Vous êtes sur la page 1sur 9

Chapitre 3 :

1. Introduction
2. Les modèles statistiques du clutter
3. Clutter de mer
4. Analyse du détecteurs CA-CFAR et OS-CFAR dans la distribution Weibull
5. Conclusion
Résumé :
1Introduction
Le radar est conçu pour détecter automatiquement des cibles se trouvant dans son espace de surveillance.
Après de multiples traitements, le signal échantillonné des échos reçus est stocké dans des registres à décalage.
Cet échantillonnage en portée permet de générer, pour chaque cellule de portée, une décision binaire
caractérisant la présence ou l’absence d’un écho de cible. A l’image de tout système de communication, le
signal utile est accompagné de bruit thermique et d’échos indésirables dus aux cibles interférentes et bord de
clutter. A partir du moment où le niveau de puissance des échos indésirables est inconnu, la détection s’effectue
par comparaison
du signal reçu à un seuil adaptatif. Ce seuil varie dynamiquement, selon la puissance locale auvoisinage de la
CST. Ce sont des cellules de portée adjacentes, appelées cellules de référence, situées de part et d’autre de la
CST, qui servent à estimer le niveau moyen de la puissance locale La détection adaptative utilise cet estimateur
local en vue de maintenir une probabilité de fausse alarme constante; il s’agit des détecteurs CFAR. La réalité
montre que la condition d’homogénéité de l’environnement n’est pas toujours vérifiée. Ainsi, une famille de
détecteurs CFAR basés sur les statistiques d’ordre a été proposée pour améliorer les performances de
détection en milieux hétérogènes. Cependant, ces détecteurs voient leurs performances de détection se dégrader
énormément quand une connaissance a priori des discontinuités du clutter n’est pas rendue possible; i.e.,
détecteurs à de censure fixe. Dans de tels cas, l’idéal serait de pouvoir adapter ces détecteurs à toute
hétérogénéité de l’environnement et ce en leur changeant automatiquement, si besoin est, leurs points de
censure et par la même leurs performances de détection. Autrement dit, c’est l’objectif principal des techniques
de censure automatique [4, 17].

Type de largeur Terre ou Bande de ANGLE Modélisation


RADAR d’impulsion Mer Fréquences d’incidence du clutter
τ(μs) Ghz (degrés)

Basse 2 Montagnes S ≥5 Gaussienne et


résolution rocheuses (2 – 4) <5 Weibull

Basse 3 Collines L 0.5° Log-normal et


résolution boisées (1 – 2) Weibull

Haute 0.17 Forêt X 0.7° Log-normal et


résolution (8 – 12) Weibull

Haute 0.17 Terre cultivée X 0.7°-5.0° Log-normal et


résolution Weibull

Haute 0.2 Mer : Etat 1 X 4.7° Log-normal,


résolution Weibull et K

Haute 0.1 Mer : Etat 2 Kv 1.0°-30.0° Log-normal,


résolution (12-18) Weibull et K

Tab III.1 : Exemples de clutter

Les modèles statistiques du clutter


Le clutter est un terme anglais, pour identifier n'importe quels retours d'objets non désirés et qui peuvent
interférer les opérations normales du RADAR. Le clutter peut être classifié dans deux catégories principales:
Clutter de surface et clutter devolume. Le clutter de surface représente les arbres, la végétation, et la surface de
mer (clutter de mer)... etc. Par contre le clutter de volume a normalement une grande ampleur représentant
la pluie, le nuage, les oiseaux, . . . etc. Le clutter de surface change d'une place à l'autre, alors que le clutter de
volume peut être plus prévisible. Dans beaucoup de cas, le niveau du signal de clutter est beaucoup plus élevé
que le niveau de bruit du récepteur [4].
Quelques Lois de Distributions
Dans cette section, nous rappelons les définitions des distributions que nous avons utilisées dans ce manuscrit.
De ce fait, pour chaque distribution de variable aléatoire réelle continue, nous donnons sa fonction de densité de
probabilité (probability density function, pdf), sa fonction de densité cumulative (cumulative density function,
cdf) et son moment d’ordre 𝑛. Soit X une variable aléatoire continue. À partir de l’équation du moment d’ordre
(𝑛 ∈ ℕ∗), nous pouvons déduire l’expression de la moyenne 𝐸[X] pour 𝑛 = 1, où E[ ∙] désigne l'espérance
mathématique, et l’expression de la puissance moyenne 𝐸[ 𝑋 2 ] pour 𝑛 = 2. De ce fait, la variance, notée 𝑉𝑎𝑟 ∙ ,
est définie par :
𝑉𝑎𝑟 ( )= [ 𝑋 2 ] − 𝐸 2 [ 𝑋] (2.1)

