Vous êtes sur la page 1sur 28

Université de Skikda 20 Août 1955

Cours : Techniques Radars


Table des matières
1. Introduction
1.2 Historique
2. Classification des systèmes radars
2.1 Radar primaire
2.2 Radar secondaire
2.3 Radar à ondes continues
2.4 Radar à impulsions
3. Principe de fonctionnement d'un radar à impulsions
3.1. Extracteur des données
3.2. Traitement des données
4. Radar doppler
5. Détection automatique des cibles
5.1. Critères de décision
6. Types d'environnements et de cibles
6. 1.Types d'environnements
6.2. Modèles statistiques de clutter et de cibles
7. Détection CFAR
7.1. Le détecteur CA-CFAR.
7.2. Le détecteur CMLD-CFAR.
7.3 Le détecteur OS-CFAR.
7.4 Le détecteur TM-CFAR.

Cours Préparé par Dr. BOUDEMAGH Naim


Année Universitaire 2019/2020

1
Université de Skikda 20 Août 1955

1.1Introduction :

Le radar est la contraction de l'expression : Radio Detection And Ranging, et qui signifie
‘détection et télémétrie par ondes radio’. C'est un système qui permet de percevoir des objets
qui ne peuvent être visibles en déterminant leurs distances, directions et élévations. Les
systèmes radar ont connu un large usage aussi bien dans le domaine militaire que dans les
domaines de communication, de navigation, de la météorologie et des applications spatiales
[1]. Vu ce qu'ils offrent comme avantages, principalement la capacité de la détection
automatique d'objets mobiles dans l'espace, et leur flexibilité à pouvoir s'adapter à tout
environnement que sa soit la détection d'objectifs mobiles sur terre ou mer, et quelque soit les
conditions dans les quelles ils opèrent. Le principe de ce système de mesure est d'envoyer une
onde électromagnétique dans une certaine direction et d'attendre le retour de celle ci après sa
réflexion par un objet. On parle dans ce cas de l'écho radar comme montré dans la Fig. 1. Ce
signal est un mélange de signaux provenant de plusieurs entités telles que : cibles, bruit
thermique propre aux composantes du système radar et enfin du clutter (fouillis). Le clutter
est le signal qui provient de la réflexion d'objets indésirables comme le sol, la mer, le nuage,
la pluie, la forêt, brouillage (jamming), etc...comme montré dans la Fig 2. Ces échos peuvent
être visualisés sur un écran sous forme de spots (plots) lumineux qui donnent une
représentation polaire plane de l'espace balayé par le radar. Les informations visibles sur
écran sont exploitées par un opérateur humain pour extraire d'éventuelles cibles. La réussite
de l'interprétation dépendra de l'état de l'opérateur car il y'a d'énormes difficultés à traiter un
nombre élevé de cibles. Dans les systèmes radars modernes, la détection est réalisée d'une
manière automatique. Dans ce cas, l'observation reçue est comparée à un seuil, dit seuil de
détection, pour déclarer la cible présente ou absente Fig 3. L'utilisation d'un seuil fixe de
détection donne, dans la plus part des cas, une augmentation importante du taux de fausses
alarmes, car le niveau de la puissance du clutter est généralement inconnu et variable. Pour
cette raison, il est nécessaire d'adapter ce seuil de détection à chaque type d'environnement
(seuil adaptatif) afin d'optimiser la probabilité de détection en maintenant un taux de fausse
alarme constant TFAC (Constant False Alarm Rate, CFAR). Pour cela, plusieurs travaux ont
été effectués dans ce domaine. L'existence d'une multitude d'environnements naturels
observés par le radar, telles que le nombre des cibles interférentes et/ou position du bord de
clutter, ne permet pas de fournir des méthodes systématiques qui s'adaptent pour toutes les
situations. C'est pour cette raison que chaque détecteur proposé dans la littérature donne des

2
Université de Skikda 20 Août 1955

résultats de détection satisfaisants uniquement pour des conditions bien définies sinon une
dégradation sévère de la détection est obtenue si les caractéristiques de l'environnement
changent. C'est le principal inconvénient des détecteurs à points de censure fixes. La
différence entre les algorithmes de ces détecteurs réside dans la manière retenue pour estimer
la puissance du bruit.

1.2 Historique :

Son histoire de détection a débuté par les travaux du physicien britannique James Clerk
Maxwell, en 1864, qui a prédit mathématiquement que les radiations, qui seront connues
ensuite sous le nom d'ondes électromagnétiques, ont quelques propriétés communes avec les
ondes lumineuses. En particulier, la vitesse de propagation et la réflexion par les objets
métalliques et diélectriques. Ceci a été démontré par le physicien allemand Heinrich
Rudolf Hertz en 1886.
En 1904, l'ingénieur allemand Christian Hülsmeyer était le premier à proposer l'utilisation
d'échos radio dans un appareil de détection afin d'éviter les collisions en navigation.
Ensuite, en 1917, Nikola Tesla établit les principes théoriques du futur radar. En 1922, un
dispositif similaire fut proposé par l'inventeur italien Guglielmo Marconi.
Plus tard, et au cours de la deuxième guerre mondiale, Wattson Watt a pu réaliser un détecteur
radio que les américains ont nommé ‘RADAR’, qui est l’acronyme de l’expression 'RAdio
Detection And Ranging', et qui signifie ‘détection et télémétrie par ondes radio’. Depuis cette
époque, le radar n’a cessé de se perfectionner.

onde espace de réflexion cible


Radar électromagnétique surveillance de l’onde

Figure 1: Principe du radar

3
Université de Skikda 20 Août 1955

Clutter météorologique

Cibles interférentes

Radar

Clutter de terre
Cible interférente
avec brouilleur

Figure 2 : Exemple exhaustif d’un environnement non homogène


en présence de cibles interférentes, clutter météorologique,
clutter de terre et une cible interférente avec brouilleur.

Cible

Fausse alarme

Seuil de détection

Niveau moyen du bruit


Bruit

Figure 3 : Exemple d’une cible noyée dans du bruit


où la valeur de l’un de ses échantillons dépasse le seuil de
détection. 4
Université de Skikda 20 Août 1955

2.1 Classification des systèmes radar :

En fonction des informations qu'ils doivent fournir, les systèmes radars utilisent des
technologies différentes. Pour cela, ils sont classifiés comme suit [2, 3] :

2.1.1 Radar primaire :


L'antenne du radar illumine la cible avec des micros ondes, qui sont alors réfléchies puis
interceptées grâce à un récepteur. Le signal électrique recueilli par l'antenne est appelé écho
ou retour. Le signal transmis par le radar est généré par un émetteur puissant, l'écho réfléchi
par la cible est capté par un récepteur très sensible. Chaque cible réfléchi le signal en le
dispersant dans un grand nombre de directions. Le signal réfléchi est aussi appelé scattering
(diffusion). Backscatter (rétrodiffusion) est le terme désignant la partie du signal réfléchi
diffusée dans la direction opposée _a celle des ondes incidentes (émises). Les échos détectés
par le radar peuvent être visualisés sur l’écran traditionnel de type PPI (Plan Position
Indicator) ou sur tout autre système de visualisation plus élaboré.

