Académique Documents
Professionnel Documents
Culture Documents
THÈSE
Doctorat en sciences
Spécialité : Électronique
Option : Traitement du signal
par
Hilal Abdenour MEZIANI
ii
Remerciements
iii
Table des matières
RÉSUMÉ 1
iv
GÈNE DE DISTRIBUTION PEARSON 38
3.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2 FORMULATION DU PROBLÈME . . . . . . . . . . . . . . . 39
3.3 ANALYSE DU DÉTECTEUR CA-CFAR . . . . . . . . . . . 40
3.3.1 Cellule test dans la région basse du fouillis . . . . . . . 40
3.3.2 Cellule test dans la région haute du fouillis . . . . . . . 42
3.4 ANALYSE DU DÉTECTEUR GO-CFAR . . . . . . . . . . . 43
3.4.1 Cellule test dans la région basse du fouillis . . . . . . . 44
3.4.2 Cellule test dans la région haute du fouillis . . . . . . . 46
3.5 ANALYSE DU DÉTECTEUR SO-CFAR . . . . . . . . . . . . 49
3.5.1 Cellule test dans la région basse du fouillis . . . . . . . 49
3.5.2 Cellule test dans la région haute du fouillis . . . . . . . 50
3.6 RÉSULTATS ET DISCUSSIONS . . . . . . . . . . . . . . . . 51
3.7 CONCLUSIONS . . . . . . . . . . . . . . . . . . . . . . . . . 52
v
5.4.1 Détermination de la probabilité de fausse alarme . . . . 82
5.4.2 Détermination de la probabilité de détection . . . . . . 83
5.5 RÉSULTATS . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.6 CONCLUSION . . . . . . . . . . . . . . . . . . . . . . . . . . 85
BIBLIOGRAPHIE 113
vi
Table des figures
vii
3.3 Probabilité de fausse alarme en fonction de la position de la
transition du fouillis R et différent rapport des paramètres de
dispersion C de loi Pearson, détecteur CA-CFAR, N=16. . . . 55
3.4 Probabilité de fausse alarme en fonction de la position de la
transition du fouillis R et différent rapport des paramètres de
dispersion C de loi Pearson, détecteur GO-CFAR, N=16. . . . 56
3.5 Probabilité de fausse alarme en fonction de la position de la
transition du fouillis R et différent rapport des paramètres de
dispersion C de loi Pearson, détecteur SO-CFAR, N=16. . . . 57
3.6 Comparaison des performances des détecteurs CA-CFAR, GO-
CFAR et SO-CFAR en terme de maintien de probabilité de
fausse alarme en fonction de la position de la transition du
fouillis R, pour N=16, Pfa désirée = 10−4 , C=10 dB. . . . . . 58
3.7 Simulation graphique des performances du détecteur CA-CFAR
dans un fouillis de distribution Pearson, N=8, Pfa=10−3 . . . . 59
3.8 Simulation graphique des performances du détecteur GO-CFAR
dans un fouillis de distribution Pearson, N=8, Pfa=10−3 . . . . 60
3.9 Simulation graphique des performances du détecteur SO-CFAR
dans un fouillis de distribution Pearson, N=8, Pfa=10−3 . . . . 61
viii
5.3 Probabilité de détection du détecteur CA-CFAR avec intégra-
tion binaire en fonction du GSNR et différent seuil de décision
M, N=16, L=8, Pfa globale désirée=10−4 . . . . . . . . . . . . 88
5.4 Probabilité de détection du détecteur OS-CFAR avec intégra-
tion binaire en fonction du GSNR et différent seuil de décision
M, N=16, k=3N/4, L=8, Pfa globale désirée=10−4 . . . . . . . 89
5.5 Comparaison des performances de détection des détecteurs
CA-CFAR et OS-CFAR avec intégration binaire pour le seuil
de décision optimal. . . . . . . . . . . . . . . . . . . . . . . . . 90
ix
RÉSUMÉ
les cibles sans intervention de l’opérateur humain. Pour cela, les détecteurs
adaptatifs CFAR (Constante False Alarm Rate) sont devenus des composants
distribution K. Des études plus récentes montrent que le fouillis peut présen-
tion de Lévy).
1
sence d’un fouillis de distribution de Pearson est étudié pour différents détec-
teurs CFAR. Nous présenterons pour la plupart d’entre eux des expressions
trois détecteurs pour un fouillis non homogène modélisé par une transition
le détecteur de SO-CFAR, quand la cellule sous test est dans un fouillis de ni-
veau bas, alors que le détecteur GO-CFAR donne une meilleure performance,
part, Nous résultats montrent que les détecteurs OS-CFAR avec intégration
2
les expressions analytiques obtenues confirment les résultats obtenus dans le
Monté Carlo montrent que les probabilités de détection sont meilleurs pour
la règle de fusion floue " Produit algébrique " pour un GSNR > 40 dB.
3
Chapitre 1
ÉTAT DE L’ART DE LA
DÉTECTION CFAR ET DE LA
MODÉLISATION DU FOUILLIS
1.1 INTRODUCTION
teur avec une ou deux antennes. Le signal transmis est un signal électroma-
de la cible, RCS (Radar Cross Section), qui est une mesure de la quantité
vers le récepteur [1-2]. En général, le RCS de la cible fluctue parce que les
du RCS de la cible sont classées selon quatre types nommées Swerling case
I, II, III et IV [8]. Le signal reçu dans un processeur de signal radar est tou-
4
considérablement de la présence du bruit thermique produit par le radar lui-
même qui est inévitable, des échos non désirés (fouillis) typiquement due au
radar sont conçus pour avoir un taux faux alarme constant tout en maximi-
La détection d’un signal radar noyé dans le fouillis peut être formulée
indique que le signal reçu est dû au fouillis et/ou bruit seulement, tandis
qui revient à décider H0 tandis que H1 est vraie. La règle de décision la plus
utilisée est celle conçue sur la base du critère de Neyman-Pearson, qui exige
5
vraisemblance Λ(q) qui est définit par
H1
pQ (q |H1 ) >
Λ(q) = Th (1.1)
pQ (q |H0 ) <
H0
de phase comme représenté sur la Figure 1.1. Pour le cas d’une cible Swerling I
le détecteur quadratique
Q = X2 + Y 2 (1.2)
Où Xet Y sont les variables aléatoires représentant les sorties des deux canaux
donnée par ( q
1 − 2σ2
2σ 2
e sous H0
pQ (q) = 1 − q (1.3)
2σ 2 (1+S)
e 2σ2 (1+S) sous H1
6
constante.
Z +∞
pQ (q |H0 ) dq = α (1.4)
Th
première contribution a été faite par Finn et Johnson [9]. Ils ont proposé un
Rate), Figure 1.3. Le signal reçu est échantillonné en distance et ces derniers
7
teur optimum (détecteur de Neyman-Pearson) pour un nombre de cellules de
sente des transitions dues à des terrains composites, frontières entre terre et
a été faite par Hansen et Sawyers [11], Moore et Lawrence [12] et Weiss [13].
Ils ont prouvé qu’en présence des cibles interférentes, les performances du
plus petit des deux est utilisé comme estimateur de la puissance du fouillis.
