Résumé

1
black
République Algérienne Démocratique et Populaire
Ministère de l'Enseignement Superieur et de la Recherche Scientique
Ecole Nationale Polytechnique
Département d'Electronique
RESUME DE THÈSE
pour obtenir le titre de
Docteur
En Electronique
Option : Traitement du signal

THEME
Détection radar dans un environnement de
cibles interférentes : Conception d'algorithmes
et implémentation en temps réel
Par
Boualem Magaz
Dirigé par
Pr Adel Belouchrani
Dr M'hamed Hamadouche
Table des matières
0.1 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
0.2 Introdution générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
0.2.1 Context et motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
0.2.2 Organisation du rapport . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
0.3 Application des critères de la théorie de l'information à la détection radar . . . . . 53
0.3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
0.3.2 Détecteur proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
0.3.3 Principe d'estimation du nombre de cibles interférentes . . . . . . . . . . . . 54
0.3.4 Résultats des simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
0.3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
0.4 Détection CA/OS combinée en présence d'interférences . . . . . . . . . . . . . . . . 61
0.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
0.4.2 Le détecteur ALC-CFAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
0.4.3 Evaluation des performances . . . . . . . . . . . . . . . . . . . . . . . . . . 63
0.4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
0.5 Implémentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
0.5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
0.5.2 Eet de numérisation du signal radar sur les performances de détection . . 68
0.5.3 Acquisition des signaux radar . . . . . . . . . . . . . . . . . . . . . . . . . . 68
0.5.4 Implémentation des algorithmes de détection proposés . . . . . . . . . . . . 69
0.5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
0.6 Conclusion générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
0.7 Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
0.8 Travaux réalisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
0.1. Résumé 2
0.1 Résumé
En radar, la recherche de performances de plus en plus élevées pour faire face à des situations
de plus en plus complexes conduit non seulement à améliorer la technologie du radar, mais surtout
à perfectionner les techniques de traitement du signal, notamment dans des situations de présence
d'interférences. Les techniques développées à nos jours sont limitées par le nombre de cibles inter-
férentes présententes dans la fenêtre de référence, et présentent des pertes CFAR suplémentaires.
La contribution de cette thèse est composée de deux parties. La première concerne la conception
de deux nouveaux algorithmes de détection de cibles radar, baptisés, respectivement, FAOSOSD,
Forward Automatic Order Selection Ordered Statistics Detector, basé sur la minimisation d'un cri-
tère de la théorie de l'information, ITC "Information Theoretic Criteria", et ALC-CFAR, Adaptive
Linear Combined CFAR, basé sur une combinaison linéaire adaptative des estimés des seuils des
détecteurs classiques CA-CFAR et OS-CFAR. Ces algorithmes présentent la capacité de s'adapter
automatiquement aux changements de l'environnement, notamment en présence de cibles interfé-
rentes, par l'ajustement de leurs seuils en conséquence pour assurer de meilleures performances
comparativement aux détecteurs classiques.
Le détecteur FAOSOSD ore la capacité de détermination du nombre de cibles interférentes
dans la fenêtre de référence par la minimisation de l'ITC et l'ajustement de seuil du détecteur
OS-CFAR en conséquence.
Pour le détecteur ALC-CFAR, le seuil s'adapte automatiquement aux changements de l'en-
vironnement grâce à un facteur de pondération adaptatif qui mesure le degré d'homogéniété des
échantillons de la fenêtre de référence. Il présente des performances proches du CA-CFAR dans un
environnement homogène, avec moins de pertes CFAR comparativement au détecteur OS-CFAR,
et des performances similaires à celles du détecteur OS-CFAR en présence de cibles interférentes.
La deuxième partie de notre contribution presente de nouvelles congurations d'implémenta-
tion ecace des détecteurs proposés sur une plateforme de développement à base du processeur de
traitement numérique du signal, DSP, type TMS320C6711 de Texas Instruments. Les contraintes
de traitement en temps réel et l'eet de numérisation du signal radar sur la qualité de détection ont
été évalués et discutés en tenant compte des exigences des caractéristiques du radar de surveillance
aérienne, ASR-12. Nous notons l'amélioration du temps de calcul apportée par l'utilisation de la
0.1. Résumé 3
technique généralisée de la fenêtre glissante, GASW, (Generalized Automated Sliding Window)

pour l'estimation de seuil du détecteur CA-CFAR et la procédure de détermination des (N-K)
maximum pour l'implémentation du détecteur OS-CFAR. Les résultats obtenus montrent la faisa-
bilité d'un traitement en temps réel et l'aptitude des détecteurs développés pour des applications
pratiques dans une chaine de détection radar.
Il serait très Intérressant de noter les architectures proposées ont été testées avec des signaux syn-
thetiques et validées par des signaux réel et qu'ils sont particulièrement recommandés pour des
radars à faible résolution en distance.
Le problème de détection présenté dans ce travail ne présente qu'une partie d'un système de détec-
tion radar plus complexe.
0.2. Introdution générale 50
0.2 Introdution générale
0.2.1 Context et motivation

Le radar est un système électromagnétique qui détecte, localise, et identie les cibles. Il émet des
ondes électromagnétiques et reçoit les échos d'une cible qui lui permet de la détecter, déterminer
sa position et obtenir d'autres informations. Le signal reçu est fréquement accompagné de bruit, de
clutter et d'interférences qui causent souvent des problèmes de détection de cibles [1,2,3,4].
Pour réaliser une décision correcte, le récepteur radar est conçu pour assurer un taux de fausses
alarmes constant (CFAR) et une probabilité de détection maximale. Les radars modernes détectent
les cibles par la comparaison des niveaux des signaux correspondants avec des seuils adaptatifs
déterminés dynamiquement à partir de la puissance du bruit local et du clutter. Ce seuil est xé
pour chaque cellule sur la base de la puissace du bruit, qui est déterminée par le traitement d'un
ensemble de cellules de référence entourant la cellule sous test [5].
Par exemple, le détecteur Cell Averaging, CA-CFAR [5] calcule le seuil automatiquement par
l'estimation du niveau moyen des échantillons de la fenêtre de référence. La performance de dé-
tecteur CA-CFAR est optimale dans un environnement homogène lorsque les cellules de référence
contiennent des échantillons indépendants et identiquement distribués (i.i.d) et gouvernés par une
distribution exponentielle.
En pratique, l'environnement est souvent non-homogène à cause de la présence de cibles inter-
férentes ou les bords du clutter dans la fenêtre de référence qui peuvent causer une dégradation
signicative des performances lorsque la supposition d'environnement homogène n'est pas vériée
[6,7,8,9,10,11,12].
Des modications du detecteur CA-CFAR ont été proposées pour améliorer les performances
dans des régions de transitions du clutter ou des situations multi-cibles. Les détecteurs à statistiques
d'ordre, OS-CFAR, sont conçus pour opérer en présence de cibles interférentes [8]. Cependant, ils
présentent des pertes de détection additionnielles comparativement au détecteur CA-CFAR dans
un environnement homogène. Pour des environnements complexes comme le cas des radars d'anti-
collision où l'environnement change brusquement, ces détecteurs conventionnels ne peuvent pas
détecter les cibles proprement.
Plusieurs algorithmes CFAR ont été développés pour s'adapter aux diérentes situations notam-
ment dans une transition de la puissance du clutter et en présence de cibles interférentes qui se
réferent aux cibles présentes dans les cellules de la fenêtre de référence. Lorsque le nombre de cibles
interférentes dépasse le nombre supposé, les détecteurs développés présentent une forte dégradation
des performances.
Dans notre thèse intitulée "Détection radar dans un environnement de cibles interférentes : Concep-
tion d'algorithmes et implémentation en temps réel ", la contribution principale comporte deux par-
ties. La première concerne la conception de deux nouveaux algorithmes de détection de cibles radar
baptisés, respectivement, FAOSOSD, Forward Automatic Order Selection Ordered Statistics De-
tector, basé sur la minimisation du critère de la théorie de l'information [13,14] introduit pour la
première fois dans la détection radar, et ALC-CFAR [15], Adaptive Linear Combined CFAR, basé
sur une combinaison linéaire adaptative des estimés des seuils des détecteurs classiques CA-CFAR
et OS-CFAR. Ces algorithmes présentent la capacité de s'adapter automatiquement aux change-
ments de l'environnement, notamment en présence de cibles interférentes, par l'ajustement de leurs
seuils pour assurer de meilleures performances comparativement aux détecteurs classiques.
Par ailleurs, la deuxième partie est consacrée au développement de nouvelles architectures d'im-
plémentation ecace des détecteurs proposés ont été développées et implémentées sur une plate-
forme de développement à base du processeur numérique du signal, DSP, type TMS320C6711 de
Texas Instruments. Les contraintes de traitement en temps réel et l'eet de numérisation du signal
radar sur la qualité de détection ont été évaluées et discutés. En tenant compte des contraintes po-
sées par les caractéristiques opérationnelles du radar de surveillance aérienne ASR-12, les résultats
obtenus montrent l'aptitude des détecteurs développés pour des applications pratiques dans une
chaine de détection radar.
0.2.2 Organisation du rapport