2.1.2 Radar secondaire :


Les cibles peuvent être ‘’amies’’ ou ‘’ennemies’’ mais rien dans l’information du radar
primaire ne permet de les distinguer. Par contre, si une cible amie peut répondre au faisceau
radar par un signal convenu, le radar peut la distinguer des autres cibles. Le message codé ne
permettait à l’origine que de donner l’affiliation de l’appareil et ainsi de reconnaitre les avions
de sa propre flotte dans un ciel bondé d’avions se pourchassant.

2.1.3 Radar à ondes continues :


Les radars à ondes continues (CW) émettent sans interruption un signal hyperfréquence
sinusoïdal. L’écho est donc reçu et traité continuellement.

2.1.4 Radar à impulsions :


Les radars à impulsions émettent des impulsions de signal hyperfréquence à forte
puissance. Chaque impulsion est suivie d'un temps de silence plus long que l'impulsion elle-
même, temps durant lequel les échos de cette impulsion peuvent être reçus avant qu'une
nouvelle impulsion ne soit émise. Direction, distance, vitesse radiale et parfois, si cela est

5
Université de Skikda 20 Août 1955

nécessaire, hauteur ou altitude de la cible, peuvent être déterminées à partir des mesures de la
position de l'antenne et du temps de propagation de l'impulsion émise.
Après avoir décrit dune manière succincte les différents types de radars, nous focaliserons sur
le type ‘’radar à impulsions’’, car toutes les techniques de détection que nous présenterons
dans cette thèse rentrent dans le cadre de cette catégorie de radar.

2.2 Principe de fonctionnement d’un radar à impulsions :


Le radar est un capteur qui permet de détecter des cibles fixes et mobiles. Le principe de
tout radar est d’émettre une onde électromagnétique dans une direction de l’espace et
d’attendre d’éventuels échos renvoyés par les différents obstacles rencontrés. Selon le signal
utilisé, les radars se décomposent en trois catégories : les systèmes à modulation de fréquence,
les systèmes à décalage de fréquence et les systèmes à impulsion. Cette dernière catégorie est
la plus utilisée en pratique et c’est ce cas que nous considérons dans notre travail. La Fig 4
résume le schéma synoptique d’un tel radar [2].
Le principe repose sur l’émission d’une impulsion très brève dans le temps et avec une
grande puissance. Grâce au module duplexeur, l’antenne peut travailler tantôt en émission
tantôt en réception en bloquant l’entrée pendant le cycle de l’émission. La distance D qui
sépare l’obstacle de l’antenne peut être facilement déduite : la durée t d’un aller retour de
l’onde étant connue ainsi que sa vitesse de propagation C qui est celle de la lumière, la
distance D est donc D =C.t/2. La direction de l’obstacle est donnée par la direction de
l’antenne.
Ce radar est composé essentiellement de deux canaux : un canal d’émission et un canal de
réception. A partir d’un oscillateur stable STALO (STAble Oscillator) à la fréquence
intermédiaire fi du récepteur, d’un autre oscillateur local, LO (Local Oscillator) de fréquence
fl et par battement des deux fréquences fi et fl , il y’a formation de l’onde d’émission à la
fréquence fi + fl , Le signal hyperfréquence est alors découpé en impulsions de durée τ à une
fréquence fR = 1/tR, où tR est la période de répétition, par l’intermédiaire d’un interrupteur
électronique commandé par un signal de même durée et de même fréquence. Ces impulsions
sont amplifiées et envoyées au duplexeur qui les dirige à son tour vers l’antenne. A la
réception, le signal reçu a une fréquence fe + fd où fd est la fréquence Doppler qui est fonction
de la vitesse radiale de la cible mobile par rapport au radar. Le mélange de ce signal avec
celui fourni par l’oscillateur local donne un signal à la fréquence intermédiaire
fi + fd. Ce dernier subit encore une amplification avant d’être filtré de façon optimale
par un filtre adapté à la forme de l’impulsion émise de durée τ

6
Université de Skikda 20 Août 1955

Antenne

Amplificateur Interrupteur Onde


Duplexeur
hyperfréquence électronique électromagnétique

fr = fi + fl ± fd
fe = fi + fl
fl Oscillateur fl
local
fi ± fd fi τ
Oscillateur tR
Amplificateur stable
FI

Filtre adapté

MTI

Détecteur
quadratique

Détecteur Extracteur Processeurs


CFAR
des données des données

Visualisation

Figure 4 : Schéma synoptique d’un Radar à impulsions

La sortie du filtre adapté est un signal à bande étroite centré sur la fréquence intermédiaire fi.
Ensuite, la séparation des cibles mobiles des cibles fixes (clutter) s’effectue par un traitement
MTI (Moving Target Indicator) qui se base sur la différence entre leurs vitesses radiales. A la
sortie du MTI, le signal est appliqué à un détecteur quadratique pour donner l’enveloppe du
signal. Ce signal est soit amplifié, si on doit le visualiser sur un moniteur, comme c’est le cas
d’un radar classique, soit il est échantillonné et convertie en des données numériques qui

7
Université de Skikda 20 Août 1955

seront acheminées vers un registre à décalage pour d’éventuels traitements numériques. Ces
traitements consistent en la détection CFAR pour extraire des informations sur la présence ou
la l’absence de cibles dans un point donné de l’espace surveillé.

2.2.1 Extracteur des données :

L’extracteur permet d’obtenir les coordonnées (distance, azimut, etc…) des cibles à partir

des résultats de la détection. En pratique, des cibles peuvent être déclarées présentes sur

plusieurs cellules adjacentes en distance et/ou en angle. Le barycentre de ces détections,

appelé plot, est une bonne estimation de la position spatiale de la cible.

