TH`ESE DE DOCTORAT DE L'UNIVERSITà PARIS 6 Spécialité ...
TH`ESE DE DOCTORAT DE L'UNIVERSITà PARIS 6 Spécialité ...
TH`ESE DE DOCTORAT DE L'UNIVERSITà PARIS 6 Spécialité ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
THÈSE <strong>DE</strong> <strong>DOCTORAT</strong> <strong>DE</strong> L’UNIVERSITÉ <strong>PARIS</strong> 6<br />
Spécialité : MATHÉMATIQUES APPLIQUÉES<br />
PRÉSENTÉE PAR<br />
Marc OUDIN<br />
EN VUE <strong>DE</strong> L’OBTENTION DU TITRE <strong>DE</strong> DOCTEUR <strong>DE</strong> L’UNIVERSITÉ <strong>PARIS</strong> 6<br />
SUJET :<br />
ETU<strong>DE</strong> D’ALGORITHMES <strong>DE</strong> TRAITEMENT D’ANTENNE SUR SIGNAUX LARGE BAN<strong>DE</strong><br />
ET SIGNAUX RADAR BAN<strong>DE</strong> ÉTROITE À ANTENNE TOURNANTE<br />
soutenue le 1er février 2008<br />
devant le jury composé de :<br />
Rapporteurs Mme Sylvie MARCOS LSS<br />
Mr Nikolaos LIMNIOS UTC<br />
Directeurs de thèse Mr Paul <strong>DE</strong>HEUVELS Université Paris 6<br />
Mr Jean Pierre <strong>DE</strong>LMAS Telecom SudParis<br />
Examinateurs Mr François LE CHEVALIER THALES Airborne Systems<br />
Mr Eric CHAUMETTE ONERA<br />
Invité, co-encadrant Mr Frédéric BARBARESCO THALES Air Systems
Avant-propos<br />
Le présent rapport récapitule les travaux entrepris par l’auteur dans le cadre de sa préparation du Doctorat<br />
de l’Université Pierre et Marie Curie, Paris VI, commencée en octobre 2004 au sein du Département<br />
Communication, Image et Traitement de l’Information de l’Institut National des Télécommunications et<br />
de Thales Air Systems/Surface Radar sous l’encadrement de Mrs Paul Deheuvels, Jean-Pierre Delmas et<br />
Frédéric Barbaresco.<br />
Marc OUDIN,<br />
Evry, le 14 août 2007
Remerciements<br />
Je souhaiterais tout d’abord remercier les personnes qui ont bien voulu prendre part au jury de cette<br />
thèse, en commençant par Monsieur François Le Chevalier, Directeur Scientifique à Thales Airborne<br />
Systems, pour m’avoir fait l’honneur de présider le jury. Je suis également très reconnaissant envers<br />
Madame Sylvie Marcos, Directeur de recherche au LSS, et Monsieur Nikolaos Limnios, Professeur à<br />
l’UTC, qui ont accepté de donner de leur temps pour rapporter cette thèse. Enfin, je remercie Monsieur<br />
Eric Chaumette de l’ONERA d’avoir accepté d’être membre du jury et pour l’intérêt qu’il a porté à ce<br />
travail.<br />
Je remercie vivement Monsieur Paul Deheuvels, Professeur et Directeur du LSTA à l’Université Paris<br />
6, pour sa bienveillance et pour m’avoir fait l’honneur de diriger cette thèse.<br />
J’exprime ma profonde reconnaissance à mon directeur de thèse, Monsieur Jean-Pierre Delmas, Professeur<br />
et Directeur adjoint de l’UMR CNRS Samovar de Telecom SudParis pour la qualité de son encadrement<br />
ainsi que pour sa disponibilité et sa gentillesse. Monsieur Delmas m’a fait profiter d’un suivi<br />
enthousiaste et rigoureux qui m’a permis d’avancer sereinement dans les travaux de thèse.<br />
Je tiens à remercier tout particulièrement Monsieur Frédéric Barbaresco de m’avoir accueilli dans les<br />
équipes de Thales Air Systems. Je le remercie pour son soutien tout au long de mon travail de thèse. Je<br />
remercie également Mademoiselle Cécile Germond pour sa sympathie et son encadrement précieux lors<br />
des deux premières années de thèse ainsi que Monsieur Claude Adnet pour ses conseils avisés qui m’ont<br />
permis d’enrichir mes travaux. Enfin, je remercie Madame Florence Dietzi-Neyme pour ses nombreux<br />
encouragements au cours de cette thèse ainsi que tous mes collègues de Thales pour leur accueil et leur<br />
bonne humeur.<br />
Je remercie la DGA qui m’a financièrement permis de réaliser cette thèse et en particulier Messieurs<br />
Sébastien Paillardon et Christian Delhote pour le regard critique porté sur le travail, qui m’a toujours<br />
permis de progresser.<br />
Je remercie également tous les enseignants chercheurs et le personnel du département CITI de Telecom<br />
SudParis et en particulier Mademoiselle Julie Bonnet pour sa disponibilité et son aide dans les démarches<br />
administratives. Mes pensées s’adressent aussi à tous mes amis doctorants de CITI, Boujemaa, Dalila,<br />
Habti, Kader, Jérôme, Nicolas ... dont la compagnie a contribué à rendre ces années de thèse très agréables.<br />
Enfin, je remercie mes amis et toute ma famille de m’avoir soutenu et accompagné pendant ces années<br />
ainsi que Marjorie, pour tout ce qu’elle m’apporte et à qui je dédie ce travail.
Résumé<br />
Cette thèse est consacrée à l’étude d’algorithmes de filtrage spatial ou spatio-temporel dans deux<br />
contextes d’application différents. Dans une première partie de la thèse, nous nous intéressons à des algorithmes<br />
de traitement d’antenne sur signaux large bande. Puis, dans une seconde partie, nous considérons<br />
le problème du filtrage de signaux radar bande étroite en configuration radar terrestre à antenne tournante.<br />
Dans la première partie de ce document, notre contribution a porté principalement sur les points suivants :<br />
– dans le cadre de l’étude de robustesse de la formation de faisceaux bande étroite par rapport à la<br />
largeur de bande, le calcul en statistiques exactes d’expressions explicites de la perte en performance<br />
en termes de SINR en présence de signaux non strictement bande étroite et la relation entre cette<br />
perte et le critère couramment utilisé dans la littérature pour définir un environnement bande étroite.<br />
– la démonstration d’une extension du théorème de Szegö aux valeurs propres généralisées de matrices<br />
Hermitiennes bloc Toeplitz et multi-niveaux Toeplitz bloc Toeplitz générées par des séquences<br />
d’éléments absolument sommables et l’application des résultats à l’étude de performance asymptotique<br />
au sens du nombre de retards, en statistiques exactes, du filtrage spatio-temporel large bande<br />
maximisant le SINR.<br />
Dans la deuxième partie de ce document, notre contribution a porté principalement sur les points suivants :<br />
– la proposition d’algorithmes de filtrage spatial non stationnaire basés sur un calcul de filtres variant<br />
dans le temps, pour l’antibrouillage en contexte radar à antenne tournante, et l’étude de performance<br />
théorique et par simulations de ces algorithmes.<br />
– la proposition d’algorithmes de filtrage spatio-temporel, pour la rejection conjointe des brouilleurs<br />
et du fouillis en contexte radar à antenne tournante, et leur étude de performance théorique et/ou<br />
par simulations.
Abstract<br />
This thesis is devoted to the analysis of algorithms of spatial or space-time filtering in two different<br />
application contexts. In a first part of the document, we consider array processing algorithms with wideband<br />
signals. Then, in a second part of the document, we consider processing of narrowband signals in<br />
the context of ground-based rotating radar system.<br />
In the first part of the document, our study has dealt with the main following points :<br />
– in the framework of robustness study of adaptive narrowband beamforming with respect to bandwidth,<br />
the computation in exact statistics of explicit expressions of the loss of performance in terms<br />
of SINR when filtering non strictly narrowband signals and the relation between this SINR loss and<br />
the criterium, currently used in literature to characterize a narrowband environment.<br />
– the proof of an extension of Szegö’s theorem to the generalized eigenvalues of Hermitian block Toeplitz<br />
matrices and multilevel Toeplitz block Toeplitz matrices generated by sequences of absolutely<br />
summable elements and its application to the performance analysis, asymptotic in the number of<br />
taps, in exact statistics, of maximum SINR space-time beamforming.<br />
In the second part of the document, our study has dealt with the main following points :<br />
– the design of non stationary spatial filtering algorithms, based on the computation of time-varying<br />
filters, for rejection of jamming signals, in the context of a ground-based rotating radar systems,<br />
and their performance analysis theoretically and by simulations.<br />
– the design of space-time filtering algorithms, for joint jamming and clutter rejection, in the context<br />
of a ground-based rotating radar systems, and their performance analysis theoretically and/or by<br />
simulations.
Table des matières<br />
1 Notations et abréviations 21<br />
2 Introduction 23<br />
2.1 Généralités sur le traitement d’antenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23<br />
2.2 Modélisation des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24<br />
2.2.1 Modèle de signaux bande étroite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24<br />
2.2.2 Modèle de signaux large bande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24<br />
2.3 Formation de faisceaux optimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25<br />
2.3.1 Modèle général des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25<br />
2.3.2 Critère Minimum Variance Distortionless Response (MVDR) . . . . . . . . . . . . 26<br />
2.3.3 Critère Minimum Mean Square Error (MMSE) . . . . . . . . . . . . . . . . . . . . 26<br />
2.3.4 Critère Maximum Signal to Interference plus Noise Ratio (MSINR) . . . . . . . . . 27<br />
2.4 Algorithmes de formation de faisceaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27<br />
2.4.1 Algorithme de régularisation : surcharge diagonale . . . . . . . . . . . . . . . . . . 27<br />
2.4.2 Méthodes de réduction de rang . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28<br />
2.4.3 Méthodes de contraintes sur le gabarit du filtre . . . . . . . . . . . . . . . . . . . . 31<br />
2.5 Implémentation de la formation de faisceaux . . . . . . . . . . . . . . . . . . . . . . . . . 33<br />
2.5.1 Implémentation directe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33<br />
2.5.2 Implémentation récursive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34<br />
2.5.3 Implémentation par une méthode du gradient . . . . . . . . . . . . . . . . . . . . . 34<br />
2.6 Cadre et objectif de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35<br />
2.7 Publications de l’auteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36<br />
I Etude d’algorithmes de traitement d’antenne sur signaux large bande 39<br />
3 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de<br />
bande 41<br />
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41<br />
3.2 Modèle des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42<br />
3.3 Critère de robustesse par rapport à la largeur de bande . . . . . . . . . . . . . . . . . . . 43<br />
3.3.1 Influence de la largeur de bande sur le filtrage spatial . . . . . . . . . . . . . . . . 43<br />
3.3.2 Expression du critère de robustesse . . . . . . . . . . . . . . . . . . . . . . . . . . . 44<br />
3.3.3 Relation entre la perte en SINR et la définition de bande étroite de Zatman . . . . 45<br />
3.4 Calcul d’expressions explicites de la perte en SINR . . . . . . . . . . . . . . . . . . . . . . 46<br />
3.4.1 Approximation du SINR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47<br />
3.4.2 Approximation des matrices de covariance . . . . . . . . . . . . . . . . . . . . . . . 48<br />
3.4.3 Cas d’une source d’interférence vue dans les lobes secondaires . . . . . . . . . . . . 49<br />
3.4.4 Cas d’une source d’interférence vue dans le lobe principal . . . . . . . . . . . . . . 50<br />
3.4.5 Définition d’un signal bande étroite au sens de la formation de faisceaux . . . . . . 54
12 TABLE <strong>DE</strong>S MATIÈRES<br />
3.5 Application à l’étude de performance du filtrage spatial par sous-bandes indépendantes . . 55<br />
3.5.1 Décomposition par TFD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56<br />
3.5.2 Décomposition par banc de filtres . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61<br />
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63<br />
4 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande<br />
MSINR 65<br />
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65<br />
4.2 Problème des valeurs propres généralisées . . . . . . . . . . . . . . . . . . . . . . . . . . . 66<br />
4.2.1 Points stationnaires d’un quotient de Rayleigh . . . . . . . . . . . . . . . . . . . . 67<br />
4.2.2 Théorème d’entrelacement généralisé . . . . . . . . . . . . . . . . . . . . . . . . . . 67<br />
4.2.3 Cas Toeplitz et bloc Toeplitz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68<br />
4.3 Distribution asymptotique des valeurs propres généralisées de matrices bloc Toeplitz . . . 68<br />
4.3.1 Notations et résultats existants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68<br />
4.3.2 Distribution asymptotique des valeurs propres généralisées de matrices bloc Toeplitz 70<br />
4.4 Application à la formation de faisceaux spatio-temporelle . . . . . . . . . . . . . . . . . . 71<br />
4.4.1 Modélisation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71<br />
4.4.2 Expression des matrices de covariance spatio-temporelles . . . . . . . . . . . . . . 72<br />
4.4.3 Etude de performance asymptotique . . . . . . . . . . . . . . . . . . . . . . . . . . 73<br />
4.4.4 Exemples illustratifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75<br />
4.4.5 Cas d’un signal d’interférence MA . . . . . . . . . . . . . . . . . . . . . . . . . . . 79<br />
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80<br />
5 Distribution asymptotique des valeurs propres généralisées de matrices Multi-niveaux<br />
Toeplitz Bloc Toeplitz 83<br />
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83<br />
5.2 Notations et résultats préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84<br />
5.3 Distribution asymptotique des valeurs propres généralisées de matrices MTBT . . . . . . 87<br />
5.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89<br />
II Etude d’algorithmes de traitement d’antenne sur radar en configuration antenne<br />
tournante 91<br />
6 Filtrage optimal sur radar à antenne tournante 93<br />
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93<br />
6.2 Généralités sur le traitement radar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94<br />
6.2.1 Description de la chaîne radar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94<br />
6.2.2 Description de l’environnement radar . . . . . . . . . . . . . . . . . . . . . . . . . . 94<br />
6.2.3 Filtrage cohérent pour réhausser le rapport SINR . . . . . . . . . . . . . . . . . . . 95<br />
6.3 Modélisation physique des données radar en contexte antenne tournante . . . . . . . . . . 96<br />
6.3.1 Modélisation de la rotation d’antenne . . . . . . . . . . . . . . . . . . . . . . . . . 96<br />
6.3.2 Expression du signal reçu au niveau de l’antenne . . . . . . . . . . . . . . . . . . . 96<br />
6.3.3 Expression des vecteurs spatiaux et spatio-temporels du signal reçu . . . . . . . . . 97<br />
6.4 Détection optimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98<br />
6.4.1 Détection d’un signal déterministe de paramètres utiles connus en présence de paramètres<br />
de nuisance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98<br />
6.4.2 Application au problème radar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
TABLE <strong>DE</strong>S MATIÈRES 13<br />
7 Filtrage spatial non stationnaire sur radar à antenne tournante 103<br />
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103<br />
7.2 Algorithme OLS à coefficients variables dans le temps . . . . . . . . . . . . . . . . . . . . 103<br />
7.2.1 Modélisation du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103<br />
7.2.2 Description de l’algorithme OLS à coefficients variables dans le temps . . . . . . . 104<br />
7.2.3 Etude de performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105<br />
7.2.4 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108<br />
7.3 Algorithme MVDR à coefficients variables dans le temps . . . . . . . . . . . . . . . . . . . 110<br />
7.3.1 Modélisation du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110<br />
7.3.2 Description des algorithmes ESMI . . . . . . . . . . . . . . . . . . . . . . . . . . . 112<br />
7.3.3 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114<br />
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115<br />
8 Filtrage spatio-temporel sur radar à antenne tournante 117<br />
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117<br />
8.2 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118<br />
8.2.1 Modélisation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118<br />
8.2.2 Influence de la rotation d’antenne sur les traitements spatio-temporels . . . . . . . 120<br />
8.3 Traitement proposé en présence de référence brouillage seul . . . . . . . . . . . . . . . . . 123<br />
8.3.1 Description du traitement proposé . . . . . . . . . . . . . . . . . . . . . . . . . . . 124<br />
8.3.2 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125<br />
8.4 Traitement proposé en l’absence de référence brouillage seul . . . . . . . . . . . . . . . . . 126<br />
8.4.1 Utilisation d’un préfiltrage ACF . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127<br />
8.4.2 Filtrage STAP après formation de faisceaux et filtrage Doppler . . . . . . . . . . . 131<br />
8.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139<br />
9 Conclusions et perspectives 141<br />
A Approximations du SINR 147<br />
B Preuve de Théorème 1 151<br />
C Preuve de Théorème 2 153<br />
D Preuve de Résultat 7 157<br />
E Expression du signal reçu au niveau de l’antenne 159<br />
F Calcul du SINR normalisé après application de l’algorithme ESMI avec la contrainte<br />
standard 161<br />
G Calcul de la puissance résiduelle de fouillis après préfiltrage ACF 163
14 TABLE <strong>DE</strong>S MATIÈRES
Table des figures<br />
2.1 Equivalence entre les algorithmes DFP et GSC . . . . . . . . . . . . . . . . . . . . . . . . 28<br />
2.2 Représentation d’un filtrage de Wiener multi-étages de dimension 3 . . . . . . . . . . . . . 30<br />
2.3 Fluctuation des diagrammes spatiaux pour 10 réalisations . . . . . . . . . . . . . . . . . . 32<br />
2.4 Diagrammes spatiaux stabilisés par l’application d’une fonction de pénalisation . . . . . . 33<br />
3.1 SINR (3.8) en fonction de la DOA de la source utile, pour différentes valeurs de bande<br />
fractionnée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44<br />
3.2 SINR exact (3.8) et approché (3.16) (3.17), en fonction de la DOA de la cible. . . . . . . 47<br />
3.3 SINR approché (3.16)-(3.17) avant et après approximation de (3.16)-(3.17) par les matrices<br />
de covariance données par (3.18), en fonction de la DOA de la source utile. . . . . . . . . 48<br />
3.4 Rapports de SINR r exact (3.10)(—) et approché (3.21)(- -) pour différentes bandes fractionnées,<br />
en fonction de la DOA de la source utile. . . . . . . . . . . . . . . . . . . . . . . 50<br />
3.5 Rapports de SINR r exact (3.10) et approché (3.25) en fonction de la DOA de la source<br />
utile. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51<br />
3.6 Valeurs de r min exacte et approchée (3.27) en fonction de la bande fractionnée. . . . . . . 53<br />
3.7 Valeurs de r min exacte et approchée (3.27) en fonction du nombre de capteurs. . . . . . . 53<br />
3.8 Bande fractionnée admissible maximale selon (3.29) avec β = 0.69, pour différentes DOAs<br />
de la source utile, en fonction du nombre de capteurs. . . . . . . . . . . . . . . . . . . . . 54<br />
3.9 Bande fractionnée admissible maximale selon (3.30) avec β = 0.69, pour différentes DOAs<br />
de la source utile, en fonction du nombre de capteurs. . . . . . . . . . . . . . . . . . . . . 55<br />
3.10 a(f,m) pour m = 0..15 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58<br />
3.11 Comparaison de a(f,0) et g(f,0) pour M = 8 . . . . . . . . . . . . . . . . . . . . . . . . . 59<br />
3.12 Comparaison entre le SINR approché (3.41) (- -) et le SINR exact (3.34) (—), en fonction<br />
de M . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60<br />
3.13 Comparaison des valeurs propres des différentes matrices S n (m) lorsque M = 16 . . . . . 61<br />
3.14 Comparaison entre le SINR approché (3.41) (- -) et le SINR exact (3.34) (—), en fonction<br />
de M, lorsque la fréquence d’échantillonnage est égale à B ech . . . . . . . . . . . . . . . . 62<br />
3.15 Fonction de transfert des filtres du banc de filtres, avec M = 8 sous bandes . . . . . . . . 62<br />
3.16 Comparaison entre le SINR approché (3.41) (- -) et le SINR exact (3.34) (—), en fonction<br />
de M, avec décomposition par banc de filtres, lorsque la fréquence d’échantillonnage est<br />
égale à B ech . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63<br />
4.1 SINR spatio-temporel optimal avec T = 1 1<br />
B<br />
(- -) et T =<br />
2B<br />
(-+-) pour différentes valeurs<br />
du nombre de retards, en fonction de la DOA de la source utile. . . . . . . . . . . . . . . . 76<br />
4.2 Rapport entre le SINR spatial optimal à bande nulle et le SINR spatio-temporel asymptotique<br />
optimal pour deux distances inter-capteurs, en fonction de la DOA de la source<br />
utile. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77<br />
4.3 SINR spatio-temporel optimal pour différentes valeurs du nombre de retards, en fonction<br />
de la DOA du signal utile, avec b = 3B 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
16 TABLE <strong>DE</strong>S FIGURES<br />
4.4 SINR spatio-temporel optimal pour différentes valeurs du nombre de retards, en fonction<br />
de la DOA du signal utile, avec b = B 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78<br />
4.5 Rapport entre le SINR spatial optimal à bande nulle et le SINR spatio-temporel asymptotique<br />
optimal, pour différentes largeurs de bande du signal d’interférence, en fonction de la<br />
DOA du signal utile, avec M = 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79<br />
4.6 SINR spatio-temporel optimal pour différentes valeurs du nombre de retards, avec T = 1<br />
2B ,<br />
en fonction de la DOA du signal utile, pour b = B 2 . . . . . . . . . . . . . . . . . . . . . . . 80<br />
4.7 Rapport entre le SINR spatial optimal à bande nulle et le SINR spatio-temporel asymptotique<br />
optimal en présence d’un signal d’interférence coloré MA, pour différentes valeurs de<br />
ρ (pointillés), et en présence d’un signal d’interférence blanc (trait plein), en fonction de la<br />
DOA du signal utile. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81<br />
4.8 Rapport entre le SINR spatial optimal à bande nulle et le SINR spatio-temporel asymptotique<br />
optimal en présence d’un signal d’interférence coloré MA avec ρ = 0.99, pour<br />
différentes valeurs du nombre de retards, en fonction de la DOA de la source utile. . . . . 81<br />
6.1 Principe général d’un radar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94<br />
6.2 Illustration de la rotation d’antenne d’angle ωt. . . . . . . . . . . . . . . . . . . . . . . . . 96<br />
6.3 Signal reçu sur un capteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97<br />
6.4 Schéma de la chaîne de traitement du signal radar . . . . . . . . . . . . . . . . . . . . . . 101<br />
7.1 Diagrammes des voie principe et auxiliaire . . . . . . . . . . . . . . . . . . . . . . . . . . . 104<br />
7.2 Variations de gain en fonction de θ J . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107<br />
7.3 Puissance résultante de brouillage avec θ J = 10 deg . . . . . . . . . . . . . . . . . . . . . . 109<br />
7.4 Puissance résultante de brouillage avec θ J = 7 deg . . . . . . . . . . . . . . . . . . . . . . 109<br />
7.5 Puissance résultante de brouillage avec θ J = 10 deg, σn 2 = −20dB, σ2 S<br />
= −10dB . . . . . . 110<br />
7.6 Formulation GSC de l’algorithme ESMI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113<br />
7.7 Position de α dans la rafale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114<br />
7.8 SINR normalisé ρ en fonction de α . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115<br />
7.9 Comparaison des SINRs résultants des différents algorithmes . . . . . . . . . . . . . . . . 116<br />
8.1 Hypothèses sur les diagrammes d’émission et de réception . . . . . . . . . . . . . . . . . . 119<br />
8.2 60 premières valeurs propres de la matrice de covariance spatio-temporelle totale de bruit 121<br />
8.3 Fréquence Doppler normalisée en fonction de θ S et θ c . . . . . . . . . . . . . . . . . . . . . 122<br />
8.4 Modification du diagramme spatial de l’antenne après rotation . . . . . . . . . . . . . . . 122<br />
8.5 Diagrammes spatiaux avant rotation de 10 deg. et après compensation de rotation . . . . 123<br />
8.6 Diagramme du filtrage spatio-temporel SAPTAP . . . . . . . . . . . . . . . . . . . . . . . 123<br />
8.7 Comparaison des performances optimales, STAP (–), SAPTAP (- -) . . . . . . . . . . . . 125<br />
8.8 Comparaison des performances adaptatives avec f S = 0.2 . . . . . . . . . . . . . . . . . . 126<br />
8.9 Comparaison des performances adaptatives avec f S = 0.05 . . . . . . . . . . . . . . . . . . 127<br />
8.10 Position du préfiltrage ACF dans la chaîne de traitement spatio-temporel . . . . . . . . . 128<br />
8.11 Nombre de récurrences maximal au sens de (8.3) . . . . . . . . . . . . . . . . . . . . . . . 128<br />
8.12 Réduction de la puissance d’un réflecteur totalement corrélé après préfiltrage, (–) exact, (-<br />
-) approximé par (8.4) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130<br />
8.13 Réduction de la puissance d’un réflecteur partiellement corrélé après préfiltrage, (–) exact,<br />
(- -) approximé par (8.5) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130<br />
8.14 Principe du filtrage BDSTAP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132<br />
8.15 Exemple de grappe de faisceaux formée pour le filtrage BDSTAP . . . . . . . . . . . . . . 132<br />
8.16 Comparaison entre les valeurs exactes (–) et (- -) approchée (8.13) de SINR norm pour<br />
différentes valeurs de θ j . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135<br />
8.17 SINR normalisé exact pour différentes valeurs de θ 2 . . . . . . . . . . . . . . . . . . . . . . 136<br />
8.18 SINR normalisé exact pour différentes valeurs de θ 2 . . . . . . . . . . . . . . . . . . . . . . 137
TABLE <strong>DE</strong>S FIGURES 17<br />
8.19 SINR normalisé des différents algorithmes de filtrage spatio-temporel, en fonction de ω . . 138<br />
8.20 SINR normalisé des différents algorithmes de filtrage spatio-temporel, en fonction de K . 139
18 TABLE <strong>DE</strong>S FIGURES
Liste des tableaux<br />
7.1 Paramètres de la simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108<br />
7.2 Comparaison des différentes implémentations de l’algorithme SMI . . . . . . . . . . . . . . 111<br />
7.3 Influence des paramètres sur le rapport SINR normalisé . . . . . . . . . . . . . . . . . . . 113<br />
7.4 Paramètres de la simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
20 LISTE <strong>DE</strong>S TABLEAUX
Chapitre 1<br />
Notations et abréviations<br />
Abréviations<br />
Dans ce document, les abréviations suivantes seront utilisées :<br />
ACF : Anti-Clutter Filter<br />
AIC : Akaike Information Criterium<br />
ALU : Antenne Linéaire Uniforme<br />
BDSTAP : Beamspace post-Doppler Space-Time Adaptive Processing<br />
CPI : Coherent Processing Interval<br />
DFP : Direct Form Processor<br />
DL : Diagonal Loading<br />
DOA : Direction d’arrivée<br />
DSP : Densité Spectrale de Puissance<br />
ESMI : Extended Sample Matrix Inversion<br />
EVP : Eigenvector Projection<br />
GSC : Generalized Sidelobe Canceller<br />
LCMV : Linear Constrained Minimum Variance<br />
LMS : Leas Mean Square<br />
LSMI : Loaded Sample Matrix Inversion<br />
MDL : Minimum Description Length<br />
MMSE : Minimum Mean Square Error<br />
MSINR : Maximum Signal to Interference plus Noise Ratio<br />
MTBT : Multilevel Toeplitz Block Toeplitz<br />
MVDR : Minimum Variance Distortionless Response<br />
MWF : Multistage Wiener Filter<br />
OLS : Opposition dans les Lobes Secondaires<br />
PRF : Pulse Repetition Frequency<br />
PRI : Pulse Repetition Interval<br />
QMF : Quadrature Mirror Filter<br />
SAPTAP : Space Adaptive Processing Time Adaptive Processing<br />
SAR : Synthetic Aperture Radar<br />
SER : Surface Equivalente Radar<br />
SINR : Signal to Interference plus Noise Ratio<br />
SMI : Sample Matrix Inversion<br />
SNR : Signal to Noise Ratio<br />
STAP : Space-Time Adaptive Processing
22 Notations et abréviations<br />
TFD : Transformée de Fourier Discrète<br />
Notations<br />
Dans tout le texte, les scalaires seront écrits avec le style d’écriture standard, les vecteurs en minuscule<br />
gras et les matrices et vecteurs spatio-temporels en majuscule gras. Puis, nous utiliserons les notations<br />
suivantes :<br />
Symbole<br />
N<br />
M<br />
L<br />
K<br />
T rec<br />
T e<br />
B<br />
f 0<br />
ω<br />
θ<br />
f<br />
σS<br />
2<br />
σJ<br />
2<br />
σc<br />
2<br />
σn<br />
2<br />
Signification<br />
Nombre de capteurs de l’antenne<br />
Nombre de récurrences ou de retards<br />
Nombre d’échantillons par récurrence<br />
Nombre d’échantillons par récurrence pour l’estimation<br />
Période de récurrence<br />
Période d’échantillonnage dans la récurrence<br />
Largeur de bande du signal émis<br />
Fréquence porteuse du signal émis<br />
Vitesse de rotation d’antenne<br />
Direction d’arrivée<br />
Fréquence Doppler<br />
Puissance de signal utile<br />
Puissance de brouillage<br />
Puissance d’écho fixe<br />
Puissance de bruit thermique<br />
Puis, nous utiliserons les notations mathématiques suivantes :<br />
Symbole<br />
Signification<br />
E(.) Espérance mathématique<br />
(.) H Transposition conjuguaison<br />
⊗ Produit de Kronecker :<br />
◦ Produit de Hadamard :<br />
( ) ( )<br />
a1 b1<br />
⊗ =<br />
a 2 b 2<br />
( ) ( )<br />
a1 b1<br />
◦ =<br />
a 2 b 2<br />
⎛<br />
⎜<br />
⎝<br />
⎞<br />
a 1 b 1<br />
a 1 b 2<br />
⎟<br />
a 2 b 1<br />
⎠<br />
a 2 b 2<br />
( )<br />
a1 b 1<br />
a 2 b 2<br />
(.) ˆ Estimée<br />
I Matrice identité<br />
Tr(A) Trace de la matrice A<br />
Vect(A) Espace vectoriel engendré par les colonnes de la matrice A<br />
∝ Proportionnel à<br />
o(x)<br />
o(.) Négligeable devant (lim x→0 x = 0)<br />
O(.) De l’ordre de (| O(x)<br />
x<br />
| < c au voisinage de x = 0)<br />
[x] Partie entière de x
Chapitre 2<br />
Introduction<br />
Sommaire<br />
2.1 Généralités sur le traitement d’antenne . . . . . . . . . . . . . . . . . . . . . . . 23<br />
2.2 Modélisation des signaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24<br />
2.3 Formation de faisceaux optimale . . . . . . . . . . . . . . . . . . . . . . . . . . . 25<br />
2.4 Algorithmes de formation de faisceaux . . . . . . . . . . . . . . . . . . . . . . . 27<br />
2.5 Implémentation de la formation de faisceaux . . . . . . . . . . . . . . . . . . . . 33<br />
2.6 Cadre et objectif de la thèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35<br />
2.7 Publications de l’auteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36<br />
2.1 Généralités sur le traitement d’antenne<br />
Le traitement d’antenne est la discipline qui utilise un réseau de capteurs répartis dans l’espace pour<br />
recevoir des signaux provenant de différentes sources. Son principe est d’ exploiter les caractéristiques<br />
spatiales des signaux reçus afin d’en extraire de l’information [1–6]. Ainsi, le réseau de capteurs effectue<br />
un échantillonnage spatial d’un champ d’ondes (pouvant être de nature acoustique ou électromagnétique)<br />
et un traitement est appliqué sur les échantillons formés. Généralement, des signaux perturbateurs (interférences)<br />
viennent s’ajouter au signal d’intérêt. Comme leurs directions d’arrivée sont la plupart du<br />
temps différentes, il est possible de les séparer par filtrage spatial.<br />
Les principaux domaines d’utilisation sont les systèmes radar (cf. par exemple [7,8]), sonar (cf. par<br />
exemple [9]), les télécommunications (cf. par exemple [10,11]), l’imagerie médicale (cf. par exemple [12])<br />
et les explorations astrophysique (cf. par exemple [13,14]) ou géophysique (cf. par exemple [9,12]). Les<br />
systèmes utilisés peuvent être actifs (comme par exemple dans le domaine radar) lorsque les signaux sont<br />
émis puis récupérés par le système après avoir été réfléchis par des cibles, ou passifs lorsque l’antenne ne<br />
fonctionne qu’en réception (par exemple dans le domaine sonar).<br />
Parmi les principaux objectifs du traitement d’antenne, on peut citer :<br />
– l’estimation des signaux provenant d’une direction donnée<br />
– la détection d’un signal dans une direction donnée<br />
– l’estimation de la direction d’arrivée d’un signal (Direction Of Arrival ou DOA)<br />
Afin d’évaluer les performances des algorithmes utilisés lors du traitement des signaux, par rapport à<br />
un objectif donné, différents critères sont utilisés. Lorsque l’optimal d’un critère peut être atteint par un<br />
algorithme, ce dernier est qualifié d’optimal au sens du critère considéré.
