Vous êtes sur la page 1sur 4

Technique neuronale pour la dtection CFAR optimale

dans du fouillis de mer non-Gaussien



E. RADOI
1
, A. QUINQUIS
1
, P. SAULAIS
2
1
ENSIETA, Laboratoire E3I2, 2 rue Franois Verny, 29806 Brest, France,
radoiem@ensieta.fr, quinquis@ensieta.fr
2
THALES NAVAL France, 7/9 rue des Mathurins, 92221 Bagneux, France,
pierre.saulais@fr.thalesgroup.com

Rsum Un nouveau processeur radar CFAR (Constant False Alarm Rate) pour la dtection optimale des cibles navales est propos dans
larticle. Il est bas sur lutilisation dun rseau de neurones pour approximer de faon implicite, par apprentissage, les densits de
probabilit multidimensionnelles correspondant au fouillis et au signal cho utile. La rgle de dcision utilise est quivalente au test du
maximum du rapport de vraisemblance gnralis. Des mthodes pour le calcul du seuil de dtection et pour assurer son invariance par
rapport au rapport S/B et aux paramtres du fouillis sont galement prsentes.
Abstract A new CFAR (Constant False Alarm Rate) radar processor for the optimal detection of the naval targets is proposed in the paper.
It is based on the use of a neural network that is trained to approximate implicitly the multidimensional probability density functions
corresponding to the clutter and to the useful echo signal. The decision rule is equivalent to the generalized maximum likelihood ratio test.
Methods for calculating the detection threshold and for insuring its invariance to the S/N ratio and to the clutter parameters are also
presented.

1. Introduction
Un travail de recherche important est men depuis
plusieurs annes pour dvelopper des techniques adaptes
la dtection des cibles navales par un radar haute rsolution,
faible angle rasant. Les caractristiques du fouillis voluent
de manire significative, les donnes enregistres ayant un
aspect piqu dautant plus accentu que langle rasant est
faible et la rsolution en distance est fine. Lutilisation des
techniques de dtection classiques dans ce contexte a comme
effet le blocage du processeur de traitement cause du
nombre trop important de fausses cibles dtectes [1,2].
La difficult fondamentale pour la mise au point dun
dtecteur adapt vient du fait que malgr les travaux de
recherche dans le domaine, un modle statistique du fouillis
qui soit gnralement accept nexiste pas [3]. Lapproche
standard pour la densit de probabilit (ddp) au premier
ordre, savoir la ddp de lamplitude du fouillis, est de
lapproximer par des lois connues de probabilit, telles que
K, Weibull, log-normale etc. Le problme est que suivant les
conditions de mesure et le scnario, la distribution la mieux
adapte peut varier dun cas lautre, ce qui nest pas tout
fait tonnant vu que pour certains jeux de paramtres ces
distributions ont des valeurs trs similaires. Le problme est
donc mal pos, car il y a une infinit de solutions.
Cette ambigut rajoute au fait quune dtection efficace
doit aussi prendre en compte les proprits de corrlation du
fouillis conduit une description multidimensionnelle trs
gnrale de celui-ci, sous la forme des processus alatoires
invariance sphrique [4].
Leurs deux inconvnients majeurs sont lis tout dabord au
fait quil est bien plus difficile dadapter une ddp
multidimensionnelle un ensemble de donnes mesures et
deuximement la difficult du passage de lexpression du
rapport de vraisemblance gnralis vers la structure concrte
du dtecteur CFAR optimal.
Lapproche que nous prsentons dans cet article conserve
lide de la description multidimensionnelle du fouillis et
sappuie sur deux ides fondamentales :
tout problme de dtection est un problme de
classification deux classes et par consquent tous les
rsultats de la thorie de la classification y sont
applicables ;
un rseau de neurones entran pour rsoudre un
problme de classification permet de mettre jour une
configuration fortement adapte la structure de
lespace des vecteurs d'entre et finit par approximer
les ddp associes aux classes.
Le rsultat a t une structure base dapprentissage, que
nous avons appel le dtecteur CFAR neuronal.
2. Dtection CFAR optimale dans le cas
multidimensionnel
Le signal rflchi par la cible est considr entach par du
fouillis de mer additif, caractris par sa densit de
probabilit multidimensionnelle issue du modle des
processus alatoires invariance sphrique. Le problme de
dtection se prsente dans ce cas sous la forme du test des
hypothses statistiques suivantes :