2.2.2 Traitement des données :

Cette fonction est connue sous le nom de ‘’poursuites des cibles’’ (Tracking) et consiste à
traiter les plots générés par l’extracteur en vue de déterminer les trajectoires des cibles
évoluant dans l’espace de surveillance du radar.
Lorsque la direction du rayonnement maximale est voisine de la direction de la cible, nous
faisons une mesure toute les tR secondes et pendant un temps t = θ / v où θ est la largeur en
azimut à 3 dB du lobe principal en degré et v est la vitesse de rotation de l’antenne en degré
par seconde. Le signal reçu est un paquet de no = t/tR impulsions (échantillons) de durée τ qui
arrivent au radar aux instants to, to+tR,…,to+notR, avec to égale au temps entre le départ de
l’onde et le retour de l’écho. Pour sélectionner ces impulsions à la sortie du détecteur
quadratique, il suffit d’ouvrir une porte entre les instants nτ et nτ+τ comptées à partir de
l’instant d’émission où τ est la largeur de l’impulsion émise et nτ est un nombre entier choisi
de telle sorte que nτ < to < nτ + τ. Ce processus est connu sous le nom de l’échantillonnage en
portée du signal. La détection automatique des cibles revient à résoudre le problème de savoir
si dans les cellules distance de l’espace, et en les prenant une à une, il existe ou non une cible.
En fait, dans chaque direction de l’espace balayé par le radar, la portée est divisée en plusieurs
centaines de cellules et le test de détection dans chaque cellule utilise une fenêtre de N
cellules qui sont de part et d’autre de celle-ci pour l’estimation du niveau de bruit. Un
glissement de cette fenêtre le long des cellules de référence permet de couvrir toute la distance
radar.

8
Université de Skikda 20 Août 1955

Pour mener à bien l’élaboration d’un tel détecteur, il convient de caractériser statistiquement
les échantillons reçus. Le signal reçu dans chaque cellule de référence peut provenir de trois
sources différentes :

 bruit de fond (background noise) généré par les composantes du radar lui même.
 Présence de clutter qui a en général une puissance plus grande que celle du bruit.
 Présence de cible.

2.3 Radar doppler :


Plusieurs types de radar existent [5]. Dans notre étude, nous avons considéré les signaux
des échos reçus par un Radar doppler. Notons que ce type de Radar est le plus employé pour
la surveillance ou/et la poursuite de cibles.
Le radar doppler est un équipement de navigation qui permet de connaître à tout instant la
distance (d) et la vitesse (v) d’une cible. Connaissant la vitesse (c) de propagation de l’onde
radioélectrique qui est de 3.108 m/s, la position de la cible peut être facilement déduite en
mesurant le temps (t) nécessaire à l’onde pour effectuer un aller et retour. Dans ce cas, d =
c.t/2. Lorsqu’un observateur se déplace par rapport à une source de rayonnement de fréquence
déterminée (ou inversement) le décalage de fréquence mesuré varie d’une quantité qui dépend
de la fréquence du signal de la source d’émission de l’onde d’une part et de la vitesse de la
cible dans la direction radiale du radar d’autre part. En effet, pour un faisceau radioélectrique
faisant un ongle θ1 par rapport à la ligne de vol, dans le cas d’une cible mobile, la composante
de la vitesse dans la direction du faisceau étant v cos θ1 , la différence des fréquences du
signal incident (fi) et du signal reçu (fr) peut alors s’exprimée par :

2v cos ⁡
(θ1 )
fd = fi − fr ≈ λ
(1)

où λ est longueur d'onde émise.


La détermination de cette différence fd (appelée aussi fréquence différentielle) permet de
connaître la vitesse v de la cible. Si par exemple θ1=600 (cos (θ1)=1/2) et si v=1100 km/h, la
différence fd est voisine de 10 khz si la fréquence incidente fi=1010 hz (λ=3 cm). Un seul
faisceau émis en avant de l’avion ne permet de mesurer que la vitesse selon l’axe de l’avion
pour apprécier la dérive latérale, le radar doppler émet aussi deux faisceaux perpendiculaires à
l’axe de l’avion.

9
Université de Skikda 20 Août 1955

2.4 Détection automatique des cibles :


Dans cette section, nous présentons les bases de la théorie de la décision ainsi que son
application dans la détection automatique des cibles dans les systèmes radar.

2.4.1 Critères de décision :


Dans un système de détection radar, le problème de détection du signal radar revient à
observer le signal reçu pour prendre une des deux décisions suivantes : présence ou absence
de cible. Pour cela une source émet deux sorties possibles appelées hypothèses : l’hypothèse
nulle H0 représentée parfois par 0 qui correspond à une absence de cible et l’hypothèse
alternative H1 représentée par 1 correspond à une présence de cible. Chaque hypothèse
correspond à une ou plusieurs observations qui sont représentées par des variables aléatoires
qui vont servir à la prise de décision. Nous supposons que le récepteur prend une décision sur
une observation du signal reçu Y. L’ensemble des valeurs que prend la variable aléatoire Y
est appelé espace d’observation Z [3]. Cet espace est divisé en deux régions Z0 et Z1 de telle
façon que si Y est dans Z1, le récepteur décide H1, et si Y est dans Z0, le récepteur décide H0
comme montré dans la Fig. 5.

Décider D0

PQ/H1(q)
H1 :S1(t)=s(t)+n(t) Z0
Source PQ/H0(q) q(t)
H0 :S0(t)=n(t)
Z1
Z0

Décider D1

Figure 5: Les règles de décision

Les fonctions densité de probabilité de Y correspondant à chacune des hypothèses sont


fY/H0(y/H0) et fY/H1(y/H1) où y est une valeur particulière de Y. Chaque fois qu’une décision
est prise, basée sur un critère de décision, quatre cas sont alors possibles :
 Décider H0 quand H0 est vraie,

10
Université de Skikda 20 Août 1955

 Décider H0 quand H1 est vraie,


 Décider H1 quand H1 est vraie,
 Décider H1 quand H0 est vraie.

Dans le premier et le troisième cas, le récepteur prend la bonne décision alors que pour les
deux autres cas il prend la mauvaise décision. Dans la nomenclature du radar, le deuxième cas
est appelé non détection (Miss), pour le dernier cas on parle de fausse alarme et pour le
troisième cas on parle de détection.
Dans la section suivante, nous présentons quelques critères de décision qui sont utilisés dans
la théorie de la décision ainsi que les conditions dans lesquelles ils sont utilisés.

 Critère de Bayes

L’utilisation du critère de Bayes nécessite principalement deux hypothèses :

 La connaissance à priori des probabilités d’événement des deux sorties de la


source qui sont appelées les probabilités à priori P(H0) et P(H1).
 Pouvoir attribuer un coût à chaque décision possible.
Les conséquences d’une décision sont différentes de celles d’une autre décision. Par exemple
dans le problème de la détection radar, les conséquences d’une non détection ne sont pas les
mêmes que les conséquences d’une fausse alarme.
Si nous notons par Di, i=0,1 les décisions qui correspondent respectivement aux hypothèses
H0 et H1, nous pouvons définir Cij, i,j=0.1, le coût associé à la décision Di sachant que
l’hypothèse Hj est vraie (Di.Hj). A titre d’exemple le coût C01 correspond au cas où la décision
est H0 quand H1 est vraie, etc…Le but du critère de Bayes est de déterminer la règle de
décision qui minimise le coût moyen E(C) connu aussi sous le nom de risque.
1
R j= ∑ C .P(D
i=0
ij i / Hj ) (2)

Le risque moyen R moy est obtenu en prenant la moyenne des risques conditionnels sur
toutes les hypothèses possibles.

