Vous êtes sur la page 1sur 177

Ecole Doctorale

Sciences de la Matire, de lInformation et de la Sant


(ED SMIS 0373)

THESE DE DOCTORAT
DE
LUNIVERSITE DE BRETAGNE OCCIDENTALE

Spcialit Electronique

Prsente le 26 novembre 2004

par

JEAN-JACQUES SZKOLNIK

Application des mthodes de Monte-Carlo squentielles lextraction de trames radar

Devant le jury compos des membres ci-dessous dsigns :

Rapporteurs :
Monsieur Thierry CHONAVEL, Professeur, Ecole Nationale Suprieure des Tlcommunications
de Bretagne
Monsieur Franois LEGLAND, Directeur de Recherche INRIA

Directeur de Thse :
Monsieur Andr QUINQUIS, Directeur Scientifique ENSIETA

Examinateurs :
Monsieur Lon-Claude CALVEZ, Professeur des Universits
Monsieur Gilles BUREL, Professeur des Universits
Monsieur Jean-Pierre LE CADRE, Directeur de Recherche CNRS

Invit :
Monsieur Pierre Nicolas GUILLOU, Ingnieur de lArmement CELAR

Travaux prpars au laboratoire : E3I2 (Extraction et Exploitation de lInformation en


Environnements Incertains) de lENSIETA (Ecole Nationale Suprieure des Ingnieurs des
Etudes et Techniques dArmement)
REMERCIEMENTS

Je resterai trs classique et bref pour les remerciements en esprant toutefois que la forme nenlve
rien leur sincrit.
Dans un premier temps jadresse toute ma gratitude ma femme ainsi qu mes enfants pour la trs
grande patience dont ils ont toujours fait preuve mon gard et notamment lors des longues journes
passes sur ordinateur.
Je tiens galement remercier vivement Andr Quinquis, mon directeur de thse, qui ma toujours
accord sa confiance et sans qui rien naurait t possible.
Jexprime galement ma profonde reconnaissance aux membres du laboratoire E3I2 de lENSIETA
pour lambiance toujours conviviale quil y rgne et pour les conseils quil ont pu me prodiguer.
Je tiens galement exprimer ma gratitude aux rapporteurs Thierry Chonavel et Franois Le Gland qui
ont accept de rapporter sur mon travail ainsi quaux membres du jury Jean-Pierre Le cadre
(prsident), Lon-Claude Calvez et Gilles Burel.
Enfin, je remercie les membres du Centre dElectronique de lArmement de Bruz notamment Pierre
Nicolas Guillou mais aussi Alexandra Chiron et Rmi Laustic pour lintrt quil ont port mon
travail.
Page laisse intentionnellement blanche
i

TABLE DES MATIERES

TABLE DES MATIERES ........................................................................................................I


LISTE DES TABLEAUX ....................................................................................................... V
LISTE DES FIGURES......................................................................................................... VII
GLOSSAIRE...........................................................................................................................IX
PREAMBULE .......................................................................................................................... 1
CHAPITRE 1 : INTRODUCTION ........................................................................................ 3
I. ANALYSE TECHNIQUE ELINT ..................................................................................................... 3
1 Aspects de lanalyse technique ELINT .................................................................................... 3
2 Difficults lies lanalyse technique ELINT ......................................................................... 4
2.1. Connaissance a priori du contexte................................................................................... 4
2.2. Capteur dcoute.............................................................................................................. 4
2.3. Nombre et complexit des radars .................................................................................... 6
II. OBJECTIFS ................................................................................................................................ 6
III. ORGANISATION DU DOCUMENT ............................................................................................... 7
1 Plan ......................................................................................................................................... 7
2 Contributions........................................................................................................................... 8
3 Production scientifique : ......................................................................................................... 9
CHAPITRE 2 : MODELISATION ...................................................................................... 11
I. MODELES ................................................................................................................................... 11
1 Aspect physique des missions radar .................................................................................... 11
1.1. Paramtres intrinsques des impulsions ........................................................................ 11
1.2. Les paramtres primaires............................................................................................... 13
2 Modlisation des TOA ........................................................................................................... 15
2.1. Modle de transmission de trames et jitter cumulatif.................................................... 15
2.2. Mesures des TOA et jitter non cumulatif ...................................................................... 15
3 Modulations des PRI ............................................................................................................. 16
3.1. Modulation constante et staggered ................................................................................ 16
3.2. La modulation Sliding ................................................................................................... 17
3.3. La modulation switch & dwell ...................................................................................... 18
3.4. La modulation Wobulated ............................................................................................. 19
3.5. La modulation jittered ................................................................................................... 20
4 Modulation des autres paramtres ........................................................................................ 20
4.1. Paramtres moduls intentionnellement........................................................................ 20
4.2. Liens entre les modulations des diffrents paramtres .................................................. 21
4.3. Modulations de la largeur dimpulsion et de la frquence ............................................ 21
ii

5 Perturbations......................................................................................................................... 22
5.1. Perturbations externes au rcepteur............................................................................... 22
5.2. Les perturbations introduites par le rcepteur ............................................................... 23
II. MODELISATION DES TRAMES................................................................................................. 23
1 Modle dtat des TOA.......................................................................................................... 23
2 Reprsentation des autres paramtres .................................................................................. 24
CHAPITRE 3 : METHODES DEXTRACTION ............................................................... 27
I. CLASSIFICATION AUTOMATIQUE ............................................................................................... 27
1 Synoptique dun rcepteur ESM actuel ................................................................................. 27
2 Limitations des mthodes dextraction actuelles................................................................... 29
II. ETUDE ELINT ....................................................................................................................... 29
1 Dsentrelacement .................................................................................................................. 30
1.1. Histogrammes................................................................................................................ 30
1.2. La transforme de Hough .............................................................................................. 33
1.3. Filtrage de Kalman ........................................................................................................ 35
1.4. Lanalyse spectrale ........................................................................................................ 39
1.5. Lanalyse cepstrale ........................................................................................................ 40
1.6. Evaluation des diffrentes mthodes dextraction......................................................... 40
2 Caractrisation...................................................................................................................... 41
2.1. Filtrage rcursif ............................................................................................................. 41
2.2. Approche par rseau de neurones.................................................................................. 42
2.3. Evaluation des diffrentes mthodes de caractrisation ................................................ 48
3 Conclusion............................................................................................................................. 49
III. ALGORITHMES DE PISTAGE .................................................................................................... 49
1 Le filtre association probabiliste de donnes (PDAF) ....................................................... 50
1.1. Procdure de validation des mesures............................................................................. 50
1.2. Implmentation du filtre PDAF..................................................................................... 51
2 LInteracting Multiple Model (IMM) .................................................................................... 53
2.1. Dfinition du mode parasite .......................................................................................... 53
2.2. Schma gnral de lextraction ..................................................................................... 54
2.3. Techniques spcifiques lextraction............................................................................ 54
3 Formulation dun filtre partir des techniques de pistage................................................... 55
3.1. Principe.......................................................................................................................... 55
3.2. Exemple de rsultat obtenu ........................................................................................... 58
3.3. Limites........................................................................................................................... 59
CHAPITRE 4 : FILTRAGE PARTICULAIRE.................................................................. 61
I. METHODES DE MONTE-CARLO SEQUENTIELLES ....................................................................... 61
1 Principes gnraux des algorithmes de Monte-Carlo ........................................................... 62
1.1. Intgration de Monte-Carlo ........................................................................................... 62
1.2. Mthodes de gnration de lois ..................................................................................... 63
2 Filtrage baysien ................................................................................................................... 64
2.1. Echantillonnage pondr baysien ................................................................................ 64
2.2. Echantillonnage dimportance baysien squentiel....................................................... 67
2.3. Choix dune distribution dimportance adquate .......................................................... 68
2.4. Techniques de r-chantillonnage ................................................................................. 71
3 Echantillonnage pondr squentiel avec r-chantillonnage.............................................. 73
3.1. Formulation du SIR ....................................................................................................... 74
3.2. Inconvnients du r-chantillonnage ............................................................................. 75
3.3. SIR r-chantillonnage adaptatif ................................................................................ 75
3.4. Le bootstrap................................................................................................................... 76
3.5. Limitations des mthodes SMC..................................................................................... 78
4 Variantes du SIR.................................................................................................................... 79
4.1. Echantillonnage pondr variable auxiliaire............................................................... 79
4.2. Le filtre particulaire rgularis (RPF) ........................................................................... 82
iii

4.3. Ajout dune itration de Monte-Carlo ........................................................................... 84


4.4. La Rao-Blackwellisation ............................................................................................... 85
5 Conclusion............................................................................................................................. 88
II. APPLICATION DES METHODES PARTICULAIRES A LEXTRACTION DE TRAMES RADAR .......... 88
1 Gnralits ............................................................................................................................ 88
2 Le filtre particulaire Rao-Blackwellis appliqu aux TOA ................................................... 89
2.1. Dveloppement du filtre Rao-Blackwellis................................................................... 89
2.2. Algorithme..................................................................................................................... 90
2.3. Spcificits de fonctionnement...................................................................................... 93
2.4. Gnration de la fonction dimportance ........................................................................ 97
2.5. Module dextraction .................................................................................................... 102
3 Les estimateurs MMSE et MAP........................................................................................... 104
4 Exemple dextraction........................................................................................................... 105
4.1. Influence du nombre de particules .............................................................................. 108
4.2. Impact du seuil de r-chantillonnage ......................................................................... 109
5 Conclusion........................................................................................................................... 110
CHAPITRE 5 : GENERALISATION DE LA FORMULATION ET ADAPTATION A
UN AUTRE PARAMETRE QUE LE TOA....................................................................... 111
I. PARTICULARITES ..................................................................................................................... 111
1 Modle pour les paramtres autres que les TOA ................................................................ 111
2 Extraction partir de la LI ou de la frquence................................................................... 114
2.1. Gnralits................................................................................................................... 114
2.2. Premier exemple.......................................................................................................... 114
2.3. Deuxime exemple ...................................................................................................... 116
II. INTEGRATION DE LAZIMUT................................................................................................. 118
1 Approches proposes........................................................................................................... 118
1.1. Premire approche : Filtre association de donnes probabilistes paramtre inform ..
..................................................................................................................................... 118
1.2. Filtre association probabiliste de donnes vecteur dtat augment ...................... 119
2 Confrontation des deux approches...................................................................................... 122
2.1. Similarit des approches.............................................................................................. 122
2.2. Rsultats et conclusion ................................................................................................ 122
III. INTEGRATION DUN AUTRE PARAMETRE QUE LAZIMUT ..................................................... 123
1 Concept mis en place........................................................................................................... 123
2 Exemple du dsentrelacement de deux trames complexes partir des TOA et dun paramtre
autre que lazimut........................................................................................................................ 124
2.1. Donnes relatives la simulation ................................................................................ 124
2.2. Rsultats dextraction .................................................................................................. 127
2.3. Rsultats de lestimation des paramtres..................................................................... 128
3 Conclusion........................................................................................................................... 129
CHAPITRE 6 : SIMULATIONS ........................................................................................ 131
I. CRITERES DEVALUATION ....................................................................................................... 131
1 Critre dapprciation de lextraction ................................................................................ 131
1.1. Principes gnraux ...................................................................................................... 132
1.2. Exemple....................................................................................................................... 134
1.3. Validit du critre dvaluation de lextraction........................................................... 135
2 Calcul de lerreur destimation ........................................................................................... 135
II. EVALUATION DES PERFORMANCES DU MODULE DEXTRACTION FORMULE A PARTIR DES
TOA ............................................................................................................................................. 135
1 Procdure dvaluation adopte ......................................................................................... 136
2 Evaluation en fonction du taux dimpulsions manquantes .................................................. 136
2.1. Taux derreur moyen ................................................................................................... 137
2.2. Evaluation des paramtres........................................................................................... 137
3 Evaluation en fonction du taux dimpulsions parasites....................................................... 138
iv

3.1. Taux derreur moyen dextraction.............................................................................. 139


3.2. Erreur dvaluation des paramtres des modulations .................................................. 139
4 Evaluation en fonction du jitter cumulatif........................................................................... 140
4.1. Taux moyen derreur dextraction............................................................................... 140
4.2. Erreur dvaluation des paramtres des modulations .................................................. 141
5 Evaluation en fonction du jitter non cumulatif.................................................................... 142
5.1. Taux moyen derreur dextraction............................................................................... 142
5.2. Erreur dvaluation des paramtres des modulations .................................................. 143
6 Evaluation en fonction de la priode................................................................................... 143
6.1. Taux derreur moyen dextraction............................................................................... 144
6.2. Erreur destimation des paramtres des modulations .................................................. 144
7 Evaluation en fonction de lamplitude ................................................................................ 145
7.1. Taux moyen derreur dextraction............................................................................... 146
7.2. Erreur destimation des paramtres des modulations .................................................. 146
8 Conclusion........................................................................................................................... 147
CONCLUSION..................................................................................................................... 149
ANNEXE I :LE FILTRE IMM........................................................................................... 151
1 Gnralits .......................................................................................................................... 151
2 Algorithme ........................................................................................................................... 151
3 Matrice de transition ........................................................................................................... 153
ANNEXE II : DEGENERESCENCE DES POIDS DES PARTICULES ....................... 155
1 Efficacit et taille effective dchantillon ............................................................................ 155
2 Dgnrescence des poids dimportance ............................................................................ 156
BIBLIOGRAPHIE ............................................................................................................... 159
v

LISTE DES TABLEAUX

Tableau 1-1 : Spcification typique dun capteur dcoute moderne ...................................................... 6

Tableau 3-1 : Rgles dadaptation de la variance du jitter cumulatif.................................................... 38


Tableau 3-2 : Synthse des rsultats dextraction obtenus .................................................................... 41
Tableau 3-3 : Rsultats des valuations des mthodes de caractrisation ............................................. 48

Tableau 4-1 : Algorithme dacceptation/rejet........................................................................................ 63


Tableau 4-2 : Algorithme dchantillonnage pondr........................................................................... 64
Tableau 4-3 : Caractristique de la trame radar module considre.................................................. 105
Tableau 4-4 : Taux de russite dextraction en fonction du nombre de particules.............................. 109
Tableau 4-5 : Taux de russite dextraction en fonction du seuil de r-chantillonnage .................... 110

Tableau 5-1 : Caractristique des trames............................................................................................. 114


Tableau 5-2 : Rsultats de lestimation des paramtres ...................................................................... 116
Tableau 5-3 : Caractristiques des trames ........................................................................................... 117
Tableau 5-4 : Conditions de simulation............................................................................................... 122
Tableau 5-5 : Paramtres de la trame 1 ............................................................................................... 124
Tableau 5-6 : Paramtres de la trame 2 ............................................................................................... 124
Tableau 5-7 : Paramtres de la trame 3 ............................................................................................... 125
Tableau 5-8 : Paramtres de la trame 4 ............................................................................................... 125
Tableau 5-9 : Donnes intrinsques aux modules dextraction........................................................... 125
Tableau 5-10 : Rsultats de lestimation des paramtres des modulation de TOA et de LI................ 128
Tableau 5-11 : Rsultats de lestimation des paramtres des modulation de TOA et de LI................ 128
Tableau 5-12 : Rsultats de lestimation des paramtres des modulation de TOA et de LI................ 128
Tableau 5-13 : Rsultats de lestimation des paramtres des modulation TOA et de LI .................... 128

Tableau 6-1 : Paramtres des modulations considres ...................................................................... 136


Tableau 6-2 : Taux derreur moyen en fonction du taux dimpulsions manquantes, pour chacune des
modulations ................................................................................................................................. 137
Tableau 6-3 : Erreur destimation des paramtres en fonction du taux dimpulsions manquantes pour
chacune des modulations............................................................................................................. 138
Tableau 6-4 : Conditions de simulation pour lvaluation des performances du module dextraction par
rapport au taux dimpulsions parasites ........................................................................................ 139
Tableau 6-5 : Taux derreur moyen en fonction de la densit de lambiance ..................................... 139
Tableau 6-6 : Erreur destimation des paramtres en fonction du taux dimpulsions manquantes pour
chacune des modulations............................................................................................................. 140
Tableau 6-7 : Donnes communes de simulation pour lvaluation des performances du module
dextraction par rapport au taux de jitter cumulatif..................................................................... 140
vi

Tableau 6-8 : Taux derreur moyen en fonction du taux de jitter cumulatif ....................................... 141
Tableau 6-9 : Erreur destimation des paramtres en fonction du jitter cumulatif.............................. 141
Tableau 6-10 : Donnes communes de simulation pour lvaluation des performances du module
dextraction par rapport au jitter non cumulatif .......................................................................... 142
Tableau 6-11 : Taux derreur moyen en fonction du taux de jitter non cumulatif .............................. 142
Tableau 6-12 : Erreur destimation des paramtres en fonction du taux de jitter non cumulatif pour
chacune des modulations............................................................................................................. 143
Tableau 6-13 : Donnes communes de simulation pour lvaluation des performances du module
dextraction par rapport la priode ........................................................................................... 144
Tableau 6-14 : Taux derreur moyen en fonction de la priode .......................................................... 144
Tableau 6-15 : Erreur destimation des paramtres en fonction de la priode pour chacune des
modulations ................................................................................................................................. 145
Tableau 6-16 : Donnes communes de simulation pour lvaluation des performances du module
dextraction lamplitude ........................................................................................................... 145
Tableau 6-17 : Taux derreur moyen en fonction de lamplitude........................................................ 146
Tableau 6-18 : Erreur destimation des paramtres en fonction de lamplitude pour chacune des
modulations ................................................................................................................................. 146
Tableau 6-19 : Domaine demploi du module dextraction ................................................................ 147
vii

LISTE DES FIGURES

Figure 1 : Articulation des domaines du recueil dinformations lectromagntiques ............................. 1

Figure 1-1 : Synoptique dun capteur dcoute ....................................................................................... 5


Figure 1-2 : Problmatique du dsentrelacement .................................................................................... 7

Figure 2-1 : Caractristiques des missions radar ................................................................................. 12


Figure 2-2 : Caractristiques courantes dune impulsion relle ............................................................ 13
Figure 2-3 : Exemple des variations du niveau ..................................................................................... 14
Figure 2-4 : Exemple de modulation constante ..................................................................................... 16
Figure 2-5 : Exemple dun stagger (3/2)............................................................................................... 17
Figure 2-6 : Exemple de modulation sliding ......................................................................................... 18
Figure 2-7 : Exemple de modulation switch & dwell ............................................................................ 19
Figure 2-8 : Exemple de modulation wobulated ................................................................................... 19
Figure 2-9 : Exemple de modulation jittered ........................................................................................ 20

Figure 3-1 : Synoptique dun capteur dcoute ..................................................................................... 28


Figure 3-2 : Exemple de trame .............................................................................................................. 31
Figure 3-3 : Principe des histogrammes cumulatifs .............................................................................. 31
Figure 3-4 : Principe de lhistogramme squentiel................................................................................ 32
Figure 3-5 : Synoptique du principe de lextraction dimpulsions ........................................................ 33
Figure 3-6 : Passage de lespace des coordonnes celui des paramtres............................................ 34
Figure 3-7 :Espace gomtrique et espace des paramtres.................................................................... 35
Figure 3-8 : Principe pour la dtermination du nombre de sources actives........................................... 37
Figure 3-9 : Consquence de ladaptation du bruit dtat sur lestimation des PRI .............................. 38
Figure 3-10 : Priodogramme obtenu partir des TOA de deux sources ............................................. 39
Figure 3-11 : Cepstre obtenu partir des TOA de deux sources........................................................... 40
Figure 3-12 : Histogramme dune trame wobulated.............................................................................. 43
Figure 3-13 : Synoptique dun rseau de neurones 3 couches............................................................ 43
Figure 3-14 : Vecteur scs pour chacune des modulations ...................................................................... 45
Figure 3-15 : Vecteur scs pour chaque modulation ................................................................................ 46
Figure 3-16 : Exemple de la classification dune modulation sliding ................................................... 46
Figure 3-17 : Rseau de neurones pour l'estimation d'une PRI complexe............................................. 47
Figure 3-18 : Synoptique du PDAF....................................................................................................... 52
Figure 3-19 : Algorithme de dtection des impulsions manquantes ..................................................... 54
Figure 3-20 : Synoptique dun filtre formul partir des techniques de pistage .................................. 56
Figure 3-21 : Probabilit des diffrents modes...................................................................................... 58
Figure 3-22 : Estimation des PRI .......................................................................................................... 59

Figure 4-1 : Algorithme de lchantillonnage dimportance squentiel................................................ 68


Figure 4-2 : Echantillonnage multinomial............................................................................................. 72
viii

Figure 4-3 : Echantillonnage pondr squentiel avec r-chantillonnage systmatique ..................... 74


Figure 4-4 : Echantillonnage pondr squentiel avec r-chantillonnage adaptatif ............................ 76
Figure 4-5 : Synoptique du Bootstrap ................................................................................................... 77
Figure 4-6 : Principe du Bootstrap ........................................................................................................ 78
Figure 4-7 : Configurations critiques de la priori et de la vraisemblance. ........................................... 78
Figure 4-8 : Synoptique du filtre ASIR ................................................................................................. 81
Figure 4-9 : Synoptique du RPF............................................................................................................ 84
Figure 4-10 : Exemple dune itration MCMC ..................................................................................... 85
Figure 4-11 : Synoptique du filtre particulaire Rao_Blackwellis ........................................................ 88
Figure 4-12 : Synoptique de lalgorithme Rao-Bkackwellis mis en oeuvre partir des TOA ............ 92
Figure 4-13 : Principe de pavage de lespace dtat pour un vecteur de paramtre de dimension 3..... 94
Figure 4-14 : Filtre de Kalman unscented ............................................................................................. 99
Figure 4-15 : Filtre particulaire Unscented ......................................................................................... 100
Figure 4-16 : Synoptique dune rcurrence du SR-CDF ..................................................................... 102
Figure 4-17 : Synoptique du module dextraction............................................................................... 103
Figure 4-18 : Trame idale et trame perturbe .................................................................................... 105
Figure 4-19 : TOA partir desquels seffectue lextraction................................................................ 106
Figure 4-20 : Trames relle et extraite ................................................................................................ 107
Figure 4-21 : Zoom sur une zone des rsultats de dsentrelacement .................................................. 107
Figure 4-22 : Estimation des paramtres de la modulation ................................................................. 108
Figure 4-23 : Influence du nombre de particules sur lestimation....................................................... 108
Figure 4-24 : Influence du seuil de r-chantillonnage ....................................................................... 109

Figure 5-1 : Algorithme particulaire destimation des paramtres de la modulation de la largeur


dimpulsion ou de la frquence....................................................................................... 113
Figure 5-2 : Modulation dun paramtre de deux trames .................................................................... 115
Figure 5-3 : Donnes partir desquelles seffectue lextraction ......................................................... 115
Figure 5-4 : Trames extraites et relles ............................................................................................... 115
Figure 5-5 : Modulation dun paramtre de deux trames .................................................................... 116
Figure 5-6 : Donnes partir desquelles seffectue lextraction ......................................................... 117
Figure 5-7 : Trame extraite et trame relle.......................................................................................... 117
Figure 5-8 : Performances de diffrentes mthodes ............................................................................ 123
Figure 5-9 : Paramtres des trames 1 et 2............................................................................................ 126
Figure 5-10 : Paramtres des trames 3 et 4.......................................................................................... 126
Figure 5-11 : Donnes dentre de lalgorithme.................................................................................. 126
Figure 5-12 : Rsultat dextraction pour les trames 1 et 2................................................................... 127
Figure 5-13 : Rsultat dextraction pour les trames 3 et 4................................................................... 127

Figure 6-1 : Reprsentation dune trame parfaitement extraite ........................................................... 132


Figure 6-2 : Exemples de trames avec erreur dextraction.................................................................. 133
Figure 6-3 : Vue gnrale de la trame relle et de la trame extraite.................................................... 134
Figure 6-4 : Erreurs dextraction commise sur une trame PRI constante ......................................... 134
ix

GLOSSAIRE

ASIR : Auxiliary Sampling Importance Resampling


CELAR : Centre dElectronique de LARmement
COMINT : COMmunication INTelligence
CW : Continuous Wave
DGA : Dlgation gnrale de larmement
DLM : Dynamic linear model
DOA : Direction Of Arrival
DTOA : Differential Time Of Arrival
ECCM : Electronic Counter-Countermeasures
EKF : Extended Kalman Filter
ELINT : ELectronic INTelligence
EQM : Erreur Quadratique Moyenne
ESM : Electronic Support System
GE : Guerre lectronique
GPB : Generalised Pseudo Bayesian
IFF : Identification Friend or Foe
IMM : Interacting Multiple Model
IS : Importance Sampling
MCMC : Monte-Carlo Markov Chain
MHT : Multiple Hypothesis Tracker
MISE : Mean Integrated Square Error
MTI : Moving Target Indicator
MTT : Multi Target Tracking
NN : Nearest Neighbour
PC : Personal Computer
PoI : Probability of Interception
PRI : Priode de Rptition des Impulsions
RADAR1 : RAdio Detection And Ranging
RBPF : Rao Blackwellized Particle Filter
ROEM : Renseignement dorigine lectromagntique
RPF : Regularised Particle Filter
SIS : Sequential Importance Sampling
SIR : Sampling-Importance Resampling
SMC : Sequential Monte-Carlo
TOA : Time Of Arrival
UKF : Unscented Kalman Filter
UPF : Unscented Particle Filter

1
Radar ne sera plus considr comme un acronyme mais comme un nom commun.
x

Page laisse intentionnellement blanche


1 Prambule

PREAMBULE

Lclatement du bloc de lEst a eu pour effet de rendre diffues les menaces encourues par les
dmocraties occidentales. Le renseignement est devenu plus que jamais un instrument privilgi de
scurit nationale, de prvention de crises ou de conflits, ainsi que de comptition conomique entre
pays ou grands groupes. Il constitue ce titre un formidable moyen daide la dcision politique et/ou
conomique. Un systme de renseignement performant doit fournir au pouvoir des signaux d'alerte
fiables et les moyens de les interprter. Ainsi, le renseignement d'origine lectromagntique (ROEM)
constitue la composante de la guerre lectronique (GE) pour son aspect renseignement.
A premire vue, la mise en uvre du recueil du renseignement dorigine lectromagntique peut
paratre complexe. En fait elle repose sur un postulat trivial qui suppose que toute mission
radiolectrique peut tre intercepte. Or, lmission dnergie lectromagntique est inhrente la
mise en uvre daronefs, de tout systme darmes ou dinformation ou encore de tout systme de
communication. Lactivit lectromagntique constitue donc un prcieux indicateur susceptible
dapporter de nombreuses informations quant aux intentions plus ou moins brves chances, aux
moyens mis en uvre et, concernant des systmes non rpertoris, le degr de sophistication, les
capacits oprationnelles etc. Classiquement, on distingue deux grandes catgories dinformations : le
renseignement bas sur linterception des communications COMINT (COMmunication INTelligence)
qui comprend toutes les missions radiolectriques pouvant tre traduites en langage humain telles le
Morse ou les communications radio de tous types et le renseignement non-discursif ELINT
(ELectronic INTelligence) qui concerne les signaux lectroniques mis par les divers radars, systmes
d'armes ou systmes de navigation.
La figure 1 ci-aprs rsume de manire synthtique les diffrents concepts abords prcdemment.

La guerre lectronique composante du renseignement par le


Renseignement dOrigine Electromagntique

SIGINT
Signal Intelligence
Oprations de recueil dinformations sur lensemble du
spectre lectromagntique

ELINT COMINT
Electronic Intelligence Communication Intelligence
Recueil dinformations partir Recueil dinformations partir
dmissions de type impulsionnel de radiocommunications

Figure 1 : Articulation des domaines du recueil dinformations lectromagntiques


Prambule 2

La prsente tude se positionne rsolument vers les activits de recueil dinformations partir
dmissions de type impulsionnel (ELINT) et donc de manire privilgie vers le domaine radar qui
reprsente lcrasante majorit des missions non discursives. Cependant, on peut citer, en plus du
radar, dautres quipements couramment mis en uvre et qui appartiennent la catgorie des
metteurs impulsionnels, ce sont notamment les balises et transpondeurs, les brouilleurs, certaines
liaisons de donnes, les altimtres, les missions de navigation, lIFF (Identification Friend or Foe)
etc.
Dans le cadre dELINT, lanalyse des missions radiolectriques adverses seffectue avec le double
objectif dapporter une rponse sur la nature des moyens dploys et sur limminence ventuelle de la
mise en oeuvre de ces derniers. Ltude des signaux intercepts permet classiquement didentifier les
metteurs, leurs capacits oprationnelles, et le cas chant, ltat dengagement des systmes darmes
qui y sont rattachs. Lintrt dELINT est double en permettant, dune part, de dtecter en temps rel
les systmes de pntration ennemis (avions, missiles etc) par lidentification des missions radar en
provenance de ces derniers. Cet aspect est qualifi de renseignement de situation et suppose en
gnral une rponse brve chance qui relve prioritairement du domaine tactique. Et, dautre part,
en fournissant des informations en temps diffr, sur les systmes de dfense adverses ELINT permet
dentretenir les capacits de nos propres forces de pntration, cest le renseignement de
documentation destin alimenter des bases de donnes des fins plutt stratgiques.

Lobjectif de ltude consiste dvelopper des algorithmes susceptibles dassurer lextraction de


chacune des missions et de procder ensuite la caractrisation de chacune des trames radar extraites
(squence des impulsions appartenant un mme metteur), lensemble de ces oprations tant
conduites partir de lanalyse des missions radio-lectriques non communicantes interceptes. On
distingue deux catgories de paramtres permettant de dcrire entirement une impulsion quelconque.
Il sagit dune part des paramtres interpulse, dtermins partir de lenveloppe des impulsions. Ils
rgissent la structure gnrale de la trame. Et, dautre part, des paramtres intrapulse, mesurs soit,
partir de lenveloppe du signal (temps de monte, etc.), soit, partir du signal brut, dans ce cas, ils
dcrivent les caractristiques internes de limpulsion telles que la loi de variation de la frquence
instantane ou la loi de phase. A lheure actuelle, les mthodes utilises pour raliser lextraction des
trames reposent de manire quasi exclusive sur des techniques de clustering [Wiley, 1993] ralises
partir des diffrents paramtres interpulse qui caractrisent les impulsions (la largeur dimpulsion, la
frquence moyenne et la direction darrive (DOA), parfois la priode de rptition des impulsions
(PRI) et plus rarement le niveau damplitude). La caractrisation des trames radar extraites et
notamment la dtermination de la loi suivie par la priode de rptition des impulsions demeure lune
des caractristiques principales affectant les capacits dun systme radar et constitue donc lun des
points cls dELINT. Actuellement, ce sont des oprateurs humains qui mnent en diffr la
caractrisation des trames laide de lexploitation dhistogrammes labors partir des intervalles de
rptition des impulsions. Les rsultats sont dautant meilleurs que les analystes sont entrans et la
quantit dinformation importante. Face la complexit croissante des radars modernes, destine
intensifier leur discrtion, avec notamment lintroduction de lagilit (dune modulation) des temps
darrive (TOA), le nombre dimpulsions interceptes a tendance a diminuer de manire drastique,
engendrant ainsi une difficult plus importante de lanalyse. La mthode employe consiste ajuster la
largeur des classes afin dessayer dobtenir un profil caractristique rpertori. Linconvnient
essentiel de lhistogramme provient de la perte de linformation chronologique darrive des
impulsions, perte qui pnalise fortement la mthode lorsque prcisment le nombre dimpulsions est
faible. Il est donc devenu indispensable de dvelopper de nouveaux traitements pour tre en mesure de
fournir loprateur humain une aide la dcision adapte aux objectifs dinterprtation. A terme, le
but avou est de diminuer lintervention de loprateur dans les processus dextraction et de
caractrisation. Compte tenu des remarques prcdentes, nous avons adopt une voie de recherche qui
rompt avec les techniques de classification automatique traditionnellement mises en uvre et nous
sommes orients vers lapplication de concepts, notamment dassociation de donnes, initialement
dvelopps dans le domaine de la trajectographie passive.
3 Introduction

CHAPITRE 1
INTRODUCTION

Au cours de ce chapitre, les notions gnrales du contexte de ltude seront succinctement prsentes,
de mme que certaines gnralits propos du capteur dcoute par exemple, destines
essentiellement fixer les ides. Nous tablirons, ensuite, les objectifs de ltude ainsi que la
dmarche adopte pour satisfaire ceux-ci.

I. Analyse technique ELINT


Cette thse aborde la problmatique du traitement de donnes sous la forme de trains dimpulsions.
Lobjectif de tels traitements consiste gnralement procder lextraction des paramtres afin de
caractriser ou didentifier le systme. Le domaine dapplication privilgi des traitements dvelopps
est le traitement des mesures des temps darrive des impulsions radar interceptes par un capteur
dcoute.
La chane de traitement de linformation telle quelle peut tre apprhende dans le contexte dELINT
peut intuitivement tre dcoupe en trois grandes fonctions indispensables. En premier lieu, le capteur
dcoute charg dintercepter les missions destines tre analyses, ensuite une deuxime tape
ralise lanalyse proprement dite en droulant des algorithmes sur les donnes en sortie du capteur,
ventuellement pralablement traites. Enfin, la dernire phase consiste, pour loprateur, prendre sa
dcision au vue des rsultats dlivrs par la phase danalyse.
La prsente tude porte sur le second volet de la chane de traitement de linformation cest dire sur
la phase danalyse qui, dans ce contexte, prend lappellation d analyse technique ELINT .

1 Aspects de lanalyse technique ELINT


Lanalyse technique ELINT sinsre donc dans la chane de traitement de linformation entre
lacquisition et linterprtation de linformation par un oprateur. Son but est de traiter les mesures
brutes fournies par les capteurs dcoute et de faire en sorte que linformation labore soit la mieux
adapte aux objectifs de linterprtation. Malheureusement, lanalyse est souvent confronte des
trains dimpulsions entrelacs (environnement lectromagntique dense) et il est parfois difficile
dextraire les signaux dintrt afin de procder leur examen. Compte tenu du rle central de
lanalyse technique, les aspects quelle peut revtir sont multiples.
Dune manire gnrale, lanalyse technique ELINT revt les aspects suivants :
dnombrer les metteurs intercepts par les capteurs dcoute ;
extraire les metteurs, i.e. sparer le flux de donnes en autant de flux distincts que de sources
dmission. On parle galement de dsentrelacement des trains dimpulsions ;
dtecter la prsence de radars ou modes radar dcrits dans un rfrentiel de signatures ;
Introduction 4

classifier les signaux intercepts selon les objectifs fixs pour linterprtation (ami / ennemi,
continu /puls, ) ;
caractriser les signaux intercepts, i.e. estimer les lois dvolution des signaux et leurs
paramtres ;
identifier les signaux classifis et caractriss, i.e. les associer des systmes darmes ;
localiser les systmes darmes.

Pour au moins deux raisons, les efforts actuels de recherche portent essentiellement sur de nouvelles
solutions qui permettent de diminuer lintervention de loprateur humain dans les processus danalyse
des missions interceptes. La premire raison est lie aux cots et aux risques de saturation des
cellules danalyse avec lapparition puis la gnralisation de radars de complexit croissante. La
seconde raison rsulte dune ncessit dvelopper des algorithmes innovants pour, dune part,
dissocier les performances du traitement de celles de loprateur et, dautre part, pallier aux limites des
mthodes actuelles face aux nouveaux matriels aux capacits accrues, en matire notamment
dagilit, qui contribuent augmenter notablement le degr de complexit des traitements.
Cette tude se focalise sur la prise en compte de deux aspects de lanalyse technique ELINT :
lextraction et la caractrisation.

2 Difficults lies lanalyse technique ELINT


Plusieurs facteurs environnementaux ou techniques contribuent augmenter la difficult de lanalyse
technique. On considre, en premire approximation, que ce sont :
la connaissance a priori du contexte des mesures
les caractristiques et les possibilits techniques du capteur dcoute
la densit de lambiance lectromagntique caractrise par le nombre et la complexit des
radars prsents sur le thtre dopration.

2.1. Connaissance a priori du contexte


Le premier facteur qui intervient dans le cadre dELINT concerne la connaissance a priori que lon
peut avoir de lambiance lectromagntique environnante. Cette connaissance intervient tous les
niveaux, conditionne en grande partie les choix techniques au niveau des capteurs dinterception,
oriente les analyses et fixe les objectifs dinterprtation.
Dans le cadre de la prsente tude nous faisons abstraction de toute connaissance a priori sur
lenvironnement des mesures.

2.2. Capteur dcoute


Se situant en aval du capteur dcoute, lanalyse technique en est grandement dpendante. Nous
abordons donc quelques gnralits concernant le capteur dcoute pour fixer les ides bien quil ne
soit pas directement concern par ltude.

2.2.1 Mesures dlivres par un capteur standard

Les radars travaillent pour la plupart, du fait de leurs fonctions (localisation), en mode puls. Les
mesures brutes produites par les capteurs dcoute sont alors de deux natures :

les donnes intrapulse rsultant de lchantillonnage en frquence intermdiaire du signal


dlivr par le rcepteur dcoute;
les donnes interpulse, matrialises par des tables dimpulsions et o chaque impulsion est
dcrite par des paramtres primaires dont les plus usuels sont le temps darrive, la dure, la
frquence nominale, le niveau et la direction darrive.
5 Introduction

Antenne

Amplificateurs
Filtres hyperfrquences
Chane hyperfrquence
Dtecteur
Filtrage vidofrquence

Mesures Numrisation Donnes intrapulse

Donnes interpulse

Donnes Extracteur
annexes

Traitements...

Figure 1-1 : Synoptique dun capteur dcoute

La prsente tude est limite au traitement des donnes interpulse.


Les capteurs dcoute sont plus ou moins labors. Les capteurs les plus rudimentaires ne produisent
que les TOA et les dures des impulsions alors que les plus sophistiqus produisent les coordonnes
gographiques du lieu d'mission des impulsions. La prcision de mesure des paramtres primaires
mesurs est galement variable et le capteur peut tre soumis des priodes de dsensibilisation ou
blanking qui affectent la mesure. Par ailleurs, les capteurs possdant plusieurs canaux spectraux
peuvent mesurer des impulsions simultanes. A titre dexemple, nous donnons ci aprs les
caractristiques typiques dun capteur dcoute moderne.

2.2.2 Spcifications dun capteur dcoute moderne

Les spcifications typiques dun capteur dcoute moderne sont donnes par une note technique du
CELAR [Celar, 2000] dont lessentiel figure dans le tableau 1-1. Il est constitu dune chane de
mesure dinterfromtrie pour les mesures angulaires des directions darrive, dun analyseur spectral
large bande (RBL), et dun ou plusieurs analyseurs fins bande troite (RBE) asservis par lanalyseur
spectral.

La note technique donne galement les distributions des erreurs de mesure des directions darrive, de
la frquence et de la largeur dimpulsion. Pour simplifier lapproche et conserver une dmarche
souvent adopte dans la littrature, nous utiliserons une distribution gaussienne pour toutes les erreurs
de mesure considres. Nous fixons nanmoins lcart type conformment aux valeurs annonces dans
[Celar, 2000] et dune manire gnrale plutt par excs.
Un autre aspect des choses quil convient de prciser est que les donnes, en sortie du capteur, sont
dlivres par des buffer correspondant un temps dcoute, cest dire que les donnes ne sont pas
purement squentielles et quil est donc possible de les traiter par des dalgorithmes itratifs.
Introduction 6

Gamme totale de frquence 500 MHz 18 GHz


Rsolution en frquence de lanalyseur spectral (RBL) 5 MHz
Pouvoir sparateur (donn par le RBL) 40 MHz
Couverture angulaire en gisement 60
Couverture angulaire en site 10
Sensibilit moyenne (avec une PoI de 50%)(*) -78 dBm
Prcision de mesure
- angulaire (1) 1 RMS
- frquence 300 kHz RMS
- largeur dimpulsion et TOA 100 ns RMS
% de mesures angulaires dont lerreur est suprieure 5 5%
Largeur minimale dimpulsion intercepte 100 ns
(1) hors ambiguts (i.e. erreur angulaire < 5), moyenne sur la couverture frquentielle
et angulaire
Tableau 1-1 : Spcification typique dun capteur dcoute moderne

(*) PoI : Probabilit dinterception donne par le rapport du nombre dimpulsions bien mesures
3 sur le nombre dimpulsions mises.

2.3. Nombre et complexit des radars


Les radars de lancienne gnration possdent des dures dimpulsion, des priodes de rptition des
impulsions et des frquences dmission fixes. Les radars modernes mettent en uvre une panoplie de
mesures de protection lectroniques assurant leur efficacit quel que soit leur environnement, et les
rendant de plus en plus discrets. Ils prsentent notamment une grande agilit des paramtres
dmission. Il est fortement probable quils prolifrent dans un futur proche. Pour les radars futurs, on
peut s'attendre la gnralisation de l'agilit avec des logiques bases sur des squences pseudo-
alatoires. Nous dfinirons au cours de notre tude les diffrentes catgories dagilit i.e. de
modulations des paramtres primaires prises en compte.
Le nombre de radars, les trajectoires relatives des cibles et du porteur ainsi que la diversit des modes
de balayage des radars peuvent entraner une augmentation significative du taux dentrelacement qui
caractrise directement la densit de l'ambiance lectromagntique.
Parmi les deux aspects de lanalyse technique qui nous proccupent, savoir lextraction et la
caractrisation et compte tenu de la prsence potentielle de plusieurs radars, lextraction apparat
comme tant lopration prpondrante raliser. Cest donc tout naturellement vers le
dsentrelacement que se porte notre effort principal.

II. Objectifs
Le but poursuivi par cette thse est dapporter une mthodologie lextraction dinformation de type
impulsionnel dans un contexte aveugle. Lapplication dveloppe concerne les trames radar.
Actuellement, le problme est rsolu en deux temps et ne sadresse qu une catgorie limite de
signaux : les signaux quasi-priodiques. Les mthodes couramment mises en uvre seront explicites
ultrieurement. Nanmoins, les mthodes actuelles se rvlent notoirement inefficaces en prsence
dagilits. Le dveloppement de nouveaux concepts est donc devenu indispensable.

Dans un premier temps, notre ide est donc de dvelopper des mthodes automatiques destines
rpondre aux deux aspects de lanalyse technique prcdemment voqus. Compte tenu du fait que la
loi suivie par la priode de rptition des intervalles interpulse est lune des caractristiques
principales affectant les capacits dun systme radar, elle constitue donc lun des points cls de
lanalyse technique ELINT. Cependant les autres paramtres interpulse caractrisant galement les
missions radars constituent une source de donnes qui mrite dtre intgre notre processus de
7 Introduction

manire utiliser toute linformation disponible, dautant plus que les autres paramtres sont
susceptibles de prsenter des agilits comparables celles des PRI. Lensemble des variations de tous
les paramtres constitue la forme donde, cette dernire est caractristique des fonctions dvolues au
radar.
Dans un souci de clart, en ne considrant que les TOA, on aboutit la problmatique schmatise sur
la figure 1-2.
Observations

Source 1
N
sources Source 2
Source N

Echelle des temps

Figure 1-2 : Problmatique du dsentrelacement

Les objectifs dinterprtation pris en compte dans cette tude consistent en premier lieu dterminer le
type de lois qui rgit les variations de chacun des paramtres interpulse parmi un nombre fini de lois
rpertories et dfinies au pralable. En second lieu, il sagit de dterminer les paramtres intrinsques
des lois en question.

III. Organisation du document


Nous examinons successivement le plan de lexpos, ainsi que ses principales contributions.

1 Plan
Dans un premier temps nous nous attachons introduire le contexte gnral de ltude qui occupe une
place particulire dans la problmatique beaucoup plus large du recueil dinformations partir de
capteurs dcoute passifs en guerre lectronique. Les signaux recherchs sont de type impulsionnel et
sont, dans la majorit des cas, mis par des systmes radar. Les signaux sont caractriss par un jeu de
paramtres qui, globalement, dterminent les performances et le rle du systme qui y est rattach.
Lobjectif est de procder leur analyse et den extraire les lois de variation des paramtres pr-cits
afin que des analystes procdent lidentification des systmes qui les ont mis des fins stratgiques
ou tactiques. La difficult provient essentiellement du niveau de complexit de lenvironnement
lectromagntique li la multiplicit des sources et au degr de sophistication des matriels mis en
uvre.

Dans une 2me partie, nous nous intresserons la description dtaille des signaux en prcisant les
paramtres qui les caractrisent au premier rang desquels figurent les temps darrive des impulsions.
Nous donnons la modlisation gnralement admise de lenchanement des temps darrive des
impulsions en provenance dun mme metteur : cette squence dimpulsions tant qualifie de trame
radar. Nous prciserons galement le rle des lois de variation des diffrents paramtres ainsi que les
modulations prises en compte par ltude.
Introduction 8

Le chapitre 3 sera consacr, en premier lieu, exposer brivement la philosophie qui a conduit la
conception des extracteurs oprationnels. Puis, nous effectuerons lanalyse critique des principales
mthodes en cours de dveloppement et destines amliorer les performances actuelles du matriel ;
certaines tant toutefois dj implmentes en complment de techniques de classification
automatique. Enfin, pour clore ce chapitre, nous montrerons tout notre intrt pour les mthodes
reprsentation dtat, particulirement pour les algorithmes de poursuite, en raison dune analogie
entre la problmatique du dsentrelacement et la formulation du pistage. Nous donnerons les
caractristiques dun algorithme de dsentrelacement conu partir des techniques de pistage et nous
procderons son valuation.

Le quatrime chapitre sera ax sur la thorie qui a conduit la ralisation dun module dextraction
gnrique. Nous effectuerons, cette occasion, une prsentation des concepts qui ont conduit la
formulation du filtrage particulaire. Nous voquerons galement ses principaux inconvnients et les
techniques dveloppes pour y remdier. Pour terminer nous mettrons en vidence la dmarche et les
considrations qui nous ont permis de raliser lapplication des techniques de Monte-Carlo
squentielles la problmatique de lextraction de trames radar.

Le chapitre 5 sera essentiellement consacr la gnralisation du module dextraction dautres


paramtres caractristiques des signaux radar puis la prise en compte simultane de plusieurs
paramtres afin doptimiser les informations disponibles pour amliorer les capacits dextraction.

Enfin, le chapitre 6 sera consacr aux valuations du module dextraction, pralablement dfini, et la
dtermination de son potentiel en fonction de ses paramtres intrinsques et du niveau des diffrentes
perturbations inhrentes au milieu ou au mode de fonctionnement.

2 Contributions
Les thmes abords par cette thse se situent essentiellement dans les domaines du traitement du
signal et de linformation. Laspect applicatif est reli lextraction et lexploitation dobservations
impulsionnelles, issues de capteurs passifs, en environnements incertains. Plus prcisment, nous
abordons les problmes du filtrage, de lassociation de donnes et de la fusion de donnes laide
dalgorithmes stochastiques squentiels dans un contexte baysien.
Cette thse se veut avant tout comme une contribution dans le domaine de la guerre lectronique et
apporter une solution ou au moins un nouvel axe de dveloppement la problmatique de lextraction
de trames radar. Nous nous plaons volontairement dans lhypothse la plus contraignante en
supposant que lextraction seffectue de manire aveugle cest dire en labsence totale de
connaissance a priori sur le contexte des mesures. Si dans la pratique des informations a priori sont
disponibles sur le contexte, ces dernires pourront tre prises en compte, en raison de la nature
baysienne du modle dvelopp.
La deuxime grande difficult dont nous navons pas souhait nous affranchir, concerne les mesures
elles-mmes. Classiquement, pour tous les algorithmes dvelopps jusqu maintenant, deux
hypothses trs fortes sont avances. On suppose que les impulsions sont en nombre suffisant et que
de ce fait elles peuvent toujours tre spares en classes en fonction des paramtres qui les
caractrisent. Mme si ces hypothses taient fondes dans de nombreux cas, lvolution rcente des
systmes radar montre que dans lavenir elles le seront de moins en moins. Aussi, pour ce travail :
nous supposons que le nombre dimpulsions est extrmement limit et quelles sont non sparables par
rapport aucun des paramtres. En dautres termes, les paramtres des diffrentes trames
appartiennent tous une mme gamme, cest dire que les intervalles de variation dun paramtre
commun plusieurs trames ne sont jamais disjoints.
Les lois de variation des paramtres, dcrivant les trames radar, et prises en compte par ltude
constituent galement, de par leur complexit, une voie rarement explore en dehors des
problmatiques de recherche de caractristiques ou de reconnaissance de modulation.
Les mthodes utilises, base de reprsentation dtat, et notamment les mthodes de Monte-Carlo
squentielles nont jamais, notre connaissance, t utilises dans le cadre du dsentrelacement de
trames radar.
9 Introduction

Toutes les hypothses formules, conformes la ralit des radars oprationnels, ainsi que le choix des
mthodes contribuent augmenter la difficult de lextraction de manire importante et loigner
notre travail des hypothses classiquement avances, lui confrant ainsi un caractre novateur.

3 Production scientifique :
Rapports de recherche :

Etude en cours, finance par des fonds de recherche dtude amont de la DGA dans le domaine de
linterception radar (fusion des paramtres interpulse et intrapulse).

Etude de 24 mois (100000 Euros) au profit du CELAR Etude dun algorithme gnrique
automatique ELINT , march public N00-42-103-00-470-35-15 du 18 janvier 2002.

Etude de 12 mois (45000 Euros) au profit du CELAR Analyse technique ELINT march public
N00-42-103 du 17 mai 2000.

Groupes de travail :

J-J. SZKOLNIK, R. LEAUSTIC Nouvelles techniques de traitement du signal pour lestimation


de signatures radar , journe "Sciences & Dfense", organise par la DGA, Paris, France, 11
dcembre 2001.

J-J SZKOLNIK, Simulation intgre du comportement dun vhicule sous-marin et de la


fonction navigation , GDR-ISIS GT6-OT6.3 Journes d'exposs concernant la perception et la
robotique sous marine, Montpellier, 8-9 novembre 2001

J-J SZKOLNIK, J. LE HARS Dmonstration dun concept de surveillance en eaux ctires au


moyen dun vhicule sous-marin autonome , 3me journe acoustique du G2RA, Brest, novembre
1998

Confrences internationales :

Jean-Jacques SZKOLNIK, Andr QUINQUIS, Sequential Monte-Carlo Methods for Radar


Pulse Train Deinterleaving IEEE Conference Communications 2004, Bucarest 3-7 June 2004

Jean-Jacques SZKOLNIK, Sequential Monte-Carlo Methods for ELINT Technical Analysis ,


IEEE Conference Communications 2002, Bucarest 5-7 December 2002

Arnaud COATANHAY, Jean-Jacques SZKOLNIK, Interface Identification using a GPR


Signal : A Monte Carlo Markov Chain Approach , Confrence IEEE RADAR 2002 Long Beach,
avril 2002.
Introduction 10

Page laisse intentionnellement blanche


11 Modlisation

CHAPITRE 2
MODELISATION

Avant de dvelopper les mthodes dextraction et de caractrisation des trames radar, nous nous
attacherons expliciter les modles les plus consensuels adopts par la communaut de la guerre
lectronique. La premire tape consiste justifier les paramtres interpulse pris en compte par ltude
puis dfinir les modulations considres. Ensuite, partir des quations de transmission et de mesure
des temps darrive, tablies compte tenu dun certain nombre de considrations physiques et
matrielles, lobjectif est daboutir une formulation dtat de la trame radar qui prenne en compte les
paramtres des modulations. Enfin, nous gnralisons lapproche lensemble des paramtres
interpulse.
Il est noter que de nombreux termes caractristiques des modulations sont dorigine anglophone.
Nous ne tenterons aucune francisation plus ou moins heureuse des termes en question.

I. Modles
Ltape de formalisation de la problmatique dextraction et de caractrisation seffectue dune part
partir de la prise en compte de la nature physique des impulsions et des diffrentes grandeurs qui les
identifient, et, dautre part, partir de la modlisation des trains dimpulsions.

1 Aspect physique des missions radar


Les missions prises en compte par ELINT sont exclusivement des missions de type impulsionnel qui
caractrisent la majorit des radars dont le rle est de positionner gographiquement les cibles.

1.1. Paramtres intrinsques des impulsions


Dans un premier temps, nous nous intresserons la dfinition dune impulsion idale, puis nous
expliciterons la ralit physique dune impulsion ainsi que les diffrents paramtres utiliss pour
quantifier ses caractristiques.

1.1.1 Impulsions idales

Dune manire gnrale, une impulsion est dfinie par une onde qui part dun tat original, volue vers
un tat nominal puis revient son premier tat. Par abus de langage, largement rpandu dans le
domaine radar, on assimile systmatiquement une impulsion son enveloppe (signal vido), obtenue
laide dun filtrage passe-bas des hautes frquences du signal amplifi. La forme donde la plus
basique utilise pour les applications radar correspond un tat de dpart et final de niveau 0 et un
tat nominal damplitude constante non nulle.
Modlisation 12

La figure 2-1 reprsente un exemple dun train dimpulsions idales Les paramtres primaires
permettant de dcrire un train dimpulsions sont au nombre de cinq :
les temps darrive des impulsions, nots TOA, ils sont spars par les priodes de rptition
des impulsions (PRI) qui ne sont pas des paramtres primaires,
la frquence moyenne de la frquence porteuse durant la dure dune impulsion,
la largeur dimpulsion (LI),
le niveau (amplitude de lenveloppe). Dans lexemple, figure 2-1 toutes les impulsions ont un
niveau gal 1,
la direction darrive, note DOA (Direction Of Arrival).
1.5

0.5

-0.5

-1

-1.5
0 1 2 3 4 5 6 7 8 9 10

LI
4
x 10

1.5

0.5

-0.5

-1 PRI
-1.5
3.8 4 4.2 4.4 4.6 4.8 5 5.2 5.4
4
x 10

Figure 2-1 : Caractristiques des missions radar

Dans la pratique, la ralit des impulsions est un petit peu diffrente puisquun certain nombre dautres
paramtres de modlisation, intrinsques une impulsion, sont introduits pour tenir compte de
limperfection de forme des impulsions.