8
tecteurs CFAR ont été proposés [15-17]. Dans [15] Mclane et al. ont proposé
seuil basée sur les informations a priori sur l’endroit des cibles. Une exten-
par Al-Hussainni et Ibrahim [16]. En outre, Barkat et Varshney [17] ont pro-
sées sur la statistique d’ordre ont été proposées pour des environnements non
der Statistic Constant False Alarm Rate) qui consiste a ordonner le contenu
la durée du tri des cellules. Dans [24], Himonas et Barkat ont introduit le
détecteur GTL-MLD (Generalised two level mean level detector) qui uti-
lise la technique de test cellule par cellule pour l’acceptation ou le rejet des
tection, une telle détection ne peut être satisfaisante, car il est difficile de
distinguer la cible du fouillis sur cette base. Pour cela, des techniques stan-
9
dards pour séparer la cible du fouillis consiste à traiter un certain nombre
par lequel les impulsions sont combinées est connu sous le nom « intégra-
Récemment, des détecteurs basés sur la logique floue ont été proposés [44-
49]. Dans ces détecteurs CFAR, le seuil de détection binaire est remplacé par
[44-47], Leung et al. ont introduit le concept des détecteurs à logique floue
pour le cas d’un fouillis gaussien. Ils ont obtenu la fonction d’appartenance
al. [49], ont proposé d’analyser le détecteur OS-CFAR avec pondération dans
10
1.4 MODÉLISATION DU FOUILLIS
Pour les radars à basse résolution, l’amplitude du fouillis est distribuée selon
Rayleigh. Tandis que pour les radars à haute résolution, le fouillis devient
11
1.4.1 La distribution Log-normale
1 1 2 r
p(r) = √ e 4 ln b ln ( a ) (1.5)
2r π ln b
Elle a été appliquée par Schleher [50] and Goldstein [51] pour modéliser le
fouillis de mer.
α
p(r) = a b rα−1 e−a r (1.6)
1.4.3 La distribution K
pour des angles d’incidence faibles, le fouillis de mer présente un nombre plus
une longue queue. D’où la distribution de Rayleigh n’est plus valable. Ward
12
[53] et Watts [33], décrivent la distribution du fouillis par le produit de deux
composantes. La première est appelée " Speckle " et obéît à une distribution
" texture " elle est modélisée par une distribution Gamma. La densité de
½
exp{jµω − γ |r|α [1 + jβsign(ω) tan( απ )} si α 6= 1
φ(ω) = 2 (1.8)
exp{jµω − γ |r| [1 + jβsign(ω) π2 log |ω|)} si α = 1
Ainsi, une distribution stable est complètement déterminée par quatre para-
Le problème principal avec les distributions alpha-stable est que des ex-
13
Gaussienne (α = 2, β = 0)
1 (r − µ)
p(r) = √ exp(− ) (1.9)
σ 2π 2σ 2
La distribution de Cauchy (α = 1, β = 0)
1 γ
p(r) = (1.10)
π γ + (r − µ)2
2
γ 1 γ
p(r) = √ 3/2
exp(− ) (1.11)
2π r 2(r − µ)
Propriétés
et α, sign(θ)β, |θ| γ, θµ si α 6= 1.
14
1.5 ORGANISATION DE LA THÈSE
tionnarité des signaux radar. Or, dans la réalité ces hypothèses ne sont pas
en présence d’un fouillis homogène sera présentée. Nous obtenons des nou-
sous forme d’un échelon. Des expressions des probabilités sous forme analy-
des performances des détecteurs CFAR avec intégration non cohérente et inté-
15
Figure 1.1 – Schéma bloc du détecteur optimum
16
Figure 1.2 – Variation de la probabilité de fausse alarme en fonction de la
variation de la puissance du fouillis pour une Pfa désirée=10−8 .
17
q0
Détecteur
quadratique
q1 qN
Estimation de la puissance
du Fouillis
Z
Comparateur
Figure 1.3 – Schéma bloc du détecteur Cell Averaging Constant False Alarme
Rate (CA-CFAR)
18
Chapitre 2
ANALYSE DES
PERFORMANCES DE
QUELQUES DÉTECTEURS
CFAR DANS UN FOUILLIS
HOMOGÈNE DE
DISTRIBUTION PEARSON
2.1 INTRODUCTION
19
supposant la présence d’une cible dans la cellule sous test fluctuant selon le
modèle de Swerling I.
donnée par
γ 1 γ2
− 2q
p(qi ) = √ e i i = 1, ..., N (2.2)
2π qi3/2
20
calcule Pfa et Pd comme suit :
Z +∞ Z +∞
Pfa = [ pQ0 (q0 |H0 ) dq0 ] pZ (z) dz (2.3)
0 T z
Z +∞ Z +∞
Pd = [ pQ0 (q0 |H1 ) dq0 ] pZ (z) dz (2.4)
0 T z
Où pZ (z), pQ0 (q0 |H0 ) et pQ0 (q0 |H1 ) sont respectivement les densités de pro-
Z =U +V (2.5)
Où
N
1 X
Z= qi (2.6)
N i=1
√
γ N 1 − N2 γq2
pZ (q) = √ e (2.7)
2π q 3/2
21
Pour calculer Pfa, on suppose que la cellule sous test contient simplement du
γ 1 γ2
− 2q
pQ0 (q0 |H0 ) = √ e 0 (2.8)
2π q03/2
r Z +∞
CA N γ 1 N γ2
Pfa =γ {2Φ( √ ) − 1} 3/2 e− 2z dz (2.9)
2π 0 Tz z
Z x
1 y2
Φ(x) = √ e− 2 dy (2.10)
−∞ 2π
Z x
2 2
Erf (x) = √ e−t dt (2.11)
π 0
nous obtenons
r Z ∞
CA 2N y N y2
Pfa = Erf [ √ ] e− 2 dy (2.12)
π 0 2T
22
utilisons le résultat donné dans [7], on obtient finalement
2 1
P f aCA = arctg( √ ) (2.13)
π N T
Cette expression analytique est une forme compacte de la Pfa. Elle permet
rence N.
par
1 − q02
pQ0 (q0 |H1 ) = e 2σ (2.14)
2σ 2
r Z ∞
CA 2N −( T γ2
+ N y2
)
Pd = e 2y 2 σ 2 2
dy (2.15)
π 0
23
En utilisant le résultat donné dans [7], on obtient finalement
γ
√
P dCA = e− σ NT
(2.16)
SNR) comme
σ
GSN R = 20 log10 ( ) (2.17)
γ
infini.