24 Introduction<br />
2.2 Modélisation des signaux<br />
Nous supposons que le milieu de propagation des ondes est homogène, c’est à dire que la vitesse de<br />
propagation est constante. Cette vitesse est notée c. De plus, on suppose que les sources sont très éloignées<br />
de l’antenne, de sorte que l’on peut considérer un modèle d’onde plane. Les rayons reçus par les différents<br />
capteurs peuvent ainsi être supposés parallèles.<br />
On considère un modèle de signaux passe bande. La fréquence porteuse des signaux est notée f 0 et la<br />
bande passante B. Puis, on note s(t) l’enveloppe complexe du signal de cible par rapport à f 0 à l’instant<br />
t et τ n le retard de propagation en sortie du capteur n par rapport à un capteur de référence. En sortie<br />
du réseau de N capteurs, le vecteur du signal de cible s’écrit donc :<br />
⎛<br />
s mod (t) = ⎜<br />
⎝<br />
Re(s(t − τ 1 )e jω 0(t−τ 1 ) )<br />
Re(s(t − τ 2 )e jω 0(t−τ 2 ) )<br />
.<br />
Re(s(t − τ N )e jω 0(t−τ N ) )<br />
avec ω 0 = 2πf 0 ou encore après démodulation, son enveloppe complexe est :<br />
⎛<br />
s(t) = ⎜<br />
⎝<br />
s(t − τ 1 )e −jω 0τ 1<br />
s(t − τ 2 )e −jω 0τ 2<br />
.<br />
s(t − τ N )e −jω 0τ N<br />
⎞<br />
⎞<br />
⎟<br />
⎠<br />
⎟<br />
⎠ . (2.1)<br />
Dans la suite, on distingue deux modèles de signaux et on précise l’écriture de (2.1) dans chacun des cas.<br />
2.2.1 Modèle de signaux bande étroite<br />
Lorsque l’un signal est à bande étroite, le temps de traversée du réseau de capteurs est négligeable<br />
devant le temps de cohérence du signal (correspondant à l’inverse de sa bande passante). Par conséquent,<br />
l’enveloppe complexe peut être supposée constante durant la traversée du réseau de sorte que (2.1) devient :<br />
⎛<br />
s(t) = s(t) ⎜<br />
⎝<br />
e −jω 0τ 1<br />
e −jω 0τ 2<br />
.<br />
e −jω 0τ N<br />
⎞<br />
⎟<br />
⎠ .<br />
En notant<br />
φ S<br />
def<br />
=<br />
⎛<br />
⎜<br />
⎝<br />
e −jω 0τ 1<br />
e −jω 0τ 2<br />
.<br />
e −jω 0τ N<br />
⎞<br />
⎟<br />
⎠ ,<br />
le vecteur directionnel du signal utile on obtient finalement :<br />
s(t) = s(t)φ S . (2.2)<br />
2.2.2 Modèle de signaux large bande<br />
Sous l’hypothèse d’un signal large bande, l’enveloppe complexe n’est plus invariante durant la traversée<br />
du réseau de capteurs. Pour préciser l’écriture de (2.1), on utilise la représentation spectrale de l’enveloppe
2.3 Formation de faisceaux optimale 25<br />
complexe de signaux à bande limitée, stationnaires au second ordre s(t) = ∫ B<br />
2<br />
− B 2<br />
ce qui s’écrit encore sous la forme :<br />
⎛<br />
s(t) =<br />
⎜<br />
⎝<br />
∫ B<br />
2<br />
− B 2<br />
∫ B<br />
2<br />
− B 2<br />
∫ B<br />
2<br />
− B 2<br />
e j2πft e −j2π(f 0+f)τ 1<br />
dµ(f)<br />
e j2πft e −j2π(f 0+f)τ 2<br />
dµ(f)<br />
.<br />
e j2πft e −j2π(f 0+f)τ N<br />
dµ(f)<br />
⎞<br />
⎟<br />
⎠<br />
e j2πft dµ(f). On obtient :<br />
s(t) =<br />
∫ B<br />
2<br />
− B 2<br />
e j2πft φ S (f 0 + f)dµ(f) (2.3)<br />
avec<br />
⎛<br />
φ S (f 0 + f) = ⎜<br />
⎝<br />
e −j2π(f 0+f)τ 1<br />
e −j2π(f 0+f)τ 2<br />
.<br />
e −j2π(f 0+f)τ N<br />
⎞<br />
⎟<br />
⎠ .<br />
2.3 Formation de faisceaux optimale<br />
Après avoir explicité les modèles bande étroite et large bande des signaux, on s’intéresse maintenant<br />
au problème du filtrage linéaire optimal. Pour cela, on introduit maintenant les trois principaux critères<br />
d’optimisation des filtres spatiaux. Notons qu’un filtre peut être optimal au sens d’un certain critère mais<br />
ne pas l’être au sens d’un autre.<br />
2.3.1 Modèle général des données<br />
Afin de simplifier la présentation des différents critères d’optimisation des filtres, on se limite au modèle<br />
temporel bande étroite des données. Ainsi, on suppose que les données reçues s’écrivent sous la forme :<br />
x(t) = s(t)φ S + b(t)<br />
où s(t)φ S correspond à la partie signal utile et b(t) est le bruit total (qui se décomposera dans la suite<br />
en un terme d’interférences et un terme de bruit thermique). On suppose que b(t) est modélisé par un<br />
processus aléatoire complexe stationnaire au second ordre, centré et de matrice de covariance connue égale<br />
à R. Le bruit est supposé décorrélé du signal utile. De plus, on suppose que la direction d’arrivée du signal<br />
utile est connue (et donc également φ S ). Le signal de source s(t) peut être modélisé par un processus<br />
aléatoire complexe stationnaire au second ordre ou être supposé déterministe mais inconnu. Finalement,<br />
en notant σ 2 S = E{|s(t)|2 } la puissance du signal utile, la matrice de covariance des données est égale à :<br />
E{x(t)x(t) H } = σ 2 Sφ S φ H S + R. (2.4)<br />
Après filtrage par un filtre spatial noté w les données y(t) sont égales à :<br />
y(t) = s(t)w H φ S + w H b(t).<br />
On explicite maintenant les trois principaux critères d’optimisation du filtre spatial puis on détaille l’expression<br />
du filtre optimal au sens des différents critères.
26 Introduction<br />
2.3.2 Critère Minimum Variance Distortionless Response (MVDR)<br />
Le critère MVDR consiste à vouloir minimiser la puissance résultante de bruit, tout en imposant une<br />
contrainte de non distortion du signal utile 1 [15]. Plus précisément, il s’agit de minimiser la variance de<br />
bruit :<br />
sous la contrainte sur le filtrage de la partie utile :<br />
E{(w H b(t)) ∗ (w H b(t))} = w H Rw<br />
w H φ S = 1.<br />
En utilisant la méthode des multiplicateurs de Lagrange, on trouve alors l’expression du filtre optimal au<br />
sens du critère MVDR :<br />
w MVDR =<br />
R−1 φ S<br />
φ H S R−1 φ S<br />
. (2.5)<br />
2.3.3 Critère Minimum Mean Square Error (MMSE)<br />
Le critère MMSE consiste à minimiser l’erreur quadratique moyenne d’estimation du signal utile s(t)<br />
par les données filtrées y(t). L’erreur quadratique moyenne a pour expression :<br />
E{|s(t) − y(t)| 2 } = E{|s(t) − w H x(t)| 2 }.<br />
Le filtre optimal au sens de la MMSE est tel que l’erreur de projection du signal sur l’espace des données<br />
doit être orthogonale aux vecteurs de ce dernier. On a donc :<br />
E{(s(t) − w H x(t)) ∗ x(t)} = 0<br />
d’où on déduit l’expression du filtre MMSE optimal :<br />
Le signal utile et le bruit étant supposés décorrélés, on a :<br />
w MMSE = E{x(t)x(t) H } −1 E{s(t) ∗ x(t)}. (2.6)<br />
Puis, en utilisant le lemme d’inversion matricielle sur (2.4), on a :<br />
E{s(t) ∗ x(t)} = σ 2 Sφ S . (2.7)<br />
E{x(t)x(t) H } −1 = R −1 − σ2 S R−1 φ S φ H S R−1<br />
1 + σ 2 S φH S R−1 φ S<br />
. (2.8)<br />
En insérant (2.7) et (2.8) dans (2.6), on obtient l’expression finale du filtre MMSE optimal :<br />
w MMSE =<br />
σ 2 S<br />
1 + σ 2 S φH S R−1 φ S<br />
R −1 φ S . (2.9)<br />
1 Notons, comme dans [6, chap. 6.2] qu’avec le modèle de données considéré, ce critère est équivalent au critère de minimisation<br />
de la variance d’un estimateur sans biais.
2.4 Algorithmes de formation de faisceaux 27<br />
2.3.4 Critère Maximum Signal to Interference plus Noise Ratio (MSINR)<br />
Le SINR a pour expression :<br />
∣<br />
SINR = σ2 ∣<br />
S w H φ S 2<br />
w H Rw .<br />
En écrivant au numérateur le terme ∣ ∣ w H φ S<br />
∣ ∣<br />
2 sous la forme<br />
∣ ∣w H R 1/2 R −1/2 φ S<br />
∣ ∣<br />
2<br />
, et en considérant le<br />
produit scalaire < a,b >= a H Rb, on peut utiliser l’inégalité de Cauchy-Schwarz. Ainsi, on montre que le<br />
SINR est majoré par σ 2 S φH S R−1 φ S et que cette borne est atteinte lorsque le filtre spatial a pour expression :<br />
w MSINR ∝ R −1 φ S . (2.10)<br />
Finalement, on remarque qu’avec le modèle considéré dans ce chapitre, les filtres MVDR (2.5), MMSE<br />
(2.9) et MSINR (2.10) sont égaux à une constante multiplicative près. De plus, les filtres MVDR et MMSE<br />
sont optimaux au sens du critère MSINR. Notons enfin que toutes ces propriétés ne sont plus vraies avec<br />
un modèle de signal utile aléatoire stationnaire au second ordre large bande.<br />
Dans la suite, on se limite à l’expression MVDR (sauf mention contraire) du filtre optimal, les différents<br />
filtres optimaux étant proportionnels.<br />
2.4 Algorithmes de formation de faisceaux<br />
Dans la section précédente, nous avons supposé connues les statistiques de second ordre du bruit. Cependant,<br />
dans la pratique, la matrice de covariance de bruit doit être estimée à partir des données. En fonction<br />
de la durée de stationnarité de l’environnement, un nombre plus ou moins important d’échantillons<br />
peut être utilisé, conduisant à des estimées plus ou moins précises de la matrice de covariance de bruit. Par<br />
conséquent, bien qu’ optimaux sous l’hypothèse de matrices de covariance connues, les filtres présentés<br />
précédemment peuvent conduire à de mauvaises performances dans des applications pratiques. Pour y<br />
remédier, différentes méthodes ont été développées et présentées dans la littérature. Nous présentons deux<br />
grandes catégories de ces méthodes, à savoir la régularisation par surcharge diagonale 2 et les méthodes<br />
de réduction de rang dans les deux premiers paragraphes de cette section.<br />
D’autre part, nous ne nous sommes pas intéressés à la forme des diagrammes d’antenne. Or, il est<br />
dans la pratique important de maîtriser ces derniers. Dans le troisième paragraphe, nous présentons les<br />
principales méthodes de contrainte sur le gabarit du filtre spatial.<br />
2.4.1 Algorithme de régularisation : surcharge diagonale<br />
Cet algorithme consiste à ajouter un terme diagonal à la matrice de covariance du bruit. Ainsi, cette<br />
dernière est remplacée par (R + δI) où δ est le facteur de surcharge (Diagonal Loading). Cette méthode<br />
possède deux avantages principaux. Tout d’abord, elle peut être utilisée lorsque le nombre d’échantillons<br />
pour estimer la matrice de covariance de bruit est inférieur à sa dimension. Puis, Carlson a montré<br />
dans [17] que le rajout d’un terme diagonal permettait de compenser en partie les erreurs d’estimation<br />
sur la matrice de covariance. En effet, le filtre optimal est égal au vecteur directionnel auquel on retire une<br />
pondération de sa projection dans le sous-espace des interférences (i.e. le bruit total sans la partie bruit<br />
thermique). Lorsque la matrice est mal estimée, les coefficients de la projection du vecteur directionnel<br />
dans le sous-espace de bruit thermique deviennent non nuls. On a en effet comme expression du filtre<br />
optimal (ici au sens MSINR) :<br />
ŵ MSINR ∝ ˆR −1 φ S = 1<br />
ˆλ min<br />
(<br />
φ S −<br />
N∑<br />
n=1<br />
(ˆλn − ˆλ<br />
) )<br />
min<br />
(û H n<br />
ˆλ φ S)û n<br />
n<br />
2 Notons qu’il existe d’autres méthodes de régularisation basées sur des approches bayésiennes [16, chap. 2].
28 Introduction<br />
Fig. 2.1: Equivalence entre les algorithmes DFP et GSC<br />
où (ˆ.) représente une quantité estimée et où ˆλ n,n=1..N et û n,n=1..N représentent respectivement les valeurs<br />
et vecteurs propres de la matrice de covariance de bruit estimée. Lorsque la matrice de covariance est idéale,<br />
on a l’égalité λ n = λ min pour n supérieur à la dimension du sous-espace des interférences et donc le terme<br />
soustrait au vecteur directionnel appartient à ce sous-espace. Par contre, lorsque des erreurs d’estimation<br />
apparaissent, on a ˆλ n ≠ ˆλ min . Par conséquent, un vecteur appartenant au sous-espace de bruit thermique<br />
est soustrait au vecteur de focalisation. Cela a pour conséquence de déformer le diagramme antibrouillé<br />
[17]. Ajouter une surcharge diagonale permet alors de diminuer l’importance de ce phénomène. En effet,<br />
les coefficients des vecteurs de bruit thermique deviennent proportionnels à :<br />
( ˆλn−ˆλ min<br />
ˆλ n+δ<br />
)<br />
≪<br />
( ) ˆλn−ˆλ min<br />
ˆλ n<br />
lorsque δ ≫ ˆλ n . En pratique, on choisit une valeur de surcharge diagonale très supérieure au niveau de<br />
bruit thermique mais si possible très inférieure aux valeurs propres associées aux interférences. Ainsi, on<br />
se place dans le cas précédent, sans dégrader la rejection des interférences.<br />
2.4.2 Méthodes de réduction de rang<br />
L’algorithme MVDR consiste à rechercher un vecteur dans un espace de dimension N pour l’approche<br />
directe ou N − 1 pour l’approche indirecte. Les méthodes de réduction de rang ont pour objectif de<br />
réduire la dimension de l’espace dans laquelle s’effectue l’optimisation. Les vecteurs de base du nouvel<br />
espace peuvent être prédéfinis (non adaptatifs), fonctions des données (adaptatifs) et fonctions de la<br />
direction de focalisation (dépendants du signal utile).<br />
Avant de nous intéresser aux méthodes de réduction de rang, nous rappelons l’équivalence entre la<br />
formulation directe et la formulation indirecte du filtrage MVDR, utile pour la compréhension de la suite.<br />
Filtrage MVDR : approche directe ou approche indirecte<br />
Le problème du minimum de variance sous contrainte directionnelle est un problème d’optimisation<br />
sous contrainte. Il est cependant équivalent à un problème d’optimisation sans contrainte lorsqu’une<br />
transformation sur les données est appliquée afin de se ramener à un problème d’annulation de bruit par<br />
filtrage de Wiener. Les deux schémas de Fig.2.1 sont ainsi équivalents. Dans la littérature, la forme directe<br />
est nommée DFP (Direct Form Processor) et la forme indirecte GSC (Generalized Sidelobe Canceller).<br />
Etudions maintenant l’équivalence entre les deux approches en montrant que les solutions aux deux<br />
problèmes sont identiques. Tout d’abord, rappelons que l’application d’une transformation inversible à<br />
des données ne change pas la solution d’un problème MVDR. Par conséquent cette dernière peut s’écrire<br />
sous la forme :<br />
w MVDR =<br />
T(TH RT) −1 T H φ S<br />
φ H S T(TH RT) −1 T H φ S<br />
(2.11)
2.4 Algorithmes de formation de faisceaux 29<br />
[<br />
N<br />
avec T une matrice inversible quelconque. Ensuite, choisissons 3 T H =<br />
−1 φ H ]<br />
S<br />
en prenant B une<br />
B<br />
matrice de dimension (N −1)×N telle que Bφ S = 0 (une telle matrice est surnommée matrice ’bloquante’<br />
parce qu’elle bloque le signal utile). Introduisons ensuite x 0 = Bx et d 0 = N −1 φ H S x. Avec ces notations,<br />
le filtre de Wiener est égal à : w 0 = E{x 0 x H 0 }−1 E{x 0 d ∗ 0 }. On peut alors montrer (cf. par exemple [18])<br />
que le calcul de (2.11) conduit à la solution wMVDR H = N −1 φ H S − wH 0 B. Par conséquent, il est équivalent<br />
d’effectuer un filtrage de Wiener sur des données transformées par T ou d’effectuer un filtrage MVDR.<br />
Réduction de rang non adaptative (ou réduction de dimension)<br />
Cette méthode de réduction de rang est la plus simple à implémenter car elle ne nécessite pas un calcul<br />
adaptatif de la base de l’espace réduit. Nous présentons ici la méthode dans l’approche directe. Celle-ci<br />
consiste à résoudre le problème d’optimisation suivant :<br />
w = argmin Vect(T0 )<br />
{<br />
w H Rw } s.c. w H φ S = 1<br />
où Vect(T 0 ) est le sous-espace réduit (de dimension inférieure à N). Notons que ce problème a une solution<br />
lorsque φ S n’appartient pas au sous-espace orthogonal à Vect(T 0 ). La solution est alors donnée par la<br />
relation :<br />
w =<br />
T 0(T H 0 RT 0) −1 T H 0 φ S<br />
φ H S T 0(T H 0 RT 0) −1 T H 0 φ .<br />
S<br />
En pratique, cette méthode consiste à former des sous-réseaux avec une matrice de fusion égale à T 0 et<br />
à résoudre le problème MVDR en sortie des sous-réseaux.<br />
Réduction de rang adaptative, indépendante du signal utile<br />
On présente maintenant une méthode de réduction de rang dans laquelle le sous-espace réduit est<br />
formé à partir des données. Cette méthode est dénommée EVP pour EigenVector Projection [19] et<br />
est basée sur la décomposition de l’espace des vecteurs complexes de dimension N en sous-espace des<br />
interférences et sous-espace de bruit thermique (par définition le sous-espace supplémentaire du sousespace<br />
des interférences). La méthode repose sur la décomposition en éléments propres de la matrice<br />
R :<br />
R = U I Λ I U H I + U NΛ N U H N<br />
où U I est la matrice des vecteurs propres du sous-espace des interférences, Λ I la matrice diagonale des<br />
valeurs propres associées, U N la matrice des vecteurs propres du sous-espace de bruit et Λ N = σ 2 N I.<br />
Le problème d’optimisation s’écrit alors sous une forme identique à celle du paragraphe précédent en<br />
remplaçant la matrice T 0 par la matrice U N :<br />
w = argmin Vect(UN )<br />
{<br />
w H Rw } s.c. w H φ S = 1.<br />
Comme pour le paragraphe précédent, la solution est donnée par la relation suivante :<br />
w =<br />
U N(U H N RU N) −1 U H N φ S<br />
φ H S U N(U H N RU N) −1 U H N φ .<br />
S<br />
Cependant, en raison de la définition de U N cette expression se simplifie pour donner :<br />
w =<br />
U NU H N φ S<br />
φ H S U NU H N φ .<br />
S<br />
En pratique, cette méthode sera implémentée en utilisant le fait que U N U H N = I − U IU H I . L’algorithme<br />
EVP nécessite donc d’estimer les vecteurs propres des interférences, par exemple par une décomposition<br />
en éléments propres après avoir estimé la dimension du sous-espace des interférences. Ce dernier point est<br />
abordé dans la suite.<br />
3 Pour être cohérent avec les notations de φ S définies en 2.2.
30 Introduction<br />
Fig. 2.2: Représentation d’un filtrage de Wiener multi-étages de dimension 3<br />
Réduction de rang adaptative, dépendante du signal utile<br />
Nous présentons enfin une méthode dans laquelle le sous-espace réduit est engendré à partir des<br />
données et de la focalisation. La méthode présentée correspond à l’algorithme du filtrage de Wiener<br />
multi-étages [18]. Contrairement aux algorithmes de réduction de rang indépendante du signal utile, cette<br />
méthode présente l’avantage d’être robuste par rapport à la dimension du sous-espace des interférences (cf.<br />
par exemple [20, chap. 5]), ce qui est très important dans les applications pratiques. De plus, contrairement<br />
aux deux méthodes précédentes, la réduction de rang se fait ici sur le sous-espace engendré par la matrice<br />
bloquante B dans l’approche annulation de bruit. Le critère d’optimisation est le suivant :<br />
{ ∣∣w<br />
w i = argmin Vect(Li )E<br />
H Bx − φ H S x∣ ∣ 2}<br />
où i représente la dimension du sous-espace réduit. Les matrices L i sont formées de la façon suivante :<br />
⎛<br />
h H ⎞<br />
1<br />
h H 2<br />
L i = ⎜<br />
B 1<br />
⎟<br />
⎝ . ⎠<br />
B i−1 ...B 2 B 1<br />
Cette méthode correspond à la troncature de la matrice permettant de transformer un problème de filtrage<br />
de Wiener vectoriel [ ] en une succession de filtrages de Wiener scalaires. Les vecteurs h i et les matrices B i<br />
h<br />
H<br />
sont tels que i<br />
est inversible et B<br />
B i h i = 0. A chaque étage, les données x i−1 sont transformées en<br />
[ ] i<br />
[ ]<br />
di h<br />
H<br />
données = i<br />
x<br />
x i B i−1 . Enfin, les vecteurs h i sont choisis de façon proportionnels à la corrélation<br />
i<br />
croisée r xi−1 d i<br />
et de norme unité. Ce choix qui paraît intuitif si l’on suppose que l’on souhaite s’approcher<br />
du filtre optimal de Wiener à l’étage i, à savoir R −1<br />
x i<br />
r xi d i<br />
, sans connaissance de la matrice de covariance<br />
R xi . De plus, ce choix permet de justifier l’équivalence entre le filtrage de Wiener vectoriel et le filtrage<br />
de Wiener multi-étages [18]. A titre d’illustration, Fig.2.2 représente un filtrage de Wiener multi-étages<br />
de dimension 3.<br />
Estimation de la dimension du sous-espace des interférences<br />
Jusqu’à présent, nous avons supposé connue la dimension du sous-espace des interférences. Cependant,<br />
dans la pratique cette dernière est inconnue et doit être estimée à partir des données. Des algorithmes<br />
d’estimation sont alors souvent utilisés dont les plus courants utilisent les critères AIC (Akaike<br />
Information Criterium) et MDL (Minimum Description Length). Ces derniers ont été introduits par<br />
Akaike [21] et Rissanen et Schwartz [22], [23]. Ensuite, ils ont été utilisés en traitement d’antenne en<br />
1985 par Wax et Kailath [24]. Les deux critères sont construits de la même manière, en introduisant la
2.4 Algorithmes de formation de faisceaux 31<br />
log-vraisemblance minimale des paramètres du modèle pour une dimension de sous-espace donnée et une<br />
fonction de pénalisation croissante par rapport à la dimension. Les paramètres du modèle de dimension<br />
d sont donnés par le vecteur [6, chap. 7.8] :<br />
θ (d) = [ λ 1 , ... ,λ d , σ 2 n, φ 1 , ... ,φ d<br />
]<br />
où σn 2 est la puissance du bruit thermique, et la log-vraisemblance minimale dans le cas d’interférences<br />
gaussiennes est égale à :<br />
⎡<br />
⎤<br />
⎢<br />
L d (d) = K(N − d)ln ⎣<br />
1<br />
N−d<br />
∑ N<br />
i=d+1 ˆλ i<br />
( ∏N<br />
i=d+1 ˆλ i<br />
) 1<br />
N−d<br />
où K est le nombre d’échantillons de données. Pour le critère AIC, la fonction de pénalisation correspond<br />
au nombre de paramètres du modèle, à savoir d(2N −d) [6, chap. 7.8], alors que pour MDL, elle est justifiée<br />
d’un point de vue de la théorie de l’information et vaut 1 2<br />
[d(2N − d) + 1] ln(K). Puis, d est estimée par<br />
minimisation de AIC(d) et MDL(d) avec :<br />
⎥<br />
⎦<br />
AIC(d) = L d (d) + d(2N − d)<br />
MDL(d) = L d (d) + 1 2<br />
[d(2N − d) + 1] ln(K)<br />
2.4.3 Méthodes de contraintes sur le gabarit du filtre<br />
Les algorithmes étudiés jusqu’à présent permettent d’accélérer la vitesse de convergence de la solution<br />
vers l’optimal. Cependant, ils ne s’intéressent pas à la forme du diagramme obtenu sauf dans la direction<br />
supposée du signal utile et des interférences. Or, il est dans la pratique important de contrôler le diagramme<br />
d’antenne 4 . Cela peut par exemple se faire en abaissant le niveau des lobes secondaires et en limitant leur<br />
fluctuation. Dans cette section, nous nous intéressons à deux types de méthodes permettant de contrôler le<br />
diagramme. Tout d’abord, nous considérons un filtrage permettant d’imposer des contraintes ponctuelles<br />
au gabarit du filtre spatial. Puis, nous présentons deux types de méthodes servant à imposer des contraintes<br />
sur la forme du gabarit du filtre dans une certaine région de l’espace angulaire.<br />
Formation de faisceaux Linear Constrained Minimum Variance (LCMV)<br />
L’algorithme LCMV généralise l’algorithme MVDR en imposant une contrainte plus générale qu’une<br />
contrainte de non distortion sur le filtre spatial. Différents types de contraintes existent, dont les plus<br />
connues sont les contraintes directionnelles (la contrainte de non-distortion en étant un cas particulier), les<br />
contraintes d’annulation du diagramme en différents points ou les contraintes sur la dérivée du diagramme<br />
afin, par exemple, d’aplatir le lobe principal d’antenne. De façon générale, le critère d’optimisation LCMV<br />
s’écrit :<br />
min<br />
w wH Rw sous contrainte C H w = f<br />
où C est la matrice de l’ensemble des contraintes linéaires et f est un vecteur de dimension égale au<br />
nombre de contraintes. La solution à ce problème est donnée par le filtre LCMV :<br />
w LCMV = R −1 C(C H R −1 C) −1 f.<br />
4 Récemment, de nombreux algorithmes de formation de faisceaux robuste ont été présentés dans la littérature (cf. par<br />
exemple [25–27]). Ces algorithmes sont pour la plupart basés sur le critère MVDR où la contrainte directionnelle ponctuelle<br />
est remplacée par une contrainte plus souple de type sphérique ou elliptique (cf. [28] pour une revue des principales méthodes<br />
de formation de faisceaux robustes). Cela permet de tenir compte d’éventuelles erreurs sur la DOA de la cible (résultant<br />
par exemple d’erreurs de calibration d’antenne ...) et ainsi d’éviter le phénomène d’annulation de la cible. Ce phénomène<br />
peut en effet se produire lorsque le signal utile est présent dans la matrice de covariance et que la focalisation n’est pas<br />
faite exactement dans la direction d’arrivée de la cible [6, chap.6.6]. Cependant, en contexte radar, ce phénomène est peu<br />
important, la formation de faisceaux se faisant souvent avant compression d’impulsion (cf. chapitre 6). Par conséquent, la<br />
puissance du signal utile dans les données d’estimation est négligeable et la perte résultante en termes de SINR est donc<br />
limitée.
32 Introduction<br />
0<br />
Diagramme de reception, focalisation = 0 0 0<br />
−5<br />
−10<br />
−15<br />
−20<br />
dB<br />
−25<br />
−30<br />
−35<br />
−40<br />
−45<br />
−50<br />
−100 −80 −60 −40 −20 0 20 40 60 80 100<br />
azimut en degres<br />
Fig. 2.3: Fluctuation des diagrammes spatiaux pour 10 réalisations<br />
Contraintes de gabarit au repos<br />
La première méthode de contrainte du gabarit dans une certaine zone angulaire consiste à imposer un<br />
diagramme au repos. Le filtre associé à ce dernier est noté w q . Pour imposer un diagramme au repos, on<br />
forme ¯w q = wq<br />
‖w q‖ 2 et on réalise un filtrage MVDR avec la nouvelle contrainte : w H ¯w q = 1.<br />
Contrainte ‘douce’<br />
La seconde méthode de contrainte du gabarit dans une certaine zone angulaire consiste à introduire<br />
dans la fonction à minimiser, une distance entre le diagramme formé et un diagramme de référence. Ainsi,<br />
au lieu de minimiser w H R −1 w comme dans l’algorithme MVDR traditionnel, on cherche à minimiser<br />
une expression de la forme w H Rw + k 2 E sous contrainte directionnelle. On a introduit un scalaire E qui<br />
peut être interprété comme une distance entre le diagramme souhaité et un diagramme de référence et<br />
que l’on pondère par k. Dans [29], les auteurs choisissent comme distance l’expression : E = d(w,w q ) =<br />
(w−w q ) H Z(w−w q ) où w q représente le filtre de référence et Z = ∫ θ h(θ)φ(θ)φ(θ)H dθ. Dans cette dernière<br />
expression, h(θ) est une fonction de pondération continue et positive à définir et φ(θ) est le vecteur<br />
directionnel associé à l’angle θ. Cet algorithme nécessite donc de choisir 5 la constante de pondération<br />
k, le filtre de référence et la fonction de pondération h(θ). L’objectif de l’algorithme est d’atténuer les<br />
fluctuations du filtre spatial d’une réalisation à une autre.<br />
Fig.2.3 illustre la fluctuation des diagrammes associés à différents filtres spatiaux, avec une focalisation<br />
à 0 deg. et une source d’interférence de DOA 35 deg. On observe que la fluctuation est importante en dehors<br />
des zones de focalisation et d’antibrouillage (35 deg.). On visualise ensuite en Fig.2.4 les diagrammes<br />
obtenus lorsque l’on calcule les filtres spatiaux par la méthode décrite précédemment. On vérifie que les<br />
diagrammes sont stabilisés et presque identiques de réalisation à réalisation.<br />
5 L’inconvénient majeur de cette méthode est que le respect de la contrainte de gabarit peut se faire au détriment de<br />
l’antibrouillage. La gestion du compromis entre contrainte de gabarit et antibrouillage s’effectue au travers du paramétrage<br />
et en particulier du choix de k. Dans [30], il a été proposé un algorithme dans lequel l’optimisation sur la forme du diagramme<br />
s’effectue au travers des vecteurs du sous-espace orthogonal au sous-espace des interférences et à la contrainte de focalisation.<br />
De cette manière, la rejection des interférences n’est pas altérée bien que la forme du diagramme soit contrôlée.
2.5 Implémentation de la formation de faisceaux 33<br />
0<br />
Diagramme de reception, focalisation = 0 0 0<br />
−5<br />
−10<br />
−15<br />
−20<br />
dB<br />
−25<br />
−30<br />
−35<br />
−40<br />
−45<br />
−50<br />
−100 −80 −60 −40 −20 0 20 40 60 80 100<br />
azimut en degres<br />
Fig. 2.4: Diagrammes spatiaux stabilisés par l’application d’une fonction de pénalisation<br />
2.5 Implémentation de la formation de faisceaux<br />
Après avoir explicité les différents critères d’optimisation des filtres spatiaux et présenté les principaux<br />
algorithmes de formation de faisceaux, on s’intéresse maintenant à l’implémentation de ces derniers.<br />
Trois approches sont distinguées. La première consiste à implémenter directement les filtres spatiaux, en<br />
remplaçant les matrices de covariance exactes par leurs estimées. Il s’agit d’un traitement par blocs de<br />
données. La seconde approche correspond à une implémentation récursive des filtres. Enfin, la troisième<br />
approche correspond à la mise en oeuvre de la résolution d’un problème d’optimisation par un algorithme<br />
du gradient.<br />
2.5.1 Implémentation directe<br />
Cette implémentation est connue sous le nom SMI (Sample Matrix Inversion) 6 et a pour la première<br />
fois été étudiée dans [31].<br />
Elle consiste à remplacer la matrice de covariance de bruit par son estimée obtenue par moyenne<br />
empirique à partir des données 7 :<br />
ˆR(K) = 1 K∑<br />
x k x H k<br />
K<br />
où K représente le nombre d’échantillons disponible pour l’estimation. Ensuite, cette matrice est directement<br />
inversée pour calculer le filtre spatial correspondant.<br />
Dans l’article historique [31], les auteurs étudient l’implémentation SMI de la solution MSINR (2.10)<br />
et donnent l’expression du SINR normalisé lorsque les échantillons utilisés dans la matrice ne contiennent<br />
pas de signal utile et sont gaussiens, indépendants et identiquement distribués. Dans ce cas, ils montrent<br />
6 elle est également parfois dénommée DMI [1].<br />
7 sous l’hypothèse où les données spatiales sont modélisées par des échantillons de vecteurs aléatoires gaussiens complexes,<br />
i.i.d. (indépendants et identiquement distribués), cette matrice est l’estimée de la matrice de covariance des données au sens<br />
du maximum de vraisemblance [6, chap. 7.2].<br />
k=1
34 Introduction<br />
que le SINR normalisé ρ = SINR<br />
SINR opt<br />
suit une loi bêta de densité de probabilité :<br />
P(ρ) =<br />
K!<br />
(N − 2)!(K + 1 − N)! (1 − ρ)N−2 ρ K+1−N .<br />
En considérant ensuite l’espérance du SINR normalisé, (E(ρ) = K+2−N<br />
K+1<br />
), ils ont déduit une règle pour le<br />
choix du nombre d’échantillons à utiliser dans l’estimation de la matrice de covariance. Cette règle stipule<br />
que le nombre d’échantillons nécessaires pour être à 3 dB de l’optimum est égal à 2N.<br />
2.5.2 Implémentation récursive<br />
Cette implémentation consiste à calculer le filtre spatial estimé avec K échantillons à partir du filtre<br />
estimé avec K −1. Contrairement à la méthode SMI du paragraphe précédent, cette implémentation peut<br />
s’effectuer ’en ligne’. Son intérêt est de réduire la complexité de calcul par rapport à une approche directe,<br />
tout en conservant des performances proches. Elle est basée sur l’écriture de la matrice de covariance<br />
estimée sous la forme<br />
ˆR(K) = ˆR(K − 1) + x k x H k<br />
de façon à en déduire une expression de l’inverse par l’utilisation du lemme d’inversion matricielle, faisant<br />
intervenir l’inverse de ˆR(K − 1). Cela permet d’obtenir une relation entre le filtre estimé avec K<br />
échantillons et celui estimé avec K − 1 échantillons. Par exemple, si on implémente l’algorithme MSINR,<br />
on obtient la relation de récurrence suivante pour le calcul du filtre :<br />
avec<br />
ŵ MSINR (K) = (I − v(K)x H K )ŵ MSINR(K − 1)<br />
ˆR −1 (K − 1)x K<br />
v(K) =<br />
1 + x H ˆR K −1 (K − 1)x K<br />
représentant le gain de Kalman, dans lequel l’inverse de la matrice de covariance est calculée récursivement<br />
par l’expression ˆR −1 (K) = (I − v(K)x H K ) ˆR −1 (K − 1).<br />
2.5.3 Implémentation par une méthode du gradient<br />
Plutôt que d’implémenter directement ou récursivement les filtres spatiaux présentés dans les sections<br />
2.3 et 2.4, les algorithmes du gradient ont pour objectif de rechercher l’optimum d’un critère de manière<br />
récursive en effectuant une mise à jour des filtres dans la direction du gradient du critère à optimiser.<br />
En pratique, les algorithmes du gradient les plus fréquemment utilisés sont stochastiques (Least Mean<br />
Square ou LMS), dans lesquels les moments (matrices de covariance ou intercorrélation) intervenant<br />
dans l’expression du gradient sont estimés par des valeurs instantanées. Différents algorithmes LMS ont<br />
été proposés, dont l’avantage principal est une complexité faible (de l’ordre de O(N) contre O(N 2 ) par<br />
exemple pour des algorithmes d’implémentation récursive RLS à faible complexité), mais au détriment<br />
d’une convergence plus lente vers le filtre optimal que les implémentations directes ou récursives. Pour<br />
cette raison, ces dernières implémentations seront dans la suite préférées à une implémentation par une<br />
méthode du gradient.<br />
Pour fixer les idées, considérons l’exemple de l’implémentation LMS de l’algorithme LCMV, originellement<br />
proposé par Frost [32]. Dans cet algorithme, le critère à minimiser a pour expression :<br />
J = w H Rw + (w H C − f H )λ + λ H (C H w − f)<br />
où λ est tel que la contrainte C H w = f soit respectée. Le gradient complexe de ce critère est égal à :<br />
∆ w = Rw + Cλ.