1.1.2 Impulsions relles

La figure 2-2 dfinit les principales caractristiques dune impulsion relle [Barton, 1998]. Ces
caractristiques sont : un front montant de dure tr, un front descendant de dure tf, une attnuation de
la valeur moyenne de lamplitude de limpulsion au cours du temps et une ondulation de lamplitude
de limpulsion.
Le temps de monte tr (rise time) correspond au temps qui scoule lorsque lamplitude de limpulsion
passe dune valeur spcifie basse une valeur spcifie haute. Gnralement ces deux valeurs sont
fixes respectivement 10% et 90% de la valeur maximale de limpulsion. Le temps de descente tf
(fall time) est dfini de manire analogue, les variations seffectuant videmment en sens inverse. Ces
deux paramtres sont particulirement importants pour dfinir la forme de limpulsion et notamment le
temps de monte dont lallongement contribue dtriorer la rsolution. De plus, un temps de monte
trop long rend plus difficile la mesure des temps darrive (TOA). Pour tre complet, prcisons que la
mesure du temps darrive dune impulsion donne seffectue lorsque lamplitude de lenveloppe
dpasse, dans le sens croissant, un certain seuil, souvent fix 50% de la valeur maximale de
limpulsion. La largeur dimpulsion correspond au temps o lamplitude de limpulsion reste au dessus
de ce mme seuil.
Pour les impulsions relles, il peut se produire une certaine attnuation de lamplitude maximale de
limpulsion au cours de la dure de limpulsion : le paramtre caractrisant cette attnuation est
dnomm en anglais pulse droop et est not D. Dans les notices de constructeurs, il sexprime
souvent en dcibel (dB) et sa valeur est donne en fonction de la dure de limpulsion. Son expression
est donne par (2-1).
13 Modlisation

E1 E2
D= (2-1)
E1
Enfin, il existe un dernier paramtre caractrisant lenveloppe dune impulsion, il sagit de
londulation de lamplitude maximale au cours de la dure de limpulsion. Ce paramtre sexprime
gnralement comme le rapport de lexcursion des oscillations sur lamplitude maximale.

Ondulations

tr tf

E2

E1

Front montant Impulsion relle

Front descendant
Impulsion idale

Temps
Largeur de l'impulsion
Figure 2-2 : Caractristiques courantes dune impulsion relle

Les paramtres prcdemment dfinis ninterviennent pas directement dans les processus dextraction
et de caractrisation des trames radar. Cependant, ils permettent de donner un sens certains alas de
fonctionnement. A titre dexemple, le temps de monte, par exemple, constitue lune des sources
derreur appele jitter non cumulatif.

Pour mmoire, il existe dautres formes dimpulsions autre que la seule forme rectangulaire, voque
prcdemment. Mais elles rsultent gnralement dune compression dimpulsions ou sont dues aux
filtres du rcepteur plutt que gnres lmission. En effet, les metteurs radar oprent plus
efficacement en mode satur, produisant ainsi une sortie que lon souhaite de niveau globalement
constant entre le front montant et le front descendant de limpulsion.

1.2. Les paramtres primaires


En plus des temps darrive, les impulsions interceptes sont dcrites par dautres paramtres qualifis
de primaires par opposition, par exemple, aux DTOA, paramtres secondaires, qui rsultent de la
diffrentiation des TOA et qui ne sont donc pas directement issus de mesures. Les autres paramtres
primaires pris en compte par ltude ont dj t brivement voqus lors de la prsentation des
spcifications dun capteur moderne dcoute. Il sagit notamment de la frquence centrale de
limpulsion, de la largeur dimpulsion, du niveau et de la direction darrive.

1.2.1 La frquence centrale de limpulsion

Pour chaque impulsion correctement intercepte, lun des paramtres mesurs est la frquence
moyenne en bande de base laquelle limpulsion a t mise. Pour cette tude, seules les variations de
frquence dimpulsion impulsion reprsentent un intrt. Les modulations de frquence internes
limpulsion ne sont pas mesures par le capteur. Le capteur dlivre donc une frquence pour chaque
Modlisation 14

impulsion qui correspond la valeur moyenne de la frquence de la porteuse de limpulsion


considre. La prcision de mesure de la frquence est donne pour un capteur dcoute moderne par
le tableau 1-1. La prcision des mesures en frquence est indpendante du niveau mis mais est lie en
revanche la largeur de limpulsion notamment lorsque celle-ci est courte (infrieure 200 ns).

1.2.2 La largeur dimpulsion

La largeur dimpulsion est lie au niveau reu, elle est mesure partir du signal vido et correspond
au temps que le niveau est au-dessus du seuil de dtection. Sa prcision est du mme ordre de
grandeur que celle des TOA. Pour simplifier sa prise en compte, nous considrerons une valeur
derreur moyenne sur lensemble de la gamme du niveau mesurable par le capteur.

1.2.3 La direction darrive

La direction darrive savre tre un critre hautement discriminant pour raliser le dsentrelacement
des trames radar. Dailleurs, de nombreux systmes procdent en deux temps : une premire tape est
consacre au tri grossier des impulsions partir de la mesure des directions darrive. La seconde
tape consiste alors procder lextraction partir des donnes ainsi classes. La direction darrive
est obtenue au moyen dquipements complexes et onreux (chane de mesure interfromtrique). De
plus ce paramtre ne prsente aucune modulation intrinsque au sens o on lentend habituellement.
Dans le cadre de notre tude et compte tenu de laspect particulier de ce paramtre, nous ne le
prendrons donc pas en compte. Nous justifions notre dcision par labsence de plus-value scientifique
quil engendre sur les traitements proposs. Nous formulons donc lhypothse que la rsolution
angulaire du capteur dcoute est insuffisante pour discriminer les trames interceptes ou que nous
analysons lextraction dans un lobe dantenne, correspondant une direction donne.

1.2.4 Le niveau

La mesure du niveau est obtenue par lestimation du maximum damplitude de lenveloppe de


limpulsion. Le niveau est un paramtre en gnral non modul de manire intentionnelle mais
cependant minemment variable compte tenu des divers facteurs qui linfluencent. Nous ne nous
intresserons ni aux alas de propagation ni aux variations qui en rsultent : cet aspect des choses se
situant en dehors des proccupations de cette tude. La configuration gomtrique du contexte des
mesures est suffisante pour voquer les difficults que reprsentent linterprtation des variations de
niveau. En effet, les formes respectives des lobes des antennes dmission et du capteur dcoute, les
mouvements de balayage des antennes radar, sectoriel ou de rotation, ainsi que les mouvements
relatifs du porteur et des cibles sont autant de causes qui influent de manire significative sur le
niveau. La modlisation de ces diverses perturbations est sinon impossible, du moins beaucoup trop
complexe et contribue potentiellement, compte tenu des nouvelles approximations introduites, une
dgradation significative de la robustesse algorithmique.
La figure 2-3 permet dillustrer notre propos. Lexemple envisag est engendr partir dun outil de
simulation tactique dambiance lectromagntique.

Figure 2-3 : Exemple des variations du niveau


15 Modlisation

La figure 2-3 correspond au niveau intercept dun radar de veille lointaine en visibilit permanente du
capteur dcoute. Le niveau est modul ici uniquement par le mouvement de rotation du radar et la
concidence des lobes dmission et de rception.

2 Modlisation des TOA


Au pralable toute considration algorithmique, nous prcisons les quations de transmission et de
mesure des impulsions caractrisant les temps darrive. La squence des temps darrive est en ralit
une table o figure la datation chronologique de la dtection des impulsions.

2.1. Modle de transmission de trames et jitter cumulatif


La modlisation gnralement adopte du temps darrive de la kme impulsion suit les considrations
suivantes. Les TOA subissent un jitter cumulatif u k introduit de manire non intentionnelle par la
drive de la source ou par des perturbations lies au canal de propagation. Son cart-type est de lordre
de 1% de la PRI moyenne. Certains metteurs, au contraire, introduisent un jitter intentionnel pour
amliorer la capacit de rsistance au brouillage. Lordre de grandeur peut alors atteindre 30% de la
valeur de la PRI.
tk +1 = tk + Tk + wk +1 (2-2)
o t k reprsente linstant darrive de la k me
impulsion, Tk est la PRI instantane et {wk } , sont
2
modlises par des variables alatoires gaussiennes non corrles, centres et de variances w .
Le jitter cumulatif est engendr, en partie, par lmetteur et est troitement li la technologie mise en
uvre. Lune des mthodes de gnration de PRI pour laquelle le jitter cumulatif a t mis en
vidence est le pilotage des PRI au moyen dune ligne retard. Cette technique entrane une
dpendance entre les instants dmission des impulsions de telle sorte que le jitter saccumule au cours
du temps. Par exemple pour une PRI constante on a en reprenant la relation (2-2) :
k +1
tk +1 = + kTk + wu (2-3)
u =1
Le jitter de la k+1me impulsion apparat donc comme laccumulation du jitter de chacune des
impulsions prcdentes. Cependant, dans les systmes modernes, le contrle de la PRI est assur par
un oscillateur, dont la frquence est ensuite divise par un rseau de bascules numriques jusqu
lobtention des frquences de PRI dsires.
Ainsi, la qualit des quipements utiliss pour les radars modernes peut amener le jitter engendr par
lmetteur tre indpendant dune impulsion lautre. Ds lors, il est plus appropri de ne parler que
de jitter non cumulatif et dadapter la reprsentation en reportant lintgralit du jitter dans lquation
de mesure.
Dans le cadre de ltude, nous conservons, a priori, la composante de jitter cumulatif sauf
prcision contraire qui sera prcise et justifie.

2.2. Mesures des TOA et jitter non cumulatif


La mesure, par le rcepteur, des temps darrive est galement sujette un jitter non cumulatif vk
rsultant essentiellement du bruit thermique et des erreurs de quantification de la datation de linstant
darrive. Dune manire gnrale et compte tenu de la classe dintercepteur considr, le bruit de
quantification est prpondrant sur le bruit thermique et peut aisment tre valu. Si bien que lcart
type du jitter non cumulatif est classiquement considr comme connu et de valeur trs faible. La
valeur retenue pour un capteur dcoute moderne est de 100 ns.
y k = t k + vk (2-4)
o yk est la mesure de linstant darrive de limpulsion dindex k, {vk } sont supposes tre des
variables gaussiennes, centres de variance v2 indpendantes entre elles et vis--vis des {wk } .
Modlisation 16

Une caractristique importante de la formulation dtat des trames radar rside dans linterprtation de
lindex k. En effet, lindex k reprsente le rang de limpulsion considre et ne reflte par consquent
que le seul aspect chronologique de lenchanement des impulsions. Le temps sparant les impulsions
est uniquement fonction du type de la modulation de PRI. Une trame radar na donc que fort peu de
points communs avec le classique signal chantillonn temps constant modul en amplitude.

3 Modulations des PRI


Lun des objectifs essentiels de cette tude est la mise au point dun traitement algorithmique
susceptible dintgrer tous les radars et notamment les radars dont les paramtres primaires sont
moduls. Nous dfinissons un certain nombre de modulations parmi lesquelles figurent, dune part les
plus rpandues et dautre part, celles vers lesquelles nous pensons que lvolution future des radars
sera axe. Prcisons en outre que les formes donde, objets de notre tude, ne comprennent pas le
tramage plus ou moins complexe de certains radars. En effet, nous ne nous intressons uniquement
quaux modulations de bas niveau des paramtres interpulse et non aux diverses combinaisons de ces
dernires que des processus de plus haut niveaux peuvent engendrer.
Ce paragraphe est consacr une prsentation succincte des modulations traites au cours de cette
tude. Les modulations considres sont applicables potentiellement tous les paramtres dcrivant
les impulsions, et pas seulement aux temps darrive. Cependant, dans un premier temps, seules les
modulations des PRI seront examines. Si on considre lquation (2-2) qui dcrit la modlisation des
temps darrive des impulsions, le terme Tk reprsente lintgralit de la composante due la
modulation de la kme impulsion.

3.1. Modulation constante et staggered


Ces deux types de modulation de PRI constituent les modulations le plus souvent mises en uvre dans
les systmes radar et reprsentent encore aujourdhui une part importante des radars en
fonctionnement.

3.1.1 Modulation constante

Pour les systmes PRI constante, les impulsions sont gnres intervalles de temps rguliers, les
variations de largeur de lintervalle dun cycle lautre nexcde pas 1% de la PRI et sont non
intentionnelles et gnralement dues llectronique.

Figure 2-4 : Exemple de modulation constante

La figure 2-4 montre une trame PRI constante et les DTOA correspondants. La modulation constante
est uniquement paramtre par lintervalle de temps sparant deux impulsions conscutives. Pour
17 Modlisation

lexemple figure 2-4, le paramtre vaut 10.


Ce type de forme donde est couramment utilis pour des fonctions de recherche et de pistage et tout
particulirement lors de la mise en uvre des techniques MTI ou Doppler.

3.1.2 La modulation staggered

Un metteur mettant en uvre une modulation staggered utilise plusieurs PRI de manire squentielle
et rpte la squence lmentaire tant que dure lmission. Une trame de type stagger est donc
caractrise en rgle gnrale par deux paramtres : le nombres de positions et le nombre de niveaux.
Le nombre de positions reprsente la longueur de la squence des PRI possibles avant que le motif
lmentaire ne se reproduise. Le nombre de niveaux caractrise les valeurs possibles des PRI
appartenant la trame. Par exemple {T1, T1, T2} est un stagger trois positions et deux niveaux. La
figure 2-5 donne lexemple dun stagger, not (3/2), trois positions et deux niveaux {3,3,4}. La PRI
du motif lmentaire, ou PRI globale, correspond la somme des PRI lmentaires.

1.5
PRI=PRI1+PRI2+PRI3

PRI1 PRI2 PRI3


1

0.5

0
190 195 200 205 210 215
TO A

Figure 2-5 : Exemple dun stagger (3/2)

Il est toujours possible de considrer une modulation de type stagger comme n modulations
constantes, n tant le nombre de positions du stagger, de PRI identiques (la PRI du motif lmentaire)
et dphases dune valeur gale au niveau de la position considre. Pour lexemple prcdent, on
considre la trame compose de trois trames lmentaires PRI constantes de valeur 10 (3+3+4), dont
les dphasages successifs sordonnent en fonction de la squence des niveaux (3,3,4), (3,4,3) ou
(4,3,3).
Les formes donde de type stagger sont utilises pour les radars utilisant des modes MTI ou pour les
radars de recherche pour liminer les vitesses ambiges. Lambigut en vitesse provient dune
possible confusion entre les raies dues au Doppler de la cible. Sans entrer dans les dtails qui font
appel lanalyse spectrale de la trame radar, le fait dalterner des PRI (modulation de type stagger)
entrane une variation de la priode des raies Doppler et permet de lever le doute concernant la
composante Doppler [Wiley, 1993].
Au cours de cette tude, nous ne rechercherons pas les modulations de type stagger en tant que telles,
mais comme des modulations constantes, conformment la remarque prcdente. Nous conclurons
lexistence dun stagger pour un paramtre donn si elle est confirme par lanalyse des autres
paramtres.

3.2. La modulation Sliding


Pour cette modulation, la PRI augmente linairement jusqu une valeur bute puis redescend
brusquement une valeur minimale. Le motif se reproduit ensuite suivant le mme schma : les
valeurs limites restant identiques.
Modlisation 18

Figure 2-6 : Exemple de modulation sliding

Trois paramtres sont ncessaires pour caractriser pleinement cette modulation : la PRI minimale, la
priode des motifs ainsi que leur amplitude. Dans lexemple, figure 2-6, les paramtres valent
respectivement 10, 20 et 5.
Cette modulation est utilise pour liminer les distances aveugles et galement pour optimiser le
balayage en site en permettant une couverture altitude constante. Pour ce dernier cas, lexcursion
maximale des variations, dans la pratique, est souvent infrieure six fois la PRI minimale (ordre de
grandeur). On dfinit les distances aveugles comme tant les distances qui correspondent aux instants
darrt de la rception. En effet, un radar fonctionne en mode exclusif, la rception est interrompue au
cours de lmission, et pendant les instants que dure lmission le radar est donc aveugle.

3.3. La modulation switch & dwell


La modulation switch & dwell consiste pour un metteur radar utiliser un jeu fini de PRI et de les
maintenir constantes pendant un temps donn puis de commuter vers la valeur suivante. Le choix de la
valeur suivante peut seffectuer de manire chronologique ou au contraire de manire compltement
alatoire. Dans ce dernier cas il nexiste pas de motif de rptition. La commutation est extrmement
rapide. Cette forme donde est typique dans les systmes dont la frquence de rptition des
impulsions est moyenne ou leve. Lutilisation de PRI multiples permet de lever les ambiguts
vitesse et/ou distance. Lambigut en distance provient de lincertitude concernant linstant
dmission dune impulsion rtro propage, en effet, il est impossible de sassurer avec certitude quil
sagit de la dernire impulsion mise ou au contraire dune impulsion mise prcdemment. La
commutation de PRI est galement utilise comme une technique ECCM, cest dire pour se protger
des contre-mesures actives adverses, le brouillage par exemple ou encore le leurre du radar par la
simulation de faux chos.
La modulation switch & dwell ne sera pas recherche en tant que telle car difficilement paramtrable.
Elle sera considre comme lassociation squentielle de modulations constantes PRI diffrentes.
Dans lexemple, figure 2-7, la PRI est de 10 pour les 20 premires impulsions, de 15 pour les 10
impulsions suivantes et de 12.5 pour les 20 dernires impulsions.
19 Modlisation

Figure 2-7 : Exemple de modulation switch & dwell

3.4. La modulation Wobulated


La PRI oscille de manire sinusodale autour dune valeur moyenne. Cette modulation est utilise pour
viter dinduire une priodicit des instants o le radar est aveugle en raison de lmission dune
impulsion. Mais, lutilisation essentielle de la modulation wobulated a lieu en conjonction avec un
systme de poursuite balayage conique comme technique de guidage de missile.

Figure 2-8 : Exemple de modulation wobulated

Les paramtres permettant de dcrire la modulation wobulated sont au nombre de trois : la PRI
moyenne, lamplitude de la composante module gnralement exprime en pourcentage de la PRI
moyenne et la priode. Les valeurs typiques des paramtres de la modulation sont une excursion de
5% de la PRI moyenne et une frquence de 50Hz, on considre quune valeur de lamplitude de 20%
constitue une borne suprieure pour cette dernire. Pour lexemple, figure 2-8, les paramtres sont PRI
moyenne 10, amplitude 5 et frquence 20.
Modlisation 20

3.5. La modulation jittered


On trouve galement, sur certains radars, des variations de PRI alatoires intentionnelles qui peuvent
atteindre 30% de la valeur moyenne de la PRI : cest la modulation jittered.

Figure 2-9 : Exemple de modulation jittered

La modulation jittered est gnralement utilise pour rsister aux mthodes de brouillage qui
sappuient sur la prdiction des instants darrive des impulsions. Certains radars tirent alatoirement
des valeurs de PRI prdtermines chaque rcurrence tandis que dautres gnrent les valeurs de PRI
de manire alatoire. La figure 2-9 illustre notre propos avec une modulation jittered dont lcart-type
atteint 30% (lcart-type est dfini 3) de la valeur moyenne de la PRI de valeur 10.

4 Modulation des autres paramtres


Au pralable lexamen des modulations utilises pour les autres paramtres primaires, il nous faut
prciser les paramtres susceptibles dtre moduls.

4.1. Paramtres moduls intentionnellement


Il apparat clairement que la direction darrive nest pas module de manire intentionnelle au sens
communment admis. Dailleurs, ce paramtre, videmment hautement discriminant pour lextraction
est lheure actuelle trs utilis et mme parfois, notamment en ambiance lectromagntique dense, de
manire exclusive. Pour ces diverses raisons, ltude ne prend pas en compte ce paramtre, on
considre donc que les missions radar proviennent du mme azimut ou encore que notre capteur
dcoute est dnu de tout systme de mesure de la direction darrive des missions interceptes.

Le niveau constitue un paramtre qui, compte tenu des technologies mises en uvre dans les systmes
radar fonctionnant dans limmense majorit des cas en rgime bloqu/satur, ne subit pas de
modulation volontaire. Par contre, comme prcis auparavant, il est en gnral affect de variations
aux causes multiples, essentiellement orientation relative de lantenne dmission et conditions de
propagation. Il peut donc tre utilis afin de caractriser la logique de balayage dun radar et
galement afin dapporter une information sur la qualit du signal dtect [Putz, 2002].

Les remarques prcdentes nous conduisent donc ne considrer, dans le cadre de cette tude, que les
trois paramtres primaires suivants ; TOA, largeur dimpulsion (LI) et frquence (F) susceptibles de
subir des modulations intentionnelles.
21 Modlisation

Le paragraphe prcdent nous a permis daborder les diverses modulations des TOA, nous
poursuivrons donc par une description des particularits des modulations de la LI et de la frquence.
Au pralable, nous formulons brivement un certain nombre de remarques propos de considrations
qui conduisent ladoption dune forme donde et des liens qui rgissent les variations des paramtres
dans le domaine radar.

4.2. Liens entre les modulations des diffrents paramtres


Les paramtres qui rgissent le choix des formes donde dun systme oprationnel sont fortement
contraints, essentiellement par les missions qui lui sont dvolues ainsi que par des options
conomiques et technologiques. Les spcialistes peuvent assez facilement dterminer le rle et les
capacits dun systme simplement au travers de lanalyse de sa forme donde. La puissance de crte
dun systme constitue, par exemple, le paramtre essentiel qui fixe sa sensibilit, notamment en
termes de porte. Cependant, cette puissance est galement lie des critres technologiques,
ventuellement dicts par dautres considrations : conomiques, encombrement, fiabilit, puissance
embarque disponible par exemple.
Le choix de la forme donde est galement, pour les systmes modernes, dict par la ncessit de
diminuer limpact oprationnel de dysfonctionnements inhrents aux principes utiliss par les radars.
On recense ainsi, dans cette catgorie dalas de fonctionnement, les distances et vitesses aveugles, les
ambiguts distance et vitesse et les rsolutions distance et vitesse. Si lon change la forme donde au
travers dune modulation de la PRI, on modifie, chaque rcurrence du radar, les zones dambiguts
et daveuglement. Si cette modification est ralise sans prcaution particulire, on conoit facilement
quau cours dune priode donne lnergie mise soit fonction de la PRI utilise. Or les systmes
dans leur grande majorit fonctionnent puissance constante. Cette dernire caractristique implique
un rapport PRI/LI constant nomm facteur de forme et constitue donc, ce titre, un paramtre
signant du systme. Les ambiguts peuvent galement tre limites en utilisant des impulsions
marques en frquence, si bien quil nest pas rare que les radars modulent les trois paramtres
dmission que sont la PRI , la LI et la frquence. On peut signaler, en apart, quil existe dautres
techniques pour amliorer les performances dun radar sans avoir modifier la LI et la PRI. Il est
possible, par exemple, damliorer la rsolution distance par talement spectral de limpulsion au
moyen dune modulation linaire de la frquence (chirp) ou par une variation de la phase (code de
phase) au cours de la dure de limpulsion.
Pour conclure, nous retiendrons que les formes donde des systmes radar obissent des contraintes
dictes par la nature de leurs missions : mesure de vitesse, positionnement de cibles, veille arienne
lointaine, guidage de missiles etc. Il est possible de faire varier les paramtres interpulse des radars
suivant des lois plus ou moins complexes mais en intgrant un certain nombre dimpratifs techniques
et technologiques.

4.3. Modulations de la largeur dimpulsion et de la frquence


Les modulations prises en compte pour la largeur dimpulsion et la frquence sont strictement
identiques aux modulations des PRI rsultant de la diffrentiation des modulations dfinies pour les
temps darrive. Simplement les dnominations utilises pour les temps darrive ne sont pas reprises
intgralement dans le cas des modulations de la largeur dimpulsion et de la frquence pour des
raisons que lon peut qualifier dhistoriques. Ainsi, on ne parle plus de modulation de type stagger,
mais dagilits cycliques dimpulsion impulsion [Putz, 2002]. De mme, la modulation jittered est
plutt qualifie dagilits alatoires dimpulsion impulsion. Dune manire analogue, en ce qui
concerne la modulation switch & dwell, on retrouve des modulations par trains, essentiellement de
deux types. Les agilits cycliques par trains et les agilits alatoires par trains qui comme leurs noms
lindiquent correspondent respectivement aux modulations switch & dwell PRI cycliques suivant un
motif prdtermin ou au contraire PRI tires de manire alatoire. On peut noter galement que la
modulation sliding na pas dquivalent pour les modulations de largeur dimpulsion et de frquence.
De mme, la modulation wobulated nexiste que pour la frquence, et dans ce cas particulier, on
rencontre galement une francisation de son appellation de la forme Wobbulation de frquence .
Modlisation 22

5 Perturbations
Dans la ralit, un certain nombre de causes contribuent altrer le train dimpulsions idal reprsent
figure 2-1, [Slocumb, 1997]. Les effets se traduisent, en premier lieu, par lajout dimpulsions que lon
qualifie de parasites puisque nappartenant pas en ralit la trame, et en second lieu, par la
disparition dimpulsions de la trame thorique. On distingue classiquement deux types dorigines ces
perturbations : des perturbations dorigine externe et des perturbations dues aux technologies et aux
modes de fonctionnement utiliss par les systmes de rception des radars.

5.1. Perturbations externes au rcepteur


Les perturbations cites proviennent des metteurs radar et des conditions de propagation et
environnementales :

Recouvrement dimpulsions : Le recouvrement dimpulsions intervient lorsque deux


impulsions mises partir de deux metteurs distincts arrivent de manire simultane au
rcepteur. Sil nexiste pas de circuits ddis la dtection de recouvrements, gnralement
laide dun filtrage frquentiel, la dtection est rendue impossible. Il y a recouvrement lorsque la
diffrence de temps darrive entre deux impulsions est infrieure la dure de la premire
impulsion. On recense alors deux inconvnients majeurs ; seule la premire impulsion peut tre
dtecte et les mesures des paramtres intrapulse sont altres. Pour certains systmes, on
constate galement une dgradation des mesures damplitude et de directions darrive ainsi
quune exagration de la longueur de la premire impulsion, moins que cette dernire ne
recouvre entirement la seconde.
Leffet du recouvrement dimpulsions se caractrise galement par la perte des informations
concernant la seconde impulsion et par une altration des mesures interpulse de la premire
impulsion, qui pourront alors prendre des valeurs aberrantes.

Perte dimpulsions : Ce dysfonctionnement de lmetteur est plus spcifiquement li la


technologie des magntrons, le taux dimpulsions perdues est alors de lordre de 0.25% des
impulsions. Une impulsion perdue isole a trs peu de rpercussions sur les performances du
systme radar mais peut causer le droutement dun systme dextraction, notamment au cours de
sa phase dinitialisation.

Impulsions parasites : Dans ce cas, les impulsions parasites existent rellement. Elles sont
produites par lmetteur de manire non conforme la trame thorique et rsultent de
dysfonctionnements. Mais, en gnral, les impulsions parasites externes au rcepteur sont lies
aux conditions de propagation et particulirement aux trajets multiples. Une mme impulsion
peut donc tre dtecte plusieurs fois en fonction des diffrents trajets emprunts : une diffrence
de longueur de trajet entranant la rception un dcalage temporel. Les trajets multiples sont dus
aux rflexions de lnergie lectromagntique sur des surfaces ; sol, couches atmosphriques,
constructions urbaines etc.

Trames intermittentes : Certains radars assurent plusieurs fonctions simultanes. Par exemple
pour une fonction de poursuite et de veille, les commutations entre les modes seffectuent, le plus
souvent, grce une antenne balayage lectronique. Dun point de vue global, tout se passe
alors comme si le gain de lantenne variait dans le temps. Or le capteur dcoute ne dtecte, en
rgle gnrale, que le lobe principal et les lobes secondaires, si bien que vues du capteur dcoute,
les missions radars apparaissent sous forme de burst (rafale dimpulsions) dont la dure est
fonction de la largeur de lobe et de la vitesse de balayage du radar.
Les effets dapparition et de disparition alatoires de trames constituent videmment une
difficult majeure pour une fonction dextraction. Pour cette raison, il est ncessaire que
lalgorithme dextraction puisse travailler avec un nombre rduit dimpulsions.
23 Modlisation

5.2. Les perturbations introduites par le rcepteur


Dune manire identique lmetteur, le rcepteur ESM induit des perturbations de la trame
intercepte essentiellement sous la forme dimpulsions manquantes ou parasites. Ainsi, on distingue
classiquement :

Les impulsions masques : Les circuits de dtection dimpulsions ncessitent, aprs chaque
dtection, un laps de temps utilis pour effectuer une remise zro des diffrents constituants. Si
une impulsion arrive au cours de ce temps de neutralisation, cette dernire nest pas dtecte, il en
rsulte une impulsion manquante de la trame intercepte.

Les fausses alarmes : Les rcepteurs ESM passifs utilisent des circuits de dtection dnergie
pour dtecter la prsence dimpulsions. Si la puissance du bruit devient suprieure au seuil de
dtection une impulsion est alors dtecte, ce qui se traduit par lajout la trame relle dune
impulsion qui na pas de ralit physique.

Blanking du rcepteur : Le blanking au niveau dun rcepteur ESM correspond aux priodes
pendant lesquelles le rcepteur est dsactiv pour permettre lmission dnergie
lectromagntique dautres quipements, metteurs radio par exemple. Limpact des priodes de
blanking se traduit par des squences dimpulsions manquantes lors de la gnration des tables
des TOA.

II. Modlisation des trames


A partir des quations de transmission et de mesure des temps darrive, la reprsentation dtat
apparat comme naturelle.

1 Modle dtat des TOA


A partir de la modlisation dune trame, on dfinit le modle dtat dune trame i ci-aprs :
xik +1 = F.xik + w ik
i (2-5)
yk = H.x k + vk
i i

[
o x ik = Tki t ki ]
T
est le vecteur d'tat, la PRI instantane Tki est intgre au vecteur dtat. On peut
ainsi procder son estimation rcursive. Le bruit de modlisation, i.e. le jitter cumulatif wki , est
dfini par la deuxime composante de la matrice w ik . La premire composante de la matrice w ik
modlise un bruit blanc gaussien permettant ladaptation de la valeur de la PRI instantane.
Les chantillons du jitter non cumulatif sont modliss par vki .

w ~ (0, Q i )
i
k o { }= Q
Ew w i
j
iT
k jk i
2i
Qi =
0

w2i
0 (2-6)
v ~ (0, R i )
i
k o E {v v }= R
i iT
j k jk i Ri = 2
vi

De plus, on posera :
1 0
F= H = [0 1]
1 1
Cette reprsentation dune trame est gnrale et prsente lavantage de la simplicit compte tenu de
son caractre linaire. Dans la pratique, cependant, son intrt se limite essentiellement aux
Modlisation 24

modulations de PRI constantes puisque les paramtres intrinsques des modulations ne sont pas
modliss. Nous lui prfrons donc une reprsentation plus complte faisant apparatre les paramtres
intrinsques de la modulation plutt que la PRI instantane.
La nouvelle formulation, tablie partir des paramtres de la modulation qui en dcoule, aboutit un
modle dvolution non linaire donn ci-aprs :

t k +1 f (t k , k , k ) wk
= + r
k +1 k k
(2-7)
yk = [1 0] tk
+ vk
k

Avec : tk +1 = tk + h( k , k ) + wk et f (tk , k , k ) = tk + h( k , k )

La fonction h reprsente la composante due la modulation. Le nouveau vecteur dtat intgre le


temps darrive tk de la kme impulsion ainsi que le vecteur k des paramtres de la modulation que lon
cherche dterminer pour assurer la caractrisation de la trame. Les deux types de jitter sont dfinis
de manire identique aux caractristiques donnes par (2-6). Le bruit rk permet, le cas chant,
dintgrer les erreurs de modlisation des paramtres de la modulation et ainsi damliorer leur
estimation. On peut galement laisser ce bruit une valeur gale zro.
Les variances des deux types de jitter sont inconnues a priori. Cependant des considrations souvent
lmentaires permettent den fixer les bornes et si la mthode mise en uvre ne savre pas trop
sensible aux erreurs dapproximation des jitter, il est alors possible datteindre des performances
honorables sans quil soit, pour cela, ncessaire de procder lidentification prcise des jitter.
En guerre lectronique, il est dusage lorsque lon parle de lcart-type dun jitter de donner la valeur
en pourcentage de la PRI moyenne correspondant un cart type de 3, ainsi on a :
jitter (%)
= * Tmoy (2-8)
300
A partir de la reprsentation dune trame radar au moyen de ses quations dtat il est possible de
gnraliser pour aboutir une formulation du dsentrelacement au moyen dun modle dynamique.
Cette approche globale rsulte en fait de la concatnation de chacune des trames (2-7) dans un vecteur
dtat unique. Seule la trame correspondant la mesure courante est active une rcurrence donne.
La source active est dtermine, en gnral, par la minimisation dun critre (habituellement une
distance entre limpulsion prdite et limpulsion dindex considr). Il est galement possible de
calculer une probabilit doccurrence pour dterminer la source active. Cette reprsentation ne peut
pas tre mise en uvre en aveugle sans information a priori sur le nombre de sources. Cependant, cette
approche nest concevable, avec un degr de complexit qui reste dans la mesure de raisonnable, que
pour des trames PRI constantes.

2 Reprsentation des autres paramtres


La reprsentation des autres paramtres, largeur dimpulsion et frquence, prsente une particularit
importante avec la formulation adopte pour les temps darrive. En effet, le fait daugmenter le
vecteur dtat avec les paramtres de la modulation implique une estimation simultane de ltat et des
paramtres partir de donnes bruites. Par contre pour la largeur dimpulsion et la frquence, il est
possible dnoncer le problme partir dun modle dtat comportant uniquement les paramtres de
la modulation. De plus, le systme ainsi dfini ne comporte pas de jitter cumulatif. On peut alors
ventuellement conserver un bruit de dynamique de variance faible permettant dintgrer les erreurs de
modlisation des paramtres. Ces diffrentes considrations conduisent au systme (2-9) suivant :

k +1 = k + wk
(2-9)
yk = h( k , k ) + vk
25 Modlisation

La fonction g reprsente la modulation qui peut ventuellement tre non linaire. Les bruits wk et k
sont par hypothse, aditifs, blancs, centrs, gaussiens et non corrls entre eux. Soulignons que les
carts-types sont considrs comme connus a priori. En effet wk est un bruit fix par le programmeur
qui na pas de ralit physique : cest un artifice mathmatique qui permet damliorer lestimation du
vecteur k , et k est le bruit de mesure du capteur fournissant la mesure dont on suppose pouvoir
estimer la variance par ailleurs.
y k est la mesure dindex k de la largeur dimpulsion ou de la frquence.
Dans un contexte dextraction aveugle, lassociation des donnes une trame nest pas ralise a
priori. Pour laccomplir, il faudra mettre en place une procdure pertinente. Cette dernire savre plus
complexe que pour les TOA dans la mesure o, que ce soit pour la largeur dimpulsion ou la
frquence, nous ne bnficions plus, comme nous le verrons, de mesures constamment croissantes
comme dans le cas des temps darrive.

Le chapitre suivant va nous permettre dexaminer, dune part, les approches mises en uvre ou, en
cours de dveloppement, pour raliser lextraction dans les dispositifs actuels vocation
oprationnelle. La seconde partie du chapitre sera consacre la description, dans ses grandes lignes,
dun algorithme fond sur les techniques classiques de pistage, pour lequel nous fixerons galement
les limites.
Modlisation 26

Page laisse intentionnellement blanche


27 Mthodes dextraction

CHAPITRE 3
METHODES DEXTRACTION

Ce chapitre est consacr ltat de lart en matires dextraction et de caractrisation des trames radar.
Dans un premier temps, nous examinons brivement les principes de clustering utiliss dans les
systmes oprationnels. Ensuite, nous voquons des techniques bases sur des concepts dvelopps
depuis globalement la fin des annes 80 et, qui sont partiellement implments souvent en
complment de mthodes de classification automatique. Enfin, nous introduisons des techniques de
pistage qui nous semblent adaptes aux problmatiques qui nous occupent.

I. Classification automatique
Ce paragraphe est un prtexte pour exposer brivement les principes de fonctionnement des
extracteurs actuels [Putz, 2002]. Les solutions adoptes par les constructeurs de matriels ESM sont
varies et souvent dictes par les spcificits demploi. Actuellement, on assiste une convergence des
techniques vers des solutions logicielles. Evidemment, on ne trouve pas dans la littrature une
description dtaille des algorithmes implments en raison de la confidentialit qui entoure le
domaine. En fait, les architectures des traitements, essentiellement squentiels, adoptes pour les
matriels actuels sont dictes par la ncessit de prendre en compte un dbit dinformation important.
Cependant, lmergence de capacits de calcul accrues contribue rendre ce critre moins limitatif
que par le pass. Nous examinons successivement : le synoptique des traitements dun rcepteur ESM
classique ainsi que ses principales fonctions et nous concluons en voquant leurs limitations.

1 Synoptique dun rcepteur ESM actuel


La figure 3-1 reprsente le synoptique dun capteur dcoute classique.
Le premier module reoit les impulsions squentiellement, il effectue deux oprations : lextraction et
la poursuite dans le temps des impulsions appartenant la mme trame. On distingue ordinairement
deux grandes catgories de mthodes pour raliser lextraction :

La premire mthode, base sur des algorithmes de classification squentielle, consiste


former des classes, suivant des critres instantans , dans lesquelles sont ranges les impulsions
au fur et mesure quelles arrivent. Les paramtres des classes sont mis jour rgulirement et un
ensemble de rgles heuristiques permettent de grer lapparition et la disparition de classes.
Cycliquement, les impulsions ainsi ranges sont transmises sous forme de paquets au module
caractrisation, les paquets comprennent donc des impulsions dont les paramtres sont
globalement identiques, mises durant un laps de temps donn et susceptibles dappartenir un
mme radar.
Mthodes dextraction 28

La seconde approche, utilise pour raliser lextraction, nest pas de type squentielle telle que
la prcdente. En effet, les impulsions sont enregistres dans une mmoire tampon durant un
temps relativement court puis traites partir de techniques bases sur la mise en uvre
dhistogrammes pour obtenir une estimation de la densit de probabilit et, ceci, partir de tout ou
dune partie des paramtres primaires. Intervient ensuite une phase de sparation des classes
oprant partir des histogrammes qui dlivre en sortie une liste de cellules par classe. Les cellules
sont issues de lhistogramme : chaque cellule comportant un certain nombre dimpulsions. La
dernire tape de cette procdure consiste a associer les nouvelles classes celles formes au cycle
prcdent. Les rsultats du module caractrisation sont utiliss pour mettre jour la liste des
cellules par classe.

IMPULSIONS

Extraction
&
Pistage

Trame 1 Trame 2 Trame 3

Paramtres Caractrisation
des des
Trames Trames

Interprtation
(autres aspects de
lanalyse technique)

Figure 3-1 : Synoptique dun capteur dcoute

Cependant, dans le cas o un metteur prsente des agilits sur lun de ses paramtres, il peut tre
clat sur plusieurs classes. Il est alors indispensable de concevoir des traitements spcifiques
susceptibles de prendre en compte de tels cas de figure afin dtre en mesure de reconstituer le signal
dans son intgralit.
29 Mthodes dextraction

Potentiellement, dautres mthodes sont susceptibles de rpondre la problmatique, mais en raison


du dbit dinformation lev et des impratifs oprationnels, notamment en terme de traitement temps
rel, les autres mthodes nont connu que peu de dveloppements. Cependant, une troisime catgorie
de mthodes est parfois employe : il sagit des mthodes de dsentrelacement partir de PRI. Le
mode gnral de fonctionnement consiste extraire les impulsions associes une PRI potentielle,
pr-dtermine par analyse spectrale des DTOA ou laide dhistogrammes. Il faut cependant noter
que ces mthodes sont employes en complment des deux grandes catgories pr-cites et quelles ne
portent, gnralement, que sur une partie des donnes. Par contre, les mthodes de dsentrelacement
partir des PRI sont couramment mises en uvre sur les trains dimpulsions issus du module
dextraction afin den assurer la caractrisation prcise.

Le premier module, figure 3-1, associe la fonction dextraction une fonction dite de poursuite ou
aussi de pistage. En effet, une boucle de rtroaction permet de faire remonter les informations de
caractrisation vers la fonction dextraction afin que cette dernire puisse entretenir chaque
rcurrence les paramtres des classes. Le dispositif ainsi constitu sadapte aux volutions des
missions.

Le module de caractrisation des trames est charg danalyser les trames extraites, cest dire de
dterminer les diffrentes lois qui rgissent les volutions temporelles des paramtres primaires.
Toutes les informations caractrisant une trame sont ensuite transmises un module dinterprtation
dont le maillon final est loprateur humain, intgrant ventuellement des aspects complmentaires de
lanalyse technique ELINT.

2 Limitations des mthodes dextraction actuelles


Les principales limitations des algorithmes rgulirement avancs par les spcialistes de la guerre
lectronique [Putz, 2002] sont lis au fait quils cherchent rsoudre trois problmes de front : la
partition squentielle des impulsions, lapparition ou la disparition de classes et la caractrisation des
classes. Labsence de modlisation explicite des phnomnes mesurs ne permet pas de dfinir de
critre doptimisation et le calcul de tout niveau de confiance quant aux dcisions de classification
prises se rvle impossible. De plus, le mode de traitement squentiel ajout la non stationnarit des
donnes ne garantit aucunement la convergence : une erreur de dcision peut mme tre conforte par
les nouvelles donnes en raison de la prsence dune boucle de rtroaction. Enfin, si les donnes sont
parcimonieuses et/ou mal spares, la constitution de classes devient problmatique et les algorithmes
sont alors mis en grandes difficults.
Les systmes radar modernes comportent une grande varit de systmes lectroniques qui tendent
augmenter leur discrtion et par l mme le nombre dimpulsions mises. On assiste, en outre, une
prolifration de radars prsentant des agilits sur plusieurs paramtres primaires. Les traitements
actuels montrent donc leurs limites et il est devenu ncessaire denvisager de nouveaux types
dalgorithmes pour faire face ces difficults.

II. Etude ELINT


La prpondrance du rle des TOA pour qualifier les performances et la fonction dun radar a conduit
le CELAR (Centre dElectronique de lArmement) a diligenter une tude de faisabilit concernant
lutilisation des techniques de traitement du signal des fins dextraction et de caractrisation partir
des TOA.
Nous reprenons les principales conclusions de ce rapport et les mthodes values pour les deux
aspects : dsentrelacement et caractrisation de lanalyse technique ELINT.
Mthodes dextraction 30

1 Dsentrelacement
Les mthodes de dsentrelacement prsentes ici ne prennent en compte que les TOA et ne
concernent, pour lessentiel, que les grandes catgories de mthodes. Ainsi, par exemple, pour le filtre
de Kalman, il existe une grande varit dadaptations ventuellement mentionnes mais non dtailles.

1.1. Histogrammes
Les histogrammes permettent, dans un contexte dextraction, danalyser les PRI prsentes dans les
mesures de TOA considres. Lextraction en elle-mme ne sera conduite, au moyen dun algorithme
spcifique, que dans le cas o une PRI potentielle aura pu tre valide. A ce titre, les histogrammes ne
constituent donc aucunement une mthode dextraction mais plutt une technique dextraction de
paramtres, en loccurrence la PRI.

Classiquement, on distingue 3 types dhistogrammes :


Delta- histogramme
Lhistogramme cumulatif
Lhistogramme squentiel

1.1.1 Delta- histogramme

Le delta- histogramme est un histogramme des intervalles entre toutes les paires possibles
dimpulsions : on se fixe nanmoins une longueur maximale dintervalles. Les histogrammes
cumulatifs et squentiels constituent des variantes plus abouties et que nous expliciterons ci aprs.
Lhistogramme constitue une technique simple et prouve pour la recherche de PRI potentielles. Ses
performances sont gnralement acceptables pour des radars conventionnels, mme en prsence
dimpulsions parasites et manques, par contre, le jitter dgrade considrablement ses performances.
En prsence de jitter, les pics de lhistogramme disparaissent rapidement et le choix des classes
devient difficile et influence considrablement les rsultats de recherche du maximum. En effet, si les
classes sont troites et compte tenu de la dispersion provoque par le jitter, elles contiennent peu
dlments : dans ces conditions, la recherche de maxima est laborieuse. Si les classes sont larges et la
densit des impulsions importante, le problme est similaire : la rsolution est faible et les classes ont
un nombre voisin dlments : les distinguer relve de la gageure.
Ces quelques considrations nous conduisent penser que typiquement la largeur des classes devra
tre fonction du jitter : si ce dernier est connu, ou, fonction dune densit moyenne dimpulsions par
unit de temps, par exemple.
Les techniques de dsentrelacement utilisant des histogrammes, forms partir de la diffrence des
temps darrive, procdent de manire itrative. Les histogrammes calculs ont pour rle de dtecter
une PRI potentielle parmi les sources interceptes, cest dire sil existe des valeurs de PRI pour
lesquelles les pics de lhistogramme dpasse un seuil. On recherche ensuite dans le train d'impulsions
si une ou plusieurs squences satisfont cette PRI. Si oui, elles sont alors extraites de l'ensemble initial
d'impulsions et l'on reprend la recherche d'une autre PRI potentielle. Cet objectif requiert que la
dtection des priodicits se fasse dans l'ordre croissant des PRI afin que le processus d'extraction de
squences ne spare pas le train d'impulsions d'une source en plusieurs sous-squences.
Si le principe des histogrammes est toujours de calculer la diffrence des instants d'arrive des
impulsions spares par un nombre donn d'vnements et de faire le compte de ces diffrences, la
manire de rechercher une priodicit varie suivant que l'on cumule ou pas les diffrences obtenues.

1.1.2 Histogrammes cumulatifs

[Mardia, 1989] prsente les histogrammes comme un moyen efficace et peu coteux en calcul de
dcouvrir des motifs priodiques dans le signal reu. La premire tape consiste calculer la
diffrence des TOA entre les impulsions adjacentes. Si un pic est dtect (par seuillage), on passe la
phase d'extraction. Sinon, la diffrence des TOA est calcule sur les impulsions spares par un et un
31 Mthodes dextraction

seul vnement et l'histogramme obtenu est cumul au prcdent et l'on cumule ainsi en augmentant
l'cart des impulsions jusqu' dtecter un pic par seuillage. Le fait de cumuler progressivement les
histogrammes permet de dceler d'abord les petites PRI puisque plus la PRI d'un train est faible, plus
la probabilit que ses impulsions soient spares par un grand nombre d'autres impulsions est faible.
La figure 3-3 illustre le principe de ce type dhistogramme appliqu la trame de la figure 3-2 jusqu
une diffrence dordre 4. Larticle de rfrence de Mardia ne propose pas de technique particulire
pour fixer le seuil.

x PRI-x
Figure 3-2 : Exemple de trame

Diffrence dordre 1 Diffrence dordre 2


9

Seuil Seuil
5 5

x PRI-x x PRI-x PRI

9 Diffrence dordre 3 9 Diffrence dordre 4

Seuil 7
Seuil
5 5
4 4

x PRI-x PRI PRI+x 2PRI-x x PRI-x PRI+x 2PRI


PRI 2PRI-x

Figure 3-3 : Principe des histogrammes cumulatifs

Pour dterminer a posteriori si la squence trouve est valide, Mardia propose l'emploi d'une
pondration supplmentaire gale au nombre de fois o les impulsions marques sont spares par la
valeur exacte de la PRI propose afin daccorder plus de crdibilit aux squences interrompues.

1.1.3 Histogrammes squentiels

S'inspirant de l'approche prsente par Mardia, Milojevic et Popovic [Milojevic 1992] ont driv leur
mthode. Celle-ci est galement base sur la recherche de priodicits par des histogrammes et
l'extraction de squences correspondantes. Cependant, contrairement Mardia, ils ne cumulent pas des
histogrammes, mais les observent squentiellement : d'abord en calculant l'histogramme des
vnements adjacents, puis ceux spars par une impulsion, puis deux, etc.
Mthodes dextraction 32

Les PRI potentielles sont, comme prcdemment, dtectes par seuillage. Il faut ajouter ce seuil
quelques rgles afin d'augmenter la robustesse aux perturbations :

quand deux pics trs proches sont mis jour, la PRI moyenne est propose pour la recherche
de squences : on cherche ainsi diminuer linfluence du jitter;

pour prendre en compte les impulsions manquantes, lorsquun pic est dtect, on sassure que
le maximum absolu (qui n'a pas ncessairement franchi le seuil) n'est pas un diviseur entier de la
PRI dtecte. Si c'est le cas, c'est la priode associe ce maximum qui est propose pour la
seconde phase la place de celle correspondant au pic dtect. On vite par ce moyen dextraire
des sous-harmoniques des PRI.

Dans le cas de plusieurs sources indpendantes entrelaces, l'intervalle de temps sparant les instants
d'arrive de deux impulsions peut-tre considr comme un processus de Poisson [Milojevic, 1992].
Ce qui permet de dterminer la fonction de seuillage :


Th( ) = x(E c )e
kN
(3-1)
avec :
: diffrence des TOA;
E : nombre d'impulsions;
c : distance de l'histogramme (ie. nombre d'vnements sparant les impulsions dont on
calcule la diffrence de TOA);
x : constante <1 dpendante de la probabilit de manquer la mesure d'une impulsion et
dtermine de manire exprimentale;
k : constante <1 galement dtermine de manire exprimentale.

La figure 3-4 illustre le principe de ce type dhistogramme sur un exemple simple constitu de deux
radars de PRI constantes et identiques. La mise en uvre dans la pratique, cest dire en prsence de
perturbations, exige quelques prcautions qui contribuent augmenter de manire significative la
complexit algorithmique de mise en uvre.

x PRI-x

Diffrence d ordre 1 Diffrence d ordre 2

9
Seuil Seuil
5

x PRI-x x PRI-x PRI

Figure 3-4 : Principe de lhistogramme squentiel

Ce type dhistogramme est rput plus robuste aux impulsions parasites et manques que le delta-
histogramme et plus souple demploi que lhistogramme cumulatif, notamment en raison dune charge
de calcul moindre.
33 Mthodes dextraction

1.1.4 Extraction des squences

Une fois la PRI dtecte, une seconde phase assure la recherche de la squence correspondante. On
balaie tout dabord la table des TOA en recherchant la prsence, par exemple, de 3 impulsions
spares par la PRI potentielle (impulsions dancrage) marquant ainsi le dbut dune trame rgie par
cette PRI. On recherche ensuite toutes les impulsions sinscrivant dans le motif thorique tabli avec
cette PRI (figure 3-5). On introduit galement un intervalle de tolrance I de manire prendre en
compte les jitter. Toute la difficult rside alors dans la validation de la squence trouve. Le choix
peut tre laiss lutilisateur mais la mthode la plus couramment utilise consiste simplement
dnombrer les impulsions constituant la chane dtecte. Quune squence soit extraite ou non, on
balaie ensuite les impulsions restantes la recherche dune autre trame rgie par la mme PRI. Une
fois toutes les squences extraites, on ritre lalgorithme de recherche de PRI par histogramme parmi
les TOA restants. Cet algorithme dextraction constitue un processus simple qui fonctionne pour des
PRI constantes, pour un niveau de jitter connu a priori et condition que les impulsions dancrage
soient bien identifies.

PRI PRI I I I I
p p

t
PRIp

Impulsions d ancrage

Figure 3-5 : Synoptique du principe de lextraction dimpulsions

Ce type dalgorithme de recherche de squences peut galement tre utilis pour rechercher des PRI
potentielles en lieu et place des histogrammes. Il suffit deffectuer une diffrence entre une paire de
TOA pour disposer dune PRI potentielle et ensuite de rechercher par extrapolation si des impulsions
se trouvent aux instants prvus et de les comptabiliser. Si le nombre dimpulsions correctement estim
est suprieur un seuil, on dcide que les impulsions ainsi classifies appartiennent une mme
trame.

1.2. La transforme de Hough


J. Perkins et I. Coat [Perkins, 1994] envisagent le problme du dsentrelacement de sources dun point
de vue traitement dimages. En effet, ils proposent de passer dans une reprsentation deux
dimensions et d'utiliser une transforme de Hough pour extraire les sources.
La premire tape de cette mthode consiste obtenir des donnes dans un espace deux dimensions,
partir des donnes une dimension que sont les TOA des impulsions. Cette tape est ralise par un
procd de waterfall plot dont le principe consiste tracer l'ensemble des points correspondants aux
TOA mesurs dans le plan (TOA, TOA mod B) , la quantit B tant choisie arbitrairement. Dans cette
reprsentation, un train d'impulsions de PRI constante sera visualis comme un ensemble de points
aligns suivant un gradient m. Il est noter qu'un gradient m n'est pas reprsentatif d'une seule PRI
mais d'une PRI fondamentale (PRIf, cest--dire la plus petite PRI correspondant un gradient m dans
la reprsentation waterfall plot) et de toutes ses PRI multiples.
La relation qui lie le gradient la PRI fondamentale est donne par la relation (3-2).

PRI f B B
m= soit PRI f = (3-2)
PRI f 1 m
Mthodes dextraction 34

La PRI de la source s'exprime alors comme un multiple entier de PRI f : T = a.PRI f , o a est le
nombre d'impulsions de la source interceptes par intervalle de temps B. Il est noter que si
l'intervalle de temps B est beaucoup plus long que la priode de rptition de la source, les impulsions
de celle-ci seront alignes suivant plusieurs droites parallles.

Par le biais du waterfall plot, nous dplaons le problme de dsentrelacement de sources ( une
dimension) celui de recherche de droites dans un espace deux dimensions. Cette recherche peut
tre effectue l'aide d'une transforme de Hough. La transformation de Hough consiste se placer
dans l'espace des paramtres, dfini par le type de courbes paramtriques sur lequel nous travaillons.
y c

Transforme
de Hough

x m

Espace des coordonnes Espace des paramtres

Figure 3-6 : Passage de lespace des coordonnes celui des paramtres

Ici nous nous intressons la recherche de droites non verticales. Dans l'espace des coordonnes, une
telle droite est dfinie comme l'ensemble des points (x, y ) vrifiant : y = m0 x + c . Elle correspond
donc au point (m0 , c ) dans l'espace des paramtres.
Ainsi, pour tout point (xi , yi ) du diagramme en cascade, l'ensemble des droites passant par ce point
correspond la droite dquation c = xi m + yi dans l'espace des paramtres. La recherche
d'alignements via la transforme de Hough va donc consister tracer dans l'espace des paramtres,
pour chaque point (xi , yi ) du diagramme waterfall, la droite c = xi m + yi et dtecter les points
d'accumulation, figure 3-6.

Le choix de B peut engendrer un certain nombre dambiguts pour la recherche des PRI. La valeur
fixe de B influence le nombre de points prsents sur les droites : ce nombre dtermine, non
seulement, la capacit de dtection des droites par transforme de Hough mais galement la qualit de
lestimateur de leur pente. Un ajustement de la valeur de B est donc prvoir par lutilisateur : le
critre permettant loptimisation de B restant dterminer.