1
R moy = ∑ R j P(Di / Hj) (3)
j=0

11
Université de Skikda 20 Août 1955

1 1
= ∑∑ C .P(D
j=0 i=0
ij i / H j ).P(H j ) (4)

= P(D0/H0).P(H0).C00 + P(D1/H0).P(H0).C10 +
P(D0/H1).P(H1).C01+P(D1/H1).P(H1).C11 (5)

Puisque

P(D0 / H0 ) + P(D1 / H0 ) = ∫P Q H0
(q)dq + ∫ PQ H (q)dq = 1
0
(6)
Z0 Z1

et

P(D0 / H1 ) + P(D1 / H1 ) = ∫P Q H1
(q)dq + ∫ PQ H (q)dq = 1
1
(7)
Z0 Z1

Nous aurons alors :

R moy = C10.P (H0) + C11.P (H1) +

∫ [P(H ).(C
1 01 ) ( )
− C11 .PQ H (q) − P(H0 ). C10 − C00 .PQ H (q) dq
1 0
] (8)
Z0

La règle de Bayes consiste à minimiser le risque moyen donné par la relation (8). Les deux
premiers termes représentent le risque fixe et l’intégrale représente le risque contrôlé par les
points attribués à la région Z0. Comme les coûts des décisions erronées sont plus élevés que
ceux des décisions correctes, et que toutes les probabilités sont positives, nous pourrons
minimiser le risque moyen que lorsque Z0 sera choisi de façon que l’intégrale soit négative en
tout point de Z0, d’où la règle de Bayes :
H1
PQ H (q) > P(H ).(C − C )
Λ(q) = 1 0 10 00
(9)
PQ H (q) < P(H1 ).(C 01 − C11 )
0

H0
Λ(q) est appelé le rapport de vraisemblance.

12
Université de Skikda 20 Août 1955

 Critère du minimax
Dans la plupart des cas pratiques, les probabilités à priori, P(Hi), i=0,1, ne sont pas
connues et le critère d’optimisation de la décision est basé sur les risques conditionnels R j,

j=0,1, exprimé par l’équation (4). La règle de décision optimale est celle dont la valeur
maximale des risques conditionnels est minimale par rapport à d’autres règles. Cette règle de
décision est connue sous le nom de ‘’stratégie du minimax’’. La règle du minimax est un cas
particulier de la règle de Bayes pour la plus défavorable distribution à priori des hypothèses,
P(Hi), i=0,1, pour laquelle le risque de Bayes a la plus grande valeur.

 Critère de Neyman-Pearson
En l’absence d’information sur les probabilités à priori et les coûts, le critère le plus
employé est celui de Neyman-Pearson. Il consiste à rendre minimale (maximale) la
probabilité de non détection (détection), Pm(Pd), sachant que la probabilité de fausse alarme,
Pfa, est fixée à une valeur α. Pour cela nous construisons la fonction objective suivante :

J(λ) = Pm + λ(Pfa – α) (10)

Où λ est le multiplicateur de Lagrange. D’après les équations (6) et (7), nous pouvons
écrire :

[ 1 0
]
J(λ ) = λ(1 − α ) + ∫ PQ H (q) − λPQ H (q) dq (11)
Z0

J(λ) sera minimal si Z0 est choisi de telle façon que l’intégrale est négative, ce qui donne la
règle de décision :

H1
PQ H (q) >
Λ(q) = 1
λ (12)
PQ H (q) <
0

H0
Avec λ choisi pour satisfaire une probabilité de fausse alarme α, donc :

∫P
λ
Λ H0
(q)dq = α (13)

13
Université de Skikda 20 Août 1955

où PΛ H (q) est la densité de probabilité conditionnelle du rapport de vraisemblance.


0

3 Types d'environnements et de cibles :


3.1 Types d'environnements :
L’environnement peut être homogène ou non homogène. L'hypothèse d'homogénéité est
vérifiée s'il n'existe pas de bord de clutter ni de cibles interférentes au niveau de la fenêtre de
référence [7].
3.1.2 Différents types de clutter non homogène :
Le modèle non homogène englobe trois types qui sont :
 Bord de clutter
Dans la détection radar, une transition entre deux milieux de natures différentes telle que la
transition d'un milieu terrestre vers un milieu maritime ou d'une zone claire vers une zone
nuageuse et inversement produit un changement brusque dans la puissance du clutter. Cette
transition est appelée bord de clutter [8].
Dans cette situation, deux cas peuvent se présenter :
Le premier se produit lorsque la cellule sous test (CUT) baigne dans le bruit thermique alors
qu’une partie des cellules de référence contient du clutter et du bruit thermique voir la Fig. 6.
La deuxième situation, quant à lui, se manifeste lorsque la cellule sous test baigne dans le
bruit thermique et le clutter, alors qu'une partie des cellules de référence contient du bruit
thermique uniquement et est illustré dans la Figure 7.

Bord de cutter Clutter+bruit


région (1)
Puissance

Bruit Nc
région (2)

X1 X2 … X0 … XN
Cellules de référence

Fig 6 : la CST baigne dans le bruit thermique

Bord de cutter Clutter+bruit


région (1)
Puissance

Bruit Nc
région (2)

X1 X2 … X0 … XN
Cellules de référence
Fig 7 : la CST baigne dans le bruit thermique et le clutter
14
Université de Skikda 20 Août 1955

 Cibles interférentes (pics)


C’est une situation qui contient une ou plusieurs cibles qui apparaissent dans une ou
plusieurs cellules de référence sous forme de pic(s). Selon leurs portées, elles peuvent se
situer avant ou après la cellule sous test. La Figure. 8 montre une des situations des pics qui
présente la configuration sous-mentionnée. L'apparence des pics est accompagnée
généralement avec du bruit thermique.

cibles interférentes
Puissance

Bruit

X1 X2 … X0 … XN
Cellules de référence

Fig 8 : cibles interférentes noyées dans bruit thermique

 Bord de clutter et Cibles interférentes


Ce type de configuration est l’association des deux précédentes. Il constitue le cas le plus
général. Ainsi, toutes les situations montrées précédemment sont issues de ce type de milieu,
Fig. 9.

Cible interférentes

Bord de cutter
Clutter+bruit
Puissance

Bruit Nc

X1 X2 … X0 … XN
Fig 9 : bord de cutter et pics Cellules de référence

Dans les situations précédemment décrites, la variance totale μ dépendant du contenu de


chaque cellule de référence, est exprimée par [8]
- Dans les Figures 6, 7.
région (1): μ = μt
région (2) : μ = μt (1+CNR)

15
Université de Skikda 20 Août 1955

- Dans la Figure. 8 (pour les cellules qui contiennent des pics)


μ = μt .(1+INR)
- Dans la Figure. 9 (pour les cellules qui contiennent des pics et du clutter)
μ = μt .(1+CNR+INR)
où,
• μt : indique la variance du bruit thermique,
• CNR et INR représentent respectivement les rapports clutter sur bruit et interférence sur
bruit.
La variance de la cellule sous test x0 en présence de la cible primaire et du bruit thermique est donnée
par
μ = μ t .(1+SNR)
où, SNR représente le rapport signal (cible) sur bruit.