2.2.1 Distribution Uniforme


La distribution uniforme est celle qui modélise le mieux les phénomènes continus uniformément répartis sur un
intervalle donné. Une variable aléatoire réelle continue 𝑋 ∈ ℛ suit une distribution uniforme sur l’intervalle
[𝑎, 𝑏] ⊂ ℛ, notée 𝑋~( [𝑎, 𝑏]) , si sa pdf vérifie [4] :
1
𝑓𝑋 𝑥 =𝑏−𝑎 ,𝑎≤𝑥≤𝑏 (2.2)
Sa cdf est définie par :

0 𝑥<𝑎
𝑥−𝑎
𝐹𝑋 𝑥 ={𝑏−𝑎 𝑎≤𝑥≤𝑏 (2.3)
1 𝑥>𝑏

L’expression de son moment d’ordre 𝑛 est donnée par :


𝑏 𝑛+1 −𝑎𝑛+1
𝐸 [𝑋 𝑛 ] =(𝑛+1)(𝑏−𝑎) (2.4)
2.2.2 Distribution Gaussienne
La distribution Gaussienne (Normale) est importante et très utile. Par définition, une variable
aléatoire réelle continue 𝑋 ∈ ℛ suit une distribution Gaussienne à deux paramètres 𝜇 et 𝜎, notée
𝑋~𝑁 (𝜇, 𝜎) , si sa pdf s’écrit [4] :
1 (𝑥−𝜇)2 +
𝑓𝑋 (𝑥) =𝜎 2𝜋 𝑒𝑥𝑝 [− 2σ2 ] , 𝜇 ∈ 𝑅 et 𝜎 ∈ R (2.5)

où 𝜇, la moyenne de 𝑋, représente le paramètre de position et 𝜎, l’écart type de 𝑋, représente le paramètre
d’échelle. Nous disons que la distribution Normale est centrée si 𝜇 = 0. Elle est dite réduite si 𝜎 = 1. Donc, la
distribution Normale centrée réduite, appelée aussi distribution
Normale standard, est obtenue pour 𝜇 = 0 et 𝜎 = 1. Sa cdf est donnée par :
1 𝑥−𝜇
𝐹𝑋 (𝑥) =2[1+ 𝑒𝑟𝑓(𝜎 2)] √
(2.6)

où 𝑒𝑟𝑓(∙) représente la fonction d’erreur. L’expression de son moment d’ordre 𝑛 est donnée
par:
n −2i 2𝑖 𝑛/2 pour n pair
𝐸 [𝑋 𝑛 ]= 𝑛! ∑𝑘𝑖=0 2μ𝑖𝑖!(n−2i)
σ
!
avec 𝑘 ={
(𝑛 − 1)/2 pour n impair
(2.7)

2.2.3 Distribution Log-normale


La distribution Log-normale a été développée dans le but d'être appliquée dans une grande
variété de situations réelles telles que la modélisation de clutter de surface à angle d’incidence
petit et de radars à haute résolution. C'est une distribution dont le logarithme est normalement

distribué. Par définition, une variable aléatoire réelle continue 𝑋 ∈ ℛ+ suit une distribution Log normale
à deux paramètres 𝜇 et 𝜎, notée 𝑋~( 𝜇, 𝜎) , si sa pdf s’écrit [4] :
1 [𝑙𝑛(𝑥)−(𝜇)]2 +
𝑓𝑋 (𝑥) =𝜎 2𝜋 𝑒𝑥𝑝 [− 2σ2 ] , 𝜇 ∈ 𝑅 et 𝜎 ∈ R (2.8)