Nous présentons dans le présent rapport un résumé des travaux réalisés. Le reste du rapport
sera organisé comme suit.
Dans la section 2, nous introduisons une idée originale qui permet la détermination du nombre
de cibles interférentes dans la fenêtre de référence par la minimisation du critère de la théorie de
l'information. La méthode proposée permet ensuite d'ajuster l'ordre du détecteur OS-CFAR pour
éviter l'eet de "masking" lorsque le nombre d'interférences dépasse (N-K), N étant le nombre de
cellules de référence et K est l'ordre du détecteur OS-CFAR. Dans la section 3, nous présentons
les améliorations apportées à la qualité de détection de cibles par le détecteur ALC-CFAR dans
des milieux homogène et non-homogène comparativement aux détecteurs classiques CA-CFAR et
OS-CFAR. Dans la section 4, nous décrivons les architectures d'implémentation et les résultats
expérimentaux à base des données réelles des détecteurs proposés sur une plateforme de dévelop-
pement à base du processeur de traitement numérique du signal, DSP, type TMS320C6711 de
Texas Instruments. Nous présenterons enn une conclusion générale et les perspectives pour la
continuation de la recherche dans ce domaine.
0.3. Application des critères de la théorie de l'information à la détection radar 53
0.3 Application des critères de la théorie de l'information à la dé-
tection radar
0.3.1 Introduction
L'originalité dans ce travail est l'application d'un critère de la théorie de l'information, "Infor-
mation Theoritic Creteria", ITC, pour la détermination du nombre de cibles interférentes présentes
dans la fenêtre de référence d'un détecteur OS-CFAR.
0.3.2 Détecteur proposé

Le schéma du détecteur proposé est illustré dans la Figure 1.
Figure 1 Schéma bloc du détecteur FAOSOSD.
Le détecteur proposé baptisé FAOSOSD (Forward Automatic Order Selection Ordered Sta-
tistics Detector), contient cinq étapes fondamentales. Ces étapes sont exécutées dynamiquement
en utilisant un ordre adapté pour estimer le niveau du clutter et calculer le seuil adaptatif en
conséquence. Ce détecteur n'exige aucune information apriori sur les paramètres du clutter et le
nombre de cibles interférentes.

La procédure consiste à ordonner les échantillons de toutes les cellules de référence selon un ordre
croissant de leurs amplitudes :
Etape1 : Ordonner les échantillons de la fenêtre de référence ;
X(1) ≤ X(2) ≤ · · · ≤ X(k) ≤ · · · ≤ X(N ) (1)

Etape2 : Calculer le critère théorique de l'information pour la fenêtre ordonnée ;
Etape3 : Estimer l'ordre optimal pour le détecteur OS-CFAR, Kopt ;
Etape4 : Choisir le facteur d'échelle correspondant et calculer le niveau de seuil.
T Z = T X(Kopt ) (2)
Etape5 : La cellule sous test est comparée avec le seuil calculé et une décision est prise selon les tests :
H1 : X0 ≥ T X(Kopt ) (3)
H0 : X0 < T X(Kopt ) (4)
L'hypothèse H1 représente l'existance de la cible dans la cellule de test, et H0 représente l'absence
de cible.
Dans le détecteur FAOSOSD, le facteur d'échelle T est déni selon le nombre de cibles interférentes
estimé. On note que dans le cas où ce nombre dépasse 3N4 ou inférieur à N2 , on maintient le seuil
du détecteur OS-CFAR classique pour k = 3N4 ou k = N2 , respectivement.
0.3.3 Principe d'estimation du nombre de cibles interférentes

L'approche proposée procède comme suit. Premièrement, on ordonne les échantillons de la
fenêtre de référence selon un ordre croissant. Ensuite, on applique le critère de la théorie de
l'information, IT C(k), pour chaque échantillon. On détermine le ITC minimal et l'ordre de
l'échantillon correspondant. L'ordre obtenu représente l'estimé du nombre de cibles interférentes
dans la fenêtre de référence.
Le ITC est déni par [13] :

G(λk+1 , · · ·, λN )
AIC(k) = −2(N − k)N ln(
A(λk+1 , · · ·, λN )
) + 2k(2N − k) (5)
pour le critère Akaike, AIC, et
G(λk+1 , · · ·, λN )
M DL(k) = −(N − k)N ln(
A(λk+1 , · · ·, λN )
1
) + k(2N − k) ln(N )
2
(6)
pour le critère MDL (Minimum Description Lenght).
avec λ1 ≥ λ2 · ·· ≥ λN représentent, dans notre cas, les amplitudes des échantillons de la fenêtre
de référence 1 , N le nombre d'échantillons, et G et A représentent respectivement, les moyennes
géométrique et arithmétique de leurs arguments.
L'ordre k du détecteur OS-CFAR est pris égal à la valeur de k ∈ {0, 1, ..., N − 1} pour laquelle
le IT C(k) est minimisé.
Plusieurs sénarios ont été réalisés pour montrer l'ecacité de l'approche proposée, nous présentons
ici un exemple illustratif.
Dans la Figure 2, on considère une fenêtre de référence de 32 cellules en présence de cinq cibles
interférentes dans les cellules 17, 18, 19, 20 et 24 avec des rapports interférence à bruit égaux,
IN R = 20dB présenté dans la Figure 2 (a). En observant la décroissance graduelle des amplitudes
des échantillons dans la Figure 2 (b), il est clair que la séparation des cinq plus grands échantillons
des faibles échantillons est une opération facile pour les grandes valeurs de INR. Pour les faibles
valeurs, cette tâche devient dicile.
Le nombre de cibles interférentes est déterminé à partir de l'ordre pour laquel le critère ITC est
minimisé. La position de minimum indique l'ordre de la première cible interférente dans la fenêtre
de référence ordonnée. Les (N − Kopt ) plus grandes amplitudes correspondent aux échantillons des
cibles interférentes.
Pour le choix de l'ordre du détecteur OS-CFAR, on utilise le (Kopt ) échantillon ordonné pour
éviter l'utilisation d'un échantillon correspondant à une cible interférente pour calculer le seuil.
Cette technique réduit l'eet de "masking" des cibles lorsque le nombre de cibles interférentes
dépasse la limite tolérée.
1. On note que ces échantillons sont positifs à la sortie du détecteur quadratique.
(a) Received Samples