3.2 Modèles statistiques du clutter et des cibles :


3.2.1 Modèles statistiques du cutter :
La modélisation du clutter dépend de l’application radar en question [8]. En effet, dans les
radars à basse résolution, la largeur d’impulsion est supérieure à 0.5 μs. Si de plus la détection
se fait à des angles d’incidence (grazing angles) supérieurs à 5 degrés, le clutter de surface
peut être modélisé par une distribution Gaussienne de moyenne nulle et de variance constante
(clutter uniforme). En revanche, dans certains environnements, l’utilisation d’un radar haute
résolution s’avère indubitable (largeur d’impulsion inférieure à 0.5 μs). Pour ce cas, les
données expérimentales correspondant à ce type de clutter ont montré qu’elles obéissent à une
distribution présentant une queue plus étalée ou lourde (long ou heavy tail) que celle de la
Gaussienne. Conséquemment, pour détecter des cibles dans ce type de clutter, il est nécessaire
de modéliser l’environnement par des distributions non-Gaussiennes. Dans la littérature radar,
les modèles statistiques les plus rencontrés et pouvant suppléer à l’absence d’un clutter
Gaussien sont les distributions Weibull, log-normal et K. Pour ce faire, le tableau 1 résume
quelques cas de clutter non-Gaussien.

16
Université de Skikda 20 Août 1955

Table 1- Exemples d'environnements Gaussien et non-Gaussiens

Type de Largeur Terre ou Mer Bande de Angle Modélisation du


radar d’impulsion τ Fréquences d’incidence clutter
(μs) (degrés)

Basse 2 Montagnes S 5≥ Gaussienne


résolution rocheuses <5 Weibull
Basse 3 Collines L 0.5° Log-normal et
résolution boisées Weibull
Haute 0.17 Forêt X 0.7° Log-normal et
résolution 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 GHz) Weibull et K

 Distribution Gaussienne (Normal)


La distribution normal, souvent appelée distribution Gaussienne, est une famille
importante de distribution de variables aléatoires continues. Par définition, une variable
aléatoire X suit une loi Gaussienne, notée X ~N(𝜇𝜇,𝜎𝜎 2 ), quand sa fonction de densité de
probabilité, s’écrit, [9-10] :

𝟏𝟏 𝒙𝒙 −𝝁𝝁 𝟐𝟐
𝟏𝟏
𝒇𝒇𝑿𝑿 (𝒙𝒙) = 𝝈𝝈√𝟐𝟐𝝅𝝅 𝒆𝒆−𝟐𝟐� �
𝝈𝝈 −∞ < 𝝁𝝁 < +∞ 𝒆𝒆𝒆𝒆 𝝈𝝈 > 0 (14)

𝜇𝜇 et 𝜎𝜎 sont, respectivement, la moyenne et l'écart type de X. 𝜇𝜇 représente le paramètre de


position (location parameter), et 𝝈𝝈 représente le paramètre d'échelle (scale parameter). La Pdf
normal passe par son maximum pour x = 𝜇𝜇. Elle a ses points d'inflexion en 𝜇𝜇 + 𝜎𝜎 et 𝜇𝜇 − 𝜎𝜎.
Quand 𝜇𝜇 = 0 et 𝜎𝜎 2 = 1, N (0,1) est appelée loi normale standard.

 Distribution Log-normal
La distribution log-normal été développée dans le but d'être appliquée dans une grande
variété de situations réelles de clutter de mer et de terre à faible angle d’incidence (low
grazing angle) et dans les radars à haute résolution. C'est une loi de distribution dont le

17
Université de Skikda 20 Août 1955

logarithme est normalement distribué. Par définition, une variable aléatoire X suit une loi log-
normal, notée X ~Ln(𝜇𝜇,𝜎𝜎 2 ), quand sa densité de probabilité bi-paramétrique, s’écrit, ∀ 𝑋𝑋 ∈
𝑅𝑅+∗ [9-11] :

1 ln 𝑥𝑥 −𝜇𝜇 2
1
𝑓𝑓𝑋𝑋 (𝑥𝑥) = 𝑥𝑥 𝜎𝜎√2𝜋𝜋 𝑒𝑒 −2� �
𝜎𝜎 −∞ < 𝜇𝜇 < +∞ 𝑒𝑒𝑒𝑒 𝜎𝜎 ≥ 0 (15)

𝜇𝜇, la moyenne de ln(x), représente le paramètre d'échelle et 𝜎𝜎, l'écart type de ln(x), est
connu sous le nom de paramètre de forme.

 Distribution Weibull
Une variable aléatoire X est Weibull distribuée, si sa densité de probabilité a deux
paramètres 𝛼𝛼 et 𝛽𝛽, notée W(𝛼𝛼,𝛽𝛽), est définie sur 𝑅𝑅 + par [9, 12] :

𝜷𝜷 𝒙𝒙 𝜷𝜷−𝟏𝟏 𝒙𝒙 𝜷𝜷
𝒇𝒇𝑿𝑿 (𝒙𝒙) = 𝜶𝜶 �𝜶𝜶� 𝒆𝒆𝒆𝒆𝒆𝒆⁡�− �𝜶𝜶� � (16)

𝛼𝛼 représente le paramètre d'échelle et 𝛽𝛽 le paramètre de forme de la distribution Weibull.


La distribution Weibull se réduit a la distribution exponentielle pour 𝛽𝛽 = 1, la distribution de
Rayleigh est obtenue pour 𝛽𝛽 = 2.

 Distribution K
En haute résolution, les fluctuations du clutter présentent un nombre élevé de pics qui
peuvent être considérés comme des fausses cibles par le système radar. Leurs distributions ont
une queue (tail) longue et étalée et sont connues sous le nom Gaussien Composé (Compound
Gaussian clutter). A l'entrée du détecteur quadratique, ce modèle est représenté par le produit
d'un processus aléatoire Gaussien complexe de moyenne nulle et de variance fixe appelé
speckle, et un autre processus positif et réel appelé texture [7, 13]. La principale
caractéristique du modèle Gaussien Composé est liée à la variance (puissance) qui est
considérée comme une variable aléatoire. Leurs caractéristiques statistiques changent selon la
nature de la texture.
- Si la texture obéit à une loi Gamma, dans ce cas le clutter est K-distribué (clutter de
mer) [13], sa Pdf est donnée par :

18
Université de Skikda 20 Août 1955

4𝑐𝑐
𝑓𝑓𝑋𝑋 (𝑥𝑥) = (𝑐𝑐 𝑥𝑥)𝑣𝑣 𝐾𝐾𝑣𝑣−1 (2 𝑐𝑐 𝑥𝑥), 𝑥𝑥 ≥ 0 (17)
Γ(𝑣𝑣)

où,
- 𝑣𝑣: est le paramètre de forme de la distribution.
- 𝑐𝑐 : le paramètre d’échelle.
- 𝐾𝐾𝑣𝑣−1 : la fonction de Bessel modifiée du second ordre.