où 𝐿𝑛 est le logarithme Népérien, 𝜇, la moyenne de 𝐿𝑛 (𝑥) , représente le paramètre d’échelle et 𝜎, l’écart type
de 𝐿𝑛 (𝑥) , représente le paramètre de forme. La distribution Log-normale standard est obtenue pour 𝜇 = 0. Des
investigations sur les données réelles du clutter ont montrés que 𝜎 ∈ [0.355, 1.147]. Sa cdf s’écrit :
1 ln(𝑥)−𝜇
𝐹𝑋 (𝑥) =2[1+ 𝑒𝑟𝑓( 𝜎 2 )] √
(2.9)
L’expression de son moment d’ordre 𝑛 est :
𝑛2
[𝑋 𝑛 ]=exp (𝑛𝜇 + 2 σ2 ) (2.10)
Soit 𝑌 une variable aléatoire qui suit une distribution Normale de paramètres 𝜇 et 𝜎, i.e.,~𝑁( 𝜇, 𝜎) , alors la
variable aléatoire 𝑋 = 𝑒𝑥𝑝( 𝑌) suit une distribution Log-normale ayant les mêmes paramètres, i.e., 𝑋~𝐿𝑁( 𝜇, 𝜎)
.
2.2.4 Distribution Rayleigh
La distribution Rayleigh est fréquemment utilisée pour modéliser les statistiques des signaux de
communication et radar. Par définition, une variable aléatoire réelle continue 𝑋 ∈ ℛ + suit une
distribution Rayleigh de paramètre 𝜎, notée 𝑋~𝑅 ( ), si sa pdf est donnée par [4] :
𝑥 (𝑥)2
𝑓𝑋 (𝑥) =σ2 𝑒𝑥𝑝 (− 2σ2 ) , 𝜎>0 (2.11)
Sa cdf est donnée par:
2
𝐹𝑋 (𝑥) =1‫( 𝑝𝑥𝑒 ـــ‬−(𝑥)
2σ 2 ) (2.12)

L’expression de son moment d’ordre 𝑛 est:


𝑛
[𝑋 𝑛 ]=( σ √2)2 Г( 1+2) (2.13)
où 𝛤(∙) est la fonction Gamma.
2.2.5 Distribution Weibull
La distribution Weibull est aussi utilisée pour modéliser le clutter de surface. Cependant, ce modèle de
distribution offre un large éventail de représentations de clutter réels, beaucoup plus important que celui du
modèle Log-normal ou Rayleigh. Une variable aléatoire réelle continue 𝑋 ∈ ℛ + suit une distribution Weibull à
deux paramètres 𝛼 et 𝛽, notée 𝑋~(𝛼, 𝛽), si sa pdf est définie par [4]:
𝛽 𝑥 𝑥
𝑓𝑋 (𝑥) = 𝛼 (𝛽)𝛽−1 exp[−( )𝛽 ] , α et β ∈ ℛ+

(2.14)
𝛼
où 𝛼 et 𝛽 sont, respectivement, les paramètres d’échelle et de forme. La distribution Weibull standard est
obtenue lorsque 𝛼 = 1. Noter que pour 𝛽 = 1 et 𝛽 =2, la pdf de la distribution Weibull conduit, respectivement
à celle d’une Exponentielle et celle d’une Rayleigh. Par contre, pour 𝛽 > 2.5, la pdf de la distribution Weibull
tend vers celle d’une Gaussienne. Par ailleurs, des valeurs de β < 1 permettent la simulation d’un clutter spiky.
Sa cdf s’écrit:
𝑥
𝐹𝑋 (𝑥) =1- exp[−(𝛼)𝛽 ] (2.15)
L’expression de son moment d’ordre 𝑛 est donnée par:
𝑛
[𝑋 𝑛 ]= 𝛼 𝑛 Г( 1+𝛽) (2.16)