2.6 Cadre et objectif de la thèse 35<br />
Sous l’hypothèse de matrice de covariance connue, l’expression du filtre obtenu par utilisation de l’algorithme<br />
du gradient déterministe est alors :<br />
w(K) = P ⊥ C (I − αR)w(K − 1) + w q<br />
avec P ⊥ C = (I − C(CH C) −1 C H ) et w q = C(C H C) −1 f. Dans l’implémentation LMS (connue sous le nom<br />
d’algorithme LMS de Frost), le filtre est estimé par la relation récursive suivante :<br />
2.6 Cadre et objectif de la thèse<br />
ŵ(K) = P ⊥ C(I − αx K x H K)ŵ(K − 1) + w q .<br />
Ce chapitre introductif a donné lieu à la présentation de généralités sur le traitement d’antenne,<br />
relatives à la modélisation des signaux, aux critères d’optimisation des filtres, aux principaux algorithmes<br />
standards de formation de faisceaux et à leur implémentation. Dans ce cadre général, la thèse porte sur<br />
l’étude d’algorithmes en traitement d’antenne, dans deux contextes différents. Plus précisément, nous<br />
nous intéressons dans cette thèse à deux principaux problèmes. Ainsi, nous considérons tout d’abord le<br />
problème du traitement d’antenne sur signaux large bande. Puis, nous nous plaçons dans un contexte de<br />
traitement d’antenne sur radar en configuration antenne tournante. En particulier, nous y considérons le<br />
problème du filtrage spatio-temporel de signaux bande étroite.<br />
Ce document est organisé en deux parties indépendantes, comprenant chacune trois chapitres. Puis,<br />
une conclusion générale et des perspectives après ce travail de thèse sont présentées dans un dernier<br />
chapitre. Plus précisément, le document est organisé de la façon suivante :<br />
– Le chapitre 3 porte sur l’étude de robustesse du filtrage spatial bande étroite, par rapport à la largeur<br />
de bande. L’étude est effectuée en statistiques exactes (i.e. en supposant les matrices de covariance<br />
connues). Elle porte sur le calcul des performances, en termes de SINR, du filtre maximisant le<br />
SINR (2.10) sous des hypothèses bande étroite, appliqué sur des signaux large bande. Tout d’abord,<br />
nous introduisons un critère de robustesse défini par le rapport entre le SINR sous des hypothèses<br />
large bande et le SINR sous des hypothèses bande étroite. Ensuite, nous établissons une relation<br />
entre ce critère et celui couramment utilisé pour définir des signaux large bande, à savoir le rapport<br />
entre la seconde valeur propre de la matrice de covariance interférences+bruit et la valeur propre<br />
de bruit. Puis, nous développons des approximations explicites du critère de robustesse introduit,<br />
mettant en evidence l’influence des différents paramètres sur la perte en performance résultant<br />
de l’augmentation de largeur de bande. Enfin, nous étendons les résultats obtenus à l’étude de<br />
performance du filtrage par sous-bandes indépendantes de signaux large bande, afin d’y expliciter<br />
l’influence du nombre de sous-bandes sur le SINR.<br />
– Le chapitre 4 porte sur l’étude de performance du filtrage spatio-temporel maximisant le SINR,<br />
de signaux large bande. Afin de compenser les pertes en performance décrites dans le chapitre<br />
précédent, un filtrage spatio-temporel peut en effet être utilisé. L’objet de ce chapitre est donc<br />
l’étude de performance, en un sens asymptotique par rapport au nombre de retards, de ce type de<br />
filtre. Pour procéder, le SINR optimal est dans un premier temps interprété comme la valeur propre<br />
généralisée maximale des matrices de covariance du signal utile et du bruit, ayant une structure bloc<br />
Toeplitz. Ensuite, des résultats sur la distribution asymptotique des valeurs propres généralisées de<br />
matrices ayant cette structure, sont démontrés. En particulier, un théorème de Szegö étendu aux<br />
valeurs propres généralisées de matrices bloc Toeplitz est introduit. La démonstration de ce théorème<br />
fait l’objet de la première partie de ce chapitre. Puis, dans la deuxième partie du chapitre, ces<br />
résultats sont appliqués à l’étude de performance du filtrage spatio-temporel maximisant le SINR.<br />
Ils permettent ainsi d’obtenir des expressions explicites du SINR spatio-temporel asymptotique<br />
optimal. Enfin, des simulations numériques permettent d’illustrer les résultats obtenus ainsi que<br />
la convergence du SINR spatio-temporel optimal vers son expression limite, pour différents types<br />
d’interférences.
36 Introduction<br />
– Le chapitre 5 porte sur l’extension du théorème de Szegö aux valeurs propres généralisées de matrices<br />
multi-niveaux Toeplitz bloc Toeplitz. Bien que ce résultat ne soit pas directement applicable au<br />
problème d’étude de performance du filtrage spatio-temporel de signaux large bande, il s’agit, à<br />
notre connaissance, d’un résultat nouveau, applicable à de nombreux problèmes de détection et<br />
d’estimation dans différents domaines du traitement du signal ou du traitement d’image.<br />
– Le chapitre 6 présente une introduction à la deuxième problématique considérée dans la thèse, à<br />
savoir l’étude d’algorithmes de traitement d’antenne sur radar à émission de signaux bande étroite,<br />
en configuration antenne tournante. Ce chapitre permet notamment d’introduire les principales<br />
notions de radar nécessaires à la compréhension de la suite. En particulier, nous y présentons les<br />
différents filtrages utilisés par un radar dans un but de réhausser le rapport signal sur bruit avant<br />
détection. Ensuite, nous effectuons la modélisation physique des données radar en configuration<br />
antenne tournante. Enfin, nous donnons l’expression du filtre global optimal au sens d’un critère de<br />
détection, en montrant que ce dernier peut se décomposer en un filtre spatio-temporel suivi d’un<br />
filtre adapté en distance.<br />
– Le chapitre 7 traite du problème d’antibrouillage en contexte non stationnaire. En effet, la rotation<br />
d’antenne rend les signaux non stationnaires, ce qui dégrade l’antibrouillage. Pour compenser<br />
les pertes en performance résultantes, une méthode de filtrage spatial non stationnaire, basée sur<br />
l’utilisation de filtres variables dans le temps, est introduite. Cette méthode est ensuite déclinée sur<br />
deux types d’algorithmes pouvant s’appliquer dans deux situations différentes.<br />
– Le chapitre 8 traite du problème de rejection conjointe de signaux de brouillage et de fouillis. En effet,<br />
la rotation d’antenne dégrade non seulement l’antibrouillage, comme nous l’avons vu dans le chapitre<br />
précédent, mais également la rejection de fouillis. Cela s’explique par la dépendance, résultant de<br />
la rotation d’antenne, entre les paramètres de direction d’arrivée et récurrence/fréquence Doppler.<br />
Ainsi, contrairement à la configuration radar à antenne fixe, le filtrage spatio-temporel doit être<br />
considéré de manière conjointe. Dans ce chapitre, nous présentons différents algorithmes de filtrage<br />
spatio-temporel, en fonction de la nature des données d’estimation disponibles pour le calcul des<br />
filtres. Tout d’abord, nous considérons la situation dans laquelle nous disposons des données servant<br />
de référence brouillage+bruit thermique seul (sans présence de fouillis). Puis, nous considérons le<br />
cas où cette hypothèse n’est plus valable. Dans le premier cas, nous proposons l’utilisation d’un<br />
filtrage STAP séparable (spatial puis temporel). Dans le second cas, nous proposons l’utilisation<br />
d’un préfiltrage sur les données pour se ramener au cas précédent où l’utilisation d’un algorithme<br />
STAP à réduction de dimension (post-Doppler).<br />
2.7 Publications de l’auteur<br />
Le travail effectué dans le cadre de cette thèse a été l’occasion de proposer les contributions suivantes :<br />
Revues internationales<br />
M. Oudin, J.P. Delmas, “ Robustness of adaptive narrowband beamforming with respect to bandwidth”,<br />
accepté pour publication à IEEE Trans. Signal Processing, June 2007.<br />
M. Oudin, J.P. Delmas, « Asymptotic optimal SINR performance bound for space-time broadband beamformers»,<br />
soumis à IEEE Trans. Antennas Propagat., March 2008.<br />
M. Oudin, J.P. Delmas, « Asymptotic generalized eigenvalue distribution of block multilevel Toeplitz<br />
matrices», soumis à IEEE Trans. Signal Processing, March 2008.
2.7 Publications de l’auteur 37<br />
Conférences internationales<br />
M. Oudin, J.P. Delmas, C. Germond, C. Adnet, F. Barbaresco, « Alternative Constraint Strategies to<br />
the ESMI algorithm in radar systems », Proceedings of the International Conference on Acoustics, Speech<br />
and Signal Processing (ICASSP 06), Toulouse, France, May 14-19, 2006.<br />
M. Oudin, J.P. Delmas, C. Germond, C. Adnet, F. Barbaresco, «Preprocessing for adaptive spatial filtering<br />
in ground-based rotating radar systems », Proceedings of the 2006 IEEE Sensor Array and Multichannel<br />
Signal Processing Workshop (SAM 2006), Boston, July 12-14, 2006.<br />
M. Oudin, J.P. Delmas, C. Germond, C. Adnet, F. Barbaresco, « Spatio-temporal processing with groundbased<br />
rotating radar systems », Proceedings of the 2006 Eurad Conference, Manchester, September 13-15,<br />
2006.<br />
M. Oudin, J.P. Delmas, C. Adnet, F. Barbaresco, « An adaptive beamforming based definition of the<br />
narrowband assumption », Proceedings of the 2007 Eusipco Conference, Poznan, Poland, September 3-7,<br />
2007.<br />
M. Oudin, J.P. Delmas, « Asymptotic generalized eigenvalue distribution of block Toeplitz matrices and<br />
application to space-time beamforming », Proceedings of the 2007 Eusipco Conference, Poznan, Poland,<br />
September 3-7, 2007.<br />
M. Oudin, J.P. Delmas, C. Adnet, F. Barbaresco, « Beamspace post-Doppler STAP with ground-based<br />
rotating radar systems », accepté à RadarCon 2008.<br />
M. Oudin, J.P. Delmas, “Asymptotic generalized eigenvalue distribution of Toeplitz block Toeplitz matrices”,<br />
accepté à Icassp 2008.<br />
Conférences nationales<br />
M. Oudin, J.P. Delmas, C. Adnet, C. Germond, F. Barbaresco, « Antibrouillage radar en contexte de<br />
rotation d’antenne », Actes du 20ème colloque GRETSI, Louvain-la-Neuve, Belgium, September 6-9, 2005.
38 Introduction
Première partie<br />
Etude d’algorithmes de traitement<br />
d’antenne sur signaux large bande
Chapitre 3<br />
Robustesse de la formation de faisceaux<br />
bande étroite par rapport à la largeur de<br />
bande<br />
Sommaire<br />
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41<br />
3.2 Modèle des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42<br />
3.3 Critère de robustesse par rapport à la largeur de bande . . . . . . . . . . . . . 43<br />
3.4 Calcul d’expressions explicites de la perte en SINR . . . . . . . . . . . . . . . . 46<br />
3.5 Application à l’étude de performance du filtrage spatial par sous-bandes<br />
indépendantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55<br />
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63<br />
3.1 Introduction<br />
L’utilisation de signaux large bande, rendue possible par les progrès technologiques, notamment dans<br />
le domaine des antennes tout numérique, présente de nombreux avantages. Par exemple, elle permet<br />
d’accroître la capacité de canal en télécommunications ou d’améliorer la résolution distance en radar.<br />
Cependant, en traitement d’antenne, la formation de faisceaux bande étroite standard 1 n’est pas adaptée<br />
à de tels signaux. Par conséquent, ses performances se dégradent lorsque la largeur de bande des signaux<br />
augmente. Pour compenser ces pertes en performance, un filtrage spatio-temporel peut être utilisé,<br />
implémenté dans le domaine temporel ou fréquentiel, mais au prix d’une augmentation de la charge de<br />
calcul. Afin de pouvoir optimiser le choix du traitement à appliquer sur des signaux ayant une certaine<br />
largeur de bande, il semble donc important de quantifier la dégradation des performances du filtrage par<br />
formation de faisceaux bande étroite standard résultant de l’augmentation de largeur de bande.<br />
Dans [33], Zatman propose une définition générale d’un environnement bande étroite qui est utilisée<br />
comme référence dans les problèmes de formation de faisceaux ou d’estimation de direction d’arrivée.<br />
Cette définition est basée sur le rapport entre la seconde valeur propre de la matrice de covariance<br />
interférences plus bruit et la valeur propre de bruit. Plus précisément, un environnement est qualifié de<br />
bande étroite lorsque cette valeur propre est inférieure à la valeur de 3dB au dessus du seuil de bruit dans<br />
la matrice de covariance interférences plus bruit. L’auteur a montré sur simulations qu’une augmentation<br />
1 On appelle dans ce chapitre formation de faisceaux bande étroite standard, la formation de faisceaux optimale au sens<br />
MSINR (cf. chapitre 2) sous des hypothèses bande étroite. Cette étude est donc également valable pour les filtres spatiaux<br />
optimaux au sens des critères MVDR et MMSE. En effet, comme nous l’avons vu dans le chapitre précédent, ces derniers<br />
sont également optimaux au sens du critère MSINR.
42 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
de la largeur de bande conduit au dépassement du seuil de bruit par la seconde valeur propre de la matrice<br />
de covariance interférences plus bruit. Par conséquent, la dégradation des performances de l’algorithme<br />
formation de faisceaux standard est liée à la seconde valeur propre de la matrice de covariance interférences<br />
plus bruit. Cependant, il n’a pas donné de relation explicite entre la seconde valeur propre et les pertes<br />
en performance de la formation de faisceaux ni clairement montré l’influence de la largeur de bande, pour<br />
différents paramètres de scénarios. De plus, il a considéré un signal utile de largeur de bande nulle, alors<br />
qu’en pratique, sa largeur de bande sera non nulle tout comme celle du signal d’interférence, impliquant<br />
des pertes additionnelles sur le SINR. Ces questions ont été abordées dans [34] où les auteurs ont proposé<br />
de définir le rapport entre le SINR après formation de faisceaux bande étroite sous des conditions de<br />
largeur de bande non nulle sur celui du même traitement sous des conditions de largeur de bande nulle,<br />
comme critère de définition d’une formation de faisceaux bande étroite. Cependant, ils ont considéré un<br />
environnement sans interférence, ce qui ne peut donc pas s’appliquer dans la plupart des applications,<br />
comme par exemple le radar. De plus, ils n’ont pas explicité la dépendance du critère choisi en la largeur de<br />
bande. Dans ce chapitre, nous proposons d’utiliser le même critère que dans [34] pour étudier la robustesse<br />
de la formation de faisceaux bande étroite, en présence d’un signal utile de largeur de bande non nulle<br />
et d’une source d’interférence dont les DOAs sont supposées quelconques. Contrairement aux modèles<br />
de [33] et [34], on considère un modèle général de signal utile de matrice de covariance de rang plein.<br />
Dans un premier temps, nous cherchons à rattacher l’étude de robustesse de la formation de faisceaux<br />
bande étroite au travail de Zatman dans [33]. Plus précisément, nous relions le critère du rapport de SINRs<br />
considéré à celui proposé par Zatman pour définir un environnement bande étroite, c’est à dire le rapport<br />
entre la seconde valeur propre de la matrice de covariance interférences plus bruit et la valeur propre de<br />
bruit. Ainsi, nous montrons que ce dernier critère peut être interprété comme une borne supérieure sur<br />
la perte en SINR dûe à la largeur de bande, par rapport à la DOA de la source utile.<br />
Dans un second temps, nous souhaitons obtenir une expression explicite de la perte en SINR et donner<br />
des conditions suffisantes sur les paramètres pour que la valeur de perte maximale en SINR atteigne<br />
presque la borne donnée par le rapport entre la seconde valeur propre de la matrice de covariance interférences<br />
plus bruit et la valeur propre de bruit. Dans ce but, nous commençons par distinguer deux<br />
cas selon la position de la source d’interférence par rapport à la source utile. En utilisant les résultats<br />
sur les valeurs et vecteurs propres des matrices de covariance de signaux très rapprochés en fréquence,<br />
nous approximons le SINR dans chacun des deux cas. Ensuite, sous l’hypothèse d’une faible largeur de<br />
bande et d’un nombre élevé de capteurs, nous effectuons une analyse asymptotique résultant en d’explicites<br />
expressions de la perte en SINR pour une source d’interférence dans le lobe principal ou les lobes<br />
secondaires. Sous ces hypothèses, nous montrons que le critère de Zatman donne une estimée précise de la<br />
perte maximale en SINR par rapport à la DOA de la source utile. Enfin, nous déduisons des expressions<br />
de perte en SINR obtenues deux définitions pratiques de la notion de signal bande étroite, au sens de la<br />
perte en SINR du filtrage formation de faisceaux bande étroite standard.<br />
Dans un troisième temps, nous étendons les résultats de la partie précédente, à l’étude de performance<br />
du filtrage par sous-bandes indépendantes afin d’y expliciter l’influence du nombre de sous-bandes sur le<br />
SINR.<br />
3.2 Modèle des données<br />
On considère une antenne linéaire uniforme (ALU) composée de N capteurs qui sont espacés d’une<br />
demi-longueur d’onde par rapport à la fréquence porteuse. Puis, on considère un environnement composé<br />
d’une source d’interférence, de bruit thermique, et d’une source utile. Le signal d’interférence est modélisé<br />
par un processus stationnaire au second ordre, blanc de largeur de bande non nulle et de puissance σ 2 J .<br />
Le bruit thermique est modélisé par un processus blanc spatialement et temporellement, de puissance σ 2 n .<br />
En utilisant le modèle de signaux large bande donné par (2.3), la matrice de covariance interférences plus
3.3 Critère de robustesse par rapport à la largeur de bande 43<br />
bruit est égale à :<br />
avec<br />
¯R =<br />
∫ B<br />
2<br />
− B 2<br />
σ 2 J<br />
B φ J(f 0 + f)φ J (f 0 + f) H df + σ 2 nI (3.1)<br />
[<br />
]<br />
φ J (f) = 1 e jπ f u f J j(N−1)π 0 · · · e f T<br />
u f J 0<br />
où u J = sin(θ S ) et θ J est la DOA de la source d’interférence. Enfin, le signal utile est également modélisé<br />
par un processus stationnaire blanc de largeur de bande non nulle et de puissance σS 2 . Sa DOA est notée<br />
θ S . En utilisant également le modèle de signaux large bande donné par (2.3), sa matrice de covariance est<br />
donnée par :<br />
∫ B<br />
2 σS<br />
¯R 2 S =<br />
B φ S(f 0 + f)φ S (f 0 + f) H df (3.2)<br />
avec<br />
où u S = sin(θ S ).<br />
− B 2<br />
[<br />
]<br />
φ S (f) = 1 e jπ f u<br />
f S j(N−1)π 0 · · · e f T<br />
u<br />
f S 0<br />
3.3 Critère de robustesse par rapport à la largeur de bande<br />
Pour étudier la robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande,<br />
on s’intéresse au critère de SINR. En pratique, il est important de savoir si un signal est à bande étroite<br />
ou large bande (au sens de la formation de faisceaux), dans l’optique de choisir le traitement d’antenne<br />
approprié. En effet, si le signal est bande étroite, un filtrage spatial seul est suffisant (cf. par exemple [2]).<br />
Dans le cas contraire, sous des hypothèses large bande, un filtrage spatio-temporel ou par sous-bandes<br />
permet d’améliorer les performances par rapport à un filtrage spatial seul (cf. par exemple [6, chap.6]<br />
et [3,35–37]).<br />
3.3.1 Influence de la largeur de bande sur le filtrage spatial<br />
Sous l’hypothèse de largeur de bande nulle, le filtre spatial optimal au sens de la maximisation du<br />
SINR (cf. expression (2.10)) a pour expression :<br />
où<br />
w ZB ∝ R −1 φ S (3.3)<br />
R = σ 2 J φ Jφ H J + σ2 n I (3.4)<br />
est la matrice de covariance interférences plus bruit et φ J = φ J (f 0 ) et φ S = φ S (f 0 ) sont respectivement<br />
les vecteurs directionnels à bande nulle du signal d’interférence et du signal utile. Le SINR optimal est<br />
alors égal à<br />
SINR ZB = σ 2 S φH S R−1 φ S . (3.5)<br />
Sous des conditions de largeur de bande non nulle, l’expression du SINR est donnée par<br />
SINR = wH ¯RS w<br />
w H ¯Rw<br />
(3.6)<br />
où ¯R et ¯R S sont respectivement données par (3.1) et (3.2). Notons w le filtre formation de faisceaux<br />
bande étroite (i.e. d’une forme similaire à (3.3)) calculé sous des conditions de largeur de bande non nulle.<br />
Son expression est :<br />
w = ¯R −1 φ S . (3.7)
44 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
15<br />
10<br />
B/f 0<br />
=0.05<br />
bande nulle<br />
B/f 0<br />
=0.1<br />
5<br />
SINR (dB)<br />
0<br />
−5<br />
−10<br />
−15<br />
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1<br />
u = sin(θ )<br />
S S<br />
Fig. 3.1: SINR (3.8) en fonction de la DOA de la source utile, pour différentes valeurs de bande<br />
fractionnée.<br />
En insérant (3.7) dans (3.6), le SINR à bande non nulle résultant devient<br />
SINR = φH S ¯R −1 ¯RS ¯R−1 φ S<br />
φ H S ¯R −1 φ S<br />
. (3.8)<br />
Afin d’illustrer l’influence de la largeur de bande sur les performances du filtrage spatial bande étroite<br />
en termes de SINR, on effectue maintenant des simulations. Fig.3.1 montre le SINR résultant après<br />
formation de faisceaux bande étroite (3.7) sous des conditions de largeur de bande nulle (i.e. pour une<br />
bande fractionnée B f 0<br />
nulle) et sous des conditions de largeur de bande non nulle pour deux valeurs de<br />
bande fractionnée ( B f 0<br />
= 0.05 et B f 0<br />
= 0.1). Les paramètres de la simulation sont N = 32, σJ 2 = 30 dB,<br />
σS 2 = 30 dB, σ2 n = 0 dB, u J = 0.1.<br />
On remarque que les pertes en SINR par rapport au cas où la largeur de bande est nulle, interviennent<br />
à la fois pour des sources utiles de DOA éloignée de la normale à l’antenne ou pour des sources utiles de<br />
DOA proche de celle de la source d’interférence. De plus, on observe que les pertes augmentent avec la<br />
largeur de bande.<br />
3.3.2 Expression du critère de robustesse<br />
Nous introduisons maintenant le critère de robustesse défini par le rapport entre le SINR après formation<br />
de faisceaux bande étroite appliquée sous des conditions de largeur de bande non nulle (3.7) et le<br />
même filtrage appliqué sous des conditions de largeur de bande nulle (3.3). Ce critère permet de quantifier<br />
la perte en SINR dûe à l’augmentation de la largeur de bande lorsque qu’un filtrage spatial adapté à des<br />
signaux bande étroite est utilisé. Son expression est :<br />
r =<br />
SINR<br />
SINR ZB<br />
(3.9)<br />
où SINR est donné par (3.8) et SINR ZB est donné par (3.5). Comme r < 1, r −1 sera appelée perte en<br />
SINR tout au long du chapitre. En utilisant les expressions de SINR et SINR ZB dans (3.9), on obtient la
3.3 Critère de robustesse par rapport à la largeur de bande 45<br />
forme détaillée du critère de robustesse choisi :<br />
r =<br />
φ H S ¯R −1 ¯RS ¯R−1 φ S<br />
σ 2 S φH S R−1 φ S φ H S ¯R −1 φ S<br />
. (3.10)<br />
3.3.3 Relation entre la perte en SINR et la définition de bande étroite de Zatman<br />
Dans [33, Section 5], Zatman a considéré un signal d’interférence de largeur de bande non nulle mais<br />
un signal utile de largeur de bande nulle. Avec nos notations, le SINR associé est égal à :<br />
SINR = σ2 S |wH φ S | 2<br />
w H ¯Rw<br />
et le filtre formation de faisceaux bande étroite w (3.7) devient optimal du point de vue de la maximisation<br />
du SINR, quelque soit la largeur de bande du signal d’interférence. Le SINR optimal devient :<br />
SINR = σ 2 S φH S ¯R −1 φ S . (3.11)<br />
Avec un modèle de signal utile à bande nulle, la perte en SINR dûe à une largeur de bande non nulle<br />
n’apparaît que dans des scénarios de source d’interférence vue dans le lobe principal, comme justifié dans<br />
l’annexe A. Notons que cela peut être également observé dans [33, Fig.6]. Le rapport de SINR exact r<br />
devient après insertion de (3.11) et (3.5) dans (3.9) :<br />
r = φH S ¯R −1 φ S<br />
φ H S R−1 φ S<br />
. (3.12)<br />
On souhaite maintenant relier ce rapport de SINR (3.12) au rapport entre la seconde valeur propre de<br />
la matrice de covariance interférences plus bruit et la valeur propre de bruit. Sous l’hypothèse que la<br />
bande fractionnée est faible, on montre le résultat suivant dans le cadre d’une antenne linéaire uniforme<br />
composée de N capteurs espacés d’une demi-longueur d’onde par rapport à la fréquence porteuse :<br />
Résultat 1 En présence d’un signal utile à bande nulle et d’un signal d’interférence de largeur de bande<br />
non nulle, le rapport entre la seconde valeur propre de la matrice de covariance interférences plus bruit<br />
et la valeur propre de bruit est égal à une borne supérieure de la perte en SINR r −1 de la formation de<br />
faisceaux optimale, dûe à la largeur de bande, par rapport à la DOA de la source utile.<br />
Preuve En utilisant le développement effectué dans l’annexe A basé sur les résultats de [38], la matrice<br />
de covariance du signal d’interférence à bande non nulle ¯R−σ nI 2 peut être approximée par une matrice de<br />
rang deux 2 où les deux valeurs et vecteurs propres sont respectivement égaux à µ 1 − σn 2 ≈ Nσ2 J , µ 2 − σn<br />
2<br />
et u 1 ≈ √ φ J<br />
N<br />
et u 2 . Ensuite, en utilisant (3.4), R − σnI 2 = NσJ<br />
2 φ √NJ<br />
φ<br />
√ H J<br />
N<br />
. On a donc :<br />
¯R ≈ R + (µ 2 − σ 2 n)u 2 u H 2 .<br />
Après utilisation du lemme d’inversion matricielle, on déduit :<br />
(<br />
)<br />
¯R −1 ≈ R −1 − R −1 1<br />
−1<br />
u 2<br />
µ 2 − σn<br />
2 + u H 2 R −1 u 2 u H 2 R −1 . (3.13)<br />
Après insertion de (3.13) dans (3.12), on obtient :<br />
r ≈ 1 − |φH S R−1 u 2 | 2<br />
φ H S R−1 φ S<br />
×<br />
1<br />
1<br />
(<br />
µ 2<br />
+ u<br />
−σ H n<br />
2 2 R−1 u 2 ) . (3.14)<br />
2 Notons que cette hypothèse a été justifiée dans [33] par l’observation empirique selon laquelle les valeurs propres de ¯R<br />
dépassent le seuil de bruit thermique l’une après l’autre, au fur et à mesure de l’augmentation de largeur de bande.
46 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
Une borne inférieure sur le rapport de SINR (3.14) par rapport à la DOA de la source utile est obtenue en<br />
considérant un vecteur directionnel sans contrainte φ S . Dans ce cas, (3.14) est minimisée lorsque le terme<br />
|φ H S R−1 u 2 | 2<br />
est maximisé, i.e., lorsque φ<br />
φ H S R−1 φ S ∝ u 2 . Utilisant u H 2 R−1 u 2 ≈ 1 déduit de u H φ √NJ<br />
S σn<br />
2 2 ≈ u H 2 u 1 = 0,<br />
la borne inférieure associée sur le rapport de SINR r est égale à 3 :<br />
r lb = σ2 n<br />
µ 2<br />
. (3.15)<br />
Par conséquent, le rapport entre la valeur propre de bruit et la seconde valeur propre de la matrice de<br />
covariance interférences plus bruit peut être interprété comme une borne inférieure sur le rapport en SINR<br />
r ou inversement, le rapport entre la seconde valeur propre de la matrice de covariance interférences plus<br />
bruit et valeur propre de bruit comme une borne supérieure sur la perte en SINR r −1 .<br />
De ce résultat, on déduit une borne supérieure sur la perte en SINR r −1 en présence d’un signal d’interférence<br />
bande étroite, au sens de la définition de Zatman. Ainsi, lorsque la seconde valeur propre de<br />
la matrice de covariance interférences plus bruit est inférieure à la valeur de 3 dB au dessus de la valeur<br />
propre de bruit, Résultat 1 prouve que la perte en SINR sera inférieure à 3 dB quelque soit la DOA de la<br />
source utile et de la source d’interférence. En effet, si µ 2 ≤ 2σ 2 n, on a :<br />
1 ≤ perte en SINR = 1 r ≤ 1<br />
r lb<br />
= µ 2<br />
σ 2 n<br />
Après avoir donné une relation générale entre le critère de Zatman et la perte en SINR r −1 , on cherche à<br />
estimer cette perte et en particulier la valeur du ‘pire cas’ r −1<br />
min , en fonction des différents paramètres ( B f 0<br />
,<br />
σJ<br />
2 ,DOAs, N). D’autre part, on souhaite donner des conditions suffisantes pour que la borne supérieure<br />
σn<br />
2 soit presque atteinte pour une certaine DOA de la source utile.<br />
r −1<br />
lb<br />
≤ 2.<br />
3.4 Calcul d’expressions explicites de la perte en SINR<br />
Dans cette section, notre objectif est d’analyser l’expression (3.10). Cependant, le fait de considérer<br />
un signal utile de largeur de bande non nulle conduit à une expression complexe du rapport de SINR.<br />
Pour l’analyser, il nous faut distinguer deux cas en fonction de la position de la source d’interférence par<br />
rapport à la source utile. Ensuite, on utilisera l’hypothèse selon laquelle la bande fractionnée est faible et<br />
le nombre de capteurs de l’antenne important. Notons que cette dernière hypothèse est justifiée dans la<br />
plupart des applications radar, pour lesquelles une haute résolution spatiale est requise. Ces hypothèses<br />
nous permettent d’obtenir des expressions limites du critère considéré, comme nous le verrons dans les<br />
paragraphes 3.4.1, 3.4.2, 3.4.3 and 3.4.4. Pour aider à la compréhension de la suite, le tableau suivant<br />
récapitule les différentes hypothèses sur lesquelles sont basés les différents paragraphes.<br />
paragraphes 2.4.1 (lobes secondaires) 2.4.1 (lobe principal) 2.4.2 2.4.3 2.4.4<br />
B<br />
f 0<br />
≪ 1 X X X X X<br />
N ≫ 1 s.c. NB<br />
f 0<br />
≪ 1 X X X<br />
3 Notons que l’approximation<br />
k<br />
de u 2 est donnée par la dérivée de φ J (f) par rapport à f, orthogonalisée par φ J , u 2 ≈<br />
`<br />
I− φ J φH J<br />
N<br />
‚<br />
‚`I− φ J φH J<br />
N<br />
´ dφJ (f)<br />
df<br />
´ dφJ (f)<br />
df<br />
f=f 0 ‚ ‚‚<br />
+ o( kf=f B f 0<br />
) [38]. Comme il n’existe pas de DOA de source utile pour laquelle φ S est proportionnel à ce<br />
0<br />
vecteur, la borne inférieure sur le rapport de SINR ne peut pas être atteinte.
3.4 Calcul d’expressions explicites de la perte en SINR 47<br />
20<br />
lobes<br />
secondaires<br />
lobes<br />
secondaires<br />
10<br />
0<br />
SINR (dB)<br />
−10<br />
−20<br />
−30<br />
SINR exact<br />
SINR approche<br />
lobe principal<br />
−40<br />
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1<br />
u = sin(θ )<br />
S S<br />
Fig. 3.2: SINR exact (3.8) et approché (3.16) (3.17), en fonction de la DOA de la cible.<br />
3.4.1 Approximation du SINR<br />
Bien que le rapport de SINR donné par (3.10) soit exact, il est difficilement calculable. Cependant, on<br />
montre maintenant que le SINR (3.8) peut être simplifié en distinguant le cas où la source d’interférence<br />
est vue dans les lobes secondaires de celui où elle est vue dans le lobe principal. Ainsi, on prouve les<br />
résultats suivants en annexe A :<br />
Résultat 2 Pour une source d’interférence vue dans les lobes secondaires, c’est à dire quand sa DOA<br />
est éloignée de celle de la source utile (i.e. lorsque |u S − u J | ≫ 1 N<br />
), et pour une source d’interférence vue<br />
dans le lobe principal, c’est à dire de DOA proche de celle de la source utile (i.e. lorsque |u S − u J | ≈ 1 N ),<br />
le SINR intervenant dans le critère (3.9) peut être approximé par respectivement :<br />
SINR 1 = φH ¯R S S φ S<br />
Nσn<br />
2 (3.16)<br />
SINR 2 = σS 2 φH ¯R S −1 φ S . (3.17)<br />
On note que pour une source d’interférence vue dans les lobes secondaires, l’expression (3.16) montre<br />
que le vecteur directionnel du signal utile se trouve dans un sous-espace presque orthogonal à celui du<br />
signal d’interférence, et donc que seul le bruit thermique joue un rôle dans (3.8). De plus, pour une<br />
source d’interférence vue dans le lobe principal, la relation (3.17) est l’expression du SINR optimal sous<br />
l’hypothèse d’un signal utile à bande nulle comme donné par (3.11).<br />
Ces approximations sont validées par de nombreuses comparaisons numériques, pour des puissances<br />
arbitraires des interférences. A titre d’exemple, Fig.3.2 compare le SINR exact (3.8) avec les deux expressions<br />
précédentes (3.16 et 3.17) pour une valeur de bande fractionnée importante B f 0<br />
= 0.5. On observe<br />
que les deux approximations sont précises dans les deux régions, même lorsque la bande fractionnée est<br />
élevée.
48 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
20<br />
lobes secondaires<br />
lobe<br />
principal<br />
lobes secondaires<br />
10<br />
0<br />
SINR (dB)<br />
−10<br />
−20<br />
−30<br />
SINR approche<br />
approximation avec matrices de rang 2<br />
−40<br />
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1<br />
u = sin(θ )<br />
S S<br />
Fig. 3.3: SINR approché (3.16)-(3.17) avant et après approximation de (3.16)-(3.17) par les matrices de<br />
covariance données par (3.18), en fonction de la DOA de la source utile.<br />
3.4.2 Approximation des matrices de covariance<br />
Après insertion de (3.16) ou (3.17) avec (3.5) dans le rapport de SINR (3.9), l’expression (3.10) est<br />
simplifiée. Ensuite, pour poursuivre l’analyse, on utilise l’approximation proposée dans [33] pour remplacer<br />
¯R et ¯R S dans (3.16) et (3.17) par des matrices de rang deux, valable sous l’hypothèse que seules les<br />
deux premières valeurs propres des matrices de covariance du signal d’interférence et du signal utile sont<br />
importantes. Ainsi, nous utilisons les approximations respectives suivantes :<br />
˜R = σ2 J φ J,1φ H J,1 + σ2 J φ J,2φ H J,2<br />
2<br />
+ σ 2 n I<br />
avec<br />
˜R S = σ2 S φ S,1φ H S,1 + σ2 S φ S,2φ H S,2<br />
2<br />
(3.18)<br />
φ J,1<br />
φ J,2<br />
= φ J (f 0 − ∆f)<br />
= φ J (f 0 + ∆f)<br />
où ∆f = B<br />
2 √ 3 . De même pour le signal utile, nous avons φ S,1 = φ S (f 0 −∆f) et φ S,2 = φ S (f 0 +∆f). Nous<br />
validons cette seconde approximation par de nombreuses simulations numériques. Cependant, contrairement<br />
à l’approximation du SINR dans le paragraphe précédent, l’approximation rang deux conduit à<br />
d’importantes erreurs dans l’expression du SINR lorsque la bande fractionnée est trop large. En effet,<br />
dans ce cas, le rang effectif des matrices de covariance est supérieur à deux et l’approximation n’est<br />
donc plus justifiée. Cependant, des simulations montrent que pour des largeurs de bande de l’ordre de<br />
B<br />
f 0<br />
= 0.1, pour les paramètres choisis, l’approximation reste acceptable. C’est illustré en Fig.3.3 où on<br />
trace les expressions (3.16) et (3.17) avec ou sans approximation des matrices de covariance selon (3.18)<br />
pour B f 0<br />
= 0.1. On observe que les erreurs résultant de cette seconde approximation sont relativement<br />
faibles. Par conséquent, il paraît raisonnable d’utiliser (3.18) pour l’analyse de robustesse à des faibles<br />
largeurs de bande.