3.2.2 Modèles statistiques de fluctuation de la cible


 Cas de cible ponctuelle :
Dans les radars à basse résolution, les deux modèles de cibles considérés en théorie et
bien confirmés par les expériences sont [2] :

a. Le premier modèle considère la cible comme étant un ensemble de plusieurs


réflecteurs élémentaires de même taille. L’enveloppe du signal réfléchi d’une telle cible à la
sortie du détecteur quadratique suit une loi de Rayleigh de la forme :

x x2
𝑓𝑓𝑋𝑋 (𝑥𝑥) = x 2 exp⁡
(− 2x 2 ) (18)
0 0

Où x est l’amplitude du signal et x0 sa valeur moyenne qui dépend de la surface


équivalente du radar (Radar Cross Section) de la cible.

b. Le second modèle suppose qu’elle est constituée d’un gros réflecteur entouré de
plusieurs petits réflecteurs. A la sortie du détecteur quadratique l’enveloppe suit une loi de la
forme :

9x 3 3x 2
𝑓𝑓𝑋𝑋 (𝑥𝑥) = 2x 4 exp⁡
(− 2x ) (19)
0 0

Finalement, il est nécessaire de prendre en compte les mouvements de la cible sur sa


trajectoire. Nous définissons deux sortes de mouvements : ‘‘Cible fluctuante d’un balayage à
un autre’’ et ‘‘Cible fluctuante d’une impulsion à une autre’’.

1. Cible fluctuante d’un balayage à un autre (‘‘scan-to-scan’’) :

19
Université de Skikda 20 Août 1955

La cible lentement fluctuante garde la même amplitude pendant le temps d’un balayage.
Donc, c'est la même réalisation de la même variable aléatoire.

2. Cible fluctuante d’une impulsion à une autre (‘‘Pulse-to-pulse’’):


La cible rapidement fluctuante change de valeur par rapport à chaque impulsion.
Il en résulte que les échantillons reçus sont des réalisations différentes de la même variable
aléatoire.
Les cinq modèles de Swerling définissent cinq types de cibles répondant aux différentes
situations ci dessus :

 Cible de type Swerling 0 (Swerling 0 target) : Ce modèle est défini par une cible non-
fluctuante et dont l’amplitude de l’enveloppe est constante.

 Cible de type Swerling I (Swerling I target): Ce modèle est défini par une cible
lentement fluctuante et dont l’enveloppe suit la loi donnée par l’équation (18).

 Cible de type Swerling II (Swerling II target): Ce modèle est défini par une cible
rapidement fluctuante et dont l’enveloppe suit la loi donnée par l’équation (18).

 Cible de type Swerling III (Swerling III target): Ce modèle est défini par une cible
lentement fluctuante et dont l’enveloppe suit la loi donnée par l’équation (19).

 Cible de type Swerling IV (Swerling IV target) : Ce modèle est défini par une cible
rapidement fluctuante et dont l’enveloppe suit la loi donnée par l’équation (19).

 Cas de cibles réparties :


Les radars à haute résolution permettent une amélioration des performances de
détection, par rapport aux radars à basse résolution. Cette amélioration dépend
essentiellement de deux facteurs [4].

 L'augmentation de la résolution du radar réduit l'énergie rétrodiffusée par


cellule.

20
Université de Skikda 20 Août 1955

 L'énergie rétrodiffusée par des cibles réparties (resolved scatterers) introduit


moins de fluctuations que l'énergie rétrodiffusée par une cible conventionnelle
(unresolved point target).
Ainsi, en détection HRR (Radar Haute Résolution), nous ne parlons plus d'une cible
ponctuelle mais plutôt de cibles réparties, car l'énergie retro rétrodiffusée dans ce type de
radars est répartie sur un nombre ‘Np’ de cellules, appelées cellules primaires contenues dans
le groupe sous test. Ce concept est appelé MDS (Multiple Dominant Scatterers), et permet de
définir l'énergie rétrodiffusée par chacune des Np cellules.

4.1 Détection CFAR :


Dans les systèmes radar, la détection automatique de cible est basée sur une décision
binaire de présence ou d’absence du signal notées respectivement H1 et H0, comme il a déjà
été mentionné précédemment. Le principe consiste à échantillonner le signal en portée pour
construire des cellules appelées cellules de références, comme montré dans la Fig. 10. Une
estimation de la puissance (Z) du bruit et/ou clutter est obtenue à partir de la moyenne des
cellules qui entourent la cellule sous test Xo. Notons que les cellules adjacentes à Xo sont
appelées cellules de référence ou simplement fenêtre de référence [6]. Les deux cellules qui
encadrent la cellule sous test, appelées cellules de garde, ne sont pas prises en considération
car elles peuvent contenir une partie de la puissance de la cible. La constante de seuillage
(threshold multiplier) T est calculée de manière à assurer une probabilité de fausse alarme
(Pfa) désirée. Dans ce cas, la décision du détecteur sera en fonction du résultat du test de
comparaison de l’échantillon de la cellule sous test (cell under test) Xo à un seuil adaptatif T.Z
qui varie en fonction de l’environnement (c'est-à-dire l’estimateur de l’environnement Z).
Dans ce cas, les deux possibilités de la décision finale à la sortie du détecteur sont :
- Si Xo < T.Z ⇒ hypothèse H0 : absence de cible
- Si Xo > T.Z ⇒ hypothèse H1 : présence de cible

21
Université de Skikda 20 Août 1955

Cellules de garde Cellule sous


test X0

Sortie du détecteur
Quadratique

X1 … XN/2 XN/2+1 … XN

Processeur CFAR

Z
T Comparateur
T.Z

Décision de la détection
0 alors hypothèse H0: absence de cible
1 alors hypothèse H1: présence de cible
Figure 10: Principe général d’un détecteur CFAR

Le problème majeur dans un tel détecteur CFAR réside dans la manière retenue pour estimer
la puissance du bruit Z dans un milieu homogène et surtout dans un milieu non homogène.