20
SdB 10
0
0 5 10 15 20 25 30 35
Range Samples
(b) Ranked Samples
20
WdB
10
0
0 5 10 15 20 25 30 35
Range Samples
(c) Estimated Interference Rank
1
ITC(k)
0.5
0
0 5 10 15 20 25 30 35
Int. Estimated Rank k
Figure 2 Estimation du nombre de cibles interférentes présente dans la fenêtre de référence,

IN R = 15dB .
0.3.4 Résultats des simulations

Le détecteur proposé a été évalué dans diérentes situations radar en présence de cibles inter-
férentes. Nous présentons dans ce rapport des résultats signicatifs pour montrer l'évolution des
seuils de détection, l'amélioration de la probabilité de détection et la régulation de la fausse alarme
eective.
0.3.4.1 Seuils de détection

Dans la Figure 3, on remarque que le groupe de cibles n'est détecté par le détecteur OS-CFAR
du fait que le nombre de cibles interférentes dépasse quatre, pour K = 12 et N = 16, bien que le
détecteur FAOSOSD détecte les huit cibles présentes dans le groupe par l'ajustement de l'ordre de
l'échantillon du seuil en conséquence en fonction de l'estimé du nombre de cibles interférentes.
D'une manière similaire, le détecteur FAOSOSD détecte toutes les cinq cibles présentes entre la
cellule distance 10 et 20, cependant, le détecteur OS-CFAR rate la cible avec le plus faible rapport
signal à bruit présente dans la cellule 11. La cible ratée est masquée par les signaux d'interférence
présents dans la fenêtre de référence.
Thresholds Levels
35
Radar signal
30 OS−CFAR
FAOSOSD
25
Power (dB)
20
15
10
0
0 10 20 30 40 50 60
Range cell number
Figure 3 Seuils CFAR en présence d'un groupe de huit cibles interférentes, et cinq signaux
d'interférence, P f a = 10−5 , N = 16 et K = 12
Autres scénarios ont été réalisés dans diérentes situations de présence de cibles interférentes.
0.3.4.2 Probabilités de détection

Les performances du détecteur FAOSOSD dans des situations d'interférences séveres sont com-
parées avec les détecteurs OS-CFAR, AND-CFAR et OR-CFAR [16].
Les probabilités de détection correspondantes, en présence de huit cibles interférentes, sont illustrées
dans la Figure 4. Il est remarquable que le détecteur FAOSOSD présente les meilleures performances
parmi les quatre détecteurs. La performance du détecteur AND-CFAR est la plus dégradée. Cette
limitation est liée à la dégradation des performances du détecteur OS-CFAR lorsque le nombre de
Pfa = 1e−005, N = 16, k = 12

1
OS−CFAR
0.9 AND−CFAR
OR−CFAR
0.8
FAOSOSD
0.7
Detection Probability
0.6
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30
SNR (dB)
Figure 4 Probabilités de détection pour N = 16, K = 12 et P f a = 10−5 .
cibles interférentes dépasse la limite tolérable d'une part, et le détecteur CA-CFAR qui présente les
plus mauvaises performances en présence de cibles interférentes. Le détecteur OR-CFAR demeure
sujet aux performances des détecteurs CA-CFAR et OS-CFAR.
Pour généraliser les résultats obtenus, autres simulations ont été conduites pour diérentes
valeurs de probabilités de fausses alarmes, Pf a , et tailles de la fenêtre de référence, N .
Les résultats obtenus montrent que lorsque la probabilité de fausses alarmes augmente, la probabilité
de détection s'améliore et le détecteur FAOSOSD présente les meilleures performances. On note
que les détecteurs OS-CFAR et OR-CFAR présentent les mêmes performances à cause des grandes
pertes du détecteur CA-CFAR en présence d'interférences séveres (présence de huit cibles), donc le
détecteur OR-CFAR tend vers le détecteur OS-CFAR dans ces conditions d'environnement. Il est
à noter aussi que les grandes valeurs de N entraînent de meilleures probabilités de détection et le
détecteur FAOSOSD présente toujours les meilleures performances.
−5
−5.5
−6
N=16
Effective Pfa (log10)
N=24
−6.5
N=32
N=48
−7 N=64
−7.5
−8
−8.5
−9
0 5 10 15 20 25 30
Interference to Noise Ratio, INR, dB
Figure 5 Eet du INR sur la Pf a eecftive du détecteur FAOSOSD en présence de (N − K + 1)

cibles interférentes, Pfa désirée Pf a = 10−5 , N = 16, 24, 32, 48 et 64.
0.3.4.3 Evaluation de la probabilité de fausses alarmes eective

Une quantication de l'eet de la présence des cibles interférentes dans la fenêtre de référence
sur le contrôle du taux de fausses alarmes du détecteur FAOSOSD a été eectuée pour diérentes
valeurs de N en fonction du rapport interférene sur bruit, INR. Le nombre de cibles interférentes
utilisées dans ces simulations, Ni , est pris égal à (N − K + 1). Les résultats ont été obtenus par des
expérimentations Monte Carlo en utilisant un total de 107 réalisations indépendantes. Dans chaque
cas on considère Pf a = 10−5 et Ni = (N − K + 1).
La Figure 5 montre les performances en terme du taux de fausses alarmes eectif du détecteur
proposé en présence de (N −K +1) cibles interférentes pour diérentes valeurs de INR. On remarque
que la Pf a eective présente une faible uctuation relativement à celle désirée pour les grandes
valeurs de N et des faibles INR. Par conséquent, on peut conclure que la Pf a eective du détecteur
FAOSOSD est relativement maintenue proche à celle désirée pour les garandes tailles de la fenêtre
de référence.
0.3.5 Conclusion
Une nouvelle approche pour la détermination du nombre de cibles interférentes dans la fenêtre
de référence CFAR a été proposée. L'approche est basée sur l'application du principe du critère
de la théorie de l'information pour améliorer la qualité de détection radar dans des situations
d'interférences séveres.
Contrairement à l'approche basée sur le test d'hypothèses de la détection classique, le détecteur
FAOSOSD n'exige aucune information sur le nombre de cibles interférentes. Le nombre d'échan-
tillons d'interférences est déterminé automatiquement par minimisation du ITC. Le nombre obtenu
est exploité pour déterminer l'ordre de l'échantillon optimal pour établir le niveau du seuil de détec-
tion en conséquence. Il est à noter que les résultats de simulation basée sur des données synthetiques
montrent que le détecteur FAOSOSD présente de meilleures performances comparativement aux
détecteurs OS-CFAR, AND-CFAR et OR-CFAR en présence d'interférences séveres.
0.4. Détection CA/OS combinée en présence d'interférences 61
0.4 Détection CA/OS combinée en présence d'interférences
0.4.1 Introduction
Dans cette section, nous introduisons un nouveau détecteur, baptisé ALC-CFAR (Adaptive
Linear Combined CFAR). Il possède la capacité de présenter des performances de détection proches
au détecteur CA-CFAR avec moins de pertes CFAR comparativement au détecteur OS-CFAR
dans un environnement homogène, et très proches au détecteur OS-CFAR en présence de cibles
interférentes. Cette approche permet d'éviter la dégradation des performances du détecteur CA-
CFAR dans cette situation [15]. Les perfomances du détecteur proposé sont comparées avec celles
des détecteurs CA-CFAR et OS-CFAR.
0.4.2 Le détecteur ALC-CFAR