Afin dillustrer cette dernire remarque et le fonctionnement gnral de la mthode, nous explicitons
un exemple.
Dans l'espace des coordonnes, une droite non verticale est dfinie comme l'ensemble des couples
( X , Y ) vrifiant : R = X cos + Y sin avec R et coordonnes polaires. Dans lespace des paramtres,
la droite est par consquent reprsente par le couple (R, ) (figure 3-7). La dtection des droites passe
par la recherche des points daccumulation des courbes dans lespace des paramtres. Notons enfin
que les impulsions issues dune mme squence sont situes sur des droites parallles, traduites, dans
lespace des paramtres, par une srie de points daccumulation ayant la mme valeur .

La figure 3-7 prsente le cas dune source PRI constante valant 5 secondes, la valeur de B tant fixe
arbitrairement 17s. Comme on peut le constater sur cet exemple, la dtermination dune PRI partir
de lespace des paramtres nest pas simple car plusieurs points daccumulation sont prsents, ceci
mme aprs restriction des valeurs de lintervalle [0;90].
35 Mthodes dextraction

Figure 3-7 :Espace gomtrique et espace des paramtres

Compte tenu de la multiplicit des solutions potentielles, et dune manire analogue lapproche par
histogramme, une phase de recherche des squences extraire est donc ncessaire afin de vrifier la
validit de la PRI potentielle dtermine laide de la transforme de Hough.

1.3. Filtrage de Kalman


Lapproche du filtrage de Kalman est plus rcente [Moore, 1992] et [Conroy, 1998] que les approches
itratives prcdemment prsentes. Le filtre de Kalman vise minimiser chaque instant la variance
de lerreur destimation qui traduit bien, dans notre cas, la qualit de lestimation. Le modle dtat
sappuie sur la modlisation des trames prsente au chapitre prcdent (2-5 et 2-6). Cette approche
prend en compte de manire plus rigoureuse la prsence du jitter. Par ailleurs, cet algorithme nest
plus itratif et permet destimer simultanment toutes les PRI prsentes dans la squence tudie sans
avoir besoin de recourir un algorithme dextraction des squences. Toutefois, il est ncessaire de
prciser quune source PRI de type stagger est vue comme autant de sources PRI constantes quil y
a dtats dans le motif du stagger en question.
De plus, lalgorithme destimation des PRI par filtrage de Kalman ncessite la connaissance a priori du
nombre de sources prsentes dans la squence analyse dimpulsions. Cette contrainte peut sembler
trs restrictive et inadapte aux situations relles pour lesquelles cette information nest pas disponible.

1.3.1 Modle dtat

Le train des impulsions entrelaces est gnralement formul par le modle linaire dynamique 3-3
(DLM) qui concatne dans un vecteur dtat unique les modlisations de chacune des trames, le
nombre de trames est suppos connu a priori.

I 0 diag (X k ) 0
x xk + wk
k +1 = diag (X ) I
0 diag (X k )
k +1 (3-3)

yk [ t
= 0 X k x k + vk ]
avec :
[
x k = T ,, T
(1) ( N ) (1)
, t k ,, t k
(N )
] est le vecteur dtat associ la dernire impulsion de la source i
t

t i + T i si la (k + 1)
me
impulsion est due la source i
t i
k +1 =k i
tk sinon
Mthodes dextraction 36

me
y k : mesure du TOA de la k impulsion
X k {e1 ,, e N } est le vecteur indicateur de source ( ei : ime vecteur colonne de base de lespace
de dimension N ; par exemple e 2 = [0 1 0 ... 0] )
T

diag (X k ) = I.X k (I : matrice identit)


w k = [ k wk ] , k est un vecteur colonne de bruit blanc normal centr permettant de modliser
T

lincertitude quant aux valeurs des PRI pour chacune des trames et wk est le vecteur colonne du
jitter cumulatif de chacune des trames concatnes.
vk est le vecteur colonne du jitter non cumulatif de chacune des trames.

me
L'indice de la source active l'instant d'arrive de la k impulsion est dtermin par : X k = e * o
i
*
( ( (i ) (i )
i = arg min i Tk 1 + t k 1 . )
De manire plus synthtique, le modle peut scrire :

x k +1 = Fk +1 .x k + G k .w k
(3-4)
z k = H k .x k + v n

o Fk+1, Gk et Hk sidentifient partir du modle de lquation (3-3)

Les quations du filtre de Kalman [Kalman, 1961], sont alors :


t t
Pk +1 k = Fk +1Pk k Fk +1 + G k QG k
zk +1 = yk H k Fk +1x k k
t
(
K k +1 = Pk +1 k H k R + H k Pk +1 k H k
t 1
) (3-5)
x k +1 k +1 = (I K k +1H k )Fk +1x k k + K k +1 zk +1
Pk +1 k +1 = (I K k +1H k )Pk +1 k

2 0 0 0
1
2
0 0 0
2
v1 0
avec : R = Xk et Q = N
2
, les matrices de
0 2 0 0 w 0
vN 1



0 0 0 wN
2

variance/covariance sont formes respectivement partir des variances du jitter non cumulatif et des
variances du jitter cumulatif de chacune des N trames. Nous reviendrons ultrieurement sur
linitialisation du filtre de Kalman et particulirement sur celle de la matrice de covariance.

1.3.2 Performances du filtre de Kalman

Nous nentrerons pas dans les dtails de lvaluation du filtre de Kalman qui souffre, dans sa version
de base, de nombreuses limitations qui altrent fortement la viabilit de lapproche dans un contexte
oprationnel.

Ses principales carences sont de deux ordres :


37 Mthodes dextraction

La mconnaissance, a priori, des matrices de covariance des bruits dtat et de mesure i.e. les
deux types de jitter influent de manire importante sur les performances de lestimateur des PRI
ainsi que sur la vitesse de convergence. Une solution envisageable consiste adopter une
technique adaptative de mise jour de ces matrices, particulirement pour la matrice de bruit
dtat, la covariance du bruit de mesure pouvant tre estime partir des caractristiques
techniques du rcepteur. Il est possible de grer les valeurs de la matrice de bruit dtat au moyen
de rgles floues. Cette technique, rapidement prsente ci-aprs, permet daugmenter de manire
consquente la vitesse de convergence.

Labsence de modlisation des impulsions manquantes et parasites est particulirement


difficile grer et conduit, en leur prsence, une divergence rapide du modle. Les solutions
envisages peuvent tre de plusieurs types. Il est possible de modliser le bruit dtat par un
mlange de lois gaussiennes pour tenir compte des impulsions manquantes. Une seconde
approche consiste procder une association probabiliste de donnes, technique utilise
notamment en pistage multicibles.

On peut galement citer, comme inconvnient du filtre de Kalman, la ncessit de connatre, a priori,
le nombre de sources. Il existe cependant des techniques permettant de passer outre cette restriction
notamment au moyen dun banc de filtres de Kalman : chacun deux comportant un nombre diffrent
de sources potentielles. On obtient le nombre de sources prsentes dans la trame analyse en
slectionnant le modle i.e. le filtre prsentant lerreur quadratique moyenne (EQM) minimale.

TOA entrelacs

1 source 2 sources ... Nmax sources

Filtre de Filtre de Filtre de


Kalman Kalman Kalman
EQM1 EQM2 EQMNmax


N = Argmin(EQMj)


N
PRI1 PRIN

Figure 3-8 : Principe pour la dtermination du nombre de sources actives

Le filtrage de Kalman, bien que lourdement pnalis, reste bien souvent incontournable pour
lestimation dtat, le calcul de matrices de covariance, etc. Dans la plupart des cas, il sera donc
associ dautres techniques.

1.3.3 Filtre de Kalman flou

Comme nous lavons soulign dans la partie prcdente, labsence dinformation sur les variances des
bruits prsents dans le modle influe sur les performances de lestimateur des PRI par filtrage de
Kalman. Par exemple, si lon confre une grande confiance lquation dtat, cest--dire un bruit
Mthodes dextraction 38

dtat de faible variance, le systme converge rapidement vers les valeurs des PRI recherches mais au
prix dune variance derreur plus importante ; cependant il parat peu crdible dattribuer une grande
importance lquation dtat pour plusieurs raisons :
La prsence ventuelle dun jitter cumulatif potentiellement lev (modulation jittered)
Une erreur possible sur la source active lorigine de limpulsion considre la rcurrence k.

Un bruit dtat de variance leve sur lquation dtat entrane un temps de convergence plus long, ce
qui est susceptible de poser un problme si lon dispose de courtes squences dimpulsions. Nous
proposons donc de rechercher un compromis cest--dire de mettre en place un modle dtat
adaptatif.
Pour tester la recevabilit de cette approche, nous avons fait voluer la variance du bruit de lquation
dtat selon la rgle suivante :

1. On attribue un bruit initial lev sur lquation dtat (on suppose ainsi navoir aucune information
sur le niveau du jitter)

2 . Si la variance de lerreur commise dans lestimation des temps darrive Var( t k t k ) < seuil alors
on augmente la confiance porte lquation dtat.
Tableau 3-1 : Rgles dadaptation de la variance du jitter cumulatif

La figure 3-8 illustre leffet de cette rgle sur lidentification de quatre sources entrelaces PRI
constantes, partir dune squence de 300 impulsions (PRI1=50s, PRI2=101s, PRI3=134s,
PRI4=142s). La variance initiale du bruit dtat a t fixe 0.6 alors que les variances relles des
jitter cumulatifs sont nulles. On observe que le filtrage de Kalman lorsque la variance de bruit dtat
est leve ne parvient pas converger sur 300 impulsions tandis que si lon adopte les rgles nonces
par le tableau 3-1, on modifie singulirement la vitesse de convergence. Cependant, lorsque la phase
de transition est acheve lerreur rsiduelle, en rgime permanent, nest pas significative dans la
majorit des cas, compte tenu des ordres de grandeur rels des jitter.

Figure 3-9 : Consquence de ladaptation du bruit dtat sur lestimation des PRI

Le gain dune telle approche se situe plusieurs niveaux :


Elle ncessite une connaissance moins forte sur les variances des bruits
Elle permet de prendre en compte les erreurs initiales destimation de la source active
Elle permet de dassurer la convergence tout en ayant une confiance faible sur lquation
dtat.
39 Mthodes dextraction

Lautomatisation de la rgle nonce prcdemment et qui fixe lvolution de la variance du bruit


dtat, est ralise partir de rgles de logique floue oprant partir des volutions de linnovation
chaque rcurrence. Le principe de la logique floue repose sur la notion densemble flou [Brubaker,
1992] et sur la thorie des possibilits [Zadeh, 1978]. Elle permet de modliser limprcision et
lincertitude plus simplement que la thorie des probabilits classiquement utilise.

1.4. Lanalyse spectrale


Pour que cette approche puisse tre envisage pour dterminer des PRI potentielles, elle devra tre
obligatoirement associe une technique dextraction dune manire analogue aux histogrammes. Le
principe consiste rechercher les maxima de la fonction P ( ) , donne par (3-6) et qui matrialisent,
dans le domaine des frquences, les priodicits temporelles, cest--dire les PRI.
N
1
P ( ) =
2 . j .tk .

N
e
k =1
(3-6)
i 1
Sil existe un maximum pour = 0 , on estime alors une PRI par T = (v0 ) . Toutefois, par cette
simple approche, on est confront diffrents problmes :

La distinction entre frquences fondamentales et multiples,


La rsolution frquentielle ncessaire pour sparer deux frquences fondamentales.

Ces deux problmes sont illustrs sur la figure 3-10, qui prsente le cas de deux sources de type
stagger entrelaces avec les PRI suivantes :

Source 1 : [5 ; 12]
Source 2 : [9 ; 7]

La rsolution frquentielle du priodogramme est de 10-2Hz.


50
2/16 3/17
45

40

3/16
35
1/17 1/16

30
Amplitude

25
2/17

20

15

10

0
0 0.05 0.1 0.15 0.2 0.25 0.3
Frquences (Hz)

Figure 3-10 : Priodogramme obtenu partir des TOA de deux sources


de type stagger aux PRI proches

1 1
On constate que les deux frquences f1 = (5 + 12) Hz et f 2 = (7 + 9) Hz ne sont pas correctement
spares ; par ailleurs la prsence des multiples ( 2 f1 ,3 f1 ,... et 2 f 2 ,3 f 2 ,... ) rend encore plus complexe la
lecture de ce priodogramme pour obtenir le nombre de sources et lidentification des PRI associes.
Cette technique implique de mettre en place un algorithme danalyse des frquences harmoniques,
dune manire analogue lextraction des PRI par histogramme : avant de considrer une frquence
Mthodes dextraction 40

du priodogramme comme valide, on vrifie si le priodogramme ne prsente pas galement un


maximum pour des frquences sous-multiples. Lautre approche propose repose sur lanalyse
cepstrale visant rechercher des priodicits dans le spectre.

1.5. Lanalyse cepstrale


Lanalyse cepstrale, a pour objectif de mettre en vidence les priodicits prsentes dans le spectre
dun signal dfini partir des TOA. Sur lexemple prcdent, figure 3-10 : les frquences
correspondant aux inverses des PRI recherches ne sont pas discrimines, tandis que, les frquences
harmoniques ltaient. En utilisant la priodicit du spectre, on peut dtecter plus simplement les PRI
en question.

Le cepstre rel ou dnergie est dfini par la relation (3-7) :


1 si t TOA
C (t ) = TF
1
[log(TF x(t ) )] o x(t ) = (3-7)
0 sinon

Lintrt du cepstre est illustr de manire vidente sur la figure 3-11 qui reprend lexemple prcdent
du priodogramme.
0.25
16 17

0.2

0.15
2x16 2x17 3x17

0.1
3x16
Amplitude

0.05

0.05

0.1
0 10 20 30 40 50 60 70 80 90 100
Quefrences

Figure 3-11 : Cepstre obtenu partir des TOA de deux sources


de type stagger aux PRI proches

On remarque ainsi que les deux PRI identifier ne sont pas distingues sur le priodograme tandis que
le cepstre met clairement en vidence ces deux priodes. Nanmoins, il nest pas ais dextraire les
PRI adquates sans information a priori sur le nombre de sources car le cepstre est galement
priodique.

1.6. Evaluation des diffrentes mthodes dextraction


Les rsultats acquis dans la mise en uvre des algorithmes dextraction prsents figurent dans le
tableau 3-2. Il existe une grande analogie conceptuelle entre les mthodes base dhistogramme et le
priodogramme. De ce fait nous ne mentionnons que les rsultats obtenus dans la mise en oeuvre des
histogrammes. De plus, les difficults rencontres lors de la mise en uvre dalgorithmes de
dsentrelacement bass sur la transforme de Hough (multiplicit des points daccumulation et
difficult dterminer la largueur de la fentre dobservation notamment) ne nous ont pas permis
datteindre un niveau de robustesse suffisant pour procder lvaluation de lalgorithme.
41 Mthodes dextraction

Mthodes de
Histogramme Filtrage de Kalman Filtrage de Kalman flou
dsentrelacement

Sensibilit aux jitter Sensible Peu sensible Peu sensible

Peu sensible
Sensibilit aux
(si limite quelques Sensible Sensible
impulsions manques
%)

Peu sensible
Sensibilit aux
(si limite quelques Sensible Sensible
impulsions parasites
%)
Sensible Sensible
Sensibilit au rapport (au fur et mesure que (au fur et mesure que
Peu sensible
des PRI le rapport des PRI le rapport des PRI
augmente) augmente)
Trs sensible au choix
Adaptation de la
Sensibilit plus des paramtres du
variance du bruit dtat.
importante au jitter que modle dynamique.
Performances proches
Observations le filtrage de Kalman. Potentiel suprieur aux
des performances
Ncessite un nombre histogrammes en
optimales du filtre de
important dimpulsions labsence de
Kalman
perturbations
Tableau 3-2 : Synthse des rsultats dextraction obtenus

2 Caractrisation
Seules deux mthodes de caractrisation, diffrentes des mthodes dextraction prcdemment
nonces, seront prsentes. En effet, certains algorithmes, tel le filtre de Kalman, permettent de
raliser simultanment lextraction et la caractrisation des trames radar. Seules les trames PRI
constantes sont considres ici, ventuellement il pourra tre mentionn la potentialit de la mthode
vis--vis de la caractrisation de trames PRI complexe. Il est noter que les mthodes bases sur les
histogrammes, les priodogrammes ainsi que sur leurs variantes sont galement susceptibles de
convenir.

2.1. Filtrage rcursif


Mettant en cause la robustesse du filtrage de Kalman vis--vis des impulsions manquantes et parasites,
Howard et Sirianunpiboon ont propos dans [Howard, 1996] une autre mthode d'estimation de la PRI
utilisant un filtrage rcursif. Lalgorithme propos prend en compte les DTOA (diffrence des temps
darrive). Ce filtre est bas sur une approche baysienne et utilise un modle dfini par Pea et
Guttman [Pena, 1988]. Destin au dpart augmenter la robustesse du filtre de Kalman, il met en
uvre des techniques de modlisation du bruit dynamique partir de mlanges de distributions
gaussiennes. Les intervalles de temps multiples de la PRI correspondant a des impulsions manques,
sont utiliss pour amliorer lestimation de la PRI.

Si on note dj la mesure correspondant au DTOA j (j=2,...,N), alors pour une source PRI constante et
en supposant que les mesures ne soient perturbes que par un jitter cumulatif, on a :
Mthodes dextraction 42

dj = j + uj avec j = j 1 = T (3-8)
o {u j } sont supposes indpendants, gaussiens, centrs et de variance 2 .
Pour introduire la possibilit d'avoir manqu des impulsions et/ou d'avoir mesur une impulsion
parasite, le modle du bruit d j ~ N ( j , 2 ) est remplac par le mlange de lois gaussiennes suivant :

(
p(d j ) = l N d j l j , Cl )
K
(3-9)
l =0

avec :
K

l =0
( )
l = 1 , C0 >> Cl l 1 et Cl = l 2 pour l = 1, , K ( N . m, 2 est la densit de probabilit
d'une variable gaussienne de moyenne m et de variance 2 , cette notation est utilise pour le reste du
document, de plus lorsque aucune confusion nest possible, nous limitons le nombre des arguments de
la fonction la moyenne et la variance).

1 reprsente la probabilit que l'intervalle de temps mesur corresponde un simple intervalle


interpulse, 2 la probabilit que dj corresponde un double intervalle de rptition (une impulsion non-
intercepte), 0, autorise la prise en compte d'une ventuelle impulsion parasite.

Notons {d j } l'ensemble des DTOA mesurs jusqu'au j me inclus. La probabilit a posteriori de j est :

( ) ( )(
p j {d j } = T l N d j l j , Cl p j {d j 1} )
K
(3-10)
l =0

T est une constante de normalisation. La relation 3-10 suppose une augmentation exponentielle du
nombre de termes au court du temps si bien quil est ncessaire de procder une simplification. La
solution consiste remplacer le mlange de lois gaussiennes par une gaussienne unique de paramtres
quivalents ceux du mlange. Les expressions des diffrentes grandeurs caractrisant cette nouvelle
loi sont donnes dans [Howard, 1996].

Linitialisation du processus destimation rcursif seffectue pour les probabilits a posteriori, quil y ait,
lindex courant, une impulsion manquante ou deux impulsions manquantes etc. ou encore que limpulsion
soit une impulsion parasite partir respectivement des probabilits a priori des impulsions manques et
parasites.

K est fix de telle faon que K 2 soit apprciable par rapport la PRI. Augmenter K permet
d'amliorer la prcision de l'estimateur, mais cela accrot la complexit. L'amlioration est peu
significative lorsque la probabilit de manquer une impulsion est petite.
[Howard, 1996], propose galement une mthode destimation du jitter.

2.2. Approche par rseau de neurones


Le traitement par rseau de neurones [Noone, 1999] est susceptible dapporter une rponse aux deux
problmes distincts suivants :
La classification automatique des modulations. Fonds sur des rseaux de neurones (Multi
Layer Perceptron), ces algorithmes doivent pouvoir reconnatre partir des TOA le type de
modulation utilise parmi les quatre envisages (jittered, wobulated, sliding et dwell& switch).
Construire un filtre de prdiction linaire neuronal, propre chacune des modulations. Cette
tape a pour but de raliser lestimation des paramtres de modulations complexes aprs leur
reconnaissance.

Globalement, lenchanement des deux phases assure la caractrisation des trames pralablement
extraites.
43 Mthodes dextraction

2.2.1 Classification automatique des trames extraites

La dtermination de la modulation des PRI constitue une tape lie la caractrisation des trames. Elle
intervient soit de manire simultane soit chronologiquement aprs le dsentrelacement.

a. Mthodes actuelles

Traditionnellement, la reconnaissance de la modulation des priodes de rptition est effectue par des
oprateurs entrans qui observent, enregistrent et analysent les signaux radar dsentrelacs et leurs
priodes de rptition. Pour cette tude, ils utilisent gnralement un outil statistique simple bas sur
lutilisation dhistogrammes.
Un tel histogramme est obtenu en classant les PRI par intervalles de mme longueur, puis en comptant
le nombre doccurrences lintrieur de chaque classe. La longueur de lintervalle est ajuste par
loprateur de faon viter les problmes causs par les ventuelles donnes manquantes ou
parasites. On dduit le type de modulation de la PRI aprs examen de la forme de lhistogramme.
Lexemple dune trame wobulated est donn sur la figure 3-12.

Figure 3-12 : Histogramme dune trame wobulated

Cette approche est satisfaisante et donne des rsultats fiables condition quon dispose dun nombre
dimpulsions suffisamment important (au moins plusieurs centaines), ainsi que dun oprateur
expriment. Des donnes parasites ou manquantes trop nombreuses rendent les rsultats trs
alatoires et difficilement interprtables.

b. Le perceptrron

La reconnaissance des modulations de PRI peut tre considre du point de vue neuronal comme un
problme de classification ralis habituellement par un perceptron multicouches (MLP) qui est sans
doute le plus simple et le plus connu des rseaux de neurones. Sa structure est caractrise par une
couche d'entre, une couche de sortie et une ou plusieurs couches caches figure 3-13.

Figure 3-13 : Synoptique dun rseau de neurones 3 couches


Mthodes dextraction 44

La fonction d'activation utilise est en gnral une somme pondre dont les coefficients sont mis
jour laide dun algorithme dit de rtro-propagation. Nous ne dtaillerons pas ici la thorie neuronale
[Nigrin, 1993]. Nous mentionnerons uniquement que le MLP utilis est un rseau trois couches. Il ne
comporte quune seule couche cache.
Le processus d'laboration d'un rseau de neurones commence toujours par le choix des chantillons.
Cette tape est cruciale, la faon dont se prsente l'chantillon conditionne, entre autres le nombre de
cellules de sortie. Plusieurs mthodes existent pour choisir le nombre de neurones dans la couche
cache. On peut, par exemple, prendre une moyenne du nombre de neurones d'entre et de sortie, mais
rien ne vaut de tester toutes les possibilits et de choisir celle qui offre les meilleurs rsultats.
L'apprentissage est l'avant dernire phase d'laboration d'un rseau de neurones. Il consiste tout
d'abord calculer les pondrations optimales des diffrentes liaisons, en utilisant un chantillon. La
mthode la plus utilise est la backpropagation : on prsente des valeurs aux cellules d'entre et en
fonction de l'erreur obtenue en sortie on corrige les poids accords aux pondrations. C'est un cycle
qui est rpt jusqu' ce que la courbe d'erreur du rseau soit croissante (il faut bien prendre garde de
ne pas sur-entraner un rseau de neurones qui deviendra alors moins performant). Une fois le rseau
calcul, il faut procder des tests pour vrifier que le rseau ragit correctement : c'est la validation.
La mthode la plus simple tant de garder une partie de l'chantillon, rserv l'apprentissage, pour la
validation et effectuer ainsi une validation hors-chantillon.

c. Application la reconnaissance de modulation

La mthode, prconise par G. Noone [Noone, 1999], repose sur la notion de diffrence lordre 2 des
TOA (appeles D2TOA) dun train dimpulsions. La premire tape de la constitution du rseau de
neurones consiste dfinir la structure des chantillons.

Lapprentissage du rseau de neurones ncessite la dfinition dun vecteur caractristique de chaque


modulation suffisamment distinct qui permette de raliser leur reconnaissance une fois le rseau
entran.

Diffrence lordre 2 :

La diffrence seconde des TOA dun train dimpulsions est dfinie par lquation aux diffrences
suivante :
z n = x n +1 x n = y n + 2 2. y n +1 + y n (3-11)

o zn reprsente un D2TOA, xn les DTOA, yn les TOA et n=1, 2,..., N-2 et N le nombre de TOA
considrs.

Lanalyse des modulations complexes, prcdemment dfinies, partir de la squence denchanement


du signe de la drive seconde constitue une caractristique susceptible dtre utilise pour identifier
les dites modulations, comme nous le montrons ci-aprs.

Le vecteur caractristique :

On considre pour la suite 64 valeurs de TOA et les 62 valeurs de D2TOA correspondantes.


On dfinit la fonction signe comme suit :

1 si x <

signe( x) = 0 si x < (3-12)
+ 1 si x >

o est typiquement de lordre dune dizaine de nanosecondes. dfinit la limite pour laquelle un
intervalle entre deux pulsations peut tre considr comme stable. On applique alors cette fonction
signe aux 62 valeurs de D2TOA.
45 Mthodes dextraction

s = signe(z )
Ensuite, on calcule la somme normalise du vecteur ainsi form :
n
scs(n)= 1 s(i) , n=1, 2, ..., 62. (3-13)
62 i =1

Reprsentation des modulations en fonction du vecteur caractristique


Le vecteur scs (3-13) est raisonnablement diffrent pour chaque modulation de la PRI. Sa
reprsentation, pour chaque modulation, en fonction de son indice est illustr par les figures 3-14 et 3-
15.

La figure 3-14 reprsente les pattern caractrisant les diverses modulations en labsence dimpulsions
manquantes et parasites. Pour une modulation sliding, on observe une fonction linaire (en bleu)
possdant une discontinuit due la variation brutale de la PRI. La modulation wobulated fournit une
fonction en dents de scie (en rouge). La reprsentation de la modulation jittered (en vert) fournit une
variation alatoire autour de la valeur 0. La modulation dwell&switch donne une fonction constante,
except aux instants de changement de valeur de la PRI (en magenta).

Figure 3-14 : Vecteur scs pour chacune des modulations


(sans impulsions manquantes et parasites)

La figure 3-15, illustre limpact des impulsions parasites et manquantes sur la forme globale des
pattern. On constate une dgnrescence qui complique notablement les objectifs de classification.
Nanmoins, lorsque le nombre dimpulsions manquantes et parasites reste raisonnable, on arrive
conserver une allure type pour chaque modulation.

Complment :

On peut constater que les vecteurs scs des modulations jittered et dwell&switch nont pas un caractre
suffisamment tranch pour permettre de les distinguer srement. Aussi afin de faciliter leur
discrimination, on vient rajouter chaque vecteur scs un doublet, (0,1) ou (1,0) en fonction de la valeur
du rapport du nombre de changement de signes sur le nombre de composantes du vecteur s.
Si ce rapport est infrieur 0.5 on ajoute le doublet (0,1) au vecteur scs, dans le cas contraire on ajoute
le doublet (1,0).
Mthodes dextraction 46

Par exemple, considrons une partie du vecteur s :


( 1 0 1 1 1 0 1 0 1 )
Ce tronon comporte 4 changements de signe. En effet, les triplets (1 0 1) et (-1 0 1) correspondent
un changement de signe, de mme que les doublets (-1 1) et (1 1). Par contre le triplet(-1 0 1) ne
correspond pas un changement de signe.
Le caractre alatoire de la modulation jitter induit toujours un rapport de changement de signes du
vecteur s suprieur 0.5; en ce qui concerne la modulation dwell&switch le caractre stable de cette
modulation fait que ce rapport est infrieur 0.5.
Le doublet joue un rle primordial dans le cas o le nombre dimpulsions parasites ou manquantes
serait important.

Figure 3-15 : Vecteur scs pour chaque modulation


(avec impulsions manquantes et parasites)

Mise en uvre du rseau de neurones

Le vecteur caractristique scs de chaque train dimpulsions ainsi calcul est alors prsent lentre du
perceptron multicouches (la couche dentre possde 64 neurones).
Le nombre de neurones en sortie est gal 4, chacun correspondant la reconnaissance dun type de
modulation. Un neurone de sortie est actif (+1) si le vecteur en entre correspond la classe que le
neurone de sortie reprsente et inactif (0) dans le cas contraire. La figure 3-16 donne le principe de
fonctionnement du rseau pour une modulation sliding.
Le nombre de neurones de la couche cache rsulte, quant lui, dun compromis ralis partir de la
base de test. Ce nombre est dtermin, une fois lapprentissage effectu, lorsque lerreur de
classification est minimale. Ici nous considrons que la couche cache comporte 4 neurones.

0
Vecteur

Cache

1
Entre

Sortie

0
0

Figure 3-16 : Exemple de la classification dune modulation sliding


47 Mthodes dextraction

Le nombre des vecteurs scs de la base dapprentissage reprsentant chacune des modulations est
variable, et, en tout tat de cause fortement li la difficult de reconnaissance de la modulation en
question. La difficult de reconnaissance est lie directement linfluence quont les paramtres
intrinsques de chacune des modulations sur les caractristiques de forme des pattern (vecteur scs).
Cest la raison pour laquelle la base dapprentissage que nous utilisons pour entraner le rseau de
neurones comporte beaucoup plus de trains dimpulsions issus des modulations wobulated et
dwell&switch. Ainsi, nous utilisons 500 tirages du vecteur scs pour les modulations sliding et jittered et
respectivement 2000 et 5000 exemples pour les modulations wobulated et dwell&switch.
Chacun des trains dimpulsions gnr est labor partir dun tirage alatoire des valeurs des
diffrents paramtres intrinsques de la modulation : ces valeurs tant toutefois confines dans un
intervalle donn pour limiter la taille de la base dapprentissage.

Rsultats

Les diffrentes simulations excutes nous conduisent choisir lalgorithme de rtro propagation de
type Scaled Conjugated Gradient, dont le principe de fonctionnement reprend le principe de base du
gradient descendant.
Une fois entran le rseau affiche sur une base de validation quelconque, gnre dans les mmes
conditions que la base dapprentissage, un taux de reconnaissance des modulations de lordre de
97,5%.
Lidentification des modulations tant ralise, il reste caractriser totalement la modulation. Cette
fonction est ralise partir dun filtre adaptatif prdiction linaire utilisant un simple neurone.

2.2.2 Filtre de prdiction linaire

La structure du rseau a la mme base que le perceptron, ceci prs que le neurone utilise une
fonction de transfert linaire permettant aux sorties du rseau de prendre une valeur quelconque et non
plus uniquement des valeurs binaires.
Lapprentissage suivi par le neurone est qualifi de non supervis puisque ce dernier nutilise pas de
base dapprentissage. Lapprentissage seffectue au fil de larrive des donnes. Les entres,
constitues par les DTOA, provoquent une auto-adaptation du rseau.
Lentre du neurone est constitue de la somme pondre de la PRI instantane et des p valeurs des
PRI prcdentes, figure 3-17. La sortie du neurone est la valeur prdite de la PRI. Lerreur est dfinie
comme la diffrence entre la sortie courante et la sortie prdite.

X(t) xt xt-1 xt-2 xt-p

W1 W2 W3 Wp

Figure 3-17 : Rseau de neurones pour l'estimation d'une PRI complexe

Lalgorithme dapprentissage utilis pour ajuster les poids (3-14) fonctionne par minimisation de
lerreur quadratique moyenne. Les performances du filtre sont lies au rglage appropri du taux
dapprentissage .
wk = wk 1 grad (C )k 1 (3-14)
Mthodes dextraction 48

C reprsente une fonction de cot, wk est le vecteur des pondrations, a une valeur initiale grande et
dcrot lorsque lerreur change de signe. On dsire galement qu'une erreur ponctuellement importante
soit rpercute de manire attnue pour ne pas occasionner de divergence. Toutes ces considrations
conduisent au choix suivant (3-15) :
count

= a.e N
e kE (3-15)
o E est lerreur quadratique, N le nombre dimpulsions de la trame et count est un paramtre
incrment chaque fois que l'erreur change de signe (on suppose que les changements de signe de
lerreur indiquent un rapprochement de la PRI estimer et l'on cherche alors limiter lamplitude des
oscillations autour de la valeur de convergence). On pourra ensuite ajouter un seuil de dtection pour
poursuivre la PRI : si lerreur d'estimation de la PRI drive au-del d'un seuil, alors on augmente la
valeur de de manire la poursuivre.

G.P.Noone considre que le principal apport dun tel procd rside en une forte attnuation des bruits
et autres perturbations obtenue par la prdiction des impulsions venir. On peut galement ajouter que
cette approche ne fait intervenir aucune hypothse sur les distributions des jitter, les probabilits a
priori d'impulsions parasites ou manques.

2.3. Evaluation des diffrentes mthodes de caractrisation


Le tableau 3-3, ci-aprs, dresse un rapide rsum des mthodes envisages pour lestimation des
paramtres avec pour chacune delles ses performances vis vis des diffrentes perturbations, les
ventuelles observations (limites, points forts) et lextension possible aux PRI agiles.

Rseau de Analyse spectrale


Mthodes Filtrage de Kalman Filtrage rcursif
neurones (Priodogramme)

Sensibilit au jitter
Peu sensible Peu sensible Peu sensible Sensible
cumulatif

Sensibilit au jitter
Peu sensible Peu sensible Peu sensible Sensible
non cumulatif
Sensibilit au
impulsions Sensible Peu sensible Peu sensible Peu sensible
manques
Sensibilit aux
impulsions Sensible Sensible Peu sensible Peu sensible
parasites
Possibilit
Peu sensible aux Peu sensible aux
daccrotre la
perturbations, mais perturbations, les Utilisable en
robustesse,
Observations prsente des performances sont complment
problme de
performances en de des dautres mthodes
linitialisation du
modestes mthodes dtat
jitter
Envisageable pour
Le filtrage
des PRI lentement Bien adapt la
Adaptation aux particulaire peut Difficilement
variables dans le classification de
PRI agiles constituer une envisageable
temps, si la loi est PRI complexes
solution
continue

Tableau 3-3 : Rsultats des valuations des mthodes de caractrisation


49 Mthodes dextraction

3 Conclusion
Lobjet de ltat de lart tait didentifier les classes dalgorithmes adaptes lanalyse technique des
signaux radars complexes, sappliquant aux donnes interpulse et plus particulirement aux temps
darrive des impulsions interceptes. Pour mmoire, sous le terme gnrique d analyse est sous-
entendu le processus dextraction suivie dune tape de caractrisation des trames extraites.
Lintrt des mthodes base de modles dtat, comme le filtrage de Kalman, par rapport aux
mthodes par histogrammes, principalement utilises jusquici, est avr puisquelles permettent de
rsoudre simultanment lestimation des trames, lextraction des paramtres et le tri des impulsions
par trame. De plus, avec lapparition des mthodes dtat, dans la problmatique de lextraction de
trames radar, on introduit une modlisation des phnomnes susceptible de favoriser lintroduction de
critres de confiance quant aux rsultats des dcisions prises pour raliser lextraction. Des mthodes
plus labores, destines pallier les inconvnients du filtre de Kalman comme le filtrage de
Kalman flou ont galement t dveloppes dans le contexte de lestimation de trames PRI
constantes.
Les mthodes bases sur la transforme de Fourrier, typiquement lanalyse spectrale et les mthodes
haute rsolution, sont dune part sensibles aux jitter, difficilement compatibles avec les modulations
PRI complexes et dautre part inadaptes pour rsoudre la question de lextraction. Ces mthodes
peuvent cependant avoir une grande utilit pour lidentification des priodicits dans la trame, et dont
la connaissance a priori est susceptible de faciliter le processus de dsentrelacement proprement dit.
Compte tenu des remarque prcdentes et de la ncessit de dvelopper des algorithmes susceptibles
de grer les agilits des trames radar, nous choisissons daxer les dveloppements venir vers les
techniques de pistage qui sont bases sur les mthodes dtat et qui offrent des solutions potentielles
aux limitations des mthodes pressenties prcdemment.

III. Algorithmes de pistage


Kofler et Leondes [Koefler, 1989] ont mis en lumire une analogie entre le problme de
dsentrelacement d'un train d'impulsions et la poursuite de cibles multiples. Le MTT (Multiple Target
Tracking) est un problme d'association de donnes (rattacher les informations mesures une source)
et de poursuite (suivre l'volution de l'tat de chaque cible).
Le nombre de cibles (ie. le nombre de sources) est suppos connu. Chaque cible i est modlise
partir de la formulation dtat dune trame tablie en (2-5) et (2-6).
Le principal avantage de cette approche est que de nombreuses mthodes de traitement (filtres de
Kalman, gating , PDAF, IMM...) sont disponibles moyennant videmment un certain nombre
dadaptations afin de tenir compte des spcificits de lapplication vise.

Les origines modernes de la poursuite multicibles datent des annes 60 et fondent, au sein dune mme
analyse, les deux problmes centraux que sont lassociation de donnes et la poursuite proprement
dite. Dans le contexte du pistage, la difficult didentifier correctement lappartenance dune mesure
une cible, compte tenu des imprcisions de mesures, reflte la problmatique lie lassociation de
donnes. La mise jour dun vecteur dtat dcrivant le comportement et/ou ltat de la cible au
travers du traitement de mesures bruites issues dun senseur constitue le cur de la problmatique de
la poursuite. Ce dernier aspect du problme est considr comme partiellement rsolu par
lintroduction du filtrage de Kalman qui permet de minimiser lestimation de lerreur quadratique
moyenne.

On dnombre trois grandes familles dalgorithmes de pistage. La premire associe, de manire hard
(par opposition soft, signifie que la dcision dassociation est fige une fois prise), chaque mesure,
une cible ou la considre alors comme tant une fausse alarme. Il existe, ensuite, une catgorie
dapproches rcursives sous-optimales association probabiliste de donnes, Probabilistic Data
Association Filter (PDAF) [Bar-Shalom, 1990] qui pondrent linfluence de chaque mesure valide par
sa vraisemblance. Enfin, lapproche MHT (Multiple Hypothesis Tracker) , parfois considre comme
Mthodes dextraction 50

une extension du filtre baysien optimal, numre de manire exhaustive toutes les hypothses
dassociation au cours du temps et conduit, par consquent, une augmentation exponentielle du
nombre de combinaisons de pistes. Pour rendre cet algorithme raliste, diffrentes techniques ont t
dveloppes afin de limiter, chaque rcurrence, le nombre de pistes entretenues : on peut citer
lutilisation de la programmation dynamique sur un horizon limit quelques itrations, lintroduction
de portes de validation, lvaluation de la vraisemblance, labandon des pistes les plus improbables,
etc.
Lobjectif nest pas de passer en revue les divers algorithmes de pistage mais de recenser les
principales techniques dveloppes, ddies des problmatiques spcifiques et, susceptibles dtre
implmentes dans le cadre de lextraction. Ainsi, dans un premier temps nous nous intressons une
technique dassociation de donnes, base sur la mise en oeuvre dune porte de validation et utilise
chaque rcurrence pour la validation de mesures.

1 Le filtre association probabiliste de donnes (PDAF)


Dans le cadre de lextraction, lapproche PDAF est suppose apporter une rponse aux dficiences du
filtrage de Kalman dans un contexte oprationnel et permettre ainsi lextraction dune squence dont la
PRI est grossirement dtermine par une technique annexe, par exemple lhistogramme squentiel.
PDAF constitue une rponse, a priori, adapte aux inconvnients lis labsence de modlisation des
impulsions parasites et manques du filtrage de Kalman.
Cependant, la nature spcifique du problme du dsentrelacement, particulirement le fait que les
impulsions soient indexes par leur rang et non pas par le temps, conduit une formulation adapte
des techniques dassociation de donnes.

1.1. Procdure de validation des mesures


La mthode PDAF est une approximation du filtre Baysien optimal ne considrant que lassociation
courante. Pour dfinir le filtre, nous utiliserons des notations dfinies par Bar-Shalom [Bar-Shalom,
1990]. La formulation dtat du modle est identique, en tous points, aux relations (2-5) et (2-6).

Malgr le caractre spcifique du dsentrelacement par rapport aux applications pour lesquelles PDAF
est habituellement utilis (pistage de cible, navigation), la dfinition dune procdure de validation
des mesures est absolument indispensable, compte tenu de la densit potentielle des impulsions.
Le principe repose sur une procdure de validation partir dune porte temporelle [Slocumb, 1997]
qui correspond un intervalle de temps durant lequel la mesure prdite est cense se trouver.
Labsence dimpulsion dans la zone de validit indique une impulsion manque. Le filtre doit alors
extrapoler la mesure prdite suivante conformment lquation dynamique dtat.
Soit {yn }nN=1 lensemble des mesures de TOA, {y ni }n=i1 dsigne les TOA appartenant la ime trame avec
N

{ }
N i N et y ki {y n } .

Supposons que lon dispose de la meilleure estime du temps darrive de la kme impulsion au moyen
dun filtrage de Kalman que lon note x ik / k , la mesure prdite du temps darrive de la prochaine
i i i i
impulsion dindex k+1 est alors donne par y k +1/ k = H k Fk x k / k , la mesure yki +1 est suppose distribue
normalement autour de la valeur prdite :
i i i
yk +1 ~ N ( yk +1 / k , S k +1 ) (3-16)
i
Sk +1est la matrice de covariance de linnovation. A partir de lensemble des TOA, on peut alors
dfinir lensemble des mesures valides pour lestimation du vecteur dtat dindex k+1 de la manire
suivante :
51 Mthodes dextraction

{
Yki+1, = yl : ( yl yki +1 / k )T S ik +1 ( ) 1
( yl yki +1 / k ) } (3-17)
= {y i ,1
k +1 ,y i,2
k +1 ,, y k +1 }
i , m ( k +1)

Dans cette expression, l {1,2,, N } parcourt lindex de lensemble des TOA, est le seuil qui dfinit
la largeur de la porte de validation.
Lensemble des mesures valides pour une trame i et un index k donn, not y k { }
i, j m(k )
j =1
dfinit un
ensemble inclus dans celui des TOA.

{ }
La notation y k identifie la jme mesure valide j {1,2,, m(k )} correspondant la kme impulsion
i, j

k {1,2, , N i } de la ime trame, m(k+1) est le nombre de mesures valides lindex k+1.

La valeur au carr de linnovation normalise, dans lhypothse dun bruit de mesure gaussien i.e.
jitter non cumulatif gaussien, suit une loi du chi-2 un degr de libert. La valeur du seuil est fixe
partir dune table de la loi du chi-2 dont la valeur dentre est la probabilit PG quune mesure soit
valide.
{
PG = Pr yki +1 Yki+1, } (3-18)
Lextraction des mesures valides partir de lensemble des TOA est le concept-cl dans la
modification de l'approche gnrale de lassociation probabiliste de donnes pour son adaptation au
contexte du dsentrelacement.

1.2. Implmentation du filtre PDAF


On suppose que le filtre a t initialis et que le fonctionnement sest normalement droul jusqu
lindex k. Le traitement effectu chaque itration ne concerne que lunique trame i et il peut alors se
rsumer aux quatre phases principales dcrites ci-aprs :

1re Phase : Extraction des mesures valides y k { } partir de (3-17)


i, j

2me Phase : Mise jour de lestimation dtat

Lestimation est calcule partir dune pondration de chacun des tats estims correspondant une
mesure valide.

x ik / k = j =1 ki , j x ik, /j k
m(k )
(3-19)
i, j
Le vecteur x k / k est la meilleure estime conditionnellement la jme mesure valide et sexprime de la
manire suivante :
i, j i i i, j
x k / k = x k / k 1 + K k k (3- 20)
me
Linnovation associe la j mesure valide est donne par :
i, j i, j i
k = yk yk / k 1 (3-21)
Le gain de Kalman est obtenu de manire classique :

K ik = Pki / k 1 H ik ( ) (S )T i 1
k (3-22)

Les probabilits dassociation { ; j = 0,1,, m(k )} sont calcules pour chacune des mesures
j
k
i, j
valides. Elles reprsentent la vraisemblance que la mesure yk soit la mesure relle dindex k pour la
Mthodes dextraction 52

0
trame i parmi lensemble des mesures valides. k indique au contraire la probabilit quaucune des
mesures valides ne soit la mesure relle. Le calcul de ces diffrentes probabilits est donn par Bar-
Shalom [Bar-Shalom, 1990].

ej

b + n =1 en
m(k )
j = 1,2,, m(k ) 1 i, j
e j = exp vk
2
( ) (S ) v
T i 1 i , j
k k



j
k = avec (3-23)
b
1

j=0 2 2
m(k ) 1 PD PG
b =
b + n =1 en
m(k )
2 PD

PD reprsente la probabilit de dtection a priori et PG est donn par (3-18).

3me Phase : Mise jour de la matrice de covariance

La mise jour de la matrice de covariance des variables dtat tient compte des incertitudes quant
lorigine des mesures.
i 0 i 0 i ~i
Pk / k = k Pk / k 1 + (1 k )Pk / k + Pk (3-24)
Lestimation de la matrice de covariance seffectue partir de la somme de trois termes. Le premier
reprsente la possibilit que la mesure correcte ne soit pas dans la porte de validation. Le deuxime
terme est la covariance de la mesure correcte, pondre par la probabilit que cette dernire soit valide.
Il est donc estim laide des quations de Kalman.
i i
Pk / k = Pk / k 1 K k S k K k (3-25)
i i
( ) i T

Enfin, le troisime terme, appel spread of the innovation term, augmente la covariance en tenant
compte des incertitudes sur les origines des mesures.
~i
Pk = K k j =1 k k k
i


m( k ) j i, j i, j
( ) ( ) (K )
T i
k
i T
k
i T
k
(3-26)
k = j =1 k k
i m(k ) j i, j

4me Phase : Calcul de la mesure prdite et des matrices de covariances de linnovation et de


lerreur de prdiction partir des quations classiques du filtre de Kalman.
i i i
x k +1 / k = Fk x k / k
i
Pk +1 / k = Fk Pk / k Fk
i i
( ) +Q i T i

(3-27)
i i i
yk +1 / k = H k x k +1 / k
i i
S k +1 = H k Pk +1 / k H k
i
( ) +R i T i

Figure 3-18 : Synoptique du PDAF

Linitialisation du filtre PDAF en prsence dimpulsions parasites et manquantes est dlicat et doit
seffectuer dune manire aussi exacte que possible pour que le systme ne drive pas vers des
solutions fantasques.
Il est toutefois possible denvisager la problmatique dassociation de mesures sous un angle diffrent.
Au lieu de slectionner des mesures laide dune fentre de validation selon un modle a priori, il est
possible de considrer les mesures de manire squentielle et de supposer que chaque mesure ait une
probabilit dtre issue dun modle donn en fonction de sa vraisemblance chacun des modles.
53 Mthodes dextraction

Cette procdure est notamment indique dans une optique de dsentrelacement lorsque que lon
travaille simultanment avec plusieurs trames dont les paramtres sont grossirement identifis. Il
convient alors, pour tenir compte des impulsions parasites ou nappartenant pas aux modles
identifis, dintroduire un mode parasite , et dutiliser alors un algorithme connu sous lappellation
dInteracting Multiple Model (IMM).

2 LInteracting Multiple Model (IMM)


LIMM (annexe 1) est utilis en pistage lorsque la modlisation ncessite la juxtaposition de plusieurs
modles pour traduire les diffrentes volutions possibles dune cible par exemple (cible
manuvrante). Les commutations dun modle lautre peuvent tre reprsentes par une chane de
Markov. Pour lapplication qui nous occupe et compte tenu de la modlisation potentielle de la
problmatique du dsentrelacement sous la forme dun modle linaire dynamique sauts (chaque
mode correspond une trame), lapplication dun filtre IMM est alors directe.
La mise en uvre de lIMM seffectue partir du calcul, chaque rcurrence, de la vraisemblance des
mesures conditionnellement au modle de la trame et un pseudo-modle des impulsions parasites.
Cette procdure est prsente par B.J. Slocumb [Slocumb, 1998] o il dfinit le mode de
fonctionnement parasite.

2.1. Dfinition du mode parasite


Les impulsions parasites sont considres comme appartenant un mode part entire de lIMM (i=0
reprsente lindice de ce mode).
Quelques considrations relatives au filtre association probabiliste de donnes et lIMM,
notamment en ce qui concerne la distribution des impulsions parasites, permettent dexprimer la
vraisemblance du mode parasite [Slocumb, 1998].
0 1
k = 1/ 2 0
(3-28)
2 Sk

S0 reprsente la valeur de la covariance de linnovation du modle pour lequel elle est maximale.
Pour le mode parasite il nexiste pas, bien entendu, de modlisation dtat si bien quil nest pas
estimable. Pour remdier cet inconvnient, il suffit de considrer quune impulsion parasite doit tre
rejete. Par consquent, lestimation du mode parasite est gale la sortie du systme la rcurrence
prcdente.
On a alors :
0
x k / k = x k 1 / k 1
0
(3-29)
Pk / k = Pk 1 / k 1
Les valeurs des probabilits de transition des autres modes vers le mode parasite sont donnes par un
paramtre dentre 0 du systme que lon fixe (grossirement), a priori, en fonction du taux
dimpulsions parasites escompt.

0
pi0 = , i (3-30)

0
{ }
i
En prenant S k = max S k / k
M
i =1
0 0 0
et k ; x k / k ; Pk / k ; p i0 , M correspond au nombre de modles, i.e. de
trames, nous dfinissons tous les lments pour intgrer les impulsions parasites comme mode part
entire du systme
Mthodes dextraction 54

2.2. Schma gnral de lextraction


On propose un algorithme itratif gnral susceptible de rpondre aux problmes poss et pouvant tre
formul sur la base des techniques de pistage multicibles. Le principe consiste excuter lalgorithme
IMM initialis partir de la premire PRI valide. Les impulsions qui nappartiennent pas la trame
correspondant la PRI valide doivent tre limines. A chaque impulsion est donc affecte une
probabilit dappartenir au mode, i.e. la trame en question et une probabilit dappartenir au mode
parasite. Les impulsions dont la probabilit dappartenir au mode parasite dpasse un seuil sont donc
classes parasite .
Ltape suivante consiste effectuer sur lensemble des impulsions classes parasite une nouvelle
recherche de PRI potentielle. Si une nouvelle PRI est valide, le vecteur dtat correspondant cette
nouvelle trame potentielle est concatn au vecteur dtat de litration prcdente, comportant les
variables dtat lies au prcdentes PRI valides. Lalgorithme est ensuite relanc sur lensemble des
donnes. On ritre la procdure jusqu ce que lalgorithme de validation de PRI nen trouve plus de
nouvelles : les impulsions restantes sont alors dfinitivement classes parasite . Ce schma de
recherche squentielle de PRI peut galement tre adopt pour lextraction partir du PDAF. Cette
procdure permet de saffranchir de la connaissance, a priori, du nombre de trames, puisquelle permet
dintgrer au modle dtat les nouvelles PRI au fur et mesure de leur validation.

2.3. Techniques spcifiques lextraction


Afin daugmenter la robustesse de la technique dextraction formule sur la base dun filtre IMM
notamment en prsence dimpulsions manques, Slocumb [Slocumb, 1998] a propos deux techniques
de mise en uvre simples.

2.3.1 Dtection des impulsions manques

Le principe algorithmique destin prendre en compte les impulsions manques consiste dterminer
si, chaque rcurrence, la mesure utilise pour la mise jour du filtre na pas t prcde par une ou
plusieurs mesures manquantes. A cet effet, lalgorithme ralise des comparaisons squentielles
dinnovations entre la mesure et les mesures prdites diffrents horizons afin de dterminer le cas
chant le nombre dimpulsions manques.
Lalgorithme est :

1. n=1

2. Calculer les mesures prdites suivantes :

( ) n
yki ,(/ nk)1 = H ik 1 Fki 1 x 0k i1 / k 1 et ( )
yki ,(/ nk+11) = H ik 1 Fki 1
n +1
x 0k i1 / k 1
3. Comparer les innovations :
i ,( n ) i ,( n ) i ,( n +1) i ,( n +1)
k = yk yk / k 1 et k = yk yk / k 1

i ,( n ) i ,( n +1)
4. Si k < k : Il manque n-1 impulsions.

i ,( n ) i ,( n +1)
5. Si k > k : Incrmentation de n (n=n+1) et retour ltape 2.

Figure 3-19 : Algorithme de dtection des impulsions manquantes


55 Mthodes dextraction

Lintgration de cet algorithme, destin grer les impulsions manques, seffectue sans difficult. Il
est galement possible daugmenter la robustesse de la probabilit dappartenance de limpulsion
dindex courant la trame ou au mode parasite. Cette technique [Slocumb, 1998] est succinctement
prsente dans le paragraphe suivant.

2.3.2 Amlioration du calcul de la probabilit des modes

Une caractristique souvent vrifie du dsentrelacement est que les donnes sont acquises par blocs
(buffer). Il semble donc opportun dutiliser des donnes futures pour lestimation de ltat courant.
Lide consiste modifier les probabilits des modes en fonction des donnes futures. Considrons
une mesure y k : si une impulsion est proche de y k +Ti et une autre proche de y k + 2Ti etc., alors il est
possible daffirmer que y k appartient la trame de PRI Ti avec un taux de confiance lev. Si, au
contraire, aucune impulsion nest trouve proche des projections de y k , la probabilit que y k soit une
impulsion parasite devient prpondrante.
Pratiquement, lassociation de donnes ralise consiste associer limpulsion courante une
probabilit dappartenir au mode parasite ou non. Cette probabilit est calcule partir dun filtre
association probabiliste de donnes.
En supposant que lexcursion vers lavant soit limite trois pas, la nouvelle probabilit des modes
sexprime en fonction de la probabilit dlivre par lIMM pondre par un facteur :

{ }
( )
3 m( n)
= Pr M y1:k
k
j
k
j
1 1 kj ,i (n) (3-31)
n=1 i=1
O :
j ,i
k (n) reprsente la vraisemblance pour limpulsion i, valide pour une excursion de n pas,
dappartenir la trame j lindex k, le calcul de la vraisemblance seffectue selon (3-23).
{ }
Pr M kj y1:k correspond la probabilit que le mode j soit actif linstant k, son calcul est
donn en annexe 1.
m(n) reprsente le nombre dimpulsions valides pour la projection de n PRI vers lavant.
y1:k={y1,, yk}
A partir des diffrentes techniques voques prcdemment, nous pouvons formuler un algorithme
capable de raliser lextraction de trames PRI constantes.