0
1
:
:
H
H
=
= +
y x
y x s
(1)
o , , x s y sont les vecteurs de dimension m forms partir
des chantillons du fouillis, du signal rflchi par la cible et
du signal mesur.
Le rapport de vraisemblance peut tre alors dfini sous la
forme suivante [3] :

( )
( )
1
1
1
0
( ) ( )
( )
( )
( )
H
m
H
m
F
f
f F


= =

y s y s
y
y
y y y
(2)
o :

0
1
( ) exp ( )
m m
u
F u dF

| |
=
|

\ .

(3)
et est le paramtre qui dcrit la variation alatoire locale de
la puissance du fouillis et ( ) F

sa fonction de rpartition.
Le dtecteur CFAR optimal au sens du rapport de
vraisemblance prend la dcision selon la rgle :

0
1
( )
H
T
H
<


>

y (4)
o T reprsente le seuil de dtection, dtermin de faon
assurer une certaine valeur de la probabilit de fausse alarme.
Cette expression du rapport de vraisemblance ne peut pas
tre utilise pour les schmas pratiques de dtection, car le
calcul analytique de la probabilit de fausse alarme et par
consquent du seuil de dtection nest pas possible.
Le dtecteur que nous proposons est bas sur lutilisation
des rseaux de neurones de type perceptron multicouches
(PMC), qui sont capables darriver par apprentissage une
reprsentation interne prcise de densits de probabilit
multidimensionnelles arbitrairement compliques [5]. Lide
est donc dentraner un PMC afin quil puisse distinguer les
signaux cho utiles du fouillis gnr par la surface de la mer.
3. Structure du dtecteur neuronal
Dans le cas considr, le PMC doit sparer deux classes :
la classe signal comprenant les chos de la cible entachs
de fouillis, et la classe fouillis comprenant les chos du
fouillis seul. La dimension des vecteurs dentre est fixe par
la fentre de traitement, qui est son tour lie la largeur du
faisceau de lantenne et la vitesse de rotation de celle-ci. La
matrice de confusion fait apparatre les deux lments
fondamentaux pour un problme de dtection : la probabilit
de fausse alarme et la probabilit de dtection (fig. 1).

FIG. 1 : Matrice de confusion pour le PMC utilis en tant que
dtecteur
Lapprentissage du dtecteur est ralis en deux tapes. La
premire (fig. 2) concerne lentranement du PMC qui, par
rapport lalgorithme de retropropagation classique introduit
une contrainte sur le taux de fausse alarme. Ainsi, celui-ci est
valu sur lensemble de test aprs chaque tape
dentranement et le processus continue jusquau moment o
il atteint la valeur de la probabilit de fausse alarme exige.

FIG. 2 : Schma de la premire tape dentranement du
dtecteur CFAR neuronal
Les donnes utilises dans cette tape de lentranement
correspondent un certain rapport S/B de rfrence rsb
0
. Pour
que le fonctionnement du dtecteur obtenu ne dpende pas
des paramtres du fouillis, nous avons tout dabord normalis
les vecteurs dentre de telle faon quils soient tous
dnergie unitaire. Cette premire opration rend la structure
obtenue invariante par rapport au paramtre dchelle. Pour
quelle soit aussi invariante par rapport au paramtre de
forme du fouillis les vecteurs qui constituent les ensembles
dapprentissage et de test ont t gnrs pour diffrentes
valeurs de ce paramtre.
La structure obtenue nest un dtecteur CFAR que pour le
rapport S/B rsb
0
utilis pendant la premire tape
dentranement, car pour des rapports S/B plus faibles le taux
de fausse alarme augmente. Afin de contrler sa valeur nous
proposons la modification de la rgle de dcision dans le cas
de lhypothse H
1
. Lide est de valider la dtection
uniquement si le coefficient de confiance calcul sous la
forme :
coeff_conf
s x
s
o o
o

= (5)
dpasse un certain seuil, dtermin de faon assurer le taux
de fausse alarme voulu. Lestimation par apprentissage de ce
seuil pour chaque rapport S/B constitue lobjectif de la
deuxime tape dentranement du dtecteur neuronal (fig. 3).