0.4.2.1 Principe du détecteur ALC-CFAR
Le schéma de principe du détecteur proposé est présenté dans la Figure 6. Le détecteur ALC-
Figure 6 Le Détecteur Adaptive Linear Combined CFAR.
CFAR est une combinaison linéaire adaptative des estimés des seuils des détecteurs CA-CFAR et
OS-CFAR en utilisant un facteur de pondération adaptatif aux changements de l'environnement
[15].
Le détecteur ALC-CFAR estime le niveau du bruit, Z , dans la fenêtre de référence selon l'équation 7.
Z = αZCA + (1 − α)ZOS (7)
avec ZCA et ZOS sont les estimés du niveau du bruit des détecteurs CA-CFAR et OS-CFAR
respectivement et α est une mesure d'homogéniété des échantillons de la fenêtre de référence et
appartient à l'interval [0,1].
L'estimé Z est multiplié par le facteur d'échelle T pour former le seuil. Après comparaison, si la
cellule sous test est supérieure au niveau du seuil, l'hypothèse H1 (présence de cible) est déclarée
vraie ; si non l'hypothèse H0 (absence de cible) est déclarée vraie.
0.4.2.2 Facteur de pondération adaptatif

Le paramètre α est calculé selon les étapes suivantes :
Etape1 : les échantillons de la fenêtre de référence sont ordonnés pour former une nouvelle fenêtre
W qui sera subdivisée en deux sous-fenêtres W0 et W1 selon la règle :
>
k<W
W1
β
0
(8)
avec β est un seuil entier. La cellule de référence Zk ∈ W , k = 1, 2, ..., N , appartient à W1 si k > β
et appartient à W0 si k ≤ β .
Etape2 : les deux sous-fenêtres W0 et W1 sont utilisées pour calculer α selon l'équation 9.
1 ∑
β
α=
βZN
Zk (9)
k=1
où ZN est l'échantillon le plus grand dans la fenêtre de référence, donc dans W1 , et Zk est le kme
grand échantillon dans W0 .
Les expressions de ZCA et ZOS sont données par les équations 10 et 11 respectivement :
1 ∑
N
ZCA =
N
Zk (10)
k=1
ZOS = ZKOS (11)

Dans ce rapport, nous considérons KOS = 43 N , qui est connu comme étant la valeur optimale, pour
se protéger contre les cibles interférentes. Le seuil entier β déni dans l'équation 8 est aussi pris
égal à KOS . L'objectif de cette préférence est pour avoir uniquement les échantillons du bruit dans
W0 avec un grand nombre de cellules possible.
De l'équation 9, on observe que α est la moyenne arithmétique des échantillons de W0 dévisée par
le plus grand échantillon dans la fenêtre de référence. Selon la valeur du paramètre α, le détecteur
ALC-CFAR utilise le seuil du CA-CFAR (α = 1) ou le seuil de l'OS-CFAR (pour α = 0) dans ces
cas limites.
Pour montrer que Z s'adapte aux changements de l'environnement, plusieurs situations expéri-
mentales ont été évaluées pour des environnements homogène et non-homogène (présence de cibles
interférentes).
0.4.3 Evaluation des performances

Les performances du détecteur ALC-CFAR ont été analysées et comparées avec celles des dé-
tecteurs CA-CFAR et OS-CFAR dans diérentes situations radar. La comparaison est basée sur
l'évaluation de la probabilité de détection, Pd , en fonction du SNR et la Pf a eective par des simu-
lations Monte Carlo. Le gain en probabilité de détection du détecteur ALC-CFAR par rapport au
détecteur OS-CFAR est aussi quantié. Le nombre d'expériences est pris égal à 104 pour la Pd et
P
100
fa
pour la Pf a .
0.4.3.1 La probabilité de détection

Les simulations sont réalisées pour diérentes valeurs de N et Pf a . Deux environnements sont
considérés ; environnement homogène et environnement non-homogène (présence de cibles interfé-
rentes).
Dans un environnement homogène, les résultats obtenus des probabilités de détection des dé-
tecteurs CA-CFAR, OS-CFAR et ALC-CFAR pour N = 16 et diérentes valeurs de Pf a , montrent
que la probabilité de détection du détecteur ALC-CFAR reste toujours entre celles des détecteurs
CA-CFAR et OS-CFAR pour les diérentes valeurs de Pf a . La diérence entre les probabilités de
détection des détecteurs ALC-CFAR et OS-CFAR augmente pour les faibles valeurs de Pf a .
Les résultats obtenus pour les diérentes valeurs de N montrent que le gain de détecteur ALC-
CFAR comparé au détecteur OS-CFAR est important pour des faibles N . Pour les grandes valeurs
de N , les performances du ALC-CFAR convergent vers celles du détecteur OS-CFAR .

Il est connu que le détecteur OS-CFAR présente des pertes additionnelles par rapport au détecteur
CA-CFAR dans un environnement homogène, donc, le détecteur ALC-CFAR minimise ces pertes
dans ce type d'environnement.
Dans un environnement non-homogène, la probabilité de détection du CA-CFAR diminue, par
contre celle du détecteur OS-CFAR est maintenue et les performances du ALC-CFAR sont très
proches à celles du détecteur OS-CFAR.
Lorsque le nombre de cibles interférentes augmente, et reste inférieur au nombre tolérable par le
détecteur OS-CFAR (quatre pour N = 16), les performances du détecteur CA-CFAR se dégradent
cosidérablement, le détecteur OS-CFAR n'est pas aecté et le détecteur ALC-CFAR reste très
proche du détecteur OS-CFAR.
La Figure 7 montre les probabilités de détection des détecteurs ALC-CFAR, OS-CFAR et CA-CFAR
en présence de cinq cibles interférentes. On constate que lorsque le nombre de cibles interférentes
Pfa = 1e−005, N = 16, k = 12
0.7
CA−CFAR
OS−CFAR
0.6 ALC−CFAR
0.5
Detection Probability
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30
SNR (dB)
Figure 7 Probabilités de détection des détecteurs ALC-CFAR, OS-CFAR et CA-CFAR en pré-

sence de cinq cibles interférentes.
Table 1 Gain du détecteur ALC-CFAR par rapport au détecteur OS-CFAR pour diérentes
valeurs de Pfa et N.
N 4 8 16 24 32 64
Pf a = 10−4 0.813 0.312 0.145 0.081 0.043 0.024