3 Formulation dun filtre partir des techniques de pistage


Limportance que revt la phase dinitialisation de la procdure dextraction proprement dite ncessite
une attention particulire. La problmatique et les difficults rencontres sapparentent celles de
linitialisation de pistes en prsence de clutter.
La difficult essentielle concernant la mise en uvre du filtre IMM (cur de la fonction dextraction)
est lie la prcision requise lors de la phase dinitialisation : les performances tant ensuite fortement
corrles ce degr dexactitude. Pour que linitialisation puisse tre mene de manire satisfaisante,
les modles doivent tre identifis aussi prcisment que possible, notamment en ce qui concerne les
variances des jitter et ceci sans connaissance a priori les concernant.

3.1. Principe
Le filtre se compose de trois fonctions principales et ncessaires mais nayant pas toutes la mme
complexit algorithmique, figure 3-20 ; linitialisation, la dtermination approximative de lcart type
des jitter et la phase dextraction proprement parler.
Mthodes dextraction 56

3.1.1 Linitialisation

La premire tape consiste effectuer un balayage systmatique des impulsions de la table des TOA
en slectionnant, chaque essai, deux impulsions dont la diffrence est utilise comme PRI
potentielle. Cette PRI est prsente lentre dun filtre de type plus proche voisin , qui gnre
chaque rcurrence, de la mme manire que le PDAF, un ensemble de mesures valides et qui
slectionne la plus proche de la mesure prdite. Lintervalle de validation est donc centr sur la mesure
prdite et de largeur gale lcart type de linnovation prdite. Son calcul est assur par un filtre de
Kalman. Au bout de quelques rcurrences, la procdure est arrte et le rapport du nombre de mesures
valides et du nombre de rcurrences est compar un seuil qui permet de valider la PRI potentielle ou,
au contraire, de la rejeter.

Fichier des
TOA

Choix d'une PRI


potentielle

Validation de la PRI potentielle


&
Calcul des matrices de covariance
du modle d'tat

FILTRE IMM
Calcul squentiel pour chaque impulsion

Calcul de la probabilit que


l'impulsion courante soit parasite

Estimation de chacun
des modles

Calcul de la probabilit de
chacun des modles

Estimation du vecteur d'tat

Figure 3-20 : Synoptique dun filtre formul partir des techniques de pistage
pour lextraction dune trame

3.1.2 Calcul de lcart type du jitter

Au cours de cette phase dinitialisation, a galement lieu lidentification de lcart type des jitter dont
la mconnaissance est lorigine de profonds dysfonctionnements du filtre. Pour y remdier, nous
avons implment un filtre de Kalman adaptatif corrlation dinnovation dont lobjectif est dadapter
le filtre aux statistiques des donnes mesures (TOA). La mthode retenue est lapproche propose par
Mehra [Mehra, 1972] et qui est base sur le critre de la blancheur de linnovation en rgime
permanent lorsque le filtre de Kalman ne comporte pas derreur de modle.
Un inconvnient de cet algorithme provient du fait que les valeurs thoriques des gains et des matrices
de covariance utilises pour la dtermination des jitter correspondent un rgime stable du filtre. Or,
57 Mthodes dextraction

dans notre cas, les discontinuits introduites par les impulsions parasites ou manquantes contribuent
le dstabiliser. Ainsi, les hypothses de calcul ne sont pas toujours satisfaites, notamment en prsence
dun taux important de perturbations. Lutilisation de ce type de filtre de Kalman adaptatif nest pas
adapt notre cas en raison de la non modlisation des perturbations, impulsions manques et
parasites.
Compte tenu des rserves prcdentes, nous nous sommes attachs dvelopper une autre technique
de calcul des matrices de covariance. Lapproche propose, pour lidentification du bruit, consiste
gnrer un systme linaire sauts rgi par une loi de transition markovienne. Les diffrents modles
sont dfinis partir des quations dtat et sont strictement identiques, except les matrices de bruit
dtat dont la variance diffre dun modle lautre. Les valeurs des matrices de covariance de bruit
sont fixes de telle manire quelles bornent la plage de variation du paramtre que lon cherche
estimer, dans notre cas le jitter. Lestimation du jitter est alors donne par :

k = E[ k y1:k ] = j =1 E [ k y1:k , M kj ].P{M ki y1:k }


M

(3-32)
{
= j =1 j P M ki y1:k
M
}
Avec : P{M kj y1:k } = kj , la probabilit que le mode j soit activ linstant k tant donn les mesures
[ ]
acquises jusqu cet instant et j = E k y1:k , M kj lestime de k pour le mode j, suppos connu. Le
problme destimation de la variance du bruit se rduit donc trouver la probabilit des modes.

3.1.3 Dsentrelacement

La troisime tape de lalgorithme consiste procder au dsentrelacement proprement dit des trames.
Une fois en possession dune PRI valide, lextraction de la trame correspondante est ralise partir
dun filtre IMM. Pour la premire PRI valide, le filtre IMM comporte deux modes : lun correspond
aux impulsions parasites et lautre aux impulsions de la trame extraire. Le mode de la trame est
initialis avec les informations calcules par le filtre plus proche voisin savoir les variances des
jitter, la PRI valide et les deux premires impulsions de la trame. Lestimation de la matrice de
covariance des erreurs destimation initiale est ralise galement partir de la covariance des jitter de
manire tout fait classique. Le filtre est ensuite appliqu lensemble de la trame et, chaque
mesure de TOA, est calcule la vraisemblance que limpulsion appartienne ou non la trame. Une fois
lensemble de la trame parcourue, les impulsions dont la probabilit est forte et qui correspondent au
mieux au modle ont toutes les chances dappartenir la trame recherche si, toutefois, le modle est
correct. Ces dernires sont alors extraites et les impulsions restantes sont rintroduites en dbut de
processus pour une nouvelle recherche de PRI potentielle. Lextraction dune trame est reprsente par
le synoptique figure 3-20.
A chaque itration du processus, le filtre IMM met en uvre un mode correspondant chacune des
trames extraites aux itrations prcdentes, un mode correspondant la trame en cours dextraction
(dernire PRI valide) et un mode dit parasite , dfini comme indiqu prcdemment, pour les
impulsions nappartenant ni aux trames des itrations prcdentes, ni la trame en cours (trames
venir). Le processus sarrte lorsque les impulsions restantes sont insuffisantes pour former une trame
(nombre infrieur un seuil).
Pour augmenter la robustesse du systme face aux impulsions parasites, nous avons galement propos
une amlioration du calcul de la vraisemblance des modes par projection de la mesure courante aux
index suivants, associe une procdure dassociation probabiliste des donnes.
Lalgorithme prend galement en compte, de manire formelle, les impulsions manquantes. Le
principe consiste dterminer si, chaque itration, la mesure utilise pour la mise jour du filtre na
pas t prcde par une ou plusieurs mesures manquantes. A cet effet, il ralise des comparaisons
squentielles entre la mesure courante et des mesures prdites incrmentes de plusieurs pas afin de
dterminer le cas chant le nombre dimpulsions manques.
Mthodes dextraction 58

3.2. Exemple de rsultat obtenu


Nous illustrons notre propos en donnant un exemple simple mais suffisamment reprsentatif des
rsultats que lalgorithme est susceptible de fournir.
On considre deux trames entrelaces de PRI respectives T1=51 et T2=121. En premire
approximation, nous supposerons :
Lexistence de perturbations sous la forme de 7 impulsions parasites et de 8 impulsions
manquantes.
la variance des deux types de jitter est de lordre de 1% de la PRI moyenne.

o : Reprsente la position relle de limpulsion.


* : Reprsente la probabilit que limpulsion se trouve dans la trame considre.

La figure 3-21 illustre la probabilit de chacune des impulsions (lindex figure en abscisse),
dappartenir une trame, lautre ou ventuellement au mode parasite, not sur la figure mu0. On
constate une phase de convergence de lalgorithme qui dure une dizaine de pas. Labsence de
prcautions particulires concernant le calcul de la probabilit du modle par le filtre association
probabiliste entrane un dysfonctionnement systmatique en fin de trame sur les deux dernires
impulsions mais qui ne remet pas en cause les performances globales du processus. On retrouve en c)
les 7 impulsions parasites parfaitement localises, excepte la dernire qui nest pas une impulsion
parasite mais qui correspond la dernire impulsion de la trame 2.

a)

b)

c)

Figure 3-21 : Probabilit des diffrents modes

Lestimation des PRI est donne par la figure 3-22. Certes il ne sagit que dun exemple qualitatif de
performances obtenues, mais on constate que les PRI sont relativement bien estimes en fin de trame
(erreur infrieure 1%).
Dune manire gnrale, les rsultats obtenus sont satisfaisants. On constate, par exemple, que la
mthode, permet dextraire des trames comportant extrmement peu dimpulsions ( peine une
vingtaine pour la trame 2). Il sagit dun atout des mthodes dtat, condition cependant que la
convergence soit correctement ralise, ce qui suppose une initialisation prcise, un jitter bien estim
et un niveau de perturbations faible (impulsions manquantes notamment), si ces dernires ne sont pas
modlises.
59 Mthodes dextraction

Figure 3-22 : Estimation des PRI

3.3. Limites
Lorsque la concentration des impulsions augmente, on constate une rapide dgradation des rsultats, si
bien quil nest pas possible denvisager lextraction de plus de deux ou trois trames. Des analyses
dtailles systmatiques des conditions de divergence ont montr que ces dernires sont intimement
lies la phase dinitialisation et notamment la qualit de lestimation de la PRI potentielle et la
dtermination des impulsions dancrage. Si une erreur intervient, il est difficile voire impossible que le
processus puisse y remdier. Au contraire, il persiste dans lerreur et dlivre alors des rsultats errons.
De plus, le rglage des paramtres dentre, en nombre lev, de certaines fonctions du filtre se rvle
dlicat et ncessite souvent deffectuer des hypothses a priori. Lvolution vers la prise en compte de
PRI modules semble complexe et sans garantie de rsultats. Ces limitations potentielles et avres
nous ont paru rdhibitoires pour poursuivre dans cette voie.
Cependant, un certain nombre de techniques spcifiques prsentes pourront tre rutilises compte
tenu de leurs aptitudes vis vis de la problmatique du dsentrelacement, notamment les mthodes
dassociation de donnes ou encore les principes utiliss afin de rendre plus robuste le calcul de
probabilit des modes. Le chapitre suivant dveloppe une alternative aux problmes rencontrs
galement issue de la communaut du pistage. Il sagit des mthodes de Monte-Carlo squentielles
(filtrage particulaire).
Mthodes dextraction 60

Page laisse intentionnellement blanche


61 Filtrage particulaire

CHAPITRE 4
FILTRAGE PARTICULAIRE

La formulation de la problmatique de lextraction de trames radar au moyen dun modle dynamique,


prsente, comme nous lavons vu prcdemment, une grande analogie avec celles du pistage.
Cependant, lutilisation des algorithmes classiques ne permet pas de rpondre de manire satisfaisante
aux problmes poss en raison dune phase dinitialisation mal matrise dans un contexte totalement
aveugle. La solution potentielle, la plus intuitive mais bien trop exigeante dans son mode opratoire,
consisterait en un traitement squentiel qui, au cours de la phase dinitialisation, mettrait en uvre une
batterie de filtres en parallle ; chacun deux tant paramtr dune part par un type de modulation et,
dautre part, par les paramtres dcrivant la modulation. Puis, au cours des rcurrences, et compte tenu
de la vraisemblance des mesures conditionnellement chacun des filtres, le traitement consisterait
alors procder llimination des hypothses les moins vraisemblables.
Notre choix sest donc port vers des techniques qui ont fait, au cours de la dernire dcennie, lobjet
de beaucoup dattention de la part de la communaut statistique et qui arrivent, progressivement,
dans les domaines dapplication du traitement statistique du signal. Ce sont les mthodes squentielles
de Monte-Carlo (SMC) utilises pour lestimation baysienne de modles dtat. Les algorithmes
squentiels sont particulirement adapts aux systmes multimodaux non linaires et non gaussiens.
Nous examinons, dans un premier temps, successivement, les principes qui rgissent les mthodes de
Monte-Carlo squentielles dans les cadres gnral puis baysien, diffrentes techniques mises au point
afin de limiter les fonctionnements pathologiques, ainsi que les principales variantes du schma de
base. Nous aborderons, dans une seconde partie, les particularits dimplmentation du filtre, bas sur
les techniques prsentes auparavant, pour tenir compte de la spcificit de lapplication vise.

I. Mthodes de Monte-Carlo squentielles


Le principe de Monte-Carlo consiste utiliser un chantillon discret obtenu par simulation pour
approcher une distribution de probabilits quil est gnralement impossible de calculer
analytiquement. La concentration des chantillons dans une rgion est suppose reprsentative de la
probabilit de cette rgion.
Le cadre baysien sest naturellement impos en raison de laisance avec laquelle il est possible
dincorporer des connaissances a priori portant sur les paramtres du systme. Lorsque de telles
connaissances ne sont pas disponibles, il est alors possible dutiliser une densit de probabilit a priori
non informative.

On dfinit la notation suivante utilise pour reprsenter un chantillon : x 0:k = {x0 ,, xk } .

Remarque : Comme il est dusage en thorie statistique, nous userons voire abuserons des notations
suivantes :
Filtrage particulaire 62

x k reprsente la fois la variable alatoire et sa ralisation,


nous noterons la distribution continue de probabilit p(dx k ) au lieu de Pr( X k dx k ) ,
pour une distribution discrte nous utiliserons la notation P(x k ) pour Pr( X k = x k ) ,
enfin, la densit de probabilit de la variable alatoire x k sera note p(x k ) .

1 Principes gnraux des algorithmes de Monte-Carlo


Le principe de lintgration de Monte-Carlo repose sur lide simple que la probabilit dune rgion
est proportionnelle la densit des chantillons de cette rgion.

1.1. Intgration de Monte-Carlo


Supposons que lon dispose dun grand nombre N de ralisations dune variable alatoire
{x (i )
}
: i = 1,, N , indpendantes et identiquement distribues selon la densit a posteriori p(x 0:k / y1:k ) .
0:k

Un estimateur empirique de cette distribution est alors donn par la relation :


N
1
PN (dx 0:k / y1:k ) =
N
i =1
(i )
x0:k
(dx 0:k ) (4-1)
(i )
(i ) reprsente la masse de Dirac situe en x 0:k
x0:k

A partir de cette approximation de p(x 0:k / y1:k ) , on propose lestimateur IN de E p (. y ) [ f (x 0:k )] o f


1:k

est une fonction relle :

IN = f (x 0:k )PN (dx 0:k / y1:k )


1 N (4-2)
f (x
(i )
= 0:k )
N i =1
(i )
La loi forte des grands nombres et lindpendance des ralisations x 0:k nous permet de dterminer la
convergence presque sre de lestimateur IN :
p.s
lim IN E p (. y1:k ) ( f (x 0:k )) (4-3)
N +
2 2 2
Si la variance de f (x 0:k ) est borne cest dire : f = E p (. y1:k ) [ f (x 0:k )] E p (. y ) [ f (x 0:k )] < + alors la
1:k

2
f
variance de IN vaut : var( IN ) =
N
Le thorme central limite permet de plus dobtenir la relation :
2
lim N ( IN E p (. y1:k ) ( f (x 0:k ))) N (0, f )
distribution
(4-4)
N +
La distribution empirique (4-1) permet, contrairement aux mthodes dintgration numrique
classiques, dobtenir des estimateurs de E p (. y1:k ) [ f (x 0:t )] pour toute fonction f. De plus, la vitesse de
convergence de lestimateur dpend, dans le cas de ralisations indpendantes et identiquement
distribues, uniquement de leur effectif et non pas de la dimension du domaine dintgration, comme
pour les mthodes numriques dterministes. Ce rsultat est obtenu en supposant disposer dun
chantillon distribu selon la loi vise. Le problme consiste alors produire cet chantillon, cest
dire simuler un ensemble de ralisations de la variable alatoire x 0:k distribues selon la densit de
probabilit a posteriori p(x 0:k y 1:k ) . Compte tenu du caractre multivari de la loi a posteriori et du fait
quelle soit connue uniquement une constante prs, la simulation dun tel chantillon reste un
63 Filtrage particulaire

problme complexe. De fait, le problme initial dintgration, i.e. estimation de lintgrale IN , sest
mu en un problme de simulation numrique dun chantillon distribu selon une loi donne.

1.2. Mthodes de gnration de lois


La rsolution de ce problme peut tre envisage partir de deux grandes classes dapproches : les
mthodes non itratives et les mthodes itratives. Les mthodes itratives, bases sur les chanes de
Markov (MCMC) ne seront pas approfondies en raison de leur cot en termes de puissance de calcul
jug lev et en raison dune vitesse de convergence mal matrise. Les mthodes non itratives de
gnration de nombres alatoires distribus selon une loi donne dpendent des proprits et des
connaissances que lon a de la loi objectif . La mthode la plus simple consiste procder
linversion de la fonction de rpartition. Cependant, le calcul formel nest pas forcment toujours
possible. Aussi, dans la pratique, lorsque la loi est connue une constante prs, on utilise couramment
la mthode dacceptation/rejet [Neuman, 1951] dun emploi plus large.

1.2.1 Algorithme dacceptation/rejet

Soit p(.) la densit selon laquelle on dsire gnrer lchantillon x 0:k .


Supposons alors que :
p(.) ne soit connue qu une constante prs, on a donc : p(x 0:k ) = M~p (x 0:k )
lvaluation de ~p (x 0:k ) soit possible
lon sache gnrer une squence distribue selon une loi g(.) connue une constante prs et
contenant le support de p(.) :
g (x 0:k ) = Qg~ (x 0:k ) , avec Q la constante
~
p (x )
et soit q~ (x 0:k ) = ~ 0:k le quotient des lois prcdemment dfinies, si nous sommes en mesure de
g (x 0:k )
~
p (x )
majorer q~(x 0:k ) en tout x0:k cest dire ~ 0:k c , quelle que soit x0:k, la formulation de lalgorithme
g (x 0:k )
dacceptation/rejet est :

1 - Gnrer une ralisation de y selon la loi g~ (.)


2 - Gnrer une ralisation de u selon la loi uniforme U [ 0,1]
3 - Si u < q~ ( y ) / c accepter y sinon retourner en 1

Tableau 4-1 : Algorithme dacceptation/rejet

Dans la pratique, cet algorithme est limit par, dune part, le fait que la dtermination de la constante c
soit souvent impossible car cette dernire sexprime, notamment dans le contexte de lestimation
baysienne, en fonction de densits inconnues a priori. La deuxime limitation de lalgorithme
dacceptation rejet provient de la valeur de la constante c. Lorsque cette dernire est trop grande, ce
qui intervient en particulier lorsque la loi g(.) est trop diffrente de la loi objectif p(.), la probabilit
dacceptation des variables gnres est trop faible et lalgorithme se rvle trop lent pour produire un
chantillon de taille suffisante.
Si, maintenant, on abandonne lhypothse qui consiste considrer la constante c comme connue, on
aboutit au concept de lchantillonnage pondr

1.2.2 Echantillonnage pondr

Lchantillonnage pondr (IS) [Marshall, 56] reprend les hypothses formules pour lalgorithme
dacceptation/rejet except celle concernant la majoration de q~(x 0:k ) en tout point x0:k. Il consiste
simuler un chantillon partir dune loi g~ (.) connue afin dobtenir au final un chantillon distribu
selon la loi objectif p(.) .
Filtrage particulaire 64

Idalement, si lchantillon est distribu selon la loi p(.) on a lapproximation suivante :


N
1
E p (.) ( f (x 0:k )) f (x
(i )
0:k ) (4-5)
N i =1
Or, par hypothse, lchantillon est distribu selon la loi g~ (.) , donc les valeurs de x0:k pour lesquelles
g~ (x 0:k ) est suprieur p(x 0:k ) sont sur-reprsentes et celles, au contraire, pour lesquelles g~ (x 0:k ) est
infrieur p(x 0:k ) sont sous-reprsentes. Lide consiste alors introduire pour chacune des valeurs
de lchantillon une pondration afin de tenir compte de son poids respectif dans le calcul de
lesprance de f(x0:k), lexpression du poids est alors donne par :
~ (i )
p (x 0:k )
~ (i )
q (x 0:k ) = (4-6)
g~ (x 0:k )
(i )

La formulation de lalgorithme dchantillonnage pondr devient alors :

1 - Gnrer un chantillon (x1 ,, xN ) selon la loi g~ (.)


2 Pondrer chacune des ralisations selon le poids dimportance normalis correspondant :
q~ (x (0i:k) )
q (x (0i:k) ) = N ~

n =1
q (x (i ) )
0:k

Tableau 4-2 : Algorithme dchantillonnage pondr


N

q( x
(i )
Finalement, la loi discrte obtenue : PN (dx 0:k / y 1:k ) = 0:k ) (i ) (dx 0:k ) converge en loi vers la loi
x 0:k
i =1

objectif p(.) [Marshall, 56].


Cette formulation suppose malgr tout que la fonction dimportance g(.) soit une bonne approximation
de la fonction objectif p(.). En effet, supposons que cela ne soit pas le cas, alors loccurrence de
lexistence dun domaine x0:k o g(x0:k) est faible et p(x0:k)f(x0:k) est fort devient importante. Cette
configuration conduit lalgorithme un comportement pathologique d une sous-reprsentation des
valeurs de forte contribution pour le calcul de lesprance de f(x0:k), bien que les poids correspondants
soient levs. Pour schmatiser, les rgions o la fonction dimportance est trop diffrente de la loi
objectif ne sont reprsentes que par quelques lments de poids fort, ce qui conduit un
appauvrissement des tats et donc une mauvaise estimation de (4-5).
Lchantillonnage pondr permet de procder, dans un cas gnral, une estimation des tats par
intgration de Monte-Carlo. Cependant, la ncessit de la prise en compte du cadre baysien, dicte
par la formulation dtat adopte pour notre problmatique, suppose dadapter la procdure en
consquence.

2 Filtrage baysien
Ce paragraphe traite de ladaptation de lchantillonnage dimportance ou pondr au cadre baysien,
de son volution vers lchantillonnage pondr squentiel et enfin du concept de filtrage particulaire.

2.1. Echantillonnage pondr baysien


Lestimation de systmes dynamiques est conduite partir de mesures bruites. Les phnomnes
physiques peuvent tre reprsents par un modle mathmatique qui dcrit lvolution du systme au
cours du temps, les grandeurs caches (non directement observes) sont qualifies d tats cachs .
De mme, l observation permet de caractriser linteraction des tats cachs et des mesures
bruites. Une formulation globale, connue sous le nom de reprsentation dtat, permet dunifier ces
deux concepts laide des deux quations suivantes :
65 Filtrage particulaire

xk ~ p( xk x 0:k 1 )
(4-7)
yk ~ p( yk xk )
xk et yk reprsentent respectivement les tats cachs et les observations et p( xk x 0:k 1 ) et p( yk xk ) leurs
densits de probabilit. On considre galement connue la densit priori p( x0 ) .
On fait, en gnral, deux hypothses supplmentaires concernant le modle :
k +1
Le modle dvolution est un processus markovien : p( x
p(x 0:k +1 ) = p ( x0 )
j =1
j x j 1 )

les observations sont indpendantes conditionnellement aux tats :


k +1
p(y1:k +1 x 0:k +1 ) = p( y
j =1
j xj)

Lintroduction de lchantillonnage pondr baysien est issu de [Robert, 1996] et de [Doucet, 1997].
Lobjectif est destimer la distribution a posteriori p(x 0:k y 1:k ) . Nous choisirons donc la distribution
dimportance multivarie g (x 0:k y 1:k ) , partir de laquelle la simulation dchantillons est aise.
Supposons x0:k distribu selon p(. y1:k ) alors on a :

p(x 0:k y1:k )


E p (. y1:k ) ( f (x 0:k )) = f (x 0:k ) g (x 0:k y1:k )dx 0:k
g (x 0:k y1:k ) (4-8)
= E g (. y1:k ) (q(x 0:k ) f (x 0:k ))
avec :

p(x 0:k y1:k )


q(x 0:k ) = (4-9)
g (x 0:k y1:k )
et soit IN ( f ) un estimateur de E p (. y1:k ) ( f (x 0:k )) , alors :
N
1
IN ( f ) =
N
q(x
i =1
(i )
0:k ) f (x (0i:k) ) (4-10)

Les poids dimportance peuvent encore scrire, en appliquant la rgle de Bayes, de la manire
suivante :
(i ) (i )
(i )
p (y1:k x 0:k ) p (x 0:k )
q (x 0:k ) = (i )
(4-11)
p (y1:k ) g (x 0:k y1:k )
Lestimateur donn par la relation (4-10) est inadapt au contexte baysien dans la mesure o le calcul
des poids dimportance suppose la constante de normalisation p(y 1:k ) sinon connue du moins
calculable. Or, dans le cas gnral, p(y 1:k ) nadmet pas dexpression analytique.
La relation (4-8) donne une expression de lesprance de f (x 0:k ) dlivre partir de ralisations
distribus selon la loi objectif p(. y 1:k ) en fonction de lesprance calcule partir dun chantillon
pondr par les poids dimportance et distribu selon g (. y 1:k ) .
En appliquant la rgle de Bayes, on obtient,
p (y1:k x 0:k ) p (x 0:k )
E p (. y1:k ) ( f (x 0:k )) = f (x 0:k ) g (x 0:k y1:k )dx 0:k (4-12)
p(y1:k ) g (x 0:k y1:k )
si lon tient compte de la relation (4-11) transpose au domaine continu, on aboutit finalement :
Filtrage particulaire 66

1
p(y1:k )
E p (. y1:k ) ( f (x 0:k )) = f (x 0:k ) w(x 0:k ) g (x 0:k y1:k ) dx 0:k
(4-13)
p (y1:k x 0:k ) p (x 0:k )
avec w(x 0:k ) =
g ( x 0:k y1:k )
de mme,
p(y1:k x 0:k ) p(x 0:k )
p(y1:k ) = p(y1:k x 0:k ) p(x 0:k )dx 0:k = g (x 0:k y1:k )dx 0:k (4-14)
g (x 0:k y1:k )
do,

p (y1:k ) = w(x 0:k ) g (x 0:k y1:k )dx 0:k (4-15)


Et finalement, en remplaant (4-15) dans (4-13) :

E p (. y1:k ) ( f (x 0:k )) =
f (x )w(x ) g (x
0:k 0:k 0:k y1:k )dx 0:k
=
E g ( x0:k y1:k ) ( f (x 0:k ) w( x 0:k ))
(4-16)
w(x ) g (x y
0:k 0:k 1:k ) dx 0:k E g ( x0:k y1:k ) ( w(x 0:k ))

On obtient un estimateur IN ( f ) de E p (. y1:k ) ( f (x 0:k )) simplement partir des estimateurs des numrateur
et dnominateur du quotient donn par la relation (4-16).

1 / N i=1 f (x 0:k ) w(x 0:k )


N (i ) (i )

IN ( f ) = ~ (x ) f (x )
= j =1 w
N (i ) (i )

1 / N j =1 w(x 0:k )
N ( j) 0:k 0:k

(4-17)
(i )
~(x (i ) ) = w(x 0:k )
avec w

0:k N ( j)
j =1
w(x 0:k )
Si lon considre les relations (4-10) et (4-17), il savre que la formulation de lchantillonnage
dimportance baysien se dduit de lchantillonnage dimportance, dans le cas gnral, par le
(i )
remplacement des poids dimportance q(x 0:k ) par lestimateur dfini ci-aprs.
On a daprs (4-11) et (4-13) :
(i ) 1 (i )
q ( x 0:k ) = w(x 0:k ) (4-18)
p ( y1:k )
(i ) (i )
Un estimateur q k de q(x 0:k ) est obtenu partir dun estimateur de p (y 1:k ) ,

(i ) 1 (i )~ (x ) (i )
q k = w( x 0:k ) = Nw 0:k (4-19)
1

N ( j)
j =1
w( x 0:k )
N
Si on sintresse aux chantillons, on saperoit sans difficults que leur distribution tend vers la loi :
N
~ (x ( i ) ) (dx )
PN (dx 0:k y1:k ) = w (4- 20)
0:k x
(i ) 0:k
0:k
i =1
Lchantillonnage dimportance constitue donc une vritable mthode de simulation de lois.
La limitation demploi de cet algorithme provient de la ncessit de calculer, chaque rcurrence du
filtre, lensemble de la squence dtat pour la mise jour des poids dimportance. On aboutit
rapidement une explosion de la charge de calcul qui a pour effet de rendre inapplicable, en pratique,
un tel algorithme. Il est cependant possible, moyennant une perte substantielle de gnralit
concernant la fonction dimportance, dobtenir une formulation squentielle de lchantillonnage
pondr.
67 Filtrage particulaire

2.2. Echantillonnage dimportance baysien squentiel


Il est possible de modifier la mthode dchantillonnage pondr permettant lestimation de la
distribution a posteriori sans engendrer de modification des trajectoires passes x 0:k 1 : i = 1,, N . Il { (i )
}
suffit pour cela que la distribution dimportance lindice k admette comme distribution marginale
lindex k-1 la fonction dimportance g (x 0:k 1 y1:k 1 ) , do :

g (x 0:k y1:k ) = g (x 0:k 1 y1:k 1 ) g ( xk x 0:k 1 , y1:k ) (4-21)


Par itration, on obtient :
k
g (x 0:k y1:k ) = g ( x0 ) g ( xi x 0:i1y1:i ) (4-22)
i =1
Ce qui, compte tenu de lindpendance des observations conditionnellement aux tats et du caractre
markovien du processus dtat, permet dexprimer les poids dimportance sous une forme rcursive.

On peut rsumer les hypothses :


Une distribution d'importance telle que : g (x 0:k +1 y1:k +1 ) = g (x 0:k y1:k ) g ( xk +1 x 0:k , y1:k +1 )
k +1
Un systme dynamique markovien : p(x 0:k +1 ) = p ( x0 ) p( x
j =1
j x j 1 )

k +1
Des observations indpendantes conditionnellement aux tats : p(y1:k +1 x 0:k +1 ) = p( y
j =1
j xj)

Les poids d'importance non normaliss de l'chantillonnage d'importance baysien sont donns par :
p(y 1:k +1 x 0:k +1 ) p(x 0:k +1 )
w(x 0:k +1 ) =
g (x 0:k +1 y 1:k +1 )
soit:
p ( y k +1 xk +1 ) p ( xk +1 xk ) p (y 1:k x 0:k ) p (x 0:k ) p ( y k +1 xk +1 ) p ( xk +1 xk )
w(x 0:k +1 ) = = w(x 0:k ) (4-23)
g ( xk +1 x 0:k , y 1:k +1 ) g (x 0:k y 1:k ) g ( xk +1 x 0:k , y 1:k +1 )

On tablit ainsi une relation qui permet d'obtenir les poids d'importance de manire squentielle sans
qu'il soit ncessaire de recalculer, chaque rcurrence, l'ensemble des trajectoires.
La figure 4-1 donne lalgorithme de lchantillonnage dimportance baysien squentiel, encore appel
(i ) (i )
SIS (Sequential Importance Sampling), o afin dallger les notations : wk = w(x 0:k )

1 Initialisation :
(i ) (i )
(i ) (i )
p ( y1 x0 ) p ( x0 )
Pour i=1,,N gnrer x 0 ~ g ( x0 ) avec w0 (i )
g ( x0 )
(i )
~ (i ) = w0
Normaliser les poids dimportance w

0 N (i )
i =1
w0
2 Pour k=1,,K
Propager les particules :
(i ) (i ) (i ) (i ) (i )
Pour i=1,,N, gnrer xk ~ g ( xk x 0:k 1 , y1:k ) et x 0:k = ( x 0:k 1 , xk )
Mettre jour des poids :
Pour i=1,,N, valuer les poids dimportance :
Filtrage particulaire 68

(i ) (i ) (i )
(i ) (i )
p ( yk xk ) p( xk xk 1 )
wk wk 1 (i ) (i )
g ( xk x 0:k 1 , y1:k )
(i )
~ (i ) = wk
Pour i=1,,N, normaliser les poids dimportance w

k N (i )
w
i =1 k
Sortie de lalgorithme : le nuage de particules associes leurs poids respectifs
N (i ) ~ (i )
S k = (x 0:k , wk ) i =1,..., N permet dapprocher la loi a posteriori :
N
p(x 0:k y1:k ) w
~ (dx ) (i )
k x
(i ) 0:k
0:k
i =1
et de manire gnrale pour toute fonction intgrable par rapport p(x 0:k y1:k ) :
N
~ (x )
E[ (x 0:k )] w
(i ) (i )
k 0:k
i =1

Figure 4-1 : Algorithme de lchantillonnage dimportance squentiel

Lchantillonnage pondr squentiel, bien que sduisant dans son principe, nen demeure pas moins
ntre quune version contrainte de lchantillonnage dimportance. Il souffre des limitations de
lchantillonnage dimportance et notamment dun problme de dgnrescence du poids des
particules d laugmentation invitable de leur variance mise en vidence par Kong, Liu et Wong
[Kong, 1994]. Ainsi au bout de quelques rcurrences, on constate que les poids normaliss des
particules tendent vers 0 et que seul le poids dune particule tend vers 1. Evidemment, dans ces
conditions, lestimation de la densit a posteriori en est gravement affecte.

Pour pallier cet inconvnient qui constitue un dysfonctionnement notoire du filtre, plusieurs approches
ont t proposes. La plus intuitive consiste augmenter artificiellement le nombre de particules, cette
option est rarement couronne de succs et ne fera donc pas lobjet de dveloppements
complmentaires. Deux autres mthodes sont cependant souvent utilises : le choix dune distribution
dimportance adquate et lintroduction dune tape de r-chantillonnage sense amliorer la
diversit des tats. Nous examinons successivement les grandes lignes de ces solutions, chacune
dentre elles ayant fait lobjet de nombreux dveloppements.

2.3. Choix dune distribution dimportance adquate


Afin de limiter laugmentation de la variance des poids dimportance, Doucet [Doucet, 1997] cherche
lexpression dune distribution dimportance qui minimise cette variance conditionnellement aux
mesures et aux tats passs.

2.3.1 La distribution dimportance optimale

Daprs lexpression squentielle (4-23) des poids dimportance non normaliss de lchantillonnage
baysien, on tablit :
(i ) (i ) (i )

{ }= w
(i ) (i )
p( yk xk ) p( xk x k 1 ) (i ) (i ) (i ) (i ) (i )
E g (. y1:k ,x0:k ) wk k 1 (i ) (i )
g ( xk y1:k , x 0:k 1 )dxk =wk 1 p( yk xk 1 ) (4-24)
g ( xk y1:k , x 0:k 1 )
Dune manire tout fait analogue, il est possible dtablir lexpression de la variance conditionnelle
des poids dimportance.
69 Filtrage particulaire

{ }= E
(i )
varg (. y1:k ,x0:k ) wk g (. y1:k ,x0:k )

k ( ) (
w( i ) 2 E


g (. y1:k ,x0:k )
(i )
wk { }) 2

2 (i ) 2 (i ) (i )

( ) ( ) p (y
(i ) 2
p ( yk xk ) p ( xk xk 1 ) (i ) (i ) (i ) 2 2 (i )
= wk 1 2 (i ) (i )
g ( xk y1:k , x 0:k 1 )dxk wk k xk 1 ) (4-25)
g ( xk y1:k , x 0:k 1 )

p 2 ( y x (i ) ) p 2 ( x (i ) x (i ) )
( )
= wk 1
(i ) 2
2
k k

(i )
k

(i )
k 1 (i ) 2 (i )
dxk p ( yk xk 1 )
g ( xk y 1:k , x 0:k 1 )

Par ailleurs, en appliquant Bayes, il vient :
(i ) (i ) (i )
(i ) (i )
p( yk xk ) p ( xk xk 1 )
p( xk yk , xk 1 ) = (i )
(4-26)
p( yk xk 1 )
La variance est nulle et donc minimale si :
2 (i ) 2 (i ) (i )
p ( yk xk ) p ( xk xk 1 ) (i ) 2 (i )
2 (i )
g ( xk y1:k , x 0:k 1 )
(i )
dxk = p ( yk xk 1 )

cest dire,
2 (i ) 2 (i ) (i )
p ( yk xk 1 ) p ( xk yk , xk 1 ) (i ) 2 (i )
2 (i )
g ( xk y1:k , x 0:k 1 )
(i )
dxk = p ( yk xk 1 )

soit,
2 (i ) (i )
p ( xk yk , xk 1 ) (i )
g 2 (i )
( xk y1:k , x 0:k 1 )
(i )
dxk =1 do g ( xk( i ) y1:k , x (0i:k) 1 ) = p( xk( i ) yk , xk( i)1 ) (4-27)

La distribution dimportance g ( xk y 1:k , x 0:k 1 ) = p( xk y k , xk 1 ) est connue comme tant la distribution


dimportance optimale au sens de la minimisation de la variance, conditionnellement aux mesures et
aux tats passs, des poids dimportance.
Il reste tablir lexpression des poids dimportance lorsque la fonction de proposition est la fonction
dimportance optimale.

2.3.2 Poids dimportance pour la fonction dimportance optimale

En reprenant la relation (4-27) qui donne lexpression squentielle des poids dimportance adapte la
fonction dimportance optimale, il vient.
(i ) (i ) (i )
(i ) (i )
p ( yk xk ) p( xk xk 1 )
wk = wk 1 (i ) (i )
(4-28)
p( xk yk , xk 1 )
En utilisant (4-26) et en remplaant dans (4-28), on obtient immdiatement lexpression des poids
dimportance lorsque la distribution de proposition nest autre que la distribution dimportance
optimale.
(i ) (i ) (i )
wk = wk 1 p ( yk xk 1 ) (4-29)
Filtrage particulaire 70

On constate que le poids dune particule un instant k est indpendant de la valeur propose de la
particule au mme instant. Les calculs de propagation du nuage particulaire peuvent donc tre mens
indpendamment de la dtermination des poids dimportance. Cette indpendance est de nature
faciliter une implmentation algorithmique de type parallle.
La mise en uvre du filtre partir de la distribution dimportance optimale requiert dtre en mesure
de simuler des chantillons distribus selon la loi p( xk y k , xk 1 ) . Par ailleurs, le calcul des poids
dimportance non normaliss ncessite de pouvoir valuer, une constante de normalisation prs,
p( yk / xk( i)1 ) . Lorsque le modle est bruit additif gaussien et que lquation de mesure est linaire, la
distribution dimportance est alors une fonction gaussienne dont les paramtres admettent une
expression analytique. La simulation dchantillons ne pose donc gure de problmes. De plus, le
calcul des poids dimportance peut tre effectu de manire explicite. Dans de nombreux autres cas, de
tels calculs ne sont pas possibles et par consquent diverses stratgies, sous optimales, ont t
imagines pour surmonter cette difficult, nous en donnerons quelques exemples dans leurs grandes
lignes.

Un second avantage sous-jacent lutilisation de la fonction dimportance optimale, est que la


propagation du nuage est conditionne par la mesure linstant courant, ce qui contribue a guider les
particules vers les zones forte vraisemblance.

2.3.3 Techniques dchantillonnage partir de la distribution dimportance optimale

On examine les techniques utilises pour gnrer un chantillon distribu selon la distribution
dimportance optimale lorsquil nest pas possible de le faire directement et lorsque le calcul des poids
dimportance ne peut seffectuer explicitement.

a. Approximation de la fonction dimportance optimale par Monte-Carlo

Sous rserve que la vraisemblance soit borne, il est possible dchantillonner selon la distribution
dimportance optimale partir dune procdure dacceptation/rejet. Nanmoins, il est impossible de
prvoir le nombre ditrations ncessaires pour lobtention dune variable alatoire distribue selon
p( xk( i ) / y k , xk( i)1 ) puisque la vitesse de convergence de lalgorithme est intimement lie au taux
dacceptation des chantillons. Ainsi, pour des applications de type squentiel, labsence de la
connaissance a priori de la charge de calcul peut se rvler problmatique.
Les mthodes de Monte-Carlo permettant de gnrer des chantillons distribus selon une loi objectif
sont thoriquement envisageables, les plus courantes tant lchantillonnage pondr et les mthodes
MCMC et dune manire gnrale toutes les techniques permettant de simuler suivant p( xk(i ) / y k , xk(i)1 )
et/ou de calculer p( yk / xk(i)1 ) . Malheureusement, le cot algorithmique, en termes de charge de calcul,
est bien souvent rdhibitoire pour envisager une application squentielle. Les mthodes MCMC sont
tout de mme utilises dans la cadre des algorithmes particulaires essentiellement afin damliorer la
diversit des particules senses reprsenter la distribution a posteriori. Dans ce cas, il ne sagit non
plus de gnrer un chantillon distribu selon une loi donne mais dappliquer une seule itration un
chantillon dj distribu selon le noyau invariant afin damliorer lexploration de ltat.

b. Distribution dimportance optimale obtenue par linarisation locale

Les mthodes de linarisation locale permettent dobtenir une approximation sous-optimale de la


distribution dimportance optimale. Dans ce cas, la distribution dimportance est suppose tre une
fonction gaussienne. Les paramtres de la fonction gaussienne en question sont dtermins au moyen
dun filtre de Kalman tendu (Extended Kalman Filter) obtenu par linarisation locale autour de
chacune des particules et conditionnellement la mesure.
Une autre approche possible consiste utiliser la transformation unscented [Wan, 2000] pour
approcher la distribution dimportance optimale. Nous prterons une attention particulire cette
71 Filtrage particulaire

dernire mthode car les travaux effectus dans le cadre de lextraction de PRI agiles lutilisent
systmatiquement pour traiter les modulations non linaires.
Ladaptation de la transformation unscented un algorithme destimation rcursive dans le cas gnral
impose la concatnation des diffrents bruits dans le vecteur dtat. Il est cependant possible, lorsque
les bruits sont purement additifs et centrs, de simplifier notablement lalgorithme rsultant en vitant
laugmentation de la taille du vecteur dtat. La problmatique du dsentrelacement, compte tenu des
modles retenus, nous placera prcisment dans la configuration de bruits additifs centrs. Les
gnralits sur la transformation unscented, son adaptation la problmatique du filtrage, son
implmentation dans le cadre de lchantillonnage baysien squentiel ainsi que diverses
amliorations sont regroupes dans le paragraphe consacr lapplication des mthodes particulaires
lextraction du prsent chapitre.

2.3.4 Distribution dimportance a priori

De lavis de certains auteurs (S.Arulampalam, S Maskell, N. Gordon et T. Clapp [Arulampalam,


2002]), le cot algorithmique requis, en termes de capacits de calcul, lors de la mise en uvre de
lchantillonnage dimportance squentiel partir de la fonction dimportance optimale reste suprieur
au gain procur par la rduction possible du nombre dchantillons simuls ncessaires pour atteindre
un niveau de performance donn. Selon eux, il est souvent prfrable dutiliser la fonction
dimportance a priori suivante :

g ( xk( i ) x1(:ik) 1 , y1:k ) = p( xk xk( i)1 ) (4-30)


Dans ces conditions, lexpression des poids dimportance est donne par :

wk(i ) = wk( i)1 p( yk xk(i ) ) (4-31)


Linconvnient dune telle procdure apparat clairement. Dans le cas o la distribution prdite ne
concide pas avec la vraisemblance, le risque est dassister une dgnrescence irrversible des tats
en raison de la concentration des particules dans des zones de faible vraisemblance. Cette mthode,
semble donc particulirement sensible aux mesures aberrantes.
Cependant, des techniques spcifiques permettent de limiter limpact de tels comportements. Elles
consistent diriger les particules vers les zones privilgies en utilisant des distributions
intermdiaires entre la distribution prdite et la vraisemblance, [Clapp, 2001], [Oudjane, 2000].

2.4. Techniques de r-chantillonnage


La seconde grande catgorie de mthodes utilises pour limiter laugmentation de la variance des
poids dimportance et ainsi viter la dgnrescence de lchantillonnage dimportance squentiel
baysien est de procder un r-chantillonnage des particules.
Lide consiste liminer les trajectoires de poids normaliss faibles, et, multiplier les trajectoires
dont les poids normaliss sont importants afin de concentrer le nuage particulaire sur les particules
de poids les plus forts.
Gordon & al [Gordon, 1993] ont, les premiers, introduit une tape de r-chantillonnage dans le cadre
de lchantillonnage dimportance squentiel.
Cette tape de r-chantillonnage, aussi appele tape de slection, permet dassocier chaque

N
particule x (0i:k) un nombre de particules filles N k(i ) tel que : N k( i ) = N . On peut assimiler le r-
i =1

~
chantillonnage la transformation de la mesure pondre discrte x1:k , w k { (i ) (i )
} en une mesure qui-
{
pondre discrte x , N .
(i )
1:k
1
}
Les mthodes potentielles sont, a priori, extrmement nombreuses. Cependant dans la plupart des
publications, le schma de slection retenu respecte le postulat suivant : E {N k( i ) } = Nw
~ ( i ) . Les mthodes
k

possdent des performances diffrentes concernant la variance var{N k(i ) } . Classiquement, trois
techniques de r-chantillonnage sont utilises : r-chantillonnage multinomial, r-chantillonnage
rsiduel et r-chantillonnage variance minimale.
Filtrage particulaire 72

2.4.1 R-chantillonnage multinomial

La premire tape de la procdure consiste construire la fonction de rpartition des particules du


nuage. En abscisse, figure lindex de la particule et, en ordonne, son poids cumul celui de toutes
les particules prcdentes, i.e. les particules de numro dindex infrieur, voir figure 4-2.

0.9

0.8

N-1
0.7

0.6 w(j)
0.5

0.4

0.3

0.2

0.1

0
1 2 3 4 5 6 7 8 9 10

Figure 4-2 : Echantillonnage multinomial

Ltape suivante procde au tirage successif de lindex de N particules. Pour ce faire, on tire N
nombres appartenant lintervalle [0,1] et distribus selon une loi uniforme. Supposons que la
situation reprsente sur la figure 4-2 corresponde au r-chantillonnage de la particule dindex i. En
effectuant un tirage alatoire, selon la loi uniforme sur [0,1], le nombre extrait est environ 0.57, ce
dernier est ensuite projet sur la fonction de rpartition, lintersection donne lindex j (ici 7) dune
particule qui est conserve comme nouvel chantillon dindice i. Son poids est rinitialis la valeur
1/N. La probabilit de tirer une particule quelconque chacun des tirages correspond son poids
~ ( j ) . Il apparat clairement que leffectif de la descendance dune particule donne (aprs
normalis wk

r-chantillonnge) est proportionnel au poids normalis de la particule. Globalement les effectifs N k(i )
des particules, lissue du r-chantillonnage, correspondent une ralisation de la loi multinomiale
~ (i ) avec i=1,,N. La variance de leffectif de la descendance dune particule i est
de paramtres N et wk

~ (i ) :
donne par la relation classique de la variance dune loi binomiale de paramtres N et wk

{ }= Nw~
var N k
(i ) (i )
k
~ (i ) )
(1 wk (4-32)
Les autres mthodes de r-chantillonnage voques ci-aprs prsentent des variances moindres.

2.4.2 Le r-chantillonnage rsiduel

Cette procdure comprend deux tapes successives : la premire est dterministe et la seconde est
base sur lchantillonnage multinomial dcrit prcdemment.
Dans un premier temps, le nombre de descendants dune particule i est fix de manire
~
dterministe la partie entire de lesprance cest dire : N k = Nw k
~ (i )
(i )

On ralise ensuite un r-chantillonnage multinomial des particules restantes au nombre de
~ (n)

N
N N k (afin de conserver un nombre de particules constant au cours des rcurrences).
n =1

Le poids respectif de chacune des particules est fix N



N

n =1
N k Nw

(
k Nk )
~ ( n ) 1 ~ ( i ) ~ ( i )
, cest
dire une valeur proportionnelle la partie non entire de lesprance du nombre de
descendants de la particule i.
73 Filtrage particulaire

Finalement, le nombre de descendants dune particule i quelconque correspond la partie entire de


~ (i )
son esprance N k ajout au nombre de fois o la particule en question a t slectionne au cours de
la seconde phase de r-chantillonnage.
La variance du nombre de descendants dune particule est alors donne uniquement par la variance
introduite dans la seconde phase, compte tenu du caractre dterministe de la premire phase.
~ (i ) ~ (i )
( )
~ (i ) N ~ (i ) N
var N{ } (i ) ~ ( n ) ( Nw
= N n=1 N k
N k k )
N ~ ( n)
1
( Nwk k )
N ~ (n)
(4-33)
( N n=1 N k ) ( N n=1 N k )
k

La variance est obtenue dune manire similaire celle obtenue dans le cas du r-chantillonnage
mutinomial, cest dire partir de lexpression gnrale de la variance dune loi binomiale dont les
paramtres sont : N
N

n =1
~ (n)
N k et N

N

n =1
N k Nw

(k Nk )
~ ( n ) 1 ~ ( i ) ~ ( i )
.

2.4.3 R-chantillonnage variance minimale

Les mthodes considres ici limitent la diffrence 1 entre le nombre de descendants effectifs dune
particule et le nombre thorique. En guise dexemple, on peut citer le r-chantillonnage stratifi
[Kitagawa, 1996] qui entre dans cette catgorie. La procdure est relativement simple : il suffit
dchantillonner lintervalle [0,1] laide de N points espacs de N -1, puis de considrer les poids
dimportance normaliss comme des intervalles contigus de [0,1]. Le nombre de descendants N k(i ) de
chacune des particules est alors donn par le nombre de points contenus dans lintervalle

~( j) .
i 1
~( j) ;
w
i
w
j =1 k j =1 k

En utilisant les notations dfinies pour le r-chantillonnage rsiduel, pour chaque particule, le nombre
~ (i ) (i ) ~ (i )
de descendants peut prendre deux valeurs soit N k (partie entire de lesprance de N k ) soit N k + 1 .
~ N
La loi suivie par le nombre de descendants est donc une loi de Bernoulli de paramtre Nwk k ( (i ) ~ (i )
) et
(i )
qui reprsente la partie dcimale de lesprance de N . Lexpression de la variance du nombre dek

descendants dune particule sen dduit :

{ }= (Nw~
var N k
(i ) (i )
k
~ (i )
)( (
N k 1 Nwk
~ (i )
~ (i ) N
k )) (4-34)

La variance obtenue par cette mthode est infrieure celle obtenue par la mthode du r-
chantillonnage rsiduel.

Le panel des mthodes prsentes, dans le cadre du r-chantillonnage, ne saurait prtendre aucune
exhaustivit. Dautres mthodes ont t proposes dans la littrature avec des performances similaires.
Certaines mme peuvent prsenter des inconvnients non encore voqus comme, par exemple, un
nombre variable de particules au cours des rcurrences.
Selon Merwe & al [Merwe, 2000], la mthode de r-chantillonnage utilise ninflue pas
significativement sur le rsultat final. Cependant, un autre critre semble plus problmatique : il sagit
de la frquence laquelle est effectu ce r-chantillonnage. Nous mentionnons les rsultats obtenus
en la matire par divers chercheurs.

3 Echantillonnage pondr squentiel avec r-chantillonnage


En dfinissant une structure gnrique base sur lalgorithme SIS, auquel on ajoute une tape de r-
chantillonnage, lalgorithme obtenu est couramment dsign sous lacronyme de SIR pour Sampling-
Importance Resampling, et constitue le fondement des mthodes squentielles de Monte-Carlo
(MSMC) encore appeles filtres particulaires . Ces mthodes consistent reprsenter la loi a
posteriori p(x 0:k / y1:k ) par une mesure discrte constitue dune somme finie de masses de Dirac
Filtrage particulaire 74

cumules en des points dnomms particules et pondres par un coefficient appel poids
dimportance . Les mthodes particulaires permettent de faire voluer le nuage de particules et les
poids associs en utilisant rcursivement lchantillonnage pondr associ une technique de r-
chantillonnage. Un maillage stochastique et adaptatif de lespace dtat est ainsi mis en oeuvre.

3.1. Formulation du SIR


Le figure 4-3 donne la structure dun filtre particulaire gnrique dont ltape de r-chantillonnage est
ralise chaque rcurrence.

1. Initialisation :
(i ) (i )
Pour i=1,,N gnrer x 0 ~ p ( x 0 ) avec w0 = 1 / N
2. Pour k=1,,K
Propagation des particules :
Pour i=1,,N, gnrer xk ~ g ( xk x 0:k 1 , y1:k ) et ~
(i ) (i ) (i ) (i ) (i )
x0:k = (x 0:k 1 , xk )
Mise jour des poids :
Pour i=1,,N, valuer les poids dimportance :
(i ) (i ) (i )
(i )
p( yk xk ) p( xk xk 1 )
wk (i ) (i )
g ( xk x 0:k 1 , y1:k )
(i )
~ (i ) = wk
Pour i=1,,N, normaliser les poids dimportance w

k N (i )
i =1
wk
R-chantillonnage :
Pour i=1,,N, tirer avec remise x 0:k parmi ~
(i ) (i )
x 0: k ( ) i =1,..., N
avec une probabilit
~ ( i ) et fixer le nouveau poids dimportance 1/N.
wk

x ( i ) ~ N w~ ( i )
0:k i =1 k ~ (i )
x0:k
(i )
wk = 1 / N
Sorties de lalgorithme : le nuage de particules associes leurs poids respectifs
N (i ) 1
S k = (x 0:k , N )i=1,..., N permet dapprocher la loi a posteriori :
N
1
p(x 0:k y1:k )
N

i =1
(i)
x0:k
(dx 0:k )

et de manire gnrale pour toute fonction intgrable par rapport p (x 0:t y1:t ) :
N
1
(x
(i )
E[ (x 0:k )] 0:k )
N i =1

Figure 4-3 : Echantillonnage pondr squentiel avec r-chantillonnage systmatique

Il convient de mentionner que le r-chantillonnage ne comporte pas uniquement des aspects positifs
comme nous pourrons le mettre en vidence dans le paragraphe suivant.
75 Filtrage particulaire

3.2. Inconvnients du r-chantillonnage


Bien que ltape de r-chantillonnage permette de limiter la dgnrescence de lalgorithme en
limitant laugmentation de la variance des poids dimportance, son caractre stochastique introduit des
erreurs. De plus, limplmentation parallle est rendue plus complexe en raison du r-chantillonnage
qui rompt lvolution structure du nuage et impose par consquent limplmentation de procdures
spcifiques (augmentation du temps de calcul) [Doucet, 1997] afin dassurer le transfert de particules
entre modules de traitement. Dun point de vue plus thorique, la mise en uvre de ltape de r-
chantillonnage rompt lindpendance des particules et ne permet plus dutiliser les thormes
classiques concernant la convergence (thorme central limite ou loi des grands nombres). Dans le cas
particulier o le r-chantillonnage des particules est effectu de manire systmatique, des rsultats
de convergence ont nanmoins t tablis [Berzuini, 1997].