Z = M AX(U, V ) (2.18)
24
Où
M
1 X
U= qi (2.19)
M i=1
Et
2M
1 X
V = qi (2.20)
M i=M +1
pGO
Z (z) = pU (z) FV (z) + pv (z) FU (z) (2.21)
pGO
Z (z) = 2 pV (z) FV (z) (2.22)
√
γ M 1 − M2 γq2
pV (q) = √ e (2.23)
2π q 3/2
25
√
γ M
FV (q) = 2 (1 − Φ ( √ ) ) (2.24)
q
fouillis est
r √
2M γ γ M − M2zγ
2
pGO
Z (z) =2 [1 − Φ( √ )] e (2.25)
π z 3/2 z
Pour calculer Pfa, on suppose que la cellule sous test contient simplement du
r Z +∞
√
2M γ γ γ M M γ2
P f aGO = 2 {2Φ( √ ) − 1} 3/2 [1 − Φ( √ )] e− 2z dz (2.26)
π 0 Tz z z
r Z ∞
√
2M y y M − M y2
P f aGO = 2 Erf [ √ ] Erf c[ √ ] e 2 dy (2.27)
π 0 2T 2
4 √ √
P f aGO = (arctg( 1 + 2M T ) − arctg( M T )) (2.28)
π
26
L’équation (2.28) montre que Pfa du détecteur GO-CFAR ne dépend pas
r Z ∞
√
2M − T γ2 y M − M y2
P dGO = 2 e 2y 2 σ 2 Erf c[ √ ] e 2 dy (2.29)
π 0 2
Z = M IN (U, V ) (2.30)
pSO
Z = pU (z)[1 − FV (z)] + pv (z)[1 − FU (z)] (2.31)
27
qui peut s’écrire sous la forme
pSO GO
Z (z) = pU (z) + pV (z) − pZ (z) (2.32)
pSO GO
Z (z) = 2 pV (z) − pZ (z) (2.33)
r √
2M γ γ M − M2zγ
2
pSO
Z (z) = [2Φ( √ ) − 1] e (2.34)
π z 3/2 z
En remplaçant (2.8) et (2.34) dans (2.3), nous obtenons Pfa pour le cas
homogène comme
r Z +∞
√
2M γ γ γ M M γ2
P f aSO = {2Φ( √ ) − 1} 3/2 [2Φ( √ ) − 1] e− 2z dz (2.35)
π 0 Tz z z
r Z ∞
√
SO 2M y y M − M y2
Pfa =2 Erf [ √ ] Erf [ √ ] e 2 dy (2.36)
π 0 2T 2
28
En utilisant le résultat donné dans [7], on obtient finalement
4 1
P f aSO = arctg( √ ) (2.37)
π 1 + 2M T
reste semblable aux précédentes. Supposons que la cellule test contient une
r Z ∞
√
SO 2M − T γ2 y M − M y2
Pd =2 e 2y 2 σ 2 Erf [ √ ] e 2 dy (2.38)
π 0 2
Comme dans les cas des détecteurs CA-CFAR et GO-CFAR, les mêmes ob-
SO-CFAR.
analyse est obtenu par la résolution des équations (2.13), (2.28) et (2.37). Les
29
de cellules de la fenêtre de référence N pour une Pfa donnée. On remarque
pour un GSNR de 70 dB et une Pfa variant de 1.5 10−4 à 10−2 , les per-
valeurs du GSNR.
30
2.7 CONCLUSIONS
31
Figure 2.1 – Facteur multiplicatif T en fonction du nombre de cellules N pour
différentes valeurs de la probabilité de fausse alarme, détecteur CA-CFAR.
32
Figure 2.2 – Facteur multiplicatif T en fonction du nombre de cellules N pour
différentes valeurs de la probabilité de fausse alarme, détecteur GO-CFAR.
33
Figure 2.3 – Facteur multiplicatif T en fonction du nombre de cellules N pour
différentes valeurs de la probabilité de fausse alarme, détecteur SO-CFAR.
34
Figure 2.4 – comparaison du facteur multiplicatif T en fonction du nombre
de cellules N pour différents détecteurs CFAR
35
Figure 2.5 – Comparaison de la probabilité de détection en fonction du rap-
port signal à bruit généralisé (GSNR) pour différents détecteurs CFAR
36
Figure 2.6 – probabilité de détection en fonction de la probabilité de fausse
alarme pour différents rapports signal à bruit généralisé (GSNR)
37
Chapitre 3
ANALYSE DES
PERFORMANCES DE
QUELQUES DÉTECTEURS
CFAR DANS UN FOUILLIS
NON HOMOGÈNE DE
DISTRIBUTION PEARSON
3.1 INTRODUCTION
généité du fouillis est modélisée par une fonction en échelon dans la fenêtre
de référence. La cible dans la cellule sous test est supposée fluctuer selon le
38
analysons l’effet de la position de la transition du fouillis et de sa puissance
situation est réaliste et peut être rencontrée dans une région de précipitation
(forêt-plaine). Dans notre étude, nous supposons que R est connu a priori.
γ (1 + C) 1 −
γ 2 (1+C)2
pQi (qi ) = √ 3/2
e 2qi
i = 1, ..., R (3.1)
2π qi
γ 1 γ2
− 2q
pQi (qi ) = √ e i i = R + 1, ..., 2M (3.2)
2π qi3/2
en dB. Nous supposons que la cible dans la cellule test fluctue selon le modèle
39
Swerling I.
considérons deux situations ; la première est quand la cellule sous test est
noyée dans une région du fouillis ayant une puissance basse, Figure 3.1 et
la deuxième situation est celle où la cellule sous test est dans une région de
aléatoires indépendantes
R 2M
1 X X
Z= ( qi + q i ) = Z1 + Z2 (3.3)
2M i=1 i=R+1
40
.√
γ((1 + C) R + (2M − R)) 2M = γ Γ1 (3.4)
γ Γ1 1 2 2
pCA
Z (z) = √ 3/2
e −γ Γ1 /2 z (3.5)
2π z
r Z ∞
CA 2 y 1 2 2
Pfa = Γ1 Erf [ √ ] e− 2 y Γ1 dy (3.6)
π 0 2T
Qui s’écrit finalement d’après [7] sous une forme plus simple comme
2 1
P f aCA = arctg( √ ) (3.7)
π Γ1 T
−T γ 2
La Pd est déterminée simplement en remplaçant Erf [ √y2T ] par e 2y2 σ2 dans
γ
√
P dCA = e− σ Γ1 T
(3.8)
41
3.3.2 Cellule test dans la région haute du fouillis
2M −R 2M
1 X X
Z= ( qi + q i ) = Z1 + Z2 (3.9)
2M i=1 i=2M −R+1
√
γ ((1 + C) (R − M ) + (2M − R))/ 2M = γ Γ2 (3.10)
γ Γ2 1 −γ 2 Γ22 /2 z
pCA
Z (z) = √ e (3.11)
2π z 3/2
en supposant que la cellule sous test est noyée dans le niveau haut du fouillis
on a
γ(1 + C) 1 −
γ 2 (1+C)2
pQ0 (q0 ) = √ e 2q0
(3.12)
2π q03/2
42
En remplaçant (3.11) et (3.12) dans (2.3), et en utilisant le même changement
CA-CFAR
r Z ∞
CA 2 y(1 + C) − 1 y2 Γ22
Pfa = Γ2 Erf [ √ ] e 2 dy (3.13)
π 0 2T
Qui s’écrit finalement sous une forme plus simple d’après [7] comme
2 (1 + C)
P f aCA = arctg( √ ) (3.14)
π Γ2 T
−T γ 2 (1+C)
La probabilité de détection est obtenue en remplaçant Erf [ y(1+C)
√
2T
] par e 2y 2 σ 2
lisant [7]
γ Γ2 √
P dCA = e− σ (1+C) T
(3.15)
test est dans la région du niveau bas du fouillis et la seconde est quand la
43
cellule test est dans le niveau haut du fouillis.