3.4 Calcul d’expressions explicites de la perte en SINR 49<br />
Après avoir effectué ces approximations préliminaires, nous sommes maintenant capables de développer<br />
l’expression du rapport de SINR et de réaliser une analyse asymptotique de r, sous l’hypothèse d’une faible<br />
largeur de bande fractionnée et d’un nombre élevé de capteurs. Cela nous permet d’obtenir des expressions<br />
explicites du rapport de SINR qui pouvent servir à l’analyse de l’influence des différents paramètres du<br />
scénario. Dans la suite, nous considérons tout d’abord le cas d’une source d’interférence dans les lobes<br />
secondaires, pour lequel nous montrons que r peut être approché par l’expression (3.21), quelque soit<br />
la position de la source utile. Ensuite, nous considérons le cas d’une source d’interférence dans le lobe<br />
principal, ce qui conduit à l’expression (3.25). D’autre part, nous nous intéressons à la pire position de la<br />
source utile par rapport à la source d’interférence (au sens du critère choisi), pour laquelle nous calculons<br />
la valeur minimale r min de r et obtenons (3.27). Enfin, nous relions cette dernière expression à la borne<br />
inférieure sur le rapport de SINR donnée par r lb dans (3.15).<br />
3.4.3 Cas d’une source d’interférence vue dans les lobes secondaires<br />
En insérant (3.18) dans (3.16) nous avons<br />
où<br />
φ H S ˜R S φ S = σ2 S<br />
2<br />
φ H S φ S,1<br />
φ H S φ S,2<br />
[ ∣∣φ<br />
H<br />
S φ S,1<br />
∣ ∣<br />
2<br />
+<br />
∣ ∣φ H<br />
S φ S,2<br />
∣ ∣<br />
2 ] , (3.19)<br />
−j(N−1)∆y sin(N∆y)<br />
= e<br />
sin(∆y)<br />
j(N−1)∆y sin(N∆y)<br />
= e<br />
sin(∆y)<br />
(3.20)<br />
avec ∆y = π 2<br />
∆f<br />
f 0<br />
u S . Après substitution de (3.20) dans (3.19), on obtient<br />
φ H ˜R S S φ S = σS<br />
2 sin 2 (N∆y)<br />
sin 2 (∆y) .<br />
En effectuant un développement limité sous les hypothèses ∆f<br />
f 0<br />
N ∆f<br />
f 0<br />
≪ 1, on obtient l’approximation :<br />
( ( ) )<br />
φ H ˜R S S φ S ≈ σSN 2 2 1 − N2 B 2<br />
144 π2 u 2 S .<br />
f 0<br />
≪ 1 et N ≫ 1 mais sous la contrainte<br />
Par conséquent, après avoir remarqué que SINR ZB ≈ Nσ2 S<br />
σ<br />
en présence d’une source d’interférence vue<br />
n<br />
2<br />
dans les lobes secondaires, le rapport r peut être approché par :<br />
( )<br />
r ≈ 1 − π2 NB 2<br />
144 u2 S . (3.21)<br />
f 0<br />
Ce résultat obtenu pour un réseau ALU de N capteurs espacés de d : demi-longueur d’onde par rapport à<br />
la fréquence centrale peut s’écrire sous une forme plus générale pour pouvoir être transposable à un réseau<br />
quelconque de distance intercapteur quelconque. En effet, puisque f 0 = 2c<br />
d et u SNd ≈ D S (dimension de<br />
l’antenne projetée sur la direction de l’onde incidente), (3.21) devient :<br />
r ≈ 1 − π2<br />
36<br />
( ) 2 BDS<br />
.<br />
c<br />
On valide maintenant le résultat précédent sur des simulations. Fig.3.4 compare le rapport exact (3.10)<br />
à l’approché (3.21) pour deux valeurs de bande fractionnée. On observe que l’approximation donnée par<br />
(3.21) est précise pour des faibles valeurs de bande fractionnée, sauf dans les premiers lobes secondaires.
50 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
0<br />
−0.1<br />
−0.2<br />
−0.3<br />
B/f 0<br />
=0.03<br />
r (dB)<br />
−0.4<br />
−0.5<br />
−0.6<br />
B/f 0<br />
=0.05<br />
−0.7<br />
−0.8<br />
−0.9<br />
−1 −0.9 −0.8 −0.7 −0.6 −0.5 −0.4 −0.3 −0.2 −0.1 0<br />
u = sin(θ )<br />
S S<br />
Fig. 3.4: Rapports de SINR r exact (3.10)(—) et approché (3.21)(- -) pour différentes bandes<br />
fractionnées, en fonction de la DOA de la source utile.<br />
3.4.4 Cas d’une source d’interférence vue dans le lobe principal<br />
Comme nous l’avons détaillé dans les paragraphes précédents, le SINR peut être approximé dans le<br />
cas d’une source d’interférence vue dans le lobe principal par σ 2 S φH S ˜R −1 φ S après insertion de (3.18) dans<br />
(3.17). Après une double application du lemme d’inversion matricielle, on peut écrire :<br />
∣ φ<br />
H<br />
S φ J,2<br />
∣ ∣<br />
2<br />
∣ φ<br />
H<br />
S φ J,1<br />
∣ ∣<br />
2<br />
φ H ˜R S −1 φ S = N σn 2 −<br />
σnβ<br />
4 −<br />
σnα<br />
4 ∣<br />
∣ φ<br />
H<br />
S φ J,2 2 ∣ ∣ ∣φ H<br />
J,2 φ J,1 2<br />
−<br />
σnβ 8 2 α<br />
+<br />
2<br />
σ 6 nβα Re[(φH S φ J,2 )(φ H J,1φ S )(φ H J,2φ J,1 )]<br />
avec β = 2<br />
σ 2 J<br />
+ N , α = β − |φH J,1 φ J,2| 2<br />
σn<br />
2 σn 4β<br />
et<br />
φ H S φ J,1 = e −j(N−1)x sin(Nx 1 1)<br />
sin(x 1 )<br />
φ H S φ J,2 = e −j(N−1)x sin(Nx 2 2)<br />
sin(x 2 )<br />
φ H −j2(N−1)∆x sin(2N∆x)<br />
J,2φ J,1 = e<br />
sin(2∆x)
3.4 Calcul d’expressions explicites de la perte en SINR 51<br />
0<br />
−2<br />
−4<br />
−6<br />
−8<br />
r (dB)<br />
−10<br />
−12<br />
−14<br />
−16<br />
−18<br />
exact<br />
approche<br />
−20<br />
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2<br />
u = sin(θ )<br />
S S<br />
Fig. 3.5: Rapports de SINR r exact (3.10) et approché (3.25) en fonction de la DOA de la source utile.<br />
où<br />
x 1<br />
x 2<br />
= x 0 + ∆x<br />
= x 0 − ∆x<br />
x 0 = π 2 (u S − u J )<br />
∆x = π 2<br />
∆f<br />
f 0<br />
u J . (3.22)<br />
Ensuite, après un développement limité sous l’hypothèse N ≫ 1 et ∆f<br />
f 0<br />
≪ 1 sous la contrainte N ∆f<br />
f 0<br />
≪ 1,<br />
et σ2 J<br />
σ 2 n<br />
≫ 1, on peut écrire pour x 0 ≠ 0<br />
avec {<br />
(<br />
φ H ˜R S −1 φ S ≈ φ H S R−1 φ S − b2 3σ 2 )<br />
J ∆x2<br />
4a N 3 σn 2σ2 J ∆x2 + 3σn<br />
4<br />
a = sin2 (Nx 0 )<br />
sin 2 (x 0 )<br />
b = Nsin(2Nx 0)<br />
sin 2 (x 0<br />
− sin2 (Nx 0 )sin(2x 0 )<br />
) sin 4 (x 0<br />
.<br />
)<br />
On en déduit une expression approchée du critère proposé :<br />
(<br />
r ≈ 1 −<br />
b 2<br />
4a<br />
3σ 2 J ∆x2<br />
N 3 σ 2 n σ2 J ∆x2 +3σ 4 n<br />
)<br />
(3.23)<br />
(3.24)<br />
φ H S R−1 φ S<br />
. (3.25)<br />
Pour valider cette dernière expression, on compare maintenant en Fig.3.5 la relation approchée (3.25)<br />
avec la relation exacte (3.10) en fonction de la DOA de la source utile. La bande fractionnée est égale<br />
à B f 0<br />
= 0.1. On observe que lorsque la source utile a une DOA dans le voisinage de celle de la source<br />
d’interférence, les pertes en SINR augmentent jusqu’à une position de source utile proche de celle de la<br />
source d’interférence. Ensuite, à partir de cette position jusqu’à la DOA de la source d’interférence, les
52 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
pertes en SINR décroissent rapidement. Quand les DOAs de la source utile et de la source d’interférence<br />
sont égales, les pertes ont presque disparu (le rapport exact (3.10) est égal à λ 1 σn+Nσ 2 J<br />
2<br />
µ 1<br />
≈ 1 [38] où λ<br />
NσS<br />
2 1 et<br />
µ 1 sont les valeurs propres les plus grandes de ¯R S et ¯R respectivement).<br />
On souhaite maintenant estimer le rapport de SINR minimal r min par rapport à la DOA de la source<br />
utile et relier cette valeur à la borne inférieure r lb (3.15). Dans ce but, on montre le résultat suivant :<br />
Résultat 3 Sous l’hypothèse selon laquelle B f 0<br />
≪ 1 et N ≫ 1 sous la contrainte N B f 0<br />
≪ 1, la perte<br />
maximale en SINR rmin −1 par rapport à la DOA de la source utile atteint presque la borne supérieure r−1<br />
lb<br />
égale au rapport entre la seconde valeur propre de la matrice de covariance interférences plus bruit et la<br />
valeur propre de bruit.<br />
Preuve<br />
En remarquant que le rapport minimal de SINR r min est atteint lorsque 0 < |x 0 | ≪ 1, on peut effectuer<br />
un développement limité du terme b2 a<br />
dans (3.25). Ainsi, en écrivant que<br />
déduit de (3.24), on obtient :<br />
b 2 a = 4sin2 (Nx 0 )<br />
sin 2 (x 0 )<br />
(<br />
N<br />
tan(Nx 0 ) − 1<br />
tan(x 0 )<br />
) 2<br />
b 2 a ≈ 4 9 N6 x 2 0 (3.26)<br />
à partir d’un développement limité au 3ème ordre de tan(Nx 0 ) et tan(x 0 ) en Nx 0 et x 0 respectivement,<br />
sous l’hypothèse que x 0 ≪ 1 et N ≫ 1 sous la contrainte Nx 0 ≪ 1. Ensuite, après avoir noté que<br />
φ H S R−1 φ S ≈ N3 x 2 0<br />
pour σ2 3σn<br />
2 J<br />
≫ 1, 0 < |x<br />
σn 2 0 | ≪ 1 et utilisé (3.22), on obtient l’approximation suivante de la<br />
valeur minimale de r :<br />
r min ≈<br />
σ 2 n<br />
N 3<br />
3 σ2 J ∆x2 + σ 2 n<br />
=<br />
N 3<br />
3 σ2 J π2<br />
48<br />
σ 2 n<br />
(<br />
B<br />
f 0<br />
) 2<br />
u<br />
2<br />
J<br />
+ σ 2 n<br />
. (3.27)<br />
( ) 2<br />
On remarque que N3<br />
3 σ2 J π2 B<br />
48 f 0<br />
u<br />
2<br />
J<br />
représente le développement limité au premier ordre de la seconde<br />
valeur propre de la matrice de covariance du signal d’interférence seul (déduit de [33, expressions 27 et 28]<br />
pour NB<br />
f 0<br />
≪ 1), de sorte que le dénominateur de (3.27) constitue une approximation de µ 2 . Finalement,<br />
en prenant l’inverse de (3.27), on termine la preuve.<br />
Afin d’observer l’influence de la bande fractionnée sur la valeur du rapport de SINR minimal r min , on<br />
trace en Fig.3.6 cette dernière en fonction de B f 0<br />
pour les mêmes valeurs de N que dans les simulations<br />
précédentes. Premièrement, on observe que la courbe approchée (3.27) fournit une approximation très<br />
précise de la valeur exacte r min obtenue par calcul numérique du minimum de (3.10), sauf lorsque la valeur<br />
de bande fractionnée devient trop importante (par exemple pour B f 0<br />
> 0.02 avec les paramètres considérés).<br />
Deuxièmement, on remarque que r min décroît rapidement lorsque la largeur de bande augmente. On<br />
analyse ensuite l’influence du nombre de capteurs sur r min . Fig.3.7 montre la valeur de ce minimum à<br />
partir des expressions exacte et approchée, pour différentes valeurs de N et pour une bande fractionnée<br />
égale à B f 0<br />
= 0.01. On vérifie que l’approximation donnée par (3.27) est précise, sauf pour des valeurs<br />
élevées du nombre de capteurs. Cela s’explique par le fait que le développement limité effectué dans<br />
le paragraphe 3.4.4 est valable sous l’hypothèse N ∆f<br />
f 0<br />
≪ 1 (alors que par exemple, quand N = 64,<br />
N ∆f<br />
f 0<br />
≈ 0.2).
3.4 Calcul d’expressions explicites de la perte en SINR 53<br />
0<br />
exact<br />
approche<br />
−5<br />
−10<br />
r min<br />
(dB)<br />
−15<br />
−20<br />
−25<br />
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1<br />
B/f 0<br />
Fig. 3.6: Valeurs de r min exacte et approchée (3.27) en fonction de la bande fractionnée.<br />
0<br />
exact<br />
approche<br />
−2<br />
−4<br />
r min<br />
(dB)<br />
−6<br />
−8<br />
−10<br />
−12<br />
−14<br />
0 10 20 30 40 50 60 70<br />
nombre de capteurs<br />
Fig. 3.7: Valeurs de r min exacte et approchée (3.27) en fonction du nombre de capteurs.
54 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
0.7<br />
0.6<br />
u S<br />
=1<br />
u S<br />
=0.5<br />
0.5<br />
0.4<br />
B/f 0<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
10 20 30 40 50 60 70 80 90 100<br />
number of sensors<br />
Fig. 3.8: Bande fractionnée admissible maximale selon (3.29) avec β = 0.69, pour différentes DOAs de<br />
la source utile, en fonction du nombre de capteurs.<br />
3.4.5 Définition d’un signal bande étroite au sens de la formation de faisceaux<br />
A partir du rapport de SINR (3.10) et du choix d’un seuil de performance 4 noté β, on peut définir<br />
des signaux bande étroite du point de vue du SINR lorsque la condition suivante est vérifiée :<br />
r ≥ 1 − β. (3.28)<br />
Dans les paragraphes précédents, nous avons donné des approximations du rapport de SINR r. On remplace<br />
maintenant ces dernières dans (3.28) pour calculer la valeur maximale de bande fractionnée au sens<br />
de la condition considérée. Dans un premier temps, on s’intéresse au cas d’une source d’interférence vue<br />
dans les lobes secondaires. En insérant (3.21) dans la condition (3.28), on obtient le résultat suivant :<br />
Résultat 4 En présence d’une source d’interférence vue dans les lobes secondaires, les signaux sont bande<br />
étroite du point de vue du SINR lorsque<br />
u S<br />
B<br />
f 0<br />
≤ 12√ β<br />
Nπ . (3.29)<br />
On note que la condition (3.29) est indépendante des différentes puissances. De plus, elle ne dépend<br />
pas explicitement de u J . Cependant, comme le rapport en SINR est obtenu en supposant que la source<br />
d’interférence est vue dans les lobes secondaires de l’antenne, il repose sur l’hypothèse |u S − u J | ≫ 1 N .<br />
Pour visualiser cette condition, on trace en Fig.3.8 la valeur admissible maximale de bande fractionnée<br />
en fonction de N. On choisit le seuil β = 0.69 correspondant à une perte en SINR d’environ 5 dB. Dans<br />
un second temps, on étudie le cas d’une source d’interférence vue dans le lobe principal d’antenne. En<br />
utilisant (3.27) dans la condition (3.28), on obtient le résultat suivant :<br />
4 Comme il a été remarqué par Zatman, le choix d’un tel seuil est quelque peu arbitraire. Cependant, une valeur de perte<br />
en SINR de 5 dB (correspondant à β = 0.69) sera utilisée dans la suite, car elle correspond à une limitation de performance<br />
en détection à 75% de la portée du radar en contexte bande étroite [33].
3.5 Application à l’étude de performance du filtrage spatial par sous-bandes indépendantes 55<br />
0.06<br />
u J<br />
=0.5<br />
u J<br />
=0.1<br />
0.05<br />
0.04<br />
B/f 0<br />
0.03<br />
0.02<br />
0.01<br />
0<br />
10 20 30 40 50 60 70 80 90 100<br />
nombre de capteurs<br />
Fig. 3.9: Bande fractionnée admissible maximale selon (3.30) avec β = 0.69, pour différentes DOAs de<br />
la source utile, en fonction du nombre de capteurs.<br />
Résultat 5 En présence d’une source d’interférence vue dans le lobe principal, les signaux sont bande<br />
étroite du point de vue du SINR lorsque<br />
√<br />
B<br />
u J ≤<br />
12σ n β<br />
f 0 πN 3 2σ J<br />
1 − β . (3.30)<br />
On trace maintenant en Fig.3.9 la valeur admissible maximale de bande fractionnée en fonction de N, et<br />
pour le pire cas de position de la source utile. Le seuil β est le même que précédemment. On observe que<br />
les valeurs admissibles maximales de largeur de bande au sens de cette dernière condition sont largement<br />
inférieures à celles de la condition (3.29). Cela est dû à la présence du terme √ N σ J<br />
σ n<br />
au dénominateur de<br />
(3.30) qui n’apparaît pas dans (3.29).<br />
3.5 Application à l’étude de performance du filtrage spatial par sousbandes<br />
indépendantes<br />
Dans la section précédente, on a effectué une étude de robustesse du filtrage spatial bande étroite<br />
par rapport à la largeur de bande du signal à filtrer. Les calculs effectués sont valables lorsque la largeur<br />
de bande est relativement faible de sorte que les matrices de covariance du signal utile et du signal<br />
d’interférence peuvent être approximées par des matrices de rang deux. Lorsque la largeur de bande des<br />
signaux est importante, et que le filtrage spatial bande étroite conduit à des mauvaises performances<br />
en termes de SINR, une décomposition par sous-bandes peut être effectuée, suivie d’un filtrage spatial<br />
par sous-bandes indépendantes. La décomposition a pour objectif de suffisamment réduire la bande des<br />
signaux pour que le filtrage spatial bande étroite sur chaque sous-bande soit efficace.<br />
L’objectif de cette section est d’appliquer l’analyse du SINR après filtrage spatial bande étroite sur un<br />
signal de largeur de bande non nulle, à l’analyse du SINR après filtrage par sous-bandes indépendantes. En<br />
effet, après décomposition par un nombre suffisant de sous-bandes, les matrices de covariance des signaux<br />
sur chaque sous-bandes peuvent être approximées par des matrices de rang deux. L’étude de robustesse
56 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
effectuée dans la section précédente peut donc s’appliquer, conduisant à une expression des puissances<br />
de signal et de bruit sur chaque sous-bande à partir desquelles le SINR peut être calculé. Tout d’abord,<br />
on étudie le cas d’une décomposition en sous-bandes par Transformée de Fourier Discrète (TFD). Puis,<br />
on s’intéresse au cas d’une décomposition en sous-bandes par utilisation d’un banc de filtre sélectif en<br />
fréquence.<br />
3.5.1 Décomposition par TFD<br />
Expression des matrices de covariance spatio-fréquentielles<br />
On note M le nombre de sous-bandes en lequel les données sont décomposées par TFD et T la<br />
période d’échantillonnage temporel. Ensuite, on appelle f max la fréquence maximale dans la bande et on<br />
suppose que l’échantillonnage spatial s’effectue avec une distance intercapteur minimale (donc égale à<br />
c<br />
2f max<br />
) afin d’éviter toute ambiguïté spatiale. Puis, on introduit Y = [y0 TyT 1 · · ·yT M−1 ]T les données spatiofréquentielles<br />
où (y m ) m=0..M−1 sont les données spatiales sur la fréquence m. La matrice de covariance<br />
spatio-fréquentielle des données est E{YY H } dont les blocs sont les matrices E{y m yl H }. Ensuite, notons<br />
e mk = e<br />
−j2π<br />
mk<br />
M les éléments de la transformation par TFD et :<br />
⎡<br />
e m = ⎢<br />
⎣<br />
1<br />
e j2π m M<br />
.<br />
m(M−1)<br />
j2π<br />
e M<br />
On introduit également la matrice T m = [ e m0 I N e m1 I N<br />
]<br />
... e mM−1 I N où IN est la matrice identité<br />
de taille (N × N). Avec ces notations, on a :<br />
⎤<br />
⎥<br />
⎦ .<br />
E{y m y H l } = T m (R S,M + R M )T H l<br />
où R S,M et R M sont les matrices de covariance spatio-temporelles respectives du signal utile et des<br />
interférences plus bruit. Elles sont de dimension NM × NM. En raison de la stationnarité des processus,<br />
ces matrices sont bloc-Toeplitz et peuvent s’écrire sous la forme :<br />
⎡<br />
⎤<br />
R 0 R H 1 · · · R H M−1<br />
. R .. . .. 1 R<br />
H M−2<br />
⎢<br />
⎣<br />
.<br />
. ..<br />
⎥<br />
(3.31)<br />
. ⎦<br />
R M−1 R M−2 ... R 0<br />
où<br />
et<br />
R m =<br />
∫ B<br />
2<br />
− B 2<br />
σ 2 S<br />
B φ(θ S,f 0 + f)φ(θ S ,f 0 + f) H e −i2πmfT df<br />
∫ B [<br />
2 σ<br />
2<br />
]<br />
R m = J<br />
− B B φ(θ J,f 0 +f)φ(θ J ,f 0 +f) H + σ2 n<br />
B I e −i2πmfT df<br />
2<br />
avec m = 0,...,M − 1, pour ¯R S,M et ¯R M respectivement. On en déduit que [39] :<br />
∫ B<br />
E{y m yl H 2<br />
}= [ σ2 S<br />
− B B φ S(f 0 +f)φ S (f 0 +f) H + σ2 J<br />
B φ J(f 0 +f)φ J (f 0 +f) H ]a(f,m − l)df +δ(m − l)MσnI 2 N<br />
2<br />
avec<br />
a(f,m) = ∣ ∣ e<br />
H<br />
m e(f) ∣ ∣ 2 , m = 0,...,M − 1 (3.32)
3.5 Application à l’étude de performance du filtrage spatial par sous-bandes indépendantes 57<br />
et<br />
Enfin, on note :<br />
⎡<br />
e(f) = ⎢<br />
⎣<br />
⎤<br />
1<br />
e j2πfT<br />
⎥<br />
. ⎦ .<br />
e j2πf(M−1)T<br />
E{y m y H m } = S f(m) + S n (m)<br />
la matrice de covariance spatio-fréquentielle des données sur la sous-bande m avec S f (m) et S n (m) correspondant<br />
respectivement aux matrices de covariance spatio-fréquentielle du signal utile et des interférences<br />
plus bruit.<br />
Expression du SINR<br />
Un filtrage spatial est appliqué sur chaque case fréquentielle. Lorsque l’algorithme MVDR est appliqué,<br />
le filtre spatial s’écrit :<br />
w m =<br />
S−1 n (m)φ m<br />
φ m S −1 , m = 0,...,M − 1 (3.33)<br />
n (m)φ m<br />
avec<br />
⎡<br />
⎤<br />
1<br />
e jπu S<br />
fm<br />
fmax<br />
φ m =<br />
⎢<br />
⎥<br />
⎣ . ⎦<br />
et<br />
f m =<br />
e jπ(N−1)u S<br />
fm<br />
fmax<br />
{<br />
f0 + mB<br />
M pour m < M 2<br />
f 0 − B + mB<br />
M sinon .<br />
Ensuite, on suppose que E{y m y H l<br />
} = δ(m − l)E{y m y H m}, ce qui est réaliste pour d’importantes valeurs<br />
de M, cf. par exemple [6, chap. 5]. Dans ce cas, le SINR devient [6]<br />
SINR ≈<br />
avec S f (m) = ∫ B<br />
2 σ<br />
− B S 2<br />
B<br />
a(f,m)φ S (f 0 +f)φ H S (f 0+f)df et S n (m) = ∫ B<br />
2<br />
− B 2<br />
2<br />
Mσn 2I N. De plus, en développant (3.32), on obtient :<br />
∑ M−1<br />
m=0 wH mS f (m)w m<br />
∑ M−1<br />
m=0 wH m S n(m)w m<br />
(3.34)<br />
a(f,m) = sin2 ( πM(fT − m M ))<br />
sin 2 ( π(fT − m M )) .<br />
σ 2 J<br />
B<br />
a(f,m)φ J (f 0 +f)φ H J (f 0+f)df +<br />
Comme cela a été expliqué dans [39], la fonction a(f,m) quantifie la puissance des fréquences différentes<br />
de f m pour m = 0...M − 1 qui affectent S n (m). Idéalement elle vaut zéro sauf pour f = f m − f 0 . En<br />
Fig.3.10, on trace les fonctions a(f,m) pour M = 16. Afin d’étudier dans la suite les performances du<br />
filtrage par sous-bandes indépendantes après décomposition par TFD, on se placera dans le cas où le<br />
signal utile se trouve dans la direction normale à l’antenne. Notons que l’on peut également se ramener<br />
à cette situation en compensant les retards intercapteurs dans la direction visée (préfocalisation). Sous<br />
cette hypothèse, on a (cf. [6]) :<br />
SINR ≈<br />
∑ M−1<br />
m=0<br />
M 2 σ 2 S<br />
1<br />
1 H S −1<br />
n (m)1<br />
que l’on obtient en utilisant (3.33) dans (3.34) avec φ m = φ S (f) = 1 de dimension (M × 1).<br />
(3.35)
58 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
300<br />
250<br />
200<br />
a(f,m)<br />
150<br />
100<br />
50<br />
0<br />
−0.5 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5<br />
f/B<br />
Fig. 3.10: a(f,m) pour m = 0..15<br />
Etude de performance<br />
Nous nous intéressons maintenant à l’étude de performance du filtrage par sous-bandes indépendantes<br />
avec utilisation de l’algorithme MVDR. Plus précisément, on cherche à faire l’analyse du SINR donné par<br />
(3.35). Ainsi, on remarque tout d’abord que le terme 1 H S −1<br />
n (m)1 au dénominateur de (3.35) ressemble<br />
au terme φ H ¯R S −1 φ S étudié lors de l’analyse de robustesse du filtrage spatial par rapport à la largeur<br />
de bande. La différence entre les deux termes est liée à la présence de la fonction a(f,m) qui pondère<br />
les différentes composantes fréquentielles intervenant dans S n (m). Notons ainsi que lorsque M = 1,<br />
a(f,m) = 1 et les deux expressions sont identiques (en choisissant un signal utile normal à l’antenne).<br />
Ce constat suggère d’utiliser l’approximation (3.23) obtenue dans la partie précédente pour analyser<br />
1 H S −1<br />
n (m)1. Une question se pose alors : lors de l’approximation de la matrice par une matrice de<br />
rang deux, quel espacement fréquentiel prendre entre les matrices Précédemment, la valeur ∆f choisie<br />
correspondait à l’écart type d’une variable aléatoire uniformément répartie entre −B/2 et B/2. Ce choix<br />
est lié à la forme de la fonction de pondération des différentes composantes fréquentielles de ¯R à savoir<br />
une fonction porte. Dans le cas présent, la fonction a(f,m) ressemble à une fonction gaussienne. On peut<br />
donc choisir ∆f comme étant la valeur de l’écart type de la fonction gaussienne approchant la fonction<br />
a(f,m). Introduisons pour cela la fonction gaussienne g(f,m) d’expression :<br />
g(f,m) = M 2 e −(f+f 0 −fm)2<br />
2σ 2 f (M) . (3.36)<br />
Pour obtenir la valeur de σ f (M), on égalise les développements limités au premier ordre de chaque<br />
fonction. Après un calcul rapide, on obtient :<br />
σ f (M) =<br />
√<br />
3<br />
2<br />
B<br />
πM . (3.37)<br />
Afin d’illustrer cette approximation, on compare maintenant sur Fig.3.11 la fonction a(f,0) avec son<br />
approximation gaussienne pour M = 8. En utilisant (3.37) à la place de ∆f dans (3.23), on obtient
3.5 Application à l’étude de performance du filtrage spatial par sous-bandes indépendantes 59<br />
70<br />
60<br />
a(f,0)<br />
g(f,0)<br />
50<br />
40<br />
30<br />
20<br />
10<br />
0<br />
−0.5 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5<br />
f/B<br />
Fig. 3.11: Comparaison de a(f,0) et g(f,0) pour M = 8<br />
l’approximation :<br />
avec<br />
1 H S −1<br />
n (m)1 ≈ 1 (<br />
M 1H R −1<br />
n (m)1 −<br />
b2 3σ 2 )<br />
J ∆x2 (M)<br />
4aM N 3 σn 2σ2 J ∆x2 (M) + 3σn<br />
4<br />
{<br />
Rn (m) = σJ 2φm J φmH J + σn 2I N<br />
φ m J = φ J(f m )<br />
(3.38)<br />
(3.39)<br />
et a et b donnés par (3.24) et ∆x(M) = π σ f (M)<br />
2 f max<br />
u J . Nous remarquons que le second terme de (3.38)<br />
est indépendant de la sous-bande m mais que ce n’est pas le cas du premier. Cependant, comme (3.38)<br />
est une approximation, les termes négligeables devant le second ont été négligés et l’on peut se demander<br />
( si la partie dépendante ) de la sous-bande dans 1 H R −1<br />
n (m)1 ne peut pas être négligée devant<br />
. Développons pour cela 1 H R −1<br />
n (m)1 :<br />
b 2<br />
4aM<br />
3σJ 2∆x2 (M)<br />
N 3 σnσ 2 J 2∆x2 (M)+3σn<br />
4<br />
Or, pour Nπu JB<br />
2f max<br />
1 H R −1<br />
n (m)1 = N σn<br />
2 − σ2 J<br />
σn<br />
2<br />
≪ 1, on peut écrire ∣ “<br />
∣1 H φ m NπuJ<br />
∣ 2 J = sin2 fm<br />
2fmax<br />
sin 2“ πu J fm<br />
2fmax<br />
∣ 1 H φ m ∣ 2<br />
J<br />
σn 2 + NσJ<br />
2 .<br />
” “ ” NπuJ<br />
” ≈ sin2 f 0<br />
2fmax<br />
sin 2“ πu J f 0<br />
2fmax<br />
” = ∣ ∣1 H φ 0 ∣ 2 J . On en déduit<br />
que lorsque le reste de l’approximation ( précédente, divisé par ) le nombre de capteurs (cf. l’expression de<br />
1 H R −1<br />
b2<br />
n (m)1) est négligeable devant<br />
4a<br />
, on peut écrire :<br />
3σ 2 J ∆x2 (M)<br />
N 3 σ 2 n σ2 J ∆x2 (M)+3σ 4 n<br />
1 H S −1<br />
n (m)1 ≈ 1 M 1H R −1<br />
n (0)1 −<br />
b2<br />
4aM<br />
(<br />
3σ 2 J ∆x2 (M)<br />
N 3 σ 2 n σ2 J ∆x2 (M) + 3σ 4 n<br />
)<br />
(3.40)<br />
qui est indépendant de m. Par conséquent, en remplaçant (3.40) dans (3.35) , on obtient :<br />
(<br />
SINR ≈ σS1 2 H R −1<br />
n (0)1 − σ2 S b2 3σ 2 )<br />
J ∆x2 (M)<br />
4a N 3 σn 2σ2 J ∆x2 (M) + 3σn<br />
4 . (3.41)
60 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
2.5<br />
2<br />
1.5<br />
SINR (dB)<br />
1<br />
0.5<br />
0<br />
−0.5<br />
exact, a(f,m)<br />
approximation<br />
exact, a(f,m)=g(f,m)<br />
−1<br />
0 10 20 30 40 50 60 70<br />
M<br />
Fig. 3.12: Comparaison entre le SINR approché (3.41) (- -) et le SINR exact (3.34) (—), en fonction de<br />
M<br />
Cette expression montre que le SINR est majoré par le SINR bande étroite σS 21H R −1<br />
n (0)1. De plus,<br />
elle converge vers cette valeur lorsque le nombre de sous-bandes M croit (parce que la fonction ∆x(M)<br />
décroit). Afin d’illustrer l’approximation par simulations, on compare en Fig.3.12 la valeur approchée<br />
du SINR (3.41) à la valeur exacte (3.35), en fonction de M. Le signal utile est normal à l’antenne<br />
(u S = 0) et la source d’interférence a pour DOA u J = 0.05. Le nombre de capteurs est égal à N = 10.<br />
Les autres paramètres sont inchangés. Puis, afin de distinguer les erreurs d’approximation provenant<br />
de (3.23) de celles liées à la comparaison de a(f,m) avec la gaussienne g(f,m), on trace également le<br />
SINR exact obtenu par (3.34) avec a(f,m) = g(f,m). On vérifie que les différentes courbes représentent<br />
des fonctions croissantes du nombre de sous-bandes. Cependant, contrairement à la courbe du SINR<br />
exact avec a(f,m) = g(f,m), on remarque une différence importante entre la courbe exacte avec la<br />
véritable fonction a(f,m) et la courbe approchée. On en conclue donc que la différence provient de<br />
l’erreur d’approximation de la fonction de pondération par une gaussienne. Cherchons donc maintenant<br />
à analyser cette approximation.<br />
Tout d’abord, en observant Fig.3.11, on note que la première différence importante entre les deux<br />
fonctions est l’existence des lobes secondaires de a(f,m) qui n’existent pas avec g(f,m). Ensuite, la seconde<br />
différence résulte de la périodicité de la fonction a(f,m). Ainsi, comme on peut le voir sur Fig.3.10, la<br />
fonction a(f,m c ) avec m c = M 2<br />
+ 1 a son lobe principal réparti autour des fréquences normalisées −0.5<br />
et par périodicité 0.5. Par conséquent, les matrices S f (m c ) et S n (m c ) vont subir un étalement spectral<br />
par rapport aux autres matrices S f (m) et S n (m) avec m ≠ m c , et l’antibrouillage de la sous-bande<br />
correspondante s’en trouve dégradé. Pour illustrer cette remarque, on représente en Fig.3.13 les valeurs<br />
propres de la matrice S n (m) lorsque M = 16. On vérifie que l’étalement spectral de S n (m c ) est plus<br />
important que celui des autres matrices S n (m) avec m ≠ m c . Afin d’éviter cette dernière dégradation,<br />
on peut modifier la fréquence d’échantillonnage. Ainsi, en suréchantillonnant, on peut éviter que le filtre<br />
m c se trouve réparti autour des fréquences − B 2 et B 2 . Si l’on note B ech la fréquence d’échantillonnage, on<br />
peut alors montrer qu’un choix empirique efficace est :<br />
B ech = B(1 + 2 ). (3.42)<br />
M
3.5 Application à l’étude de performance du filtrage spatial par sous-bandes indépendantes 61<br />
55<br />
50<br />
45<br />
40<br />
m c<br />
=M/2+1<br />
dB<br />
35<br />
30<br />
25<br />
m≠m c<br />
20<br />
15<br />
1 1.5 2 2.5 3 3.5 4<br />
indice de valeur propre<br />
Fig. 3.13: Comparaison des valeurs propres des différentes matrices S n (m) lorsque M = 16<br />
Pour observer l’influence de ce paramètre, on compare maintenant les performances exactes (3.35) et<br />
approchées par (3.41) lorsque la fréquence d’échantillonnage est donnée par (3.42). En reprenant les paramètres<br />
de Fig.3.12, on obtient Fig.3.14. En comparant Fig.3.12 et Fig.3.14, on note que les différences<br />
entre la courbe exacte (—) et la courbe approchée (- -) s’atténuent sensiblement lorsque l’on suréchantillonne<br />
suivant (3.42). Cependant, l’erreur d’approximation reste importante, montrant les limites de l’utilisation<br />
d’une décomposition par TFD dans un contexte de filtrage adaptatif par sous-bandes.<br />
3.5.2 Décomposition par banc de filtres<br />
Formation du banc de filtres<br />
Afin d’améliorer les performances d’antibrouillage, on cherche maintenant à modifier les filtres de<br />
décomposition en sous-bandes, de façon à les rendre plus sélectifs en fréquence. Pour cela, on s’appuie<br />
sur la théorie des bancs de filtres à reconstruction parfaite ou presque parfaite (cf. par exemple [40]). En<br />
particulier, on s’intéresse à l’utilisation de bancs de filtres à TFD uniforme pour lesquels le filtre prototype<br />
est formé par interpolation d’un filtre QMF comme dans [41]. Cette méthode permet d’effectuer une<br />
décomposition en un nombre quelconque de sous-bandes (sous la seule contrainte de parité de ce nombre)<br />
en s’appuyant sur les travaux de synthèse de filtres QMF existant. De plus, l’erreur de reconstruction<br />
des signaux est déterminée par le prototype du banc de filtres QMF choisi et pour lequel de nombreuses<br />
études d’optimisation ont été réalisées [42].<br />
Tout d’abord, donnons un exemple de banc de filtres utilisé lorsque le nombre de sous-bandes est choisi<br />
égal à M = 8. Le filtre prototype est formé par interpolation sur 4 points d’un filtre QMF. Les coefficients<br />
de la réponse impulsionnelle de ce dernier sont repris de [43]. Dans cet article, l’auteur propose une optimisation<br />
afin de minimiser la fluctuation de la réponse du système et de maximiser la rejection en dehors<br />
de la bande passante. On choisit d’utiliser dans l’exemple le filtre ayant une réponse impulsionnelle de 32<br />
coefficients (32 TAP C) dont les caractéristiques sont explicitées dans [43]. On représente la fonction de<br />
transfert des différents filtres composant le banc de filtres en Fig.3.15. On vérifie que les lobes secondaires<br />
des fonctions de transfert sont très faibles et que la réponse en fréquence du système est plate.