De plus, Hue [Hue, 2003] a montr que lchantillonnage systmatique effectu chaque rcurrence
est entach, par rapport un chantillonnage adaptatif, de dfauts importants :
Appauvrissement plus prononc du nuage.
Estimes fournies par le filtre moins fiables.
Charge de calcul notoirement plus importante.
Lidal est de raliser un compromis concernant la frquence du r-chantillonnage en ne faisant
intervenir ce dernier que lorsque cela savre ncessaire. Cette manire de procder permet aux
particules dexplorer lespace au cours de plusieurs rcurrences avant dtre ventuellement
supprimes. Le critre le plus couramment utilis et qui conditionne ltape de r-chantillonnage est
la taille effective de nuage : N eff dfinie par la relation (4-35).

1
N eff = (4-35)
~
i=1 w(x (0i:k) ) 2
N

Ltablissement de son expression figure en annexe 2. Il donne la taille quivalente du nuage engendr
par la distribution dimportance au nuage gnr partir de la distribution objectif.
Lchantillonnage adaptatif consiste alors ne r-chantillonner les particules que lorsque lestimateur
de la taille effective N eff est infrieur un seuil donn.
Les points ngatifs lis ltape de r-chantillonnage tant compenss par les avantages procurs, le
SIR est souvent dot dun r-chantillonnage adaptatif des particules.

3.3. SIR r-chantillonnage adaptatif


La figure 4-4 donne le synoptique de lalgorithme SIR incluant une tape de r-chantillonnage
adaptatif.

1. Initialisation :
(i ) (i )
Pour i=1,,N gnrer x 0 ~ p ( x0 ) avec w0 = 1 / N
2. Pour k=1,,K

Propagation des particules :


Pour i=1,,N, gnrer xk ~ g ( xk x 0:k 1 , y1:k ) et ~
(i ) (i ) (i ) (i ) (i )
x0:k = ( x 0:k 1 , xk )
Mise jour des poids :
Pour i=1,,N, valuer les poids dimportance :
(i ) (i ) (i )
(i )
p ( yk xk ) p( xk xk 1 ) (i )
wk (i ) (i )
wk 1
g ( xk x 0:k 1 , y1:k )
Filtrage particulaire 76

(i )
~ (i ) = wk
Pour i=1,,N, normaliser les poids dimportance w

k N ( j)
j =1
wk
R-chantillonnage :
1
Evaluer la taille effective de lchantillon N eff =

N
n =1
(w~ )
n 2
k

x ( i ) ~ N w ~ ( i )

sinon x 0:k = ~
0:k k ~ (i ) (i ) (i )
si N eff < N seuil alors pour i=1,,N,
i =1 x0:k
x0:k et
wk( i ) = 1 / N

les poids dimportance w = w


(i ) ~ (i ) restent inchangs.
k k

Sorties de lalgorithme : le nuage de particules associes leurs poids respectifs


S kN = (x (0i:k) , wk( i ) )i=1,..., N permet dapprocher la loi a posteriori :
N
p (x 0:k y1:k ) wk( i ) x( i ) (dx 0:k )
0:k
i =1

et de manire gnrale pour toute fonction intgrable par rapport p (x 0:t y1:t ) :
N
E[ (x 0:k )] wk( i ) (x (0i:k) )
i =1

Figure 4-4 : Echantillonnage pondr squentiel avec r-chantillonnage adaptatif

Avant de se pencher sur les diffrentes volutions et variantes proposes pour le SIR, nous dtaillons
les tapes du filtre particulaire connu sous la terminologie de Bootstrap.

3.4. Le bootstrap
Supposons que dans le cadre de lchantillonnage pondr squentiel, nous choisissions, comme
distribution dimportance, la loi dvolution a priori du systme :
g ( xk x 0:k 1 , y1:k ) = p ( xk xk 1 ) (4-36)
Lexpression des poids dimportance des mesures devient alors :

wk( i ) = p( yk xk( i ) ) wk( i)1 (4-37)


En adaptant la procdure SIR aux hypothses prsentes, on dduit le synoptique du Bootstrap.

3.4.1 Synoptique

La figure 4-5 donne le synoptique du bootstrap qui constitue un exemple de SIR chantillonnage
systmatique trs populaire dans de multiples domaines.

1. Initialisation :
(i ) (i )
Pour i=1,,N gnrer x 0 ~ p ( x0 ) avec w0 = 1 / N
2. Pour k=1,,K
Propagation des particules :
Pour i=1,,N, gnrer ~
xk ~ p( xk xk 1 ) et ~
(i ) (i ) (i ) (i ) (i )
x0:k = ( x 0:k 1 , xk )
Mise jour des poids :
77 Filtrage particulaire

Pour i=1,,N, valuer les poids dimportance wk( i ) p ( yk ~


xk( i ) )
(i )
~ (i ) = wk
Pour i=1,,N, normaliser les poids dimportance w

k N ( j)
w
j =1 k

R-chantillonnage :
Pour i=1,,N, tirer avec remise x (0i:)k parmi (~
x0( i:k) )i =1,..., N proportionnellement
~ (i ) )
aux poids ( wk i =1,..., N

Sorties de lalgorithme : le nuage de particules associes leurs poids respectifs


S kN = (x (0i:k) ,1 / N )i=1,..., N permet dapprocher la loi a posteriori :
N
1
p(x 0:k y1:k )
N

i =1
x(0i:k)
(dx 0:k )

et de manire gnrale pour toute fonction intgrable par rapport p (x o:k y1:k ) :
N
1
E[ (x 0:k )]
N
(x
i =1
(i )
0:k )

Figure 4-5 : Synoptique du Bootstrap

Le filtre Bootstrap possde quelques proprits intressantes qui justifient lintrt qui lui est port :
Il est rapidement et facilement implantable.
Il est aisment adaptable un nouveau problme : il suffit de modifier, au niveau du
programme, la distribution dimportance ainsi que les poids dimportance.

3.4.2 Principe de mise en oeuvre

La figure 4-5 expose schmatiquement les diffrentes phases du fonctionnement dun filtre Bootstrap.
Les diffrents principes mis en uvre constituent le fondement des mthodes squentielles de Monte-
Carlo.
Concernant les notations, le symbole ~ surmontant un vecteur dtat indique que le vecteur dtat
en question na pas encore subi ltape de r-chantillonnage. Cette notation a pour vocation de
faciliter la comprhension de la chronologie des diffrentes processus qui composent une rcurrence
dun filtre particulaire. A linstant k-1, les particules, dont les poids dimportance sont semblables
{~x (i )
0:k 1 ,N
1
}, sont distribues de telle manire fournir une approximation de la distribution a posteriori
prdite p(x 0:k 1 y1:k 2 ) .

A laide de la mesure k-1, on procde la mise jour du poids dimportance pour chacune des
particules. De cette manire, on obtient un essaim de particules pondres {~x0(:ik)1 , w ~ ( i ) } qui fournit une
k 1

estimation empirique de la distribution p(x 0:k 1 y1:k 1 ) . Puis, ltape de r-chantillonnage duplique les
particules de forte vraisemblance, pour obtenir une approximation de la distribution p(x 0:k 1 y1:k 1 )
partir de particules non pondres {x (0i:k) 1 , N 1}. Finalement, la phase de prdiction contribue
introduire de la varit au sein du nuage particulaire {~x0(:ik) , N 1 } et permet dvaluer p(x 0:k y1:k 1 ) .
Filtrage particulaire 78

Echelle du temps
{~x (i )
0:k 1 ,N
1
}

{~x (i )
, wk 1
(i )
}

yk-1
0:k 1

{x (i )
0:k 1 ,N
1
}
{~x (i )
0: k ,N
1
}

{~x (i )
0:k
(i )
, wk 1 }

yk
Figure 4-6 : Principe du Bootstrap

De simples considrations intuitives permettent de mettre en relief les pierres dachoppement du


filtrage particulaire lorigine de dysfonctionnements potentiels et en partie dj voqus et contre
lesquels des variantes du schma de base ont toutefois t imagines.

3.5. Limitations des mthodes SMC


Le bon fonctionnement de toute mthode particulaire est li la capacit qua la loi dvolution
prdire les particules dans les rgions de forte vraisemblance.

Afin de ne pas rendre inutilement trop complexe la dmonstration, nous nous plaons dans lhypothse
dun tat directement observ, cest dire tel que lquation dobservation soit donne par :
y k = xk + wk
a) b)

Vraisemblance Vraisemblance

Prdiction
Prdiction

Figure 4-7 : Configurations critiques de la priori et de la vraisemblance.


79 Filtrage particulaire

La figure 4-7 prsente alors deux configurations critiques de la loi prdite par rapport la
vraisemblance de la mesure.
Le premier cas, partie a) de la figure 4-7, suppose un modle de mesure pour lequel le bruit de mesure
est faible et, au contraire, un modle dtat approximatif ce qui se traduit par une grande dispersion
des particules prdites par rapport la mesure. Dans ces conditions, seules les particules prdites
proximit immdiate de la mesure auront un poids dimportance significatif, si bien quau cours de la
phase de r-chantillonnage de nombreuses particules seront limines et quelques particules seront
dupliques un grand nombre de fois. Ce phnomne conduit irrmdiablement un appauvrissement
des tats. Ce dficit de diversit des particules est hautement prjudiciable aux performances du filtre
en matire destimation.
La partie b) de la figure 4-7, illustre le second dysfonctionnement majeur des mthodes particulaires.
Il intervient lorsque les supports respectifs de la distribution de propagation a priori dune part et la
vraisemblance ne concident pas. Avant ltape de r-chantillonnage, les poids dimportance sont tous
peu prs gaux mais possdent une valeur faible. Le r-chantillonnage dans ces conditions, en
prsence de particules sensiblement qui-pondres, bien que conservant la diversit des tats, ne
permet pas de slectionner des particules correspondant des hypothses ralistes. Ce phnomne de
non concidence de la priori et de la vraisemblance, est particulirement sensible en prsence dune
mesure aberrante, ou encore lorsque les variances des bruits dynamique et de mesure sont faibles. On
parle alors de dgnrescence des particules.

Afin de tenter, dapporter des solutions ou au moins de rduire les inconvnients voqus
prcdemment et inhrents la mise en uvre des algorithmes squentiels de Monte-Carlo, des
variantes du schma originel du SIR ont t prsentes dans la littrature. Ces amliorations sont
destines avant tout limiter lappauvrissement des tats.

4 Variantes du SIR
Nous prsentons les mthodes les plus courantes. Il sagit du filtre particulaire variable auxiliaire, du
filtre particulaire rgularis (RPF), de lintroduction dune tape MCMC et dune mthode de
rduction de variance connue sous le nom de Rao-Blackwellisation.

4.1. Echantillonnage pondr variable auxiliaire


Lintgralit de ce qui est prsent, concernant les mthodes de Monte-Carlo squentielles utilisant le
concept de variable auxiliaire (ASIR), provient des travaux de [Pitt, 1999].

4.1.1 Introduction du concept

A partir de lessaim particulaire un instant k, lalgorithme SIS fournit une approximation de la


densit prdite :
N
p ( xk +1 y1:k ) = wk p( xk +1 xk )
(i ) (i )
(4-38)
i =1
La densit de filtrage dfinie comme la marginale de la loi a posteriori scrit, compte tenu de la
proprit de Bayes :

p( yk +1 xk +1 , y1:k ) p ( xk y1:k )
p ( xk +1 y1:k +1 ) = p( yk +1 xk +1 , y1:k ) p( xk +1 y1:k ) (4-39)
p( yk y1:k 1 )

Compte tenu de lindpendance des observations conditionnellement aux tats, lexpression dun
estimateur de la densit de filtrage devient :
Filtrage particulaire 80

N
p ( xk +1 y1:k +1 ) p( yk +1 xk +1 ) wk p ( xk +1 xk )
(i ) (i )
(4-40)
i =1
En reprenant lide classique qui consiste, lorsque lon dsire gnrer un chantillon distribu selon un
mlange de lois, indexer les composantes du mlange par une variable dite auxiliaire, on peut
considrer que le mlange en question est celui donn par la relation (4-38). Compte tenu des
remarques prcdentes, la nouvelle loi objectif est donc la loi conjointe p( xk , i y 1:k ) . Les autres
hypothses demeurant inchanges, i reprsente lindex des particules. On a :
(i ) (i )
p ( xk +1 , i y1:k +1 ) wk p( yk +1 xk +1 ) p ( xk +1 xk ) (4-41)

On appelle i la variable auxiliaire, son rle consiste uniquement faciliter la simulation dun
}
chantillon constitu des paires xk +1 , i { ( j) j N
j =1
, ij est lindice de la particule linstant k. En liminant

lindice i, on obtient un chantillon {x }


( j) N
k +1 j =1 distribu selon la marginale p( xk y 1:k ) de la loi a posteriori.

Lutilisation dune variable auxiliaire est un principe gnral pouvant tre mis en uvre partir
dautres mthodes de simulation de lois, MCMC ou acceptation/rejet. Dans le cas du SIR, on gnre
un chantillon tel que :
( j) ( j)
xk +1 , i ~ g ( xk +1 , i y1:k +1 ) (4-42)

Les poids dimportance sont alors donns par :


( j) ( j) ( j)
p ( yk +1 xk +1 ) p ( xk +1 xk ) ( j)
( j) i
( j)
~( j) = wk +1
wk +1 = wk wk +1 (4-43)
n=1 wk +1
( j) N ( n)
g ( xk +1 , i y1:k +1 )

La choix de la fonction dimportance g ( xk +1 , i y 1:k +1 ) peut tre extrmement large. Nanmoins Pitt &
Shephard [Pitt, 1999] adoptent la fonction dimportance suivante et potentiellement bien adapte de
nombreux cas.
(i ) (i ) (i )
g ( xk +1 , i ) p ( yk +1 k +1 ) p( xk +1 xk ) wk (4-44)
(i ) (i )
k +1 est une valeur caractristique de la densit de xk +1 xk et peut tre, par exemple la moyenne
(i )
{
k +1 = E xk +1 xk
(i )
} ou encore un chantillon (i )
k +1 ~ p xk +1 xk .

(i )

(i )
Daprs Bayes, on a : g ( xk +1 , i ) = g (i y1:k +1 ) g ( xk +1 i, y1:k +1 ) . De plus, en posant g ( xk +1 i, y1:k +1 ) = p( xk +1 xk ) ,
(i ) (i )
on obtient : g (i y 1:k +1 ) p ( y k +1 k +1 ) wk .
La procdure dchantillonnage suivant la loi conjointe g ( xk +1 , i y 1:k +1 ) comprend alors deux tapes La
(i ) (i )
premire consiste chantillonner un index i selon la loi p( y k +1 k +1 ) wk puis simuler (procdure

SIS) selon la densit de transition p xk +1 xk conditionnellement la particule origine i. En


(i )


considrant lquation (4-38) et en remplaant la fonction dimportance conjointe par son expression
explicite, on obtient les poids dimportance :
81 Filtrage particulaire

( j)
( j)
p ( yk +1 xk +1 )
wk +1 ( j)
(4-45)
i
p ( yk +1 k +1 )
La simulation seffectue partir de particules dont la vraisemblance prdite est grande, ce qui, en
principe, doit guider les particules vers les zones dintrt et ainsi limiter la dgnrescence des poids
dimportance.

4.1.2 Algorithme

La figure 4-8 reprsente lalgorithme ASIR, qui dcoule du paragraphe prcdant.

1. Initialisation :
(i ) (i )
Pour i=1,,N gnrer x 0 ~ p ( x0 ) avec w0 = 1 / N
2. Pour k=1,,K
Mise jour des poids dimportance :
(i )
Pour i=1,,N, calculer k et les poids dimportance :
wk( i ) = g (i y1:k ) p( yk k( i ) ) wk( i)1
(i )
~ (i ) = wk
Pour i=1,,N, normaliser les poids dimportance w

k N (i )
i =1
wk
R-chantillonnage des indices :
Pour j=1,,N, tirer avec remise i
( j) ~ (i ) )
proportionnellement aux poids ( wk i =1,..., N

Pour j=1,,N :
Gnrer
( j)
( j) ( j) i
xk ~ g ( xk i , y1:k ) = p( xk xk 1 )

Calculer les poids dimportance :


( j)
( j)
p ( y k xk )
wk ( j)
i
p ( yk k )
( j)
~( j) = wk
Pour j=1,,N : normaliser les poids dimportance w

k N ( j)
w
i =1 k
Sortie de lalgorithme : le nuage de particules associes leurs poids respectifs
N ( j) ~( j)
S k = (x 0:k , wk ) j =1,..., N permet dapprocher la loi a posteriori :
N
~ (dx )
p(x 0:k y1:k ) w
(i )
k x
(i ) 0:k
0:k
i =1

et de manire gnrale pour toute fonction intgrable par rapport p ( x o:k y1:k ) :
N
~ ( i ) (x ( i ) )
E[ (x 0:k )] wk 0:k
i =1

Figure 4-8 : Synoptique du filtre ASIR


Filtrage particulaire 82

Comme nous lavions dj prcis, lchantillonnage selon la loi conjointe g ( xk +1 , i y1:k +1 ) seffectue en
deux tapes. Au cours de ces deux tapes, la taille des chantillons produits peut ventuellement tre
diffrente. Dans ce cas, il faut rajouter une tape de r-chantillonnage la fin du synoptique avant de
poursuivre par une nouvelle rcurrence.
Dans les cas difficiles o la vraisemblance et la priori ne concident pas, lASIR donne de meilleurs
rsultats que le SIR. Par contre lorsque les lois concident, il est alors prfrable de privilgier le SIR
qui bnficie dune variance dchantillons moins leve en raison de labsence de variable auxiliaire.

4.2. Le filtre particulaire rgularis (RPF)


Le fait que ltape de r-chantillonnage, dans le cas du SIR, soit entreprise partir dune distribution
de probabilit discrte a pour effet de concentrer les particules vers des points. On parlera alors de
points daccumulation. Si, de plus, le bruit dtat ou de mesure est faible, le risque dune rarfaction
des points daccumulation devient svre et entrane fatalement un appauvrissement des tats. Le filtre
particulaire rgularis (RPF) prconis par Musso, Oudjane et Legland [Musso, 2001] apporte une
rponse ce problme.
La diffrence essentielle avec le SIR rside dans la procdure de r-chantillonnage qui seffectue
pour le SIR partir dune marginale de la loi discrte de probabilit a posteriori
1

N
p( xk y1:k ) (i ) (dxk ) tandis que, pour le RPF, le r-chantillonnage est ralis partir dune
N i =1 xk

approximation continue de la densit de filtrage p ( xk y1k: ) . La thorie correspondante fait appel


lestimation de la densit par noyaux. Le but est de procder la rgularisation dune mesure discrte
par une mesure continue obtenue par la convolution de la mesure discrte par un noyau.

4.2.1 Formulation du filtre

nx
Un noyau de rgularisation K est une densit de probabilit symtrique dfinie sur , avec nx la
dimension du vecteur x, et jouissant des proprits suivantes :

K (x) dx = 1 x K (x)dx = 0 x
2
K 0, K (x)dx < 0 (4-46)
De plus, pour toute largeur h>0, on dfinit le noyau redimensionn partir de :
1x
K h ( x) = K nx
(4-47)
h h

~ ( i )
N
Si on considre la loi discrte de probabilit wk (i ) (dxk ) , on obtient la rgularisation en
i =1 xk

effectuant la convolution de la loi discrte par le noyau de rgularisation. On a :


~
p ( xk y1:k ) = K h ( xk u )i=1 w
N (i ) ~ K (x x )
(dxk )du = i=1 w
N (i ) (i )
(4-48)
k xk
(i) k h k k

Le noyau K et la largeur sont dtermins partir de la minimisation de lerreur quadratique intgre


moyenne, dfinie par :

MISE = E { [p ( x y
k 1:k ) p ( xk y1:k )] dxk
2
} (4-49)

Dans le cas o la loi discrte est quipondre, il savre que le noyau optimal, au sens de la
minimisation du critre MISE, correspond au noyau optimal dEpanechnikov gnralement dfini par :

nx + 2 2
(1 x ), si x <1
K opt = 2cnx (4-50)
0, sinon
83 Filtrage particulaire

nx
cnx est le volume de la sphre unit dans lhyperespace . Par ailleurs, dans le cas o la densit de
filtrage sous-jacente est gaussienne et de variance unitaire, la valeur optimale de la largeur est donne
par :

hopt = A( K ) N 1 /( nx+4 ) avec [


A( K ) = 8cnx1 ( nx + 4)( 2 ) nx ] 1 /( nx + 4 )
(4-51)

Les rsultats donns par (4-50) et (4-51) sont uniquement optimaux dans les cas dune part dune loi
discrte quipondre et dautre part si la loi de filtrage p ( xk y1k: ) est gausienne. Dans le cas gnral,
il suffit de ne pas perdre de vue que les rsultats sont alors forcment sous-optimaux en raison des
hypothses effectues sur la dtermination du noyau optimal et la largeur de bande.

4.2.2 Synoptique du filtre particulaire rgularis

1. Initialisation :
(i ) (i )
Pour i=1,,N gnrer x 0 ~ p ( x0 ) avec w0 = 1 / N
2. Pour k=1,,K
Propagation des particules :
Pour i=1,,N, gnrer xk ~ g ( xk x 0:k 1 , y1:k ) et ~
(i ) (i ) (i ) (i ) (i )
x0:k = ( x 0:k 1 , xk )
Mise jour des poids :
Pour i=1,,N, valuer les poids dimportance :
(i ) (i ) (i )
(i )
p ( yk xk ) p( xk xk 1 ) (i )
wk (i ) (i )
wk 1
g ( xk x 0:k 1 , y1:k )
(i )
~ (i ) = wk
Pour i=1,,N, normaliser les poids dimportance w

k N (i )
i =1
wk
R-chantillonnage :
1
Evaluer la taille effective de lchantillon N eff =

N
n =1
(w~ )
n 2
k

si N eff < N seuil :

- Calculer la matrice de covariance empirique S k du nuage ~


(i ) ~ (i )
x0:k , wk { } N
i =1
T
- Calculer Dk tel que S k = Dk Dk
x ( i ) ~ N w ~ ( i )
0:k i =1 k ~ (i )
x0:k
- Rchantillonner : pour i=1,,N,
wk( i ) = 1 / N
- Pour i=1,,N,
i
simuler ~ K , noyau dEpanechnikov
(i ) (i ) i (i ) (i ) (i )
xk = xk + hopt Dk et x 0:k = ( x 0:k 1 , xk )

si N eff > N seuil x 0:k = ~ ~ (i ) restent inchangs.


(i ) (i ) (i )
x0:k et les poids dimportance wk = w k

Sortie de lalgorithme : le nuage de particules associes leurs poids respectifs


Filtrage particulaire 84

S kN = (x (0i:k) , wk( i ) )i=1,..., N permet dapprocher la loi a posteriori :


N
p (x 0:k y1:k ) wk( i ) x( i ) (dx 0:k )
0:k
i =1

et de manire gnrale pour toute fonction intgrable par rapport p ( x 0:t y1:t ) :
N
E[ (x 0:k )] wk( i ) (x (0i:k) )
i =1

Figure 4-9 : Synoptique du RPF

Musso [Musso, 2001] propose de multiples amliorations la version de base du RPF prsent,
notamment lors de la phase de r-chantillonnage.
Le filtre particulaire rgularis possde de meilleures performances que le SIR lorsque la
vraisemblance est trs troite (bruit de mesure et/ou dtat faibles), obtenues par lamlioration de la
diversit des particules lors de ltape de r-chantillonnage au moyen dune approximation continue
de la densit de filtrage.

4.3. Ajout dune itration de Monte-Carlo


Lajout dune itration de Monte-Carlo aprs ltape de r-chantillonnage a pour objectif de lutter
contre lappauvrissement des tats quengendre le r-chantillonnage.

4.3.1 Principe

Le schma avanc consiste introduire une tape MCMC de distribution invariante p(x 0:k y1:k ) pour
chaque particule [Merwe, 2000] paralllement la procdure SIR. Lide la base de cette proposition
est damliorer la diversit du nuage de particules issu de ltape de r-chantillonnage et
thoriquement distribu selon la densit a posteriori. Lajout dune itration MCMC, consiste
appliquer aux particules r-chantillonne un noyau de transition de Markov de distribution invariante,
la loi a posteriori, qui a pour effet de gnrer un nouveau nuage toujours distribu selon la densit a
posteriori mais dont les particules ont t redistribues vers des zones de lespace dtat dun plus
grand intrt. Toutes les mthodes de simulation MCMC sont potentiellement applicables :
chantillonneur de Gibbs et algorithmes de Metropolis-Hastings.

N (i )
On peut gnraliser lide et introduire lutilisation de p(x 0:k y1:k ) comme distribution invariante,
i =1

cest dire appliquer le noyau de transition sur lensemble des particules et non plus sur chacune des
particules de manire indpendante. Cette technique amliore notamment lexploration des modes
dnus de particules.

4.3.2 Exemple

Evidemment de nombreuses distributions de proposition existent. On entend ici par distribution de


proposition, la distribution selon laquelle sont simules les nouvelles particules candidates, voir
lexemple figure 4-10. Le choix doit seffectuer en fonction de la nature du problme et de la
connaissance a priori que lon intgre. Nous donnons ici un exemple repris de [Merwe, 2000] qui a
lavantage dtre simple et particulirement didactique.
Nous nous limitons au cas de transitions MCMC indpendantes sur chacune des particules. La
fonction de proposition est la loi de propagation a priori et lacceptation seffectue partir dun pas de
Metropolis-Hastings. Lapplication de litration MCMC intervient lissue de la phase de r-
chantillonnage et une rcurrence se rsume, pour un cas basique, au synoptique de la figure 4-10.
On note {x (0i:k) , wk(i ) }i =1 le nuage particulaire obtenu lissue de la phase de r-chantillonnage et
N

{x (i )
0:k , wk(i ) }
N
i =1
le nuage lorsque litration MCMC est applique.
85 Filtrage particulaire

1. Gnrer :
v ~ U [ 0,1]
2. Simuler un candidat
(i ) (i )
xk ~ p( xk xk 1 )

p( y x (i ) )
k k
3. Si v min 1, (i )
p ( y k xk )

Accepter le candidat :
(i ) (i ) (i )
x 0:k = ( x 0:k 1 , xk )
Sinon rejeter le candidat :
(i ) (i )
x 0: k = x 0 : k
Figure 4-10 : Exemple dune itration MCMC

Gilks et Berzuini [Gilks, 2001] ont propos un algorithme, connu sous le nom de Resample-move qui
juxtapose les techniques SIR et MCMC pour apporter une rponse au problme de lappauvrissement
des tats.

4.4. La Rao-Blackwellisation
Aprs stre successivement intresss au filtre variable auxiliaire qui permet damliorer les
performances du SIR par un meilleur guidage des particules vers les zones dintrt puis aux deux
mthodes damlioration de la diversit des tats que sont le RPF et lajout dune itration de Monte-
Carlo, nous examinons une mthode de rduction de variance des poids dimportance : la Rao-
Blackwellisation, fonde sur la structure particulire de certains modles.

Cette mthode fait partie des techniques utilises pour rduire la variance des estimateurs. Elle est
galement connue sous le nom de mthode desprance des valeurs [Robert, 1996]

4.4.1 Principe gnral

Afin de ne pas perdre de vue la signification des poids dimportance dans le cadre de lchantillonnage
dimportance baysien, nous reprenons la notation :
p (x 0:k y1:k )
q(x 0:k ) =
g (x 0:k y1:k )
g (x 0:k y1:k ) est la distribution dimportance partir de laquelle sont gnrs les chantillons. Son
support inclut celui de la distribution a posteriori p ( x 0:k y1:k ) .
Supposons maintenant que lon scinde le vecteur dtat de telle sorte que nous ayons :
x 0:k = [x10:k x 02:k ]
A partir du rsultat gnral de la dcomposition de la variance, on peut exprimer la variance totale des
poids dimportance comme tant la somme de la moyenne des variances conditionnelles et de la
variance des moyennes conditionnelles. On a donc :
varg ( x0:k y0:k ) {q (x 0:k )} = varg ( x1
0:k y 0:k )
E { 1
} { }
1
g ( x02:k y 0:k ,x10:k ) q (x 0:k ) x 0:k + E g ( x10:k y 0:k ) varg ( x02:k y0:k ,x10:k ) q (x 0:k ) x 0:k

Filtrage particulaire 86

Or,

{q(x }
1 2
1 p(x 0:k , x 0:k y 0:k ) 2 1 2
E 2 1 0:k ) x 0:k = 1 2
g (x 0:k y 0:k ,x 0:k )dx 0:k
g ( x0:k y 0:k ,x0:k )
g (x 0:k , x 0:k y 0:k )
1 2
p(x 0:k , x 0:k y 0:k ) 2 1 2
= 2 1 1
g (x 0:k y 0:k ,x 0:k )dx 0:k
g (x 0:k y 0:k ,x 0:k ) g (x 0:k y 0:k ) (4-52)
1
p(x 0:k y 0:k )
= 1
g (x 0:k y 0:k )
1
= q(x 0:k )
On dduit alors immdiatement lingalit suivante :

varg ( x0:k y 0:k ) {q(x 0:k )} > varg ( x1


0:k y 0:k )
{q(x )} 1
0:k (4-53)

La Rao-Blackwellisation apparat ainsi clairement comme une mthode de rduction de variance par
rduction de la dimension de lespace dtat sur lequel est appliqu le filtrage particulaire.

4.4.2 Le filtre particulaire Rao-Blackwellized (RBPF)

En conservant les hypothses du paragraphe prcdent, on peut crire :


1 2 1 2 2
p (x 0:k y1:k ) = p(x 0:k , x 0:k y1:k ) = p(x 0:k x 0:k , y1:k ) p(x 0:k y1:k ) (4-54)

1 2
Supposons que nous soyons en mesure destimer analytiquement la loi conditionnelle p(x 0:k x 0:k , y1:k ) ,
2
il ne reste alors plus qu utiliser une mthode particulaire pour estimer p(x 0:k y 1:k ) . On obtient ainsi un
filtre hybride (filtre de Kalman conditionnel et filtre particulaire) [Noyer, 1995].
2
Le modle markovien, linaire gaussien conditionnellement x 0:k est alors formul de la manire
suivante :
x1k = A k ( xk2 ) x1k 1 + B k ( xk2 )vk
(4-55)
yk = Ck ( xk2 ) x1k + Dk ( xk2 ) wk

2 2 2
O xk est un processus de Markov de loi de transition p( xk xk 1 ) et vk ~ N (0 nv , I nv ) et wk ~ N (0 nw , I nw ) .
2 1
Conditionnellement x 0:k , x 0:k est un processus markovien linaire gaussien, ses statistiques peuvent
donc tre dtermines de manire dterministe partir dun filtre de Kalman.

Lhypothse formule lors de la prsentation de lchantillonnage baysien squentiel portant sur


lindpendance des observations conditionnellement aux tats reste videmment valable pour le
vecteur dtat concatn, mais ne lest gnralement plus ds lors que lon prend en compte une
partition de ce vecteur. Les observations ne peuvent plus alors tre considres comme indpendantes
2
conditionnellement aux vecteurs x 0:k . Nanmoins, les modifications apporter aux algorithmes sont
mineures : la distribution dimportance optimale est donne par p( xk2 y 0:k , x 02:k 1 ) et les poids
dimportance correspondants par p( y k y 0:k 1 , x 02:k 1 ) .
On aboutit la formulation du filtre particulaire Rao-Blackwellized (RBPF) figure 4-11 :
87 Filtrage particulaire

1. Initialisation : (N :nombre de particules)


2 (i ) 2 2 (i )
On chantillonne : ( x0 ) ~ p( x0 ) avec w(( x0 ) ) = 1 / N

( ) , (P
N
De mme, on fixe : x0 )(i ) en fonction dun maillage dtat ou de la densit a priori.
1 (i )
0/0
i =1

2. Pour k=1,,K

Pour i=1,,N , on gnre N chantillons partir de la distribution de proposition :


2 (i ) 2 (i ) 2 (i )
( xk ) ~ p (( xk ) y1:k , (x 0:k 1 ) )
Pour i=1,,N
2 (i ) 2 (i ) 2 (i ) 2 (i )
Mettre jour des matrices A k (( xk ) ), B k (( xk ) ), C k (( xk ) ), D k (( xk ) ) pour
2 (i )
chacune des trajectoires (x 0:k )

Calculer partir des quations de Kalman les statistiques de ltat estim,


1 (i ) 1 (i ) 1 (i ) 1 (i ) 1 (i ) 1 (i ) 1 (i ) T
savoir ( x k / k ) = E[( xk ) y 1:k ] et ( Pk / k ) = E[(( xk ) ( x k / k ) )(( xk ) ( x k / k ) ) y1:k ] :

1 (i ) 2 (i ) 1 (i )
( x k / k 1 ) = A k (( xk ) )( xk 1 )
1 (i ) 2 (i ) 1 (i ) 2 (i ) T 2 (i ) 2 (i ) T
( Pk / k 1 ) = A k (( xk ) )( Pk 1 / k 1 ) A k (( xk ) ) + B k (( xk ) )QB k (( xk ) )
1 (i ) 2 (i ) 1 (i ) 2 (i ) T 2 (i ) 2 (i ) T
(Sk ) = C k (( xk ) )( Pk / k 1 ) C k (( xk ) ) + D k (( xk ) ) RD k (( xk ) )
1 (i ) 1 (i ) 2 (i ) T 1 ( i ) 1
(K k ) = ( Pk / k 1 ) C k (( xk ) ) (( S k ) )
1 (i ) 1 (i ) 1 (i ) 2 (i ) 1 (i )
( x k / k ) = ( x k / k 1 ) + ( K k ) ( y k C k (( xk ) )( x k / k 1 ) )
1 (i ) 1 (i ) 2 (i ) 1 (i )
( Pk / k ) = ( I ( K k ) C k (( xk ) ))( Pk / k 1 )

1 (i ) 1 (i )
On pose : ( xk ) = ( xk / k )
Pour i=1,,N,
2 (i )
Evaluer les poids dimportance associs chacune des trajectoires (x 0:k )
partir de la matrice de covariance de linnovation :

2 (i ) 2 (i ) 2 (i )
w((x 0:k ) ) w((x 0:k ) ) p ( yk y 0:k 1 ,(x 0:k 1 ) )
2 (i ) 2 (i ) 1 (i ) 1 (i )
w((x 0:k ) ) N (Ck (( xk ) )( xk / k 1 ) , ( S k ) )

2 (i )
~ (i ) = w((x 0:k ) )
Normaliser les poids dimportance : w

k N 2 (i )
i =1
w((x 0:k ) )

R-chantillonnage :
1
Evaluer la taille de lchantillon efficace N eff =

N
n =1
( )
w~ (n)
k
2
Filtrage particulaire 88

{ (i ) 1 (i ) 1 (i )
}
si N eff < N seuil alors r-chantillonner (x 0:k ) , ( xk ) , ( Pk / k ) ; i = 1,..., N N fois
2

~ . Sinon les particules et les poids dimportance w~


selon les poids w
(i ) (i )
restent
k k

inchangs.
Figure 4-11 : Synoptique du filtre particulaire Rao_Blackwellis

5 Conclusion
Dans cette premire partie du chapitre consacr au filtrage particulaire, nous avons dress un
panorama des mthodes de Monte-Carlo squentielles les plus utilises. Toutes dcoulent du principe
dchantillonnage pondr. Notre ambition ici ntant pas dtre exhaustif tant les contributions ont t
nombreuses ces dernires annes.
Dans une seconde partie nous nous attachons appliquer, en les justifiant, certaines techniques,
ventuellement adaptes, la problmatique du dsentrelacement.

II. Application des mthodes particulaires lextraction de


trames radar
Ds lors que nous avons dfini les fondements et les principaux outils lis aux techniques particulaires,
nous pouvons montrer comment il est possible de les combiner afin de rpondre aux problmes poss
par lextraction de trames radar.
Le schma que nous utiliserons dsormais consiste effectuer une recherche squentielle de chacun
des types de trames i.e. des types de modulation, puis de procder leur extraction et de r-itrer le
processus. La procdure retenue nimpose donc, aucun moment, la concatnation des diffrents
modles dans un seul vecteur dtat, ce qui permet de limiter notablement la charge de calcul et de la
rendre compatible avec les capacits dun calculateur classique.

1 Gnralits
Les relations (2-6) et (2-7), donne la formulation dune trame radar partir des TOA. Cette
formulation est fonde sur une reprsentation dtat. Dans la pratique les mesures sont a priori non
discernables ce qui implique de rsoudre le problme de lassociation des mesures uniquement partir
des lois denchanement des impulsions, i.e. des modulations de PRI. Pour ce faire, le principe mis en
uvre est relativement simple : nous gnrons une batterie de filtres o chacun possde sont propre
jeu de paramtres en fonction de la modulation recherche. Il est indispensable que les paramtres
couvrent la globalit de lespace dtat. Chacun des filtres tant ensuite assimil une particule, i.e.
une hypothse, voluera en fonction de ses caractristiques intrinsques et dterminera au cours des
rcurrences une trajectoire qui sera ajuste, chaque pas, en fonction de la vraisemblance de la mesure
valide conditionnellement chacun des modles. Lextraction se bornera donc considrer la
succession des mesures valides de la trajectoire ayant la vraisemblance la plus leve comme faisant
partie de la mme trame.
Nous intgrons, ds le dpart, la volont de dvelopper un filtre fort potentiel dvolution,
notamment vers les modulations PRI non linaires. Pour cette raison, nous implmenterons une
technique, dj voque dans le cadre du filtrage particulaire pour gnrer la fonction dimportance
optimale dans les cas o lquation de mesure est non linaire. Elle porte le nom dunscented
transformation [Merwe, 2000].
Il est communment admis que les filtres de Monte-Carlo peuvent se rvler inefficaces lorsque
lchantillonnage a lieu dans un espace de grandes dimensions. Cependant, pour certains modles pour
lesquels une marginalisation analytique dune partie des variables dtat conditionnellement aux autres
variables dtat est ralisable, lopportunit de rduire la dimension de lespace dchantillonnage
existe. Cest le concept de la Rao-Blackwellisation.
89 Filtrage particulaire

Nous expliciterons ladaptation des concepts thoriques gnraux du filtre particulaire Rao-
Blackwelis, notre cas particulier. Nous montrerons son articulation gnrale ainsi que diffrents
amnagements implments pour la prise en compte de la spcificit de lextraction notamment en
raison des perturbations.

2 Le filtre particulaire Rao-Blackwellis appliqu aux TOA


Pour ne pas alourdir les notations et faciliter la comprhension de la dmarche qui a guid la mise au
point de lalgorithme, nous explicitons un module dextraction gnrique pour une modulation et un
paramtre donns.

2.1. Dveloppement du filtre Rao-Blackwellis


Reprenons la formulation dune trame radar partir de sa reprsentation dtat et supposons que le
paramtre considr soit le TOA. Le vecteur dtat consiste alors en la concatnation du temps
darrive et des paramtres de la modulation des PRI. Cette formulation peut tre tendue tous les
paramtres et lensemble des modulations dfinies. On a ainsi le modle dtat :

xk +1 f ( xk , k , k ) wk

= + r
k + 1 k k
(4-56)
x
yk = [1 0] k + vk
k
Avec :
f ( xk , k , k ) = h(k , k ) + xk (4-57)

o k est le vecteur des paramtres de la modulation.


Conditionnellement au vecteur des paramtres k, la variable dtat xk se rduit un systme linaire
gaussien de dimension 1 auquel il est possible dappliquer les quations du filtre de Kalman. On
procde donc la partition du vecteur dtat ce qui nous permet dobtenir la juxtaposition des deux
modles suivants :

Modle 1 :

Le modle obtenu reprsente la formulation dtat des temps darrive. Il sexprime


conditionnellement la valeur des paramtres.

xk +1 = xk + h( k , k ) + wk
(4-58)
yk = xk + vk

h( k , k ) est suppos connu chaque rcurrence, wk et vk sont respectivement les jitter cumulatif et non
cumulatif de matrices de covariance respectives Q et R.

Modle 2 :

Il permet la reprsentation dtat des paramtres conditionnellement au temps darrive xk-1..

k +1 = k + rk
(4-59)
yk = xk 1 + h( k , k ) + ek
et par exemple dans le cas dune modulation de type wobulated :
Filtrage particulaire 90

(k + k (4))
h( k , k ) = k (1) + k (2) * sin 2 (4-60)
k (3)

La modulation wobulated est classiquement caractrise par un ensemble de 4 paramtres :


La valeur de la PRI moyenne, lindex k, note Tk=k(1) est considre comme
constante.
Lamplitude, note lindex k : Ak=k(2), est galement suppose constante.
La priode, constante, est note lindex k : Dk=k(3).
Le dphasage, de limpulsion dindex k, est not : k.=k(4).
Le vecteur k scrit alors :

k = [Tk Ak Dk k ]T (4-61)

On note Rr La matrice de covariance de rk, bruit suppos blanc dcorell centr et gaussien, est
initialise une valeur par excs puis dcrot de manire inversement proportionnelle au temps.
Pour le bruit ek (de matrice de covariance Re), galement suppos centr blanc gaussien et dcorll de
rk, la matrice de covariance est donne par Re=Q+R.
h( k , k ) reprsente la modulation i.e. le DTOA entre limpulsion dindex k-1 et limpulsion, suivante,
dindex k, k est le vecteur contenant les quatre composantes des paramtres de la modulation
wobulated.

2.2. Algorithme
Nous considrons les deux modles suivants : celui concernant les temps darrive et celui
correspondant au modle des paramtres de la modulation des PRI.

xk +1 = xk + h( k , k ) + wk
(4-62)
yk = xk + vk

k +1 = k + rk
(4-63)
yk = xk 1 + h( k , k ) + ek

Initialisation :

Pour i=1,,N (N : Nombre de particules)


(i ) (i )
Gnrer x 0 ~ p( x0 ) avec w 0 = 1 / N
(i )
Gnrer 0 partir dune mthode dterministe de maillage de lespace dtat et les
(i )
matrices de covariance correspondantes P0

Pour k=1,,K

Pour chaque k 1 , calculer h( k(i 1) , k )


(i )

Pour i=1,,N
Propager des tats associs aux particules laide des quations de prdiction du filtre de
Kalman
91 Filtrage particulaire

x k( i/)k 1 = x k( i)1 / k 1 + h( k( i)1 , k )

Pk(/i )k 1 = Pk(i 1) + w( i ) 2

S k( i ) = Pk(/i )k 1 + v( i ) 2

K k( i ) = Pk(/i )k 1 ( S k( i ) ) 1

Valider les mesures Y (k , ) = yk


(i )
{ } ( i ), j m ( k )
j =1
:

( )
N
Y ( k , ) = yl : ( yl xk / k 1 ) S k ( yl xk / k 1 )
(i ) (i ) T ( i ) 1 (i )

l =1
Mettre jour de lestimation du vecteur dtat et de la matrice de covariance associe :
Si Y (k , ) { }
(i )

xk / k = j = 0 k
(i ) m( k ) ( i ), j ( i ), j
xk / k
option 1 (PDAF)
(i ) ( i ), 0 (i ) ( i ), 0 c ~
Pk / k = k Pk / k 1 + (1 k )Pi (k / k ) + P(k )

ou

(i ) (i ) (i ) ( i ), val (i )
xk / k = xk / k 1 + K k ( yk xk / k 1 )
(i ) (i ) (i )
option 2 (NN)
Pk / k = ( I K K ) Pk / k 1
avec :
yk { { x )}}
( i ),val
= arg min ( yk
( i ), j (i )
k / k 1

= (x , x ) P = (P , P )
(i ) (i ) (i ) (i ) (i ) (i )
x 0:k 0:k 1 k/k 0:k 0:k 1 k/k

Si Y (k , ) = { }
(i )

(i ) (i )
xk / k = xk / k 1
(i ) (i )
Pk / k = Pk / k 1
Pour i=1,,N,
valuer les poids dimportance :
Si Y (k , ) { }
(i )

(i ) ( i ),val (i ) (i ) (i )
wk N ( yk / xk / k 1 , S k ) wk 1
avec :
= j =1 k
( i ),val m(k ) ( i ), j ( i ), j
yk yk option 1
ou
( i ),val
yk = arg min ( yk { { ( i ), j (i )
xk / k 1 ) }} option 2

Si Y (k , ) = { }
(i )

(i ) (i )
wk wk 1

Normaliser les poids dimportance :


Filtrage particulaire 92

(i )
~ (i ) = wk
w

k N ( n)
n =1
wk

Pour i=1,,N,
Propager les particules partir de la distribution dimportance optimale:
(i ) (i ) (i )
k ~ p( k / 0:k 1 , y1:k ) et calculer les matrices de covariance P k

(i )
( (i )
0:k = 0:k 1 , k
(i )
) et P = (P (i )
0:k
(i )
0:k , P k
(i )
)
R-chantillonnage :
Evaluer la taille effective de lchantillon :
1
N eff =

N
n =1
(w~ ) k
n 2

Si N eff < N seuil , r-chantillonner { (i )


0:k
(i ) (i )
, x 0:k , P0:k ; i = 1,..., N } N fois avec remise

proportionnellement w ~ (i ) = 1 , sinon les poids dimportance w


~ (i ) puis w ~ (i ) restent inchangs.
k k
N k

Figure 4-12 : Synoptique de lalgorithme Rao-Bkackwellis mis en oeuvre partir des TOA

Option 1 : A partir de lensemble des mesures valides Y (k , ) = yk


(i )
{ } ( i ), j m ( k )
j =1
, on sabstient de prendre
une dcision dfinitive concernant lappartenance des mesures valides la trame. On
applique la procdure dassociation probabiliste de donnes (PDAF) dfinie figure 3-18.
Ltat filtr est obtenu par combinaison linaire de linfluence de chacune des mesures
valides proportionnellement leur vraisemblance.

Option 2 : Comme alternative loption 1, on propose de valider la mesure la plus proche de la valeur
prdite pour chaque hypothse, i.e. chacun des tats li une particule. Il sagit de la
mthode du plus proche voisin (NN).
A partir de lensemble des mesures valides Y (k , ) = yk
(i )
{ } ( i ), j m ( k )
j =1
, on calcule les termes
dinnovation correspondant chacune des mesures :
( i ), j ( i ), j (i )
k = yk xk / k 1
La mesure prise en compte est celle qui minimise linnovation, soit :
( i ),val
yk = arg min vk { { }} ( i ), j

Pour loption 1, lextraction nest pas directe. En effet, nous avons prcis auparavant que la trame
extraite est donne par les mesures y k { } ( i ),val K
k =1
de la trajectoire prsentant la vraisemblance la plus
( i ),val
grande. Or les mesures y ne correspondent pas une mesure relle puisquelles rsultent du calcul
k

du centre de gravit des mesures valides de chaque modle. Il est donc ncessaire dajouter une tape
de recherche de la squence des mesures relles qui minimisera, par exemple, la diffrence avec
{y }
( i ),val K
k k =1
. Pour loption 2, le problme ne se pose pas puisque yk
( i ),val
correspond toujours une mesure
relle.
(i )
Le calcul de j avec j=0,,m(k) est donn dans le cadre gnral par la relation (3-23).
La figure 4-12 dcrit le synoptique dun filtre particulaire Rao-Blackwellis dvelopp pour
lextraction de trames radar dans un contexte aveugle. Pour tre complet, il est ncessaire de prciser
certaines particularits de fonctionnement destines, avant tout, augmenter la robustesse.
93 Filtrage particulaire

2.3. Spcificits de fonctionnement


Les points qui demandent tre approfondis, compte tenu, de particularits non explicites dans le
synoptique gnral de lalgorithme sont au nombre de trois :
Linitialisation
La modification du calcul des poids dimportance
La propagation des particules en fonction de la distribution dimportance optimale.

2.3.1 Linitialisation

Afin de limiter le nombre de particules tout en assurant la convergence de lalgorithme, nous


choisissons dinitialiser les particules (les paramtres de la modulation recherche) laide dune
mthode dterministe qui consiste effectuer un maillage de lespace dtat. Les limites de lespace
dtat sont obtenues partir dune double considration issues dune part de lanalyse des donnes
mesures et dautre part dhypothses a priori fort peu contraignantes. Ces donnes de dpart sont bien
sr modifiables et peuvent, le cas chant, tre affines. Nanmoins dans un cas gnral, elles doivent
garder une influence rduite sur les performances finales de lalgorithme.

Afin dexpliciter clairement la mthodologie mise en uvre nous donnons un exemple vocation
illustrative. Supposons que nous recherchions une modulation de type wobulated partir de la donne
dune table de datation dimpulsions.
La modulation wobulated est dcrite par quatre paramtres, (4-60) et (4-61). Le nombre de particules
N est donc proportionnel n4 et correspond au cardinal du pavage de lespace dtat des paramtres.
Par nature, le temps ne scoulant que dans le sens croissant, la squence des TOA enregistrs est
croissante. De plus, nous considrons quau cours de la dure dobservation Tobs, le temps scoulant
entre le premier et le dernier TOA enregistr, il ny pas dinterruption de trame. Ce temps tant de
toute faon relativement court (hypothse non contraignante). Par contre, nous supposerons quau
cours de la dure dobservation, un nombre minimal dimpulsions appartenant la trame a t mis
(par exemple 20).

Compte tenu des remarques prcdentes, la PRI moyenne est alors suprieure la dure dobservation
Tobs divise par le nombre dimpulsions enregistres Npulse, ce qui correspond implicitement
lhypothse que toutes les impulsions appartiennent la mme trame. En revanche, la PRI moyenne
est forcment infrieure la dure dobservation Tobs divise par le nombre minimal dimpulsions
susceptibles dappartenir la trame, cest dire vingt.
Lespace des paramtres, dans la direction de la PRI moyenne, est alors divis en n segments de mme
longueur dont le reprsentant est le centre. Pour chacun des reprsentants, la variance est donne par le
carr de la demi longueur des segments.

Pour chacune des n valeurs de la PRI moyenne, nous gnrons dune manire analogue n valeurs
damplitude. Lintervalle de variation de lamplitude est dtermin en fonction de chacune des valeurs
de la PRI moyenne. Nous avons cependant opt pour un balayage trs large allant de zro prs de
70% de la PRI moyenne. Ce dernier point peut nanmoins tre facilement modifi en prenant en
compte les caractristiques relles des modes de fonctionnement des radars. Par exemple, dans la
ralit, lamplitude ne dpasse jamais 20% de la PRI moyenne et est mme souvent en de, de lordre
de 5%.

Pour chacune des n valeurs damplitude, nous gnrons n valeurs de la priode. La priode de la
modulation (nombre dimpulsions qui composent un cycle de modulation) est galement pilote par la
PRI moyenne. Pour une PRI moyenne donne, on considre que lintervalle des valeurs possibles de la
priode stend de dix Tobs divis par la PRI moyenne considre, ce qui correspond implicitement
au cas o les impulsions interceptes de la trame dintrt appartiennent toutes la mme priode. Il
faut donc que les mesures interceptes comprennent au moins une priode complte et que cette
dernire possde aux moins dix impulsions.
Filtrage particulaire 94

Le paramtre dphasage comporte n valeurs associes chacune des valeurs de priode. Les n
valeurs sont quidistantes sur lintervalle entre 0 et la priode considre.

n valeurs du
paramtre 1
n valeurs du
paramtre 2
n valeurs du
paramtre 3

n3 triplet de paramtres

Figure 4-13 : Principe de pavage de lespace dtat pour un vecteur de paramtre de dimension 3

Pour rsumer, la phase dinitialisation gnre N particules, selon le schma reprsent figure 4-13.
Chacune des particules est un vecteur des paramtres de la modulation qui constitue une hypothse sur
le modle de la trame recherche. Lies aux particules, les matrices de covariance correspondantes
sont construites dune part en considrant que les composantes des vecteurs des paramtres sont
indpendantes et dautre part en fixant les lments de la diagonale de la matrice de covariance
(correspondant chacun des vecteurs) une valeur gale au carr de la moiti de lespace qui spare
les valeurs adjacentes du paramtre dans le pavage. On sassure ainsi, une valeur de variance
suffisante pour assurer la convergence pour toute valeur du paramtre appartenant au pavage ainsi
ralis. La figure 4-13, ci-contre, illustre le principe mis en uvre en reprenant les considrations
voques.

2.3.2 Modification du calcul des poids dimportance

Lide avance ici est strictement identique celle mise en avant pour amliorer le calcul de la
probabilit des modes du filtre IMM, paragraphe III-2.3.2 du chapitre 3. La dmarche est cependant
approfondie ici en raison de limportance quelle revt dans le fonctionnement gnral du filtre.
Lobjectif est dutiliser des donnes futures pour estimer linstant courant. Cependant, le problme
principal ntant pas tant lestimation dtat que le calcul de la probabilit que limpulsion courante
appartienne ou pas la trame recherche, les techniques classiques de lissage ont peu dintrt. Les
donnes futures ne sont donc utilises que pour amliorer le calcul des poids dimportance
reprsentatifs de la probabilit dune trame un index donn, compte tenu des mesures dj classifies
comme appartenant la trame en question.
Lide consiste modifier les probabilits des modes en fonction des donnes futures. De manire
intuitive, considrons une mesure y k . Si une impulsion est proche de yk + h( k 1 , k ) et une autre proche
de yk + h( k 1 , k ) + h( k 1 , k + 1) , on peut affirmer avec un taux de confiance lev que y k appartient la
trame dont la modulation est caractrise par h( k 1 , k ) . Si, au contraire, aucune impulsion nest
trouve proche des projections de y k , la probabilit que y k soit une impulsion parasite devient
prpondrante. On limite lextrapolation temporelle trois rcurrences (videmment il est possible
dopter pour un autre choix) sachant que si aucune mesure nest valide, limpulsion courante est
considre comme parasite.
95 Filtrage particulaire

La technique mise en uvre pour affirmer quune impulsion est proche repose sur les techniques,
dj utilises, de validation de mesures par le calcul de la variance de linnovation et suivies de
lalgorithme dassociation probabiliste de donnes ou du plus proche voisin.
On peut alors formuler la modification du calcul des poids dimportance de la manire suivante
[Slocumb, 1998]. Les nouveaux poids dimportance reprsentent pour chacune des particules i la
probabilit que le mode i soit actif lindex k et que lon ait, au cours de 3 extrapolations, au moins,
une impulsion valide, i.e. susceptible dappartenir la trame considre.
Le postulat prcdent sexprime sous la suivante :

Si Y (k , ) { }
(i )

( )( 3
wk( i ) = wk(i)1 p ( yk xk( i)1 ) P n=1 n( i ) Y (i ) (k + 1, ), Y (i ) (k + 2, ), Y ( i ) (k + 3, ) ) (4-64)
(i )
Y (k + n, ) avec n=1,2 ou 3, reprsente lensemble des mesures valides pour la trajectoire i
lextrapolation dordre n.
(i )
n est lvnement au moins une mesure valide appartient la trajectoire i lextrapolation dordre
n .
On peut simplifier (4-64) en exprimant les probabilits partir des lvnements complmentaires, ce
qui donne :

P n=1 n Y (k + 1, ), Y (k + 2, ), Y (k + 3, ) =
3 (i ) (i ) (i ) (i )


(4-65)
1 P n=1 n Y (k + 1, ),Y (k + 2, ), Y (k + 3, )
3 (i ) (i ) (i ) (i )


(i )
est lvnement complmentaire de n , il ny a aucune mesure valide appartenant la
(i )
n
trajectoire i pour lextrapolation dordre n .
Il est possible de conduire la validation des mesures extrapoles partir de deux techniques
diffrentes : lassociation probabiliste de donnes (PDAF) ou la mthode du plus proche voisin
(NN).