aléatoires indépendantes
R M
1 X X
U= ( qi + qi ) = U1 + U2 (3.16)
M i=1 i=R+1
Et
2M
1 X
V = qi (3.17)
M i=M +1
fenêtre est une Pearson type V, son paramètre de dispersion est donné par
[37]
.√
γ((1 + C) R + (M − R)) M = γ Γ1 (3.18)
par
44
γ Γ1 1 2 2
pU (q) = √ 3/2
e −γ Γ1 /2 q (3.19)
2π q
et
γΓ1
FU (q) = 2[1 − Φ( √ )] (3.20)
q
En remplaçant (2.23), (2.24), (3.19) et (3.20) dans (2.21), nous obtenons fina-
√
γ Γ1 1 2 2 γ M
pGO
Z (z) = √ 3/2
e −γ Γ1 /2 z 2 [1 − Φ ( √ ) ]
2π z z
√
γ M 1 − M γ2 γ Γ1
+√ e 2 z 2[1 − Φ( √ )] (3.21)
2π z 3/2 z
r Z ∞ √
2 y y M − 1 y2 Γ21
P f aGO = Erf [ √ ] { Γ1 Erf c[ √ ] e 2
π 0 2T 2
√ y Γ1 1 2
+ M Erf c[ √ ] e− 2 y M } dy (3.22)
2
qui s’écrit finalement d’après [7] sous une forme plus simple comme
45
2 1 1
P f aGO = [arctg( √ ) + arctg( √ )
π Γ1 T MT
√
M
−arctg( p )
Γ1 1 + T (M + Γ21 )
Γ1
−arctg( √ p )] (3.23)
M 1 + T (M + Γ21 )
aléatoires indépendantes.
M
1 X
U= qi (3.24)
M i=1
Et
R 2M
1 X X
V = ( qi + qi ) = V1 + V2 (3.25)
M i=M +1 i=R+1
46
distribution Pearson, son paramètre de la dispersion est donné en remplaçant
√
γ ((1 + C) (R − M ) + (2M − R))/ M = γ Γ2 (3.26)
données par
γ (1 + C) 1 2 2
pU (q) = √ 3/2
e −γ (1+C) /2 q (3.27)
2π q
Et
γ(1 + C)
FU (q) = 2[1 − Φ( √ )] (3.28)
q
γ Γ2 1 2 2
pV (q) = √ 3/2
e −γ Γ2 /2 q (3.29)
2π q
Et
γΓ2
FV (q) = 2[1 − Φ( √ )] (3.30)
q
en remplaçant (3.27), (3.28), (3.29) et (3.30) dans (2.21), nous obtenons pour
47
√
γ Γ2 1 γ 2 Γ2
− 2 z2 γ(1 + C) M
pGO
Z (z) = √ e 2 [1 − Φ ( √ )]
2π z 3/2 z
√
γ(1 + C) M 1 − M (1+C)2 γ 2 γ Γ2
+ √ 3/2
e 2 z 2[1 − Φ( √ )] (3.31)
2π z z
En supposant que la cellule sous test est noyée dans le niveau haut du fouillis
r Z ∞
√
GO 2 y(1 + C) y(1 + C) M − 1 y2 Γ22
Pfa = Erf [ √ ] { (Γ2 Erf c[ √ ]e 2
π0 2T 2
√ y Γ2 1 2 2
+ (1 + C) M Erf c[ √ ] e− 2 y (1+C) M } dy (3.32)
2
qui s’écrit finalement sous une forme plus simple d’après [7] comme
2 1 1
P f aGO = [arctg( √ ) + arctg( √ )
π Γ2 T MT
√
(1 + C)2 M
−arctg( p )
Γ2 (1 + C)2 + T (M (1 + C)2 + Γ22 )
Γ2
−arctg( √ p )] (3.33)
M (1 + C)2 + T (M (1 + C)2 + Γ22 )
−T γ 2 (1+C)
La probabilité de détection est obtenue en remplaçant Erf [ y(1+C)
√
2T
] par e 2y 2 σ 2
dans (3.32).
48
3.5 ANALYSE DU DÉTECTEUR SO-CFAR
une transition en échelon dans la puissance du fouillis avec les deux situations
√
y M − 1 y2 Γ21 √ y Γ1 1 2
pSO
Z (z) = Γ1 Erf [ √ ] e 2 + M Erf [ √ ] e− 2 y M (3.34)
2 2
r Z ∞ √
2 y y M − 1 y2 Γ21
P f aSO = Erf [ √ ] { Γ1 Erf [ √ ] e 2
π 0 2T 2
√ y Γ1 1 2
+ M Erf [ √ ] e− 2 y M } dy (3.35)
2
√
SO 2 M Γ1
Pfa = [arctg( p ) + arctg( √ p )]
π 2
Γ1 1 + T (M + Γ1 ) M 1 + T (M + Γ21 )
(3.36)
49
La probabilité de détection est encore donné simplement en remplaçant Erf [ √y2T ]
T γ2
−
pare 2y 2 σ 2 dans (3.35).
√
y(1 + C) M − 1 y2 Γ22 √ y Γ2 1 2 2
pSO
Z (z) = Γ2 Erf [ √ ]e 2 + (1+C) M Erf [ √ ] e− 2 y (1+C) M
2 2
(3.37)
r Z ∞
√
2 y(1 + C) y(1 + C) M − 1 y2 Γ22
P f aSO = Erf [ √ ] { Γ2 Erf [ √ ]e 2
0 π 2T 2
√ y Γ2 1 2 2
+ (1 + C) M Erf [ √ ] e− 2 y (1+C) M } dy (3.38)
2
√
SO 2 (1 + C)2 M
Pfa = [arctg( p )
π Γ2 (1 + C)2 + T (M (1 + C)2 + Γ22 )
Γ2
+arctg( √ p )] (3.39)
M (1 + C) + T (M (1 + C)2 + Γ22 )
2
50
La probabilité de détection est encore obtenue en remplaçant Erf [ y(1+C)
√
2T
]
−T γ 2 (1+C)
pare 2y 2 σ 2 dans (3.38).
cas d’une situation non homogène, nous focalisons nos résultats sur l’effet
dispersion C sur la Pfa. Les Figures 3.3-3.5 présentent la Pfa des détecteurs
dû à l’augmentation du seuil détection bien que la cellule sous test est noyée
car est dû à une diminution du seuil de détection qui entraîne ainsi une aug-
La Figure 3.6, présente une comparaison des performances des trois dé-
51
est obtenue pour le détecteur SO-CFAR quand la cellule sous test est noyée
les meilleures performances quand la cellule test est noyée un fouillis de forte
puissance.
tion, ou la sortie du détecteur CFAR est représentée par une ligne continue
et le seuil de détection est superposé sur ces mêmes figures. Des cibles isolées
sont introduites dans les cellules 20, 23, 70, 95 (indexé par ’T’ sur les figures)
3.7 CONCLUSIONS
Nous avons obtenu des expressions analytiques pour leurs Pfa et Pd. Nos
que la cible est noyée dans le bas niveau ou le haut niveau du fouillis.