4.1.1 Le détecteur CA-CFAR


Le détecteurs CA-CFAR (Cell-Averaging-CFAR) [14] est connu par l’utilisation de la
totalité des cellules de référence pour l'estimation du bruit est illustré dans la Figure.11. Son
estimateur local du bruit a la forme mathématique
N
Ζ= ∑ x (20)
r
r =1

22
Université de Skikda 20 Août 1955

Cellule sous
Signal reçu test CT
I Détecteur x1 … xN/2 x0 xN/2+1 … xN
Q Quadratique

Estimation du bruit
N
Ζ= ∑ x
r
r =1

Choix de TZ
T
- +
Pfa de Comparateur
consigne

H1 présence de cible
Décision Ou
H0 absence de cible

Figure 11. Le détecteur CA-CFAR

Le dimensionnement du détecteur s’effectue en présence d'un clutter Rayleigh où les


échantillons xr (r =1…N ) sont (Indépendantes et Identiquement Distribuées) IID. Ils suivent
la loi exponentielle [8], où la variance de la distribution est notée μ.
1 x
f(x) = .exp(− ) ,x ≥ 0 (21)
μ μ
La somme des N cellules de référence (l'estimateur du bruit) exponentiellement distribuées, obéit à
une loi Gamma de la forme [8]

ZN -1 Z
f (Z) = .exp( - ) (22)
Z
Γ(N).μ N μ
L'évaluation des probabilités de détection et de fausse alarme du détecteur CA-CFAR, par la
méthode des résidus, dans un clutter Rayleigh en présence d’une cible du type SWI ou SWII donne
T
Pd = (1 + )- N (23)
1 + SNR

23
Université de Skikda 20 Août 1955

Et , Pfa = Pd
/ SNR = 0 , c'est-à-dire,

Pfa = (1 + T) - N (24)

4.1.2 Le détecteur CMLD-CFAR :


Rickard et Dillard [15], ont proposé le détecteur CMLD (Censored Mean Level Detector). Ce
détecteur utilise les statistiques d'ordre pour l'estimation du bruit. Le rang du point de censure
fixe haut dépend de la connaissance à priori de la nature du clutter. Les cellules de référence
x1, x2, ..., xN sont classées par ordre croissant afin d'avoir les cellules ordonnées
x (1) ≤x (2) ≤….≤x (k) ≤x (N). L’estimateur du bruit est ainsi donné par :

𝑍𝑍 = ∑𝑁𝑁−𝑘𝑘
𝑗𝑗 =1 𝑋𝑋(𝑗𝑗) (25)

Où, k est le nombre des cellules à censurer. En présence d’un échantillon d’origine homogène
exponentiellement distribué, les cellules ordonnées ne sont ni indépendantes ni identiquement
distribuées.
Les expressions de la Pd et de la Pfa du CMLD-CFAR dans un clutter Rayleigh en présence
de cibles SWI ou SWII, par l'utilisation de la méthode des résidus, sont données par [5] :

𝑁𝑁 𝑇𝑇 𝑁𝑁−𝑖𝑖+1 −1
𝑃𝑃𝑑𝑑 = � � ∏𝑁𝑁−𝑘𝑘
𝑖𝑖=1 (1+𝑆𝑆𝑆𝑆𝑆𝑆 + 𝑁𝑁−𝑘𝑘−𝑖𝑖+1) (26)
𝑘𝑘

Et , Pfa = Pd
/ SNR = 0 , c'est-à-dire,

𝑁𝑁 𝑁𝑁−𝑖𝑖+1 −1
𝑃𝑃𝑓𝑓𝑓𝑓 = � � ∏𝑁𝑁−𝑘𝑘
𝑖𝑖=1 (𝑇𝑇 + 𝑁𝑁−𝑘𝑘−𝑖𝑖+1) (27)
𝑘𝑘

4.1.3 Le détecteur OS-CFAR :


Les performances du CA-CFAR sont optimales dans les milieux homogènes. Cependant,
l'hypothèse de ces derniers n'est plus valable en présence de cibles interférentes. Dans de
telles situations, la performance du processeur CA-CFAR est sérieusement dégradée.
Différentes techniques CFAR ont été proposées pour améliorer la détection dans les milieux

24
Université de Skikda 20 Août 1955

non homogènes, pour divers applications. En particulier, dans le cas de présence des cibles
interférentes, Rohling propose l’utilisation de l’OS-CFAR (Ordred Statistic-CFAR) [16],
l’idée est de trier, dans un ordre croissant, les échantillons de la fenêtre de référence puis
estimer le bruit en prenant le kieme plus grand échantillon. De bons résultats ont été obtenus
pour la valeur k=3N/4. Ce processeur subit une légère perte en détection par rapport au CA-
CFAR dans un milieu homogène mais présente une grande robustesse en présence de cibles
interférentes. Cependant, en présence d’un bord de clutter, le nombre de fausse alarme
devient excessif.
Son estimateur local du bruit a la forme mathématique :

𝑍𝑍 = 𝑋𝑋(𝑘𝑘) (28)

Les probabilités de détection et de fausse alarme dans le cas du OS-CFAR pour un


environnement homogène sont données respectivement par :
𝑁𝑁−𝑖𝑖+1
𝑃𝑃𝑑𝑑 = ∏𝑁𝑁−𝑘𝑘
𝑖𝑖=1 ( 𝑇𝑇 ) (29)
𝑁𝑁−𝑖𝑖+
1+𝑆𝑆𝑆𝑆𝑆𝑆

𝑁𝑁−𝑖𝑖+1
𝑃𝑃𝑓𝑓𝑓𝑓 = ∏𝑁𝑁−𝑘𝑘
𝑖𝑖=1 (𝑁𝑁−𝑖𝑖+𝑇𝑇 ) (30)

4.1.4 Le détecteur TM-CFAR :


Gandhi et Kassam [17], ont proposé une généralisation des détecteurs OS-, CMLD- et CA-
CFAR. En effet, l’idée de détecteur TM-CFAR (Trimmed Mean-CFAR) est de censurer, après
l’opération de tri des échantillons, les T1 premiers et les T2 derniers échantillons. Le bruit est
alors estimé à partir des (N-T1-T2) échantillons restants, ce processeur s’adapte parfaitement
bien à la présence concomitante de bord de clutter et de cibles interférentes et donne une perte
de détection si le nombre de cibles d’interférentes dépassant le nombre des dernières cellules
censurée T2. L’estimateur du milieu est ainsi donné par:
𝑁𝑁−𝑇𝑇
𝑍𝑍 = ∑𝑗𝑗 =𝑇𝑇12+1 𝑋𝑋(𝑗𝑗) (31)
où X(1), X(2) … , X(N) sont les cellules de référence ordonnées selon leur puissance dans
un ordre croissant. Les équations (32) et (36) sont les expressions liant le seuil T à la Pfa et
de la Pd, respectivement, du TM-CFAR dans un clutter de type Rayleigh en présence de cibles
Swerling I ou II [17] :