62 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande<br />
2.5<br />
2<br />
1.5<br />
SINR(dB)<br />
1<br />
0.5<br />
0<br />
−0.5<br />
−1<br />
0 10 20 30 40 50 60 70<br />
M<br />
Fig. 3.14: Comparaison entre le SINR approché (3.41) (- -) et le SINR exact (3.34) (—), en fonction de<br />
M, lorsque la fréquence d’échantillonnage est égale à B ech<br />
10<br />
0<br />
−10<br />
−20<br />
−30<br />
dB<br />
−40<br />
−50<br />
−60<br />
−70<br />
−80<br />
−0.5 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5<br />
frequence normalisee<br />
Fig. 3.15: Fonction de transfert des filtres du banc de filtres, avec M = 8 sous bandes
3.6 Conclusion 63<br />
2.5<br />
2<br />
1.5<br />
SINR(dB)<br />
1<br />
0.5<br />
0<br />
−0.5<br />
−1<br />
0 10 20 30 40 50 60 70<br />
M<br />
Fig. 3.16: Comparaison entre le SINR approché (3.41) (- -) et le SINR exact (3.34) (—), en fonction de<br />
M, avec décomposition par banc de filtres, lorsque la fréquence d’échantillonnage est égale à B ech<br />
Etude de performance<br />
Cherchons maintenant à quantifier analytiquement les performances du filtrage en sous-bandes indépendantes<br />
après décomposition par de tels bancs de filtres. A la différence de la décomposition par TFD, on remarque<br />
que les fonctions de transfert des filtres sont plates dans leur bande passante. Par conséquent, la fonction<br />
porte permet d’en donner une bonne approximation. Comme dans le paragraphe 3.4, on utilisera par<br />
conséquent l’écart type σ f (M) =<br />
B<br />
2M √ dans (3.41). Dans Fig.3.16, on compare le SINR exact donné par<br />
3<br />
((3.35)) au SINR approché donné par (3.41) avec les mêmes paramètres que pour Fig.3.14. En comparant<br />
Fig.3.16 à Fig.3.14, on remarque tout d’abord que les SINRs exacts et approchés de Fig.3.16 sont<br />
respectivement supérieurs aux SINRs exacts et approchés de Fig.3.14 On vérifie ainsi que le filtrage par<br />
sous-bandes indépendantes est beaucoup plus efficace lorsque les sous-bandes sont formées par utilisation<br />
d’un banc de filtres que par TFD. Puis, on remarque sur Fig.3.16 que contrairement à Fig.3.14, la courbe<br />
approchée donne maintenant une approximation précise du SINR exact.<br />
3.6 Conclusion<br />
Dans ce chapitre, nous nous sommes intéressés à l’étude de robustesse du filtrage spatial adaptatif<br />
bande étroite par rapport à la largeur de bande. Ainsi, nous avons considéré le critère de la perte en<br />
performance du filtrage adaptatif bande étroite standard, en termes de SINR, résultant de l’augmentation<br />
de largeur de bande. Dans un premier temps, nous avons montré que cette perte en SINR était majorée<br />
par le rapport entre la seconde valeur propre de la matrice de covariance interférences plus bruit et la<br />
valeur propre de bruit. Ensuite, en utilisant des résultats sur les valeurs et vecteurs propres de matrices<br />
de covariance de signaux très rapprochés en fréquence, une expression interprétable de la perte en SINR<br />
a été calculée et des conditions suffisantes pour que la perte en SINR atteigne presque la borne supérieure<br />
ont été données. A partir de l’expression de la perte en SINR obtenue, deux définitions de la notion de<br />
‘bande étroite’ au sens du filtrage spatial adaptatif ont été proposées. Enfin, les résultats de l’étude de<br />
robustesse ont été appliqués à l’étude de performance du filtrage spatial par sous-bandes indépendantes.
64 Robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande
Chapitre 4<br />
Etude de performance asymptotique du<br />
filtrage spatio-temporel adaptatif large<br />
bande MSINR<br />
Sommaire<br />
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65<br />
4.2 Problème des valeurs propres généralisées . . . . . . . . . . . . . . . . . . . . . 66<br />
4.3 Distribution asymptotique des valeurs propres généralisées de matrices bloc<br />
Toeplitz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68<br />
4.4 Application à la formation de faisceaux spatio-temporelle . . . . . . . . . . . . 71<br />
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80<br />
4.1 Introduction<br />
Dans de nombreuses applications en détection, comme le radar et le sonar, le principal critère de<br />
performance est le rapport signal sur bruit (SINR). Si un filtre linéaire est appliqué sur les données, le SINR<br />
correspond à un quotient de Rayleigh associé aux matrices de covariance des composantes de signal et<br />
d’interférences plus bruit. Dans de nombreuses applications, ces matrices possèdent une certaine structure.<br />
Par exemple, si les données d’observation sont modélisées par des processus aléatoires stationnaires au<br />
second ordre, elles possèdent une structure de Toeplitz dans le cas d’un filtrage temporel et bloc Toeplitz<br />
dans le cas d’un filtrage spatio-temporel. Dans le cas plus général d’un processus aléatoire stationnaire<br />
au second ordre, de dimension quelconque, les matrices de covariance ont une structure multi-niveaux<br />
Toeplitz bloc Toeplitz.<br />
Dans ce chapitre, on étudie le problème de l’influence de l’ordre du filtre sur le SINR optimal. Plus<br />
spécifiquement, on considère le cas de matrices bloc Toeplitz 1 . Comme le SINR optimal correspond à la<br />
valeur maximale d’un quotient de Rayleigh, il peut être interprété comme la plus grande valeur propre<br />
généralisée des deux matrices. Par conséquent, le problème de l’influence de l’ordre du filtre sur le SINR est<br />
très lié au problème de valeurs propres généralisées. En analyse numérique, un problème similaire traite de<br />
l’analyse du comportement des valeurs propres d’une matrice préconditionnée. Le préconditionnement est<br />
par exemple utilisé avec la méthode du gradient conjugué et a pour but de concentrer les valeurs propres<br />
d’une matrice pour accélérer la convergence de l’algorithme (cf. par exemple [44]). Pour ce problème,<br />
des résultats sur le comportement asymptotique des valeurs propres de matrices bloc Toeplitz ont été<br />
1 Le cas général des matrices multi-niveaux Toeplitz bloc Toeplitz est étudié dans le chapitre suivant, car il n’est pas<br />
directement applicable à l’étude de performance du filtrage spatio-temporel considérée dans ce chapitre.
66 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande MSINR<br />
obtenus [45]. En particulier, les auteurs ont calculé la valeur limite exacte du nombre de conditionnement<br />
d’une séquence de matrices Hermitiennes bloc Toeplitz préconditionnées, après calcul de la limite des<br />
plus petite et plus grande valeurs propres de cette séquence de matrice. Cette analyse a été effectuée sous<br />
l’hypothèse mathématique selon laquelle la séquence de matrices Hermitiennes bloc Toeplitz est générée<br />
par des fonctions matricielles Hermitiennes mesurables et bornées presque partout. Cependant, il n’y a<br />
pas d’extension du célèbre théorème de Szegö [46], qui affirme que les valeurs propres d’une séquence de<br />
matrices Hermitiennes de Toeplitz se comportent asymptotiquement comme les échantillons de la transformée<br />
de Fourier de ses entrées, aux valeurs propres généralisées d’une paire de matrices Hermitiennes<br />
dans [45], ni à notre connaissance dans la littérature. Ce théorème nous permet de caractériser la distribution<br />
des valeurs propres de matrices de Toeplitz à partir de laquelle de nombreuses propriétés peuvent<br />
être déduites (cf. par exemple [47]).<br />
Ici, nous proposons une extension du théorème de Szegö aux valeurs propres généralisées des matrices<br />
bloc Toeplitz, la taille des blocs restant fixe. La preuve est faite sous l’hypothèse d’éléments absolument<br />
sommables. Cette hypothèse nous permet d’utiliser l’approche proposée par Gray dans [48] et reposant<br />
sur l’équivalence asymptotique de séquences de matrices. Auparavant, afin d’avoir une caractérisation<br />
des valeurs propres généralisées de paires quelconques de matrices Hermitiennes complète, on introduit<br />
une extension du théorème d’entrelacement de Cauchy qui fournit des inégalités sur les valeurs propres<br />
généralisées d’une paire de matrices Hermitiennes et de leurs sous-matrices principales.<br />
Ensuite, en seconde partie de ce chapitre, l’extension du théorème de Szegö est appliquée à l’étude de<br />
performance du filtrage spatio-temporel (ou avec des lignes à retard) large bande (cf. par exemple, [6, chap.<br />
6.13]) maximisant le SINR. On calcule ainsi l’expression du SINR spatio-temporel optimal asymptotique<br />
par rapport au nombre de retards pour montrer qu’il peut améliorer le SINR spatial optimal à bande<br />
étroite associé. Ce résultat est illustré par des simulations numériques, tout comme la convergence du<br />
SINR à nombre fini de retards vers le SINR asymptotique. On peut noter que de nombreux auteurs ont<br />
étudié la performance des algorithmes de formation de faisceaux large bande, implémentés dans le domaine<br />
temporel (cf. par exemple, [49,50]), ou dans le domaine fréquentiel (cf. par exemple, [35,39]). Cependant,<br />
à notre connaissance, ils ont considéré différents critères d’optimisation du filtre spatio-temporel, comme<br />
les critères Minimum Mean Square Error (MMSE) (cf. par exemple, [3,49]), ou Minimum Variance with<br />
Distortionless Response (MVDR) (cf. par exemple, [51]). De plus, la plupart des études ont été réalisées<br />
au travers de simulations numériques (cf. par exemple, [49–52]) et peu de résultats analytiques existent.<br />
De plus, ils ont été obtenus pour des cas particuliers d’antennes avec un nombre limité de capteurs (cf.<br />
par exemple, [3,53,54]). Contrairement aux approches précédentes, notre approche est asymptotique au<br />
sens du nombre de retards, ce qui nous permet de considérer des antennes quelconques avec un nombre<br />
fixé mais arbitraire d’éléments.<br />
Ce chapitre est organisé de la façon suivante. Tout d’abord, le principe du problème des valeurs propres<br />
généralisées est rappelé et un théorème d’entrelacement des valeurs propres généralisées est proposé. Puis,<br />
après un rappel des résultats existants sur l’équivalence asymptotique de séquences de matrices, une<br />
preuve du théorème de Szegö étendu au comportement asymptotique des valeurs propres généralisées de<br />
matrices bloc Toeplitz est donnée. Enfin, ce théorème est appliqué à l’étude de performance asymptotique<br />
du filtrage spatio-temporel large bande optimal au sens de la maximisation du SINR.<br />
4.2 Problème des valeurs propres généralisées<br />
Dans cette section, on commence par faire un rappel sur le problème des valeurs propres généralisées.<br />
Ensuite, on étend le théorème d’entrelacement, bien connu dans le cas des valeurs propres de sous-matrices<br />
Hermitiennes (cf. par exemple [55, theorem 4.3.15]), au cas des valeurs propres généralisées de matrices<br />
Hermitiennes. Enfin, on fait quelques commentaires sur deux cas particuliers apparaissant fréquemment<br />
dans des applications de traitement de signal.
4.2 Problème des valeurs propres généralisées 67<br />
4.2.1 Points stationnaires d’un quotient de Rayleigh<br />
Etant donné deux matrices Hermitiennes A et B de dimension m × m, et un vecteur w de dimension<br />
(m × 1), avec B définie positive, le quotient de Rayleigh est défini comme le rapport :<br />
r(w) = wH Aw<br />
w H Bw . (4.1)<br />
Ce rapport est très lié au problème des valeurs propres généralisées. Ses points stationnaires (i.e. les<br />
vecteurs w annulant le gradient complexe) peuvent être interprétés comme les vecteurs propres généralisés<br />
des matrices A et B. En effet, en annulant le gradient complexe de (4.1) par rapport à w, on obtient :<br />
Aw = r(w)Bw.<br />
C’est l’expression d’un problème de valeurs propres généralisées. 2 Par conséquent, les points stationnaires<br />
w et valeurs stationnaires r(w) du quotient de Rayleigh sont respectivement les vecteurs et valeurs propres<br />
généralisées λ(A,B) du problème de valeurs propres généralisées correspondant 3 . De plus, comme B est<br />
définie positive, l’expression précédente est équivalente à<br />
B −1 Aw = r(w)w<br />
et les vecteurs et valeurs propres généralisées de A et B correspondent respectivement aux vecteurs et<br />
valeurs propres de B −1 A, i.e., λ(A,B) = λ(B −1 A).<br />
4.2.2 Théorème d’entrelacement généralisé<br />
Le théorème d’entrelacement (ou théorème d’entrelacement de Cauchy) fournit des inégalités sur les<br />
valeurs propres d’une matrice Hermitienne et celles de leurs sous-matrices principales. Pour toutes sousmatrices<br />
principales A m−1 de dimension (m − 1) × (m − 1) d’une matrice Hermitienne A m , la propriété<br />
d’entrelacement s’écrit sous la forme :<br />
λ i+1 (A m ) ≤ λ i (A m−1 ) ≤ λ i (A m )<br />
pour i = 1,...,m − 1, où les valeurs propres sont rangées par ordre décroissant. Ce résultat se déduit du<br />
théorème Min-Max de Courant-Fischer [55, theorem 4.3.8]. Maintenant, plaçons nous dans le contexte du<br />
problème de valeurs propres généralisées pour lequel nous souhaitons relier les valeurs propres généralisées<br />
d’une paire de matrices Hermitiennes A et B aux valeurs propres généralisées de leurs sous-matrices<br />
principales associées. En utilisant le théorème Min-Max, on montre en Annexe B le résultat suivant<br />
semblable au théorème d’entrelacement :<br />
Théorème 1 (théorème d’entrelacement généralisé) : soit A m et B m deux matrices Hermitiennes de<br />
dimension m × m, où B m est définie positive, de valeurs propres généralisées λ i (A m ,B m ). Alors, pour<br />
toutes sous-matrices principales A m−1 et B m−1 , associées aux mêmes lignes et colonnes, de respectivement<br />
A m et B m , et pour tout i, 1 ≤ i ≤ m − 1 :<br />
λ i+1 (A m ,B m ) ≤ λ i (A m−1 ,B m−1 ) ≤ λ i (A m ,B m ).<br />
2 Notons que différentes extensions du problème des valeurs propres généralisées ont été proposées dans la littérature (cf.<br />
par exemple [56]).<br />
3 Notons que pour des matrices Hermitiennes A et B avec B définie positive, les valeurs propres généralisées sont réelles<br />
et les vecteurs propres généralisés associés à différentes valeurs propres généralisées sont orthogonaux au sens du produit<br />
scalaire (x,y) = x H By.
68 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande MSINR<br />
4.2.3 Cas Toeplitz et bloc Toeplitz<br />
Appliquées aux statistiques, les matrices A et B peuvent être interprétées comme les matrices de covariance<br />
de processus stochastiques et par conséquent Hermitiennes semi-définies positives. Très fréquemment,<br />
les processus stochastiques sont la somme de deux processus centrés : le processus d’intérêt et le processus<br />
de bruit, de matrices de covariance respectives A et B. Dans ce cas, le quotient de Rayleigh (4.1) peut<br />
être interprété comme un SINR après application d’un filtre linéaire sur les processus stochastiques. Dans<br />
ce cas, B est presque toujours définie positive et une question d’intérêt est la maximisation du quotient<br />
(4.1) pour différents ordres du filtre linéaire.<br />
Deux cas particuliers importants peuvent être développés, selon les propriétés du processus et de<br />
l’échantillonnage. Tout d’abord, dans le cas d’un échantillonnage périodique temporel de processus aléatoires<br />
stationnaires au second ordre, les matrices de covariance sont Toeplitz. Puis, dans le cas d’un échantillonnage<br />
spatio-temporel, les matrices sont bloc Toeplitz si l’ordre d’échantillonnage est spatial puis temporel ou à<br />
blocs de Toeplitz autrement (i.e., temporel puis spatial). Dans la suite, nous nous restreignons à l’analyse<br />
de valeurs propres généralisées de cette dernière catégorie de matrices.<br />
4.3 Distribution asymptotique des valeurs propres généralisées de matrices<br />
bloc Toeplitz<br />
L’objectif de cette section est d’étendre le théorème de Szegö [46] au cas des valeurs propres généralisées<br />
des matrices bloc Toeplitz sous l’hypothèse que les éléments générant les matrices sont absolument sommables.<br />
Dans ce but, on commence par expliquer les notations puis on effectue un rappel des résultats<br />
existants utiles dans la preuve du théorème (Théorème 2). Ensuite, on introduit trois lemmes (lemmes<br />
2-4) sur lesquels on base notre preuve du théorème. Plus précisément, Théorème 2 utilise directement les<br />
résultats de Lemme 4, prouvé grâce à Lemme 2 et 3.<br />
4.3.1 Notations et résultats existants<br />
Notations<br />
Notons A ′ m,n et B ′ m,n deux matrices Hermitiennes bloc Toeplitz avec B ′ m,n définie positive. Les deux<br />
matrices sont composées de m×m blocs de dimension n×n, où les blocs sont non nécessairement Toeplitz.<br />
Elles sont associées avec les matrices à blocs de Toeplitz A m,n et B m,n par les relations<br />
A ′ m,n = K m,n A m,n K n,m<br />
B ′ m,n = K m,nB m,n K n,m<br />
(4.2)<br />
où K m,n représente la matrice de permutation lignes-colonnes [57] et par conséquent :<br />
de sorte que les matrices B ′ −1<br />
m,n A′ m,n<br />
B ′ −1<br />
m,nA ′ m,n=K −1<br />
n,mB −1<br />
m,nK −1<br />
m,nK m,n A m,n K n,m =K −1<br />
n,mB −1<br />
m,nA m,n K n,m<br />
et B−1 m,n A m,n sont semblables. Les paires (A ′ m,n ,B′ m,n ) et (A m,n,B m,n )<br />
ont donc les mêmes valeurs propres généralisées. Cependant, la formulation à blocs de Toeplitz A m,n et<br />
B m,n est préférée car elle permet de manipuler des blocs de Toeplitz pour lesquels Lemme 1 s’applique.<br />
Ainsi, les matrices à blocs de Toeplitz A m,n sont égales à :<br />
⎡<br />
A m,n = ⎢<br />
⎣<br />
m ... A 1,n ⎤<br />
m<br />
m ... A 2,n<br />
m<br />
⎥<br />
. . . ⎦<br />
A n,1<br />
m A n,2<br />
m ... A n,n<br />
m<br />
Am 1,1 A 1,2<br />
Am 2,1 A 2,2
4.3 Distribution asymptotique des valeurs propres généralisées de matrices bloc Toeplitz 69<br />
où (A u,v<br />
n ) u=1..n,v=1..n représentent les matrices Toeplitz de dimension m × m données par :<br />
A u,v<br />
m =<br />
⎡<br />
⎢<br />
⎣<br />
a u,v<br />
0 a u,v<br />
−1 ... a u,v<br />
. .. . .. a<br />
u,v<br />
a u,v<br />
1<br />
.<br />
a u,v<br />
m−1<br />
−(m−1)<br />
−(m−2)<br />
. .. .<br />
a u,v<br />
m−2 ... a u,v<br />
0<br />
⎤<br />
⎥<br />
⎦<br />
(4.3)<br />
où {a u,v<br />
k } k=...,−1,0,1,... est une séquence de scalaires complexes absolument sommable, ce qui garantit<br />
l’existence de la transformée de Fourier 2π périodique associée a u,v (ω) = ∑ k au,v k e−ikω . Ces notations<br />
étendent les matrices à blocs de Toeplitz B m,n . Notons que A m,n est Hermitienne si et seulement si<br />
A u,v<br />
m = (A v,u<br />
m ) H , u,v = 1,...,n équivalent à a u,v (ω) = (a v,u (ω)) ∗ , u,v = 1,...,n.<br />
Résultats existants<br />
Pour étudier le comportement asymptotique de séquences de matrices, deux normes ont été introduites<br />
dans [48]. Ce sont la norme spectrale ‖.‖ (ou norme forte) et la norme de Frobenius normalisée |.| (norme<br />
faible).<br />
|A m | 2 def<br />
= 1 m<br />
m∑<br />
i=1 j=1<br />
m∑<br />
|a i,j | 2 .<br />
Les deux normes sont utilisées pour la définition de l’équivalence asymptotique donnée dans [48] :<br />
Définition : deux séquences de matrices {A m } et {B m }, n = 1,2,... sont dites asymptotiquement<br />
équivalentes et notées A m ∼ B m lorsque<br />
1. ∃M < ∞ tel que ∀m, ‖A m ‖ ≤ M et ‖B m ‖ ≤ M<br />
2. lim m→∞ |A m − B m | = 0.<br />
On rappelle maintenant un lemme sur les matrices bloc Toeplitz [58], qui sera utile dans la suite :<br />
Lemme 1 Pour toutes séquences absolument sommables {a u,v<br />
k } k=...,−1,0,1,..., il existe une séquence de<br />
matrices {C m (a)} asymptotiquement équivalente à {A m,n } et donnée par :<br />
C m (a) = U H m,n ∆ m(a)U m,n<br />
où U m,n = I n ⊗ U m est une matrice unitaire de dimension mn × mn indépendante de A m,n avec U m la<br />
matrice de transformée de Fourier discrète unitaire et où ∆ m (a) est la matrice suivante :<br />
∆ m (a) def =<br />
⎡<br />
⎢<br />
⎣<br />
D m (a 1,1 ) D m (a 1,2 ) · · · D m (a 1,n )<br />
D m (a 2,1 ) D m (a 2,2 ) ... D m (a 2,n )<br />
. . .<br />
D m (a n,1 ) D m (a n,2 ) · · · D m (a n,n )<br />
( )<br />
avec D m (a u,v ) les matrices diagonales ayant leur k eme élément donné par (D m (a u,v )) k,k = a u,v 2π(k−1)<br />
m<br />
.<br />
⎤<br />
⎥<br />
⎦<br />
Notons que contrairement au lemme du cas original de Toeplitz (cf. par exemple [47]), la matrice C m (a)<br />
n’est pas circulante et la matrice ∆ m (a) n’est pas diagonale.
70 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande MSINR<br />
4.3.2 Distribution asymptotique des valeurs propres généralisées de matrices bloc<br />
Toeplitz<br />
Après le rappel de résultats utiles, on prouve maintenant un théorème qui étend le théorème de<br />
Szegö aux valeurs propres généralisées de matrices bloc Toeplitz (Théorème 2). Tout d’abord, on détaille<br />
trois lemmes (Lemmes 2-4) utilisés dans la preuve du théorème. Pour prouver en Annexe C, l’extension<br />
du lemme [47, lemma 6], on introduit la matrice spectrale suivante :<br />
⎡<br />
a 1,1 (ω) a 1,2 (ω) · · · a 1,n ⎤<br />
(ω)<br />
a 2,1 (ω) a 2,2 (ω) ... a 2,n (ω)<br />
A(ω) = ⎢<br />
⎥<br />
⎣ . . . ⎦<br />
a n,1 (ω) a n,2 (ω) · · · a n,n (ω)<br />
où a u,v (ω) est la transformée de Fourier des séquences absolument sommables { a u,v }<br />
k<br />
pour<br />
k=...,−1,0,1,...<br />
u,v = 1,...,n. B(ω) est définie de la même manière à partir de b u,v (ω). Notons que A(ω) est Hermitienne<br />
pour tout ω si A m,n est Hermitienne. On suppose maintenant que A m,n et B m,n sont Hermitiennes. On<br />
prouve le lemme suivant en Annexe C.<br />
Lemme 2 Soit A m,n une matrice Hermitienne avec des blocs Toeplitz générés par des séquences absolument<br />
sommables { a u,v }<br />
k k=...,−1,0,1,... . Pour toutes valeurs propres quelconques λ(A m,n) de A m,n , on<br />
a :<br />
min<br />
ω,λ λ(A(ω)) ≤ λ(A m,n) ≤ max<br />
ω,λ λ(A(ω)) .<br />
Considérant maintenant une matrice Hermitienne définie positive bloc Toeplitz, on prouve le lemme<br />
suivant en Annexe C :<br />
Lemme 3 Soit B m,n une matrice Hermitienne définie positive avec des blocs Toeplitz et des séquences<br />
absolument sommables { b u,v }<br />
k k=...,−1,0,1,... et la matrice asymptotiquement équivalente C m(b) donnée par<br />
Lemme 1. Si, min ω,λ λ {B(ω)} = m b > 0, alors<br />
Ensuite, on montre également en Annexe C :<br />
B −1<br />
m,n ∼ C −1<br />
m (b).<br />
Lemme 4 Avec les hypothèses de Lemme 3, si A m,n est une matrice Hermitienne avec des blocs Toeplitz<br />
générés par des séquences absolument sommables {a u,v<br />
k } k=...,−1,0,1,..., les matrices associées C m (a) et<br />
C m (b) données par Lemme 1 vérifient :<br />
B −1<br />
m,nA m,n ∼ C −1<br />
m (b)C m (a).<br />
On introduit maintenant l’intervalle I ω = [min ω,λ λ(B −1 (ω)A(ω)),max ω,λ λ(B −1 (ω)A(ω))] et on prouve<br />
en Annexe C l’extension suivante du théorème de Szegö [46] sur les valeurs propres généralisées de matrices<br />
bloc Toeplitz. L’analyse utilise la propriété selon laquelle les valeurs propres généralisées de deux matrices<br />
A et B sont les valeurs propres de B −1 A.<br />
Théorème 2 Soit A m,n et B m,n deux matrices Hermitiennes avec des blocs Toeplitz, et B m,n définie positive,<br />
respectivement générées par des séquences absolument sommables { a u,v<br />
k<br />
}k=...,−1,0,1,... et { b u,v }<br />
k<br />
avec min ω,λ λ {B(ω)} = m b > 0. Alors, pour toute fonction continue F sur I ω<br />
lim m→∞<br />
1<br />
m<br />
nm∑<br />
k=1<br />
F(λ k (A m,n ,B m,n )) = 1 ∫ π<br />
2π −π<br />
n∑<br />
F(λ u (A(ω),B(ω))dω.<br />
u=1<br />
k=...,−1,0,1,... ,
4.4 Application à la formation de faisceaux spatio-temporelle 71<br />
Comme cela a été démontré dans [47, 48], et ajouté au fait que, pour tout m, les valeurs propres de<br />
B −1<br />
m,n A m,n sont dans I ω , Théorème 2 conduit au corollaire suivant :<br />
Corollaire 1 Pour tout entier l, les l plus petites et plus grandes valeurs propres généralisées de (A m,n ,B m,n )<br />
sont convergentes en m et<br />
lim λ nm−l+1(A m,n ,B m,n ) = minλ n (A(ω),B(ω))<br />
m→∞ ω<br />
et<br />
lim λ l(A m,n ,B m,n ) = max λ 1(A(ω),B(ω)).<br />
m→∞ ω<br />
Remarque : les résultats de ce paragraphe s’appliquent naturellement dans le cas particulier de matrices<br />
Toeplitz Hermitiennes (n = 1) générées par les spectres scalaires a(ω) = ∑ k a ke −ikω et b(ω) = ∑ k b ke −ikω .<br />
En particulier, les deux limites du corollaire précédent se réduisent à respectivement min ω b −1 (ω)a(ω) et<br />
max ω b −1 (ω)a(ω).<br />
4.4 Application à la formation de faisceaux spatio-temporelle<br />
La formation de faisceaux est utilisée dans de nombreuses applications. Elle consiste à filtrer spatialement<br />
des signaux, grâce à un réseau de capteurs, et permet de former des trous dans la direction des<br />
interférences tout en maintenant un gain donné dans la direction souhaitée. Habituellement, les signaux<br />
sont bande étroite [33] et peuvent être efficacement traités par utilisation d’un filtrage spatial seul (cf. par<br />
exemple [2]). Cependant, lorsque les signaux sont large bande, les performances de la formation de faisceaux<br />
se dégradent (voir le chapitre précédent). Une sorte de compensation fréquentielle est requise pour<br />
garder de bonnes performances en rejection des interférences. Cela peut se faire par des implémentations<br />
dans le domaine temporel ou fréquentiel, dont les performances dépendent de l’environnement du signal<br />
et des interférences [35,39,52,59]. Dans ce chapitre, on s’intéresse à une implémentation dans le domaine<br />
temporel, par utilisation de lignes à retard (cf. par exemple [50]). Cette implémentation a été étudiée par<br />
de nombreux auteurs au travers de simulations numériques [49–51,54] pour différents critères d’optimisation<br />
des filtres. Cependant, à notre connaissance, peu de résultats analytiques existent dans le cas du<br />
filtrage maximisant le SINR. De plus, les études précédentes ont été effectuées pour des antennes linéaires<br />
ou circulaires ayant un nombre limité d’éléments (cf. par exemple [3,53,54]) parce que l’analyse avec un<br />
nombre quelconque d’éléments est fastidieuse. A la différence des approches précédentes, notre approche<br />
est asymptotique par rapport au nombre de retards mais peut être appliquée à des antennes quelconques<br />
possédant un nombre fixé mais arbitraire de capteurs.<br />
Comme dans [6], nous supposons que les signaux en sortie de chaque capteur ont été démodulés<br />
en quadrature et que l’espacement entre les retards est inférieur ou égal à la période de Shannon 1 T =<br />
B où B est la bande des signaux. Après le rappel de l’expression des matrices de covariance spatiotemporelles,<br />
on montre que le SINR spatio-temporel optimal peut être interprété comme la valeur propre<br />
généralisée maximale d’une paire de matrices bloc Toeplitz. Ensuite, en utilisant Corollaire 1, on étudie<br />
les performances asymptotiques, en terme de SINR après formation de faisceaux spatio-temporelle, au<br />
sens du nombre de retards. Finalement, on analyse l’influence des différents paramètres d’implémentation<br />
et on illustre les résultats au travers d’exemples numériques.<br />
4.4.1 Modélisation des données<br />
Considérons un réseau composé de N capteurs. On note B la bande des signaux autour de la fréquence<br />
porteuse f 0 . Ensuite, on considère un environnement composé d’un champ d’interférences, de bruit thermique<br />
et d’un signal utile. Les signaux d’interférence et le bruit thermique sont modélisés par des processus<br />
aléatoires stationnaires au second ordre, de largeur de bande non nulle, et de plus, le bruit thermique
72 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande MSINR<br />
est spatialement blanc, de puissance σn 2 . En bande de base, les signaux d’interférence ont pour puissance<br />
(σj 2) j=1..J et pour densité spectrale de puissance (S j (f)) j=1..J . La matrice de covariance spatiale<br />
interférences plus bruit est égale à :<br />
¯R =<br />
∫ B<br />
2<br />
− B 2<br />
J∑<br />
S j (f)φ(θ j ,f + f 0 )φ(θ j ,f + f 0 ) H df + σnI<br />
2<br />
j=1<br />
avec<br />
[<br />
φ(θ j ,f + f 0 ) =<br />
e jkrT 1 i(θ j)<br />
e jkrT 2 i(θ j)<br />
· · · e jkrT M i(θ j)<br />
] T<br />
où (r n ) n=1..N représente un vecteur pointant de l’origine au capteur n, i(θ j ) un vecteur de norme unité<br />
pointant dans la direction θ j de la source d’interférence et k = 2π f+f 0<br />
c<br />
, où c est la vitesse de propagation<br />
de l’onde. Le signal utile est également modélisé par un processus aléatoire stationnaire stationnaire au<br />
second ordre ,de largeur de bande non nulle, de DSP (S S (f)) j=1..J et de puissance σS 2. La DOA θ S de la<br />
source utile est supposée connue. Sa matrice de covariance spatiale de dimension N × N s’écrit sous la<br />
forme :<br />
¯R S =<br />
∫ B<br />
2<br />
− B 2<br />
S S (f)φ(θ S ,f + f 0 )φ(θ S ,f + f 0 ) H df.<br />
4.4.2 Expression des matrices de covariance spatio-temporelles<br />
Notons M le nombre de retards utilisé lors du traitement spatio-temporel. Les matrices de covariance<br />
d’interférences plus bruit et du signal utile, respectivement ¯R M et ¯R S,M sont de dimension MN × MN.<br />
Les processus étant stationnaires au second ordre, les matrices de covariance spatio-temporelles ont une<br />
structure bloc Toeplitz et peuvent s’écrire sous la forme :<br />
⎡<br />
⎢<br />
⎣<br />
⎤<br />
R 0 R H 1 · · · R H M−1<br />
.<br />
R .. . .. 1 R<br />
H M−2<br />
.<br />
. ..<br />
⎥ . ⎦<br />
R M−1 R M−2 ... R 0<br />
(4.4)<br />
avec<br />
et<br />
⎡<br />
∫ B<br />
2<br />
R m = ⎣<br />
− B 2<br />
R m =<br />
⎤<br />
J∑<br />
S j (f)φ(θ j ,f+f 0 )φ(θ j ,f+f 0 ) H + σ2 n<br />
B I ⎦e −i2πmfT df<br />
j=1<br />
∫ B<br />
2<br />
− B 2<br />
S S (f)φ(θ S ,f + f 0 )φ(θ S ,f + f 0 ) H e −i2πmfT df<br />
avec m = 0,...,M −1, pour ¯R M et ¯R S,M respectivement. Notons que les blocs ne sont pas nécessairement<br />
Toeplitz, cela dépendant de la structure de l’antenne. Après introduction de ω = 2πfT et ω 0 = 2πf 0 T,<br />
ces deux matrices de covariance spatio-temporelles deviennent :<br />
⎡<br />
R m = 1 ∫ πBT<br />
⎣<br />
2π −πBT<br />
⎤<br />
J∑<br />
S j (ω)φ j (ω)φ j (ω) H + σn 2 I ⎦ e −imω dω<br />
j=1<br />
et<br />
R m = 1 ∫ πBT<br />
S S (ω)φ<br />
2π<br />
S (ω) φ S (ω) H e −imω dω<br />
−πBT
4.4 Application à la formation de faisceaux spatio-temporelle 73<br />
avec S j (ω) def = 1 T S j( ω<br />
2πT ), S S (ω) def = 1 T S S( ω<br />
2πT ), φ j (ω) def = φ ( θ j , ω+ω )<br />
0<br />
2πT et φS (ω) def = φ ( θ S , ω+ω )<br />
0<br />
2πT . Par<br />
conséquent, R m , m = ..., −1,0,1,..., (R −m = R H m ) sont générés par les coefficients de Fourier des fonctions<br />
matricielles Hermitiennes de dimension N × N :<br />
R(ω) =<br />
{∑ J<br />
j=1 S j(ω) φ j (ω)φ j (ω) H +σ 2 nI for |ω| ≤ πBT<br />
0 for πBT < |ω| ≤ π<br />
et<br />
R S (ω) =<br />
{<br />
SS (ω) φ S (ω)φ S (ω) H for |ω| ≤ πBT<br />
0 for πBT < |ω| ≤ π .<br />
4.4.3 Etude de performance asymptotique<br />
Interférences quelconques<br />
La formation de faisceaux spatio-temporelle consiste à filtrer linéairement les données par un vecteur<br />
où les filtres spatiaux aux différents retards sont concaténés. On note le filtre w M , lorsque M retards<br />
