CNR = 0
0.1 0.1
CNR = 100 dB CNR = 100
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SIR (dB)
Figure 6.17 Performances du AWNPD en fonction du rapport fouillis bruit. N = 16,

K = 64, Nit = 5, = 0.5 et = 0.9.
vers zro : dans ce cas, les interfrences sont en effet gaussiennes. Cest pourquoi les courbes
des figures 6.16 et 6.17 se comportent comme celles des figures 6.12 et 6.13.
Si le fouillis est trs peu spiky ou gaussien, le rapport fouillis bruit na donc aucune
influence sur les performances, puisque le paramtre de forme du fouillis est dj trs grand.
Ce phnomne est illustr par les figures 6.18 et 6.19 prsentant les courbes de probabilit de
dtection en fonction du rapport signal interfrences obtenues sur un fouillis de paramtre
de forme = 50.
Enfin, les AGNMF et AWNPD ont t valids sur des donnes relles de fouillis de mer
provenant dun enregistrement en vol effectu en Mditerrane, au large des ctes franaises.
Ces donnes sont prsentes plus en dtail dans le chapitre 7. La configuration du radar
tait telle que le nombre de coup au but tait denviron 32, et cest donc avec une taille
dobservation de N = 32 que les dtecteurs ont t tests. Les donnes ne contenant pas de
cible, une cible synthtique de la forme p(f ) a t ajoute afin de raliser les simulations,
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3 CNR = 100

CNR = 100 dB
CNR = 10
0.2 CNR = 10 dB 0.2 CNR = 0
CNR = 0 dB
0.1 0.1
CNR = 100 dB CNR = 100
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SIR (dB)
Figure 6.18 Performances du AGNMF en fonction du rapport fouillis bruit. N = 16,

K = 64, Nit = 5, = 50 et = 0.9.
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3 CNR = 100

CNR = 100 dB CNR = 10
0.2 CNR = 10 dB 0.2 CNR = 0
CNR = 0 dB
0.1 0.1
CNR = 100 dB CNR = 100
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15
PF A SIR (dB)
Figure 6.19 Performances du AWNPD en fonction du rapport fouillis bruit. N = 16,

K = 0064, Nit = 5, = 50 et = 0.9.
lamplitude || tant dtermine pour obtenir le rapport signal fouillis fix. La matrice de
covariance normalise et le niveau du fouillis tant inconnus, ils ont t estims afin de pouvoir
dterminer ||. Les courbes COR et les courbes de probabilit de dtection en fonction du
rapport signal fouillis ont t reprsentes pour diffrentes tailles de donnes secondaires sur
la figure 6.20. Les courbes COR ont t obtenues pour un rapport signal fouillis de 3 dB
et les courbes de probabilit de dtection en fonction du rapport signal fouillis pour une
probabilit de fausse alarme de 104 . Les donnes secondaires ont t prises de part et dautre
de la case distance sous test, en laissant 3 cases distance de garde. Comme prcdemment, on
observe que les performances augmentent avec la taille K des donnes secondaires. Lorsque
K = 64, le AWNPD affiche de mauvaises performances, qui sont rapprocher du rsultat
(6.64) : si K nest pas suffisamment grand, le blanchiment affecte la cible et par consquent
les performances du AWNPD sen trouvent dgrades. Comme le montrent les courbes COR,
cette dgradation de performances est surtout observable aux faibles probabilits de fausse
1 1
0.9 0.9
0.8 0.8
0.7 0.7
0.6 0.6
PD
PD
0.5 0.5
0.4 0.4
0.3 0.3
AGNMF K = 64 AGNMF K = 64
0.2 0.2 AGNMF K = 128
AGNMF K = 128
AWNPD K = 64 AWNPD K = 64
0.1 0.1
AWNPD K = 128 AWNPD K = 128
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 10 5 0 5 10 15 20 25
PF A SCR (dB)
Figure 6.20 Performances des AGNMF et AWNPD sur donnes relles. N = 32.
alarme.
7
CHAPITRE
Discrimination sol-mer
Dixit vero Deus : Congregentur aqu,

qu sub clo sunt, in locum unum, et ap-
pareat arida. Et factum est ita. Et vocavit
Deus aridam Terram, congregationesque
aquarum appellavit Maria.
Gn 1, 9-10
Lorsque la matrice de covariance normalise du fouillis nest pas connue, elle est estime
sur des donnes secondaires ne contenant pas de cible, comme cela est expliqu dans le cha-
pitre prcdent. Toutefois, pour que lestimation soit correcte, encore faut-il que les donnes
secondaires aient la mme matrice de covariance normalise que la cellule sous test. Si cest
gnralement le cas en pleine mer, il en va tout autrement en milieu ctier. En effet, le milieu
ctier est un milieu htrogne, caractris par la prsence de zones de terre et de zones de
mer. Ainsi, si les donnes secondaires incluent une zone de terre, lestimation de la matrice de
covariance normalise sen trouvera fausse, puisque le fouillis de sol na pas a priori la mme
matrice de covariance normalise que le fouillis de mer.
Afin dviter des dgradations de performances dues une mauvaise estimation de la
matrice de covariance normalise, il faut donc ne slectionner les donnes secondaires que sur
des zones de mer. Pour ce faire, il est ncessaire de pouvoir discriminer les zones de mer des
zones de terre, cest--dire dterminer pour chaque case distance si le fouillis observ est du
fouillis de mer ou du fouillis de sol.
Or, si le fouillis de mer a t largement tudi si bien que de nombreux modles ont t
proposs le modle SIRP tant le plus rpandu il nen va pas de mme pour le fouillis de
sol. En effet, le fouillis de sol est bien plus difficile modliser, car la diffrence de la mer,
la terre est un environnement trs htrogne. Les zones urbaines, les zones de vgtation ou
les zones rocheuses ne renvoient pas les mmes chos. Il est donc difficilement envisageable
doprer une discrimination sur la base de modles. Cest pourquoi, dans ce chapitre, ltude
effectue porte exclusivement sur des donnes relles.
7.1 Prsentation des donnes
Les donnes relles tudies dans ce chapitre proviennent dun enregistrement en vol effec-
tu en juillet 2007 dans la rgion de Hyres, en Mditerrane. Lors de cet enregistrement, la
108 CHAPITRE 7 : Discrimination sol-mer
mer tait peu agite (tat de mer 3) et le vent soufflait un azimut de 354. Le porteur volait
une altitude de 1500 pieds (environ 460 mtres) et une vitesse de 120 nuds (environ
220 km/h). Le radar mettait en bande X (8-12 GHz) et fonctionnait avec une frquence de
rptition de 800 Hz et une antenne en balayage 6 tours par minute. Louverture angulaire
du lobe dantenne 3 dB est de 1.2 ce qui donne donc environ 32 coups au but.
Figure 7.1 Carte rcurrences-distance du secteur tudi.
Lamplitude des donnes (vido brute radar) est reprsente sur la figure 7.1 sous la forme
dune carte rcurrences-distance en chelle logarithmique afin de mieux faire apparatre les
contrastes. Ces donnes correspondent un secteur angulaire de 90 stendant entre les
azimuts 247 et 337. Elles comportent 2 000 rcurrences soit une observation sur 2.5
secondes et 12 000 cases distance. Les cases distance en haut de la figure 7.1 sont les plus
proches du porteur, lazimut de lantenne est de 247 pour la premire rcurrence et de 337
pour la dernire.
Une reprsentation gographique de la zone tudie est donne sur la figure 7.2. La po-
sition du porteur pendant lenregistrement est indique par la flche verte. Son dplacement
pendant la dure dobservation est denviron 150 mtres, ce qui est ngligeable lchelle de
la reprsentation.
Des zones de terre, de rflectivit plus forte que la mer, apparaissent sur la vido brute,
si bien que lamplitude semblerait tre un discriminant suffisant. Toutefois, si des zones de
terre se dtachent aussi bien, cest dune part parce que la mer est peu agite, et donc que le
niveau du fouillis de mer est rduit, dautre part en raison du relief des ctes, qui augmente
leur rflectivit. Il nen est pas toujours de mme et il est donc ncesaire de rechercher un
discriminant plus robuste.
Puisque la terre est immobile alors que la mer est en mouvement en raison des courants
marins, les chos de sol et les chos de mer nont pas la mme frquence Doppler. Lide est
donc doprer la discrimination dans le domaine spectral afin dexploiter ce fait.
Section 7.2 : Analyse spectrale des donnes 109
Figure 7.2 Carte gographique de la zone tudie.
7.2 Analyse spectrale des donnes
7.2.1 tude globale
Une analyse spectrale du secteur considr a t faite laide dun priodogramme ef-
fectu sur une fentre glissante de 32 rcurrences, avec un zero-padding sur 128 points, afin
daffiner la rsolution en frquence. La frquence correspondant la composante maximale
du priodogramme a ensuite t releve et reprsente sur la figure 7.3. Cette frquence est
identifie la frquence centrale du pic Doppler, et donc la frquence Doppler moyenne des
chos.
Mer Terre Bruit thermique
Cases distance
Rcurrences
Figure 7.3 Frquence correspondant au pic Doppler maximal en fonction de la distance