25
Université de Skikda 20 Août 1955

𝑁𝑁−𝑇𝑇 −𝑇𝑇2
𝑃𝑃𝑓𝑓𝑓𝑓 = ∏𝑖𝑖=1 1 𝑀𝑀𝑉𝑉𝑖𝑖 (𝑇𝑇) (32)
avec,
𝑇𝑇
𝑁𝑁! � 1 �(−1)𝑇𝑇 1 −𝑗𝑗
𝑇𝑇1 𝑗𝑗
𝑀𝑀𝑉𝑉1 (𝑇𝑇) = ∑
𝑇𝑇1 !(𝑁𝑁−𝑇𝑇1 −1)!(𝑁𝑁−𝑇𝑇1 −𝑇𝑇2 ) 𝑗𝑗 =0 𝑁𝑁 −𝑗𝑗 (33)
+𝑇𝑇
𝑁𝑁 −𝑇𝑇 1 −𝑇𝑇 2

et
𝑎𝑎
𝑀𝑀𝑉𝑉𝑖𝑖 (𝑇𝑇) = 𝑎𝑎 +𝑇𝑇
𝑖𝑖
, 𝑖𝑖 = 2, … , 𝑁𝑁 − 𝑇𝑇1 − 𝑇𝑇2 , (34)
𝑖𝑖


𝑁𝑁−𝑇𝑇𝐿𝐿 −𝑖𝑖+1
𝑎𝑎𝑖𝑖 = 𝑁𝑁−𝑇𝑇 . (35)
𝐿𝐿 −𝑇𝑇 𝑈𝑈 −𝑖𝑖+1

𝑇𝑇
Notons que la probabilité de détection (Pd) est obtenue en remplaçant T par (1+𝑆𝑆𝑆𝑆𝑆𝑆)
dans

(32), ce qui donne :


𝑁𝑁−𝑇𝑇 −𝑇𝑇2 𝑇𝑇
𝑃𝑃𝑑𝑑 = ∏𝑖𝑖=1 1 𝑀𝑀𝑉𝑉𝑖𝑖 (1+𝑆𝑆𝑆𝑆𝑆𝑆 ) (36)

Notons également que les détecteurs CMLD- et CA-CFAR sont des cas particuliers du
détecteur TM-CFAR avec (T1, T2) = (0, k) et (0, 0), respectivement.
A titre indicatif, la Table 2 résume quelques situations et donne les valeurs des constantes
multiplicatives T avec une consigne Pfa=10-4 et N=24 dans la fenêtre de référence. Ces
différentes valeurs de T doivent se calculer en off-line puis stockées dans une mémoire morte
(Look-up table) comme en la précisé précédemment.
Table 2 : Constantes multiplicatives T du détecteur TM-CFAR, Pfa=10-4 et N=24
Censure symétrique Censure asymétrique
T1 T2 T T1 T2 T
0 0 0.467 0 1 0.561
1 1 0.562 0 3 0.769
2 2 0.664 0 6 1.223
3 3 0.78 1 0 0.4682
4 4 0.925 3 0 0.47
5 5 1.1 6 0 0.485
6 6 1.33 2 1 0.56
7 7 1.66 2 4 0.9
8 8 2.16 2 7 1.45
9 9 2.95 1 2 0.66
10 10 4.6 4 2 0.67
11 11 9.47 7 2 0.71

26
Université de Skikda 20 Août 1955

Référence :

[1] Boudemagh, N. "Censure Automatique pour l’Optimisation de la Détection Radar dans


des Milieux Hétérogènes en Présence de Cibles Interférentes". Thèse de doctorat en science.
Département d'Electronique, Faculté des Sciences de la technologie, Université de
Constantine 1, 2015.

[2] Hammoudi, Z. "Analyse des Performances du Détecteur IVI-CFAR Distribue et des


Détecteurs CA-CFAR et OS-CFAR Distribues Utilisant les Règles de Fusion Floues dans des
Milieux Non Homogènes". Thèse de Doctorat d'état. Département d'Electronique, Faculté des
Sciences de L'ingénieur, Université de Constantine, 2004.

[3] Barkat, M."Signal detection and estimation". Artech house. Norwood, MA, USA, 1991.

[4] Nouar, N. "Détection CFAR de cible réparties dans un clutter K distribuée de paramètres
inconnus". Mémoire de Magister. Département d'Electronique, Faculté des Sciences de la
Technologie, Université de Constantine 1, 2013.

[5] Darricau, J."Radars". technique de l'ingénieur, 1986.

[6] Boudemagh, N."Détecteur CMLD-CFAR utilisant les réseaux de neurones artificiels dans
un clutter Log-normal en présence de cibles interférentes ". Mémoire de Magister. Université
du 20 Août 1955-Skikda, 2004-2007.

[7] Zattouta, B."Détecteur CFAR à censure automatique, basée sur l'anticipation de l'état du
clutter. Analyse de la robustesse en milieu Gaussien et en présence d'un clutter K-distribuée.
Université du 20 Août 1955-Skikda, 2004-2007.

[8] Chabbi, S." détection adaptative CFAR à censure automatique basée sur les statistiques
d’ordre en milieux non gaussiens". Mémoire de Magister. Département d'Electronique,
Faculté des Sciences des sciences de l’ingénieur, Université Montouri Constantine, 2008.

27
Université de Skikda 20 Août 1955

[9] Emmanuelle, J. "Détection en environnement non-Gaussien". Thèse présentée pour


l'obtention du Doctorat de l'Université de Cergy-Pontoise (spécialité Traitement du Signal),
Université de Cergy Pontoise, Juin 2002.

[10] Meng, X.W. "Comments on Constant false-alarm rate algorithm based on test cell
information". IET Radar Sonar Navig. 3(6), 2009, pp.646-649.

[11] Guida, M., Longo, M., and Lops, M."Biparametric CFAR procedures for lognormal
clutter". IEEE Trans. Aerospace. Electron. Syst., 29(3), 1993, pp. 798-809.

[12] Guida, M., Longo, M., and Lops, M."Biparametric Linear Estimation for CFAR against
Weibull Clutter". IEEE Trans. Aerospace. Electron. Syst., 28(1), 1992, pp. 138-151.

[13] Guan, J., He, Y., and Peng, Y.N." CFAR Detection in K- distributed clutter ".
Proceedings of ICSP . 98.

[14] Finn, H.M., Johnson, R.S. "Adaptive detection mode with threshold control as a function
of spatially sampled clutter estimates". RCA Rev, 29(3), 1968, pp. 414-464.

[15] Rickard, J.T., Dillard, G.M. "Adaptive detection algorithms for multiple target
situations". IEEE Trans. Aerosp. Electron. Syst, 13(4), 1980, pp. 338-343.

[16] Rohling, H. "Radar CFAR thresholding in clutter and multiple target situations". IEEE
Trans. Aerosp. Electron. Syst, 19(4), 1983, pp. 608-621.

[17] Gandhi, P.P., Kassam, S.A. " Analysis of CFAR processors in non homogenous
background ". IEEE Trans. Aerosp. Electron. Syst, 24(4), 1988, pp. 427-445.

28