52
Cellule sous test
Fouillis de
puissance forte
Fouillis de
puissance faible
R N
53
Cellule sous test
Fouillis de forte
puissance
Fouillis de faible
puissance
R N
54
Figure 3.3 – Probabilité de fausse alarme en fonction de la position de la
transition du fouillis R et différent rapport des paramètres de dispersion C
de loi Pearson, détecteur CA-CFAR, N=16.
55
Figure 3.4 – Probabilité de fausse alarme en fonction de la position de la
transition du fouillis R et différent rapport des paramètres de dispersion C
de loi Pearson, détecteur GO-CFAR, N=16.
56
Figure 3.5 – Probabilité de fausse alarme en fonction de la position de la
transition du fouillis R et différent rapport des paramètres de dispersion C
de loi Pearson, détecteur SO-CFAR, N=16.
57
Figure 3.6 – Comparaison des performances des détecteurs CA-CFAR, GO-
CFAR et SO-CFAR en terme de maintien de probabilité de fausse alarme en
fonction de la position de la transition du fouillis R, pour N=16, Pfa désirée
= 10−4 , C=10 dB.
58
Figure 3.7 – Simulation graphique des performances du détecteur CA-CFAR
dans un fouillis de distribution Pearson, N=8, Pfa=10−3 .
59
Figure 3.8 – Simulation graphique des performances du détecteur GO-CFAR
dans un fouillis de distribution Pearson, N=8, Pfa=10−3 .
60
Figure 3.9 – Simulation graphique des performances du détecteur SO-CFAR
dans un fouillis de distribution Pearson, N=8, Pfa=10−3 .
61
Chapitre 4
4.1 INTRODUCTION
cellule sous test est supposée suivre le modèle Swerling I. Des expressions de
62
4.2 FORMULATION DU PROBLÈME
représenté dans la Figue 4.1. Chaque retour des M impulsions émises est
Les M observations ainsi obtenues forment une matrice dont les éléments
Comme dans [30], la ligne représente les observations d’une des M im-
pulsions, alors que les colonnes à gauche et à droite de la cellule sous test
colonne sous test est notée par Q0 . Les M x N cellules de la fenêtre de réfé-
rence qui entourent la cellule sous test sont supposées être statistiquement
2
− 2qγ
pQij (qij ) = √γ 1
e ij i = 1, ..., M
2π q 3/2
ij (4.1)
j = 1, ..., N
par
63
2 2
γM 1 − M2z γ
pZj (zj ) = √ e j j = 1, ....., N (4.2)
2π zj3/2
γM
PZj (zj ) = 2 (1 − Φ( √ ) ) j = 1, ....., N (4.3)
zj
de référence d’où
N M N
1 XX 1 X
Z= qij = Zj (4.4)
N j=1 i=1 N j=1
√
γM N 1 2 2
− N M2z γ
pZ (z) = √ e (4.5)
2π z 3/2
H0
64
γM 1 2 2
− M2q γ
pQ0 (q0 ) = √ e 0 (4.6)
2π q03/2
La Pfa est obtenue en remplaçant (4.5) et (4.6) dans (2.3), d’où
r Z ∞
√
2N γM γM N − N M 2 γ 2
P f aCA = M (2 Φ( √ ) − 1) e 2z dz (4.7)
π 0 Tz z 3/2
√
en mettant y = M γ/ z et utilisant le fait que Φ(y) = 1
2
+ 12 Erf [ √y2 ] , nous
r Z ∞
CA 2N y N y2
Pfa = Erf [ √ ] e− 2 dy (4.8)
π 0 2T
2 1
P f aCA = arctg( √ ) (4.9)
π NT
supposons que la cible fluctue selon le modèle Swerling I avec σ 2 comme pa-
65
ramètre, La sortie du détecteur quadratique suit une loi exponentielle donnée
par
1 − qi02
pQi0 (qi0 ) = e 2σ i = 1, ..., M (4.10)
2σ 2
intégration non cohérente de M impulsions est une loi gamma donnée par [6]
q0M −1 q
− 02
pQ0 (q0 ) = e 2σ (4.11)
(M − 1)!2σ 2M
Z +∞ Z +∞
√
CA q0M −1 q
− 02 γM N 1 − N M 2 γ 2
Pd = { e 2σ dq0 } √ e 2z dz
0 Tz (M − 1)!2σ 2M 2π z 3/2
(4.12)
L’intégrale entre crochet peut être exprimée comme une somme finie donnée
par
Z +∞ M
X −1
q0M −1 q
− 02 1 T z j − T z2
2M
e 2σ dq0 = ( ) e 2σ (4.13)
Tz (M − 1)!2σ j=0
j! 2σ 2
√
En remplaçant (4.13) dans (4.12) et en mettanty = M γ/ z, on obtient
finalement
66
r Z +∞ M −1
2N X 1 T γ 2 M 2 j −( T2yγ 22M 2 N y2
CA 2 + 2 )
Pd = ( )e σ dy (4.14)
π 0 j=0
j! 2y 2 σ 2
Pour obtenir Pd pour une Pfa donnée, nous résolvons (4.8) en premier pour
Z = Z(k) (4.16)
µ ¶
N
pOS
Z (z) =k [PZk (z)]k−1 [1 − PZk (z)]N −k pzk (z) (4.17)
k
67
Où N est le nombre de cellules de la fenêtre de référence, k est le rang de
la k eme cellule, pZi (z) et PZi (z) sont la densité de probabilité et la fonction
µ ¶
N γM γM γM 1 − γ 2 M 2
PZ (z) = k [2Φ( √ ) − 1]N −k 2k−1 [1 − Φ( √ )]k−1 √ e 2z
k z z 2π z 3/2
(4.18)
Z ∞ µ ¶
OS γM N γM
Pfa = {2Φ( √ ) − 1}k [2Φ( √ ) − 1]N −k
0 Tz k z
γM γM 1 − γ M 2 2
2k−1 [1 − Φ( √ )]k−1 √ e 2z dz (4.19)
z 2π z 3/2
√
Faisant le même changement de variable comme précédemment y = γM/ z,
r µ ¶Z +∞
OS 2 N y y
Pfa = k [2Φ( √ ) − 1] [2 Φ( √ ) − 1]N −k
π k 0 2T 2
y y2
2k−1 [1 − Φ( √ )]k−1 e− 2 dy (4.20)
2
68
En utilisant le fait que Erf c(y) = 1 − Erf (y) la Pfa s’exprime comme
r µ ¶Z +∞
OS 2 N y y y y2
Pfa = k Erf [ √ ] Erf [ √ ]N −k Erf c [ √ ]k−1 e− 2 dy
π k 0 2T 2 2
(4.21)
tribution Pearson.