2.2.6 Distribution Gumbel


Les distributions Gumbel (de valeurs extrêmes de types I) sont des distributions de probabilités continues. Elles
ont deux formes basées sur la plus petite valeur extrême (forme minimale) et la plus grande valeur extrême
(forme maximale), respectivement. Comme, dans ce travail, nous nous intéressons uniquement à la forme
minimale, le terme Gumbel se réfère toujours à la distribution Gumbel de valeur extrême petite. Par définition,
une variable aléatoire réelle continue 𝑋 ∈ ℛ suit une distribution Gumbel de deux paramètres 𝑎 et 𝑏, notée
𝑋~(𝑎, 𝑏), si sa pdf est définie par [4] :
1 𝑥−𝑎 𝑥−𝑎 ∗
𝑓𝑋 (𝑥) =𝑏 𝑒𝑥𝑝 [ −exp( 𝑏 )] , a ∈ ℛ et b ∈ ℛ+ (2.17)
𝑏
où 𝑎 et 𝑏 représentent, respectivement, les paramètres de position et d’échelle. La distribution Gumbel standard
est obtenue lorsque 𝑎 = 0 et 𝑏 = 1. Sa cdf s’écrit:
𝑥−𝑎
𝐹𝑋 (𝑥) =1-exp [-exp( 𝑏 ) ] (2.18)
L’expression de sa moyenne est donnée par:

𝐸[𝑋]=a-ɣb (2.19)

où 𝛾 ≈ 0.577216 est la constante d’Euler-Mascheroni. L’expression de sa variance est donnée


1
par: 𝑉( 𝑋 )=6 π2 b2 (2.20)
Soit 𝑌 une variable aléatoire qui suit une distribution Weibull de paramètres 𝛼 et 𝛽, 𝑌~(𝛼, 𝛽), alors la variable
aléatoire 𝑋 = 𝐿𝑛 (𝑌) suit une distribution Gumbel de paramètres 𝑎 et 𝑏, 𝑋~𝐺(𝑎, 𝑏), avec 𝑎 = 𝐿𝑛(𝛼) et 𝑏 = 𝛽 −1 .
Distribution K
Cette distribution a été initialement proposée par Jakeman et Pusey pour modéliser le fouillis de mer. Lorsque
la résolution du radar augmente et pour des angles d’incidence faibles, le fouillis de mer présente un nombre
plus élevé de pics «Spiky». La distribution de l’amplitude du fouillis développe une longue queue. D’où la
distribution de Rayleigh n’est plus valable. Ward et Watts, décrivent la distribution du fouillis par le produit de
deux composantes. La première est appelée «Speckle» et obéît à une distribution de Rayleigh, la deuxième qui
représente la puissance du fouillis est appelée «texture» elle est modélisée par une distribution Gamma. La
densité de probabilité du fouillis est obtenue en moyennant la composante «speckle» sur toutes les valeurs
possibles de la composante texture. La variable aléatoire X à une fonction densité de probabilité définie par :
4 𝑥 2𝑥
𝑓𝑋 (𝑥) =𝑏Г(𝑐) (𝑏)𝑐 𝐾𝑐−1 ( ) ; x> 0 (2.21)
𝑏
b: Paramètre d'échelle.
c: Paramètre de forme.
Г: Fonction gamma.
𝐾𝑐 (. ) : La fonction de Bessel modifiée

Figure I .16 : La variabilité de la forme de la fonction de densité de probabilité de la distribution K


diminue avec l'augmentation de c.

La variable aléatoire X est composée de deux variables aléatoires : X= S x T


S : selon Rayleigh appelé Speckle :
𝑓S (S) =2𝑠 exp(-𝑆 2 ) S≥0 (2.22)
T : selon gamma distribution appelé Texture :
4
𝑓T (t) =𝑏𝑣Г(𝑣) (𝑡)2𝑣−1 𝑒𝑥𝑝(−(𝑡/𝑏)2 ) (2.23)
La densité de probabilité :

𝑓𝑋 (𝑥)=∫0 𝑓𝑥/𝑇 (x/t)𝑓𝑇 (t)dt (2.24)
Et 𝑓𝑥/𝑇 ( x⁄ t) est de la forme :
2𝑥 −𝑥 2
𝑓𝑥/𝑇 ( x⁄ t) = 𝑡 2 𝑒𝑥𝑝( 𝑡 2 ) (2.25)

En remplaçant (22) et (4) dans (21) :