FIG. 3 : Schma de la deuxime tape dentranement du
dtecteur CFAR neuronal
Les seuils de confiance dtermins de la manire prsente
ci-dessus assurent un taux de fausse alarme constant pour
chaque rapport S/B. Bien videmment, pour que la technique
soit oprationnelle il faut pouvoir estimer ce rapport. Nous
avons alors utilis la moyenne des vecteurs dentre qui est
directement lie au rapport S/B, du fait quils ont subi la
normalisation nergtique. Une approximation polynomiale
est alors suffisante pour estimer la variation du seuil de
confiance en fonction du rapport S/B partir de la moyenne
des vecteurs dentre.
Le seuil de dtection caractristique aux dtecteurs
classiques est donc remplac par un seuil de confiance. Tout
comme le seuil de dtection il est obtenu partir de la
moyenne des vecteurs dentre, la diffrence prs que ceux-
ci sont normaliss du point de vue nergtique, et que cette
moyenne est utilise comme argument dun polynme, dont
les coefficients sont dtermins toujours par apprentissage.
Lautre diffrence importante est que dans le cas dun
dtecteur classique le seuil est compar directement
lamplitude de lchantillon de la cellule de test, alors que
pour le nouveau dtecteur ce seuil est compar au coefficient
de confiance en sortie du rseau de neurones. Les deux ont
cependant le mme effet, cest--dire, la rduction la fois du
taux de fausse alarme et du taux de dtection.
Par consquent, les rsultats du processus dapprentissage
du dtecteur CFAR neuronal sont les poids du PMC et les
coefficients du polynme qui nous permettent de calculer le
seuil de confiance pour un vecteur dentre donn. Avec ces
lments, le dtecteur est oprationnel et peut tre utilis dans
la phase de test (fig. 4).

FIG. 4 : Schma de test du dtecteur CFAR neuronal
Contrairement ltape dapprentissage, o les vecteurs
dun ensemble de test taient gnrs pour diffrentes valeurs
du paramtre de forme, dans la phase de test ils sont tous
caractriss par le mme paramtre. Ceci nous permet
dvaluer les performances du dtecteur pour chaque valeur
de ce paramtre.
Afin dvaluer le comportement du dtecteur dans le cas
o le fouillis est corrl nous avons utilis le schma
reprsent sur la figure 5 pour gnrer des vecteurs ayant une
matrice dautocorrlation donne.

FIG. 5 : Gnration du fouillis corrl ayant une matrice
dautocorrlation donne
Cette mthode est base sur le fait que la matrice
dautocorrlation des vecteurs K = z y obtenus par une
transformation linaire K des vecteurs y a lexpression :

0
H
K K = (6)
o
0
reprsente la matrice dautocorrlation des vecteurs y.
Il est facile de remarquer que la matrice de la transformation
doit sexprimer dans ce cas par :