et de la rcurrence.
Comme on peut le voir, la frquence Doppler varie au fil des rcurrences, et donc au cours
du temps. Ceci est d au fait que lantenne est en rotation si bien que langle de vue auquel
est directement relie la frquence Doppler varie avec le temps. Cest donc la rotation de
lantenne qui donne la figure 7.3 cet effet arc-en-ciel . La figure 7.3 permet aussi de
vrifier lhypothse de dpart : la frquence Doppler de la mer nest pas la mme que celle de
la terre. Une discontinuit correspondant la ligne de cte apparat alors. Enfin des zones de
neige apparaissent galement sur la figure : elles correspondent du bruit thermique, qui
se diffrencie du fouillis par sa largeur spectrale.
7.2.2 tude locale
Afin de voir de plus prs comment la frquence centrale du pic Doppler peut permettre de
discriminer fouillis de sol et fouillis de mer, une coupe de la figure 7.3 a t observe. Ainsi,
pour un instant donn (i.e. une rcurrence donne), lvolution de la frquence Doppler a
t tudie en fonction de la distance. Pour cela, seules 32 rcurrences de la vido brute, les
rcurrences 1401 1432, reprsentes sur la figure 7.4, ont t prises en compte. Lvolution
2000
4000
Cases distance
6000
8000
10000
12000
5 10 15 20 25 30
Rcurrences
Figure 7.4 Fentre 1 de 32 rcurrences contenant de la mer et de la terre.
de la frquence Doppler en fonction de la distance est prsente sur la figure 7.5. On y voit
clairement le bruit thermique, qui occupe tout le spectre, sur les cases distance 4 000 6 000
et 8 000 12 000, le fouillis de sol sur les cases distance 2 000 4 000 et 6 000 8 000 et le
fouillis de mer, dont le pic Doppler est une frquence suprieure celle du fouillis de sol, sur
les 1 000 premires cases distance, avant quil ne soit entach de bruit thermique sur les 1 000
cases distance suivantes. La terre nayant pas de vitesse propre, le pic Doppler du fouillis de
sol correspond la vitesse radiale du porteur, ce qui est vrifie ici. En effet, la vitesse du
porteur est vp = 60.4 m/s le gisement g de lantenne est de 358 et la frquence dmission f
est environ de 9, 4 GHz. La position du pic fd est alors donne par
2vp cos g
fd = mod P RF (7.1)

o = fc est la longueur donde, avec c la clrit de la lumire. Le pic Doppler de la terre est
donc en thorie situ 585 Hz, ce qui se vrifie sur la figure, aux erreurs destimation prs.
Section 7.2 : Analyse spectrale des donnes 111

800
700
Frquence Doppler
600
500
400
300
200
100
0
0 2000 4000 6000 8000 10000 12000
Cases distance
Figure 7.5 Frquence centrale du pic Doppler en fonction de la distance sur la fentre 1.
Toutefois, sous certains gisements, la vitesse radiale de la mer est nulle (notamment lorsque
la direction du vent est perpendiculaire la direction de vise, si toutefois la direction du
courant est assimile celle du vent), et un tel discriminant est susceptible de se rvler
inefficace. Pour voir ce quil en est, la mme tude a t effectue sur une deuxime fentre
dobservation pour laquelle la direction du vent est quasiment perpendiculaire la direction
de vise, ce qui constitue le cas le moins favorable pour une discrimination partir de la
frquence centrale du pic Doppler. La fentre analyse, stendant sur les rcurrence 584
615, est prsente sur la figure 7.6. Lazimut de lantenne est de 274, ce qui reprsente donc
2000
4000
Cases distance
6000
8000
10000
12000
5 10 15 20 25 30
Rcurrences
Figure 7.6 Fentre 2 de 32 rcurrences contenant de la mer et de la terre.
un angle de 80 avec la direction du vent. Il sagit, sur les donnes tudies, de la fentre
danalyse la plus dfavorable pour la discrimination contenant la fois du fouillis de mer et
du fouillis de sol. Lvolution de la frquence centrale du pic Doppler en fonction de la distance

a t reprsente sur la figure 7.7. Dans ce cas, le bruit thermique, quant lui, est toujours

800
700
Frquence Doppler
600
500
400
300
200
100
0
0 2000 4000 6000 8000 10000 12000
Cases distance
Figure 7.7 Frquence centrale du pic Doppler en fonction de la distance sur la fentre 2.
aussi nettement caractris par sa largeur spectrale.

On parvient encore diffrencier le fouillis de mer du fouillis de sol grce la position du
pic Doppler. Il est vrai toutefois que la transition terre-mer est moins nettement marque que
dans le cas de la fentre 1.
La frquence centrale du pic Doppler apparat donc comme un bon candidat pour discri-
miner le fouillis de sol du fouillis de mer, cependant elle ne permet pas de discriminer le fouillis
du bruit thermique, ce qui se rvle pourtant aussi ncessaire, sans quoi les zones de bruit
risquent dtre arbitrairement reconnues comme des zones de terre ou des zones de mer. Il faut
alors prendre galement en compte la largeur spectrale dans le processus de discrimination.
Toutefois, il est dlicat de lestimer partir du priodogramme en raison de la variance de cet
estimateur.
7.3 Modlisation autorgressive au premier ordre
Linformation sur la position du pic Doppler et sur la largeur spectrale, qui sert dis-
criminer bruit thermique, fouillis de mer et fouillis de sol, peut tre reprsente par un seul
paramtre en modlisant les observations par un processus autorgressif (AR) dordre 1. En
effet, un processus complexe AR Z[k] dordre 1 est caractris par la relation
Z[k + 1] = Z[k] + [k + 1] (7.2)
o est un coefficient complexe appel coefficient de rflexion et dsigne un bruit blanc.