4 𝑥 2𝑥
𝑓𝑋 (𝑥) =𝑏Г(𝑣) (𝑏)𝑣 𝐾𝑣−1 ( ) ; x> 0 (2.26)
𝑏

Où,  est la fonction de Bessel modifiée de deuxième espèce, b est le paramètre d’échelle et v est le paramètre de
forme.
Les moments d'ordre n sont donnés par [4] :
𝑛
Г(𝑣+ ) 𝑛
𝑛 2
[𝑋 ]=𝑏
𝑛
Г( 1+2) (2.27)
Г(𝑣)
Clutter de mer :
Les échos de mer représentent des fluctuations statistiques qui sont décrites par une fonction densité de
probabilité afin de caractériser l'amplitude du clutter de mer. Sous certaines conditions générales, la somme
d'un nombre n de variables aléatoires indépendant de même ordre de grandeur est une fonction de probabilité
Gaussienne. Si cette variable aléatoire représente l'écho de mer, alors les fluctuations statistiques de son
enveloppe à la sortie du détecteur d'enveloppe suivent la distribution Rayleigh. Cette distribution est valable
si la résolution du RADAR est relativement basse [10]. La modélisation du clutter dépend de l’application
RADAR en question. En effet, dans les Radars à basse résolution, la largeur d’impulsion est supérieure à 0.5μs.
En revanche, dans certains environnements, l’utilisation d’un RADAR à haute résolution s’avère indubitable
(largeur d’impulsion inférieure à 5μs). Pour ce cas, les données expérimentales correspondant à ce type de
clutter ont montré qu’elles suivent une distribution présentant une queue plus étalée (long tail ou heavytail) que
celle de la gaussienne. Conséquemment, pour détecter des cibles dans ce type de clutter avec un angle
d’incidence inférieur à 3.9°, il est nécessaire de modéliser l’environnement par des distributions non-
gausiennes. Dans la littérature RADAR, quelques modèles peuvent représenter les statistiques du clutter de mer
ou du sol tels que les PDF de Weibull, Lognormal, et K [4].
4 Analyse du détecteurs CA-CFAR et OS-CFAR dans la distribution Weibull

4-1 Analyse du détecteur CA-CFAR

4.2. ANALYSE DU DETECTEUR OS-CFAR :

4.3. Détection Non-CFAR dans la distribution Weibull :


Chapitre 4 :

Résumé :
Le quatrième et le dernier chapitre est fondé pour la simulation et l’interprétation des résultats obtenus
par la programmation en utilisons le ‘MATLAB

1. Introduction

2. Equation radar

3. Détection d’un signal avec le bruit gaussien (thermique)

4.La détection CFAR dans fouillis homogène (bruit gaussien)

5. La détection CFAR dans fouillis hétérogène (Weibull clutter)

6. Conclusion
1. INTRODUCTION :
Dans ce qu’on a vue précédemment l’expression de l’équation RADAR, et on a traité la détection avec un bruit
(gaussien et clutter) pour obtenir les formules analytiques de la probabilité de fausse alarme pour une détection
non-adaptative et adaptative (CA-CFAR et OS-CFARet SO-CFAR GA-CFAR). On a besoin donc de les
simuler et traduire en chiffre les formules analytiques.
Cela ira se faire dans ce chapitre où on va présenter les résultats obtenus dans les différents
cas par la programmation en utilisant le ‘MATLAB’, ainsi que leur interprétation.

2. Equation RADAR
À partir de l’équation RADAR on fait programmer avec le MATLAB pour voir l’influence de quelque
paramètre de l’équation sur le rapport signal bruit en utilisant les paramètres d’un RADAR de type

le RADAR est caractérisé par : une fréquence élevé jusqu’à 300 Ghz ,un gain d’émission et de réception
G=00 dB et la puissance émise00 dB, la bande de fréquence Bf =00 Mhz, figure de bruit F =00 dB, et un
facteur de pertes L =00 dB. Pour sigma ‘σ’ (SER

Fig IV.1 l’influence de la gamme R et la température sur SNR avec différents valeur de
RADAR de type
3. Détection d’un signal avec le bruit gaussien (thermique) :
4. 3.1. La probabilité de fausse alarme :

4. La détection CFAR dans fouillis homogène (bruit gaussien)


1. 4.1. Probabilité de détection de cible Swerling

4.2. Les détecteurs


La détection non adaptative dans la distribution Weibull :