1/ 2 1/ 2
0
K

= (7)
4. Rsultats des simulations
Afin de tester le nouveau concept propos nous avons
gnr du fouillis corrl, distribu selon la loi K. Cette
densit de probabilit a t choisie en raison du fait quelle
permet didentifier une relation directe avec le mcanisme du
phnomne physique vu comme une superposition de vagues
de gravit et de vagues de capillarit. Le signal cho est alors
obtenu par le produit entre un processus Gaussien complexe
variation rapide et un processus modulant indpendant
variation lente [2]. Elle remplit galement toutes les
conditions dadmissibilit en tant que ddp au premier ordre
correspondant un processus SIRP [4].
Le nombre dchantillons dans la fentre de traitement est
gal 8. Le PMC utilis compte deux couches caches, o le
nombre de neurones a t choisi suivant des rgles
empiriques (12 et 6 neurones). Les ensembles dapprentissage
et de test sont constitus par 10000 vecteurs. La probabilit
de fausse alarme est fixe 10
-2
. Le taux dapprentissage a
t choisi 0,01 et la constante de moment fixe 0,9. Afin
dassurer la capacit de gnralisation maximale du rseau,
ses performances sont testes aprs chaque itration sur un
ensemble de test. Si au bout de 5 itrations successives les
performances sur lensemble de test ne samliorent pas le
processus dapprentissage sarrte.
Les variations du taux de fausse alarme et du taux de
dtection pendant le processus dapprentissage sont
reprsentes sur la figure 6. Le signal cho rflchi par la
cible est simul selon le modle Swerling 0. Le rapport S/B
utilis pendant lentranement vaut 15 dB. Les rsultats
obtenus pendant ltape de test sont donns sur la figure 7. Il
est noter que les valeurs du taux de fausse alarme sont trs
proches de la valeur fixe initialement.
5. Conclusions
Le rsultat essentiel du travail de recherche prsent dans
cet article est constitu par le dveloppement dun nouveau
processeur radar CFAR base dapprentissage utilisant un
perceptron multicouches. Son ide de base est de considrer
les chantillons de la fentre de traitement comme les
composantes des vecteurs appartenant une des deux
classes : la classe signal ou la classe fouillis, en fonction de la
provenance du signal cho. Les densits de probabilit des
deux classes, qui interviennent dans lexpression du rapport
de vraisemblance gnralis seront approximes dune
manire implicite par le perceptron multicouches la suite du
processus dapprentissage. Un deuxime test sur le
coefficient de confiance en sortie du rseau de neurones est
ralis avant de prendre la dcision afin de pouvoir contrler
le taux de fausse alarme indpendamment du rapport S/B.
Le processeur radar propos a montr des performances
suprieures par rapport aux techniques classiques. De plus, si
le radar doit changer denvironnement, entranant la
modification de la statistique multidimensionnelle du fouillis,
il suffit de reprendre le processus dapprentissage ou de
remplacer les poids du rseau par dautres poids
prdtermins, ce qui confre au systme une grande
flexibilit.
Les limites du nouveau dtecteur sont inhrentes tout
rseau de neurones. Il s'agit tout dabord du choix de sa
structure (nombre de neurones sur chaque couche cache) qui
reste empirique, en dpit d'un certain nombre de rgles qui
peuvent orienter plus ou moins l'utilisateur. Il sagit
galement du fait quil faut disposer dune base de donnes
dapprentissage statistiquement reprsentative pour les
distributions du fouillis seul et du signal utile entach de
fouillis et que parfois il faut reprendre plusieurs fois
lentranement avant darriver une solution satisfaisante.
Rfrences
[1] N.B. Pulsone et R.S. Raghavan, Analysis of an adaptive
CFAR detector in non-gaussian interference, IEEE
Trans. on AES, Vol. 35, pp 903-916. 1999.
[2] Watts S., Radar detection prediction in sea clutter using
the compound K-distributed model, IEE Proc., No. 7, pp
613-620, 1985.
[3] Sangston K.J., Gerlach K.R., Coherent detection of radar
targets in a non-gaussian background, IEEE Trans. on
AES, Vol. 30, No. 2, pp 330-340, 1994.
[4] Conte E., Longo M., Characterisation of radar clutter as
a spherically invariant random process, IEE Proc.,
vol.134, part F, No. 2, 1987, pp. 191-197.
[5] M.D. Richard, R.P. Lippmann, Neural Network
Classifiers Estimate Bayesian a posteriori Probabilities,
Neural Computation, 3/1991, pp. 461-483.





a) b)
FIG. 6 : Le processus dapprentissage du PMC : a) variation du taux de fausse alarme, b) variation du taux de dtection

a) b)
FIG. 7 : Performances en dtection : a) variation du taux de fausse alarme, b) variation du taux de dtection