Gain(dB) Pf a = 10−5 1.251 0.327 0.214 0.115 0.062 0.031
Pf a = 10−6 1.316 0.415 0.223 0.132 0.091 0.035
dépasse la limite tolérable, le comportement du détecteur ALC-CFAR est similaire au détecteur

OS-CFAR. Comme les performances de l'OS-CFAR sont aectées dans ce cas, les performances de
l'ALC-CFAR sont aussi dégradées.
Le détecteur ALC-CFAR ore donc, un compromis entre les détecteurs CA-CFAR et OS-CFAR.
Dans un environnement homogène, le détecteur ALC-CFAR est meilleur que le détecteur OS-
CFAR par la réduction des pertes de détection. En présence de cibles interférentes, le détecteur
ALC-CFAR est très proche de l'OS-CFAR qui est conçu pour supporter les situations de présence
de cibles interférentes et compense la dégradation du CA-CFAR dans ce type d'environnement.
La Figure 8 montre les seuils des détecteurs CFAR pour N = 16 et Pf a = 10−5 . Il est clair que
le seuil du détecteur ALC-CFAR s'adapte à l'environnement à l'aide du facteur α pour détecter
les cibles dans les zones claires et evite l'eet de masking en présence de cibles interférentes et par
conséquent, il assure moins de pertes comparativement au détecteur OS-CFAR. On observe que
le détecteur CA-CFAR détecte uniquement les deux cibles dans le clair, tandis que l'OS-CFAR
détecte les six cibles. Le détecteur ALC-CFAR garantit aussi la détection des six cibles avec moins
de pertes CFAR.
0.4.3.2 Régulation du taux de fausses alarmes

La performance de régulation de la fausse alarme eective des diérents détecteurs considérés
pour diérents N dans un environnement homogène a été évaluée. Les résultats obtenus pour une
Pf a = 10−4 , par des simulations Monte Carlo en utilisant 106 expériences indépendantes, sont
présentés dans la Figure 9. On constate que la Pf a eective du détecteur proposé est relativement
Pfa = 1e−005 et N = 16
35
CA−CFAR
30 OS−CFAR
ALC−CFAR
25
20
Magnitude
15
10
0
0 10 20 30 40 50 60 70 80 90 100
Range cells
Figure 8 Seuils de détection des détecteurs ALC-CFAR, CA-CFAR et OS-CFAR pour N = 16

et Pf a = 10−5 .
maintenue proche à la Pf a désirée.
0.4.3.3 Gain du détecteur proposé

Le gain obtenu, déni comme étant la diérence entre les SNR, correspondants aux détecteurs
ALC-CFAR et OS-CFAR, pour atteindre une probabilité de détection PD = 0.5, pour diérentes
valeurs de Pf a et N est donné dans le Tableau 1. On constate que le gain est important pour des
faibles valeurs de N et Pf a . Il atteint plus de 1dB pour N = 4 et Pf a = 10−6 . Pour des valeurs de
N et Pf a plus grandes, le gain est réduit et le détecteur ALC-CFAR se comporte d'une manière
similaire au déteteur OS-CFAR.
D'après les résultats obtenus, on peut conclure qu'avec un bon choix de N et Pf a , il est pos-
sible d'atteindre des performances satisfaisantes dans des situations d'environnements homogène
et non-homogène et minimiser les pertes du détecteur OS-CFAR. Selon les résultats obtenus, il est
intéréssant de noter que le détecteur proposé est particulièrement recommandé pour les radars à
Desired Pfa =1E−4

−3
10
CA−CFAR
OS−CFAR
Effective Pfa (dB) ALC−CFAR
−4
10
−5
10
0 10 20 30 40 50 60 70
N
Figure 9 Régulation de la probabilité de fausses alarmes pour diérentes valeurs de N . Pf a =

10−4 .
faibles résolutions en distance.
0.4.4 Conclusion
Dans cette section, un nouveau détecteur baptisé Adaptive Linear Combined CFAR, ALC-
CFAR, est proposé. Le principe de ce détecteur consiste à combiner intélligement les estimés des
seuils des détecteurs CA-CFAR et OS-CFAR, basé sur le taux de changement de l'environnement.
Ce détecteur exige l'analyse des cellules de référence et applique par la suite un facteur de
pondération adaptative à la procédure de fusion pour produire une décision ecace avec des pertes
CFAR réduites.
0.5. Implémentation 68
0.5 Implémentation
0.5.1 Introduction
Les contraintes de traitement en temps réel sont gérées de façon à satisfaire les exigences
du radar de surveillance aérienne, ASR-12, qui est un radar de surveillance à portée moyenne
(120Km). Il fonctionne dans la bande S (2.7-2.9GHz) avec une largeur d'impulsion de 1µs, une
ouverture du faisceau de 1.3 degré, une vitesse de rotation de 12 tours/min et une fréquence de
répétition de 1200Hz [10]. Comme la durée d'un balayage du ASR-12 est de 5s, et l'ouverture du
faisceau est de 1.3, donc le temps d'une cellule azimutale sera 17ms qui correspond à 2.53106
cycles sur un DSP TMS320C6711 dont le temps de cycle est de 6.7ns. Cet intervalle correspond au
temps maximal tolérable pour eectuer le traitement en temps réel d'une cellule azimutale. Pour le
traitement d'une seule impulsion, ce temps se réduit à 125000 cycles. Nous montrons dans ce qui
suit les résultats d'implémentation des détecteurs proposés sur une plateforme de développement
à base du processeur TMS320C6711 du Texas Instruments.
0.5.2 Eet de numérisation du signal radar sur les performances de détection

L'eet de numérisation sur les performances des détecteurs CA-CFAR, OS-CFAR, FAOSOSD
et ALC-CFAR a été édudié dans cette thèse. Les paramètres considérés sont :
Le nombre de bits de conversion analogique/numérique ;

La fréquence d'échantillonnage ;
La présence d'oset ;
Les résultats obtenus ont permis de réaliser un choix optimal des paramètres de numérisation du
signal radar selon les exigences des caractéristiques du radar considéré.
0.5.3 Acquisition des signaux radar

L'acquisition des échantillons du signal radar des récurrences est assurée par le EDMA qui
les transfère et les organise dans deux buers d'acquisition logés dans la mémoire du DSP. Le
nombre d'échantillons est choisi de façon à couvrir toute la portée radar, soit 800 cellules distance
pour le radar ASR-12 avec une fréquence d'échantillonnage de 1MHz. An d'éviter l'écrasement
des échantillons de deux récurrences consécutives, nous avons opté pour la technique dite "Double
Buering technique" qui consiste à utiliser deux buers avec un basculement d'une récurrence à la
suivante de manière automatique. Pendant l'opération d'acquisition des échantillons de la récurrence
courante, on eectue le traitement CFAR de la récurrence précédente. Deux types de traitement
CFAR sont implantés, le détecteur FAOSOSD et le détecteur ALC-CFAR. Tout le traitement doit
être eectué pendant un intervalle de temps inférieur au temps d'une récurrence dans le cas de
traitement d'une seule impulsion et inférieur au temps d'une cellule azimutale pour un traitement
après intégration.
0.5.4 Implémentation des algorithmes de détection proposés