Le processus Z[k] peut alors tre vu comme le filtrage dun bruit blanc par un filtre rponse
impulsionnelle infinie, de fonction de transfert H donne par
1
H(z) = , (7.3)
1 z 1
Section 7.3 : Modlisation autorgressive au premier ordre 113
si bien que la densit spectrale de puissance (f ) du processus Z[k] est alors
(f ) = 2 |H(f )|2 (7.4)

2
= (7.5)
|1 ei2f |2
o 2 dsigne la variance du bruit blanc. En crivant sous sa forme polaire = 0 ei2f0

o 0 et le module de et f0 sa frquence normalise on obtient alors
2
(f ) = . (7.6)
1 20 cos(2(f f0 )) + 20
La densit spectrale de puissance (f ) est donc maximale la frquence f0 , qui est donc la
frquence centrale du pic Doppler. La largeur spectrale 3 dB est quant elle donne par
(
1 si 0 [0, 3 2 2]
f = 1 (10 )2 (7.7)
arccos 1 20 si 0 [3 2 2, 1]
si bien que 0 caractrise la largeur spectrale : plus 0 est petit, et plus large est le spectre
du processus AR correspondant, comme lillustre la figure 7.8.
1
rho0 = 0.9
0.9
rho0 = 0.5
0.8 rho0 = 0.1
0.7
0.6
DSP
0.5
0.4
0.3
0.2
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Frquence normalise
Figure 7.8 Spectre dun processus AR dordre 1.
Le coefficient de rflexion suffit donc dterminer la frquence centrale du pic Doppler,

dpendant de la phase de , et sa largeur spectrale, dpendant de son module.
Le coefficient de rflexion est reprsent dans le plan complexe sur les figures 7.9 et 7.10
pour chacune des deux fentres tudies prcdemment. Pour le bruit thermique, qui occupe
tout le spectre, le module du coefficient de corrlation est plus petit que pour le fouillis de
mer ou de sol. La phase du coefficient de corrlation donne la position du pic Doppler, qui
change entre la terre et la mer.
La discrimination entre les trois zones se fait donc en deux temps. Le bruit thermique
est dans un premier temps discrimin laide dun seuillage sur le module du coefficient de
rflexion avant dtre limin. Le fouillis de mer est ensuite diffrenci du fouillis de sol
Bruit thermique
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
Terre Mer
Figure 7.9 volution du coefficient de rflexion pour la fentre 1.
Bruit thermique
0.4
0.2
0.2
0.4
0.6
0.8
1
0.5 0 0.5 1
Terre Mer
Figure 7.10 volution du coefficient de rflexion pour la fentre 2.
partir de la phase du coefficient de rflexion. Cela revient en fait une dtection de mode sur
un histogramme : si lhistogramme de la phase du coefficient de rflexion est unimodal, alors
il ny a soit que de la terre, soit que de la mer. Si lhistogramme est en revanche bimodal,
alors la zone observe contient de la mer et de la terre.
Les histogrammes de la phase du coefficient de rflexion des fentres 1 et 2 ont t repr-
sents, aprs limination du bruit thermique, sur la figure 7.11. Les deux fentres contenant du
fouillis de mer et du fouillis de sol, les histogrammes sont bimodaux. De plus, les modes sont
bien spars et donc une dtection de mode est possible. En revanche, la difficult porte sur
lidentification des modes : comment savoir si un mode correspond du fouillis de sol ou du
fouillis de mer ? Puisque la terre na pas de vitesse propre, sa frquence Doppler correspond
la vitesse du porteur et donc il est a priori possible de lidentifier. Toutefois, linformation de
Section 7.3 : Modlisation autorgressive au premier ordre 115
1600 800
1400 700
1200 600
1000 500
800 400
600 300
400 200
200 100
0 0
4 3 2 1 0 1 2 3 3 2 1 0 1 2 3 4
(a) Fentre 1 (b) Fentre 2
Figure 7.11 Histogrammes de la phase du coefficient de rflexion aprs limination du

bruit.
vitesse donne par les instruments de navigation nest pas suffisamment prcise pour pouvoir
identifier la terre de la sorte. En effet, lerreur sur la mesure de la vitesse du porteur suffit
pouvoir confondre le mode correspondant au fouillis de sol avec celui correspondant au fouillis
de mer. Nanmoins, lidentification des modes nest pas ncessaire la slection des donnes
secondaires. En effet, nul nest besoin de savoir si les donnes secondaires sont du fouillis de
sol ou du fouillis de mer. Elles doivent seulement tre homognes et correspondre au mme
mode que la cellule sous test.
Une discrimination entre fouillis de sol et fouillis de mer est donc ralisable partir du
coefficient de rflexion, issu dune modlisation AR au premier ordre du fouillis. Cette mthode
prsente galement lavantage de pouvoir discriminer le bruit thermique du fouillis. De plus,
il est envisageable de combiner cette technique de discrimination lestimation de la matrice
de covariance normalise, qui contient linformation spectrale des observations.
Conclusion
Les radars modernes fonctionnent sur le mme principe que leurs anctres, dvelopps
laube de la seconde guerre mondiale. Toutefois, les techniques de traitement du signal utilises
ne cessent dvoluer. Cette volution suit les progrs concernant la modlisation du fouillis.
Ainsi, les premiers dtecteurs taient des filtres adapts un bruit gaussien qui se rvlrent
inefficace pour la surveillance maritime en incidence rasante ou haute rsolution. En effet,
dans ces conditions, les statistiques du fouillis de mer ne sont plus gaussiennes. Les stratgies
de dtection radar sont paramtriques : si le modle de fouillis est correct, leurs performances
seront a priori meilleures que celles de stratgies non paramtriques. En revanche, si le modle
se rvle faux, les performances peuvent alors tre trs mauvaises.
Cest pourquoi de nombreux efforts ont t dploys et le sont toujours pour mod-
liser le fouillis. Ces efforts ont notamment permis daboutir sur le modle processus alatoire
invariant sphriquement (PAIS), qui est actuellement le plus rpandu car il offre une bonne
adquation avec le fouillis rel et que sa densit de probabilit multivarie est connue (contrai-
rement aux modles alpha-stables, par exemple), ce qui permet dappliquer les rsultats de la
thorie statistique de la dcision. Toutefois, comme cela a t montr, le modle PAIS nest pas
vraiment adapt au problme de la dtection radar : la loi de la texture nest jamais connue
en pratique, si bien que les dtecteurs associs au modle PAIS ne peuvent tre implments.
Une considration asymptotique est alors utilise pour driver des procdures sous-optimales
ne ncessitant pas la connaissance de la loi de la texture. Un nouveau modle, le modle
localement gaussien, a t propos, permettant dobtenir naturellement par la stratgie du
test du rapport de vraisemblance gnralis les mmes dtecteurs. Ainsi, lapproximation
asymptotique est transfre du dtecteur au modle lui-mme. Cette approximation consiste
considrer la texture du fouillis comme un paramtre dterministe inconnu, cest--dire ne
pas modliser son volution. Ainsi, pour valuer correctement les performances des dtecteurs
obtenus, il est en revanche ncessaire dutiliser le modle PAIS.
Aprs la modlisation du fouillis vient, dans la recherche de dtecteur, le problme de
loptimalit des procdures de dtections. En effet, toute dcision sappuie sur un critre
(sans quoi elle serait arbitraire) qui est un critre doptimalit. Le critre utilis en radar
est le critre de Neyman-Pearson, car il permet de maintenir la probabilit de fausse alarme
laquelle sont trs sensibles les oprateurs en dessous dun seuil prdfini. Toutefois,
ce critre nest pas non plus, linstar du modle PAIS, bien adapt au problme de la
dtection radar. En effet, ds lors que les hypothses testes sont des hypothses composes
ce qui est toujours le cas en radar, en raison des paramtres inconnus du fouillis et de la
cible il nexiste gnralement pas de test optimal. Cest pour cela que deux autres critres
doptimalit, moins rpandus dans le domaine, ont t introduits. Ils consistent appliquer le
critre de Neyman-Pearson sur une classe restreinte de tests les tests puissance constante
118 Conclusion
sur une famille de surface et les tests invariants jugs tre les tests dintrt. Ainsi, comme
le critre de Neyman-Pearson, ces deux critres contraignent la probabilit de fausse alarme
ne pas franchir un certain seuil. Par ailleurs, ils garantissent une certaine robustesse des
dtecteurs, cest--dire quun test ne peut pas tre trs performant pour certains paramtres
et trs mauvais pour dautres. On montre que sous certaines conditions, les deux critres
mnent au mme test optimal, et ainsi la recherche dun test puissance constante sur une
famille de surfaces optimal (i.e. uniformment plus puissant constamment), gnralement
difficile, se ramne la recherche dun test invariant optimal (i.e. uniformment plus puissant
invariant), bien plus aise.
Enfin, pour spcifier compltement le problme, il reste modliser le vecteur des chos
renvoys par une cible pendant le temps dclairement. Dans un grand nombre de travaux, ce
vecteur est suppos connu un facteur complexe prs, cest--dire que le vecteur de direction
de la cible est suppos connu. En dautres termes, la cible appartient un sous-espace vectoriel
de dimension 1 de lespace dobservation. Cette hypothse nest en fait pas trs raliste. En
effet, lcho dune petite cible peut tre modlis comme une sinusode dont lamplitude, la
phase et la frquence sont inconnues en pratique. Or supposer que le vecteur de direction est
connu revient supposer que la frquence lest aussi. Cest pourquoi la frquence de la cible
a t ici suppose inconnue.
Dans le cas dun fouillis localement gaussien blanc, le test du rapport de vraisemblance
gnralis est le test optimal en pratique [Kay et Gabriel, 2002] : il est simple de limplmenter
il sagit dun priodogramme normalis (NPD) et il affiche des performances trs proches
du test uniformment plus puissant invariant, qui ncessite la connaissance du rapport signal
fouillis pour tre implment. Lorsque le fouillis est color sa matrice de covariance
normalise tant suppose connue le test du rapport de vraisemblance gnralis ne se
prsente plus sous la forme dun priodogramme normalis, mais comme un filtre adapt
normalis gnralis (GNMF), dont limplmentation est a priori moins aise. Toutefois, il a
t montr quun blanchiment naltre pas la structure de la cible ds lors que la taille des
observations est suffisamment grande, si bien que le NPD peut tre appliqu en effectuant un
blanchiment au pralable (WNPD). Toutefois, le WNPD affiche des performances lgrement
infrieures celles du GNMF (car le blanchiment affecte tout de mme un peu la cible, la taille
des observations ntant pas infinie) pour une complexit quivalente, la matrice de covariance
normalise tant connue, ce qui permet deffectuer des calculs au cours dun prtraitement.
Nanmoins, en pratique, la matrice de covariance normalise du fouillis nest pas connue.
Dans ce cas, des donnes de rfrence appeles donnes secondaires ne contenant pas
de cible doivent tre introduites pour compenser le nombre dinconnues supplmentaires. Le
WNPD, qui ne prsentait pas davantage particulier dans le cas o la matrice de covariance
normalise tait connue, va alors rvler tout son intrt. En effet, les stratgies de dtection
que constituent le test du rapport de vraisemblance gnralis et la rduction du problme
par invariance nont pas permis de dobtenir un nouveau dtecteur. Une mthode de plug-
in consistant remplacer la matrice de covariance normalise par une estime dans
lexpression des dtecteurs a alors t utilise. Les dtecteurs GNMF et WNPD proposs
prcdemment deviennent alors respectivement les AGNMF et AWNPD. Lestimation de la
matrice de covariance a t effectue grce lestimateur du point fixe propos par [Conte et
Ricci, 1994, Pascal et al., 2007], car alors les AGNMF et AWNPD sont taux de fausse alarme
constant. Lorsque la taille des observations est suffisamment grande, le AWNPD affiche des
performances lgrement suprieures celles du AGNMF, pour un cot de calcul moins lev.
En milieu ctier, les donnes secondaires sont susceptibles de contenir du fouillis de sol,
ce qui peut biaiser lestimation de la matrice de covariance normalise et donc dgrader les
Conclusion 119
performances du dtecteur. Il est par consquent important de pouvoir discriminer zones de