Supposant que la cellule sous test contient une cible qui fluctue selon le
r µ ¶Z +∞ M −1
2 N X 1 T γ 2 M 2 j − T2yγ 22M 2
y
OS
Pd = k { ( 2 2 )e σ 2
}Erf [ √ ]N −k
π k 0 j! 2y σ 2
j=0
y y2
Erf c [ √ ]k−1 e− 2 dy (4.22)
2
4.5 RÉSULTATS
69
de la fenêtre de référence pour compenser l’augmentation de l’estimation de
la puissance du fouillis.
Nous observons que Pd subit une nette amélioration pour une intégration non
4.6 CONCLUSION
Nous avons analysé les performances de deux détecteurs CFAR avec in-
CFAR dans fouillis homogène modélisé par une distribution Pearson. Nous
avons obtenu des expressions de Pfa et Pd pour chaque détecteur. Nos résul-
70
q0
Détecteur
quadratique Intégrateur
non coherent
q1 qN
Estimation de la
puissance du Fouillis
Z Comparateur
Figure 4.1 – Schéma bloc du détecteur CFAR avec intégration non cohérente.
71
1 2 j cellule sous test j+1 N
N N
1
qi0
Z1 Z2 Zj Q0 ZN
72
Figure 4.3 – Facteur multiplicateur T en fonction du nombre de cellule de la
référence N pour les détecteurs CA-CFAR et OS-CFAR avec intégration non
cohérente, k=3N/4, Pfa=10−4 .
73
Figure 4.4 – Probabilité de détection en fonction rapport du signal à bruit
généralisé (GSNR), pour le détecteur CA-CFAR avec intégration non cohé-
rente, N=32, Pfa=10−4 .
74
Figure 4.5 – Probabilité de détection en fonction rapport du signal à bruit
généralisé (GSNR), pour le détecteur OS-CFAR avec intégration non cohé-
rente, N=32, k=24, Pfa=10−4 .
75
Figure 4.6 – Comparaison des performances des détecteurs CA-CFAR et OS-
CFAR avec intégration non cohérente, M=10, N=32, k=24, Pfa=10−4 .
76
Chapitre 5
PERFORMANCE DES
DÉTECTEURS CFAR AVEC
INTÉGRATION BINAIRE
DANS UN FOUILLIS DE
DISTRIBUTION PEARSON
5.1 INTRODUCTION
ayant pour modèle une loi Pearson. Les détecteurs CFAR considérés sont
77
5.2 FORMULATION DU PROBLÈME
Nous supposons que L impulsions sont émises et que la cible est modé-
préliminaire est prise concernant chaque écho réfléchi par la cible, et une
γ 2
− 2q
pQij (qij ) = √γ 1
e ij i = 1, ...., L
2π q 3/2
ij (5.1)
j = 1, ...., N
cellule sous test Qi0 est comparée au seuil adaptatif pour prendre une décision
Di d’où
H1
>
Qi0 T Zi i = 1, ....., L (5.2)
<
H0
78
pothèse H1 ) ou l’absence (hypothèse H0 ) d’une cible dans la cellule sous test
du ieme canal.
L µ
X ¶
L
Pfa = (Qf a)j (1 − Qf a)L−j (5.3)
j
j=M
L µ
X ¶
L
Pd = (Qd)j (1 − Qd)L−j (5.4)
j
j=M
le contenu des N cellules entourant la cellule sous test. Nous avons alors pour
le ieme canal
N
1 X
Zi = qij (5.5)
N j=1
79
La variable aléatoire Zi est la moyenne de N variables aléatoires de distribu-
√
γ N 1 − N2zγ 2
pZi (zi ) = √ e i (5.6)
2π zi3/2
2 1
Qf aCA = arctg( √ ) (5.7)
π NT
XL µ ¶
CA L 2 1 2 1
Pfa = ( arctg( √ ))j (1 − arctg( √ ))L−j (5.8)
j π N T π N T
j=M
La Pfa du détecteur CFAR à intégration binaire donnée par (5.8) est indé-
80
5.3.2 Détermination de la probabilité de détection
Supposons que la cible dans la cellule sous test est modélisée selon le
γ
√
QdCA = e− σ NT
(5.9)
L µ
X ¶ √ √
CA L γ γ
Pd = (e− σ N T )j (1 − e− σ N T )L−j (5.10)
j
j=M
L µ
X ¶ L−j−1
X µ L−j−1 ¶ √
CA L γ
Pd = (−1)k e− σ (k+j) N T (5.11)
j k
j=M k=0
selon leurs amplitudes le contenu des N cellules entourant la cellule sous test,
puis en choisissant le contenu de la k eme cellule, nous avons alors pour le ieme
canal
81
Zi,(1) ≤ Zi,(2) ≤ ..... ≤ Zi,(k) ≤ .... ≤ Zi,(N ) (5.12)
Et
Zi = Zi,(k) (5.13)
La densité de probabilité pour le ieme canal est donnée alors par [36]
µ ¶
N γ γ γ 1 − 2z γ2
pOS
Zi (zi ) =k (2Φ( √ ) − 1)N −k 2k−1 (1 − Φ( √ ))k−1 √ e i
k zi zi 2π zi3/2
(5.14)
r µ ¶Z +∞
OS 2 N y y y − y2
Qf a = k Erf [ √ ] Erf [ √ ]N −k Erf c [ √ ]k−1 e 2 dy
π k 0 2T 2 2
(5.15)
82
La Pfa globale est obtenue en remplaçant (5.15) dans (5.3) d’où
XL µ ¶ r µ ¶ Z +∞
L 2 N y
P f aOS = ( k Erf [ √ ]
j π k 0 2T
j=M
r µ ¶
y N −k y k−1 − y2 j 2 N
Erf [ √ ] Erf c [ √ ] e 2 dy) (1 − k
2 2 π k
Z +∞
y y y − y2
Erf [ √ ] Erf [ √ ]N −k Erf c [ √ ]k−1 e 2 dy)L−j (5.16)
0 2T 2 2
r µ ¶Z +∞
OS 2 N − T γ2 y y − y2
Qd = k e 2y 2 σ 2 Erf [ √ ]N −k Erf c [ √ ]k−1 e 2 dy
π k 0 2 2
(5.17)
X L µ ¶ r µ ¶ Z +∞
L 2 N − Tγ
2
y
P dOS = ( k e 2y2 σ2 Erf [ √ ]N −k
j π k 0 2
j=M
r µ ¶ Z +∞
y k−1 − y2 j 2 N − Tγ
2
83
En utilisant le développement binomial, on obtient
L µ ¶ L−j−1 r
X L X µ L−j−1 ¶ 2
µ
N
¶ Z +∞ 2
− T2γ 2
OS h
Pd = (−1) ( k e 2y σ
j h π k 0
j=M h=0
y y − y2
Erf [ √ ]N −k Erf c [ √ ]k−1 e 2 dy)(h+j) (5.19)
2 2
5.5 RÉSULTATS
OS-CFAR avec intégration binaire pour une Pfa globale désirée et un choix
CFAR respectivement.
84
de détection pour un seuil de décision de 6 parmi 8 (choix optimal).
5.6 CONCLUSION
Dans ce chapitre, nous avons présenté une analyse théorique des perfor-
présence d’un fouillis impulsif homogène modélisé par distribution une Pear-
et des expressions semi analytiques pour le détecteur OS-CFAR ont été ob-
la décision optimum.