sont utilisés. Dans ce chapitre, on considère le critère d’optimisation du SINR maximal. Le filtrage spatiotemporel<br />
optimal (au sens de la maximisation du SINR) maximise le quotient de Rayleigh généralisé :<br />
SINR(M) def w H<br />
= max<br />
¯R M S,M w M<br />
w M wM H ¯R (4.5)<br />
M w M<br />
où ¯R S,M et ¯R M sont les matrices de covariance spatio-temporelles des signaux utiles et d’interférences<br />
plus bruit, respectivement, données par (4.4). Comme cela a été remarqué précédemment, ¯RS,M et ¯R M<br />
sont respectivement, Hermitienne semi-définie positive et Hermitienne définie positive. Par conséquent, la<br />
solution de ce problème d’optimisation est donnée par le vecteur propre généralisé principal de ces deux<br />
matrices, soit :<br />
−1<br />
w M ∝ P( ¯R ¯R M S,M )<br />
où P(.) représente le vecteur propre associé à la plus grande valeur propre généralisée d’une matrice.<br />
Ensuite, le SINR spatio-temporel optimal est donné par la plus grande valeur propre généralisée de ¯R S,M<br />
et ¯R M qui correspond également à :<br />
SINR(M) = max<br />
λ<br />
−1<br />
λ( ¯R ¯R M S,M ) = max λ( ¯R S,M , ¯R M ).<br />
λ<br />
Notant que le filtrage spatio-temporel avec M retards est un cas particulier du traitement avec M + 1<br />
retards, où le filtre spatial correspondant au (M + 1) eme retard est forcé à zéro, on obtient l’inégalité<br />
suivante relative à (4.5) :<br />
SINR(M + 1) ≥ SINR(M).<br />
Cette propriété peut également se déduire de Théorème 1 appliqué aux sous-matrices principales ¯R S,M<br />
et ¯R M de ¯R S,M+1 et ¯R M+1 respectivement.<br />
On considère dans la suite la limite du SINR par rapport à M pour des DOAs de sources d’interférence<br />
et de source utile arbitraires. Dans le cas où T = 1 B<br />
, les hypothèses de Théorème 2 et Corollaire 1 s’appliquent<br />
à la séquence de matrices de covariance spatio-temporelles (R S,M ,R M ) par rapport au nombre<br />
de retards :<br />
lim SINR(M) =<br />
M→∞<br />
max<br />
λ,ω∈[−π;π] {λ(R−1 (ω)R S (ω))}<br />
= max<br />
λ,f∈[− B 2 ; B 2 ] {λ(R −1 (f)R S (f))}
74 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande MSINR<br />
où<br />
et<br />
R(f) =<br />
J∑<br />
j=1<br />
S j (f)φ (θ j ,f + f 0 )φ(θ j ,f + f 0 ) H + σ2 n<br />
B I (4.6)<br />
R S (f) = S S (f)φ(θ S ,f + f 0 )φ(θ S ,f + f 0 ) H .<br />
Ensuite, comme R −1 (f)R S (f) est de rang un, elle possède l’unique valeur propre non nulle suivante,<br />
associée au vecteur propre R −1 (f)φ (θ S ,f + f 0 ) :<br />
et on obtient le résultat suivant :<br />
S S (f)φ(θ S ,f + f 0 ) H R −1 (f)φ (θ S ,f + f 0 )<br />
Résultat 6 Pour une formation de faisceaux spatio-temporelle optimale avec échantillonnage temporel à<br />
la fréquence de Shannon, le SINR tend vers un SINR spatial optimal à bande nulle maximal, associé à<br />
une fréquence dans la bande I f = [− B 2 ; B 2<br />
] quand le nombre de retards tend vers ∞.<br />
avec R(f) donnée par (4.6).<br />
lim SINR(M) = max{S S (f)φ(θ S ,f + f 0 ) H R −1 (f)φ (θ S ,f + f 0 )} (4.7)<br />
M→∞ f∈I f<br />
Notons que le SINR spatio-temporel asymptotique (au sens du nombre de retards) (4.7) peut être<br />
interprété comme le SINR spatial optimal (au sens de la maximisation du SINR) à bande nulle maximal<br />
par rapport à une fréquence dans la bande I f . En conséquence, le filtre se comporte comme un filtre passe<br />
bande à bande infinitésimale (à la fréquence solution de la maximisation (4.7)) suivi d’une formation de<br />
faisceaux adaptative à bande nulle. Par conséquent, pour un nombre fini M de retards, le filtrage spatiotemporel<br />
optimal peut surperformer le SINR spatial optimal à bande nulle, qui correspond à la fréquence<br />
f = 0.<br />
Dans le cas où T < 1 B , les matrices spectrales R S(ω) et R(ω) sont à bande limitée sur [−πBT,πBT],<br />
de sorte que min λ,ω λ(R(ω)) = 0 et les hypothèses de Théorème 2 et Corollaire 1 ne sont plus vérifiées.<br />
L’extension de Corollaire 1 dans la sous-bande [−πBT,πBT] est alors difficile (cf. par exemple [60]).<br />
Cependant, des simulations numériques extensives montrent que le résultat s’étend dans ce cas (cf. le<br />
paragraphe 4.4.4).<br />
Dans la suite, on suppose que le signal utile est blanc, i.e. S S (f) = σ2 S<br />
B<br />
. On analyse maintenant la<br />
situation particulière d’interférences dont les spectres s’annulent en au moins une fréquence.<br />
Signaux d’interférence dont les spectres s’annulent en au moins une fréquence<br />
Dans ce cas particulier, le résultat suivant est prouvé en Annexe D :<br />
Résultat 7 En présence de plusieurs signaux d’interférence dont les spectres s’annulent en au moins une<br />
fréquence commune et d’un signal utile blanc, on a :<br />
lim SINR(M) = σ2 S<br />
N.<br />
M→∞<br />
Ce résultat signifie qu’en présence de signaux d’interférence ayant au moins un zéro commun dans le<br />
spectre, le filtrage spatio-temporel permet d’atteindre asymptotiquement le SINR correspondant à une<br />
situation sans interférence. Notons que bien que la notion d’asymptotique soit purement théorique, nous<br />
verrons dans les paragraphes 4.4.4 et 4.4.5 que dans la plupart des cas, une faible valeur du nombre de<br />
retards est suffisant pour atteindre des performances quasi-optimales.<br />
σ 2 n
4.4 Application à la formation de faisceaux spatio-temporelle 75<br />
Remarque : appliqués à des processus scalaires stationnaires au second ordre, Résultats 6 et 7<br />
donnent respectivement<br />
lim SINR(M) = max S S (f)S −1<br />
M→∞ f∈I<br />
IN (f)<br />
f<br />
avec S IN (f) = ∑ J<br />
j=1 S j(f) + σ2 n<br />
B<br />
en présence d’interférences et de bruit et<br />
4.4.4 Exemples illustratifs<br />
lim SINR(M) = σ2 S<br />
.<br />
M→∞<br />
On illustre maintenant Résultats 6 et 7 au travers de simulations numériques. On considère dans ce<br />
paragraphe une antenne linéaire uniforme et la présence d’une unique source d’interférence où<br />
[<br />
]<br />
φ(θ,f) = 1 e jπ f<br />
fu u ... e j(N−1)π f<br />
fu u (4.8)<br />
avec u = sin(θ) (u S = sin(θ S ) et u J = sin(θ J ) pour les signaux utile et d’interférences respectivement)<br />
et où f u dépend du choix de la distance inter-capteurs. Les paramètres de la simulation sont B f 0<br />
= 0.3,<br />
N = 16, u J = 0.3, σ 2 J = 30 dB, σ2 n = 0 dB et σ2 S = 0 dB.<br />
Cas d’un signal d’interférence blanc<br />
Dans ce paragraphe, on suppose que le signal d’interférence est blanc dans la bande [− B 2 ; B 2 ].<br />
Influence de la fréquence d’échantillonnage temporel On examine maintenant l’influence de la<br />
fréquence d’échantillonnage temporel sur le SINR spatio-temporel optimal. En Fig.4.1, on trace le SINR<br />
spatio-temporel optimal pour deux valeurs de la période d’échantillonnage temporel, à savoir, T = 1 B et<br />
T = 1<br />
2B<br />
et différentes valeurs du nombre de retards. Tout d’abord, on observe que dans les deux cas,<br />
le SINR semble converger vers le SINR asymptotique donné par Résultat 6, bien que ce résultat ait été<br />
seulement prouvé pour T = 1 1<br />
B<br />
. Cependant, on note que la convergence est plus rapide pour T =<br />
2B<br />
que pour T = 1 B<br />
. Par conséquent, un suréchantillonnage par rapport à la fréquence d’échantillonnage de<br />
Shannon permet d’améliorer les performances en terme de SINR, à nombre donné de retards. On vérifie que<br />
des simulations numériques extensives confirment ces observations. Notons que l’influence de la fréquence<br />
d’échantillonnage temporelle a été analysée dans [59] pour une implémentation passe bande à lignes à<br />
retards de l’algorithme MMSE, dans le cas d’une antenne à deux capteurs. Dans cet article, l’auteur<br />
a également remarqué l’amélioration en performance en termes de SINR résultant de l’utilisation d’un<br />
suréchantillonnage. Ce phénomène s’interprète physiquement en remarquant que le suréchantillonnage<br />
augmente la corrélation entre les composants des interférences, ce qui améliore leur rejection.<br />
Influence de la fréquence d’échantillonnage spatial On examine maintenant l’influence de l’espacement<br />
inter-capteurs égal à c<br />
2f u<br />
(cf. (4.8)). Pour respecter la condition d’échantillonnage de Shannon, le<br />
paramètre f u doit être au moins égal à la fréquence maximale du signal, i.e. f u = f 0 + B 2<br />
. Cela correspond<br />
c<br />
à un espacement inter-capteurs inférieur ou égal à<br />
2(f 0 + B ).<br />
Cependant, en pratique, l’antenne ne doit pas<br />
2<br />
forcément pointer dans toutes les directions de la zone visible, i.e. 90deg.≤ θ ≤ 90deg.. Par conséquent, un<br />
plus grand espacement inter-capteurs peut être utilisé, au prix d’une réduction du domaine de détection.<br />
En effet, le non respect de la condition d’échantillonnage de Shannon conduit à l’apparition de lobes de<br />
réseaux à certaines fréquences. Ces derniers peuvent néanmoins être maintenus en dehors de la région<br />
visible si le domaine de pointage de l’antenne est suffisamment limité [6, Chap. 2.5]. Ici, on analyse l’influence<br />
de f u sur le SINR spatio-temporel asymptotique optimal. Plus précisément, on compare le choix<br />
de f u = f 0 avec la fréquence d’échantillonnage f u = f 0 + B 2<br />
pour laquelle la condition d’échantillonnage<br />
σ 2 n
76 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande MSINR<br />
15<br />
10<br />
M=∞<br />
5<br />
M=2, T=1/2B<br />
SINR (dB)<br />
0<br />
−5<br />
−10<br />
−15<br />
M=1<br />
M=2, T=1/B<br />
−20<br />
−25<br />
−30<br />
−35<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
u =sin(θ )<br />
S S<br />
Fig. 4.1: SINR spatio-temporel optimal avec T = 1 1<br />
B<br />
(- -) et T =<br />
2B<br />
(-+-) pour différentes valeurs du<br />
nombre de retards, en fonction de la DOA de la source utile.<br />
de Shannon est respectée. Pour comparer les deux cas considérés, on trace en Fig.4.2 le rapport entre le<br />
SINR spatial optimal à bande nulle<br />
SINR ZB = σ 2 Sφ(θ S ,f 0 ) H R −1 φ(θ S ,f 0 )<br />
avec<br />
R = σ 2 J φ(θ J,f 0 )φ(θ J ,f 0 ) H + σ 2 n I<br />
et le SINR spatio-temporel asymptotique optimal pour f u = f 0 et f u = f 0 + B 2<br />
. Tout d’abord, on observe<br />
que les deux courbes sont majorées par 1. Le filtre spatio-temporel asymptotique optimal surperforme le<br />
filtre spatial optimal pour des DOAs de sources d’interférence et de source utile quelconques. Ensuite, on<br />
note que pour une source utile dans un large voisinage de la source d’interférence, le SINR spatio-temporel<br />
asymptotique optimal avec f 0 = f u est plus grand qu’avec f u = f 0 + B 2<br />
alors que le comportement du SINR<br />
spatio-temporel asymptotique ne se dégrade pas significativement pour une source utile de DOA éloignée<br />
de celle de la source d’interférence. Par conséquent, le choix f 0 = f u permet d’améliorer les performances<br />
par rapport à la fréquence de Shannon. Pour l’expliquer, on examine la fréquence f opt maximisant le SINR<br />
spatial optimal à bande nulle (cf. (4.7)) :<br />
f opt = Argmax f∈If (φ(θ S ,f + f 0 ) H R −1 (f)φ(θ S ,f + f 0 ))<br />
avec I f = [ − B 2 ; B 2<br />
]<br />
, ou encore en utilisant le lemme d’inversion matricielle :<br />
f opt = Argmin f∈If<br />
∣ ∣φ(θS ,f + f 0 ) H φ(θ J ,f + f 0 ) ∣ ∣ = Argminf∈If<br />
⎧<br />
⎨<br />
⎩<br />
sin 2 (<br />
Nπ<br />
2 (u S − u J ) f+f 0<br />
f u<br />
)<br />
( )<br />
sin 2 π<br />
2 (u S − u J ) f+f 0<br />
f u<br />
⎫<br />
⎬<br />
⎭ .
4.4 Application à la formation de faisceaux spatio-temporelle 77<br />
0<br />
−0.2<br />
−0.4<br />
f u<br />
=f 0<br />
+B/2<br />
rapport de SINR (dB)<br />
−0.6<br />
−0.8<br />
f u<br />
=f 0<br />
−1<br />
−1.2<br />
−1.4<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
u =sin(θ )<br />
S S<br />
Fig. 4.2: Rapport entre le SINR spatial optimal à bande nulle et le SINR spatio-temporel asymptotique<br />
optimal pour deux distances inter-capteurs, en fonction de la DOA de la source utile.<br />
Dans le domaine 0 < |u S − u J | ≪ 1, cette dernière expression est une fonction décroissante de f+f 0<br />
f u<br />
. Elle<br />
est donc minimisée lorsque f opt = B 2<br />
et nous avons alors<br />
sin 2 ( Nπ<br />
2 (u S − u J ) )<br />
sin 2 ( π<br />
)<br />
2f 0<br />
)<br />
)<br />
(<br />
2 (u S − u J ) ) sin 2 Nπ<br />
><br />
2 (u S − u J )(1 + B<br />
(<br />
sin 2 π<br />
2 (u S − u J )(1 + B<br />
2f 0<br />
)<br />
d’où lim M→∞ SINR(M) = SINR ZB pour f u = f 0 + B 2 , avec SINR ZB le SINR spatial optimal à bande<br />
nulle, alors que quand f u = f 0 , lim M→∞ SINR(M) > SINR ZB .<br />
Cas d’un signal d’interférence à bande limitée<br />
On suppose que le signal d’interférence a une DSP constante dans la bande [− b 2 ; b 2<br />
] avec b < B. Notons<br />
que dans ce cas, R(f) reste non singulière (cf. (4.6)) et donc Résultat 7 s’applique.<br />
Influence de la bande du signal d’interférence Tout d’abord, on illustre la vitesse de convergence<br />
du SINR spatio-temporel optimal à nombre donné de retards vers la borne supérieure asymptotique donnée<br />
par Résultat 7. Ainsi, on trace en Fig.4.3 et Fig.4.4 les SINRs spatio-temporels optimaux pour b = 3 4 B et<br />
b = B 2<br />
respectivement (pointillés) qu’on compare au SINR spatio-temporel asymptotique optimal (trait<br />
plein). Notons que le cas M = 1 correspond au filtrage spatial et que les SINRs se dégradent quand b<br />
augmente. Sur les deux figures, on vérifie que le SINR optimal (asymptotiquement par rapport au nombre<br />
de retards) est égal à σ2 S<br />
σ 2 n<br />
N et que les SINRs spatio-temporels optimaux convergent avec le nombre de<br />
retards vers le SINR spatio-temporel asymptotique optimal. Ensuite, on note que la vitesse de convergence<br />
augmente quand la bande du signal d’interférence décroît. Par exemple, on observe en Fig.4.4 (où b = B 2 )<br />
que le SINR spatio-temporel optimal avec M = 4 surperforme le SINR spatio-temporel optimal avec<br />
M = 8 en Fig.4.3 (où b = 3B 4 ).
78 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande MSINR<br />
15<br />
10<br />
5<br />
M=∞<br />
0<br />
M=1<br />
SINR (dB)<br />
−5<br />
M=2<br />
M=4<br />
M=8<br />
−10<br />
−15<br />
−20<br />
−25<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
u =sin(θ )<br />
S S<br />
Fig. 4.3: SINR spatio-temporel optimal pour différentes valeurs du nombre de retards, en fonction de la<br />
DOA du signal utile, avec b = 3B 4 .<br />
15<br />
10<br />
5<br />
M=∞<br />
M=8<br />
SINR (dB)<br />
0<br />
−5<br />
M=1<br />
M=2<br />
M=4<br />
−10<br />
−15<br />
−20<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
u =sin(θ )<br />
S S<br />
Fig. 4.4: SINR spatio-temporel optimal pour différentes valeurs du nombre de retards, en fonction de la<br />
DOA du signal utile, avec b = B 2 .
4.4 Application à la formation de faisceaux spatio-temporelle 79<br />
0<br />
−1<br />
−2<br />
b=B<br />
−3<br />
rapport de SINR (dB)<br />
−4<br />
−5<br />
−6<br />
b=B/2<br />
b=3B/4<br />
−7<br />
−8<br />
−9<br />
−10<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
u =sin(θ )<br />
S S<br />
Fig. 4.5: Rapport entre le SINR spatial optimal à bande nulle et le SINR spatio-temporel asymptotique<br />
optimal, pour différentes largeurs de bande du signal d’interférence, en fonction de la DOA du signal<br />
utile, avec M = 8.<br />
Ensuite, on illustre l’amélioration des performances du traitement spatio-temporel optimal à nombre<br />
donné de retards sur le traitement spatial optimal. Ainsi, on trace en Fig.4.5 le rapport entre le SINR<br />
spatial optimal à bande nulle et le SINR spatio-temporel optimal à nombre donné de retards. On fait<br />
trois hypothèses sur la bande du signal d’interférence. Le nombre de retards est égal à M = 8. Tout<br />
d’abord, on observe que les trois rapports sont majorés par 1 ce qui veut dire que l’utilisation de M = 8<br />
retards est suffisante pour permettre au traitement spatio-temporel optimal de surperformer le filtrage<br />
spatial optimal à bande nulle. Ensuite, on note que le domaine de la DOA de la source utile pour lequel le<br />
traitement spatio-temporel optimal surperforme le traitement spatial optimal à bande nulle et la quantité<br />
d’amélioration augmentent lorsque la bande du signal utile décroît.<br />
Influence de la fréquence d’échantillonnage temporel On illustre maintenant l’influence de la<br />
fréquence d’échantillonnage temporel sur la vitesse de convergence du SINR spatio-temporel optimal vers<br />
sa borne supérieure asymptotique. En Fig.4.6, on trace le SINR spatio-temporel optimal à nombre donné<br />
de retards pour la période d’échantillonnage T = 1<br />
2B et la bande du signal utile b = B 2<br />
. Comme il a déja<br />
été remarqué dans le cas d’un signal utile blanc, la convergence des SINRs avec le nombre de retards est<br />
plus rapide pour T = 1<br />
2B que pour T = 1 B<br />
(comparer Fig.4.6 à Fig.4.4 pour M = 8).<br />
4.4.5 Cas d’un signal d’interférence MA<br />
Dans la suite, on analyse l’influence de la présence de minima marqués dans le spectre du signal<br />
d’interférence. Ainsi, on choisit de modéliser le signal d’interférence par un processus MA du premier<br />
ordre. La DSP du signal d’interférence est maintenant donnée par :<br />
σ 2 J ∣<br />
S J (f) =<br />
B(1 + ρ 2 ∣1 − ρe j2π (f−f J ) ∣<br />
B<br />
)<br />
∣2<br />
,
80 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande MSINR<br />
15<br />
M=∞<br />
10<br />
M=8<br />
5<br />
M=2<br />
M=4<br />
SINR (dB)<br />
0<br />
−5<br />
M=1<br />
−10<br />
−15<br />
−20<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
u =sin(θ )<br />
S S<br />
Fig. 4.6: SINR spatio-temporel optimal pour différentes valeurs du nombre de retards, avec T = 1<br />
2B , en<br />
fonction de la DOA du signal utile, pour b = B 2 .<br />
avec 0 ≤ ρ < 1 et − B 2 < f J < B 2<br />
. Avec ce modèle, des minima marqués apparaissent dans le spectre du<br />
signal d’interférence quand ρ s’approche de 1. On illustre maintenant par simulations l’influence de ρ sur<br />
l’amélioration de SINR par rapport au SINR du traitement spatial optimal. Ainsi, on trace en Fig.4.7 le<br />
rapport entre le SINR spatial optimal à bande nulle et le SINR spatio-temporel asymptotique optimal<br />
pour un signal d’interférence blanc avec b = B (trait plein) et des signaux d’interférence MA du premier<br />
ordre pour différentes valeurs de ρ (pointillés). On observe que sauf dans un très proche voisinage de<br />
la source d’interférence, les SINRs pour des signaux d’interférence colorés avec ρ = 0.5 et ρ = 0.9 sont<br />
presque égaux à celui du cas d’un signal d’interférence blanc. Cependant, quand ρ = 0.99, on remarque<br />
que le SINR après filtrage spatio-temporel asymptotique optimal est largement supérieur à celui avec un<br />
signal d’interférence blanc.<br />
Ensuite, on illustre la convergence du SINR spatio-temporel optimal à nombre donné de retards vers le<br />
SINR asymptotique associé. On trace en Fig.4.8 le rapport entre le SINR spatial optimal à bande nulle et<br />
les SINRs spatio-temporels optimaux. Ces derniers sont calculés pour un nombre de retards fini (pointillés)<br />
ou asymptotiquement par rapport à M (trait plein). On observe que les SINRs spatio-temporels optimaux<br />
convergent vers le SINR asymptotique par rapport au nombre de retards. Cependant, contrairement au<br />
cas d’un signal d’interférence à bande limité, on note que la convergence est faible (comparer Fig.4.3 et<br />
Fig.4.4).<br />
4.5 Conclusion<br />
Dans ce chapitre, nous nous sommes tout d’abord intéressés à l’étude du comportement asymptotique<br />
des valeurs propres généralisées de matrices de structure bloc Toeplitz. Ainsi, nous avons démontré une<br />
extension du théorème de Szegö aux valeurs propres généralisées de matrices Hermitiennes bloc Toeplitz,<br />
sous l’hypothèse selon laquelle les matrices sont générées par des séquences d’éléments absolument sommables.<br />
Ensuite, nous avons appliqué ces résultats à l’étude de performance asymptotique par rapport<br />
au nombre de retards du filtrage spatio-temporel large bande MSINR. Le SINR optimal peut en effet
4.5 Conclusion 81<br />
0<br />
−1<br />
−2<br />
−3<br />
ρ = 0.99<br />
ρ = 0.5<br />
rapport de SINR (dB)<br />
−4<br />
−5<br />
−6<br />
−7<br />
−8<br />
ρ = 0.9<br />
−9<br />
−10<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
u =sin(θ )<br />
S S<br />
Fig. 4.7: Rapport entre le SINR spatial optimal à bande nulle et le SINR spatio-temporel asymptotique<br />
optimal en présence d’un signal d’interférence coloré MA, pour différentes valeurs de ρ (pointillés), et en<br />
présence d’un signal d’interférence blanc (trait plein), en fonction de la DOA du signal utile.<br />
25<br />
20<br />
15<br />
M=1<br />
rapport de SINR (dB)<br />
10<br />
5<br />
0<br />
M=4<br />
M=2<br />
−5<br />
M=8<br />
−10<br />
M=16<br />
M=∞<br />
−15<br />
−20<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5<br />
u =sin(θ )<br />
S S<br />
Fig. 4.8: Rapport entre le SINR spatial optimal à bande nulle et le SINR spatio-temporel asymptotique<br />
optimal en présence d’un signal d’interférence coloré MA avec ρ = 0.99, pour différentes valeurs du<br />
nombre de retards, en fonction de la DOA de la source utile.
82 Etude de performance asymptotique du filtrage spatio-temporel adaptatif large bande MSINR<br />
s’interpréter comme la valeur propre généralisée maximale des matrices de covariance signal utile et interférences<br />
plus bruit, qui ont une structure bloc Toeplitz lorsque les signaux sont modélisés par des<br />
processus aléatoires stationnaires au second ordre. Ainsi, nous avons montré que le SINR spatio-temporel<br />
optimal converge vers une limite qui peut s’interpréter comme un SINR spatial optimal à bande nulle.<br />
Finalement, nous avons illustré ce résultat sur des simulations numériques pour différents scénarios d’interférences<br />
en nous intéressant en particulier à la vitesse de convergence du SINR optimal à nombre de<br />
retards fixé vers le SINR spatio-temporel asymptotique.
Chapitre 5<br />
Distribution asymptotique des valeurs<br />
propres généralisées de matrices<br />
Multi-niveaux Toeplitz Bloc Toeplitz<br />
Dans le chapitre 4, nous nous sommes intéressés à la distribution asymptotique des valeurs propres<br />
généralisées de matrices ayant une structure bloc Toeplitz. Nous avons ainsi généralisé le théorème de<br />
Szegö aux valeurs propres généralisées de matrices Hermitiennes de structure bloc Toeplitz générées par<br />
des séquences d’éléments absolument sommables. Dans ce chapitre, notre objectif est d’étendre ce résultat<br />
aux valeurs propres généralisées de matrices multi-niveaux Toeplitz bloc Toeplitz, lorsque la dimension<br />
de chacun des blocs tend vers l’infini.<br />
5.1 Introduction<br />
Les processus aléatoires discrets multidimensionnels apparaissent dans de nombreuses applications du<br />
traitement de signal. En imagerie, les données d’observation sont souvent modélisées par des processus<br />
aléatoires discrets 2-D. Cependant, il existe aussi de nombreux exemples dans lesquels les données sont<br />
3-D, comme par exemple l’imagerie hyperspectrale (dimension spatiale en x × dimension spatiale en<br />
y × longueur d’onde) (cf. par exemple [61]) ou l’imagerie interférométrique SAR (IF-SAR) (dimension<br />
spatiale en x × dimension spatiale en y × élévation) (cf. par exemple [62,63]) pour lesquels un traitement<br />
multidimensionnel est utilisé (cf. par exemple [64–66]). Dans ces applications, si le processus aléatoire<br />
est stationnaire au second ordre, sa matrice de covariance est structurée. Plus précisément, si un bloc<br />
d’échantillons, de dimension n 1 × n 2 × ... × n P , d’un processus aléatoire P-dimensionnel stationnaire au<br />
second ordre est regroupé dans un vecteur par concaténation par ordre alphabétique des données suivant<br />
les différentes dimensions, la matrice de covariance de ce vecteur aura une structure P-dimensionnelle<br />
Multi-niveaux Toeplitz Bloc Toeplitz (MTBT) (cf. par exemple [67]).<br />
Le problème de l’étude de la distribution asymptotique des valeurs propres de matrices Toeplitz Bloc<br />
Toeplitz (avec P = 2) avec à la fois la taille des blocs et leur nombre tendant vers l’infini, a été considéré<br />
dans [68]. L’auteur s’est placé sous l’hypothèse de matrices générées par des séquences d’éléments absolument<br />
sommable et repris l’approche proposée par Gray dans [48]. Puis, sous des hypothèses mathématiques<br />
plus large, une extension du théorème de Szegö aux valeurs propres de matrices MTBT a été donnée (cf.<br />
par exemple [44]). Cependant, à notre connaissance, il n’existe pas d’extension du théorème de Szegö aux<br />
valeurs propres généralisées de matrices MTBT.<br />
Dans ce chapitre, nous proposons une preuve de cette extension sous l’hypothèse de matrices générées<br />
par des séquences d’éléments absolument sommables. Celle-ci repose sur une extension de la notion<br />
d’équivalence asymptotique entre séquences de matrices.
84<br />
Distribution asymptotique des valeurs propres généralisées de matrices Multi-niveaux Toeplitz<br />
Bloc Toeplitz<br />
5.2 Notations et résultats préliminaires<br />
Tout d’abord, on formalise les définitions de matrices MTBT et Multi-niveaux Circulante Bloc Circulante<br />
(MCBC) et on étend la notion d’équivalence asymptotique entre séquences de matrices aux séquences<br />
de matrices bloc multi-niveaux. Ensuite, on écrit des lemmes préliminaires nécessaires à la démonstration<br />
du principal résultat de cette annexe dans la section suivante.<br />
Définition 1 (MTBT matrix) :<br />
Etant donné un vecteur d’index n P = (n 1 ,n 2 ,...,n P ), une matrice P-MTBT A n P<br />
se définit récursivement<br />
de la manière suivante. Si P = 1, alors il s’agit d’une matrice de Toeplitz ordinaire d’ordre n 1 . Si P > 1,<br />
alors A n P<br />
peut être partitionnée en n P × n P blocs<br />
A n P def =<br />
⎡<br />
⎢<br />
⎣<br />
A n P −1<br />
0 A n P −1<br />
−1 · · · A n P −1<br />
. .. . .. .<br />
A n P −1<br />
1<br />
−(n P −1)<br />
. .. . .. A<br />
n P −1<br />
−1<br />
.<br />
A n P −1<br />
n P −1 · · · A n P −1<br />
1 A n P −1<br />
0<br />
où chaque bloc A n P −1<br />
m 1<br />
, m 1 = −(n P − 1),...,n P − 2,n P − 1 est une matrice (P − 1)-MTBT,<br />
A n P −1<br />
m 1<br />
def<br />
=<br />
⎡<br />
⎢<br />
⎣<br />
A n P −2<br />
m 1 ,0<br />
A n P −2<br />
m 1 ,1<br />
A n P −2<br />
m 1 ,−1 · · · A n P −2<br />
. .. . .. .<br />
⎤<br />
⎥<br />
⎦<br />
m 1 ,−(n P −1 −1)<br />
. .. . .. A<br />
n P −2<br />
m 1 ,−1<br />
.<br />
A n P −2<br />
m 1 ,n P −1 −1 · · · A n P −2<br />
m 1 ,1<br />
A n P −2<br />
m 1 ,0<br />
⎤<br />
⎥<br />
⎦<br />
et de façon générale, pour k = 1,...,P − 2,<br />
A n P −k<br />
m k<br />
def<br />
=<br />
⎡<br />
⎢<br />
⎣<br />
A n P −k−1<br />
m k ,0<br />
A n P −k−1<br />
m k ,1<br />
A n P −k−1<br />
m k ,−1 · · · A n P −k−1<br />
. .. . .. .<br />
m k ,−(n P −k −1)<br />
. .. . .. A<br />
n P −k−1<br />
m k ,−1<br />
.<br />
A n P −k−1<br />
m k ,n P −k −1 · · · A n P −k−1<br />
m k ,1<br />
A n P −k−1<br />
m k ,0<br />
⎤<br />
⎥<br />
⎦<br />
et finalement, au dernier niveau de bloc, on trouve une matrice de Toeplitz ordinaire d’ordre n 1<br />
⎡<br />
a n 0<br />
m P −1 ,0 a n 0<br />
m P −1 ,−1 · · · a n ⎤<br />
0<br />
m P −1 ,−(n 1 −1)<br />
A n 1 def<br />
a n .<br />
0 .. . ..<br />
m<br />
m P −1<br />
=<br />
P −1 ,1<br />
.<br />
⎢<br />
.<br />
⎣ . .. . .. a<br />
n 0 ⎥<br />
m P −1 ,−1 ⎦<br />
a n 0<br />
m P −1 ,(n 1 −1)<br />
· · · a n 0<br />
m P −1 ,1 a n 0<br />
m P −1 ,0<br />
avec pour k = 1,...,P − 1<br />
n P −k = (n 1 ,n 2 ,...,n P −k ) and m k = (m 1 ,m 2 ,...,m k )<br />
où pour k = 1...P<br />
−(n P −k+1 − 1) ≤ m k ≤ n P −k+1 − 1<br />
et où a n 0<br />
m P −1 ,m P<br />
, m P = −(n 1 −1),...,(n 1 −1) est le terme général a m1 ,m 2 ,...,m P<br />
de A n P<br />
. Finalement, notons<br />
que l’ensemble des matrices P-dimensionelles MTBT Finally, let note that the set of all P-dimensional
5.2 Notations et résultats préliminaires 85<br />
MTBT matrices d’ordre (n 1 ,n 2 ,...,n P ) est un espace vectoriel de dimension (2n P − 1)...(2n 1 − 1), dont<br />
la base naturelle est donnée par les matrices [44]<br />
J m 1<br />
n P<br />
⊗ ... ⊗ J m k<br />
n P −k+1<br />
⊗ ... ⊗ J m P<br />
n 1<br />
où J m k<br />
n P −k+1<br />
représente la matrice de dimension n P −k+1 × n P −k+1 dont les éléments (i,j) sont égaux à 1<br />
si j − i = m k . La matrice MTBT A n P<br />
peut alors s’écrire de façon unique sous la forme<br />
A n P<br />
=<br />
n∑<br />
P −1<br />
m 1 =−n P +1<br />
...<br />
n∑<br />
1 −1<br />
m P =−n 1 +1<br />
a m1 ,...,m P<br />
J m 1<br />
n P<br />
⊗ ... ⊗ J m k<br />
n P −k+1<br />
⊗ ... ⊗ J m P<br />
n 1<br />
.<br />
L’approche choisie dans cette annexe consiste à relier les valeurs propres généralisées de matrices MTBT<br />
à celles des matrices MCBC ayant une structure plus simple. On formalise maintenant l’écriture de ces<br />
dernières matrices.<br />
Définition 2 (MCBC matrix) :<br />
Etant donné un vecteur d’index n P = (n 1 ,n 2 ,...,n P ), une matrice P-MCBC se définit récursivement<br />
comme une matrice P-MTBT, en remplaçant les blocs de Toeplitz par des blocs circulants.<br />
Ces matrices MCBC ont une décomposition en éléments propres qui étend celle des matrices circulantes.<br />
La décomposition en éléments propres démontrée dans [67, Th. 5.84] pour le cas de matrices circulantes<br />
de niveau 3 s’étend facilement à des matrices circulantes de niveau quelconque P. Plus précisément<br />
une matrice MCBC de dimension n 1 n 2 ...n P × n 1 n 2 ...n P C n P<br />
est diagonalisable par la matrice unitaire<br />
U nP = U nP ⊗ ... ⊗ U n1 (5.1)<br />
où (U np ) p=1...P sont les matrices de transformée de Fourier discrète unitaires (TFD) de dimension n p ×n p ,<br />
de termes (U np ) k,l = √ 1 (k−1)(l−1)<br />
−j2π<br />
np<br />
e<br />
np<br />
et dont les valeurs propres sont les TFD P-dimensionnelles de sa<br />
première ligne<br />
λ k1 ,...,k P<br />
=<br />
n∑<br />
1 −1<br />
n∑<br />
2 −1<br />
m 1 =0 m 2 =0<br />
...<br />
n∑<br />
P −1<br />
m P =0<br />
On définit maintenant l’équivalence asymptotique multi-niveaux.<br />
c m1 ,...,m p<br />
e −j2π “ m1 k 1<br />
n 1<br />
+ m 2 k 2<br />
n 2<br />
+...+ m P k P<br />
n P<br />
”.<br />
Définition 3 (Equivalence Asymptotique Multi-niveaux) :<br />
Soit {A n P<br />
} et {B n P<br />
} des séquences matricielles de dimension n 1 n 2 ...n P × n 1 n 2 ...n P . Ces matrices<br />
sont dites asymptotiquement équivalentes multi-niveaux, ce qui se note A n P<br />
∼ B n P<br />
lorsque les conditions<br />
suivantes sont vérifiées :<br />
– ‖A n P<br />
‖ ≤ M < ∞<br />
– ‖B n P<br />
‖ ≤ M < ∞<br />
– lim n1 ,n 2 ,...,n P →∞ |A n P<br />
− B n P<br />
| = 0<br />
où ‖.‖ est la norme spectrale et |.| est la norme de Frobenius normalisée définie par<br />
|A n P<br />
| 2 =<br />
1 ∑n 1<br />
n 1 n 2 ...n P<br />
∑n 2<br />
m 1 =1 m 2 =1<br />
...<br />
n P ∑<br />
m P =1<br />
|a m1 ,m 2 ,...,m P<br />
| 2 .<br />
Ensuite, on montre le lemme suivant sur la distribution asymptotique des valeurs propres de matrices<br />
asymptotiquement équivalentes multi-niveaux.