terre et zones de mer, afin de slectionner des donnes secondaires ne contenant que du fouillis
de mer. Pour cela, deux discriminants ont t identifis : la frquence centrale du pic Doppler
et la largeur spectrale. Ils permettent de discriminer fouillis de sol, fouillis de mer et bruit
thermique. En modlisant alors le fouillis comme un processus autorgressif du premier ordre,
la discrimination peut alors tre effectue partir du coefficient de rflexion, qui dpend de
ses deux discriminants.
Annexes
A
ANNEXE
Vecteurs et matrices
gaussiens
A.1 Vecteurs gaussien
A.1.1 Dfinition
Un vecteur alatoire Z RN est gaussien si et seulement si pour tout vecteur RN ,

T Z est une variable alatoire gaussienne. Autrement dit, un vecteur alatoire est gaussien
si toute combinaison linaire de ses composantes est une variable alatoire gaussienne.
La distribution dun vecteur gaussien est caractrise par sa moyenne et sa matrice de
covariance dfinies par
= E[Z] (A.1)
et
= E[ZZT ]. (A.2)
La matrice de covariance est donc toujours symtrique et positive. La fonction caractris-
tique est donne par
T 1 T
Z (u) = ei u 2 u u (A.3)
A.1.2 Densit de probabilit
Lorsque la matrice de covariance est dfinie (et donc non singulire), le vecteur Z admet
une densit de probabilit donne par
1 1 T 1 (u)
fZ (u) = N 1 e 2 (u) . (A.4)
(2) ||
2 2
Si la matrice de covariance nest pas dfinie, le vecteur gaussien Z nadmet alors pas de
densit de probabilit. Dans ce cas, les composantes de Z sont presque srement linairement
dpendantes.
A.1.3 Vecteurs gaussiens complexes
Le vecteur alatoire complexe Z = X+ iY CN o X et Y sont des vecteurs alatoires

dfini par
rels de taille N est gaussien si et seulement si le vecteur Z

X
Z= (A.5)
Y
124 ANNEXE A : Vecteurs et matrices gaussiens
est un vecteur gaussien de dimension 2N . La densit de Z est alors donne par
fZ (z) = fZ (
z) (A.6)
1 12 ( 1 (
z])T
zE[ zE[
z])
= 1 e (A.7)
N
(2) || 2
= [xy]T et
o z = x + iy, x et y tant des vecteurs rels, Z est la matrice de covariance de
donne par
Z,

XXT XY T
= E (A.8)
YXT YY T

X X,Y
= (A.9)
TX,Y Y
o X , Y et X,Y dsignent respectivement la matrice de covariance de X, la matrice de

covariance de Y et la matrice dintercovariance de X et Y dfinie par X,Y = E[XY T ].
Lorsque
X = Y
(A.10)
X,Y = TX,Y
le vecteur gaussien complexe est dit circulaire, et alors sa densit de probabilit est donne
par
1 1 H 1
fZ (z) = N e 2 (zE[z]) (zE[z]) (A.11)
||
o est la matrice de covariance de Z, dfinie par
= E[ZZH ]. (A.12)
A.2 Matrices gaussiennes

Soit X = [X1 XM ] RN M une matrice relle de taille N M , o X1 , . . . , XM
dsignent les vecteurs colonnes. On dfinit loprateur vec par

X1
vec(X) = ... .

(A.13)
XM
Une matrice alatoire Z RN M est gaussienne si et seulement si vec(Z) est un vec-

teur gaussien. Lorsque les vecteurs colonnes X1 , . . . , XM sont indpendants et identiquement
distribus de matrice de covariance RN N , alors la matrice de covariance de Z est
IM , o IM dsigne la matrice identit M M et dnote le produit de Kronecker.
Dans le cas o les vecteurs colonnes X1 , . . . , XM sont indpendants et de matrices de
2 , alors la matrice de covariance de Z est
covariances respectives 12 , . . . , M M , o
M est la matrice diagonale dfinie par
2
1 0
..
M = . . (A.14)
0 2
M
Section A.2 : Matrices gaussiennes 125
Si Z est une matrice alatoire gaussienne de moyenne M et de matrice de covariance

M , alors la matrice AZB est une matrice gaussienne, de moyenne AMB et de matrice
de covariance BT M B AAT . En effet, vec(AZB) = (BT A)vec(Z).
La notion de matrice gaussienne complexe se dduit naturellement de la dfinition des
vecteurs gaussiens complexes.
B
ANNEXE
Proprit TFAC des