Pour des applications pratiques dans la détection radar, il est clair que la charge de calcul est
grande pour les détecteurs proposés que pour les détecteurs classiques CA-CFAR et OS-CFAR. Pour
palier à cette contrainte, une solution à ce problème est d'exploiter les avantages des architectures
d'implémentation optimisée des détecteurs CA-CFAR et OS-CFAR développées dans [14, 16]. Pour
le détecteur CA-CFAR, le nombre d'opérations est réduit à seulement deux additions et deux
soustractions quelque soient la taille de la fenêtre de référence et le nombre de cellule de garde
grâce à l'utilisation de la technique de la fenêtre glissante automatisée et généralisée (GASW :
Genaralized Automatic Sliding Window). Pour le détecteur OS-CFAR, la charge de calcul est
améliorée de 75 pourcent environ comparativement à la conguration d'implémentation classique.
L'architecture proposée est basée sur une procédure ecace pour une implémentation en temps
réel du détecteur OS-CFAR, basée sur la détermination directe du (N − K + 1)eme maximum. Par
analogie, la détermination du K eme maximum des N cellules de référence, est équivalent à choisir
le (N + 1 − K)eme maximum, le détecteur qui utilise N cellules de référence peut être implémenté
en utilisant seulement (N − 1) comparaisons et (N − 1) inversions. La combinaison de ces deux
approches a amélioré considérablement le temps de traitement des détecteurs proposés pour des
applications réelles.
Après l'opération d'acquisition, deux types de traitements relatifs aux détecteurs , FAOSOSD et
ALC-CFAR ont été implémentés.

A. Détecteur FAOSOSD
L'implémentation du détecteur FAOSOSD est répartie en quatre opérations :
1. - Classement des cellules de la fenêtre de référence ;
2. - Calcul de ITC des diérents échantillons et détermination de l'ordre du minimum ;
3. - Détermination de l'ordre optimal du détecteur OS-CFAR ;
4. - Calcul de seuil du détecteur FAOSOSD et test de détection.
Le temps global pour l'exécution de la détection FAOSOSD a été optimisé grâce à l'exploitation du
parallélisme de l'architecture du processeur utilisé et l'utilisation des lookup tables pour le calcul de
logarithme. L'évaluation du temps d'estimation du seuil de détecteur FAOSOSD de toute la portée
a montré que le temps d'estimation devient important lorsque le nombre de cellules de référence
augmente.
Le temps de traitement est supérieur au temps tolérable maximal dans le cas de traitement d'une
seule impulsion quelque soit la taille de la fenêtre de référence. Par conséquent, le détecteur FAO-
SOSD ne peut pas couvrir toute la portée du radar ASR-12. Donc, la faisabilité de l'implémentation
du détecteur FAOSOSD est recommandée après une intégration cohérente des inmplusions dans une
résolution azimutale.
La gure 10 présente les résultats expérimentaux d'implémentation du détecteur FAOSOSD en
utilisant des données réelles.
La gure 10 (a) présente le sihnal radar. La gure 10 (b) montre l'évolution du seuil de détection
et la gure 10 (c) indique les positions des cibles détectées.
B. Détecteur ALC-CFAR
L'implémentation du détecteur ALC-CFAR est répartie en quatre opérations :
1. - Calcul de l'estimé de seuil du détecteur CA-CFAR ;
2. - Calcul de l'estimé de seuil du détecteur OS-CFAR ;
3. - Calcul de coecient alpha ;
4. - Calcul de seuil ALC-CFAR et test de détection.
Figure 10 Results of the FAOSOSD (Datale2)
Le temps global pour l'exécution de l'architecture ALC-CFAR a été optimisé grâce à l'utilisation
de la technique d'implémentation du détecteur OS-CFAR développée dans [15] d'une part et la
technique GASW [17] pour pour l'automatisation de calcul de seuil du détecteur CA-CFAR d'autre
part. L'évaluation du temps d'estimation du seuil de détecteur ALC-CFAR de toute la portée est
présenté dans le tableau 3 pour diérents nombre de cellules de référence N. Nous remarquons
que le temps d'estimation devient important lorsque le nombre de cellules de référence augmente,
ce qui présente une limitation pour l'implémentation du détecteur ALC-CFAR en temps réel. Les
Table 2 Portée traitable en temps réel par le détecteur ALC-CFAR.
N 4 8 16 24 32 40 48
P orte(Km) 120 120 120 120 120 86.1 62.1
données du tableau 2 montrent la limitation du traitement en temps réel, où nous constatons que
la taille de la fenêtre d'estimation est limitée à N (compris entre 32 et 48) cellules pour pouvoir
eectuer le traitement des échantillons de toute la portée radar. L'augmentation du nombre de
cellules conduit à une réduction de la portée pour assurer le traitement en temps réel. Au-delà de
N = 32, le traitement en temps réel induit la réduction de la portée d'autant plus que le nombre
de cellules de référence est grand. À titre d'exemple, pour N = 40, la portée se réduit à 86Km.
La Figure 11 présente les résultats expérimentaux d'implémentation du détecteur ALC-CFAR en
utilisant des données réelles. La gure 11 (a) présente le sihnal radar. La gure 11 (b) montre
Figure 11 Results of the ALC-CFAR (Datale2)
l'évolution du seuil de détection et la gure 11 (c) indique les positions des cibles détectées.
0.5.5 Conclusion
Dans cette section, nous avons présenté les résultats d'implémentation des détecteurs proposés
sur une plateforme de développement à base du processeur TMS320C6711 de Texas Instruments
et les contraintes de traitement pour des applications réelles ont été évaluées selon les exigences
du radar de surveillance aérienne ASR-12. Les résultats obtenus ont montré la faisabilité pour
des faibles tailles de la fenêtre de référence après intégration des impulsions dans une résolution
azimutale. Le traitement d'une seule impulsion ne peut être eectuée pour le détecteur FAOSOSD
même pour des faibles valeurs de N.
0.6. Conclusion générale 73
0.6 Conclusion générale
La contribution principale dans cette thèse comporte deux parties. la première concerne la
conception de deux nouveaux algorithmes de détection de cibles radar baptisés, respectivement,
FAOSOSD, Forward Automatic Order Selection Ordered Statistics Detector, basé sur la minimisa-
tion d'un critère de la théorie de l'information, et ALC-CFAR, Adaptive Linear Combined CFAR,
basé sur une combinaison linéaire adapatative des seuils des détecteurs classiques CA-CFAR et OS-
CFAR. Ces algorithmes présentent la capacit é de s'adapter automatiquement aux changements de
l'environnement, notamment en présence de cibles interférentes, par l'ajustement de leurs seuils en
conséquence pour assurer de meilleures performances comparativement aux détecteurs classiques.
La deuxième partie est consacrée au développement de nouvelles architectures d'implémentation
ecace des détecteurs proposés sur une plateforme de développement à base du processeur de
traitement du signal, DSP type TMS320C6711 de Texas Instruments. Les contraintes de traitement
en temps réel et l'eet de numérisation du signal radar sur la qualité de détection ont été évaluées et
discutés. Les résultats obtenus montrent l'aptitude des détecteurs développés pour des applications
pratiques dans une chaine de détection radar.
Pour le premier algorithme, l'originalité porte principalement sur l'introduction d'une nouvelle
approche pour la détermination du nombre de cibles interférentes dans la fenêtre de référence CFAR.
L'approche est basée sur l'application du principe du critère de la théorie de l'information, exploité
pour la première fois dans la détection radar, pour améliorer la détection radar dans des situations
d'interférences séveres.
Contrairement à l'approche basée sur le test d'hypothèses de la détection classique, ce détecteur
n'exige aucune information apriori sur le nombre de cibles interférentes. Le nombre d'échantillons
des cibles interférentes est déterminé par minimisation d'un critère de la théorie de l'information,
ITC. Le nombre obtenu est exploité pour déterminer l'ordre optimal pour établir le niveau du seuil
de détection en conséquence.
Il est à noter que les résultats de simulation basée sur des données synthetiques montrent que
le détecteur FAOSOSD présente des performances meilleures comparativement aux détecteurs OS-
CFAR, AND-CFAR et OR-CFAR en présence d'interférences séveres.
Concernant le second algorithme de détection proposé dans cette thèse, il consiste à combiner
0.6. Conclusion générale 74
intélligement les estimés des seuils des détecteurs CA-CFAR et OS-CFAR, basé sur le niveau des
changements de l'environnement. Ce détecteur exige un prétraitement des cellules de la fenêtre de
référence et applique par la suite un facteur de pondération adaptatif à la procédure de fusion pour
produire une décision ecace avec des pertes CFAR réduites.
Des simulations basées sur des expérimentations Monte Carlo ont montré que le détecteur ALC-
CFAR est plus performant que le détecteur CA-CFAR dans un environnement non-homogène,
et possède des performances très proches à celles du détecteur OS-CFAR en présence de cibles
interférentes avec moins de pertes CFAR dans un milieu homogène.
Les architectures des détecteurs proposés ont été implémentées sur une plateforme de dévelop-
pement à base du processeur de traitement du signal, DSP, TMS320C6711 de Texas Instruments
et les contraintes de traitement pour une application réelle dont les contraintes ont été gérées de
façon à satisfaire les spécications du radar ASR-12.
Il serait très intérressant de noter que pour des applications pratiques dans la détection radar,
les détecteurs proposés sont particulièrement recommandés pour des radars à faible résolution en
distance et que le problème de détection présenté dans ce travail ne présente qu'une partie d'un
système de dé- tection radar plus complexe.
Au moyen terme, nous comptons poursuivre l'amélioration des performances des algorithmes de
détection proposés et l'optimisation d'avantage de l'implémentation tout en approfondissant notre
recherche dans le domaine de la détection radar en présence de cibles interférentes.
0.7. Bibliographie 75
0.7 Bibliographie
1. Skolnik, M. I., Introduction to Radar Systems , McGraw-Hill Book Company Wiley-