Considrons, dans un premier temps, la technique dassociation de donnes fondes sur la mise en
uvre dun filtre PDAF. A partir de (4-65), on peut donc crire :

P n=1 n Y (k + 1, ),Y (k + 2, ), Y (k + 3, ) = n=1 p n Y (k + n, ) (4-66)


3 (i ) (i ) (i ) (i ) 3 (i ) (i )


Il sensuit :

p n Y (k + n, ) = j =1 1 P n , j Y (k + n, )
(i ) (i ) m( n) (i ) (i )
(4-67)

(i )
n , j correspond lvnement la jme mesure de lextrapolation dordre n appartient la trame i .
m(n) est le nombre de mesures valides pour lextrapolation dordre n.
Lexpression des nouveaux poids dimportance devient alors :

( )( (
wk( i ) = wk( i)1 p( yk xk( i)1 ) 1 n=1 j =1 1 (j i )
3 m(n)
)) (4-68)
(i )
Lexpression des j avec j=0,,m(k) est donne par (3-23).

Comme nous lavons dj mentionn, on peut procder galement une validation partir de la
technique du plus proche voisin . Dans ce cas, chaque ordre dextrapolation, une seule mesure est
utilise pour le calcul des nouveaux poids dimportance. Cette mesure peut tre obtenue de plusieurs
manires en minimisant la distance avec la mesure prdite ou encore en minimisant la distance avec le
centre de gravit des mesures valides au cours de lextrapolation considre.
Filtrage particulaire 96

On peut alors vrifier :

N ( yk(i,),n val , xk(+i )n / k , S k( i+)n )


(i )
w
k ( (i )
k 1

3
(i )
k 1 )
= w p ( yk x ) 1 n=1 1

N ( x (i )
, x (i )
, S (i )
)
(4-69)
k +n / k k +n / k k +n

n(i ) est la probabilit que limpulsion, valide par la technique NN, lextrapolation dordre n
appartienne la trame.
Cette alternative la version base sur le PDAF, introduit une pondration normalise et permet de
rduire notablement la charge de calcul pour des performances a priori trs proches.

Si Y (k , ) = { }
(i )

Dans ce cas, il ny a pas de mesures valides linstant k. On en dduit alors que nous sommes dans le
cas dune impulsion manque. La procdure applique concernant lextrapolation est en tout point
semblable celle prsente auparavant. Lunique diffrence rside dans le fait que pour le calcul des
TOA extrapols, le point de dpart nest plus le TOA estim lindex k mais le TOA prdit au sens du
filtre de Kalman. Par contre, le calcul des poids dimportance est affect par labsence de mesures
valides lindex k. Lexpression des poids dimportance est donc modifie dans les termes suivants :

PDAF ( 3 m( n)
(
wk( i ) = wk(i)1 1 n=1 j =1 1 (j i ) )) (4-70)
et

(i ) N ( yk( i,),n val , xk(+i )n / k , S k( i+)n


NN wk( i ) = wk( i)1 1 n=1 1 (i )
(4-71)
N ( x (i )
, x (i )
, S )
k +n / k k +n / k k +n

Afin dtre complet, il reste prciser les modalits de calcul des paramtres des fonctions
(i )
gaussiennes des probabilits n(i ) , nots respectivement pour la variance et la valeur moyenne S k +n et
(i )
xk + n / k .

xk( i+)n / k = yk( i ), val + j =1 h( k( i)1 , k + j ) si Y (k , ) { }


n (i )
(4-72)
ou,

xk( i+)n / k = xk(i/)k 1 + j =1 h( k( i)1 , k + j ) si Y (k , ) = { }


n (i )
(4-73)
et :
(i ) (i )
S k + n = Pk / k + nQ + R (4-74)

On rappelle que la validation des mesures au cours des extrapolations est base sur un schma
semblable celui utilis pour le PDAF partir des grandeurs prcdemment calcules.
N
Y ( k + n, ) = yl : ( yl xk +n / k ) S k +n ( yl xk +n / k )
(i ) (i ) T ( i ) 1 (i )
(4-75)
l =1
Cette procdure permet de tenir compte des ventuelles impulsions manques et amliore la robustesse
face aux impulsions parasites.
97 Filtrage particulaire

2.4. Gnration de la fonction dimportance


Compte tenu de la non-linarit de lquation dobservation, nous utilisons comme fonction
dimportance, pour propager les particules, une technique relativement rcente base sur la
transformation unscented, que nous introduisons brivement. Dans un premier temps, nous
prsenterons les principes de base qui gouvernent la transformation unscented, nous en dduirons la
formulation de lUKF (Unscented Kalman Filter) et finalement celle de lUPF (Unscented Particle
Filter).
Dans un second temps, nous examinerons la technique implmente qui comportera des modifications
notables par rapport la formulation gnrale [Merwe, 2001]. La premire modification concerne le
remplacement des matrices de covariance par le coefficient de Cholesky, ce qui prsente le double
intrt dallger les calculs en limitant les extractions de la racine carre de la matrice de covariance
dtat et dassurer une plus grande stabilit algorithmique en imposant la positivit des matrices. La
seconde modification a trait au calcul des sigma points (ensemble de points qui suffisent caractriser
les moments dune variable alatoire jusqu un ordre donn) et lobtention des matrices de
covariances directement issues de la diffrence centre entre sigma points symtriques.

2.4.1 Introduction la transformation unscented

En prsence dun modle dont la fonction dvolution est non linaire, le filtre de Kalman tendu
(EKF) est habituellement utilis. En raison de lapproximation de la fonction non linaire par un
dveloppement de Taylor au premier ordre, lEKF introduit souvent des erreurs importantes pour
lestimation de la distribution a posteriori du vecteur dtat. Ceci est particulirement sensible lorsque
la fonction est fortement non linaire et que les termes des ordres suprieurs du dveloppement de
Taylor cessent dtre ngligeables. Contrairement lEKF, lUKF ne procde pas par approximation
du processus dvolution non linaire et du modle dobservation. La distribution de la variable
alatoire dtat est entirement dtermine par un ensemble de points dterministes auxquels sont
ensuite appliqus les quations non linaires du modle. Des tudes ont montr que lUKF [Wan,
2000] fournit de meilleurs rsultats que lEKF. Par contre, compte tenu du fait que la loi dvolution
est estime par une fonction gausienne, lUKF nest utilisable que dans un contexte uni-modal.

Considrons une variable alatoire x de dimension nx et une fonction non linaire telle que : y = f (x)
avec x la moyenne de x et Px sa matrice de covariance. Pour calculer les statistiques de y , on forme
une matrice X partir de la concatnation de 2nx + 1 vecteurs Xi, appels sigma points :

X0 = x
Xi = x + ( (nx + )Px )i i = 1,, nx (4-76)

Xi = x( (nx + )Px )in i = nx + 1,,2nx


x

O = 2 (nx + ) nx est un facteur dchelle. La constante dtermine la profondeur des sigma


points autour de x , la valeur de doit idalement tre positive et comprise entre 0 et 1. La constante
constitue un facteur dchelle secondaire positif ou nul dont le rle est de garantir le caractre dfini
positif de la matrice de covariance. Nanmoins pour de nombreuses applications la valeur de nest
pas critique et la valeur par dfaut = 0 est un bon compromis. Enfin pour tre complet, la mise en
uvre de la transformation unscented ncessite une troisime constante dont le rle est
dincorporer la connaissance a priori concernant la distribution de x . Pour une densit a priori
gaussienne =2 constitue le choix optimal. ( (n x + )Px ) i est la ime colonne de la matrice triangulaire
infrieure issue de la factorisation de Cholesky de Px .
Les sigma points ainsi constitus sont ensuite propags par le processus non linaire, directement par
application de lquation dynamique du systme, cette mthode ne ncessite aucun moment de calcul
de gradient de matrice.
Filtrage particulaire 98

Yi = f ( X i ) i = 0,,2nx (4-77)
La moyenne et la covariance de y sont respectivement estimes par :
2 nx
y Wi ( m )Yi
i =0
2 nx
(4-78)
Py Wi (c)
{Yi y}{Yi y}T

i =0
Lexpression des poids est donne par :
W0( m ) = /(nx + )
W0( c ) = /(nx + ) + (1 2 + ) (4-79)
Wi ( m ) = Wi ( c ) = 1 /{2(nx + )} i = 1,,2nx

Il est possible dtendre la transformation unscented, une estimation rcursive dtat au sens de
lerreur quadratique moyenne minimale. On obtient alors un pendant du filtre de Kalman baptis UKF.
Pour une description plus prcise de la transformation unscented, on peut se reporter [Julier, 1995].

2.4.2 Le filtre de Kalman Unscented

Ladaptation de la transformation Unscented un algorithme destimation rcursive dans le cas


gnral impose de concatner les diffrents bruits dans le vecteur dtat. Il est cependant possible,
lorsque les bruits sont purement additifs et centrs, de simplifier notablement lalgorithme rsultant en
vitant laugmentation du vecteur dtat. Pour la problmatique du dsentrelacement nous nous
trouvons prcisment dans la configuration de bruits additifs centrs. La figure 4-14 prsente lUKF.

Soit le systme :
x k +1 = f (x k ) + v k
y k = h(x k ) + w k

1. Initialisation :
x 0 = E[x 0 ]
P0 = E[(x 0 x 0 )(x 0 x 0 )T ]
2. Pour k {1,,+}
Calculer des sigma points

X k 1 = [ x k 1 x k 1 + Pk 1 x k 1 Pk 1 ]
Propager
X k / k 1 = f [ X k 1 ]
2 nx
x k / k 1 = Wi
(m)
X i ,k / k 1
i =0
2 nx
Pk / k 1 = Wi [ X i ,k / k 1 x k / k 1 ][ X i ,k / k 1 x k / k 1 ] + Q
(c) T

i =0

Yk / k 1 = h[X k / k 1 ]
2 nx
y k / k 1 = Wi Yi ,k / k 1
(m)

i =0
Mettre jour
99 Filtrage particulaire

2 nx
P~yk ~yk = Wi ( c ) [Yi ,k / k 1 y k / k 1 ][Yi ,k / k 1 y k / k 1 ]T + R
i =0
2 nx
Pxk yk = Wi ( c ) [ X i ,k / k 1 x k / k 1 ][Yi ,k / k 1 y k / k 1 ]T
i =0

K k = Pxk yk P~yk1~yk
x k = x k / k 1 + K k (y k y k / k 1 )
P k = Pk / k 1 K k P~yk ~yk K kT
Avec : = nx + , Q et R respectivement les matrices de covariance du bruit dtat et du bruit de
mesure

Figure 4-14 : Filtre de Kalman unscented

Revenons aux limitations annonces en guise de conclusion du paragraphe consacr au SIR. Nous
mentionnions limportance daiguiller les particules vers les rgions forte vraisemblance pour viter
une carence de la diversit des dites particules dont la consquence serait un appauvrissement des
tats, fatal au filtre. LUKF est prcisment mieux adapt que lEKF, en raison dun meilleur calcul de
la covariance de la fonction de proposition, et parat donc plus pertinent pour la gnration de la
distribution dimportance [Doucet, 1997].

2.4.3 Filtre particulaire unscented

LUPF provient donc de lassociation des mthodes particulaires (SIR) et de lUKF comme gnrateur
de fonction de proposition. La figure 4-15 en donne le synoptique.

Soit le systme :
x k +1 = f (x k ) + v k
y k = h(x k ) + w k
1. Initialisation : k=0
(i )
Pour i=1,,N gnrer les particules x 0 ~ p (x 0 ) et calculer :
x 0( i ) = E[x (0i ) ]
P0( i ) = E[(x (0i ) x 0( i ) )(x (0i ) x 0( i ) )T ]
2. Pour k {1,,+}
Echantillonnage dimportance
Pour i=1,,N
Mettre jour des particules laide lUKF
Calculer des sigma points
X (ki)1 = [ x k( i)1 x k( i)1 + Pk 1 x k( i)1 Pk 1 ]
Propager des particules
Filtrage particulaire 100

X (ki /) k 1 = f [ X (ki /) k 1 ]
2 nx
x k( i/) k 1 = W j( m ) X (j i,k) / k 1
j =0
2 nx
Pk( i/)k 1 = Wi ( c ) [ X (j i,k) / k 1 x k( i/) k 1 ][ X (ji,k) / k 1 x k( i/) k 1 ]T + Q
j =0

Y (i )
k / k 1 = H.X (ki /) k 1
2 nx
y k( i/) k 1 = W j( m )Y j(,ik) / k 1
j =0
Prendre en compte de lobservation courante
2 nx
P~yk ~yk = W j( c ) [Y j(,ik) / k 1 y k( i/) k 1 ][Y j(,ik) / k 1 y k( i/) k 1 ]T + R
j =0
2 nx
Pxk yk = W j( c ) [ X (j i,k) / k 1 x k(i/) k 1 ][Y j(,ik) / k 1 y k( i/) k 1 ]T
j =0

K k = Pxk yk P~yk1~yk x k(i ) = x k( i/) k 1 + K k (y k y k( i/) k 1 )


P k = Pk( i/)k 1 K k P~yk ~yk K kT

(i ) ~ (i )
Gnrer ~
(i ) (i ) (i )
xk ~ g (x k x 0:k 1 , y1:k ) = N ( x k , Pk )
~ ~
Mettre jour ~
x0(:ik) = (x (0i:k) 1 , ~
xk( i ) ) et P0(:ik) = (P0(:ik)1 , Pk( i ) )
Pour i=1,,N valuer des poids dimportance
p(y k ~
xk( i ) ) p (~
xk( i ) x (ki)1 ) (i )
w (i )
wk 1
g (~
k
x (i ) x (i ) , y )
k 0:k 1 1:k

Pour i=1,,N Normaliser des poids dimportance


R-chantillonnage :
Pour i=1,,N, tirer avec remise x (0i:k) parmi (~
xk( i ) )i=1,..., N proportionnellement aux poids
( wk( i ) )i=1,..., N et fixer la valeur 1/N aux poids wk(i )
Sortie, identique au filtre particulaire gnrique.

Figure 4-15 : Filtre particulaire Unscented

La fonction dimportance retenue est la distribution dimportance optimale au sens de la minimisation


de la variance des poids dimportance cest dire telle que :
g (x(ki ) x0( i:)k 1 , y1:t ) = p(x k x (ki) 1 , y k )
(i ) (i ) (i )
Lexpression des poids dimportance est alors donne par : wk p (y k x k 1 ) wk 1 .

2.4.4 Approche implmente

Elle provient de la thorie dveloppe autour des techniques de diffrences centrales , fondes sur
lapproximation des fonctions non linaires partir dune variante du dveloppement de Taylor au
deuxime ordre o les drives sont remplaces par des diffrences centrales (4-80) et (4-81).
101 Filtrage particulaire

1 2
( x) x = x +
y f ( x ) + x f CD ( x) x = x
x f CD (4-80)
2!
avec :
f ( x + h) f ( x h)
( x) =
f CD
2h
(4-81)
f ( x + h) + f ( x h) 2 f ( x )
( x) =
f CD
h2

A partir dune gnralisation aux ordres suprieurs de cette approximation, Ito & al [Ito, 2000] ont
dvelopp une thorie sur les filtre diffrence centrale (CDF). Une tude attentive des mcanismes
mis en jeu montre que les approches UKF et CDF sont trs semblables. Cependant lerreur absolue sur
le terme du quatrime ordre est infrieur pour le CDF, ce dernier garantit en outre le caractre positif
de la matrice de covariance estime et met un uvre un seul facteur au lieu de trois. LUKF peut
engendrer une matrice de covariance dont la positivit nest pas acquise, ce dysfonctionnement tant
toutefois compens par deux facteurs dchelle dont la valeur est fixe au moyen de rgles
heuristiques.
Nous choisissons dimplmenter le filtre CDF formul partir de la factorisation de Cholesky
[Merwe, 2001], ce qui permet dviter lextraction de racines carres de la matrice de covariance
dtat chaque rcurrence. On aboutit ainsi au filtre SR-CDF (Square Root Central Difference Filter).

A partir des formulations de lUPF et du SR-CDF, on en dduit lalgorithme particulaire appliqu


chaque rcurrence pour propager les particules et qui prend globalement une structure comparable
une rcurrence dun filtre UPF. Cet algorithme est prsent sous la forme dune sous-fonction (4-82)
o entre accolades, figurent les arguments de la fonction.

(i ) (i )
On note P k = S k S k ( )
(i ) T (i )
o S k est le coefficient de Cholesky triangulaire infrieur.

{~k
(i )
} {
, S(ki ) = SR CDF k(i )1 , S(ki ) , k , yk( i ),val , xk( i)1 } (4-82)

Cette sous-fonction est donc appele chaque rcurrence du filtre Rao-Blackwellis dvelopp pour
lextraction et lors de la phase de propagation des particules. Les dtails sont donns sur la figure 4-16.
Le systme considr est conforme aux quations (4-63).

La kme rcurrence se rsume :

Pour i=1,,N calcul des sigma point et de la mesure prdite

k(i/)k 1 = k(i)1 / k 1

S( ik) _ = RLS
1 / 2 (i )
S k 1

(ki/) k 1 = [ k( i/)k 1; k( i/)k 1 + S( ik) _ ; k( i/)k 1 S( ik) _ ]

(ki ) = H [ xk( i)1 , (ki /) k 1 , k ]

y k(i ) = j = 0Wi ( m ) (ji, )k


n

Pour i=1,,N mise jour de lestimation du vecteur dtat des paramtres


Filtrage particulaire 102


S y( ik) = qr W1( c ) [Y1(:ni ) ,k Yn(i )+1:2 n ,k ] W2( c ) [Y1(:ni ) ,k + Yn(i )+1:2 n ,k 2Y0(,ik) ] Re

( )[ W [Y ] T
P(kiy)k = S(ki ) _ 1
(c ) (i )
1:n ,k Yn(i )+1:2 n ,k ]

K k( i ) = (P /( S ) )/ S
(i )
k yk
( i ) 1
yk
(i )
yk

k(/i )k = k(i/)k 1 + K k(i ) ( yk(i ) y k(i ) )

U (i ) = K k(i ) S y(ik)

{
S(ki ) = cholupdate S(ki ) _ ,U ( i ) ,1 }
~
chantillonner : k( i ) ~ g ( k( i ) 0(:ik)1 , y1:k ) = N ( k( i ) , S(ki ) S(ki )T )

Figure 4-16 : Synoptique dune rcurrence du SR-CDF

(i )
La fonction H est une fonction vectorielle qui applique chaque vecteur colonne de k / k 1 la fonction
vectorielle h( k 1 , k ) , n est la dimension du vecteur des paramtres .
La fonction qr est une fonction de factorisation de la matrice argument sous la forme dun produit
dune matrice orthonormale et de la transpose du coefficient de Cholesky (matrice triangulaire
suprieure).
La fonction cholupdate permet de mettre joue le coefficient de Cholesky de la manire suivante.
Soit R le coefficient de Cholesky de la matrice A, alors si R1 = Cholupdate{R, x,1} , R1 est le coefficient
de Cholesky de la matrice A x.xT .
est un facteur dchelle caractrisant la diffrence centrale, sa valeur optimale correspond au kurtosis
de la distribution du bruit dtat, dans le cas dune fonction gaussienne opt = 3 .
Les poids Wi sont donns par :

W0( m ) = ( 2 L) / 2
Wi ( m ) = 1 / 2 2 (i = 1,,2 L) (4-83)

W1( c ) = 1 / 4 2 W2( c ) = ( 2 1) / 4 2

RLS est un facteur doubli exponentiel de mme type que celui utilis dans la mise en uvre de
lalgorithme des moindres carrs rcursifs, nous fixons sa valeur 0,9995.

2.5. Module dextraction


Le filtre Rao-Blackwellis appliqu aux TOA et dont le synoptique est donn par la figure 4-17,
auquel on adjoint les amliorations dveloppes pour linitialisation, le calcul des poids dimportance
et pour la propagation des particules, constitue le module dextraction lmentaire. Ce module
dextraction est la base des dveloppements venir et destin prendre en compte les particularits
du problme pos.
La figure 4-17 reprend de manire schmatique les principales articulations entre les deux filtres de
Kalman et particulaire. On peut ainsi mieux percevoir le transit des informations. Ainsi, certaines
particularits de fonctionnement sont plus explicites, telle la procdure de validation des mesures
commune au deux filtres, ou encore les boucles de rtroaction de chacun des deux filtres vers sa
propre entre mais galement vers lentre du filtre voisin.
103

Filtre particulaire (Paramtres de la modulation)


k +1 = k + rk Initialisation

yk = x k 1 + g ( k , k )+ ek

Prdiction
des N particules

N particules
Maj Particules

Calcul du
Filtre de Kalman (TOA)
poids des
xk +1 = xk + g ( k , k ) + wk particules

-

y k = x k + vk
Covde l innovation
Initialisation + mesure valide Calcul dun coefficient de
vraisemblance dappartenance la
Estimateur MAP & MMSE

Mes_val trame
REECHANTILLONNAGE

Figure 4-17 : Synoptique du module dextraction


Mes_nval
Prdiction
des N modles

N TOA
Maj Estim
Filtrage particulaire
Filtrage particulaire 104

3 Les estimateurs MMSE et MAP


Les performances de lextraction et de la caractrisation peuvent tre lies aux estimateurs utiliss. Les
techniques utilises pour tablir lexpression des estimateurs MMSE et MAP dans le cas du filtrage
particulaire le sont dans un cadre gnral. Ainsi le modle considr est :
xk ~ f k ( xk xk 1 )
(4-84)
yk ~ hk ( yk xk )
Dans le cas de lestimateur MMSE, on a :
mmse
x 0:k = x p (x 0:k y1:k )dx 0:k (4-85)
0: k
Or lapproximation particulaire suivante :
~ (dx )
p (x 0:k y1:k ) i=1 w
N (i )
(4-86)
k x
(i) 0:k
0:k

nous permet den dduire lexpression :


mmse
x 0:k ~ x
= i=1 w
N (i ) (i )
(4-87)
k 0:k

Cependant lestimateur MMSE souffre de srieuses limitations lorsque la densit de probabilit a


posteriori est multi-modale [Doucet, 1997]. Dans ce cas, il est communment admis quil est
prfrable de mettre en uvre lestimateur MAP donn par la relation suivante :
map
x 0:k = arg max p (x 0:k y1:k ) (4-88)
x0:k
En rptant les phases de prdiction et de mise jour [Bertozzi, 2003] jusqu linstant k, on a :

hk ( y k xk )...h1 ( y1 x1 ) f k ( xk xk 1 )... f1 ( x1 x0 ) f 0 ( x0 )
p (x 0:k / y1:k ) = (4-89)
... hk ( yk xk )...h1 ( y1 x1 ) f k ( xk xk 1 )... f1 ( x1 x0 ) f 0 ( x0 )dx 0:k
Daprs la dfinition de la probabilit conditionnelle, on crit :
f k ( xk xk 1 )... f1 ( x1 x0 ) f 0 ( x0 ) = f k ( x0 ,..., xk ) (4-90)
qui daprs lapproximation de Monte-Carlo scrit :
N 1
f k ( x0 ,..., xk ) i=1 x( i ) (dx0 )... x( i ) (dxk ) (4-91)
N 0 k

En remplaant (4-91) dans (4-89), on a :

N hk ( y k xk(i ) )...h1 ( y1 x1( i ) )


p(x 0:k / y1:k ) x (dxk )... x (dx0 ) (4-92)

N (i ) (i )
i =1 h ( y k xk( j ) )...h1 ( y1 x1( j ) )
j =1 k
k 0

On en dduit la forme rcursive suivante pour les poids normaliss :


(i ) (i )
wk 1hk ( yk xk )
~ (i ) =
w (4-93)
k

N ( n) (n)
w h ( y k xk )
n =1 k 1 k

Lestimateur MAP est alors obtenu, compte tenu de la relation (4-88), par maximisation de w ~ . Le (i )
k

dnominateur tant identique pour tous les poids normaliss, il peut tre omis dans le processus de
maximisation de mme quil est possible dutiliser le logarithme naturel pour des convenances
numriques. Sous ces conditions, on obtient alors :
105 Filtrage particulaire

k
log h ( y x ( i ) ) + log f ( x ( i ) x (i ) ) + log f ( x ( i ) )
x 0:k = arg max N
{x(0i:k) }i=1 n=1
n n n n n n 1

0 0 (4-94)

qui scrit aussi sous une forme squentielle :


(i ) (i ) (i ) (i ) (i )
k = k 1 + log hk ( yk xk ) + log f k ( xk xk 1 ) (4-95)
(i )
k reprsente la vraisemblance entre la vraie squence x 0:k et ltat cach de la squence reprsente
par la particule i. Chaque particule est caractrise par son support, son poids et sa vraisemblance.

4 Exemple dextraction
Afin dillustrer le fonctionnement du module dextraction, nous proposons un exemple. Nous
considrons une trame radar de type wobulated, noye dans un ensemble dimpulsions parasites
rparties alatoirement et de manire uniforme.

Les caractristiques de la trame considre sont dtailles dans le tableau 4-4, ci aprs :
Caractristique de la trame Caractristique de la modulation
Nombre dimpulsions : 50 Type : Wobulated
Ecart-type des jitter (% de la PRI moyenne 3) : Moyenne : 10
Cumulatif : 3%
Non cumulatif : 3%
Impulsions parasites (% du nombre dimpulsions Amplitude : 5
relles de la trame) : 100%
Impulsions manques (% du nombre dimpulsions Frquence : 25
relles de la trame) : 10%
Dphasage lorigine : 5

Tableau 4-3 : Caractristique de la trame radar module considre

Lextraction est mene exclusivement partir des temps darrive des impulsions. On reprsente les
trames partir, dune part, des temps darrive (reprsentation qui a le mrite dtre intuitive et trs
explicite) et dautre part partir des DTOA (reprsentation qui permet de visualiser aisment la
modulation des PRI). Nous utiliserons dautres modes de reprsentation lorsque nous les jugerons plus
adquats pour insister sur des aspects particuliers.

30
15
25

20
10
DTOA
DTOA

15

5 10

0 0
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45

a) Index des impulsions


b) Index des Impulsions

1.2 1.2

1 1

0.8 0.8
Amplitude
Amplitude

0.6 0.6

0.4 0.4

0.2 0.2

0 0
0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500

c) TOA
d)
TOA

Figure 4-18 : Trame idale et trame perturbe


Filtrage particulaire 106

: Impulsion relle
25 * : Impulsion parasite

20

15
DTOA

10

0
0 10 20 30 40 50 60 70 80 90
a) Index des Impulsions

1.2

0.8
Amplitude

0.6

0.4

0.2

0
0 50 100 150 200 250 300 350 400 450 500
TOA
b)

Figure 4-19 : TOA partir desquels seffectue lextraction

Les figures 4-18 a) et c) dcrient la trame Wobulated idale partir des TOA et des DTOA, cest
dire telle quelle devrait tre si aucune perturbation ne venait laffecter. Sur les figures 4-18 b) et d),
nous reprsentons la mme trame affecte des deux types de jitter et laquelle il manque cinq
impulsions.
La figure 4-19 b) donne les TOA partir desquels doit seffectuer lextraction de la trame recherche,
tant entendu que le type de modulation recherch nest pas connu a priori. La figure 4-19 a) montre
qu partir des DTOA, il nest pas ais a priori de prjuger du type de modulation mis en uvre. Afin
dillustrer la difficult de la tche, les impulsions appartenant la trame et les impulsions parasites
sont diffrencies. Dans la ralit, nous ne possdons aucune information permettant de procder une
telle diffrentiation, lextraction ntant effectue ici qu partir du squencement des impulsions, i.e.
du temps sparant les impulsions et en intgrant le fait que la logique peut tre momentanment
rompue en raison dimpulsions manquantes.
Enfin, les paramtres intrinsques au module dextraction sont le nombre de particules de 612 et le
seuil de r-chantillonnge fix la moiti du nombre de particules, cest dire que le r-
chantillonnage a lieu lorsque la taille effective du nuage est infrieure 306.

En sortie du module dextraction, nous disposons de trois types dinformations :


La classification de chacune des impulsions comme appartenant ou non la trame : cest
laspect extraction de lanalyse technique ELINT.
Lestimation de la modulation et des paramtres la caractrisant : cest laspect caractrisation
de la modulation des DTOA.
Lestimation de la trame proprement dite qui nest pas lie lun des aspects cl de lanalyse
technique, mais qui correspond un filtrage des mesures bruites des TOA.

On adopte la convention suivante :


107 Filtrage particulaire

: Impulsion relle
: Impulsion manque
* : Impulsion extraite

La figure 4-20 montre la trame relle ainsi que les impulsions extraites. Pour amliorer
linterprtation, y figurent galement les impulsions manques. Les portes de validation saffinent au
fur et mesure des rcurrences du filtre et par consquent les impulsions manques en dbut de
processus peuvent entraner de manire plus probable la validation dimpulsions parasites en lieu et
place dimpulsions manques, en raison dune part, de la proximit dimpulsions parasites des
positions thoriques des impulsions manquantes et dautre part en raison de portes de validation plus
lches pendant la phase de convergence du filtre.

Figure 4-20 : Trames relle et extraite

Afin de mettre en vidence certaines caractristiques des capacits du module de dsentrelacement,


nous effectuons un zoom sur une zone dintrt de la trame.

1.2

0.8

0.6

0.4

0.2

0
160 170 180 190 200 210

Figure 4-21 : Zoom sur une zone des rsultats de dsentrelacement

Lexamen de la figure 4-21, montre un certain nombre de comportements typiques du module


dextraction. Pour les impulsions manquantes aux alentours de 180 et 190, le filtre ne leur associe
aucune impulsion parasite, si lon se reporte la figure 4-19 b), on saperoit en effet que dans cette
zone la densit dimpulsions parasites est trs faible, ce qui a pour effet de limiter loccurrence des
fausses associations. Par contre aux alentours de 215, le filtre se fourvoie et extrait une impulsion
parasite alors que limpulsion ce rang est manque. Ce genre de comportement est videmment
invitable ds lors quune impulsion est valide i.e. comprise dans la porte de validation elle est
susceptible dtre extraite plus forte raison si elle sy trouve seule. Aux alentours de 160, par contre,
le filtre extrait une impulsion en lieu et place do autre. Si on se reporte la figure 4-19 b), on
saperoit que limpulsion relle est trs proche de limpulsion parasite extraite, il est mme
impossible de les dissocier par un examen visuel de la figure compte tenu de lchelle utilise.
Filtrage particulaire 108

Lestimation des paramtres de la modulation est obtenue au moyen des deux types destimateurs
MMSE et MAP dont lexpression gnrale est donne respectivement en (4-87) et (4-88). Ladaptation
au cas particulier considre est immdiate. Ainsi, on trouve respectivement :

MMSE MAP Relle


Moyenne 9,9126 9,8343 10
Amplitude 4,8751 4,8940 5
Priode 25,5268 25,1856 25
Dphasage 6,7938 6,2274 5
Figure 4-22 : Estimation des paramtres de la modulation

Implicitement, on peut se poser la question si le choix de certains paramtres intrinsques au module


dextraction nest pas de nature modifier singulirement les rsultats. Les paramtres en question,
indpendants de la modulation traite, sont le nombre de particules et le seuil de r-chantillonnage.
Dans la littrature portant sur le filtrage particulaire, linfluence des deux paramtres prcdemment
voqus est souvent aborde partir dune approche exclusivement exprimentale [Hue, 2003] et
propre au problme pose. Nous procderons donc de manire identique.

4.1. Influence du nombre de particules


Afin dvaluer linfluence du nombre de particules sur les performances de lextraction, nous
procdons une simulation. Les paramtres de la trame ainsi que ceux de la modulation sont
identiques aux valeurs dfinies dans le tableau 4-3. Les performances dextraction sont uniquement
apprcier partir du taux de russite de lextraction, de lcart type et du biais des valeurs estimes des
paramtres de la modulation.
50 tirages successifs sont effectus pour trois valeurs du nombre de particules. Le seuil de r-
chantillonnage correspond une taille effective du nuage infrieure la moiti du nombre de
particules.
A posteriori, on saperoit que les rsultats obtenus laide des estimateurs MMSE et MAP sont trs
similaires. En consquence, seuls ceux se rapportant lestimateur MMSE sont prsents.

15 8

6
10
Amplitude

4
Moyenne

5
2

0
0

5
212 612 1450
2
212 612 1450
: Limites de lintervalle
Nb de particules Nb de particules de confiance (3)
: Moyenne
30 10
: Valeur thorique
25 8
20
6
Dphasage
Priode

15
4
10
2
5

0 0

5 2
212 612 1450 212 612 1450
Nb de particules Nb de particules

Figure 4-23 : Influence du nombre de particules sur lestimation


des paramtres de la modulation
109 Filtrage particulaire

La reprsentation utilise superpose sur le mme schma la moyenne des estimations de la valeur de
chaque paramtre ainsi que la plage de variation ( 3) correspondante du paramtre. On saperoit
immdiatement dune amlioration des performances de lestimateur li laugmentation du nombre
de particules. Dans un premier temps (jusqu 612 particules) ce nest pas trs flagrant mais ensuite la
valeur moyenne converge assez franchement vers la valeur thorique et lcart type se rduit.
Cependant pour tre complet, il est ncessaire de prciser le taux de russite dextraction constat pour
chacune des valeurs du nombre de particules. Pour que lextraction soit considre comme
satisfaisante, il faut que le nombre dimpulsions correctement identifies soit au moins gal la moiti
de leffectif total des impulsions de la trame relle. Seuls les rsultats destimation des paramtres des
extractions considres comme russies sont pris en compte pour le calcul des caractristiques de
lestimateur.

Nombre de particules 212 612 1450


Taux de russite (%) 54 78 96
Temps moyen (s) 14,8 65,1 157,5
Tableau 4-4 : Taux de russite dextraction en fonction du nombre de particules

Le tableau 4-4 conforte de manire non quivoque, linfluence du nombre de particules pour les
performances de lextraction. Par contre, on peut constater que laugmentation du nombre de
particules ne peut seffectuer indiffremment puisquelle engendre une augmentation consquente du
temps de calcul dtermin par Matlab pour un PC quip dun micro processeur Intel4 2.54 GHz. La
mise en uvre du module dextraction devra donc seffectuer partir dun compromis entre la
performance recherche pour la fonction dextraction et le temps de calcul.

4.2. Impact du seuil de r-chantillonnage


Le second paramtre intrinsque du module dextraction susceptible dinfluencer les performances de
lextraction est le seuil partir duquel est effectu le r-chantillonnage. Il est possible dobtenir des
exemples de choix de seuils dans la littrature, mais la valeur semble minemment variable et
dpendante de lapplication considre.

16 7

14 6
12
Amplitude

5
Moyenne

10
4
8
3
6
: Plage de variation (3)
4
0.25 0.5 0.75 1
2
0.25 0.5 0.75 1
: Moyenne
: Valeur thorique
35 9

30 8

7
25
Priode

Phase

6
20
5
15 4

10 3
0.25 0.5 0.75 1 0.25 0.5 0.75 1

Figure 4-24 : Influence du seuil de r-chantillonnage


sur lestimation des paramtres de la modulation
Filtrage particulaire 110

Les conditions de simulation sont similaires celles considres prcdemment pour valuer limpact
du nombre de particules sur le comportement du module dextraction. On effectue 50 tirages
successifs pour chacune des valeurs du seuil de r-chantillonnage, le nombre de particules tant fix
1450.

Les valeurs de seuil correspondent un facteur multiplicatif appliqu au nombre de particule.


Exemple : seuil =0.5 signifie que le r-chantillonnage a lieu lorsque la taille effective du nuage passe
en dessous de 725 soit 1450*0.5. La valeur de seuil de 1 correspond un r-chantillonnage chaque
rcurrence.
On constate aisment que le seuil qui semble le mieux adapt notre problmatique et cela pour tous
les paramtres est 0.75. On peut conclure que le r-chantillonnage doit tre relativement frquent et
que les hypothses doivent souvent voluer pour assurer une bonne estimation des paramtres.

Valeur du seuil 0.25 0.5 0.75 1


Taux de russite (%) 96 88 1 96
Temps moyen (s) 134.8 156.7 178.3 202.2
Tableau 4-5 : Taux de russite dextraction en fonction du seuil de r-chantillonnage

Le tableau 4-5 montre que les taux de russite sont globalement levs et donc que le seuil na que peu
dinfluence sur ces derniers. En terme de temps moyen de calcul, on constate que conformment au
bon sens le temps de calcul moyen crot avec la frquence des r-chantillonnages.

Les rsultats obtenus sont confirms avec les autres modulations, on obtient des rsultats moins
tranchs mais la valeur optimale du seuil de r-chantillonnage se situe galement aux alentours de
0.75.

5 Conclusion
Suite lchec de lalgorithme de dsentrelacement formul partir des techniques classiques de
pistage, en grande partie d une initialisation laborieuse, nous nous sommes orient vers les
mthodes de Monte-Carlo squentielles. Compte tenu des caractristiques du modle dtat adopt,
nous avons opt pour la Rao-Blackwellisation, qui nous permet de rduire sensiblement la dimension
de lespace dchantillonnage et par consquent le nombre de particules. Nous donnons les dtails de
limplmentation du module dextraction obtenu dans le cadre de lextraction ralise exclusivement
partir des temps darrive.
Le potentiel dvolution du module dextraction doit sorienter vers la prise en compte de toute
linformation disponible, ce qui suppose dtre capable dintgrer les autres paramtres. Deux voies
soffrent nous, la premire dentre elles consiste concatner les paramtres inconnus des
modulations des nouveaux paramtres dans le vecteur dtat des temps darrive. Cette option, bien
que thoriquement possible, se rvle inadapte en raison de la ncessit de couvrir un espace dtat
de grande dimension au cours de linitialisation, le nombre de particules ncessaires tant alors bien
trop lev. La seconde possibilit consiste construire un nouveau nuage particulaire pour chacun des
paramtres intgrs en sus des TOA et faire voluer ces nuages indpendamment les uns des autres,
notamment au cours des phases de r-chantillonnage, un point de rendez-vous tant tout de mme
ncessaire afin dassurer la cohrence des phases de validation des mesures chaque rcurrence. Cest
le concept du filtre dual. Dans le prochain chapitre nous dcrirons en premire instance le module
dextraction formul pour un autre paramtre que les temps darrive puis nous nous intresserons
lapport dun second paramtre.
111 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA

CHAPITRE 5
GENERALISATION DE LA FORMULATION ET
ADAPTATION A UN AUTRE PARAMETRE QUE LE
TOA

Le chapitre prcdent est consacr la prsentation thorique des techniques mises en uvre pour
lextraction de trames radar, ainsi qu leur formulation limite leur application exclusive aux temps
darrive des impulsions. Cependant, comme nous lavons dj voqu aux chapitre 2 et 3, les
capteurs actuels sont susceptibles, en fonction de leur degr de sophistication, de dlivrer dautres
informations caractrisant les impulsions enregistres, que les seuls TOA. Il est donc judicieux
dutiliser cette information redondante afin damliorer la robustesse globale de lalgorithme dans sa
fonction dextraction. Il devient galement possible destimer les caractristiques des modulations des
autres paramtres, ce qui permet dassurer une description plus complte de la trame et donc
daccrotre les capacits didentification des radars.
Le paramtre considr sera indiffremment la largeur dimpulsions ou la frquence moyenne de
limpulsion. On rappelle que lazimut ne subit pas de modulation volontaire et que le niveau apparat
bien trop variable vis vis de nombreux paramtres environnementaux difficilement matrisables.

I. Particularits
Vis vis de la formulation adopte pour le module dextraction qui opre exclusivement partir des
TOA, un certain nombre de modifications sont ncessaires pour prendre en compte les particularits
des mesures de largeur dimpulsion et de frquence. Nous avons dj mentionn que les modulations
considres sont globalement identiques celles considres pour les TOA.
Cependant les mesures de TOA sont ordonnes, en fonction des index, de manire strictement
croissante, ce qui ne peut videmment tre le cas pour des mesures de largeur dimpulsion ou de
frquence.
Nous examinons donc successivement limpact des remarques prcdentes sur la formulation de la
problmatique du dsentrelacement.
Dans un premier temps, nous explicitons le modle retenu puis nous revenons brivement sur laspect
de validation des mesures qui constitue, dans le cas de la largeur dimpulsion ou de la frquence, une
difficult majeure.

1 Modle pour les paramtres autres que les TOA


Le modle est donn par la relation (5-1). Il est relativement simple et permet didentifier la
problmatique comme appartenant au domaine plus vaste de lidentification de paramtres.
Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 112

k = k 1 + rk
(5-1)
u k = h(k , k ) + ek

k est le vecteur des paramtres de la modulation et la fonction h peut tre ponctuellement discontinue
en un nombre fini de points voire non linaire. Dans notre cas, elle reprsente la modulation du
paramtre considr.
Le bruit rk est un bruit suppos additif gaussien blanc et centr sans ralit physique, mais destin
assurer la convergence du filtre.
Le bruit ek galement additif gaussien blanc et centr est le bruit de mesure.
Le modle ne prsente pas de structure duale permettant denvisager de le traiter partir dune
approche semblable celle utilise pour les TOA, savoir la Rao-Blackwellisation. Le filtre
particulaire mis en uvre possde donc une structure gnrique. Cependant la fonction dimportance
optimale est gnre partir de techniques dveloppes partir de la transformation unscented et de
lapproximation de Taylor base sur la diffrence centrale , dj utilises pour gnrer la fonction
dimportance dans le cas des TOA. Lalgorithme de la figure 5-1, reprsente le synoptique du filtre
particulaire utilis dans le cadre des autres paramtres que les TOA.

Soit le systme :
k = k 1 + rk

u k = h( k , k ) + ek
1. Initialisation : k=0
Pour i=1,,N gnrer les particules 0( i ) ~ p ( 0 ) et calculer :
0(i ) = E[ 0(i ) ]

P0( i ) = E[( 0(i ) 0( i ) )( 0( i ) 0( i ) )T ]


2. Pour k {1,,+}

Echantillonnage dimportance

Pour i=1,,N

Mettre jour des particules par le SR-CDF

Propager des particules

k(i/)k 1 = k(i )1 / k 1

S( ik) _ = RLS
1 / 2 (i )
S k 1

(ki /) k 1 = [ k( i/)k 1; k( i/)k 1 + S( ik) _ ; k( i/)k 1 S( ik) _ ]

(ki ) = G[ (ki/) k 1 , k ]

y k(i ) = j = 0Wi ( m ) (ji, k)


n

Prendre en compte lobservation courante


113 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA


S y( ik) = qr W1( c ) [Y1(:in) , k Yn(i )+1:2 n , k ] W2( c ) [Y1(:in) , k + Yn(i )+1:2 n , k 2Y0(,ik) ] Re

( )[ W [Y ] T
P(ki )y k = S(ik) _ 1
(c) (i )
1:n , k Yn(i )+1:2 n , k ]

K k( i ) = (P /( S ) )/ S
(i )
k yk
( i ) 1
yk
(i )
yk

k(/i )k = k(i/)k 1 + K k(i ) ( yk(i ) y k(i ) )

U ( i ) = K k( i ) S y( ik)

{
S( ik) = cholupdate S( ik) _ ,U ( i ) ,1 }
~ (i ) (i ) (i ) (i ) (i ) ( i )T
Gnrer de k ~ g ( k 0:k 1 , y1:k ) = N ( k , S k S k )
~ ~
Mettre jour 0(:ik) = ( (0i:k) 1 , k( i ) ) et S (0i:k) = (S (0i:k) 1 , S(ki ) )

Pour i=1,,N valuer des poids dimportance

~ ~
p ( yk k( i ) ) p ( k( i ) k( i)1 ) (i )
w (i )
k ~ wk 1
g ( k( i ) (0i:)k 1 , y1:k )

Pour i=1,,N normaliser les poids dimportance

R-chantillonnage
~
Pour i=1,,N, tirer avec remise (0i:k) parmi ( 0(:ik) )i =1,..., N proportionnellement aux poids
( wk( i ) )i=1,..., N et fixer de la valeur 1/N aux poids wk(i )

Sortie, identique au filtre particulaire gnrique.

Figure 5-1 : Algorithme particulaire destimation des paramtres de la modulation de la largeur


dimpulsion ou de la frquence

(i )
La fonction H est une fonction vectorielle qui applique chaque vecteur colonne de k / k 1 la fonction
vectorielle h( k , k ) , n est la dimension du vecteur des paramtres .
Les fonctions qr, cholupdate sont explicites au chapitre prcdent figure 4-16, ainsi que la valeur des
paramtres W(m), W(c) et .
La figure 5-1 reprsente le synoptique gnral de lalgorithme destin traiter la dure dimpulsion et
la frquence. Dune manire absolument identique la procdure mise en place pour traiter
linformation TOA, il met en uvre des techniques identiques de validation des mesures,
dinitialisation et damlioration de calcul des poids dimportance.
En fait, comme nous lavons dj mentionn, la difficult rside moins dans la mise en uvre dun tel
filtre que dans la procdure de validation des mesures. Afin de bien mettre en vidence le
comportement pathologique dans certains cas de figure du module dextraction travaillant
exclusivement partir de paramtres autres que les TOA, considrons un exemple.
Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 114

2 Extraction partir de la LI ou de la frquence


Laffirmation qui consiste dire que nous procdons lextraction dune trame uniquement laide
dun autre paramtre que le TOA est un peu usurpe, dans la mesure o le filtre est formul partir de
lindex des impulsions et que par consquent lordre darrive des impulsions constitue une donne
implicite. Par contre, nous supposons ne pas connatre prcisment les instants darrive des
impulsions (TOA). En consquence lorsque nous formulerons les donnes dun problme de
simulation, il nous appartiendra de prciser, la logique denchanement des impulsions ce qui revient
donner les modulations des TOA, bien que ces derniers ne soient pas utiliss.

2.1. Gnralits
La procdure de validation des mesures comprend deux tapes. La premire est ralise par une
fentre glissante dont la largeur est infrieure la priode minimale des modulations recherches qui
est utilise pour dfinir lindex des impulsions susceptibles dtre valides. La seconde phase de
validation consiste gnrer une porte centre sur la valeur prdite et de largeur gale linnovation
prdite. Toutes les mesures comprises dans cette fentre et dindex appartenant lensemble dtermin
par la premire tape sont alors valides. Or, lextraction implique de faire un choix, chaque
rcurrence, de limpulsion appartenant la trame pour poursuivre la procdure. Le critre mis en
uvre consiste alors prendre limpulsion valide dindex minimal et non pas limpulsion la plus
proche de la valeur prdite. En effet, il est parfaitement possible quune impulsion nappartenant pas
la trame que lon cherche extraire soit plus proche de la valeur prdite que limpulsion recherche
elle-mme. Cette situation est dautant plus courante lorsque les valeurs du paramtre des diffrentes
trames appartiennent la mme gamme. Une erreur dans la validation de limpulsion (mauvais index)
implique une rupture de squence pouvant tre trs importante alors que pour autant sa frquence ou
sa largeur dimpulsion sont trs proches des valeurs attendues. videmment dans le cas des TOA, rien
de tel puisque la validation de limpulsion seffectue prcisment partir de sa position. On limite
ainsi la porte de lerreur de squencement par la premire phase de validation des mesures.

2.2. Premier exemple


On suppose deux trames PRI constantes, de mmes valeurs, ce qui a pour consquence de raliser un
entrelacement dune impulsion sur deux. Dans le mme temps, la largeur dimpulsion ou la frquence
est module, pour une trame, par une modulation de type sliding et pour lautre par une modulation de
type wobulated. Lobjectif est de procder lextraction de ces deux trames uniquement partir du
paramtre modul.

Caractristique de la trame1 Caractristique de la trame2


Nombre dimpulsions : 50 Wobulated Nombre dimpulsions : 50 Sliding
Bruit de mesure (% de la moyenne 3) : 0.3% Bruit de mesure (% de la moyenne 3) : 0.3%
(connu) (connu)
Impulsions parasites : 0% Impulsions parasites : 0%
Impulsions manques: 0% Impulsions manques: 0%
Moyenne : 1000 Moyenne : 1000
Amplitude : 150 Amplitude : 75
Priode : 20 Priode : 30
Phase : 5 Phase : 25
Tableau 5-1 : Caractristique des trames
115 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA

a)
TRAME1
b)
TRAME2
1200 1080

1150 1070

1060
1100

1050
1050

1040
Amplitude

Amplitude
1000
1030

950
1020

900
1010

850 1000

800 990
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Index des Impulsions Index des Impulsions

Figure 5-2 : Modulation dun paramtre de deux trames

DONNEES
1200

1150

1100

1050
Amplitude

1000

950

900

850

800
0 10 20 30 40 50 60 70 80 90 100
Index des Impulsions

Figure 5-3 : Donnes partir desquelles seffectue lextraction

: Trame extraite
a) b)
: Trame relle 1160

1140

1120

1100

1080
Amplitude

1060

1040

1020

1000

980
0 10 20 30 40 50 60
Index des Impulsions

Figure 5-4 : Trames extraites et relles


Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 116

A premire vue, les rsultats des trames extraites sont proches des trames relles, figure 5-4 a) et b). Il
est vrai que la difficult du problme, figure 5-3, semble modeste puisquune simple observation des
donnes permet didentifier les modulations mises en uvre. Il nen est pas toujours ainsi.
Dans le tableau 5-2, figurent les rsultats de lestimation des paramtres des modulations.

Nombre de
Trame1 (Wob) Trame2 (Slid)
particules :1450
MMSE MAP Relle MMSE MAP Relle
Moyenne 1000.3 1000.2 1000 999.35 1003.3 1000
Amplitude 149.3 148.9 150 82.18 82.2 75
Priode 19.9 20.2 20 37.48 36.5 30
Dphasage 7 7.1 5 30.3 26.3 25

Tableau 5-2 : Rsultats de lestimation des paramtres

Les paramtres de la modulation de type Sliding sont moins bien estims en raison dune part de plus
fortes discontinuits et de la taille trop faible de lchantillon analys qui ne comporte mme pas deux
priodes compltes.
On peut donc juger que la procdure de validation des mesures en deux tapes est suffisante et quil
est possible denvisager de conduire une procdure de dsentrelacement de trames, mene uniquement
partir de la modulation dun paramtre primaire autre que les TOA.

2.3. Deuxime exemple


Cet exemple adopte une configuration lgrement diffrente puisque cette fois les modulations qui
rgissent les TOA des deux trames sont de type Wobulated et Sliding. On perd ainsi le bel
ordonnancement dune impulsion sur deux appartenant une trame donne, de lexemple prcdent.

a) b)
15 15

14.5

14
14

13.5
13

13
Amplitude

Amplitude

12 12.5

12

11
11.5

11
10

10.5

9 10
0 10 20 30 40 50 60 70 0 5 10 15 20 25 30 35 40
Index des Impulsions Index des Impulsions

Figure 5-5 : Modulation dun paramtre de deux trames

Comme reprsent par la figure 5-5, les modulations considres sont dune part une modulation
dterministe de type sliding (a) et dautre part une modulation constante bruite (b). Les paramtres
des modulations sont donnes tableau 5-3.
La figure 5-6 donne laspect des donnes partir desquelles lextraction est conduite.

Les rsultats de lextraction sont, en dehors de la seule trame prsente figure 5-7, inexploitables,
lalgorithme ne parvenant pas converger. On saperoit dailleurs quil y a fort peu de concidences
entre la trame extraite et la trame relle. Cela est d une extraordinaire profusion de mesures aux
alentours de 13
117 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA

Caractristique de la trame1 Caractristique de la trame2


Nombre dimpulsions : 63 Sliding Nombre dimpulsions : 37 Sliding
Bruit de mesure (% de la PRI min 3) : 1% Bruit de mesure (% de la PRI 3) : 1%
Impulsions parasites : 0% Impulsions parasites : 0%
Impulsions manques: 0% Impulsions manques: 0%
PRI min : 10 Priode : 15 PRI : 13
Amplitude : 4,75 Phase : 0
Tableau 5-3 : Caractristiques des trames

(figure 5-6), si bien que la validation des mesures dans cette zone est sujette un grand nombre
derreurs, conduisant des ruptures de squences et irrmdiablement un droutement du filtre.
Cette concentration de mesures une certaine valeur nexistait pas dans le premier exemple.
15

14

13
Amplitude

12

11

10

9
0 10 20 30 40 50 60 70 80 90 100
Index des Impulsions

Figure 5-6 : Donnes partir desquelles seffectue lextraction

13.3
: Trame extraite
: Trame relle
13.2

13.1

13

12.9

12.8

0 5 10 15 20 25 30 35

Figure 5-7 : Trame extraite et trame relle


Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 118

Pour apporter une rponse ce problme, il est ncessaire de trouver un critre permettant de
diffrencier les impulsions de trames diffrentes. Ce marquage dimpulsions ne peut tre ralis
quavec lapport dinformation supplmentaire en provenance du traitement ralis sur les autres
paramtres de la trame.