AGNMF et AWNPD
associs lestimateur du
point fixe
Les dtecteurs AGNMF et AWNPD associs lestimateur du point fixe b F P E de la

matrice de covariance normalise sont trivialement TFAC par rapport aux niveaux k , puisque
b F P E ne dpend pas des k , et par consquent son facteur de cholesky W
c F P E non plus. La
proprit TFAC par rapport la matrice de covariance normalise a t montre par [Pascal
et al., 2006] dans le cas o le vecteur de direction p(f ) est connu. La dmonstration dans
le cas o la frquence f est inconnue est donne ci-aprs, ainsi que la dmonstration de la
proprit TFAC par rapport la matrice de covariance normalise du AWNPD.
B.1 Proprit TFAC par rapport du AGNMF associ

lestimateur du point fixe
La dmonstration repose sur le lemme suivant.
Lemme B.1.1. Soit ZREF = [z1 zK ] une matrice N K et A une matrice N N non
b REF ) lestimateur du point fixe calcul sur ZREF . Alors il existe
singulire. On dsigne par (Z
un scalaire > 0 tel que
b
(AZ b
REF ) = A(ZREF )A
H
(B.1)
b
Dmonstration. Lestimateur (AZ REF ) vrifie lquation
K
b NX Azk zH
k A
H
(AZ REF ) = (B.2)
K H Hb 1
k=1 zk A (AZREF ) Azk
et donc
K
1 b H NX zk zH
k
A (AZREF )A = . (B.3)
K H 1 b H )1 z
k=1 zk (A (AZREF )A k
b
Et donc A1 (AZ REF )A
b REF ). Daprs [Pascal et al.,
H vrifie lquation qui dfinit (Z
2008], on en dduit quil existe > 0 tel que

b
A1 (AZ REF )A
H b REF )
= (Z (B.4)
128 ANNEXE B : Proprit TFAC des AGNMF et AWNPD
ce qui montre le rsultat.
Puisque le dtecteur AGNMF ne dpend pas des niveaux k , on peut supposer sans perte
de gnralit que pour tout k, k = 1 et donc que le vecteur Z sous test et les vecteurs
de rfrences Z1 , . . . , ZK sont tous gaussiens de matrice de covariance . Cette matrice de
covariance tant symtrique dfinie et positive, elle admet une factorisation de Cholesky de
la forme
= UH U (B.5)
si bien que Y = UH Z et Yk = UH Zk sont des vecteurs gaussiens de matrice de covariance
identit I. De plus, daprs le lemme B.1.1, le dtecteur AGNMF scrit en fonction des
donnes blanchies
AGN M F (Z) = AGN M F (UH Y) (B.6)
b REF )1 Y|2
|(UH p(f ))H (Y
= max (B.7)
b REF )1 UH p(f ))(Y H (Y
f [0,1[ ((UH p(f ))H (Y b REF )1 Y)
b REF ) dsigne lestimateur du point fixe calcul sur les donnes secondaires YREF =
o (Y
[Y1 YK ]. Soit alors la matrice unitaire V(f ) telle que
1
V(f )UH p(f ) = kUH p(f )kp(f ). (B.8)
N
Alors, toujours daprs le lemme B.1.1, en posant X = V(f )H Y et Xk = V(f )H Yk , le
dtecteur AGNMF scrit
b REF )1 X|2
|p(f )H (X
AGN M F (Z) = max . (B.9)
b REF )1 p(f ))(XH (X
f [0,1[ (p(f )H (X b REF )1 X)
Or la matrice V(f ) tant unitaire, X et les Xk sont des vecteurs blancs gaussiens comme
b REF ) ne dpend pas de , et donc la
Y et les Yk . Par consquent, la distribution de (X
distribution de AGN M F (Z) non plus.
B.2 Proprit TFAC par rapport du AWNPD associ

lestimateur du point fixe
La dmonstration repose galement sur le lemme B.1.1, que lon adapte cette fois-ci
c F P E . Elle est mme plus simple que dans le cas prcdent.
lestimateur W
Lemme B.2.1. Soit ZREF = [z1 zK ] une matrice N K et L une matrice N N tri-
b REF ) lestimateur du point fixe de
angulaire infrieure dfinie positive. On dsigne par (Z
calcul sur ZREF . Cet estimateur est une matrice symtrique dfinie positive qui admet par
consquent une factorisation de Cholesky de la forme
b REF ) = R(Z
(Z b REF )R(Z
b REF )H (B.10)
b REF ) est une matrice triangulaire infrieure dfinie positive. On dfinit lestimateur
o R(Z
c REF ) de la matrice de blanchiment par
du point fixe W(Z
c REF ) = R(Z
W(Z b REF )1 . (B.11)
Alors il existe un scalaire > 0 tel que
c
W(LZ c
REF ) = W(ZREF )L
1
(B.12)
Section B.2 : Proprit TFAC par rapport du AWNPD 129
Dmonstration. Daprs le lemme B.1.1, il existe un scalaire > 0 tel que
b
(LZ b H
REF ) = L(ZREF )L . (B.13)
b
Or (LZ REF ) est une matrice symtrique dfinie et positive, et donc admet une factorisation
de Cholesky donne par
b
(LZ b b H
REF ) = R(LZREF )R(LZREF ) . (B.14)
De mme,
b REF ) = R(Z
(Z b REF )R(Z
b REF )H , (B.15)
et donc daprs B.13
b
R(LZ b H b b H H
REF )R(LZREF ) = LR(ZREF )R(ZREF ) L . (B.16)
Lunicit de la factorisation de Cholesky permet de conclure que
b b
R(LZ REF ) = LR(ZREF ) (B.17)
Il vient alors
b
W(LZREF ) = R(LZ REF )
1
(B.18)
b
= ( LR(ZREF ))1 (B.19)
1b
= R(ZREF )1 L1 (B.20)

De la mme manire que pour le AGNMF, la dmonstration consiste exprimer le d-

tecteur en fonction des donnes blanchies. Puisque le dtecteur AWNPD ne dpend pas des
niveaux k , ces derniers seront supposs sans perte de gnralit tous gaux 1, si bien que
les vecteurs Z1 , . . . , ZK et Z sont tous gaussiens de matrice de covariance . Cette matrice
de covariance tant symtrique dfinie et positive, elle admet une factorisation de Cholesky
donne par
= LLH (B.21)
o L est une matrice triangulaire infrieure dfinie positive, si bien que X = L1 Z et Xk =

L1 Zk sont des vecteurs blancs gaussiens. Daprs le lemme B.2.1, le dtecteur AWNPD scrit
alors en fonction des donnes blanchies
AW N P D (Z) = AW N P D (LX) (B.22)

c REF )X|2
|p(f )H W(X
= max (B.23)
c REF )H W(X
f [0,1[ XH W(X c REF )X
= AW N P D (X) (B.24)
et donc la distribution de AW N P D (Z) ne dpend pas de . De plus, on a galement montr

que le dtecteur tait invariant toute multiplication gauche par une matrice triangulaire
infrieure dfinie positive.
130 ANNEXE B : Proprit TFAC des AGNMF et AWNPD
B.3 Proprit TFAC par rapport des AGNMF et AWNPD

associs au sample covariance matrix estimator
b SCM E est dfini, pour des donnes
Le sample covariance matrix estimator (SCME)
secondaire ZREF de taille N K, par
b SCM E (ZREF ) = 1 ZREF ZH .

(B.25)
REF
K
Il vrifie donc trivialement lquation (B.12). En effet, pour une matrice A de taille N N ,
alors
b SCM E (AZREF ) = 1
AZREF ZH REF A
H
(B.26)
K
= Ab SCM E (ZREF )AH . (B.27)
Par consquent, les dmonstrations dveloppes dans les sections B.1 et B.2 sappliquent
galement au SCME, et donc les AGNMF et AWNPD associs au SCME sont TFAC par
rapport la matrice de covariance normalise .
C
ANNEXE
Invariant Maximal pour

la dtection adaptative
sur un fouillis localement
gaussien
Soit Z une matrice coefficients complexes de taille N (K + 1), et les transformations