Interscience, 3rd edition,USA, 2001.
2. Gini, F, Farina, A. and Greco, M., Selected list of references on radar signal processing,"
IEEE Trans. Aerospace and electronic Systems, Vol. 29, No. 1, pp. 329-360, Jan. 2001.
3. Skolnik, M. I., Radar HandBook , McGraw-Hill, 3rd edition, USA, 2008.

4. Barkat, M., Signal Detection and Estimation , 2nd edition, Norwood, MA :Artech House, 2005.
5. Finn, H. M., and Johnson, R. S.,Adaptive detection mode with threshold control as a function
of spatially sampled clutter level estimates," RCA Review, Vol. 29, pp. 414-464, Sep. 1968.
6. Hansen, V. G. and Sawyers, J. H.,Detectability loss due to greatest of selection in a cell-
averaging CFAR," IEEE Trans. Aerospace and electronic Systems, Vol. AES-16, pp. 115-118,
Jan. 1980.
7. Trunk, G.V,Range resolution of targets using automatic detection," IEEE Trans. Aerospace
and electronic Systems, Vol. AES-14, No.5, pp. 750-755, Sep. 1978.
8. Rohling, H., Radar CFAR thresholding in clutter and multiple target situations," IEEE
Transactions on Aerospace and Electronic Systems , 19 :608-621, July, 1983.
9. Magaz, B., Belouchrani,A. and Hamadouche, M., "Automatic Threshold Selection in OS-
CFAR Radar Detection Using Information Theoretic Criteria", Progress in Electromagnetics
Research B, Vol.30, 157-175, 2011.
10. Magaz, B., Belouchrani, A. and Hamadouche, M.,Automatic Order Selection for OS-CFAR
Detection Improvement Under Severe Interference Situations Using Information Theoretic
Criteria," Proc. International Radar Conference, Bordeaux, France, Octobre 2009.
11. Rickard, J. T. and Dillard, M., Adaptive detection algorithms for multiple target situations,"
IEEE Transactions on Aerospace and Electronic Systems , 13(4) :338-343, July, 1977.
12. Barkat, M., Himonas, S. D. and Varshney, P. K., CFAR detection for multiple target situa-
tions," IEE Proceedings , Vol : 136, Issue 5, 1989.
13. Grunwald, P. D., Myung,I. J. and M. A., Pitt, Advances in Minimum Description Length
Theory and Applications , The MIT Press, Cambridge, Massachusetts, London, England, 2005.
0.7. Bibliographie 76
14. Wax, M. and Kailath, T., Detection of signals by Information Theoritic Criteria," IEEE
Transactions on Acoustics, Speech, and Signal Processing , Vol. ASSP-33, NO. 2, Avril 1985.
15. B. Magaz, M. Hamadouche and A. Belouchrani, Design and DSP Implementation of an Adap-
tive Linear Combined CFAR Processor, International Radar Symposium, IRS'2009, Septem-
ber 2009, Hamburg, Allemagne.
16. Qu, Y. and Nemai, C. K.,Novel CFAR detection", Third International conference on Elec-
trical and Computer Engineering, ICECE 2004 , 28-30 Dec. 2004, Daka, Bangladash.
17. B. Magaz, M.L. Bencheikh, M. Hamadouche and A. Belouchrani, Design and real time im-
plementation of a novel combined CA-CFAR/SLB system on TMS320C67X processor, IRS
2006, May 2006, Krakow, Poland.
18. B. Magaz, M.L. Bencheikh, M. Hamadouche and A. Belouchrani, Optimized Implementation
of a Parallel DSP Architecture For real Time Stacked Beam Radar Signal Processing, IET
Conference on Radar systems, Oct. 2007, Edinburgh, UK.
0.8. Travaux réalisés 77
0.8 Travaux réalisés
Publications Internationales
1. Magaz, B., A. Abbadi, T. Mabed, M. Hamadouche, and A. Belouchrani, Using D.S.P in
Radar Domain Application : Optimal Implementation of CFAR Detection Algorithms on
TMS320C6711 DSP, ICGST International Journal on Programmable Devices, Circuits and
Systems, PDCS, Vol. 09, No. I, pp. 29-34, October 2009.
2. Magaz, B., A. Abbadi, T. Mabed, M. Hamadouche, and A. Belouchrani, Design and im-
plementation of a real time FPGA based CFAR processor for radar target detection using
ML403 FPGA development board, ICGST International Journal on Programmable Devices,
Circuits and Systems, PDCS, Vol. 09, No. I, pp. 47-51, October 2009.
3. B. Magaz, A. Belouchrani and M. Hamadouche, Automatic Threshold Selection in OS-
CFAR Radar Detection Using Information Theoretic Criteria, Progress in Electromagnetics
Research B, Vol.30, 157-175, 2011.
Conférences
1. B. Magaz, M.L. Bencheikh, M. Hamadouche, A. Belouchrani, Design and real time imple-
mentation of a novel combined CA-CFAR/SLB system on TMS320C67X processor, Interna-
tional Radar Symposium, IRS 2006, May 2006, Krakow, Poland.
2. B. Magaz, M.L. Bencheikh, M. Hamadouche and A. Belouchrani, Optimized Implementation
of a Parallel DSP Architecture For real Time Stacked Beam Radar Signal Processing, IET
Conference on Radar systems, Oct. 2007, Edinburgh, UK.
3. B. Magaz, A. Belouchrani et M. Hamadouche, Automatic Order Selection for OS-CFAR
Detection Improvement Under Severe Interference Situations Using Information Theoretic
Criteria, International Conference on Radar Systems, RADAR 2009, October, 2009, Bor-
deaux, France.
4. B. Magaz, M. Hamadouche and A. Belouchrani, Design and DSP Implementation of an
Adaptive Linear Combined CFAR Processor, International Radar Symposium, IRS'2009, Sep-
tembre 2009, Hamburg, Allemagne.
5. B. Magaz, M.L. Bencheikh, Y. Wang and A. Belouchrani, Numerical Analysis of MIMO