85
q0
Détecteur
quadratique
D1
∑q
i =1
i
Z M
Détecteur
T
L
CA-CFAR
1
∑D
j =1
j
D2
Détecteur
Détecteur
quadratique
CA-CFAR 2
DL
Détecteur
Détecteur
quadratique
CA-CFAR L
86
q0
Détecteur
quadratique
D1
Z M
Détecteur T
L
OS-CFAR 1 ∑D
j =1
j
D2
Détecteur
Détecteur
quadratique
OS-CFAR 2
DL
Détecteur
Détecteur
quadratique
OS-CFAR L
87
Figure 5.3 – Probabilité de détection du détecteur CA-CFAR avec intégration
binaire en fonction du GSNR et différent seuil de décision M, N=16, L=8,
Pfa globale désirée=10−4 .
88
Figure 5.4 – Probabilité de détection du détecteur OS-CFAR avec intégration
binaire en fonction du GSNR et différent seuil de décision M, N=16, k=3N/4,
L=8, Pfa globale désirée=10−4 .
89
Figure 5.5 – Comparaison des performances de détection des détecteurs CA-
CFAR et OS-CFAR avec intégration binaire pour le seuil de décision optimal.
90
Chapitre 6
6.1 INTRODUCTION
fouillis homogène dont les statistiques d’amplitude sont modélisées par une
distribuée qui emploie comme détecteurs locaux ces détecteurs CFAR flous.
91
6.2 CALCUL DES FONCTIONS D’APPAR-
TENANCE DES DÉTECTEURS CFAR
FLOUS
Dans les détecteurs CFAR flous, figure (5.1), le seuil de détection fixe
Z +∞
= pR (r) dr (6.2)
z
Où
q0
r= (6.3)
W
déclarée présente si
92
µ(z) < T (6.4)
Z +∞
pR (r) = pQ0 (r.w) pW (w) |w| dw (6.5)
0
q0
µ(z) = Pr ob(R > PN |H0 ), z>0 (6.6)
i=1 qi
√
γ N 1 − N2 γw
2
pW (w) = √ e ,w > 0 (6.7)
2π w3/2
93
de probabilité de la cellule sous test est donnée par
γ 1 γ2
− 2q
pQ0 (q0 ) = √ e 0 , q0 > 0 (6.8)
2π q03/2
√ Z
γ 2 N +∞ 1 − γ 2 (N + 1 )
pR (r) = e 2w r dw (6.9)
2π r3/2 0 w2
γ2
Posons x = 2w
(N + 1r ), nous obtenons
√ Z +∞
N
pR (r) = √ e− x dx (6.10)
π (1 + rN ) r 0
R +∞
Or 0
e− x dx = 1, par conséquent la densité de probabilité de la statistique
√
N
pR (r) = √ (6.11)
π (1 + r N ) r
Z +∞
√
1 N
µ(z) = √ dr (6.12)
π z (1 + r N ) r
√
Posons t = N r, nous obtenons
94
Z +∞
2 1
µ(z) = √
dt (6.13)
π Nz (1 + t2 )
2 π √
µ(z) = ( − Arctg( N z) ) (6.14)
π 2
d’appartenance est
2 1
µ(z) = Arctg( √ ) (6.15)
π Nz
q0
µ(z) = Pr ob(R > |H0 ), z>0 (6.16)
M ax(U, V )
95
r √
2M γ γ M − M γ2
pW (w) = Erf c[ √ ] e 2w (6.17)
π w3/2 2w
√ Z √
γ 2 M +∞ 1 − γ 2 (M + 1 ) γ M
pR (r) = e 2w r Erf c[ √ ] dw (6.18)
π r3/2 0 w2 2w
γ2
Posons x = 2w
(M + 1r ), nous obtenons
√ Z +∞ r
2 M M rx
pR (r) = √ e− x Erf c[ ] dx (6.19)
π (1 + rM ) r 0 1 + rM
√ √
2 M Mr
pR (r) = √ (1 − √ ) (6.20)
π (1 + r M ) r 1 + 2M r
Z +∞
√ √
1 2 M Mr
µ(z) = √ (1 − √ ) dr (6.21)
π z π (1 + r M ) r 1 + 2M r
√ √
Posons t = M r et h = 1 + 2M r, nous obtenons après une quelques
96
manipulations mathématiques
Z Z +∞
4 +∞ 1 1
µ(z) = [ √ 2
dt − √ 2
dh] (6.22)
π N z (1 + t ) 1+2 M z (1 + h )
par
4 √ √
µ(z) = [Arctg( 1 + 2M z) − Arctg( M z)] (6.23)
π
q0
µ(z) = Pr ob(R > |H0 ), z>0 (6.24)
M in(U, V )
√ Z √
γ 2 M +∞ 1 − γ 2 (M + 1 ) γ M
pR (r) = e 2w r Erf [ √ ] dw (6.25)
π r3/2 0 w2 2w
γ2
Posons x = 2w
(M + 1r ), nous obtenons
97
√ Z +∞ r
2 M M rx
pR (r) = √ e− x Ef r[ ] dx (6.26)
π (1 + rM ) r 0 1 + zM
tistique R comme
2M
pR (r) = √ (6.27)
π (1 + r M ) 1 + 2M r
Z +∞
2 M
µ(z) = √ dr (6.28)
π z (1 + r M ) 1 + 2M r
√
Posons t = 1 + 2 M z, nous obtenons
Z
4 +∞
1 4 π √
µ(z) = √
dt = ( − Arctg( 1 + 2 M z) ) (6.29)
π 1+2 M z (1 + t2 ) π 2
4 1
µ(z) = Arctg( √ ) (6.30)
π 1 + 2M z
98
z par T pour obtenir la probabilité de fausse alarme des détecteurs CFAR
Dans le cas détecteurs classiques, à savoir des décisions binaires (0 ou 1), les
le cas de détecteurs à logique floue, les décisions de sortie s’étalent sur l’in-
tervalle [0,1] ce qui permet d’utiliser une panoplie de règles de fusion floues.
Pour notre analyse on se limite aux règles : Maximun, Minimun, Somme al-
gébrique et Produit algébrique, Figure 6.2. Nous calculons pour chaque règle
alors,
99
La densité de probabilité de µF C est donnée par [6]
Z TF C
Pfa = 2ydy = TF2 C (6.34)
O
D’où
p
TF C = Pfa (6.35)
100
fµF C (y) = (1 − FµD1 (y))fµD2 (y) + (1 − FµD2 (y))fµD1 (y) (6.37)
Z TF C
Pfa = 2(1 − y)dy = 1 − (1 − TF C )2 (6.39)
O
D’où
p
TF C = 1 − 1 − Pfa (6.40)
101
La probabilité de fausse alarme est alors obtenue comme suit [48]
Z TF C
Pfa = −Ln(y)dy = TF C (1 − Ln(TF C )) (6.43)
O
Z TF C
Pfa = −Ln(1 − y)dy = TF C + (1 − TF C ).Ln(1 − TF C ) (6.46)
O
102
Comme pour la règle produit algébrique, Le seuil de détection est obtenu
désirée.