(D, L) dfinies par
(D, L)Z = LZD (C.1)
o D est une matrice diagonale dfinie positive (donc coefficients rels) de taille (K + 1)
(K + 1) et L une matrice triangulaire infrieure dfinie positive coefficients complexes de
taille N N telle que L11 = 1. On note T lapplication qui une matrice

z1,1 z1,K+1
Z = ... ..
..
. . (C.2)
zN,1 zN,K+1
associe la matrice z1,1 zN,1

|z1,1 | |z1,1 |

T (Z) = .. .. ..
(C.3)
. . . .
z1,K+1 zN,K+1
|z1,K+1 | |z1,K+1 |
La matrice T (Z) est alors une matrice de taille (K + 1) N avec K + 1 > N presque
srement de rang plein. Dans ces conditions, T (Z) peut tre factorise sous la forme
T (Z) = Q(Z)R(Z) (C.4)
o Q(Z) est une matrice de taille (K + 1) N unitaire, cest--dire telle que
Q(Z)Q(Z)H = IN (C.5)
et R(Z) est une matrice de taille N N triangulaire suprieure dfinie positive. Cette facto-
risation appele factorisation QR est unique, et alors Q(Z) est un invariant maximal
pour le groupe des transformations (C.1). Pour le montrer, il faut vrifier que Q(Z) vrifie les
conditions suivantes :
pour toute application (D, L), Q(LZD) = Q(Z) (invariance)
pour tout couple de matrices (Z1 , Z2 ) tel que Q(Z1 ) = Q(Z2 ), il existe (D, L) telle que
Z1 = LZ2 D (maximalit)
132 ANNEXE C : Invariant Maximal
C.1 Invariance
Soient L une matrice triangulaire infrieure dfinie positive coefficients complexes de
taille N N et D une matrice diagonale dfinie positive de taille (K + 1) (K + 1) :

1 0
..
L21 L22 .
L= .. ..

(C.6)
. .
LN 1 LN 2 LN N
et
d1 0
..
D= . (C.7)
0 dK+1
Alors LZD scrit

d1 z1,1 dK+1 z1,K+1
.. .. ..
LZD = . . . (C.8)
PN PN
d1 n=1 LN n zn,1 dK+1 n=1 LN n zn,K+1
et donc
PN
d1 z1,1 d1 n=1 LNn zn,1
|d1 z1,1 | |d1 z1,1 |

T (LZD) = .. .. ..
(C.9)
. . .
PN
dK+1 z1,K+1 dK+1 n=1 LNn zn,K+1
|dK+1 z1,K+1 | |dK+1 z1,K+1 |
= T (LZ) (C.10)
T
= T (Z)L (C.11)
et donc
T (LZD) = T (Z)LT (C.12)

T
= Q(Z)R(Z)L (C.13)
o Q(Z) est une matrice unitaire et R(Z)LT est une matrice triangulaire suprieure dfinie
positive (puisque cest le produit de deux matrices triangulaires suprieures dfinies positives).
Par unicit de la factorisation QR, il vient
Q(Z) = Q(LZD) (C.14)
do linvariance.
C.2 Maximalit
Soient Z1 et Z2 deux matrices de taille N (K + 1) telles que Q(Z1 ) = Q(Z2 ). Les
factorisations QR de T (Z1 ) et T (Z2 ) scrivent respectivement
T (Z1 ) = Q(Z1 )R(Z1 ) (C.15)

Section C.2 : Maximalit 133
et
T (Z2 ) = Q(Z2 )R(Z2 ) (C.16)
et donc, puisque Q(Z1 ) = Q(Z2 ), il vient
T (Z1 ) = T (Z2 )RR(Z2 )1 R(Z1 ). (C.17)
Or en remarquant que pour une matrice Z, T (Z) = D(Z)ZT , o

1
|z1,1 | 0

D(Z) = .. .. ..
(C.18)
. . . ,
1
0 |z1,K+1 |
il vient Z1 = [R(Z2 )1 R(Z1 )]T Z2 D(Z2 )D(Z1 )1 . Or [R(Z2 )1 R(Z1 )]T est une matrice tri-
angulaire infrieure dfinie positive, puisque R(Z1 ) et R(Z2 ) sont des matrices triangulaires
suprieures dfinies positives (daprs la factorisation QR), et D(Z2 )D(Z1 )1 est une ma-
trice diagonale dfinie positive, puisque D(Z1 ) et D(Z2 ) sont des matrices diagonales dfinie
positives daprs (C.18), do la maximalit.
D
ANNEXE
Performances dun test

non biais sur un fouillis
spiky
Soit le test dhypothses binaire H0 : Z = contre H1 : Z = s+, o est un spherically

invariant random vector (SIRV) admettant une reprsentation de la forme (cf. chapitre 2)

= X (D.1)
avec X un vecteur gaussien et une variable alatoire positive distribue selon une loi Gamma
de paramtre de forme et de facteur dchelle 1 . La puissance du SIRV, donne par E[ ] est
alors unitaire, et la fonction de rpartition F de est donne par
(, x)
F (x) = (D.2)
()
o dsigne la fonction Gamma incomplte, dfinie par [Abramowitz et Stegun, 1964]
Z x
(a, x) = et ta1 dt (D.3)
0
et la fonction Gamma dEuler.
Soit un test non biais pour le test dhypothses binaire H0 contre H1 , dfini par

0 si (z)
(z) = (D.4)
1 si (z) >
o est une fonction sur lespace dobservation valeurs dans R et est un seuil choisi afin
de garantir un niveau fix. Pour un paramtre de forme donn, la probabilit de dtection
PD () de est alors donne par
PD () = P ((Z) > |H1 ) (D.5)
= P ((s + ) > ) (D.6)
Z +

= P ((s + X) > )dF ( ) (D.7)
0
et la probabilit de fausse alarme PF A () par

PF A () = P ((Z) > |H0 ) (D.8)
= P (() > ) (D.9)
Z +

= P (( X) > )dF ( ). (D.10)
0
136 ANNEXE D : Performances dun test non biais sur un fouillis spiky
Daprs [Abramowitz et Stegun, 1964, formule (6.5.29)],

+
X zn
(a, z) = ez (D.11)
(a + n + 1)
n=0
a
o (a, z) = z (a)
(a,z)
[Abramowitz et Stegun, 1964, formule (6.5.4)]. Par consquent, puisque

F (x) = (x) (, x), il vient
+
X (x)n
F (x) = (x) ex (D.12)
( + n + 1)
n=0
+
!
1 X (x)n
= e ln x ex + . (D.13)
( + 1) ( + n + 1)
n=1
Or
+
X +
X
(x)n (x)n1
= x (D.14)
( + n + 1) ( + n + 1)
n=1 n=1
+
X (x)n
= x (D.15)
( + n + 2)
n=0
+
X (x)n
= x (D.16)
( + n + 1)( + n + 1)
n=0
car (z + 1) = z(z) daprs [Abramowitz et Stegun, 1964, formule (6.1.15)]. Il suit

+
X (x)n 1
= x P+ (x)n
(D.17)
( + n + 1) ( + 1)( + 1) +
n=1 n=1 (+n+1)(+n+1)

1
= x P+ (x)n1
(D.18)
( + 1)( + 1) + x n=1 (+n+1)(+n+1)
et donc, puisque pour tout n 1, + n + 1 + 1, il vient

+
X n
(x) 1
x P+ (x)n1
(D.19)
( + n + 1) ( + 1)( + 1) + x
n=1 +1 n=1 (+n+1)
soit encore
+
X (x)n x
(D.20)
( + n + 1) ( + 1 (x)2 )( + 1)
n=1
et donc, puisque
x
0 (D.21)
( + 1 (x)2 )( + 1) 0
il vient que, pour tout x > 0,
+
X (x)n
0. (D.22)
( + n + 1) 0
n=1
137
Comme de plus
1
1 (D.23)
( + 1) 0
et
e ln x ex 1 (D.24)
0
on conclut que, pour tout x > 0,

F (x) 1. (D.25)
0

Ainsi, F converge en distribution vers la distribution F0 de Dirac en 0. Si P ((s+ X) > )

et P (( X) > ) sont continues en , il vient, daprs [Serfling, 1980, thorme A, p. 16],
Z +

lim PD () = P ((s + X) > )dF0 ( ) (D.26)
0 0
= P ((s) > ) (D.27)
et
Z +
lim PF A () = P (( X) > )dF0 ( ) (D.28)
0 0
= P ((0) > ). (D.29)
Or pour un test non biais,