2.3.1 Conclusion

Tant que les modulations du paramtre dintrt sont de nature dterministe, linnovation reste
matrise et il est possible dobtenir des rsultats corrects. Par contre, lorsque lune des modulations
est de nature alatoire et que les valeurs du paramtre possdent des valeurs communes, la probabilit
de confusion est forte, provoquant des dcrochages irrversibles du filtre. Dans ce cas, la mthode de
validation des mesures semble dpasse, si bien que lextraction partir des seules valeurs de largeur
dimpulsion ou de frquence est voue lchec dans la plupart des cas.
Une solution consiste utiliser toutes les informations disponibles pour chaque catgorie de
paramtres, afin damliorer la phase de validation des mesures. Dans un premier temps, nous
examinons les consquences du rajout ventuel de linformation concernant la direction darrive des
impulsions puis nous proposons un schma permettant dintgrer tous les paramtres afin dobtenir
une validation des mesures qui soit la plus robuste possible.

II. Intgration de lazimut


Dans la ralit, il est toujours possible de procder un tri sommaire des impulsions, en fonction de
leur direction darrive condition de pouvoir disposer dun capteur dcoute muni dune chane
dinterfromtrie. Dans ce paragraphe, nous supposons que ce tri prliminaire nest pas effectu mais
que nous disposons malgr tout de la direction darrive de chacune des impulsions. Lide consiste
alors intgrer linformation dazimut pour amliorer la discrimination des probabilits
dappartenance des impulsions.
Nous traiterons deux approches susceptibles dtre utilises pour amliorer lextraction.

1 Approches proposes
La premire approche consiste utiliser la nouvelle information disponible pour affiner le calcul des
probabilits associes aux donnes dans le filtre Rao-Blackwellis destin au traitement des TOA,
tandis que la seconde incorpore lazimut directement dans le vecteur dtat du filtre de Kalman du
filtre Rao-Blackwellis.

1.1. Premire approche : Filtre association de donnes probabilistes


paramtre inform
Bar Shalom et Li [Bar-Shalom, 1995] ont dvelopp une mthode, en pistage, destine amliorer les
performances du filtre classique association probabiliste de donnes lorsque des mesures
caractristiques de la cible sont disponibles en dehors des traditionnelles composantes cinmatiques.
Les mesures caractristiques additionnelles peuvent alors tre utilises pour augmenter la
discrimination entre les mesures issues de la cible et celles en provenance du clutter, par pondration
des probabilits obtenues partir du PDAF.
Lintroduction du formalisme inhrent cette technique est classiquement ralis laide dun
exemple emprunt au pistage radar. Pour lapplication qui nous concerne, on peut associer chaque
mesure de TOA linformation azimut qui nest dailleurs pas lie dynamiquement aux volutions des
TOA.
Lhypothse principale sur laquelle repose cette mthode est la connaissance explicite ou suppose de
la densit de probabilit de lazimut, pour, la fois les TOA (cible) et les impulsions parasites
(clutter).
Supposons que k soit langle darrive correspondant une mesure de TOA, yk. Si la mesure est
119 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA

associe une trame (cible), alors k est suppos distribu selon la densit de probabilit pT(k). Si, au
contraire, la mesure est attribue une fausse dtection, impulsion parasite (clutter), alors le paramtre
a pour densit de probabilit pC(k). On note le rapport de vraisemblance cible sur clutter de la
manire suivante :
pT ( k )
LT ( k ) = (5-2)
C pC ( k )
La vraisemblance normalise du modle i, i.e. de la particule i par rapport la mesure j, valide pour
lindex k est dfinie par la relation gnrale 3-23, et devient :
1 ( i ), j
e j = exp vk
2
( ) (S ) v
T
k
( i ) 1 ( i ), j
k

.LT ( k )
C
(5-3)

Dans certains cas, la densit de probabilit des paramtres peut tre estime partir de tests mens sur
des donnes brutes. En premire approximation, la distribution des paramtres issus de la cible est
assimile une densit de probabilit gaussienne centre sur la valeur moyenne :

1 ( )2
pT ( k ) = exp k 2 (5-4)
2 2
2

La densit de probabilit des fausses alarmes (impulsions parasites) est suppose tre une loi uniforme
sur lintervalle de validation des mesures.
1
pC ( k ) = , k [ min , max ] (5-5)
max min

Le rapport de vraisemblance des densits de probabilit devient alors :

max min ( )2
LT ( k ) = exp k 2 (5-6)
2 2
C
2

Limplmentation de cette approche ncessite la connaissance des quatre paramtres suivants


{ , , min , max } . Raisonnablement, on peut considrer que la valeur de lcart type doit pouvoir
tre approche partir des caractristiques du rcepteur et notamment de sa prcision. Les valeurs
min et max reprsentent la plage de dynamique des valeurs du paramtre en question, pour langle
darrive variant de 0 360. La valeur moyenne du paramtre (par exemple langle darrive vrai),
ne peut pas tre considre comme disponible, moins quun senseur extrieur ne puisse fournir cette
information. On dit alors que le traitement seffectue en mode inform , utilisant des
caractristiques du train dimpulsions pralablement extraites.
Le filtre association probabiliste de donnes paramtre inform met en uvre cette technique de
traitement dinformations a priori. Une seconde approche est envisageable pour intgrer les
informations apportes par les autres paramtres primaires interpulse : il sagit du filtre association
probabiliste de donnes vecteur dtat augment.

1.2. Filtre association probabiliste de donnes vecteur dtat


augment
Lobjectif du rajout de lazimut au vecteur dtat est que le paramtre ainsi rajout puisse amliorer
lefficacit et la robustesse des procdures de validation de mesures et dassociation de donnes.
Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 120

1.2.1 Gnralits

Cette seconde approche consiste effectuer une concatnation du vecteur dtat, dans lequel figure le
TOA et lazimut. Ainsi, le modle dfini par (4-62), devient :

xk +1 xk h( k , k ) wx
= + +
k +1 k 0 w
(5-7)
yk xk vx
mes = +
k k v

wx et vx correspondent respectivement au jitter cumulatif et non cumulatif.


xk est le temps darrive de la kme impulsion et k son angle darrive.
w est un bruit blanc centr gaussien, dcart type faible, sans ralit physique mais dont lexistence
permet damliorer la convergence et le suivi des variation lentes de la variable dtat
v le bruit de mesure de lazimut suppos connu, galement blanc centr et gaussien.
k est le vecteur des paramtres de la modulation considre.
Le systme (5-7) est donc linaire conditionnellemet h( k , k ) .
Lazimut, contrairement aux autres paramtres primaires ne subit pas de modulation volontaire. Par
consquent en premire approche et compte tenu du faible nombre dimpulsions sur lequel le module
dextraction est appel travailler, on peut le considrer comme constant.
Lintgration de lazimut dans le vecteur dtat tel quil est ralis peut ventuellement tre adapt
un autre paramtre primaire voire tous les paramtres primaires du moment que ces derniers sont
constants. En effet, une analyse automatique des donnes qui conduit la formation de cluster propre
une trame implique que le paramtre en question soit constant, et peut donc tre intgr dans le
nouveau vecteur dtat.
Afin de conserver la clart de lexpos concernant le formalisme utilis, nous prendrons en compte
mes
uniquement un seul paramtre, savoir la mesure de langle darrive k disponible avec chaque
mesure dimpulsion de temps darrive y k .

1.2.2 Validation des mesures

La procdure de validation [Slocumb, 1998] des mesures pour la particule i est, dans son principe,
identique celle prsente pour le PDAF.
Lexpression de linnovation est donne par :
(i )
x ( i ) v x
(i )
(i ) y
vk = mes ( i ) = ( ik)
k k / k 1
(5-8)
k k / k 1 v k

Compte tenu de lindpendance des mesures des TOA et de langle darrive, on obtient, partir des
quations de Kalman, la matrice de covariance de linnovation prdite sous la forme diagonale
suivante.

(i )
S (i ) 0
Sk = xk (i )
(5-9)
0 S k

Il en dcoule linnovation quadratique normalise, utilise pour dfinir la porte de validation.

(v ) (S ) v = (v ) (S ) v + (v ) (S ) v
(i ) T
k
( i ) 1 ( i )
k k k
(i ) T ( i ) 1 ( i )
k k
(i ) T
xk
( i ) 1 ( i )
xk xk (5-10)
121 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA

Le premier terme du membre de droite de (5-10) correspond la composante de lerreur prdite


dinnovation attribue langle darrive et le second terme la composante attribue lerreur de
prdiction des TOA. Lintroduction de langle darrive dans le vecteur dtat entrane donc un
largissement de la porte de validation. Le filtre rejette les mesures issues des impulsions parasites car
les erreurs de prdiction des angles darrive sont souvent sous-values compte tenu de la nature
alatoire de la position des impulsions parasites. Il en rsulte un nombre infrieur de fausses mesures
valides prendre en compte dans la procdure dassociation.
On peut remarquer que le vecteur de mesures est de dimension 2. Linnovation quadratique normalise
suit une loi du Chi-deux 2 degrs de libert. Pour un niveau donn de la probabilit dappartenance
de la mesure lintervalle de validation, le calcul du seuil est donc lgrement modifi par rapport au
cas o lazimut nest pas intgr au vecteur dtat.

1.2.3 Implmentation du PDAF vecteur dtat augment

Le principe de lassociation de donnes est semblable celui du PDAF : les relations (3-23)
dfinissent les probabilits dassociation en fonction des paramtres b et ej . Lexpression de b reste
inchange tandis que ej est modifi de la manire suivante :

e
( i ), j
= exp xk
2
( ) (S )
1 ( i ), j T ( i ) 1
xk
( i ), j
xk

.e ( i ), j

( ) (S )
1 ( i ), j
avec e ( i ), j = exp k
2
T
k
( i ) 1 ( i ), j
k



(5-11)

Tout comme que dans le cadre de la validation des mesures, lintroduction de langle darrive dans le
vecteur dtat ajoute un terme dinnovation quadratique normalise dans le calcul des probabilits
( i ), j
dassociation. Une grande innovation k traduit le caractre non prdictif de la mesure (impulsion
parasite) et entrane une diminution de ej et par consquent de la probabilit dassociation.
(i ) 2
De plus, comme k peut tre dcoupl des autres variables dtat, en posant R = , la covariance
de linnovation prdite est donne par :
(i ) (i )
S k = P ,k / k 1 + R (5-12)

(i )
o P ,k / k 1 dsigne la composante de la matrice de covariance de lerreur de prdiction associe la
(i )
variable dtat k .
En utilisant les quations de Kalman et en procdant par combinaison et substitution :
(i ) (i )
P ,k +1 / k = P ,k / k (5-13)
et :
(i )
(i ) P ,k / k R
P ,k +1 / k +1 = (i )
(5-14)
P ,k / k + R
Or, en appliquant une procdure dinitialisation base sur la diffrenciation des deux premires
(i )
mesures, on a P , 2 / 2 = R . On peut aisment dmontrer, par rcurrence, la nouvelle expression de la
matrice de covariance :
(i ) R
P ,k +1 / k +1 = (5-15)
k
(i ) (i )
Lorsque k devient grand, la matrice de covariance de lerreur destimation P ,k / k tend vers 0 et S k
tend ainsi vers R .
Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 122

2 Confrontation des deux approches


Une comparaison des coefficients dassociation dfinis par les relations (5-6) et (5-11) montre que le
rapport de vraisemblance du PDAF paramtre inform est trs similaire la pondration des
probabilits dassociation du PDAF vecteur dtat augment.

2.1. Similarit des approches


Les deux approches mettent en uvre une pondration de type exponentielle dcroissante dune
mesure derreur quadratique normalise. Le vecteur dtat augment utilise lerreur quadratique
dinnovation normalise tandis que le filtre paramtre inform met en uvre lerreur quadratique par
rapport la vritable valeur du paramtre considr. Le facteur de normalisation, pour lapproche
(i ) 2
vecteur dtat augment, est la covariance de linnovation prdite S k qui tend vers R = lorsque k
(i )
crot. Donc lorsque la valeur prdite du paramtre k tend vers la valeur relle , les probabilits
dassociation des 2 approches convergent.

Cependant, le filtre PDA vecteur dtat augment prsente deux avantages sur le PDA paramtre
inform :
les paramtres sont utiliss pour une procdure de validation des mesures ce qui permet dliminer
la plupart des mesures dues aux parasites,
La connaissance a priori de la valeur moyenne du paramtre nest pas requise.

2.2. Rsultats et conclusion


Pour fixer lordre de grandeur de lamlioration des performances apport par la prise en compte
lazimut, nous examinons une valuation des deux mthodes proposes et nous les comparerons aux
autres mthodes mentionnes jusquici.
Seul lazimut en plus des TOA est utilis, les mesures angulaires des impulsions parasites sont tires
alatoirement de manire uniforme entre 0 et 90.

Caractristique de la trame TOA Caractristique de la mesure dangle


Nombre dimpulsions : 50 modulation constante Valeur moyenne : 45
Bruit de mesure (% de la moyenne 3) : 10% Bruit de mesure : =2(connu)
(connu)
Impulsions parasites : 20% Distribution uniforme sur lintervalle 0 90
Impulsions manques: 10%

Tableau 5-4 : Conditions de simulation

On dfinit une borne pseudo-optimale correspond la limite des performances pour un estimateur
utilisant des donnes parfaites, sans impulsions parasites et manquantes.
Les caractristiques sont obtenues en moyennant lerreur quadratique chaque index pour 100
itrations : les trames tant tires alatoirement pour chacun des essais. La grandeur mesure
correspond au logarithme de linverse de lerreur quadratique moyenne. Il sagit l dune grandeur
frquemment rencontre pour qualifier les performances dun estimateur.

On constate, figure (5-8), que les deux techniques prenant en compte les autres paramtres primaires,
filtre PDA vecteur dtat augment (AS-PDA) et paramtre inform (IP-PDA), prsentent des
performances similaires nettement amliores par rapport au PDAF formulation classique, qui
surpasse lui mme le filtre NN (Nearest Neighbor).
123 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA

Le bien-fond de la prise en compte dautres paramtres primaires pour diffrencier les impulsions est
donc, conformment lintuition, vrifi.

Borne

Figure 5-8 : Performances de diffrentes mthodes

En guise de conclusion, les deux approches proposes apportent une amlioration notable par rapport
un filtre association probabiliste de donnes. Cependant, la mthode vecteur dtat augment
ncessite une quantit dinformations a priori moindre que la mthode paramtre inform qui
requiert, pour sa mise en uvre, la connaissance de la valeur moyenne de lazimut.
Nous retiendrons donc lapproche vecteur dtat augment. Cependant, dans la grande majorit des
travaux lis cette thse, lintrt des mthodes prsentes rside dans le fait quelles soient capables
de diffrentier des mesures modules dans une gamme sensiblement identique. Le fait de sparer les
gammes de mesures des diffrents paramtres ou dintgrer lazimut fausse le problme et limite
videmment la porte des mthodes dveloppes. Nanmoins dans un contexte oprationnel lazimut
garde tout son intrt, il peut alors tre concatn dans le vecteur dtat du filtre Rao-blackwellised, au
cot des temps darrive (4-62), de manire extrmement simple.

III. Intgration dun autre paramtre que lazimut


Lazimut tant un paramtre particulier en raison de labsence de modulation volontaire, il est
intressant dvaluer lapport potentiel dun autre paramtre tel la largeur dimpulsion ou la frquence.
Dans le chapitre prcdent nous avons tabli la formulation du filtre partir des TOA, et au dbut de
ce chapitre, la formulation dun dsentrelaceur partir dun autre paramtre, indiffremment la largeur
dimpulsion ou la frquence.

1 Concept mis en place


Le point de dpart est constitu par les deux modules dextraction formuls, dune part, partir des
TOA et, dautre part, partir de la largeur dimpulsion ou de la frquence. Nous liminons demble
lide qui consiste stipuler un filtre particulaire, fusse-t-il Rao-Blackwellised, partir des variables
dtat englobant la totalit des paramtres primaires dcrivant les impulsions, mais aussi
ncessairement, les caractristiques de leurs modulations. En effet, un tel dispositif supposerait, pour
assurer une couverture exhaustive de lespace dtat linitialisation, un nombre de particules colossal
qui dpasserait de loin les capacits dun calculateur ordinaire actuel.
En consquence nous nous orientons vers le concept qui consiste juxtaposer un dsentrelaceur
destin assurer le traitement de la table des TOA un second dsentrelaceur vou exclusivement au
paramtre ajout. Le lien entre ces deux modules est assur uniquement par lindex des impulsions,
dcrites chacune par la donne de son instant darrive et de sa largeur ou frquence moyenne.
Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 124

Les deux dsentrelaceurs voluent donc indpendamment mais valident respectivement, chaque
rcurrence, un ensemble dindexes. Nous dterminons alors lintersection des indexes et liminons
toutes les particules qui nont pas valid une mesure appartenant lintersection ainsi dfinie, puis
chacun des modules de dsentrelacement procde indpendamment et en totale autonomie ltape de
r-chantillonnage. La procdure est extrmement simple et gnralisable aux autres paramtres
primaires. On peut bien sr concevoir bien des variantes pour la gestion des indexes, cependant,
nombre dentre elles conduisent une explosion du nombre de particules. Pour ne pas multiplier le
nombre des particules de manire inconsidr il est important que les deux nuages particulaires soient
les plus indpendants possible.
Nous illustrons notre propos par un exemple.

2 Exemple du dsentrelacement de deux trames complexes partir des


TOA et dun paramtre autre que lazimut
Afin que lapport procur par ladjonction dun second paramtre primaire (LI) au processus de
dsentrelacement soit sans quivoque, nous procdons une simulation mettant en jeux quatre trames
dont les paramtres sont moduls selon des lois complexes. Etant donn la complexit de lexemple, la
donne des conditions de simulation savre quelque peu fastidieuse. Pour allger un tant soit peu la
prsentation, nous ne nous occuperons pas du terme de phase qui ne caractrise dailleurs pas la
modulation. De mme, pour assurer une bonne lisibilit des rsultats nous ne prendrons pas en compte
dimpulsions manques ou dimpulsions nappartenant pas au moins lune des trames.

2.1. Donnes relatives la simulation


Les caractristiques respectives des trames figurent dans les tableaux 5-5, 5-6, 5-7 et 5-8 suivants :

Caractristique de la trame 1
TOA LI
Modulation wobulated Modulation sliding
Impulsions manques: 0%
Jitter cumulatif : 1% Bruit de mesure : 1% (connu)
Jitter non cumulatif : 1% (connu)
Moyenne : 10 PRI min : 10
Amplitude : 5 Amplitude : 4,75
Priode : 25 Priode : 15
Tableau 5-5 : Paramtres de la trame 1

Caractristique de la trame 2
TOA LI
Modulation sliding Modulation constante
Impulsions manques: 0%
Jitter cumulatif : 1% Bruit de mesure : 0.77% (connu)
Jitter non cumulatif : 0.91% (connu)
PRI min : 11 PRI : 13
Amplitude : 2.88
Priode : 25
Tableau 5-6 : Paramtres de la trame 2
125 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA

Caractristique de la trame 3
TOA LI
Modulation jittered Modulation wobulated
Impulsions manques: 0%
Jitter cumulatif : 15% Bruit de mesure : 1% (connu)
Jitter non cumulatif : 1% (connu)
PRI : 10 PRI moy : 10
Amplitude : 2.5
Priode : 20
Tableau 5-7 : Paramtres de la trame 3

Caractristique de la trame 4
TOA LI
Modulation Modulation jittered
Impulsions manques: 0%
Jitter cumulatif : 1% Bruit de mesure : 15 %
Jitter non cumulatif : 0.83% (connu)
PRI : 12 PRI : 13
Tableau 5-8 : Paramtres de la trame 4

Les valeurs du jitter non cumulatif pour les TOA, ainsi que lcart-type du bruit de mesure pour la LI
sont considrs connus et sont, par consquent, gales, car on suppose implicitement que les
caractristiques du capteur, ayant produit les mesures, restent invariantes quelle que soit la trame. Pour
une modulation de la LI du type jittered, le bruit de mesure intgre lensemble des variations dues la
fois la modulation et la mesure, sachant que lcart type du bruit de mesure reste faible par rapport
aux variations engendres par la modulation.

On donne galement les caractristiques intrinsques des deux modules dextraction :

Nombre de Seuil de r-
particules chantillonnage
Module dextraction
5208 0.75
des TOA
Module dextraction
3200 0.75
de la LI
Tableau 5-9 : Donnes intrinsques aux modules dextraction

Le nombre de particules est dtermin, pour les deux modules dextraction, au cours de la phase
dinitialisation en fonction de lespace dtat couvrir et de la finesse du maillage choisie.
La trame tudie comporte au total 147 impulsions qui se rpartissent de la manire suivante :
39 impulsions de la trame 1,
33 impulsions de la trame 2,
41 impulsions de la trame 3
34 impulsions de la trame 4.

Afin de fixer les ides, nous reprsentons individuellement les 4 trames en fonction de la variation des
DTOA et de la LI (figures 5-9 et 5-10).
Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 126

On constate que les quatre modulations sont utilises pour les deux paramtres traits (TOA et LI), et
que les plages de variation des paramtres ne peuvent tre spares a priori.

a) Trame 1 c) Trame 2
15 15

10 10

DTOA
DTOA

5 5

0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35
Index
b)
Index
d)
15 15

10 10

LI
LI

5 5

0 0
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35

Index Index

Figure 5-9 : Paramtres des trames 1 et 2

a) Trame 3 c) Trame 4
15 15

10 10
DTOA
DTOA

5 5

0 0
0 5 10 15 20 25 30 35 40 45 0 5 10 15 20 25 30 35

b) Index
d) Index

15 15

10 10
LI
LI

5 5

0 0
0 5 10 15 20 25 30 35 40 45 0 5 10 15 20 25 30 35

Index Index

Figure 5-10 : Paramtres des trames 3 et 4

10

6
DTOA

0
0 50 100 150
Index

15

10
LI

0
0 50 100 150
Index

Figure 5-11 : Donnes dentre de lalgorithme


127 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA

Le module dextraction opre partir des modlisations du TOA et de largeur dimpulsion reprsents
tous deux sur la figure 5-11.
Avant de procder lextraction partir de la mise en uvre des deux modules conjoints appliqus
la fois aux TOA et la LI, nous essayons de raliser le dsentrelacement uniquement partir du
module dextraction formul partir des TOA. Nous constatons bien vite que le filtre diverge
irrmdiablement lapproche des zones de fortes densits dimpulsions et que les rsultats fournis
sont minemment fantaisistes.

2.2. Rsultats dextraction


Les rsultats dlivrs par les modules dextraction sont donns par les figures 5-12 et 5-13.

a) Trame1 c) Trame2
16 14

14 13.5
DTOA

13
12
12.5
10

DTOA
12
8
11.5
6 11

4 10.5
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35
Index

15
b) 14
d) Index

14 13

13 12
LI

LI

12 11

11 10

10 9
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35
Index Index

Figure 5-12 : Rsultat dextraction pour les trames 1 et 2

a) Trame3 c) Trame4
11.5 13.5

11 13

10.5 12.5
DTOA

DTOA

10 12

9.5 11.5

9 11

8.5 10.5
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35

14
b) 14.5
d)
Index Index
13 14
12
13.5
11
13
LI

10
LI

12.5
9

8 12

7 11.5
0 5 10 15 20 25 30 35 40 45 0 5 10 15 20 25 30 35

Figure 5-13 : Rsultat dextraction pour les trames 3 et 4

Les trames ont t extraites dans lordre suivant : trame 1 puis trame 3, trame 2 et enfin la trame 4.
On saperoit ainsi que la trame1 est parfaitement extraite sans aucune erreur. Par contre lextraction
des autres trames est entache de quelques erreurs mais qui ne remettent pas en cause le succs global
du processus. Ainsi, on peut sapercevoir que lors de lextraction de trame 3, il y a eu deux erreurs, qui
compte tenu de lordre dextraction des squences ont entran une erreur respectivement dans
chacune des deux autres trames restant extraire (trames 2 et 4). Les erreurs de classification
Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 128

dappartenance des impulsions sont dues, en fait, la validation de mesures de TOA plus proches de la
valeur prdite que les mesures appartenant rellement la trame. Cest prcisment ce qui sest pass
avec les impulsions dindex 24 et 32 de la figure 5-13 b) qui ont t interverties respectivement avec
limpulsion dindex 20 de la trame 2 figure 5-12 d) et limpulsion dindex 27 de la trame 4, figure 5-13
d). Ce cas de figure est relativement frquent lorsque lon considre une modulation de TOA jittered
en raison dune largeur de porte de validation plus large engendre par un niveau de jitter cumulatif
potentiellement important (15% dans lexemple).

2.3. Rsultats de lestimation des paramtres


Les rsultats de lestimation des paramtres des modulations sont donns par les tableaux 5-10, 5-11,
5-12, 5-13 :

TOA (Wobulated) LI (Sliding)


MMSE MAP Relle MMSE MAP Relle
Moyenne 9.9971 9.3383 10 9.9437 9.8826 10
Amplitude 4.9996 5.6397 5 5.0241 4.8554 5
Priode 24.95 26.9299 25 15.2631 15.1741 15
Tableau 5-10 : Rsultats de lestimation des paramtres des modulations des TOA et de la LI
pour la trame 1

TOA (Sliding) LI (Wobulated)


MMSE MAP Relle MMSE MAP Relle
Moyenne 10.9155 10.9468 10 12.9908 12.9986 13
Amplitude 3.0186 3.0104 3 0.0197 0.0095
Priode 25.2834 25.4013 25 26.4038 22.31.63
Tableau 5-11 : Rsultats de lestimation des paramtres des modulations des TOA et de la LI
pour la trame 2

TOA (Wobulated) LI (Wobulated)


MMSE MAP Relle MMSE MAP Relle
Moyenne 10.2066 10.1835 10 9.9944 9.9708 10
Amplitude 0.009 1.0433 2.4972 2.5142 2.5
Priode 10.7713 10.6435 20.21 20.5762 20
Tableau 5-12 : Rsultats de lestimation des paramtres des modulations des TOA et de la LI
pour la trame 3

TOA (Wobulated) LI (Jittered)


MMSE MAP Relle MMSE MAP Relle
Moyenne 11.9704 12.0004 12 13.0995 13.2638 13
Amplitude -0.0188 0.0099
Priode 1.2936 16.2569
Tableau 5-13 : Rsultats de lestimation des paramtres des modulations des TOA et de la LI
pour la trame 4

On saperoit que le module dextraction assimile rgulirement les modulations constante et jittered
des modulations wobulated damplitudes faibles, ce qui nest pas trs gnant dans la mesure o ce type
129 Gnralisation de la formulation et adaptation a un autre paramtre que le TOA

de modulation peut effectivement avoir plusieurs reprsentations quivalentes. Dailleurs, cet tat de
fait pourrait constituer une voie dvolution du module dextraction qui permettrait de rduire le
nombre de particules, en ne recherchant pas systmatiquement les modulations constantes comme un
type de modulation part entire mais plutt comme un cas particulier de la modulation wobulated.
On remarque galement que lestimation des paramtres des modulations wobulated est en gnral
mieux ralise que celle des autres modulations, en particulier celle de la modulation Sliding. Dune
manire gnrale, les paramtres sont bien estims.

3 Conclusion
Ladjonction dun second paramtre permet de rsoudre des problmes de complexit bien suprieure
ce que laisse entrevoir les performances dun filtre dvelopp partir des seuls TOA. La mthode
utilise permet dtendre, sans difficult, la formulation au troisime paramtre primaire que constitue
la frquence. Cependant, lorsque lon analyse les procdures mises en uvre, on se rend bien vite
compte que lvaluation exhaustive du dispositif pour un nombre de paramtres suprieur 1 nest pas
raliste en raison du nombre de combinaisons quil convient de prendre en compte. En effet, les
rsultats dextraction sont fonction des combinaisons des modulations sur chacun des paramtres. Si
lon considre par exemple deux modulations constantes de valeurs parfaitement diffrencies dun
paramtre quelconque, alors lextraction sera aise. Si, maintenant leurs valeurs moyennes sont
identiques ou proches, le paramtre en question nest quasiment daucune aide lextraction et peut
mme contribuer faire chouer le processus. Nous nous contenterons donc, dans le chapitre suivant,
de procder lvaluation dun seul module dextraction formul partir des TOA.
Gnralisation de la formulation et adaptation a un autre paramtre que le TOA 130

Page laisse intentionnellement blanche


131 Simulations

CHAPITRE 6
SIMULATIONS

Ce chapitre est consacr essentiellement la mise en uvre de lalgorithme dvelopp. Lobjectif


principal tant de dgager le niveau de performances atteint, ses limites et son domaine dutilisation.
Dans une premire phase, nous exposerons les critres retenus pour quantifier, dune part, les
oprations dextraction et dautre part la qualit de lestimation des paramtres des modulations
considres.

I. Critres dvaluation
Avant dexposer lvaluation de lalgorithme, nous prcisons brivement les critres utiliss qui sont
au nombre de deux. Un premier critre qualifie la qualit de lextraction et lautre quantifie les erreurs
destimation des paramtres de la modulation.

1 Critre dapprciation de lextraction


Il nexiste pas, dans la littrature, de critre dapprciation qualitatif du processus dextraction, tant les
facteurs linfluenant sont divers et varis. Ainsi, les auteurs se contentent dans la plupart des cas de
donner un ou plusieurs exemples de diverses configurations et de sappuyer sur ces derniers pour faire
ressortir le comportement de lalgorithme tudi [Slocumb, 1998]. Certains dailleurs utilisent
uniquement les rsultats de lestimation des paramtres pour qualifier lensemble de la procdure
dextraction et de caractrisation, si bien quil est difficile de quantifier avec certitude les qualits
respectives des oprations dextraction et de caractrisation. Notre approche a consist dans un
premier temps essayer de diffrencier de manire explicite les rsultats obtenus dune part par la
procdure dextraction et dautre part par la procdure de caractrisation, qui mme si elles sont
ralises simultanment nen demeurent pas moins deux objectifs distincts. Cependant, on saperoit
rapidement, et cela est comprhensible intuitivement, que lextraction influe de manire directe sur la
qualit de lestimation. En effet, on conoit facilement que le fait deffectuer les calculs des
paramtres de la modulation de la trame partir dimpulsions nappartenant pas en ralit la trame
(erreurs dextraction), affecte les rsultats et pas forcment de manire ngative dailleurs. Il est
effectivement possible que dans le cas par exemple dune impulsion manquante, lalgorithme valide
une impulsion appartenant une autre trame car cette dernire se trouve proximit de la position
prdite. Dans ce cas, cette confusion peut se rvler bnfique et amliore le calcul des paramtres de
la modulation ou tout du moins ne le dtriore pas de manire significative.
La poursuite de ce raisonnement nous conduit adopter deux critres permettant de quantifier les
oprations dextraction et de caractrisation indpendamment les une des autres.
Le premier critre, utilis pour les oprations dextraction, est bas sur le rapport entre le nombre total
derreurs commises sur la source active et le nombre dimpulsions traites. Il ne constitue pas, en ltat
Simulations 132

une panace puisquil comptabilise le nombre derreurs sans tenir compte de leurs importances
respectives. Lapplication stricte du principe voqu prcdemment conduit, par exemple,
comptabiliser deux erreurs de dsentrelacement pour la permutation de deux impulsions, sans tenir
compte de leurs positions relatives. Dans le cas o ces impulsions sont trs proches, la permutation
nengendre que fort peu de consquences sur la poursuite du processus et sur le rsultat final.
Lapplication aveugle dune telle rgle parat excessive et conduit une interprtation errone des
performances. Il est donc ncessaire de procder une pondration des erreurs en fonction de leur
importance relative dans la reconstruction de la trame. Limportance des erreurs peut sapprcier, par
exemple, en fonction de la distance euclidienne qui spare limpulsion extraite par erreur de la position
relle de limpulsion, les diffrentes erreurs sont alors sommes et fournissent une indication gnrale
concernant la vracit de la trame extraite par rapport la trame relle.
Nous dfinissons un nouveau critre qui nous parat pertinent, sous la forme dune pseudo-distance
entre la trame relle et la trame extraite. Le principe consiste placer en vis vis la trame relle et la
trame extraite et analyser les points de divergence. Lorsque lon rencontre une erreur de
classification dune impulsion de la trame relle, cest dire une impulsion classifie injustement
parasite, on observe si une erreur inverse na pas t effectue proximit. Dans laffirmative, ce cas
despce indique, a priori, une permutation dimpulsions. Si tel est le cas on comptabilise chacune des
erreurs, affecte dun coefficient de pondration normalis en fonction de la distance qui spare les
impulsions interverties. Sil ny a pas derreur inverse proximit, lerreur est comptabilise sans
pondration.

1.1. Principes gnraux


Lobjectif nest pas de procder ici une tude exhaustive du critre introduit, mais dessayer de faire
apparatre qualitativement lintrt quil peut prsenter dans certains cas, notamment par le type
dinformations quil est susceptible de fournir en complment des informations provenant de
lexploitation de lestimation des paramtres de la modulation.

Le principe dict, la base de ce critre, est quil reflte la diffrence entre deux trames, sans se
borner comptabiliser les points de divergence de manire brutale mais en les pondrant en fonction
de leurs importances respectives.
Les techniques courantes de traitement du signal telles que le calcul de lintercovariance ou du
coefficient de corrlation entre deux trames ne permettent pas prcisment de quantifier une erreur
dextraction en fonction de la position relative de limpulsion extraite de sa position thorique.

Pour simplifier la prsentation des caractristiques principales du critre que nous utilisons pour
dterminer les performances dextraction, nous considrons dans un premier temps des trames PRI
constantes.

On rappelle les conventions introduites au chapitre prcdent :


: Impulsion relle
: Impulsion manque
* : Impulsion extraite

1
0.8
0.6
0.4
0.2
0
140 145 150 155 160 165 170 175 180 185 190

Figure 6-1 : Reprsentation dune trame parfaitement extraite


133 Simulations

La figure (6-1) illustre le cas idal dune trame parfaitement extraite. Nous effectuons un zoom sur une
partie quelconque de la trame.
La mise en uvre du critre dlivre une erreur qui vaut 0 conformment une interprtation visuelle
qui dans ce cas est tout fait triviale.

Supposons maintenant que lextraction soit entache derreurs et effectuons un zoom sur lune dentre
elles. Trois cas de figures sont alors envisageables, voir figure 6-2.

Limite de ladezone
Limites dedevalidit
la zone validit

1 2
1

0.5

0
180 185 190 195 200 205 210 215 220 225 230

Figure 6-2 : Exemples de trames avec erreur dextraction

Le premier cas correspond une impulsion non extraite. On constate, par exemple, que limpulsion en
206 na pas t extraite, que les impulsions adjacentes ont t correctement extraites et labsence
dimpulsions parasites extraites entre limpulsion non extraite et les impulsions adjacentes. Dans ce
cas on comptabilise une erreur.
On dfinit alors une zone de validit dlimite par le centre des deux segments forms par limpulsion
non extraite et, respectivement, les impulsions adjacentes antrieure et postrieure.
Si une impulsion parasite a t extraite par erreur (impulsion 1) entre dune part limpulsion non
extraite et les impulsions adjacentes et que, dautre part, cette dernire nappartient pas la zone de
validit, on comptabilise galement une erreur. En effet, on considre que dans ce cas de figure
limpulsion parasite extraite est trop loigne de sa position thorique et que le caractre ngatif de son
influence prvaut.
Par contre, si une impulsion parasite est extraite dans la zone de validit (impulsion 2), on pondre
alors lerreur par un coefficient toujours infrieur un, proportionnel la distance de limpulsion
extraite par erreur de son emplacement thorique. Il nous semble, en effet, peu judicieux dans ce cas,
de comptabiliser une erreur dautant que parfois limpulsion parasite extraite est trs proche de
limpulsion relle. Le traitement de ce cas particulier, trs frquent, constitue le principal intrt du
critre que nous utilisons pour qualifier la phase dextraction indpendamment de la caractrisation
des trames. On prcise que lvaluation de lextraction seffectue couramment au travers de la
caractrisation des trames extraites. Cette approche, souvent justifie, montre parfois ses limites.
notamment lorsque les variances des jitter sont mal connues, le modle est peu prcis et lestimation
des paramtres en est altre, pour autant que la densit de lambiance nest pas trop leve,
lextraction peut tre parfaitement ralise. On comprend bien que lintrt rside dans lemploi
conjoint des critres afin de faciliter et damliorer linterprtation du comportement de lalgorithme.
Ainsi, lerreur engendre par limpulsion 2 a pour valeur 0.4 au lieu de 1, comme cela aurait t le cas
si lon avait procd par simple comptabilisation des erreurs. Cette technique permet dintgrer au
critre lui mme une pr-valuation dimportance relative des erreurs quil est de toute manire
ncessaire deffectuer si lon nutilise pas de pondration des erreurs. Sans quoi, les rsultats peuvent
rapidement paratre incohrents.

Lerreur dextraction globale dune trame est ensuite obtenue par la somme des erreurs particulires,
chacune tant calcule par le processus explicit auparavant.
Simulations 134

1.2. Exemple
Afin dillustrer le fonctionnement global du critre dvelopp pour qualifier lextraction, nous
procdons une simulation.
La trame relle est suppose ne pas comporter dimpulsions manquantes pour ne pas alourdir
inutilement la dmonstration.

0.5

0
0 50 100 150 200 250 300 350 400 450 500

Figure 6-3 : Vue gnrale de la trame relle et de la trame extraite

La figure (6-3) illustre les rsultats de lextraction dune trame PRI constante, sous cette forme il
nest pas possible de distinguer les erreurs, pour cette raison nous effectuons un zoom sur chacune des
erreurs.
a) b)
1.2 1.2

* 1

* *
0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
25.5 25.6 25.7 25.8 25.9 26 26.1 26.2 26.3 26.4 26.5 85 90 95 100 105 110

c) d)
1.2
1.2

* 1

*
0.8
0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
155.92 155.94 155.96 155.98 156 156.02 156.04 156.06 156.08 434 435 436 437 438 439

Figure 6-4 : Erreurs dextraction commise sur une trame PRI constante
135 Simulations

Les figures a), c) et d) reprsentent des cas de figure analogues, o une impulsion parasite relativement
proche de limpulsion relle a t extraite sa place. On peut dailleurs apprcier sur cet exemple
lextrme variabilit des carts entre limpulsion extraite et limpulsion relle. Pour ces trois premiers
cas les valeurs respectives des erreurs sont pondres et lon a alors :
Pour a) lerreur vaut, selon le principe nonc, la distance entre limpulsion relle et
limpulsion extraite par erreur divise par la demi PRI, soit 0,175.
Pour c) lerreur vaut 0,0086.
Pour d), on trouve 0,81.

Dans le cas b) lerreur est comptabilise entirement, si bien que finalement, lerreur globale
dextraction, normalement gale 4 est convertie laide de notre critre 1,994.

1.3. Validit du critre dvaluation de lextraction


Notre volont est dessayer de dgager les prmices dune dmarche qui pourrait, terme, conduire
la dfinition dun critre commun. En effet, linterprtation de la qualit de lextraction au travers du
seul critre issu de lestimation peut sembler insuffisant dans certains cas. Il peut tre parfois
intressant de distinguer les causes qui induisent une baisse de performances. En effet, si on conserve
le critre de lestimation des paramtres de la modulation, il est impossible de distinguer la
composante de lerreur due au bruit de celle engendre par une confusion dimpulsions. Tout se passe
alors comme si on cherchait uniquement dterminer les performances globales du module
dextraction, et non pas son aptitude raliser indpendamment les deux aspects de lanalyse
technique (lextraction et la caractrisation des trames radar). La simultanit des oprations
dextraction et de caractrisation justifie sans doute, dans de nombreux cas pratiques, cette vision. En
effet, intuitivement, on conoit facilement que lestimation des paramtres de la modulation dune
trame radar soit fortement corrle la qualit de lextraction, cest dire aux nombre dimpulsions
mal associes ou oublies. Quoi quil en soit, le critre que nous introduisons, utilis avec lerreur
destimation, prsent ci-aprs, nous permet damliorer lanalyse des causes derreur et ainsi de
dterminer les points sensibles de lalgorithme o les efforts futurs devront tre ports afin damliorer
ses performances intrinsques.

2 Calcul de lerreur destimation


Pour quantifier lerreur destimation des paramtres de la modulation nous retenons la grandeur
suivante :

rel
2

MSE = n =1 (n rel ) 2
N
EdB
= 10 * log10 o (6-1)
MSE
n est le paramtre estim la nme simulation et rel est la valeur relle du paramtre et E sexprime
en dB. Ce critre est rgulirement utilis dans la littrature consacre au dsentrelacement de trames
radar.

II. Evaluation des performances du module dextraction


formul partir des TOA
Nous nous intressons aux performances du module dextraction dans le contexte de lextraction de
trames exclusivement partir des temps darrive des impulsions. Les rsultats prsents le sont
partir de lapplication du module dextraction sur des donnes en provenance de simulations
synthtiques de trames radar et effectues sous Matlab. Les simulations ont pour objectif dvaluer les
performances des algorithmes dvelopps dans des contextes perturbs et de complexit croissante. Un
certain nombre de paramtres identifis influencera la complexit de ces derniers. La nature des
Simulations 136

paramtres tudis est de deux types : dune part les paramtres communs, indpendants de la
modulation considre et dautre part les paramtres intrinsques aux modulations, caractrisant
celles-ci.
Lobjectif est de dterminer les ventuels facteurs auxquels lalgorithme dextraction peut prsenter
une sensibilit particulire afin de dterminer son domaine demploi. Nous examinons les rsultats en
fonction dune part du critre dfini pour apprcier la qualit du dsentrelacement et dautre part en
fonction de lestimation des paramtres de la modulation considre. Les trames utilises pour
lvaluation, quelle que soit la modulation traite, sont composes initialement de 50 impulsions utiles.

1 Procdure dvaluation adopte


Nous procdons, pour chaque type de modulation, en mlangeant une trame relativement courte des
impulsions parasites distribues alatoirement selon une loi uniforme. Ensuite, nous considrons
successivement un paramtre sensible de ladite modulation, susceptible daffecter les rsultats en
sortie du module dextraction, et effectuons dix simulations pour chacune des valeurs de ce paramtre.
Les paramtres des modulations se situent aux alentours de valeurs moyennes en vitant les valeurs
extrmes, souvent lorigine de comportements pathologiques.
Ainsi, par exemple le tableau (6-1) rsume les valeurs retenues pour chacune des modulations.

Modulation Modulation
Paramtres Modulation sliding Modulation jittered
wobulated constante
PRI moyenne 10 10 10 10
Coefficient 5 5
Priode 25 20 Sans objet Sans objet
Phase 5 5
Ecart type du
(1) (1) 30% (2) (1)
jitter cumulatif
(1) : Nest pas un paramtre de la modulation dans le cas gnral, compte tenu de son
caractre non intentionnel.
(2) : Sexprime en % de la PRI moyenne 3.
Tableau 6-1 : Paramtres des modulations considres

Pour des raisons defficacit algorithmique, lestimation de lcart type du jitter cumulatif ne
seffectue pas au cours de la phase dextraction. Si besoin est, ce dernier peut toujours tre estim une
fois le dsentrelacement ralis.
Afin de faciliter la prsentation des rsultats et augmenter leur lisibilit, nous les affichons
successivement en fonction de chacun des paramtres tudis : Impulsions manquantes, impulsions
parasites, jitter cumulatif, jitter non cumulatif et paramtres propres aux modulations (frquence et
amplitude notamment).

2 Evaluation en fonction du taux dimpulsions manquantes


Le taux dimpulsions manquantes est susceptible daffecter sensiblement les rsultats dlivrs par le
module dextraction. Afin den valuer limpact, on fixe les paramtres des simulations aux valeurs
suivantes : les deux types de jitter zro, le nombre de particules 2000 et le seuil de r-
chantillonnage 75% du nombre de particules, conformment aux remarques du chapitre prcdent.
La valeur par dfaut du taux dimpulsions parasites est, quant elle, gale au nombre dimpulsions
relles de la trame, cest dire le nombre dimpulsions de la trame idale, soit 50 impulsions, moins le
nombre dimpulsions manquantes. Ces principes resteront valables pour toutes les valuations, sauf
prcision contraire.
137 Simulations

2.1. Taux derreur moyen


Le tableau (6-2) rsume les rsultats obtenus.

Taux derreur Taux dimpulsions manquantes (%)


Moyen (%) 0 4 8 12 16 20
Wobulated 4.48 2.98 0.08 21.4 10.58 24.96
Modulations

Sliding 0.01 0.08 5.32 18.88 13.54 23.7


Jittered 3.2 2.7 5.8 2.64 9 8.2
Constante 0.012 0.44 5.3 9.22 22.66 19.7

Tableau 6-2 : Taux derreur moyen en fonction du taux dimpulsions manquantes,


pour chacune des modulations

Le taux dimpulsions manquantes sexprime au moyen dun pourcentage du nombre idal


dimpulsions de la trame. Globalement, on vrifie aisment que le nombre moyen derreurs augmente
avec le taux dimpulsions manquantes, quelle que soit la modulation considre. Un examen plus
attentif des rsultats tempre cependant quelque peu les conclusions relatives au comportement de
lalgorithme. En effet, pour chacune des modulations, apparat au moins une fois un retournement de
tendance. Par exemple pour la modulation wobulated, le taux derreur moyen diminue dans un premier
temps jusqu 8% dimpulsions manquantes, pour augmenter ensuite non sans avoir r-invers de
tendance 16% dimpulsions manquantes. On peut faire des remarques analogues pour chacune des
autres modulations. Il faut cependant garder lesprit quune erreur moyenne de 2% correspond une
erreur sur une seule impulsion de la trame, ce qui reste toute proportion garde largement acceptable
pour une reconnaissance correcte de la trame.
Une tude plus pousse a montr que les renversements de tendance sont dus des squences
dimpulsions manques qui engendrent des phnomnes de sur-modulation qui droutent le filtre vers
de fausses solutions mais parfaitement plausibles. Ces droutements ne sont pas dcelables sans lajout
de connaissances a priori sous la forme de rgles heuristiques. Loccurrence de ces sur-modulations
apparat maximale pour des taux dimpulsions manques donns qui peuvent tre diffrents dune
modulation lautre. De mme, la position des impulsions manques en dbut de trame favorise le
droutement en raison de fentres de validation plus lches lies une phase de convergence qui nest
pas encore acheve. Bien que nayant pas tudi ce phnomne en dtail, on rduit son impact en
limitant le nombre maximal dimpulsions manques 20%.
Pour conclure, on retient quexcept, peut-tre, pour la modulation de type jittered, les performances
du module dextraction se dgradent rapidement pour un taux dimpulsions manquantes suprieur
10%.

2.2. Evaluation des paramtres


Le tableau (6-3) donne les rsultats de lestimation des paramtres des modulations par rapport au taux
dimpulsions manquantes. Il permet dapprcier les consquences des impulsions manquantes sur
lestimation de chacun des paramtres pour chacune des modulations prise en compte.

Le dphasage lorigine ne ncessite pas dtre explicitement identifi puisquil ne caractrise pas
proprement parler la modulation. Nanmoins sa connaissance peut savrer utile pour lidentification
des autres paramtres.
Une lecture globale du tableau met en lumire une vidente corrlation entre les critres utiliss,
savoir entre le taux derreur moyen et lerreur destimation des paramtres. Les constatations avances
prcdemment concernant une dgradation des performances lorsque le taux dimpulsions manques
augmente restent videmment valables.
Simulations 138

Erreur destimation des Taux dimpulsions manquantes (%)


paramtres (dB) 0 4 8 12 16 20
PRI moy 36.1 45.4 48.9 16 11.5 8.4
Coeff 28.2 39.2 42.2 9.9 10.5 4.7
Wobulated
Priode 43.1 33.7 51.5 7.6 18 4.4
Phase 18.8 12.8 33.4 7.5 0.5 2.4
Modulations

PRI moy 41.2 40.8 8.7 4.6 7.6 3.1


Sliding Coeff 23.9 23.8 11.7 7.5 11 6.4
Priode 13.9 13.9 12.8 8.8 9.2 7.4
Phase 15.1 14.3 5.3 6.7 7.3 2.6
Jittered 32.5 32.9 18.8 22.4 8.6 11.4
Constante 53.7 57.3 9.9 6.9 2.6 3.1
Tableau 6-3 : Erreur destimation des paramtres en fonction du taux dimpulsions manquantes pour
chacune des modulations

Une analyse plus fine du tableau permet de dresser quelques tendances intressantes :

Les paramtres de la modulation Wobulated, dans le domaine qui nous intresse, cest dire
pour un taux dimpulsions manquantes infrieur 12 % sont globalement mieux estims que
ceux de la modulation Sliding.
La modulation constante qui est galement la modulation la plus simple est bien estime
lorsque le taux dimpulsions manquantes reste faible et devient quasiment la moins bien
estime lorsque le taux dimpulsions manquantes devient suprieur dix.

Si on sattarde sur la seconde remarque, on constate quune analyse fine des rsultats met en vidence
des droutements algorithmiques engendrs par des squences dimpulsions manquantes qui leurrent
le filtre en lui laissant croire une PRI double de la valeur relle. Les squences impliques sont
presque toujours des impulsions manquantes qui senchanent en laissant sintercaler une impulsion
relle. Evidemment, plus le taux dimpulsions manquantes est lev et plus la chance de rencontrer
une telle squence est importante. On peut ainsi mettre en vidence les occurrences dchecs qui
augmentent simultanment avec le taux dimpulsions manquantes. Cette ide rejoint lide de sur-
modulation prcdemment avance, qui est particulirement sensible avec la modulation constante.
Cependant, ce dysfonctionnement nest pas de nature affecter gravement notre module dextraction.
En effet, dans lhypothse o le filtre converge vers une PRI double, la trame dintrt est alors
extraite en deux temps, et dcompose en deux trames PRI constantes doubles de la PRI de dpart et
dphases entre elles de la valeur de la PRI initiale. Un post-traitement lmentaire permet alors de
runir les deux trames ainsi extraite pour reformer la trame dintrt.

3 Evaluation en fonction du taux dimpulsions parasites


Par impulsions parasites on entend toutes les impulsions qui nappartiennent pas la trame dintrt.
On conoit facilement que la densit des impulsions parasites, i.e. le nombre moyen dimpulsions
nappartenant pas la trame par unit de temps constitue un critre susceptible dinfluer sur la
difficult lie lextraction. Pour cette raison, nous tudions les performances de lalgorithme vis vis
de ce facteur.
La caractrisation de ce facteur se veut simple : nous lintitulons densit de lambiance et il se
mesure sous la forme dun rapport du nombre dimpulsions nappartenant pas la trame sur le nombre
dimpulsions appartenant la trame. Ainsi une densit de 2 signifie que le nombre dimpulsions
parasites (vis vis de la trame) est deux fois plus lev que le nombre dimpulsions de la trame.
Les conditions de simulations sont indiques par le tableau (6-4) :
139 Simulations

Nombre dimpulsions 50
Nombres de particules 2000
Seuil de r-echantillonnge 75 %
Jitter cumulatif 0%
Jitter non cumulatif 0%
Impulsions manques 0%

Tableau 6-4 : Conditions de simulation pour lvaluation des performances du module dextraction
par rapport au taux dimpulsions parasites

Nous procdons en deux temps : la dtermination du nombre moyen derreurs dextraction puis
lerreur dvaluation des paramtres des modulations en fonction de la densit de lambiance.

3.1. Taux derreur moyen dextraction


Le tableau (6-5) reprsente les performances du module dextraction en terme de taux derreur moyen
en fonction de la densit de lambiance.

Taux derreur Densit de lambiance


moyen (%) 0.5 1 1.5 2 2.5 3
Wobulated 2.48 9.1 20.84 23.12 30.34 46.76
Modulations

Sliding 0.4 0.26 1.64 7.04 11.8 17.14


Jittered 1.06 2.56 13.46 10.04 27.2 46.4
Constante 0.012 0.44 1.02 0.84 0.54 0.72

Tableau 6-5 : Taux derreur moyen en fonction de la densit de lambiance


pour chacune des modulations

Linterprtation des rsultats montre que les performances du module dextraction sont relativement
variables en fonction du type de modulation. La modulation wobulated semble la plus sensible
laugmentation de la densit de lambiance. Au contraire, la modulation constante semble peut
influence par la densit de lambiance, les autres modulations adoptant des positions intermdiaires.

3.2. Erreur dvaluation des paramtres des modulations


Lerreur dvaluation des paramtres des modulations est donne par le tableau (6-6).
On constate que la phase, pour les modulations wobulated et sliding, nest pas trs bien estime, cet
tat de fait ne constitue dailleurs pas forcment un handicap. En effet, il suffit que lalgorithme ait
manqu, au cours de la phase dinitialisation, quelques impulsions pour que lestimation de la phase en
soit fortement affecte mais, sans entraner pour autant de consquences importantes pour lestimation
des autres paramtres.

Par ailleurs, les dysfonctionnements supposs de la modulation wobulated semblent essentiellement


dus une difficile estimation de la PRI moyenne et du coefficient damplitude plutt qu la priode
pour laquelle la prcision destimation reste stable jusqu une densit de lambiance gale 2.
Pour la modulation constante, on avait dj pu constater un taux moyen derreur dextraction
extrmement faible au fur et mesure de laugmentation de la densit de lambiance. Cette
particularit de lalgorithme pourra tre utilise dans une stratgie gnrale de mise en uvre. En effet,
lextraction pralable des trames PRI constantes permet dabaisser le niveau de la densit de
Simulations 140

lambiance et ainsi de faciliter lextraction des autres modulations beaucoup plus sensibles la densit
de lambiance.

Erreur destimation des Densit de lambiance


paramtres (dB) 0.5 1 1.5 2 2.5 3
PRI moy 30.1 25 16.3 14.1 11.9 10
Coeff 27.1 35.5 11.4 12.4 8.6 7.2
Wobulated
Priode 23.7 25.6 26.5 23.9 11.8 10.3
Phase 4.5 5.5 9 6.6 4 -1.7
Modulations

PRI moy 40.8 35.6 33.2 24.2 19.8 15.7


Sliding Coeff 29.8 27.5 25.5 13.3 13.9 9.4
Priode 26.6 22.8 21.3 13 12.2 11.4
Phase 4.7 0.5 -0.3 -5.1 -5.7 -11.4
Jittered 34 26.1 20.7 21.5 13.5 9.9
Constante 52.3 53.5 50.4 50.4 50 48.9
Tableau 6-6 : Erreur destimation des paramtres en fonction du taux dimpulsions manquantes pour
chacune des modulations

4 Evaluation en fonction du jitter cumulatif


On rappelle que le jitter cumulatif, except pour la modulation de type jittered, est de nature non
intentionnelle et gnralement li lutilisation de lignes retard dans les dispositifs hyper-frquence.
De plus, la technologie ayant progresse dans le domaine, on considre que son cart-type est limit
quelques pour cent de la PRI moyenne.
Ces considrations nous conduisent dissocier les modulations pour lesquelles le jitter cumulatif est
non intentionnel de la modulation (jittered) pour laquelle il lest. Toutefois pour ne pas alourdir
lexpos, les performances de la modulation jittered sont prsentes en parallle de celles des autres
modulations.
Dans le tableau (6-7) figurent les conditions de simulation.