luer les performances de ces détecteurs CFAR distribués avec fusion floue
des données dans un fouillis de distribution Pearson, nous avons mené des
les règles de fusion floues des données en présence d’un fouillis homogène de
103
6.5 CONCLUSIONS
présence d’un fouillis impulsif modélisé par une distribution Pearson. dans la
seconde partie, nous avons analysé les performances de ces détecteurs dans
104
Détecteur
Quadratique
q1 q0 qN
q0
r=
W
W = ∑ qi CA − CFAR
i =1
M
W = Max(∑ qi , ∑ q) i GO − CFAR
i =1 i = M +1
M
W = Min(∑ qi , ∑ q) i SO − CFAR
i =1 i = M +1
Calcul de µ ( z )
105
DETECTEUR DETECTEUR
CFAR D1 CFAR D2
Max( µ D1 , µ D 2 )
Min( µ , µ )
µ FC ( z ) = D1 D2
µ D1.µ D 2
µ D1 + µ D 2 − µ D1.µ D 2
TFC
Figure 6.2 – Schéma bloc de la structure des détecteurs CFAR distribué avec
fusion floue des données
106
Figure 6.3 – Comparaison des probabilités de détection du détecteur CA-
CFAR avec différentes règles de fusion floue des données, Pfa= 10−2 , N = 16
107
Figure 6.4 – Comparaison des probabilités de détection du détecteur GO-
CFAR avec différentes règles de fusion floue des données, Pfa= 10−2 , N = 16
108
Figure 6.5 – Comparaison des probabilités de détection du détecteur SO-
CFAR avec différentes règles de fusion floue des données, Pfa= 10−2 , N = 16
109
CONCLUSIONS GÉNÈRALES
ET SUGGESTIONS
fouillis homogène, modélisé par une distribution de Pearson. Nous avons ob-
110
En second lieu, nous avons étendu notre étude au cas où le fouillis est
forme d’un échelon. Nous avons analysé les détecteurs CA-CFAR, GO-CFAR
et SO-CFAR dans fouillis non homogène. Nous avons obtenu des expressions
Tercio, une étude des performances des détecteurs CFAR avec intégration
Pearson a été réalisée. Nous avons considéré les détecteurs CA-CFAR et OS-
pour le détecteur OS-CFAR ont été obtenues. Nos résultats montrent que
timum.
111
les détecteurs CA-CFAR , GO-CFAR et SO-CFAR qui confirme les résultats
obtenue dans notre première partie de la thèse. Pour des travaux futures,
nous suggérons d’étendre notre analyse à d’autres détecteurs CFAR tel que
distribution Pearson. De même une analyse par réseaux neuro-flou peut être
112
Bibliographie
[2] DiFranco, J.V., and W.L. Rubin., "Radar Detection." Artech House, Ded-
ham, MA, 1980.
[3] Van Trees, H.L. "Detection, Estimation, and Modulation Theory." Part
I, Wiley, 1968.
[7] Prudnikov A. P., Brychkov Yu. A. and Marichev O. I. "Integrals and se-
ries", Volume 2 : special functions, Gordon and Breach science publishers,
1986.
[9] Finn H. M., Johnson R. S., "Adaptive detection mode with threshold
control as function of spatially sampled clutter level estimates", RCA
Review, 29, pp. 414-463, Sept. 1968.
113
[10] Hansen, V.G. "Constant False Alarm Rate Processing in Search Ra-
dars." Proceedings of the IEE International Radar Conference, pp. 325-
332, 1973.
[15] McLane, P.J., Wittke P. H., and Ips C. "Threshold Control for Automa-
tic Detection in Radar Systems." IEEE Transactions on Aerospace and
Electronic Systems, Vol. 18, 2, pp. 242-248, 1982.
114
[18] Rohling, H. "Radar CFAR thresholding in clutter and multiple target
situations." IEEE Transactions on Aerospace and Electronic Systems,
Vol. 19, 4, pp. 608-621, 1983.
[19] Elias-Fuste, A.R., Mercado M. G., and Davo E. R.. "Analysis of Some
Modified Ordered Statistic CFAR : OSGO and OSSO CFAR." IEEE
Transactions on Aerospace and Electronic Systems, Vol. 26, 1, pp. 197-
202, 1990.
[22] Gandhi P.P. and Kassam S.A. "An adaptive order statistic constant false
alarm rate detector." Proc. IEEE International Conference on Systems
Engineering. Fairborn, USA, pp. 85-88, 1989.
[23] Barkat, M., Himonas S. D., and Varshney P. K. "CFAR Detection for
Multiple Target Situations." IEE Proceedings, Pt. F, Vol. 136, 5, pp.
193-209, 1989
115
[26] Smith M. E., Varshney P. K."Intelligent CFAR processor based on data
variability." IEEE Transaction on Aerospace and Electronic systems Vol.
36, pp. 837-847, 2000.
[30] Shor M., and Levanon N. "Performance of order statistics CFAR.", IEEE
Transactions on Aerospace and Electronic Systems, Vol. 27, pp. 214-224,
1991.
[33] Watts S. "Radar detection prediction in sea clutter using the compound
K-distribution model.", IEE Proceedings, Part F, Vol. 132, pp. 613-620,
1985.
116
[34] Pierce R. D. "RCS characterisation using the alpha-stable distribution."
In Proceedings of the IEEE national Radar Conference, pp. 154-159, May
1996.
117
[42] Gowda C. H. and Viswanathan R. "Performance of distributed CFAR
test under various clutter amplitude." IEEE Transaction on Aerospace
and Electronic systems, Vol. 35, 4, pp. 1410-1419, 1999.
[43] Guan J., Peng Y. N., He Y. and Meng X. W. "Three type of distribu-
ted CFAR detection based on local test statistic.", IEEE Transaction on
Aerospace and Electronic systems, Vol. 38, 1, pp. 278-288, 2002.
[44] Leung S.W. and Minett, W. "Signal detection using fuzzy membership
functions", Proc. SYS’95 International. AMSE Conf., Brno, Czech Rep,
July 3-5, pp 89-92, 1995.
[45] Leung S.W. and Minett, W., "CFAR data fusion using fuzzy integra-
tion", Proc. IEEE Int. Conf. on fuzzy systems, New Orleans, LA, USA,
Vol. 2, pp. 1291-1295, Sept. 1996.
[46] Leung S.W. and Minett, W., "The use of fuzzy spaces in signal detec-
tion", Fuzzy sets and Systems , Vol. 114, pp. 175-184, 2000.
[47] Leung, S.W., Minett, W., Siu, Y.M. and Lee, M.K. "A fuzzy approach
to signal integration", IEEE Transactions on Aerospace and Electronic
Systems, Vol. 38, 1, pp. 346-351, 2002.
118
[51] Goldstein G. B. "False alarm regulation in log-normal and weibull clut-
ter." IEEE Transactions on Aerospace and Electronic Systems, Vol. 9, 1,
pp. 84-92, 1973.
[52] Jakeman E. and Pusey P. N. "A model of non Rayleigh sea echo", IEEE
Transactions on Antennas and propagation, Vol. 24, pp. 806-914, 1976.
119