P ((s) > ) P ((0) > ) (D.30)
pour tout , si bien que ncessairement (s) (0). Dans ce cas, s tant dterministe, la
probabilit de dtection est gale zro si (s) , auquel cas la probabilit de fausse alarme
est galement nulle. Dans le cas contraire, la probabilit de dtection est gale un. La courbe
COR du test est donc idale : sa puissance est toujours gale 1, sauf pour une probabilit
de fausse alarme nulle. Un test non biais est alors dautant plus performant que le fouillis
est spiky .
E
ANNEXE
Convergence de
lestimateur de la matrice
de blanchiment
c N,K un estimateur consistant de la matrice de blanchiment WN obtenu sur des

Soit W
donnes secondaires de taille K pour une observation de taille N . Alors il existe une suite
(N )N N de matrices diagonales telle que
> 0, N , N N lim P (|FH c (E.1)

N WN,K FN N | ) = 0
K+
o FN dsigne la matrice unitaire de Fourier de taille N N .
c N,K est un estimateur consistant, pour tout N > 0,

Dmonstration. Par dfinition, comme W
c N,K WN k ) = 0
> 0, lim P (kW (E.2)
K+
o kk dsigne une norme matricielle quelconque. Puisque toutes les normes matricielles sont
quivalentes, on peut sans perte de gnralit supposer que kk dsigne la norme faible ||,
dfinie, pour une matrice A de taille N N , par
1
1 H
2
|A| = Tr(A A) . (E.3)
N
Il a t vu dans la section 5.3.2 quil existe une suite (N )N N de matrices diagonales telle
que
lim |FH N WN FN N | = 0. (E.4)
N +
On a alors
|FH c Hc H H
(E.5)
N WN,K FN N | |FN WN,K FN FN WN FN | + |FN WN FN N |
c N,K WN | + |FH
|W N WN FN N | (E.6)
car FN est unitaire. Soit > 0, alors pour tout N et tout K,
P (|FH c c H
(E.7)
N WN,K FN N | ) P (|WN,K WN | + |FN WN FN N | ).
Daprs (E.4), il existe un N > 0 tel que pour tout N N ,

|FH
N WN FN N | (E.8)
2
140 ANNEXE E : Convergence de lestimateur de la matrice de blanchiment
si bien que pour tout N N et pour tout K,
c c
P (|FH
N WN,K FN N | ) P (|WN,K WN | ). (E.9)
2
Soit > 0, daprs (E.2), il existe un KN,, 2 > 0 tel que pour tout N et tout K KN,, 2 ,
c N,K WN | )
P (|W (E.10)
2
si bien que
P (|FH c
N WN,K FN N | ) (E.11)
do le rsultat.
Bibliographie
M. Abramowitz et I. A. Stegun, Handbook of mathematical functions with formulas, graphs

and mathematical tables. Dover, 1964.
A. H. Ballard, Detection of radar signals in log-normal sea clutter, TRW Sys. Doc. 7425-
8509-T0-000, Tech. Rep., mai 1966.
I. F. Blake et J. B. Thomas, On a class of processes arising in linear estimation theory, IEEE
Transactions on Information Theory, vol. 14, n 1, pp. 1216, jan. 1968.
E. Conte et G. Ricci, Performance prediction in compound-Gaussian clutter, IEEE Tran-
sactions on Aerospace and Electronic Systems, vol. 30, n 2, pp. 611616, avr. 1994.
, Sensitivity study of GLRT detection in compound-Gaussian clutter, IEEE Transac-
tions on Aerospace and Electronic Systems, vol. 34, n 1, pp. 308316, jan. 1998.
E. Conte, M. Longo, M. Lops, et S. Ullo, Radar detection of signals with unknown parameters
in K-distributed clutter, IEE Proceedings F, vol. 138, n 2, pp. 131138, avr. 1991.
E. Conte, M. Lops, et G. Ricci, Asymptotically optimum radar detection in compound-
Gaussian clutter, IEEE Transactions on Aerospace and Electronic Systems, vol. 31, n 2,
pp. 617625, avr. 1995.
, Adaptive matched filter detection in spherically invariant noise, IEEE Signal Proces-
sing Letters, vol. 3, n 8, pp. 248250, aot 1996.
E. Conte, A. De Maio, et G. Ricci, Recursive estimation of the covariance matrix of a
compound-Gaussian process and its applications to adaptive CFAR detection, IEEE Tran-
sactions on Signal Processing, vol. 50, n 8, pp. 19081915, aot 2002.
E. Conte, A. De Maio, et C. Galdi, Statistical analysis of real clutter at different range
resolutions, IEEE Transactions on Aerospace and Electronic Systems, vol. 40, n 3, pp.
903918, juil. 2004.
C. E. Cook et M. Bernfeld, Radar signals. An introduction to theory and application. Artech
House, 1993.
J. Darricau, Physique et thorie du radar. Sodipe, 1981.
P. J. Davis, Circulant matrices. Wiley, 1979.
R. De Angelis, A. Farina, et F. Zirilli, Use of perturbation methods in the problem of radar
detection against a K-clutter background, IEE Proceedings Radar, Sonar and Navigation,
vol. 142, n 5, pp. 243251, oct. 1995.
142 BIBLIOGRAPHIE
M. L. Eaton, Multivariate statistics. A vector space approach. Wiley, 1983.
A. Farina, A. Russo, et F. A. Studer, Coherent radar detection in log-normal clutter, IEE

Proceedings F, vol. 133, n 1, pp. 3954, fb. 1986.
A. Farina, A. Russo, et F. Scannapieco, Radar detection in coherent Weibull clutter, IEEE

Transactions on Acoustics, Speech and Signal Processing, vol. 35, n 6, pp. 893895, juin
1987.
F. Gini, Sub-optimum coherent radar detection in a mixture of K-distributed and Gaussian

clutter, IEE Proceedings Radar, Sonar and Navigation, vol. 144, n1, pp. 3948, fb. 1997.
F. Gini, M. V. Greco, A. Farina, et P. Lombardo, Optimum and mismatched detection against

K-distributed plus Gaussian clutter, IEEE Transactions on Aerospace and Electronic Sys-
tems, vol. 34, n 3, pp. 860876, juil. 1998.
R. M. Gray, Toeplitz and Circulant Matrices : A Review. Now Publishers, 2005.
P. J. Huber, Robust statistics. Wiley, 1981.
E. Jakeman et P. N. Pusey, A model for non-Rayleigh sea echo, IEEE Transactions on

Antennas and Propagation, vol. 24, n 6, pp. 806814, nov. 1976.
E. Jakeman et P. Pusey, Significance of K distributions in scattering experiments, Physical

review letters, vol. 40, n 9, pp. 546550, fb. 1978.
E. Jay, Dtection en environnement non gaussien, Thse de doctorat, Universit de Cergy-

Pontoise, 2002.
E. Jay, J.-P. Ovarlez, D. Declercq, et P. Duvaut, BORD : bayesian optimum radar detector,
Signal Processing, vol. 83, n 6, pp. 11511162, juin 2003.
T. Kariya et B. K. Sinha, Robustness of statistical tests. Academic Press, 1989.
S. Karlin et H. Rubin, The theory of decision procedures for distributions with monotone
likelihood ratio, The Annals of Mathematical Statistics, vol. 27, n 2, pp. 272299, fb.
1956.
S. M. Kay et J. R. Gabriel, Optimal invariant detection of a sinusoid with unknown parame-

ters, IEEE Transactions on Signal Processing, vol. 50, n 1, pp. 2740, jan. 2002.
P. Lacomme, J.-P. Hardange, J.-C. Marchais, et E. Normant, Air and spaceborne radar sys-
tems. SciTech Publishing, 2001.
E. L. Lehmann et J. P. Romano, Testing statistical hypotheses, 3e d. Springer, 2005.
N. Levanon et E. Mozeson, Radar signals. Wiley, 2004.
R. J. Muirhead, Aspects of multivariate statistical theory. Wiley, 1982.
J. Neyman et E. S. Pearson, On the problem of the most efficient tests of statistical hypo-
theses, Philosophical Transaction of the Royal Society of London. Series A., vol. 231, pp.
289337, 1933.
F. Pascal, Dtection et estimation en environnement non gaussien, Thse de doctorat, Uni-

versit de Nanterre, 2006.
BIBLIOGRAPHIE 143
F. Pascal, J.-P. Ovarlez, P. Forster, et P. Larzabal, On a SIRV-CFAR detector with radar

experimentations in impulsive clutter, in European Signal Processing Conference, Florence,
Italie, sept. 2006.
F. Pascal, Y. Chitour, J.-P. Ovarlez, P. Forster, et P. Larzabal, Covariance structure

maximum-likelihood estimates in compound Gaussian noise : existence and algorithm ana-
lysis, IEEE Transactions on Signal Processing, vol. 56, n 1, pp. 3448, jan. 2007.
, Covariance structure maximum-likelihood estimates in compound Gaussian noise :