86<br />
Distribution asymptotique des valeurs propres généralisées de matrices Multi-niveaux Toeplitz<br />
Bloc Toeplitz<br />
Lemme 1<br />
Soit {A n P<br />
} et {B n P<br />
} des séquences de matrices asymptotiquement équivalentes multi-niveaux de dimension<br />
n 1 n 2 ...n P ×n 1 n 2 ...n P et de valeurs propres respectives λ k (A n P<br />
) et λ k (B n P<br />
) pour k = 0...(n 1 n 2 ...n P −<br />
1). Alors, pour tout entier positif s<br />
lim<br />
n 1 ,n 2 ,...,n P →∞<br />
ou encore lorsque l’une des deux limites existe,<br />
lim<br />
n 1 ,n 2 ,...,n P →∞<br />
n 1 n 2<br />
1 ∑...n P −1<br />
(λ s k<br />
n 1 n 2 ...n (An P<br />
) − λ s k (Bn P<br />
)) = 0<br />
P<br />
k=0<br />
n 1 n 2<br />
1 ∑...n P −1<br />
λ s k<br />
n 1 n 2 ...n (An P<br />
) =<br />
P<br />
k=0<br />
lim<br />
n 1 ,n 2 ,...,n P →∞<br />
n 1 n 2<br />
1 ∑...n P −1<br />
λ s k<br />
n 1 n 2 ...n (Bn P<br />
).<br />
P<br />
Preuve<br />
Soit D n P def = A n P<br />
− B n P<br />
= {d k,j }. En appliquant l’inégalité de Cauchy-Schwarz à Tr(D n P<br />
), on a<br />
|Tr(D n P<br />
)| 2 =<br />
∣<br />
n 1 n 2 ...n P −1<br />
∑<br />
k=0<br />
d k,k<br />
∣ ∣∣∣∣<br />
2<br />
n 1 n 2<br />
∑...n P −1<br />
≤ n 1 n 2 ...n P<br />
k=0<br />
k=0<br />
|d k,k | 2 ≤ (n 1 n 2 ...n P ) 2 |D n P<br />
| 2<br />
d’où on déduit<br />
1<br />
lim Tr(D n P<br />
) = 0<br />
n 1 ,n 2 ,...,n P →∞ n 1 n 2 ...n P<br />
comme les matrices A n P<br />
et B n P<br />
sont asymptotiquement équivalentes. Finalement, en remarquant que<br />
on obtient<br />
n 1 n 2 ...n P −1<br />
∑<br />
k=0<br />
lim<br />
n 1 ,n 2 ,...,n P →∞<br />
(λ k (A n P<br />
) − λ k (B n P<br />
)) = Tr(D n P<br />
),<br />
n 1 n 2<br />
1 ∑...n P −1<br />
(λ k (A n P<br />
) − λ k (B n P<br />
)) = 0.<br />
n 1 n 2 ...n P<br />
k=0<br />
Ensuite, en suivant les étapes de la preuve donnée dans [47, Th. 2], on complète la démonstration pour<br />
tout entier positif s.<br />
A partir de maintenant, on considère uniquement des matrices MTBT Hermitiennes, pour lesquelles<br />
a −i1 ,−i 2 ,...,−i P<br />
= a ∗ i 1 ,i 2 ,...,i P<br />
ce qui est équivalent à avoir une transformée de Fourier réelle a(ω 1 ,ω 2 ,...,ω P ) =<br />
∑i 1 ,i 2 ,...,i P<br />
a i1 ,i 2 ,...,i P<br />
e −j P P<br />
p=1 ωpip .<br />
Pour construire une séquence de matrices MCBC qui sont équivalentes asymptotiquement multiniveaux<br />
à {A n P<br />
} et dont les valeurs propres sont les échantillons de a(ω 1 ,ω 2 ,...,ω P ), on définit la séquence<br />
c n P<br />
m 1 ,m 2 ,...,m P<br />
(a) def =<br />
n<br />
1 ∑ 1 −1<br />
n 1 n 2 ...n P<br />
n∑<br />
2 −1<br />
k 1 =0 k 2 =0<br />
n∑<br />
P −1<br />
...<br />
k P =0<br />
a(2π k 1<br />
,2π k 2<br />
,...,2π k P<br />
)e j2π P P mpkp<br />
p=1 np<br />
(5.2)<br />
n 1 n 2 n P<br />
et {C n P<br />
(a)}, la séquence de matrices MCBC 1 indicée par {c i1 ,i 2 ,...,i P<br />
(a)}. On note que C n P<br />
(a) peut s’écrire<br />
de façon plus compacte sous la forme<br />
C n P<br />
(a) = U H n P<br />
∆ nP (a)U nP (5.3)<br />
où U nP est défini comme dans (5.1) et ∆ nP (a) est la matrice diagonale de dimension n 1 n 2 ...n P ×n 1 n 2 ...n P<br />
et d’éléments a(2π k 1<br />
n 1<br />
,2π k 2<br />
n 2<br />
,...,2π k P<br />
n P<br />
), rangés par ordre alphabétique. On peut maintenant affirmer le<br />
lemme suivant :<br />
1 La structure matricielle MCBC se démontre facilement en remarquant que la séquence définie selon 5.2 est périodique.
5.3 Distribution asymptotique des valeurs propres généralisées de matrices MTBT 87<br />
Lemme 2<br />
Soit {a i1 ,i 2 ,...,i P<br />
} une séquence Hermitienne d’éléments absolument sommables de transformée de Fourier<br />
a(ω 1 ,ω 2 ,...,ω P ). Soit {c i1 ,i 2 ,...,i P<br />
(a)} définie par (5.2). Alors, les séquences de matrices induites {A n P<br />
}<br />
et {C n P<br />
(a)} sont asymptotiquement équivalentes multi-niveaux.<br />
Preuve : Ce lemme est démontré dans [68, Lemma 1] pour des matrices Hermitiennes Toeplitz bloc<br />
Toeplitz, i.e. pour P = 2. L’extension aux valeurs de P quelconques est immédiate.<br />
5.3 Distribution asymptotique des valeurs propres généralisées de matrices<br />
MTBT<br />
L’objectif de cette section est d’étendre le théorème de Szegö au cas des valeurs propres généralisées<br />
de matrices Hermitiennes MTBT, sous l’hypothèse selon laquelle les éléments générant les matrices sont<br />
absolument sommables.<br />
Pour cela, on procède de la même manière qu’au chapitre 4 et l’on commence par démontrer trois<br />
lemmes utilisés dans la preuve de Théorème 3. Ainsi, on montre tout d’abord dans Lemme 3 que les valeurs<br />
propres de matrices Hermitiennes MTBT générées par des séquences d’éléments absolument sommables<br />
sont bornées par les valeurs minimales et maximales de la transformée de Fourier multidimensionnelle de<br />
la séquence. Ensuite, ce lemme est utilisé pour la preuve de l’équivalence asymptotique multi-niveaux entre<br />
l’inverse d’une matrice Hermitienne définie positive MTBT et l’inverse de son équivalent asymptotique<br />
multi-niveaux MCBC, dans Lemme 4. En effet, Lemme 3 montre que la norme spectrale de l’inverse<br />
d’une matrice définie positive Hermitienne MTBT est bornée. Puis, Lemme 5 montre que le produit<br />
de l’inverse d’une matrice Hermitienne définie positive MTBT par une matrice Hermitienne MTBT est<br />
asymptotiquement équivalent multi-niveaux au produit de l’inverse d’une matrice Hermitienne MCBC<br />
par une matrice Hermitienne MCBC, toutes deux obtenues suivant (5.2). Finalement, en utilisant cette<br />
équivalence asymptotique multi-niveaux et Lemme 1, on obtient directement Théorème 3.<br />
Lemme 3<br />
Soit {a i1 ,i 2 ,...,i P<br />
} une séquence Hermitienne, absolument sommable ayant pour transformée de Fourier<br />
a(ω 1 ,ω 2 ,...,ω P ). Alors, pour toutes les valeurs propres λ(A n P<br />
) des séquences de matrices induites {A n P<br />
},<br />
on a<br />
m a =<br />
min a(ω 1 ,ω 2 ,...,ω P ) ≤ λ(A n P<br />
) ≤ max a(ω 1 ,ω 2 ,...,ω P ) = M a .<br />
ω 1 ,ω 2 ,...,ω P ω 1 ,ω 2 ,...,ω P<br />
Preuve : Ce lemme est démontré dans la première étape de la preuve de [68, Lemma 1] pour des matrices<br />
Toeplitz bloc Toeplitz, i.e., pour P = 2. L’extension à une valeur de P quelconque est immédiate.<br />
Lemme 4<br />
Soit B n P<br />
une matrice définie positive Hermitienne MTBT, générée par la séquence absolument sommable<br />
{b i1 ,i 2 ,...,i P<br />
} de transformée de Fourier b(ω 1 ,ω 2 ,...,ω P ) et la matrice MCBC asymptotiquement<br />
équivalente multi-niveaux associée C n P<br />
(b) définie par Lemme 2. Si min ω1 ,ω 2 ,...,ω P<br />
b(ω 1 ,ω 2 ,...,ω P ) = m b ><br />
0, alors<br />
(B n P<br />
) −1 ∼ (C n P<br />
(b)) −1 .<br />
Preuve : En utilisant Lemme 3, la preuve est semblable à celle de Lemme 3 au chapitre 4.
88<br />
Distribution asymptotique des valeurs propres généralisées de matrices Multi-niveaux Toeplitz<br />
Bloc Toeplitz<br />
Lemme 5<br />
Sous les hypothèses de Lemme 4, si A n P<br />
est une matrice Hermitienne MTBT générée par une séquence<br />
absolument sommable {a i1 ,i 2 ,...,i P<br />
}, les matrices MCBC associées C n P<br />
(a) et C n P<br />
(b) données par (5.2)<br />
vérifient<br />
(B n P<br />
) −1 A n P<br />
∼ (C n P<br />
(b)) −1 C n P<br />
(a).<br />
Preuve : La preuve est la même que pour Lemme 4 au chapitre 4.<br />
On introduit maintenant l’intervalle<br />
I ω = [ min b −1 (ω 1 ,ω 2 ,...,ω P )a(ω 1 ,ω 2 ,...,ω P ); max b −1 (ω 1 ,ω 2 ,...,ω P )a(ω 1 ,ω 2 ,...,ω P )]<br />
ω 1 ,ω 2 ,...,ω P ω 1 ,ω 2 ,...,ω P<br />
et on énonce un théorème sur la distribution asymptotique des valeurs propres généralisées de matrices<br />
Hermitiennes MTBT.<br />
Théorème 3 Soit A n P<br />
et B n P<br />
deux matrices Hermitiennes MTBT, avec B n P<br />
définie positive, générées<br />
par des séquences absolument sommables {a i1 ,i 2 ,...,i P<br />
} et {b i1 ,i 2 ,...,i P<br />
}, respectivement, et avec<br />
min ω1 ,ω 2 ,...,ω P<br />
b(ω 1 ,ω 2 ,...,ω P ) = m b > 0. Alors, pour toute fonction continue F sur I ω<br />
lim<br />
n 1 ,...,n P →∞<br />
n 1 ...n<br />
1 ∑ P −1<br />
F(λ k (A n P<br />
,B n P<br />
))= 1 ∫ π<br />
n 1 ...n P (2π) P ...<br />
k=0<br />
−π<br />
∫ π<br />
−π<br />
F(b −1 (ω 1 ,...,ω P )a(ω 1 ,...,ω P ))dω 1 ...dωP.<br />
Preuve : En utilisant Lemme 5, (B n P<br />
) −1 A n P<br />
est asymptotiquement équivalent multi-niveaux à<br />
(C n P<br />
(b)) −1 C n P<br />
(a) et comme les matrices C n P<br />
(b) et C n P<br />
(a) sont respectivement semblables aux matrices<br />
diagonales ∆ nP (b) et ∆ nP (a) avec la même matrice unitaire U nP (5.3), on obtient après utilisation de<br />
Lemme 1, pour tout entier s,<br />
avec<br />
lim<br />
n 1 ,n 2 ,...,n P →∞<br />
= lim<br />
n 1 ,n 2 ,...,n P →∞<br />
=<br />
∫<br />
1 π<br />
(2π) P<br />
lim<br />
n 1 ,n 2 ,...,n P →∞<br />
−π<br />
∫ π<br />
−π<br />
n 1 n 2<br />
1 ∑...n P −1<br />
[λ s k<br />
n 1 n 2 ...n (An P<br />
,B n P<br />
) − λ s k (∆−1 n P<br />
(b)∆ nP (a))] = 0<br />
P<br />
n 1 n 2<br />
1 ∑...n P −1<br />
n 1 n 2 ...n P<br />
k=0<br />
n<br />
1 ∑ 1 −1<br />
n 1 n 2 ...n P<br />
...<br />
∫ π<br />
−π<br />
n∑<br />
2 −1<br />
k 1 =0 k 2 =0<br />
k=0<br />
λ s k (∆−1<br />
n P<br />
(b)∆ nP (a))]<br />
n∑<br />
P −1<br />
...<br />
k P =0<br />
b −s (2π k 1<br />
n 1<br />
,2π k 2<br />
n 2<br />
,...,2π k P<br />
n P<br />
)a s (2π k 1<br />
n 1<br />
,2π k 2<br />
n 2<br />
,...,2π k P<br />
n P<br />
)<br />
b −s (ω 1 ,ω 2 ,...,ω P )a s (ω 1 ,ω 2 ,...,ω P )dω 1 dω 2 ...dωP,<br />
où la continuité des transformées de Fourier b(ω 1 ,ω 2 ,...,ω P ) et a(ω 1 ,ω 2 ,...,ω P ) permettent de garantir<br />
l’existence de l’intégrale.<br />
Finalement, ce résultat s’étend à l’ensemble des polynômes et après invocation du théorème d’approximation<br />
de Stone-Weierstrass, Théorème 3 est prouvé.<br />
Comme cela a été montré dans [47,48], et tenant compte du fait que pour tous vecteurs n P , les valeurs<br />
propres de (B n P<br />
) −1 A n P<br />
appartiennent à I ω , Théorème 3 conduit au corollaire suivant :<br />
Corollaire 1<br />
Pour tout entier positif l, les l plus petites et plus grandes valeurs propres généralisées de (A n P<br />
,B n P<br />
)<br />
convergent en n 1 ,n 2 ,...,n P et<br />
lim λ n<br />
n 1 ,n 2 ,...,n P →∞ 1 n 2 ...n P −l+1(A n P<br />
,B n P<br />
) = min b −1 (ω 1 ,ω 2 ,...,ω P )a(ω 1 ,ω 2 ,...,ω P )<br />
ω 1 ,ω 2 ,...,ω P
5.4 Conclusion 89<br />
et<br />
lim λ l(A n P<br />
,B n P<br />
) = max b −1 (ω 1 ,ω 2 ,...,ω P )a(ω 1 ,ω 2 ,...,ω P )<br />
n 1 ,n 2 ,...,n P →∞ ω 1 ,ω 2 ,...,ω P<br />
où les valeurs propres généralisées sont rangées par ordre décroissant.<br />
5.4 Conclusion<br />
Dans cette annexe, nous avons donné une extension du théorème de Szegö aux valeurs propres<br />
généralisées de matrices Hermitiennes MTBT. Nous avons donné une preuve simple de ce théorème, sous<br />
l’hypothèse d’éléments absolument sommables, basée sur la notion d’équivalence asymptotique multiniveaux<br />
entre des séquences de matrices bloc multi-niveaux.
90<br />
Distribution asymptotique des valeurs propres généralisées de matrices Multi-niveaux Toeplitz<br />
Bloc Toeplitz
Deuxième partie<br />
Etude d’algorithmes de traitement<br />
d’antenne sur radar en configuration<br />
antenne tournante
Chapitre 6<br />
Filtrage optimal sur radar à antenne<br />
tournante<br />
Sommaire<br />
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93<br />
6.2 Généralités sur le traitement radar . . . . . . . . . . . . . . . . . . . . . . . . . . 94<br />
6.3 Modélisation physique des données radar en contexte antenne tournante . . . 96<br />
6.4 Détection optimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98<br />
6.1 Introduction<br />
Les radars 1 sont des systèmes électroniques utilisant des ondes radio. Ils sont appliqués dans différents<br />
contextes, civils ou militaires. Ceux qui nous concernent ici sont les radars terrestres de défense antiaérienne.<br />
Ils ont pour objectif de détecter des objets (cibles) et d’en estimer les paramètres (à savoir<br />
leur distance par rapport au radar, leur position angulaire, leur vitesse radiale et leur surface équivalente<br />
radar (cf. par exemple [69–72]). Ces deux étapes peuvent être suivies d’une fonction de pistage des<br />
cibles. La principale difficulté à laquelle se trouve confronté un radar provient de l’environnement dans<br />
lequel se trouve la cible (ou signal utile). En effet, le signal de cible se trouve la plupart du temps noyé<br />
au milieu d’autres éléments tels que le bruit thermique, les échos fixes (ou fouillis) et les brouilleurs.<br />
Comparativement à la puissance de ces derniers, la puissance du signal utile est infime. C’est la raison<br />
pour laquelle il est nécessaire de procéder à des traitements permettant de réhausser ce niveau relatif de<br />
signal utile. Trois types de cohérence des signaux reçus sont utilisés dans ce but : la cohérence temporelle,<br />
fréquentielle puis spatiale. Les traitements de filtrage adapté en distance, filtrage Doppler et filtrage spatial<br />
par traitement d’antenne permettent respectivement d’exploiter ces différentes cohérences.<br />
Dans cette seconde partie de la thèse, nous nous plaçons dans un contexte de radar en mode veille avec<br />
une antenne en rotation uniforme. Contrairement à la première partie de la thèse, les signaux considérés<br />
sont maintenant bande étroite. Cependant, la rotation d’antenne induit des dégradations sur les performances<br />
des traitements standards. Afin d’assurer un bon fonctionnement du radar, il est donc nécessaire<br />
de compenser ces pertes en proposant de nouveaux traitements adaptés au contexte considéré. L’objet de<br />
cette partie est donc de proposer et d’étudier de nouveaux algorithmes de traitement du signal adéquats.<br />
En particulier, nous nous intéresserons dans le chapitre suivant au problème de rejection de brouilleurs,<br />
rendus non stationnaires par la rotation d’antenne, grâce à des algorithmes de filtrage spatial variant<br />
dans le temps. Puis, nous étudierons le problème de rejection conjointe de brouilleurs et de fouillis par<br />
filtrage spatio-temporel en configuration antenne tournante. Auparavant, nous rappelons dans ce chapitre<br />
1 le nom radar provient de l’anglais (RAdio Detection And Ranging).
94 Filtrage optimal sur radar à antenne tournante<br />
Modulation<br />
Emission<br />
Propagation<br />
Generation<br />
Traitement<br />
Exploitation<br />
Reception<br />
Demodulation<br />
Fig. 6.1: Principe général d’un radar<br />
le fonctionnement général d’un radar en détaillant les différents filtrages cohérents utilisés. Puis, nous<br />
effectuons la modélisation physique des signaux radars en configuration antenne tournante avant d’écrire<br />
l’expression du filtrage optimal au sens d’un problème de détection.<br />
6.2 Généralités sur le traitement radar<br />
6.2.1 Description de la chaîne radar<br />
La chaîne de traitement radar est constituée de deux sous-ensembles. Tout d’abord, des traitements<br />
analogiques haute fréquence (émission et réception de signaux haute fréquence) sont effectués. Puis, après<br />
transposition en bande de base et numérisation, les traitements deviennent numériques et comprennent<br />
les étapes suivantes :<br />
– Traitement du signal<br />
– Filtrage cohérent pour augmenter le rapport SINR<br />
– Détection à taux de fausse alarme constant (TFAC)<br />
– Traitement des données<br />
– Extraction (formation de plots de détection)<br />
– Pistage (estimation de la trajectoire des cibles)<br />
Son schéma d’ensemble est donné par Fig.6.1.<br />
Pour parvenir à ses objectifs, un radar émet une onde électromagnétique à intervalles réguliers dans<br />
une direction donnée. On appelle récurrence la période constituée d’un temps d’émission et d’un temps<br />
d’écoute et rafale un ensemble de récurrences cohérentes (i.e. à fréquence porteuse donnée).<br />
L’étape de détection (par TFAC) se fait après maillage de l’espace des paramètres (suivant les dimensions<br />
distance, angle et vitesse) et test en chacun des points de cet espace. Dans cette partie, nous nous<br />
situons au niveau de la chaîne de traitement du signal d’un radar terrestre. En particulier, nous étudions<br />
dans ce chapitre l’expression du filtre linéaire cohérent, optimal dans un but de détection, à appliquer sur<br />
les données en contexte d’antenne tournante.<br />
6.2.2 Description de l’environnement radar<br />
En plus du signal utile provenant de la cible, le signal reçu est constitué des éléments suivants :
6.2 Généralités sur le traitement radar 95<br />
Le fouillis<br />
Le fouillis désigne les obstacles de terrain renvoyant un écho au radar. Ils peuvent être à vitesse nulle<br />
(échos fixes dûs au bâtiment ...) ou à faible vitesse (fouillis de pluie, fouillis de sol, de mer ...). Dans la<br />
suite, nous supposerons que le fouillis présent dans les données est à vitesse nulle.<br />
Les brouilleurs<br />
Les brouilleurs sont des perturbations intentionnelles ayant pour objectif d’éviter la détection d’une<br />
cible hostile. Dans la suite, nous nous limiterons à la présence de brouilleurs à bruit. Ces derniers émettent<br />
un bruit blanc de forte puissance à partir d’un point donné de l’espace.<br />
Le bruit thermique<br />
Le bruit thermique est dû à la chaîne de réception. Il est interne au radar mais s’ajoute aux interférences<br />
extérieures (brouilleurs et fouillis décrits précédemment) et perturbe la détection.<br />
6.2.3 Filtrage cohérent pour réhausser le rapport SINR<br />
Après avoir décrit la chaîne de traitement radar de façon générale, et l’environnement radar venant<br />
perturber la détection du signal utile, on détaille maintenant les différents filtrages cohérents utilisés<br />
au sein de la chaîne de traitement de signal, avant détection. Ces filtrages permettent de réhausser la<br />
puissance utile par rapport à la puissance des différents signaux parasites c’est à dire le rapport SINR.<br />
En contexte de radar à antenne fixe, les traitements cohérents sont commutatifs et indépendants.<br />
Cependant, nous verrons dans les chapitres suivants que cela ne s’applique plus en configuration de radar<br />
à antenne tournante.<br />
Filtrage adapté en distance<br />
Il s’agit d’un filtrage adapté effectué sur les échantillons au sein d’une récurrence qui permet de<br />
réhausser le rapport SINR afin d’extraire l’information distance de la cible. En pratique, il est réalisé dans<br />
le domaine fréquentiel, après FFT.<br />
Filtrage Doppler<br />
Ce filtrage exploite la cohérence temporelle des signaux de récurrence à récurrence pendant la durée<br />
de la rafale. Son principe est de remettre en phase la partie utile du signal de récurrence à récurrence<br />
pendant une rafale. Comme la vitesse radiale de la cible (liée à sa fréquence Doppler) n’est pas connue,<br />
ce filtrage se fait pour une hypothèse de fréquence Doppler donnée, après maillage de l’espace de ces<br />
fréquences.<br />
Filtrage spatial<br />
Ce filtrage exploite la cohérence spatiale des signaux de capteurs à capteurs. Différents algorithmes de<br />
traitement d’antenne peuvent alors être utilisés. De même que pour le filtrage Doppler, comme la DOA<br />
de la cible n’est pas connue, ce filtrage se fait pour une hypothèse de direction d’arrivée donnée, après<br />
maillage de l’espace de ces directions d’arrivée.
96 Filtrage optimal sur radar à antenne tournante<br />
ω t +<br />
Cible<br />
Az= θ(0)<br />
θ(t)=Az+ ω t<br />
Repere fixe<br />
Repere antenne<br />
Fig. 6.2: Illustration de la rotation d’antenne d’angle ωt.<br />
6.3 Modélisation physique des données radar en contexte antenne<br />
tournante<br />
6.3.1 Modélisation de la rotation d’antenne<br />
Nous supposons dans cette partie que l’antenne radar est linéaire uniforme et composée de N capteurs<br />
équidistants. Afin de simplifier l’étude à suivre, nous nous limitons à un problème plan et définissons<br />
deux repères orthonormés : un repère fixe et un repère antenne. L’antenne est animée d’un mouvement<br />
de rotation uniforme à la vitesse ω rad/s. Une cible est paramétrée dans le repère fixe par l’angle Az et<br />
par l’angle θ(t) dans le repère antenne. Les deux angles sont reliés par l’équation :<br />
θ(t) = Az + ωt.<br />
Fig.6.2 représente la rotation de l’antenne.<br />
Les capteurs sont supposés omnidirectionnels et de gain unitaire. Ensuite, le signal émis est supposé<br />
à bande étroite. Cette hypothèse se justifie dans la mesure où le temps de cohérence du signal est grand<br />
devant le temps de traversée du réseau de capteurs. On se place ainsi sous l’hypothèse que 1 B ≫ Nd<br />
c , où B<br />
représente la bande du signal et d la distance inter-capteurs. Si celle-ci est choisie égale à λ 2<br />
pour respecter<br />
le théorème d’échantillonnage spatial de Shannon, comme cela sera le cas dans cette partie, l’hypothèse<br />
bande étroite peut s’écrire sous la forme f 0<br />
B<br />
≫ N 2 .<br />
6.3.2 Expression du signal reçu au niveau de l’antenne<br />
On cherche maintenant à exprimer le signal reçu au niveau d’un capteur de l’antenne en rotation<br />
suivant le modèle de Fig.6.2. Ce signal provient de la réflexion du signal émis par le radar sur une cible.<br />
On note C le capteur considéré, O l’origine de l’antenne (qui est également le point à partir duquel le<br />
signal est émis) et M la cible. Ces points sont représentés sur Fig.6.3. Le signal émis à l’instant t par le<br />
radar est noté e(t,θ(t)). Son expression est :<br />
e(t,θ(t)) = g(θ(t))u(t)e j2πf 0t<br />
(6.1)<br />
avec g(θ) désignant le gain du radar en émission dans la direction θ, et u(t) est l’enveloppe complexe<br />
du signal émis. Dans la suite, on suppose que la rotation peut être négligée dans l’expression du gain
6.3 Modélisation physique des données radar en contexte antenne tournante 97<br />
v<br />
M<br />
Rotation<br />
C<br />
O<br />
Fig. 6.3: Signal reçu sur un capteur<br />
d’émission de sorte que g(θ(t)) est considéré indépendant de t : g(θ(t)) = g. La longueur OC est notée l.<br />
On montre alors en annexe E que le signal reçu en C peut s’écrire sous la forme :<br />
(<br />
r c (t) ≈ Au t − 2R )<br />
0<br />
e −jϕ e j2π[(f 0+f d )t+ l c f 0 sin(θ(t))]<br />
(6.2)<br />
c<br />
lorsque<br />
⎧<br />
⎨<br />
⎩<br />
v<br />
c ≪ 1<br />
BMT rec ≪ c<br />
B ≪<br />
c<br />
Nd<br />
avec A l’amplitude du signal reçu, τ 0 = 2R 0<br />
c<br />
le terme de retard, f d = 2v c f 0 la fréquence Doppler et<br />
2R<br />
ϕ = 2πf 0 0 c<br />
un terme de phase. Dans la suite, on regroupera dans le vecteur p les paramètres utiles de<br />
la cible :<br />
p = (A,τ 0 ,f d ,θ).<br />
En conclusion, sous nos hypothèses d’étude, la rotation d’antenne n’a d’influence sur la forme du signal<br />
reçu qu’au travers du terme de déphasage : 2π l c f 0 sin(θ(t)).<br />
2v<br />
6.3.3 Expression des vecteurs spatiaux et spatio-temporels du signal reçu<br />
En sortie du réseau de capteurs, les données sont démodulées (multiplication par e −j2πf0t ) puis<br />
numérisées. L’échantillonnage s’effectue à la fréquence de Shannon à savoir T e = 1 B<br />
. Lorsque M récurrences<br />
sont émises, on note t m i les instants d’échantillonnage avec t m i = iT e + mT rec , avec 1 ≤ i ≤ L l’indice de<br />
l’échantillon dans la récurrence où L désigne le nombre d’échantillons dans la récurrence et 0 ≤ m ≤ M −1.<br />
A l’instant t m i , le signal reçu au niveau du capteur C après démodulation s’écrit :<br />
(<br />
r c (t m i ) ≈ Au iT e − 2R )<br />
0<br />
e −jϕ e j2π[f d(iT e+mT rec)+ l c f 0 sin(θ(iT e+mT rec))]<br />
c<br />
où l’on a utilisé le fait que l’enveloppe complexe est périodique de période T rec , la même impulsion étant<br />
émise à chaque récurrence.