Nombre dimpulsions 50
Nombre de particules 2000
Seuil de r-echantillonnge 75 %
Jitter non cumulatif 0%
Densit de lambiance 1
Impulsions manques 0%
Tableau 6-7 : Donnes communes de simulation pour lvaluation des performances du module
dextraction par rapport au taux de jitter cumulatif

4.1. Taux moyen derreur dextraction


Le tableau (6-8) reprsente les performances du module dextraction en termes de taux derreur moyen
en fonction du niveau de jitter cumulatif exprim en pourcentage de la PRI moyenne.
La premire remarque qui simpose concernant les rsultats fournis par le tableau (6-8) est que
laugmentation du jitter cumulatif nengendre pas de chute significative des performances dextraction
pour les modulations. La modulation wobulated jouit, pourtant, de performances lgrement
infrieures aux autres modulations.
141 Simulations

Taux derreur Taux de jitter cumulatif (%)


moyen (%) 0.5 1 1.5 2 2.5 3
Wobulated 7.2 11.84 11.2 3.46 0.2 8.86
Modulations

Sliding 0.42 0.62 0.86 0.84 0.42 0.84


Constante 0.42 0.4 0.4 0.26 0.2 0.22
Niveau (%) 5 10 15 20 25 30
Jittered
Tx derreur 0.92 1.14 0.42 0.36 1.36 0.78
Tableau 6-8 : Taux derreur moyen en fonction du taux de jitter cumulatif
pour chacune des modulations

On peut remarquer, cependant, que les meilleures performances, pour les modulations wobulated,
sliding et constante, sont obtenues pour un niveau de jitter cumulatif de lordre de 2,5% et pour un
niveau de 20% pour la modulation jittered. Deux prcisions permettent dexpliquer ce phnomne.
Dune part, la valeur par dfaut du jitter cumulatif utilis par le module dextraction est de 3% pour
toutes les modulations, excepte pour la modulation jittered pour laquelle elle est de 30%. Il est donc
rconfortant que les performances soient meilleures lorsque le modle est le plus proche de la trame
recherche.
La seconde explication concernant une rsurgence des performances un niveau de jitter lev
rside dans le fait que le filtrage particulaire est structurellement pnalis par des bruits dtat ou de
mesure dont la variance est faible (voir Chapitre 4). Une alternative, bien connue de la communaut du
filtrage particulaire, avance pour limiter limpact dun bruit variance trop faible rside dans
lutilisation dun filtre rgularis [Oudjane, 2000] qui permet dapprocher la densit posteriori non
plus partir dune mesure discrte mais partir dun mlange de noyaux continus (gaussien ou autre)
pondrs par leur poids dimportance. Cependant une telle solution savre souvent complexe mettre
en uvre et surtout particulirement coteuse dun point de vue algorithmique.

4.2. Erreur dvaluation des paramtres des modulations


Les rsultats du tableau (6-9) confirment les tendances nonces prcdemment la suite de lexamen
du taux derreur moyen, savoir, et cela est particulirement sensible pour la modulation wobulated,
une amlioration notable des rsultats pour un taux de jtter de lordre de 2,5%.

Erreur destimation des Taux du jitter cumulatif (%)


paramtres (dB) 0.5 1 1.5 2 2.5 3
PRI moyenne 25.8 15.6 20.6 31.3 46.1 21.1
Amplitude 21.4 13.2 15.5 29 43.1 19.8
Wobulated
Priode 32.6 21.5 24.1 39.6 45.5 26.2
Phase 15.7 5 7.4 13.5 26.7 7.1
Modulations

PRI moyenne 47 43.1 33.9 47.2 42.3 43.9


Sliding Amplitude 30.3 30 27.7 29.7 30.7 29.6
Priode 24.4 26.8 23.4 25.5 28 26.9
Phase 3.5 5.2 1.6 4.7 7 5.9
Constante 50.2 50.8 51 52.7 50.7 51.5
Niveaux (%) 5 10 15 20 25 30
Jittered
Taux derreur 36.4 35.4 34.1 34.7 34.7 35.9
Tableau 6-9 : Erreur destimation des paramtres en fonction du jitter cumulatif
Simulations 142

Pour les modulations constante et jittered, on constate une relative stabilit des rsultats qui se rvlent
peu sensibles au jitter cumulatif. Que le comportement de lalgorithme soit similaire pour ces deux
modulations nest pas une surprise puisquil sagit en fait dune mme modulation dont seule la
variance du bruit dtat diffre.
Le module dextraction nest donc pas particulirement sensible au jitter cumulatif et les performances
restent correctes sur toute ltendue de la gamme du dit jitter.

5 Evaluation en fonction du jitter non cumulatif


Le jitter non cumulatif est toujours non intentionnel, il est d aux imprcisions des appareils de
mesure des temps darrive. Pour cette raison, il peut tre considr comme connu a priori et
dtermin par une procdure annexe.
Les conditions de simulation des trames et les paramtres de rglage du module dextraction sont
donnes par le tableau (6-10).

Nombre dimpulsions 50
Nombres de particules 2000
Seuil de r-echantillonnge 75 %
Jitter cumulatif 0%
Densit de lambiance 1
Impulsions manques 0%
Tableau 6-10 : Donnes communes de simulation pour lvaluation des performances du module
dextraction par rapport au jitter non cumulatif

Actuellement, dans les nouveaux matriels radar, la prcision de mesure est telle que le jitter non
cumulatif est parfois considr comme nul. Cependant dans notre cas, on suppose que lcart-type du
jitter non cumulatif peut atteindre 3% de la PRI moyenne (3).

5.1. Taux moyen derreur dextraction


Le comportement du module dextraction, lorsque le jitter non cumulatif augmente, diffre dune
modulation lautre, tableau (6-11). On constate, par exemple, que les modulations sliding et
constante sont trs peu affectes, tandis quau contraire la modulation wobulated adopte un
comportement dj rencontr en prsence de jitter cumulatif, savoir une amlioration des rsultats
pour un taux de jitter de 3%. Enfin, la modulation jittered ne semble pas plus affecte par le jitter non
cumulatif que les modulations sliding et constante, dans le sens o les performances ne varient pas en
fonction du jitter mais prsentent quand mme un niveau de performances notablement infrieur.
Globalement, les rsultats obtenus en fonction du jitter non cumulatif sont similaires ceux obtenus en
prsence de jitter cumulatif.

Taux derreur Taux de jitter non cumulatif (% de la PRI moyenne)


moyen (%) 0.5 1 1.5 2 2.5 3
Wobulated 12.12 3.9 4.38 7.9 3.56 0.46
Modulations

Sliding 0.14 0.1 0.84 0.54 0.82 0.004


Jittered 3.38 3.54 5.06 2.78 5.82 4.78
Constante 0.004 0.01 0.42 0.22 0.62 0.004

Tableau 6-11 : Taux derreur moyen en fonction du taux de jitter non cumulatif
143 Simulations

On peut noter toutefois que la rsurgence des performances avances dans le cadre de ltude du
comportement du module dextraction en prsence de jitter cumulatif a lieu ici un peu plus tard (3% au
lieu de 2,5%).
En termes dextraction le module nest pas mis en chec par le niveau de jitter non cumulatif dans la
mesure o ce dernier reste dans les limites dfinies par le schma adopt par le module dextraction.

5.2. Erreur dvaluation des paramtres des modulations


Les rsultats du tableau (6-12) confortent les observations faites concernant les erreurs dextraction.
Lexamen dtaill des variations des erreurs destimation des paramtres ne permet pas den
incriminer un plutt quun autre comme tant la cause des erreurs dextraction.

Erreur destimation des Taux de jitter non cumulatif (%)


paramtres (dB) 0.5 1 1.5 2 2.5 3
PRI moy 21.2 24.8 25.5 27.1 29.6 44.5
Coeff 13.4 16.6 18.7 18.9 21.7 40.9
Wobulated
Priode 21.9 35.5 31.6 28.8 17.8 47.6
Phase 5.9 12.6 25.8 7 6.2 29.8
Modulations

PRI moy 47.3 44.2 45.2 40.4 47 46.1


Sliding Coeff 29.4 29.3 30.2 29.7 28.4 28.4
Priode 24.4 25.1 23.4 24.5 23.9 27.2
Phase 4.2 3.8 2.4 4.2 2.4 5.7
Jittered 29.8 25.7 22.8 28.8 22.7 21.9
Constante 51.2 52.3 50.9 51.2 50.4 50.6
Tableau 6-12 : Erreur destimation des paramtres en fonction du taux de jitter non cumulatif pour
chacune des modulations

Si lon revient brivement sur lamlioration des performances pour un jitter non cumulatif de 3%, on
observe que cette remarque nest fonde que pour la modulation wobulated. Pour les autres
modulations, il parat particulirement difficile de dgager une tendance fiable.

6 Evaluation en fonction de la priode


Jusquici nous nous sommes intresss aux consquences que divers facteurs, essentiellement lis
lenvironnement et aux techniques utilises, sont susceptibles dengendrer sur les performances
globales du module dextraction. Maintenant, nous cherchons valuer si un paramtre intrinsque
une modulation est susceptible de modifier notablement les performances du module dextraction.
Pour ce faire, nous nous intressons, dans un premier temps, la priode qui ne concerne que deux
types de modulations (wobulated et sliding). On rappelle que la priode est dfinie comme tant le
nombre dimpulsions qui composent un cycle.
Le tableau (6-13) donne les paramtres gnraux des trames simules ainsi que diffrents rglages du
module dextraction.

Afin de faciliter la gnralisation des rsultats, on exprime la priode sous la forme dun pourcentage
correspondant au rapport du nombre dimpulsions dun cycle et du nombre total dimpulsions de la
trame relle. On effectue en quelque sorte une normalisation de linformation de priode.
Exemple : une priode gale 0,2 signifie dans notre contexte que la priode quivaut 10 impulsions
puisque le nombre total dimpulsions pour une trame non perturbe est de 50.
Simulations 144

Nombre dimpulsions 50
Nombre de particules 2000
Seuil de r-echantillonnge 75 %
Jitter cumulatif 0%
Jitter non cumulatif 0%
Densit de lambiance 1
Impulsions manques 0%
Tableau 6-13 : Donnes communes de simulation pour lvaluation des performances du module
dextraction par rapport la priode

6.1. Taux derreur moyen dextraction


Pour lvaluation de limpact de la priode sur les performances du module dextraction, on fixe la
dynamique dvolution de la priode comprise entre 10 impulsions, qui constitue le seuil bas du
module dextraction, et 60 impulsions. Dans le cas o la priode est de 60 impulsions, cette dernire
est donc suprieure la longueur de la trame relle analyse ; en clair nous ne disposons mme pas
dun motif entier de la modulation pour procder lextraction et la caractrisation de la trame.
Le tableau (6-14) prsente les rsultats obtenus dans les conditions de simulation prcites.

Taux derreur Priode


moyen (%) 0.2 0.4 0.6 0.8 1 1.2
Modulations

Wobulated 30.8 19.2 8.34 5.02 1.02 19.62

Sliding 0.012 0.64 0.94 0.42 0.42 0.62

Tableau 6-14 : Taux derreur moyen en fonction de la priode


pour chacune des modulations

Lexamen des rsultats met en lumire deux comportements diffrents. Dune part, pour la modulation
wobulated, des performances disparates qui semblent samliorer avec la longueur de la priode et tre
maximales lorsque la trame relle ne comporte quune seule priode et qui diminuent ensuite
brusquement. Pour la modulation sliding, les performances ne subissent pas de fortes altrations : elles
restent honorables quelle que soit la valeur de la priode.

Afin de conserver un niveau de performances convenable en terme dextraction, on suppose que la


priode de la trame dintrt est comprise entre 0.2 et 1. Si la priode est suprieure la largeur de la
fentre danalyse, il convient dlargir cette dernire. Bien souvent, il ny a pas dinformation a priori
disponible concernant la priode. Dans ce cas, on a tout intrt, si cela est possible, de considrer un
plus grand nombre dimpulsions de manire tre certain que la fentre danalyse contient au moins
un motif entier de la modulation dintrt.

6.2. Erreur destimation des paramtres des modulations


Le tableau (6-15) regroupe les donnes relatives lestimation des paramtres caractristiques des
modulations wobulated et sliding en fonction de diffrentes valeurs de la priode.
145 Simulations

Erreur destimation des Priode


paramtres (dB) 0.2 0.4 0.6 0.8 1 1.2
PRI moy 12.4 16 24.3 24.7 29.6 17.7
Coeff 10.6 14.1 29 34.4 26.2 11.6
Wobulated
Priode 7.4 21.4 23.2 23.7 26.1 8.3
Modulations

Phase -0.4 9.1 8.2 13.8 7.8 -13.8


PRI moy 45.1 41.8 33.7 36.8 43.8 34.3
Sliding Coeff 23.9 23.3 22.3 23.1 36.2 23.3
Priode 30.7 33.7 27.7 17.2 23.3 22.9
Phase 8.2 9.6 1.3 -3 1.4 8.5
Tableau 6-15 : Erreur destimation des paramtres en fonction de la priode pour chacune des
modulations

Pour la modulation wobulated, on constate que les paramtres commencent tre bien estims pour
une priode de 0.6, ce qui explique, en partie, la faiblesse relative des performances rencontres dans
les valuations prcdentes, compte tenu de la valeur adopte gale 0.5.
La modulation sliding prsente un niveau de performances important sur lensemble des paramtres.
Ce comportement sexplique par la prsence, dans la fentre danalyse dau moins une discontinuit
(brusque retour la PRI moyenne). En effet, les discontinuits sont trs fortes et par consquent
constituent un pseudo-signal de synchronisation sur lequel le filtre se recale. On peut facilement
vrifier que dans le cas o la fentre danalyse ne comporte pas au moins une discontinuit le filtre ne
parvient pas estimer les paramtres de la modulation.

7 Evaluation en fonction de lamplitude


Nous considrons ici le dernier facteur intrinsque aux modulation, savoir lamplitude. De la mme
manire que pour la priode, ce paramtre nintervient que pour les modulations wobulated et sliding.

Nombre dimpulsions 50
Nombre de particules 2000
Seuil de r-echantillonnge 75 %
Jitter cumulatif 0%
Jitter non cumulatif 0%
Densit de lambiance 1
Impulsions manques 0%
Tableau 6-16 : Donnes communes de simulation pour lvaluation des performances du module
dextraction lamplitude

Pour des raisons analogues celles avances pour la priode, on exprime lamplitude sous la forme
dun pourcentage correspondant au rapport le lexcursion maximale et de la PRI moyenne de la trame
relle. On normalise dune certaine faon lamplitude.

Exemple : une amplitude gale 0,5 signifie, dans notre contexte, que lexcursion est de 5, soit la
moiti de la PRI moyenne que nous avons fixe 10 pour toute la phase dvaluation.
Simulations 146

7.1. Taux moyen derreur dextraction


On souligne que lorsque lamplitude vaut 0, les deux modulations quivalent alors une modulation
constante dont la PRI est gale aux PRI moyennes des modulations en question.
Le tableau (6-17) dresse les rsultats dextraction obtenus lorsque lamplitude varie, une premire
approche montre que les variations de lamplitude ne provoquent pas de droutement du filtre.

Taux derreur Amplitude


moyen (%) 0 0.1 0.2 0.3 0.4 0.5
Modulations

Wobulated 0.04 0.2 1.9 0.02 0.62 9.4

Sliding 5.4 0.22 0.22 0.4 0.24 1.96

Tableau 6-17 : Taux derreur moyen en fonction de lamplitude


pour chacune des modulations

On constate cependant que pour la modulation wobulated, les rsultats de lextraction commencent
saltrer lorsque lamplitude approche de 0.5. Nous considrons donc cette valeur comme la borne
suprieure du module dextraction. Pour la modulation sliding, on ne retrouve pas cette
appauvrissement des performances pour une valeur de lamplitude de 0.5. Par contre, lorsque
lamplitude est nulle, la modulation sliding se rvle moins performante que la modulation wobulated
tout en maintenant le niveau de performances des valeurs correctes.

7.2. Erreur destimation des paramtres des modulations


Le tableau (6-18) regroupe les donnes relatives lestimation des paramtres caractristiques des
modulations wobulated et sliding en fonction de diffrentes valeurs de lamplitude.

Erreur destimation des Amplitude


paramtres (dB) 0 0.1 0.2 0.3 0.4 0.5
PRI moy 43.7 47.1 26.8 48.8 46.3 17.4
Coeff 13.8 28 11 37.3 41.1 20
Wobulated
Priode 8 36.3 15.8 43.4 44.6 28.9
Modulations

Phase -3.6 18.8 2.6 24.6 26.4 25.1


PRI moy 18.8 38.2 35.7 33.3 34.8 38.4
Sliding Coeff -2.5 17 20.7 19.7 24.8 25.6
Priode 2.1 22.8 24.6 32 29.3 20
Phase -4.6 0.5 2.1 8.2 6.6 0.1
Tableau 6-18 : Erreur destimation des paramtres en fonction de lamplitude pour chacune des
modulations

Lorsque lamplitude est nulle, les paramtres autres que la PRI moyenne caractrisant la modulation,
nont plus de sens. Cest ce qui explique leur mauvaise estimation. De plus, on note que pour la
modulation wobulated, lestimation des paramtres est moins performante lorsque lamplitude est de
0.2 ou 0.5.
Lorigine du dysfonctionnement, lorsque lamplitude est de 0.2, est mal tablie. Il semblerait aprs une
analyse plus dtaille des rsultats quune squence dimpulsions parasites ait pu, en raison dune
cohrence fortuite, drouter lalgorithme dans sa fonction de caractrisation vers des valeurs de
paramtres errones. De plus, le nombre dessais pour chaque valeur damplitude vraisemblablement
147 Simulations

un peu faible (10) influence excessivement le rsultat final. Nous ne nous attardons donc pas sur cet
ala.
En revanche, lorsque lamplitude avoisine 0.5, on observe une baisse sensible de la qualit de
lestimation des paramtres sans pour autant pouvoir en incriminer un plutt quun autre.
Pour la modulation sliding, lessentiel des rserves se situent pour la valeur damplitude nulle. Une
tude plus attentive de ce dysfonctionnement montre en fait que le seul paramtre consistant dans ce
cas, savoir la PRI moyenne, est estim au double de sa valeur relle dans deux cas sur dix. Cet ala
nest pas trs pnalisant puisque la trame est alors extraite en deux temps raison dune impulsion sur
deux lors de chacune des phases. Une simple analyse post-extraction est susceptible de remdier de
faon tout fait efficace au problme.

8 Conclusion
Le tableau (6-19) rsume le domaine demploi de lalgorithme en fonction des modulations. Il reprend
les principaux rsultats tablis partir des simulations effectues et dont les rsultats ont t prsents
prcdemment.
Les valuations ont galement permis dlaborer une stratgie dextraction essentiellement partir de
rgles heuristiques. Ces rgles amliorent notablement le fonctionnement global et particulirement la
robustesse du module dextraction. Elles sont au nombre de deux et peuvent snoncer simplement
comme suit :
Regroupement des trames de mme PRI lorsque cette dernire est du type constante afin de
retrouver les stagger et les trames PRI constantes qui auraient pu tre extraites en plusieurs
tapes la suite dune mauvaise estimation de la PRI.
Extraction des trames PRI constantes en premier lieu afin de faciliter lextraction des trames
PRI complexes. En effet, le module dextraction est, pour les trames PRI constantes,
particulirement robuste lorsque la densit de lambiance augmente.

Les units utilises dans le tableau(6-19) sont celles dfinies lors de lvaluation des performances.

Paramtres intrinsques la
modulation Taux maximal
Nombre minimal Densit de
Modulations dimpulsions
dimpulsions lambiance
Frquence Amplitude manquantes (%)

0 0.5 fois la
Wobulated 0.2 1 20 10 1.5
PRI moyenne

0 0.5 fois la
Sliding 0.1 1 20 10 2 2.5
PRI moyenne

Jittered 20 2

Constante 20 10

Tableau 6-19 : Domaine demploi du module dextraction

Jusqu maintenant nous nous sommes intresss aux performances dextraction et de caractrisation
pour un algorithme formul uniquement partir des temps darrive. Mais compte tenu des remarques
effectues la fin du chapitre prcdent, lvaluation suivant les critres prcdemment dvelopps
peut savrer extrmement fastidieuse et, beaucoup plus srement, impossible.
Simulations 148

Page laisse intentionnellement blanche


149 Conclusion

CONCLUSION

Lobjet de cette thse porte sur la rsolution dun problme peu abord dans la littrature ouverte en
raison de ses implications militaires. On a pu cependant le formuler dune manire dconcertante de
simplicit : il sagit en effet dextraire dune ambiance lectromagntique des impulsions issues dun
mme radar et qui ce titre senchanent dans le temps en fonction de squences dont on connat les
grandes caractristiques mais, a priori, absolument pas les paramtres. Lintrt de sparer les
impulsions en fonction de lmetteur est de faciliter lanalyse des lois qui rgissent les paramtres
dcrivant ces impulsions. Cette analyse permet le recueil dinformations stratgiques et tactiques sur
les moyens et les intentions dun adversaire potentiel court ou plus long terme.
Cependant, en raison dinnombrables perturbations et de la complexit des lois dvolution des
paramtres des impulsions, la tche savre fort dlicate. Aujourdhui, laugmentation des moyens de
calcul permet daugurer limplmentation de nouvelles mthodes jusquici dlaisses en traitement du
signal.
Actuellement, les capteurs dcoute modernes oprent lextraction en deux temps : une chane de
mesure interfromtrique permet de mesurer langle darrive des impulsions, mesure partir de
laquelle est ralise un tri grossier en fonction des directions darrive. A la suite de ce premier
traitement, on procde partir de techniques bases sur des histogrammes lidentification des
paramtres des trames prsentes et leur extraction proprement dite. Cette procdure nest efficace
qu la double condition de disposer dun nombre important dimpulsions de chacune des trames que
lon cherche extraire et que les dures qui sparent les impulsions conscutives (PRI) soient
constantes au cours du temps. Dautres techniques dextraction, bases sur la classification
automatique (clustering), permettent de prendre en compte des trames plus complexes que les trames
PRI constantes mais requirent dtre capable de former des classes partir des paramtres dcrivant
les impulsions, ce qui dans des cas, certes complexes, ncessitent obligatoirement des connaissances a
priori et indisponibles dans la pratique.

Les cas dits difficiles constituent prcisment lobjet de mes recherches. Je me suis sintress de
manire exclusive aux ambiances o les paramtres qui dcrivent les trames recherches appartiennent
une mme gamme, de telle sorte quil est impossible de constituer partir de ces impulsions des
classes spares. De plus, nous supposons ne disposer daucune connaissance a priori sur
lenvironnement des mesures. Et enfin, nous faisons lhypothse que tous les paramtres qui dcrivent
les impulsions sont moduls selon des lois complexes dont on connat la forme gnrale mais dont il
nous appartient galement de dterminer les paramtres. Ces divers paramtres sont caractristiques du
rle et des performances du systme radar et de ce fait font lobjet de toutes les attentions de la part
des analystes du renseignement.

Nous avons montr que malgr la complexit des scnarii envisags, les mthodes de Monte-Carlo
squentielles sont susceptibles dapporter une rponse adapte au problme de lextraction, cest dire
la problmatique de lassociation de donne. De plus, la fusion des diffrents paramtres permet
dtendre le domaine dapplication de lalgorithme des densits dimpulsions plus importantes ce qui
constitue une avance indniable.
Conclusion 150

Les algorithmes de Monte-Carlo, notamment squentiels, sont particulirement adapts au domaine de


lassociation de donnes de par les concepts quils mettent en uvre, permettant de formuler et de
faire voluer un nombre important dhypothses. Ils constituent une rponse de nombreux problmes
o linitialisation revt une importance particulire et o le peu dinformations a priori la rend
particulirement difficile, cest notamment le cas en pistage en prsence de clutter.

Les apports de cette thse concernent essentiellement le domaine de la guerre lectronique, bien que
dautres applications puissent tre envisages dans des thmatiques o les signaux possdent des
analogies avec la prsente application, on pense notamment la reconnaissance de signaux mdicaux.
A notre connaissance, fort peu de travaux portent explicitement sur lextraction de signaux
modulation complexe partir de mthodes dtat. Des algorithmes bass sur le filtrage de Kalman
pour lextraction de modulations PRI constantes ont, toutefois, t dveloppes [Conroy, 1998], elles
mentionnent, en guise de conclusion, leur possible extension vers les modulations complexes sans que,
toutefois aucun exemple ne soit jamais fourni. Les travaux effectus actuellement sur les modulations
complexes se situent exclusivement dans le domaine de la caractrisation [Noone, 1999]
(reconnaissance des modulations et estimation des paramtres). De plus, lapplication du filtrage
particulaire au problme du dsentrelacement de trames radar na pas encore t ralise et de ce point
de vue nos travaux jouissent dune certaine originalit.

Toutefois, le sujet nest pas clos, plusieurs types de dveloppement peuvent tre envisags, concernant
dune part la structure intrinsque du filtre, et dautre part sa stratgie de mise en uvre.

Un effort pourra notamment tre entrepris pour amliorer la procdure de validation des mesures,
ralise partir des nuages particulaires de chacun des paramtres pris en compte. Il sagit l dun
point cl susceptible dapporter de nouvelles perspectives, pour ce faire il faudra de toute vidence
mettre en uvre des thories relatives la fusion de donnes. Il est galement ncessaire de poursuivre
une veille active concernant les techniques particulaires destines limiter les phnomnes de
dgnrescence des particules et dappauvrissement des tats.

Du point de vue mise en uvre, larticulation gnrale adopte privilgie le caractre gnrique, de
telle manire quil est particulirement simple dintgrer une nouvelle modulation, fusse-t-elle non
linaire ou discontinue. De mme, lextension du modle dautres paramtres caractristiques de la
trame (paramtres interpulse), voire aux paramtres intrapulse (continuit de phase, frquence
instantane, enveloppe du signal) ne pose pas de problmes particulier condition de disposer dun
modle comportemental du nouveau paramtre.
Lalgorithme propos peut sinscrire dans une stratgie plus globale et intervenir comme une aide aux
mthodes actuelles dans les cas difficiles. Il ncessite une phase de dveloppement qui passe
obligatoirement par une optimisation algorithmique si on dsire lui confrer un potentiel temps rel.
De plus, pour amliorer encore sa robustesse, il est impratif de prendre en compte les ncessits
oprationnelles de manire beaucoup plus fine, ce qui ncessite des exprimentations intensives
partir de signaux rels.
151 Annexe 1 : Le filtre IMM

ANNEXE 1 : LE FILTRE IMM


LE FILTRE IMM

Pour laspect dsentrelacement qui nous intresse, nous dfinirons a priori un modle (encore appel
mode) par trame. Lenchanement des modes tant rgi par une chane de Markov dont les probabilits
de transition sont connues a priori, linitialisation tant ralise partir des donnes dlivres par
lalgorithme de validation des PRI.

1 Gnralits
Les quatre principales tapes de lalgorithme IMM sont :
Dtermination de lentre de chacun des modles. Calcul ralis partir de lestimation des
modes litration prcdente et des vraisemblances de transition de chacun des modes vers le
modle courant.
Itration de filtrage de chacun des modles.
Mise jour de la probabilit de chaque mode partir du calcul de la vraisemblance de chacun
des modles.
Estimation du systme, rsultant de la somme pondre de lestimation particulire de chacun
des modles.

2 Algorithme
On peut rsumer la rcurrence dordre k de lalgorithme IMM formul partir du modle des trames
(2-5) et (2-6) de la manire suivante :

1. Calcul des probabilits de mlange. La probabilit que le mode Mi soit actif linstant k-1,
compte tenu du fait que le mode Mj est actif linstant k et des mesures ralises jusqu
linstant k-1, est donne par :

Soit {
M i M 1 , , M r } et Y1:k 1 = {y (1),, y (k 1)}

{
ki / 1j / k 1 = Pr M ki 1 M kj , Y1:k 1 }
r
1
= pij ki 1 avec c j = pij ki 1
cj i =1

i|j dsigne la probabilit a posteriori du passage du mode i au mode j.


La probabilt pij correspond la probabilit de transition de la chane de Markov du mode i
linstant k-1 vers le mode j linstant k.
r reprsente le nombre de modes.
Annexe 1 : Le filtre IMM 152

2. Mlange. Calcul des conditions initiales, vecteur dtat et matrice de covariance des erreurs
destimation de chacun des modes Mj.
r
x 0k j1 / k 1 = x ik 1 / k 1 ki / 1j / k 1
i =1

r
(
Pk0j1 / k 1 = ki / 1j / k 1 Pki 1 / k 1 + ~
i =1
xkij1 / k 1 ~ (
xkij1 / k 1 ))
T

avec ~
xkij1 / k 1 = x ik 1 / k 1 x 0k j1 / k 1

3. Prdiction. Prdiction dtat et de la covariance de lerreur destimation pour chacun des


modes.
x kj / k 1 = F j x 0k j1 / k 1

Pkj/ k 1 = F j Pk0/jk 1 F j ( ) T
+Qj
La mesure prdite pour le mode j est donne par :
ykj / k 1 = H j x kj / k 1
Et la covariance de linnovation par :
S kj = H j Pkj/ k 1 H j ( ) T
+Rj

4. Mise jour de la vraisemblance des modes. La vraisemblance de la mesure dindex k


conditionnellement chacun des modes vaut :
(
jk = p yk M kj , x 0k j1 / k 1 , Pk0j1 / k 1 )
(
= N yk ; ykj / k 1 , S kj )
5. Mise jour de la probabilit de chaque mode. La probabilit du mode Mj actif linstant k
et tant donn les mesures est :

kj = Pr{M kj y1:k } = jk c j
r
1
avec c = jk c j
c j =1

6. Filtrage de chacun des modes. Ltat et la covariance correspondant au mode j sont calculs :
(
x kj / k = x kj / k 1 + K kj yk ykj / k 1 )
(
Pkj/ k = I K kj H j Pkj/ k 1 ) o K kj = Pkj/ k 1H j S kj ( ) 1

7. Estimation dtat et de la covariance de lerreur destimation. Les sorties du systme sont


donc donnes par:
r
x k / k = kj x kj / k
j =1

r
P(k k ) = kj Pkj/ k + ~
j =1
(
xj ~
xj ( )) T
et ~
x j = x kj / k x k / k

Annexe 1-1: Algorithme IMM


153 Annexe 1 : Le filtre IMM

Afin de complter la formulation de lalgorithme IMM adapt au dsentrelacement, il convient de


revenir brivement sur la dtermination de la matrice de transition de la chane de Markov qui rgit les
commutations entre modles.

3 Matrice de transition
Lestimation de la matrice de transition doit intervenir au pralable la mise en uvre du filtre IMM.
La matrice de transition reprsente la vraisemblance quun mode Mj donn, Mi soit le mode origine.
Pour un train dimpulsions, cette matrice peut tre dtermine par une estimation du taux dapparition
des impulsions de la trame par unit de temps, soit la frquence. Ainsi, pour une trame valide,
lalgorithme de validation des PRI passe les deux impulsions appartenant potentiellement la trame
lalgorithme de dsentrelacement proprement dit. A partir de la diffrence des temps darrive de ces
deux impulsions il est possible destimer la PRI Ti de la trame et donc le taux dapparition des
impulsions de cette trame i=1/ Ti.
Ces considrations permettent de calculer, non plus le taux dapparition li une trame particulire
mais le taux global dapparition dune impulsion en tenant compte de la prsence de toutes les
trames.
r
= i
i =1
La probabilit pour que le systme volue du mode i vers le mode j est alors donne par :
j
pij = , i

Annexe 1 : Le filtre IMM 154

Page laisse intentionnellement blanche


155 Annexe 2 : Dgnrescence du poids des particules

ANNEXE 2
DEGENERESCENCE DES POIDS DES
PARTICULES

Lvaluation de degr de dgnrescence dun nuage particulaire est possible avec lintroduction du
critre de taille effective de nuage dcrit ci-aprs.
Nous dfinissons lefficacit dune mthode de simulation et la taille effective dun chantillon, la
dgnrescence tant ensuite quantifie par la taille effective de lchantillon simul.

1 Efficacit et taille effective dchantillon


La mthode de simulation dont nous cherchons quantifier lefficacit est la mthode gnrale
dchantillonnage pondr, puisque lchantillonnage pondr squentiel ne savre ntre en fait
quune volution de ce dernier.
Supposons que lon cherche estimer E p (. y ) [ f (x 0:k )] et que nous sommes en mesure de gnrer des
1:k

chantillons indpendants et distribus selon la loi objectif p(. y 1:k ) . On a alors lestimateur de
N
1
N
N N (i )
lesprance I p (. y1:k ) qui scrit : I p (. y1:k ) = f (x 0:k ).
i =1

Dune manire analogue, supposons maintenant que lon cherche estimer E p (. y ) [ f (x 0:k )] partir
1:k

dchantillons indpendants et identiquement distribus, gnrs laide de la fonction dimportance


g (. y 1:k ) , ds lors on a le nouvel estimateur de la quantit recherche qui sexprime :
(i )
N p(x 0:k y1:k )
q (x
(i )
q (x 0:k )
N (i ) (i )
Ig (. y1:k ) = 0:k ) f (x )
0:k avec (i )
i =1 g (x 0:k y1:k )
Le critre defficacit de la mthode de simulation introduit par Liu [Kong, 1994] est alors donn par
le rapport des variances des estimateurs prcdemment dfinis, qui, condition que la fonction f ne
prsente pas de variations brusques en fonction de x 0:k , est lui mme approch par la relation
suivante :

{ } 1 + var {q(x )}
M
var Ig (. y1:k )
var{I } N 0:k
p (. y1:k )

Dans ces conditions la taille effective de lchantillon N eff est donne par [Kong, 1994] :

N
N eff = N
1 + var{q (x 0:k )}
Annexe 2 : Dgnrescence du poids des particules 156

On interprte alors la taille efficace de la manire suivante, les N trajectoires gnres partir dun
chantillon distribu selon la loi dimportance g (. y 1:k ) utilises afin dapprocher E p (. y ) [ f (x 0:k )] ,
1:k

correspondent globalement N eff trajectoires distribues selon la loi objectif p(. y 1:k ) . Cette
correspondance est tablie partir de lgalit des variances des estimateurs de E p (. y ) [ f (x 0:k )] pour
1:k

une large classe de fonctions f.


Dans la pratique, N eff ne possde pas dexpression analytique. Ce dernier peut cependant tre estim
partir de lestimation de la variance des poids dimportance. La relation classique :
{ 2
}
var{q (x 0:k )} = E q(x 0:k ) E{q (x 0:k )}
2
permet opportunment den dduire une expression, on pose
U N = var{q (x 0:k )} , on a alors :
2
1 N
1 N

U N =
N

i =1
q (x )
(i )
0:k
N
2

i =1
q(x )
(i )
0:k

La relation (50) permet dobtenir les relations suivantes :
2 2 2
1 N
1 N
~ (x ( i ) ) = w
N
~ (x ( i ) ) = 1 et
N N

q(x
1
) = w~(x
(i ) (i ) 2 (i ) 2
0:k Nw 0:k 0:k q (x 0:k ) = N 0:k )
N i =1 N i =1 i =1 N i =1 i =1

Do lexpression de lestimateur de la variance :


N
~ (x ( i ) ) 2 1
U N = N w 0:k
i =1

Et enfin lestimateur de la taille efficace de lchantillon :


1
N eff =
~ (x (i ) ) 2

N
i =1
w 0:k

Pratiquement N eff est toujours infrieur ou gal N , une valeur faible indique un degr de
dgnrescence avanc des particules.
Maintenant que nous sommes en possession dun outil pour mesurer la taille efficace dun chantillon,
nous nous attachons tablir de manire plus prcise la dgnrescence des poids dimportance.

2 Dgnrescence des poids dimportance


Si lon reprend lexpression des poids dimportance de lchantillonnage pondr, on peut montrer
partir de considrations simples que leur variance augmente chaque rcurrence [Doucet, 1997].
Avant de nous intresser laugmentation de la variance des poids dimportance, il nous faut tablir le
caractre pnalisant de cet tat de fait.

L'chantillon gnr est idalement distribu selon la distribution a posteriori si prcisment la


distribution d'importance est gale la distribution a posteriori. Dans ces conditions on a l'esprance
des poids d'importance non normaliss qui est donne par :
p (x 0:k y1:k )
E g (. y1:k ) {q (x 0:k )} = g (x 0:k y1:k )dx 0:k = p(x 0:k y1:k )dx 0:k = 1
g (x 0:k y1:k )
De mme la variance des poids d'importance non normaliss dans le cas dun chantillonnage idal est
donne par :
157 Annexe 2 : Dgnrescence du poids des particules

2
p(x 0:k y1:k )
varg (. y 1:k ) {q(x 0:k )} = g (x 0:k y1:k )dx 0:k Eg (. y ) {q(x0:k )} 2
( )
g (x 0:k y1:k )
1:k

2
p(x 0:k y1:k )
= d x 0: k 1 = 0
g (x 0:k y1:k )

Donc, la distribution de l'chantillon gnr est d'autant plus proche de la distribution a posteriori que
la variance des poids non normaliss est proche de 0. En d'autres termes, cette mthode de simulation
de loi est fiable si la variance des poids dimportance reste faible.
Or nous avons suggr auparavant que la variance des poids dimportance augmente irrmdiablement
au cours des rcurrences, nous en donnons ci aprs la dmonstration.

{
Dterminons E q(x (0i:k) +1 ) x (0i:k) , y1:k }
{ (i ) (i )
} (i )
E q(x 0:k +1 ) x 0:k , y 1:k = q(x 0:k +1 )g ( xk +1 , y k +1 x 0:k , y1:k )d xk +1dy k +1
(i ) (i ) (i )

la loi conjointe conditionnelle de xk(i+)1 et y k +1 peut aussi scrire (Bayes) :


(i ) (i ) (i ) (i )
g ( xk +1 , y k +1 x 0:k , y1:k ) = g ( xk +1 x 0:k , y1:k +1 ) p( y k +1 y1:k )

A partir de l'quation (42) qui donne l'expression des poids d'importance non normaliss et en utilisant
un raisonnement en tout point semblable celui utilis pour dterminer lexpression squentielle des
poids dimportance, on a :
(i ) (i ) (i )

{ }
(i ) (i ) (i )
p ( y k +1 xk +1 ) p( xk +1 xk ) (i ) (i ) (i )
E q (x 0:k +1 ) x 0:k , y 1:k = q (x 0:k ) (i ) (i )
g ( xk +1 x 0:k , y 1:k +1 ) p( y k +1 y 1:k )d xk +1dy k +1
p ( y k +1 y 1:k ) g ( xk +1 x 0:k , y 1:k +1 )
(i ) (i ) (i ) (i ) (i )
= q(x 0:k ) p( y k +1 xk +1 ) p( xk +1 xk )dxk +1dy k +1
(i ) (i )
= q(x 0:k ) p( y k +1 xk )dy k +1
(i )
= q(x 0:k )

Do : { (i )
} {{
var q(x 0:k ) = var E q(x 0:k +1 ) x 0:k , y1:k
(i ) (i )
}
Or, en utilisant le thorme de la dcomposition de la variance, qui snonce comme suit ; la variance
globale est gale la somme de lesprance de la variance conditionnelle et de la variance de
lesprance conditionnelle cest dire :

{ (i )
} {{ (i ) (i )
var q(x 0:k +1 ) = var E q(x 0:k +1 ) x 0:k , y1:k + E var q(x 0:k +1 ) x 0:k , y1:k } { { (i ) (i )
}
On en dduit :

{{ (i ) (i )
} { (i )
} { {
var E q(x 0:k +1 ) x 0:k , y 1:k = var q(x 0:k +1 ) E var q(x 0:k +1 ) x 0:k , y1:k < var q(x 0:k +1 )
(i ) (i )
} { (i )
}
Et donc, ce qui achve la dmonstration : var{q(x (0i:k) )}< var{q(x (0i:k) +1 )}
Ce qui fait de lchantillonnage dimportance en ltat une mthode mal adapte la simulation de
lois, qui se traduit en pratique par une dgnrescence des poids dimportance normaliss qui tendent
Annexe 2 : Dgnrescence du poids des particules 158

rapidement vers 0 except un seul qui tend vers 1. On peut donc associer la dgnrescence des
poids dimportance une taille efficace de lchantillon qui tend diminuer.
159 Bibliographie

BIBLIOGRAPHIE

[Arulampalam, 2002]: S.Arulampalam, S Maskell, N. Gordon et T. Clapp, A Tutorial on Particle


Filters for Online Nonlinear/Non-Gaussian Bayesian Tracking , IEEE
Transactions on Signal Processing, vol. 50, N2, February 2002.
[Bar-Shalom, 1990]: Y. Bar-Shalom, Multitarget-Multisensor Tracking : Advanced
Applications , Artech House, Norwood, MA, 1990.
[Bar-Shalom, 1992]: Y. Bar-Shalom, Multitarget-Multisensor Tracking : Applications and
Advances ,Volume 2 Artech House, Norwood, MA, 1992.
[Bar-Shalom, 1995]: Y. Bar-Shalom and X. R. Li, Multitarget-Multisensor Tracking : Principles
and Techniques , YBS, Stoors, CT, 1995.
[Barton, 1998]: D.K. Barton and S.A. Leonov, Radar Technology Encyclopedia , Artech
House, Norwood, MA, 1998.
[Bertozzi, 2003]: T. Bertozzi, " Applications of Particle Filtering Methods to Digital
Communications , thse Du Conservatoire National des Arts et Mtiers,
Dcembre 2003.
[Berzuini, 1997]: C. Berzuini, N. Best, W. Gilks, C. Larizza, Dynamic Conditionnal
Independence Models and Markov Chain Monte-Carlo Methods , J. Amer
Stat Assoc, 1997.
[Blom, 1988]: H.A.P. Blom and Y.B. Shalom, The interacting multiple model algorithm
for systems with Markov switching coefficients , IEEE Transactions on
Automatic Control, vol. 33, n8, pp. 78.-783, August 1988.
[Brubaker, 1992]: D. I. Brubaker, Fuzzy-Logic Basics : Interleave Rules Replace Complex
Math , EDN, June 18, 1992.
[Celar, 2000] : R. Leaustic, Etude Analyse technique ELINT Algorithmique applique
aux donnes interpulse Description des donnes de ltude , Note technique
N /GEOS/MRE/05035/01/ 20/NP.
[Clapp, 2001]: T. Clapp, S. Godsill, Improvement strategies for Monte-Carlo particle
filters in Sequential Monte-Carlo Methods in Practice, A. Doucet, J.F.G. de
Freitas, N.J. Gordon, Eds, New-York Springer-Verlag, 2001.
[Conroy, 1998]: T. Conroy and J.B. Moore, The Limits of Extended Kalman Filtering for
Pulse train deinterleaving . In IEEE Transactions on Signal Processing, vol
46, n12, pp. 3326-3332, 1998 .
[Doucet, 1997]: A. Doucet, Algorithmes Monte-Carlo pour lestimation baysienne de
modles markoviens cachs. Application au traitement de signaux de
rayonnements , Thse de luniversit de Paris-Sud, Orsay, Dcembre 1997.
[Gilks, 2001] : W.R. Gilks, C. Berzuini, Following a moving target Monte-Carlo
inference for dynamic Bayesian models , J. R. Statist. Soc. B, vol.63, pp 127-
146, 2001.
[Gordon, 1993]: N. Gordon, D.Salmond, A. Smith, Novel approach to nonlinear/nonGaussain
Bayesian state estimation , IEE Proceedings-F, Radar and signal processing,
140(2) :107-113, April 1993.
Bibliographie 160

[Howard, 1996]: S.D. Howard and S. Sirianunpiboon. A Robust Recursive Filter for Pulse
Train Parameter Estimation and Tracking . ISSAP96, 1996.
[Hue, 2003]: C. Hue, Mthodes squentielles de Monte-Carlo pour le filtrage non linaire
multi-objets dans un environnement bruit. Applications au pistage multi-
cibles et la trajectographie dentits dans des squences dimages 2D ,
Thse de doctorat de lUniversit de Rennes I, IRISA, Janvier 2003.
[Ito, 2000] : K. Ito, K. Xiong, Gaussian Filters for Nonlinear Filtering Problems , IEEE
Transactions on Automatic Control, vol 45, n5, oo 910-927, may 2000.
[Julier, 1995] : S. Julier, J. Uhlmann, H. Durrant-Whyte, A New Approach for Filtering
Nonlinear Systems , in Proceedings of the American Control Conference, pp
1628-1632, 1995
[Kalman, 1960] : R.E. Kalman, A New Approach to Linear Filtering and Prediction
Problems , Journal of Basics Engineering Transactions of the ASME, Vol
82, pp 35-45, 1960.
[Kofler, 1989]: E.T. Kofler and C. T. Leondes. New Approach to the Pulse Train
Deinterleaving Problem . International Journal of Systems Science, pages
2663-2671, 1989.
[Kong, 1994]: A. Kong, J.S. Liu, W.H. Wong, Sequential Imputations and Bayesian
Missing Data Problems , J. Amer. Stat. Assoc., vol 89,n425, 1994, pages
278-288.
[Mardia, 1989] : H. K. Mardia. New Techniques for the Deinterleaving of Repetitive
Sequences . In IEE Radar and Signal Processing, pages 149-154, 1989.
[Marshall, 1956] : A.W. Marshall, The use of multi-stage sampling schemes in Monte-Carlo
computations , dit par M.A. Meyer, Symposium on Monte-Carlo Methods,
John Wiley, New-York, pages 123-140, 1956.
[Mehra, 1972]: R.K Mehra, Approaches to Adaptive Filtering , IEEE Transactions on
Automatic Control, vol. 17, n5, pp 693-698, October 1972.
[Merwe, 2000]: R. Van Der Merwe, A. Doucet, J.F.G. De Freitas, E. Wan The Unscented
Particle Filter Report CUED/F-INFENG/TR 380, Department of
Engineering, Cambridge University, August 2000.
[Merwe, 2001]: R. Van Der Merwe, E.A. Wan, Efficient Derivative-Free Kalman Filters for
Online Learning , ESANN, European Symposium on Artificial Neural
Networks, Bruges, Belgium, pages 205-210, 25-27 April 2001.
[Milojevic, 1992]: D.J. Milojevic and B.M. Popovic. Improved Algorithm for the
Deinterleaving of Radar Pulses . In IEE Radar and Signal Processing, pp 98-
104, February 1992.
[Moore, 1992]: J.B. Moore and V. Krishnamurth. Deinterleaving Pulse Trains Using
Discrete-Time Stochastic Dynamic-Linear Models . In IEEE Transactions on
Signal Processing, vol 42, n 11, pp 3092-3103, 1994.
[Musso, 2001]: C. Musso, N. Oudjane, F. Legland, Improving regularized particle filters ,
in Sequential Monte-Carlo Methods in Practice, A. Doucet, J.F.G. de Freitas,
N.J. Gordon, Eds, New-York Springer-Verlag, 2001.
[Neuman, 1951]: J.Von Neuman, Various techniques used in connection with random digits ,
National Bureau of standards applied mathematics series, 1951.
[Nigrin, 1993] : A. Nigrin, Neural Networks for Pattern Recognition , MA : the MIT Press,
pp 11, 1993.
[Noone, 1995]: G. P. Noone and S.D. Howard, Investigation of Periodic Time Series Using
Neural Networks and Adaptive Error Threshold . In IEEE ICNN95, pages
1541-1545, 1995.
[Noone, 1999] : G. P. Noone, A neural approach to tracking radar pulse trains with complex
repetition interval modulations , Proceedings of Information, Decision and
Control, IEEE, 1999
[Noyer, 1995]: J.-C. Noyer, G. Salut, Poursuite radar de cibles navigation proportionnelle
par filtrage non linaire/particulaire , 15me colloque sur le traitement du
161 Bibliographie

signal et des images (GRETSI), Juan-les-Pins, France, pages 1105-1108,


septembre 1995.
[Oudjane, 2000]: N. Oudjane, C. Musso, Progressive correction for regularized particle
filters , in Proc. 3rd Int. Conf. Inform. Fusion, 2000.
[Oudjane, 2001]: N. Oudjane, Stabilit et approximations particulaires en filtrage non-linaire
- Applications au pistage , Thse de doctorat, Univ Rennes I, 2000.
[Pena, 1988]: D. Pea and I. Guttman, Bayesian Approach to Robustifying the Kalman
Filter, in Bayesian Analysis of Times Series and Dynamical Models. Ed J.C.
Spall (Marcel Dekker) (NY) 1988.
[Perkins, 1994]: J. Perkins and I. Coat, Pulse Train Deinterleaving via the Hough
Transform . In ICASSP94, pages 197-200, 1994.
[Pitt, 1999]: M. K. Pitt, N. Shephard, Filtering via simulation : Auxiliary particle
filters , Journal of the American Statistical Association 94 (446) :590-599,
1999.
[Putz, 2002] : G. Putz, Discrimination et analyse de mesures non-stationnaires dans le
cadre de linterception RADAR Thse de doctorat, Dcembre 2002.
[Robert, 1996]: C.P. Robert, Mthodes de Monte-Carlo par Chane de Markov ,
Economica, 1996.
[Sirianunpiboon, 1996]: S. Sirianunpiboon, G. Noone and S. D. Howard. Robust and Recursive
Radar Pulse Train Estimators . In ISSAP96, volume 2, pages 475-478, 1996.
[Slocumb, 1997]: B.J. Slocumb and E.W. Kamen, The pulse train PDA analysis and
deinterleaving filter , Georgia Tech Research Institute, Atlanta, GA 30332-
0840 USA, 1997
[Slocumb, 1998]: B.J. Slocumb, Adaptive Data Association Methods for Pulse Train Analysis
and Deinterleaving , Thse, Georgia Institute of Technology, March 1998.
[Wan, 2000]: E. A. Wan, R. van der Merwe, The Unscented Kalman Filter for non linear
estimation , Proceedings of Symposium on Adaptive Systems for Signal
Processing, Communication and Control (AS-SPCC), IEEE, Lake Louise,
Alberta, Canada, 2000.
[Wiley, 1993] : R. Wiley, Pulse repetition interval analysis , & Deinterleaving pulse
trains , in Electronic Intelligence : the analysis of radar signals, Artech
House, pp 147-199, 1993.
[Zadeh, 1978] : L. Zadeh, Fuzzy Sets a Basis for a Theory of Possibility , Fuzzy Sets and
Systems, 13-28, 1978.
Bibliographie 162

Page laisse intentionnellement blanche


Rsum. Lobjectif de la prsente tude consiste dterminer un algorithme capable dassurer lextraction
aveugle (sans connaissances a priori) partir dune ambiance lectromagntique potentiellement complexe,
des impulsions issues dun mme radar et de caractriser la squence dvolution de leurs paramtres
caractristiques. Lalgorithme traite les donnes en aval du capteur, leur format ainsi que le mode de
production des mesures sont donc connus tous deux a priori et inalinables.
Dans une premire partie nous nous attachons expliciter prcisment le contexte et la nature physique des
impulsions, les paramtres qui les caractrisent, ainsi que les diverses modulations des paramtres prises en
compte afin daboutir une formulation dtat des trames radar.
La seconde partie du rapport sintresse aux mthodes actuelles implmentes sur les matriels
oprationnels et dresse un tat de lart de la recherche en la matire au travers des publications libres
paraissant sur le sujet. En guise de conclusion, nous dgageons et justifions notre propre axe de recherche
constitu par lapplication des mthodes particulaires la problmatique prcdemment dcrite.
En troisime partie, nous dtaillons les thories de Monte-Carlo squentielles, les limitations qui sont les
leurs et les procds couramment mis en uvre pour y remdier. Nous stipulons ladaptation des
techniques prsentes au cas qui nous intresse afin den dduire la formulation dun module de
dsentrelacement explicit exclusivement partir des temps darrive des impulsions (TOA). Les capacits
dadaptation du module dextraction dautres modulations, ventuellement non linaires, sont amliores
en intgrant la transformation unscented et diffrentes techniques qui en dcoulent. Nous tendons ensuite
les concepts utiliss pour le module dextraction partir des TOA des modules dextraction spcifis
partir des autres paramtres. Nous donnons pour conclure un exemple du degr de complexit de scnarii
susceptibles dtre traits partir de lassociation de deux modules dextraction fonctionnant pour le
premier partir des temps darrive et pour le second partir de la largeur dimpulsion.
Enfin la dernire partie est consacre une srie dvaluations du module dextraction destines
essentiellement en dterminer le domaine demploi.

Mots cls : Mthodes stochastiques - Filtrage particulaire Rao-Blackwellisation - Association de donnes


- Extraction de trames radar.

Summary. The main purpose of this study consists in determining an algorithm able to ensure the blind
extraction (without a priori knowledge), from a potentially complex electromagnetic environment, of pulses
resulting from the same radar system and to characterize the sequence evolution of their characteristic
parameters. The algorithm treats the data flow behind the sensor, the data configuration as well as the
production mode of measurements are known both and inalienable. In a first part we endeavor to precisely
clarify the context and the physical nature of the pulses, the parameters which characterize them and the
various parameter modulations taken into account, in order to lead to a radar pulse train state formulation.
The second part of the report deal with the current method limitations implemented on operational
equipments and draws up the state of the art of research on the matter through free publications appearing
on the subject. As a conclusion, we release and justify our own research orientation relying on the
application of the particle methods to the previously described problems.
In third part, we detail Monte-Carlo sequential theories, their main limitations and additional techniques
usually used to overcome drawbacks. We stipulate the adaptation of the presented techniques to our
problem in order to deduce the formulation of a generic deinterleaving module specified exclusively from
pulse times of arrival (TOA). The extraction module adaptation capabilities to news modulations, possibly
nonlinear, are improved by integrating the unscented transformation. We extend then the concepts used
for the TOA extraction module to new extraction modules specified from the other parameters. We give to
conclude an representative example of scenario complexity degree likely to be processed with the
association of two extraction modules running for the first from times of arrival and for the second from the
pulse width. Finally the last part is dedicated to a series of extraction module evaluations intended to
determine its application field.

Keywords. Stochastic Methods Particle Filtering Rao-Blackwellisation Data Association


Deinterleaving Pulse Train.