Existence and algorithm analysis, IEEE Transactions on Acoustics, Speech and Signal
Processing, vol. 56, n 1, pp. 3448, jan. 2008.
K. B. Petersen et M. S. Petersen, The matrix cookbook, 2008. [Online]. Available :

http ://matrixcookbook.com
B. Picinbono, Spherically invariant and compound Gaussian stochastic processes, IEEE

Transactions on Information Theory, vol. 16, n 1, pp. 7779, jan. 1970.
B. Picinbono et G. Vezzosi, Dtection dun signal certain dans un bruit non stationnaire et
non gaussien, Annales des Tlcommunications, vol. 25, n 11-12, pp. 433439, 1970.
H. V. Poor, An introduction to signal detection and estimation, 2de d. Springer-Verlag, 1994.
M. Rangaswamy, Spherically invariant random processes for modeling non-Gaussian radar

clutter, in 1993 Conference record of the 27th Asilomar conference on signals, systems and
computers, vol. 2, nov. 1993, pp. 11061110.
K. J. Sangston et K. Gerlach, Coherent detection of radar targets in a non-Gaussian back-

ground, IEEE Transactions on Aerospace and Electronic Systems, vol. 30, n2, pp. 330340,
avr. 1994.
K. J. Sangston, F. Gini, M. Greco, et A. Farina, Structures for radar detection in compound-

Gaussian clutter. IEEE Transactions on Aerospace and Electronic Systems, vol. 35, n 2,
pp. 445458, avr. 1999.
L. L. Scharf et B. Friedlander, Matched subspace detectors, IEEE Transactions on Signal

Processing, vol. 42, n 8, pp. 21462157, aot 1994.
M. Schatzman et J. Taylor, Numerical analysis : a mathematical introduction. Oxford Uni-

versity Press, 2002.
D. C. Schleher, Radar detection in Weibull clutter, IEEE Transactions on Aerospace and

Electronic Systems, vol. 12, n 6, pp. 736743, nov. 1976.
R. J. Serfling, Approximations theorems of mathematical statistics. Wiley, 1980.
G. R. Valenzuela et M. B. Laing, On the statistics of sea clutter, Naval Research Laboratory,

Washington D.C., Tech. Rep. 7349, dc. 1971.
A. M. Vershik, Some characteristic properties of Gaussian stochastic processes, Theory of

Probability and Its Applications, vol. 9, n 2, pp. 353356, 1964.
A. Wald, Tests of statistical hypotheses concerning several parameters when the number of
observations is large, Transactions of the American Society, vol. 54, n3, pp. 426482, nov.
1943.
144 BIBLIOGRAPHIE
K. D. Ward, Compound representation of high resolution sea clutter, Electronic Letters,

vol. 17, n 16, pp. 561563, aot 1981.
S. Watts et K. D. Ward, Spatial correlation in K-ditributed sea clutter, IEE Proceedings F,

vol. 134, n 6, pp. 526532, oct. 1987.
G. L. Wise et N. C. Gallagher, Jr, On spherically invariant random processes, IEEE Tran-

sactions on Information Theory, vol. 24, n 1, pp. 118120, jan. 1978.
K. Yao, A representation theorem and its applications to spherically-invariant random pro-

cesses, IEEE Transactions on Information Theory, vol. 19, n 5, pp. 600608, sept. 1973.

Detection D'une Cible Par Frequence D'oppler PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Detection D'une Cible Par Frequence D'oppler PDF

Transféré par

Droits d'auteur :

Formats disponibles

No dordre : \NumeroOrdre

le grade de : Docteur de Telecom Bretagne

mention : Traitement du Signal et Tlcommunications

Dtection de petites cibles marines en milieu ctier

Soutenue le 10 novembre 2009 devant la commission dExamen :

Prsident : Jean-Jacques Fuchs, Professeur, Universit de Rennes I

I Prsentation et modlisation du problme 5

2 Modlisation statistique du fouillis 21

5 Dtection dans un fouillis blanc 51

7 Discrimination sol-mer 107

A Vecteurs et matrices gaussiens 123

B Proprit TFAC des AGNMF et AWNPD 127

C Invariant Maximal 131

D Performances dun test non biais sur un fouillis spiky 135

E Convergence de lestimateur de la matrice de blanchiment 139

fouillis comme un processus alatoire invariant sphriquement ( Spherically Invariant Ran-

The White Rabbit put on his spectacles.

Lewis Carroll, Alice in Wonderland

metteur onde mise

Figure 1.1 Principe de fonctionnement dun systme radar.

1.1 Les signaux radars

Afin de faciliter le traitement en vue de la dtection, le signal mis possde certaines

1.1.1 Forme donde

Figure 1.2 Forme donde dun radar impulsions.

dure p des impulsions caractrise quant elle la rsolution distance R du radar :

1.1.2 Expression du signal reu

1.1.3 Stratgie de dtection

r(t0 + kTR + 2Ts )

r(t0 + kTR + (M 1)Ts )

r(t0 + (k + 1)TR + 2Ts )

un temps long correspondant chaque impulsion ou rcurrence ;

rc. 3 rc. 2 rc. 1

Figure 1.5 Illustration du temps dclairement et du nombre de coups au but.

impulsions dfini par

o fd est le dcalage Doppler, proportionnel la vitesse radiale relative v de la cible, tk = 2Rc k

p t0 + nTs < TR . (1.15)

0 t0 + nTs tk + ( k)TR < p (1.16)

et donc, en raison des conditions (1.14) et (1.15),

p TR < tk (t0 + nTs ) ( k)TR < p + tk (t0 + nTs ) < TR (1.17)

sr (t0 + TR + nTs ) = ei2(f0 +fd )(t0 +nTs t +TR ) . (1.18)

Le problme de la dtection radar est alors de dcider, partir du vecteur dobservation zn ,

1.2 Thorie de la dtection radar

Le problme de la dtection serait trivial en labsence dchos parasites de bruit ou de

1.2.1 Modlisation statistique du problme

La modlisation statistique consiste faire lhypothse que le vecteur dobservation z,

1.2.2 Un test dhypothses binaire

partir du modle statistique de lobservation, on cherche prendre une dcision entre

Tableau 1.1 Terminologie de la dtection radar.

Tableau 1.2 quivalence entre les terminologies usites en radar et en statistiques.

qui est en fait une formulation condense de la rgle de dcision.

P (Z X1 |H0 ) = P Z1 (X1 |H0 ) (1.28)

P (Z X1 |H0 ) = P (X1 ) (1.30)

P (Z X1 |H1 ) = E (Z) (1.34)

cest--dire un test de niveau dont la fonction puissance est suprieure ou gale en

1.2.3 Le lemme de Neyman-Pearson

Thorme 1.2.1 (Lemme fondamental de Neyman-Pearson). Soient P0 et P1 deux distri-

(i) Il existe un rel et ]0, 1[ tels que

alors (z) = (z) pour -presque tout z {z|p1 (z) 6= p0 (z)}.

Figure 1.6 Exemple de courbe ROC.

1.2.4 Hypothses composes

Le rapport de vraisemblance gnralis scrit aussi

Facts are stubborn things, but statistics

2.1 Le modle gaussien et ses limitations