Radar Detection Performance Under Weibull-Distributed Clutter, International Radar Sym-
posium, IRS'2010, Juin 2010, Vilinus, Lithuania.
6. B. Magaz, B. Ferrah, S. Atta, M. Hamadouche and A. Belouchrani, Conception et Implé-
mentation d'une Nouvelle Architecture de Détection Radar, DAT'2011, Février 2011, Alger.

Résumé

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Résumé

Transféré par

Droits d'auteur :

Formats disponibles

1

Option : Traitement du signal

cibles interférentes : Conception d'algorithmes

et implémentation en temps réel

technique généralisée de la fenêtre glissante, GASW, (Generalized Automated Sliding Window)

0.2 Introdution générale

0.2.1 Context et motivation

0.2.2 Organisation du rapport

0.3 Application des critères de la théorie de l'information à la dé-

0.3.2 Détecteur proposé

Figure 1  Schéma bloc du détecteur FAOSOSD.

nombre de cibles interférentes.

X(1) ≤ X(2) ≤ · · · ≤ X(k) ≤ · · · ≤ X(N ) (1)

0.3.3 Principe d'estimation du nombre de cibles interférentes

Le ITC est déni par [13] :

(a) Received Samples

Figure 2  Estimation du nombre de cibles interférentes présente dans la fenêtre de référence,

0.3.4 Résultats des simulations

0.3.4.1 Seuils de détection

0.3.4.2 Probabilités de détection

Pfa = 1e−005, N = 16, k = 12

Figure 4  Probabilités de détection pour N = 16, K = 12 et P f a = 10−5 .

Figure 5  Eet du INR sur la Pf a eecftive du détecteur FAOSOSD en présence de (N − K + 1)

0.3.4.3 Evaluation de la probabilité de fausses alarmes eective

0.4 Détection CA/OS combinée en présence d'interférences

0.4.2 Le détecteur ALC-CFAR

Figure 6  Le Détecteur Adaptive Linear Combined CFAR.

0.4.2.2 Facteur de pondération adaptatif

ZOS = ZKOS (11)

0.4.3 Evaluation des performances

0.4.3.1 La probabilité de détection

de N , les performances du ALC-CFAR convergent vers celles du détecteur OS-CFAR .

Figure 7  Probabilités de détection des détecteurs ALC-CFAR, OS-CFAR et CA-CFAR en pré-

Pf a = 10−4 0.813 0.312 0.145 0.081 0.043 0.024

dépasse la limite tolérable, le comportement du détecteur ALC-CFAR est similaire au détecteur

0.4.3.2 Régulation du taux de fausses alarmes

Figure 8  Seuils de détection des détecteurs ALC-CFAR, CA-CFAR et OS-CFAR pour N = 16

maintenue proche à la Pf a désirée.

0.4.3.3 Gain du détecteur proposé

Desired Pfa =1E−4

Figure 9  Régulation de la probabilité de fausses alarmes pour diérentes valeurs de N . Pf a =

faibles résolutions en distance.

0.5.2 Eet de numérisation du signal radar sur les performances de détection

 Le nombre de bits de conversion analogique/numérique ;

0.5.3 Acquisition des signaux radar

0.5.4 Implémentation des algorithmes de détection proposés

ALC-CFAR ont été implémentés.

Figure 10  Results of the FAOSOSD (Datale2)

P orte(Km) 120 120 120 120 120 86.1 62.1

Figure 11  Results of the ALC-CFAR (Datale2)

0.6 Conclusion générale

1. Skolnik, M. I., Introduction to Radar Systems , McGraw-Hill Book Company Wiley-

3. Skolnik, M. I., Radar HandBook , McGraw-Hill, 3rd edition, USA, 2008.

0.8 Travaux réalisés

5. B. Magaz, M.L. Bencheikh, Y. Wang and A. Belouchrani, Numerical Analysis of MIMO

Vous aimerez peut-être aussi

Figure 1 Schéma bloc du détecteur FAOSOSD.

Le ITC est déni par [13] :

Figure 2 Estimation du nombre de cibles interférentes présente dans la fenêtre de référence,

Figure 4 Probabilités de détection pour N = 16, K = 12 et P f a = 10−5 .

Figure 5 Eet du INR sur la Pf a eecftive du détecteur FAOSOSD en présence de (N − K + 1)

0.3.4.3 Evaluation de la probabilité de fausses alarmes eective

Figure 6 Le Détecteur Adaptive Linear Combined CFAR.

Figure 7 Probabilités de détection des détecteurs ALC-CFAR, OS-CFAR et CA-CFAR en pré-

Figure 8 Seuils de détection des détecteurs ALC-CFAR, CA-CFAR et OS-CFAR pour N = 16

Figure 9 Régulation de la probabilité de fausses alarmes pour diérentes valeurs de N . Pf a =

0.5.2 Eet de numérisation du signal radar sur les performances de détection

Le nombre de bits de conversion analogique/numérique ;

Figure 10 Results of the FAOSOSD (Datale2)

Figure 11 Results of the ALC-CFAR (Datale2)