98 Filtrage optimal sur radar à antenne tournante<br />
Dans la suite, nous serons amenés à considérer les échantillons spatiaux et spatio-temporels (le temps<br />
correspondant ici à la récurrence) du signal. En sortie du réseau de capteurs (toujours après démodulation<br />
et numérisation), le vecteur d’échantillons spatiaux s’écrit pour la case distance i de la récurrence m :<br />
s(t m i ) = s(t m i )φ(iT e + mT rec )<br />
avec s(t m i ) = Au( iT e − 2R )<br />
0<br />
c e −jϕ e j2πf d(iT e+mT rec) et<br />
⎛<br />
e j2πf 0 l 1<br />
c f 0 sin(θ(iT e + mT rec ))<br />
φ(iT e + mT rec ) =<br />
e j2πf 0 l 2<br />
c f 0 sin(θ(iT e + mT rec ))<br />
⎜<br />
⎝<br />
.<br />
e j2πf 0 l N<br />
c f 0 sin(θ(iT e + mT rec ))<br />
⎞<br />
⎟<br />
⎠<br />
représente un vecteur directionnel à l’instant t m i . Puis, le vecteur d’échantillons spatio-temporels2 s’écrit<br />
pour la case distance :<br />
S(t i ) = α(iT e )Φ(iT e ) (6.3)<br />
avec α(iT e ) = Au ( iT e − 2R )<br />
0<br />
c e −jϕ et<br />
⎛<br />
Φ(iT e ) = ⎜<br />
⎝<br />
e j2πf d(iT e) φ(iT e )<br />
e j2πf d(iT e+T rec) φ(iT e + T rec )<br />
.<br />
e j2πf d(iT e+(M−1)T rec) φ(iT e + (M − 1)T rec )<br />
représentant un vecteur directionnel spatio-temporel à la case distance i.<br />
⎞<br />
⎟<br />
⎠<br />
6.4 Détection optimale<br />
En introduction, nous avons vu qu’un des objectifs principaux d’un radar était la détection de cibles<br />
dans du bruit. Cette étape est précédée d’une étape de filtrage des données dont le but intuitif est de<br />
séparer le bruit du signal utile. Dans cette section, nous nous intéressons à la relation entre filtrage linéaire<br />
et détection au sens du critère de Neyman-Pearson. Ce dernier est le critère de référence utilisé en radar et<br />
consiste à maximiser une probabilité de détection à probabilité de fausse alarme donnée. Dans un premier<br />
temps, nous expliquons les caractéristiques du problème de détection auquel nous sommes confrontés et<br />
l’approche bayésienne utilisée pour le résoudre. Puis, nous en déduisons l’expression du filtre permettant<br />
d’optimiser la détection et le critère d’optimalité sur le filtre associé [73].<br />
6.4.1 Détection d’un signal déterministe de paramètres utiles connus en présence de<br />
paramètres de nuisance<br />
La modélisation physique du signal utile effectuée en première section de ce chapitre a permis d’expliciter<br />
les paramètres caractéristiques des cibles radar. En particulier, nous avons introduit le vecteur de<br />
paramètres utiles p = (A,τ 0 ,f d ,θ). Cependant, nous n’avons pas inclus le paramètre de phase du signal<br />
ϕ dans ces derniers. Cela s’explique par le fait que ce dernier paramètre n’apporte pas d’information sur<br />
ce que l’on souhaite estimer sur la cible (à savoir sa surface équivalente radar, sa distance, sa vitesse et<br />
sa position). Pour cette raison, le paramètre de phase est ici considéré comme un paramètre de nuisance<br />
par opposition aux paramètres utiles p. Dans cette section, nous nous intéressons au problème général<br />
de détection d’un signal dans du bruit blanc gaussien. Dans le domaine radar, lorsque les données sont<br />
2 Notons que contrairement à la première partie, la dimension temporelle correspond ici à l’axe des récurrences.
6.4 Détection optimale 99<br />
reçues, l’ensemble des paramètres d’un éventuel signal utile sont inconnus. Statistiquement, cela correspond<br />
à l’absence d’a priori sur ces derniers. Pour résoudre cette difficulté, les traitements radar consistent<br />
à former un maillage de l’espace des paramètres utiles et à effectuer une détection en chacun des noeuds.<br />
Cette méthode permet de se ramener à un problème de détection avec paramètres utiles connus. Cependant,<br />
un paramètre de nuisance correspondant à la phase du signal utile est également présent. Afin de le<br />
supprimer du problème, une approche bayésienne est utilisée. Celle-ci consiste à affecter à la phase une<br />
densité de probabilité a priori uniforme. Physiquement, cette dernière hypothèse est justifiée par l’absence<br />
complète d’information sur le paramètre de nuisance. Finalement, le problème de détection étudié est donc<br />
celui d’un signal déterministe de paramètres utiles connus en présence d’un paramètre de nuisance (cf. par<br />
exemple [74–76]). La détection consiste à choisir entre les hypothèses signal présent (H1) et signal absent<br />
(H0) des données. On suppose ici que l’on dispose de données vectorielles sous les hypothèses suivantes :<br />
X = S(p) + B (H1)<br />
X = B (H0)<br />
où S(p) est le signal utile déterministe et B un bruit blanc gaussien complexe circulaire de matrice de<br />
corrélation C. Avant de procéder à la détection, un filtre linéaire sur les données est effectué. Si l’on note<br />
W le filtre appliqué sur les données, les deux hypothèses deviennent :<br />
y = W H S(p) + W H B (H1)<br />
y = W H B (H0)<br />
Le bruit filtré conserve le caractère gaussien centré et a pour variance W H CW où C désigne la matrice<br />
de corrélation du bruit. Le critère de décision ensuite utilisé est le rapport de vraisemblance :<br />
V = p(y/H1)<br />
p(y/H0)<br />
et p(y/H1) = ∫ ϕ<br />
p(y/H1,ϕ)p(ϕ)dϕ où ϕ correspond à la phase aléatoire du signal filtré. Or, en raison<br />
des hypothèses sur le bruit, la vraisemblance des données filtrées sous l’hypothèse (H0) est égale à :<br />
et sous l’hypothèse (H1) :<br />
H1<br />
><br />
<<br />
H0<br />
p(y/H0) = (2πW H CW) −1 e − 1<br />
W H CW |y|2<br />
p(y/H1) = (2πW H CW) −1 e − 1<br />
W H CW |y−WH S(p)| 2<br />
En introduisant ensuite δ la phase de y, le rapport de vraisemblance consiste à intégrer pour ϕ ∈ [0 : 2π[<br />
la quantité<br />
V =<br />
∫ 2π<br />
Après calcul [73], on obtient alors :<br />
0<br />
n<br />
e<br />
1<br />
W H CW<br />
T<br />
“<br />
2|y||W H S(p)|cos(ϕ−δ)−|W H S(p)| 2”o dϕ<br />
H1<br />
V = e −| W H S(p)| 2<br />
( ∣<br />
W H CW I 0 |y| ∣W H S(p) ∣ ) ><br />
<<br />
H0<br />
où I 0 est la fonction de Bessel modifiée d’ordre nul. Comme cette fonction est croissante, la règle de<br />
décision est équivalente à :<br />
H1<br />
|y|<br />
><br />
<<br />
H0<br />
T ′<br />
T
100 Filtrage optimal sur radar à antenne tournante<br />
Les probabilités de fausse alarme et de détection sont égales à :<br />
Après quelques calculs, on montre que :<br />
P d = Q<br />
P fa = p (|y| > T ′ /H0)<br />
P d = p (|y| > T ′ /H1)<br />
( ∣ ∣W H S(p) ∣ ( )<br />
√<br />
√2ln<br />
)<br />
1<br />
W H CW , P fa<br />
où Q est la fonction de Marcum et Swerling et est croissante par rapport à sa première variable. Comme<br />
cette dernière correspond à la racine du rapport signal sur bruit instantané après filtrage linéaire des<br />
données, le critère de Neyman-Pearson est équivalent à la maximisation du rapport signal sur bruit après<br />
filtrage linéaire de l’ensemble des données. Ce dernier est donné par l’expression :<br />
SINR =<br />
∣<br />
∣W H S(p) ∣ ∣ 2<br />
W H CW<br />
pour lequel on a rappelé dans le premier chapitre que le filtre optimal (au sens de la maximisation du<br />
SINR) est donné par :<br />
W ∝ C −1 S(p). (6.4)<br />
6.4.2 Application au problème radar<br />
Dans le problème radar qui nous intéresse, les données filtrées correspondent à l’ensemble des échantillons<br />
de données disponibles. En tenant compte du nombre de capteurs, du nombre de cases distance par<br />
récurrence et du nombre de récurrences, il y a au total : NLM échantillons disponibles à partir desquels<br />
s’effectue la détection. Pour se ramener au problème présenté dans le paragraphe précédent, les<br />
échantillons sont regroupés dans un seul vecteur formé par concaténation des données spatio-temporelles<br />
(données spatiales concaténées aux différentes récurrences) pour l’ensemble des cases distance. Le signal<br />
S(p) peut alors se décomposer sous la forme :<br />
⎛<br />
S(p) = ⎜<br />
⎝<br />
S 1 (p)<br />
S 2 (p)<br />
.<br />
S L (p)<br />
où les vecteurs S i,i=1..L (p) correspondent aux vecteurs spatio-temporels du signal utile et le bruit B peut<br />
s’écrire sous la forme :<br />
⎛ ⎞<br />
B 1<br />
B 2<br />
B = ⎜ ⎟<br />
⎝ . ⎠<br />
B L<br />
où les vecteurs B i,i=1..L représentent le bruit spatio-temporel à la case distance i. Or, d’après les hypothèses<br />
de blancheur, d’indépendance et de caractère centré des différentes composantes du bruit, la matrice de<br />
corrélation de B et notée C a une structure bloc diagonale :<br />
⎛<br />
⎞<br />
C 1 0<br />
0 C 2 C = ⎜<br />
⎝<br />
. ..<br />
⎟<br />
⎠<br />
C L<br />
⎞<br />
⎟<br />
⎠<br />
(6.5)
6.4 Détection optimale 101<br />
Facteur d’amelioration<br />
SINR in<br />
Filtrage spatio−temporel<br />
SINR out<br />
Filtrage adapte<br />
en distance<br />
Chaine de traitement du signal radar<br />
Fig. 6.4: Schéma de la chaîne de traitement du signal radar<br />
La matrice inverse est donc également bloc diagonale :<br />
⎛<br />
C −1<br />
1<br />
0<br />
C −1 0 C −1<br />
2<br />
= ⎜<br />
⎝<br />
. ..<br />
C −1<br />
L<br />
⎞<br />
⎟<br />
⎠ . (6.6)<br />
En insérant (6.5) et (6.6) dans (6.4), on obtient :<br />
⎛<br />
W(p) = ⎜<br />
⎝<br />
1 S ⎞<br />
1(p)<br />
2 S 2(p)<br />
⎟<br />
⎠ . (6.7)<br />
C −1<br />
C −1<br />
.<br />
C −1<br />
L S L(p)<br />
Puis, en reportant S l (p) = s(α,τ 0 ,l)Φ(Θ s ) dans l’expression du filtre (6.7), on obtient :<br />
⎛<br />
s(α,τ 0 ,1)C −1<br />
1 Φ(Θ ⎞<br />
s)<br />
s(α,τ 0 ,2)C −1<br />
2<br />
W(p) = ⎜<br />
Φ(Θ s)<br />
⎟<br />
⎝ . ⎠ . (6.8)<br />
s(α,τ 0 ,L)C −1<br />
L Φ(Θ s)<br />
Sous l’hypothèse de stationnarité des composantes spatio-temporelles de bruit sur les différentes cases<br />
distance de la récurrence, la matrice de covariance spatio-temporelle de bruit est constante et on l’appelle<br />
R = C 1 = ... = C L . Dans ce cas, l’écriture (6.8) montre que le filtrage optimal peut se décomposer en<br />
deux parties. Elle suggère en effet de réaliser le filtrage spatio-temporel pour des paramètres de position et<br />
de vitesse donnés et le filtrage en distance pour des paramètres de SER et distance comme représenté sur<br />
Fig.6.4. Ce dernier peut être fait avant ou après le filtrage spatio-temporel. Cependant, nous supposerons<br />
dans la suite qu’il est effectué après le filtrage spatio-temporel (de sorte à ne pas influer sur la blancheur<br />
temporelle du brouillage). Dans la suite, nous nous consacrerons à l’étude du filtrage spatio-temporel, et<br />
utiliserons comme critère de performance le rapport SINR spatio-temporel en sortie du filtrage spatiotemporel.
102 Filtrage optimal sur radar à antenne tournante
Chapitre 7<br />
Filtrage spatial non stationnaire sur<br />
radar à antenne tournante<br />
Sommaire<br />
7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103<br />
7.2 Algorithme OLS à coefficients variables dans le temps . . . . . . . . . . . . . . 103<br />
7.3 Algorithme MVDR à coefficients variables dans le temps . . . . . . . . . . . . 110<br />
7.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115<br />
7.1 Introduction<br />
Dans ce chapitre, nous nous intéressons au problème d’antibrouillage par filtrage spatial lorsque l’antenne<br />
radar est en rotation suivant le modèle présenté dans le chapitre précédent. Rappelons que le principe<br />
intuitif du filtrage spatial (au sens du critère MVDR) est de focaliser dans la direction supposée de la<br />
cible et de former des trous dans le diagramme dans la direction des brouilleurs. La rotation d’antenne<br />
a donc un impact à la fois sur la focalisation et sur l’antibrouillage, l’environnement étant rendu non<br />
stationnaire [77]. Il est donc clair que la rotation d’antenne entraîne le besoin d’adapter le filtre spatial au<br />
cours du temps. Dans ce chapitre, nous proposons d’utiliser une méthode de filtrage applicable en contexte<br />
non-stationnaire et basée sur l’utilisation d’un filtre variable dans le temps. Cette méthode est déclinée<br />
sur l’algorithme Opposition dans les Lobes Secondaires (OLS) implémenté au sein d’une récurrence puis<br />
sur l’algorithme MVDR appliqué pendant toute une rafale.<br />
7.2 Algorithme OLS à coefficients variables dans le temps<br />
7.2.1 Modélisation du problème<br />
On considère dans cette section une antenne composée de deux voies formées. La première (voie<br />
principale) possède un diagramme de rayonnement directif alors que la seconde (voie auxiliaire) a un<br />
diagramme de rayonnement large. On suppose la présence d’un brouilleur b(t) modélisé par un processus<br />
aléatoire stationnaire au second ordre complexe centré de puissance σJ 2 et d’un signal utile s(t) complexe<br />
déterministe de puissance σS 2. De plus, les deux voies générent un bruit thermique interne (n 1(t) et n 2 (t))<br />
venant se rajouter au signal reçu. Ces bruits thermiques sont modélisés par un processus stochastique du<br />
second ordre gaussien complexe centré de puissance σn.<br />
2<br />
Le réseau d’antenne est animé d’un mouvement de rotation uniforme à la vitesse ω rad/s. Les gains<br />
des capteurs sont supposés connus et constants dans le temps. Ils sont fonction uniquement de la direction<br />
d’arrivée et on note G p (θ) et G a (θ) les gains complexes respectifs des voies principale et auxiliaire pour
104 Filtrage spatial non stationnaire sur radar à antenne tournante<br />
0<br />
diagrammes des voies principale et auxiliaire<br />
voie principale<br />
voie auxiliaire<br />
−10<br />
−20<br />
gain en dB<br />
−30<br />
−40<br />
−50<br />
−60<br />
−70<br />
−100 −80 −60 −40 −20 0 20 40 60 80 100<br />
angle en degres<br />
Fig. 7.1: Diagrammes des voie principe et auxiliaire<br />
un signal reçu sous l’angle θ. De plus, afin de simplifier le problème, on suppose que l’antenne est focalisée<br />
initialement dans la direction 0 de la cible. On note θ J la DOA initiale du brouilleur. A l’instant t, les<br />
angles sous lesquels sont vus la cible (θ S (t)) et le brouilleur (θ J (t)) sont donc :<br />
θ S (t) = ωt et θ J (t) = ωt + θ J .<br />
Les signaux en sortie des voie principale et auxiliaire peuvent donc s’écrire respectivement :<br />
V p (t) = G p (ωt)s(t) + G p (ωt + θ J )b(t) + n 1 (t) (7.1)<br />
V a (t) = G a (ωt)s(t) + G a (ωt + θ J )b(t) + n 2 (t). (7.2)<br />
Finalement, on suppose que l’on dispose dans la suite des données V p (t) et V a (t) sur les K échantillons<br />
d’une récurrence, à savoir pour t 1 ≤ t ≤ t K .<br />
7.2.2 Description de l’algorithme OLS à coefficients variables dans le temps<br />
Principe de l’algorithme OLS<br />
L’algorithme OLS soustrait au signal sur la voie principale une pondération du signal sur la voie<br />
auxiliaire choisie de telle sorte à minimiser l’influence de la perturbation sur le signal résultant. Il peut<br />
fonctionner dans la mesure où la contribution du signal utile soustraite à la voie principale est négligeable<br />
devant le signal utile sur cette même voie. On se ramène alors à un problème de référence bruit seul.<br />
Les conditions d’application de l’algorithme sont donc la voie principale focalisée dans la direction utile,<br />
le signal perturbateur absent du lobe principal et le gain sur la voie auxiliaire supérieur au gain de la<br />
voie principale au niveau de ses lobes secondaires. Un exemple de diagrammes de voie principale et voie<br />
auxiliaire permettant l’application de l’algorithme OLS est donné par Fig.7.1.
7.2 Algorithme OLS à coefficients variables dans le temps 105<br />
Le critère utilisé dans cette méthode est l’erreur quadratique moyenne entre le signal sur la voie principale<br />
et la pondération du signal sur la voie auxiliaire. L’algorithme OLS standard consiste à rechercher le<br />
coefficient α qui minimise l’expression : E|V p (t) − α ∗ V a (t)| 2 . Le coefficient solution de ce problème vérifie<br />
alors l’équation :<br />
α(t) = E(|V a (t)| 2 ) −1 E(V a (t)V ∗<br />
p (t)).<br />
L’approche OLS optimale serait donc de calculer un coefficient à chaque instant. Cependant, cela n’est<br />
pas réalisable en pratique d’une part parce que les espérances sont estimées par une moyenne empirique<br />
sur plusieurs instants et d’autre part parce qu’une telle approche serait trop lourde à mettre en oeuvre.<br />
Approche avec coefficients variables dans le temps<br />
Cette approche a pour objectif de décomposer le coefficient recherché sur une base polynômiale de<br />
façon à tenir compte des variations temporelles du coefficient optimal [78]. L’estimation à effectuer revient<br />
alors à celle des coefficients dans la base choisie. Supposons que l’on fasse une décomposition du coefficient<br />
sur la base de polynômes canonique contenant I + 1 éléments :<br />
α(t) =<br />
I∑<br />
α i (t − t 0 ) i<br />
i=0<br />
Les coefficients à estimer sont maintenant les coefficients (α i ) i=0..I . t 0 est un instant de la durée d’écoute<br />
choisi de façon à optimiser les performances en termes de puissance résiduelle. Dans toute la suite de ce<br />
chapitre, on fait l’hypothèse selon laquelle la variation de gain est suffisamment faible pour que l’on puisse<br />
se limiter à I = 1.<br />
Implémentation de l’algorithme<br />
L’algorithme OLS peut être mis en oeuvre de différentes manières. En effet, l’utilisateur dispose de<br />
toutes les données correspondant aux cases distance de la récurrence radar et doit choisir les échantillons<br />
à utiliser dans le calcul du coefficient. Ce dernier peut de plus être calculé une ou plusieurs fois. Ici,<br />
nous supposons que le coefficient α n’est calculé qu’une seule fois, à partir de tous les échantillons de la<br />
récurrence.<br />
7.2.3 Etude de performance<br />
Critère de performance retenu<br />
On cherche maintenant à comparer le gain en performance résultant de l’utilisation de l’algorithme<br />
OLS à coefficients variables dans le temps. Pour cela, on retient comme critère la puissance résiduelle de<br />
brouillage instantanée. Ce choix se justifie dans la mesure où ce critère est directement relié au rapport<br />
signal sur bruit. En effet, la puissance utile reçue sur la voie principale est largement supérieure à la<br />
puissance utile reçue sur la voie auxiliaire et donc la contribution du signal utile soustraite à la voie<br />
principale est négligeable devant le signal utile sur cette même voie, quelque soit la version de l’algorithme<br />
OLS utilisé. Dans le rapport signal sur bruit, la puissance du signal peut donc être considérée indépendante<br />
de la version de l’algorithme OLS. De plus, le coefficient α étant faible en raison du choix d’une voie<br />
auxiliaire dont le diagramme est largement supérieur au niveau des lobes secondaires de la voie principale,<br />
la puissance résultante de bruit thermique est approximativement égale à σ 2 n quelque soit la version de<br />
l’algorithme OLS considéré. Finalement, le rapport SINR ne dépend donc que de la puissance résiduelle<br />
de brouillage. Ainsi, l’algorithme est d’autant plus efficace que la puissance résiduelle de brouillage est<br />
faible. D’après (7.1) et (7.2), cette puissance s’écrit à l’instant t :<br />
P res (t) = |G p (ωt + θ J ) − α ∗ (t)G a (ωt + θ J )| 2 σ 2 J . (7.3)
106 Filtrage spatial non stationnaire sur radar à antenne tournante<br />
Expression du critère de performance<br />
Nous calculons dans cette partie l’expression de la puissance résiduelle de brouillage pour l’algorithme<br />
OLS standard puis pour sa version avec coefficients variables dans le temps. Pour aboutir à ces deux<br />
expressions, nous effectuons un développement limité déterministe du gain sur la voie principale et une<br />
approximation sur des fonctions du signal perturbateur qui interviennent dans le calcul. Dans les deux<br />
cas, nous calculons la puissance en fonction de l’instant t k avec 1 ≤ k ≤ K.<br />
Version standard Le coefficient OLS est calculé par moyenne empirique selon la méthode SMI [3] :<br />
K∑<br />
K∑<br />
α = ( |V a (t k )| 2 ) −1 )( V a (t k )Vp ∗ (t k )) (7.4)<br />
k=1<br />
Afin de simplifier cette étude, nous effectuons les hypothèses préalables suivantes :<br />
– le gain de la voie auxiliaire est constant (G a (θ) = G a )<br />
– le signal utile est négligé devant le signal de brouillage : σ 2 S ≪ σ2 J<br />
– le bruit thermique est négligé devant le signal de brouillage : σ 2 n ≪ σ 2 J<br />
Et en utilisant (7.1), (7.2) avec ces hypothèses dans (7.4) :<br />
k=1<br />
K∑<br />
K∑<br />
α = ( |G a | 2 |b(t k )| 2 ) −1 ( G a G ∗ p(ωt k + θ J ) |b(t k )| 2 ). (7.5)<br />
k=1<br />
Introduisons les notations suivantes :<br />
S =<br />
k=1<br />
N∑<br />
|b(t k )| 2 et T =<br />
k=1<br />
N∑<br />
|b(t k )| 2 G p (ωt k + θ J ). (7.6)<br />
La puissance résiduelle de nuisance peut alors s’exprimer de la manière suivante en introduisant (7.5) et<br />
(7.6) dans (7.3) :<br />
P res (1) (t l) =<br />
∣ G p(ωt l + θ J ) − T 2<br />
S ∣ σJ 2 . (7.7)<br />
Notons que même si le coefficient OLS est constant sur l’ensemble des cases distances, la puissance<br />
résiduelle ne l’est pas car elle tient compte du gain de brouillage à l’instant étudié. Ainsi, la méthode<br />
d’antibrouillage peut être plus ou moins efficace selon la case distance traitée.<br />
Version à coefficients variables dans le temps Cherchons maintenant à exprimer la puissance<br />
résiduelle de brouillage dans le cas de l’algorithme OLS avec un coefficient variable dans le temps. Le<br />
coefficient est maintenant estimé par l’expression :<br />
(<br />
α0<br />
α 1<br />
)<br />
= (<br />
k=1<br />
K∑<br />
K∑<br />
V a (t k )Va H (t k )) −1 (<br />
k=1<br />
k=1<br />
V a (t k )V ∗<br />
p (t k ))<br />
(<br />
V<br />
où V a (t k ) = a (t k )<br />
(t k − t 0 )V a (t k )<br />
les notations suivantes :<br />
α(t l ) = α 0 + α 1 (t l − t 0 )<br />
)<br />
. Afin de ne pas trop alourdir les expressions à venir, nous introduisons<br />
K∑<br />
N∑<br />
U = (t k − t 0 ) |b(t k )| 2 et V = (t k − t 0 ) 2 |b(t k )| 2 (7.8)<br />
k=1<br />
k=1
7.2 Algorithme OLS à coefficients variables dans le temps 107<br />
20<br />
influence de la valeur de l angle initial du brouilleur sur le delta de gain<br />
0<br />
−20<br />
gain en dB<br />
−40<br />
−60<br />
−80<br />
variation de gains<br />
gain de la voie principale<br />
−100<br />
0 10 20 30 40 50 60 70 80 90 100<br />
angle en degres<br />
Fig. 7.2: Variations de gain en fonction de θ J<br />
W =<br />
K∑<br />
(t k − t 0 ) |b(t k )| 2 G p (ωt k + θ J ) et X =<br />
k=1<br />
K∑<br />
(t k − t 0 ) 3 |b(t k )| 2 . (7.9)<br />
Avec ces notations et les hypothèses simplificatrices de la section précédente, l’expression du coefficient<br />
OLS devient : ( ) ( ) ( )<br />
α0<br />
α = (|G a | 2 S U ) −1 T<br />
∗<br />
(G<br />
1 U V a<br />
W ∗ ). (7.10)<br />
On en déduit la puissance résiduelle de brouillage après OLS avec coefficient variable dans le temps en<br />
introduisant (7.8) et (7.9) et en remplaçant (7.10) dans (7.3) :<br />
P (2)<br />
res (t l) =<br />
∣ G p(ωt l + θ J ) − ((V T − UW) + (SW − UT)(t ∣<br />
l − t 0 )) ∣∣∣<br />
2<br />
SV − U 2 σJ 2 . (7.11)<br />
De même que pour la méthode OLS classique, la puissance résiduelle de brouillage est fonction de l’instant<br />
auquel on la calcule. Cependant, on remarque dans cette expression que le terme soustrait au gain de<br />
brouillage sur la voie principale est également fonction du temps.<br />
Simplification des expressions de puissance résiduelle de brouillage Afin de comparer les expressions<br />
du critère (7.7) et (7.11), nous procédons maintenant à un développement limité (DL) du gain du<br />
signal perturbateur sur la voie principale. Ce DL est réalisé autour de l’instant traité t l et se justifie dans<br />
la mesure où la variation du gain sur la voie principale est faible pendant la durée d’observation. Comme<br />
le montre Fig.7.2 où est représentée la variation du gain principal pendant la récurrence, en fonction de la<br />
valeur de l’angle initial du signal perturbateur θ J , l’hypothèse est valable lorsque le signal perturbateur<br />
n’est pas vu initialement dans un creux de diagramme. Les valeurs numériques choisies sont telles que<br />
ωT rec = 0.036 deg.<br />
Ce DL s’effectue au premier ordre pour P res, (1) mais au deuxième ordre pour P res, (2) le DL à l’ordre 1<br />
de cette expression étant nul. Pour continuer à simplifier les équations (7.7) et (7.11), nous effectuons<br />
k=1
108 Filtrage spatial non stationnaire sur radar à antenne tournante<br />
K T rec (ms) ω(rd/s) σJ 2 G p (0) G a (0) N mc<br />
100 0.1 2π 50 0 −7 100<br />
Tab. 7.1: Paramètres de la simulation<br />
maintenant une approximation asympotique des fonctions de brouillage correspondant aux équations<br />
(7.8) et (7.9). La convergence en moyenne quadratique des expressions suivantes permet de justifier ces<br />
approximations (avec ρ = t 0<br />
KT e<br />
) :<br />
S<br />
K ≈ σ2 J<br />
et<br />
U<br />
K 2 T e<br />
≈ ( 1 2 − ρ)σ2 J (7.12)<br />
V<br />
K 3 T 2 e<br />
≈ ( 1 3 − ρ + ρ2 )σ 2 J (7.13)<br />
X<br />
K 4 T 3 e<br />
≈ ( 1 4 − ρ + 3/2ρ2 − ρ 3 )σ 2 J. (7.14)<br />
En utilisant (7.12) dans (7.7), on obtient un équivalent sur la puissance résiduelle de brouillage avec<br />
l’algorithme OLS standard :<br />
P (1)<br />
res (t l) ≈<br />
∣<br />
ωT e<br />
(K − 2l) ˙<br />
2<br />
G p (ωt l + θ J )<br />
∣<br />
Puis, en utilisant (7.12), (7.13) et (7.14) dans (7.11) et après quelques simplifications :<br />
P (2)<br />
res(t l ) ≈<br />
∣<br />
ω 2 T 2 e<br />
2 (K2<br />
6 − lK + l2 ) ¨G p (ωt l + θ J )<br />
∣<br />
2<br />
σ 2 J . (7.15)<br />
2<br />
σ 2 J. (7.16)<br />
Nous remarquons que cette dernière expression ne dépend pas de t 0 , ce qui veut dire que le choix de cette<br />
valeur n’a pas d’influence sur les performances de l’algorithme.<br />
7.2.4 Simulations<br />
Les simulations sont réalisées à partir d’une voie principale formée grâce à une ALU de 16 capteurs<br />
et d’une voie auxiliaire à partir d’une ALU de 2 capteurs. Ces deux réseaux respectent la condition de<br />
Shannon et ont le même centre de phase. On choisit comme durée d’observation une période de récurrence<br />
radar. Les puissances sont exprimées en dB.<br />
Comparaison des performances des deux versions de l’algorithme OLS<br />
Les figures suivantes Fig.7.3 et Fig.7.4 comparent les puissances résultantes des deux versions de<br />
l’algorithme OLS obtenues par Monte Carlo sur N mc réalisations et par les formules théoriques (7.15) et<br />
(7.16), pour deux valeurs de θ J correspondant respectivement à un brouilleur dans un trou de diagramme<br />
et un brouilleur sur un lobe secondaire. On observe une nette diminution de la puissance résiduelle<br />
moyenne pour la version avec coefficients variables dans le temps par rapport à la version standard. On<br />
note ensuite que même en zone de gain de la voie principale fortement variable (cf. Fig.7.2 avec θ J = 7<br />
deg.), les courbes théoriques et de Monte Carlo sont très proches. On vérifie enfin que les courbes de P res<br />
(1)<br />
montrent un creux pour l = K (2)<br />
2<br />
, alors que celles de P res montrent un creux pour les valeurs de l racines<br />
de ( K2<br />
6 − lK + l2 ).
7.2 Algorithme OLS à coefficients variables dans le temps 109<br />
20<br />
θ J<br />
=10 deg.<br />
10<br />
puissance resultante en dB<br />
0<br />
−10<br />
−20<br />
−30<br />
−40<br />
−50<br />
Monte Carlo sur Pres1<br />
DL ordre 1 sur Pres1<br />
Monte Carlo sur Pres2<br />
DL ordre 2 sur Pres2<br />
−60<br />
−70<br />
−80<br />
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1<br />
Temps en seconde<br />
x 10 −4<br />
Fig. 7.3: Puissance résultante de brouillage avec θ J = 10 deg<br />
40<br />
θ J<br />
=7 deg.<br />
20<br />
puissance resultante en dB<br />
0<br />
−20<br />
−40<br />
−60<br />
Monte Carlo sur Pres1<br />
DL ordre 1 sur Pres1<br />
Monte Carlo sur Pres2<br />
DL ordre 2 sur Pres2<br />
−80<br />
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1<br />
Temps en seconde<br />
x 10 −4<br />
Fig. 7.4: Puissance résultante de brouillage avec θ J = 7 deg
110 Filtrage spatial non stationnaire sur radar à antenne tournante<br />
20<br />
θ J<br />
=10 deg.<br />
10<br />
0<br />
puissance resultante en dB<br />
−10<br />
−20<br />
−30<br />
−40<br />
Monte Carlo sur Pres1 : Eq(5.7)<br />
Monte Carlo sur Pres1 : Eq(5.3)<br />
−50<br />
Monte Carlo sur Pres2 : Eq(5.11)<br />
Monte Carlo sur Pres2 : Eq(5.3)<br />
−60<br />
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1<br />
Temps en seconde<br />
x 10 −4<br />
Fig. 7.5: Puissance résultante de brouillage avec θ J = 10 deg, σ 2 n = −20dB, σ2 S = −10dB<br />
Robustesse du modèle par rapport aux hypothèses<br />
On étudie maintenant la robustesse des résultats théoriques aux erreurs de modèle sur Fig.7.5. On<br />
remarque que l’expression théorique de P res (2) est moins robuste que celle de P res, (1) mais que les performances<br />
de la version à coefficients variables restent sensiblement meilleures que celles de la version standard.<br />
7.3 Algorithme MVDR à coefficients variables dans le temps<br />
Après avoir étudié l’algorithme OLS à coefficients variables dans le temps avec calcul des filtres sur<br />
une période de récurrence, on s’intéresse maintenant à l’algorithme MVDR à coefficients variables dans le<br />
temps. Pour cela, on choisit d’utiliser l’algorithme Extended Sample Matrix Inversion (ESMI) introduit<br />
par Hayward [78] dont on étudie ici les performances en termes de SINR lors d’une utilisation spatiotemporelle.<br />
On montre en particulier que l’algorithme utilisé dans sa version standard conduit à de bonnes<br />
performances en contexte d’antenne tournante avec présence d’un brouilleur dans la voie principale.<br />
Ainsi, l’utilisation de l’algorithme ESMI permet d’atteindre, dans ces conditions, des performances très<br />
supérieures à celles résultant de l’utilisation de l’algorithme SMI standard 1 . Cependant, ces performances<br />
se dégradent lorsque le brouilleur se trouve dans les lobes secondaires. Afin de compenser ces pertes en<br />
performance, on propose alors une méthode d’optimisation de la contrainte au sens du SINR maximal. De<br />
cette manière, on réussit à compenser les pertes en SINR dûes à la rotation d’antenne pour une position<br />
quelconque du brouilleur par rapport à la cible.<br />
7.3.1 Modélisation du problème<br />
Contexte et modélisation des données<br />
On suppose que l’environnement est composé de brouilleurs, de bruit thermique et d’une cible mobile.<br />
Le radar terrestre émet une rafale composée de M récurrences de période T rec . Dans chaque récurrence, les<br />
1 On appelle algorithme SMI standard l’implémentation SMI du filtre MVDR (cf. chapitre 2).
7.3 Algorithme MVDR à coefficients variables dans le temps 111<br />
Alg. SMI/PRI SMI/CPI<br />
+ robuste à la rotation se dégrade avec la rotation<br />
- manque d’échantillons exploite tous les échantillons<br />
Tab. 7.2: Comparaison des différentes implémentations de l’algorithme SMI<br />
données sont réparties dans deux ensembles : les données primaires et les données secondaires. Les données<br />
primaires correspondent aux échantillons à filtrer et sont composées des signaux de brouillage et de bruit<br />
thermique et éventuellement de signal utile. Les données secondaires sont les données d’estimation et sont<br />
supposées ne contenir que des composants de brouillage et de bruit thermique. On note K le nombre<br />
de données secondaires dans chaque récurrence. Pour calculer le filtre spatial à appliquer sur les données<br />
primaires de toute la rafale, on dispose donc de KM échantillons. On modélise les J signaux de brouillage<br />
{j (m,j)<br />
k<br />
} k=1..K,m=1..M,j=1..J par des processus aléatoires stationnaires au second ordre, complexes centrés,<br />
de puissance σJ 2 . Ils sont corrélés spatialement, mais blancs temporellement, mutuellement indépendants et<br />
on les suppose immobiles. Le bruit thermique {n (m)<br />
k<br />
} k=1..K,m=1..M est modélisé par un processus aléatoire<br />
stationnaire au second ordre complexe blanc, de puissance σn 2 (qui sera unitaire dans la suite). Le signal<br />
est considéré déterministe, de puissance inconnue σS 2 mais de direction connue. Finalement, on note<br />
{x (m)<br />
k<br />
} k=1..K,m=1..M les données secondaires de dimension N (N étant le nombre de capteurs) et on a :<br />
x (m)<br />
k<br />
= j (m)<br />
k<br />
+ n (m)<br />
k<br />
avec j (m)<br />
k<br />
= ∑ J<br />
j=1 j(m,j) k<br />
.<br />
On considère une antenne réseau quelconque en rotation rapide à l’échelle de la rafale, mais lente<br />
par rapport à la récurrence (au sens de [77], i.e. la rotation d’antenne au sein d’une récurrence ne fait<br />
pas apparaître de seconde valeur propre associée à un brouilleur au dessus du seuil de bruit thermique<br />
contrairement à la rotation au sein d’une rafale). Différentes implémentations de l’algorithme SMI, basées<br />
sur les données secondaires, sont possibles, selon la fréquence de mise à jour du filtre spatial dans la rafale.<br />
Pour simplifier, on se limite au calcul d’un filtre par récurrence ou d’un filtre par rafale. On compare les<br />
avantages et inconvénients de ces deux possibilités dans le tableau Tab.7.2.<br />
Ce tableau montre que dans une telle situation, aucune des deux implémentations de l’algorithme SMI<br />
n’est satisfaisante et que l’emploi de l’algorithme ESMI est donc justifié. Le filtre de ce dernier est alors<br />
calculé à partir de toutes les données secondaires de la rafale et les filtres spatiaux variant dans le temps<br />
déduits sont appliqués sur chaque récurrence.<br />
Principe de l’étude de performance<br />
Pour évaluer les performances du traitement proposé, il nous faut tenir compte du signal filtré sur<br />
l’ensemble de la rafale. On choisit le SINR spatio-temporel correspondant à un filtrage spatio-temporel [79]<br />
avec un filtre Doppler non adaptatif. L’expression du SINR est alors donnée par :<br />
SINR = σ2 ∣<br />
S W H Φ ∣ 2<br />
W H RW<br />
où R est la matrice de covariance spatio-temporelle de bruit total, Φ est le vecteur directionnel spatiotemporel<br />
et où W est le filtre spatio-temporel pouvant être décomposé sous la forme :<br />
⎛ ⎞<br />
W =<br />
⎜<br />
⎝<br />
w 1 S<br />
.<br />
w M S<br />
⎟<br />
⎠
112 Filtrage spatial non stationnaire sur radar à antenne tournante<br />
avec {wS m} m=1..M<br />
les filtres spatiaux sur les M récurrences. Comme la variation angulaire dûe à la rotation<br />
est faible, on néglige la perte en SINR résultant de la désadaptation du vecteur directionnel spatial φ<br />
(avec ‖φ‖ 2 = N). Ainsi, on écrira :<br />
⎛ ⎞<br />
φ T (1)φ<br />
⎜ ⎟<br />
Φ = ⎝ . ⎠<br />
φ T (M)φ<br />
avec φ T (m) représentant le déphasage dûe à l’effet Doppler, que l’antenne soit en rotation ou non. De<br />
plus, on omettra d’écrire la puissance du signal utile dans les expressions, comme cette dernière disparaît<br />
dans les deux normalisations.<br />
7.3.2 Description des algorithmes ESMI<br />
Description de l’algorithme ESMI standard<br />
Dans notre contexte, la matrice de covariance spatiale varie dans le temps, c’est à dire : R S = R S (t) =<br />
E { x t x H }<br />
t . L’idée d’Hayward [78] a consisté à écrire le filtre spatial sous la forme : wS (t) = w 0 + t∆w.<br />
Dans ce cas, le problème MVDR s’écrit :<br />
min<br />
(w 0 ,∆w)/w(t) H c t=1<br />
où différents vecteurs de contrainte c t sont proposés dans [78]. Avec ˜x t<br />
def<br />
=<br />
une contrainte associée à c t , (7.17) devient :<br />
min<br />
˜w/ ˜w H˜c=1<br />
E<br />
{ ∣∣(w0<br />
+ t∆w) H x t<br />
∣ ∣<br />
2 } (7.17)<br />
E<br />
{ ∣∣<br />
˜w H˜x t<br />
∣ ∣<br />
2 } .<br />
( ) (<br />
xt<br />
, ˜w def w0<br />
=<br />
tx t ∆w<br />
)<br />
, et ˜c<br />
L’implémentation de cette minimisation standard est ensuite réalisée par une implémentation SMI, donnant<br />
naissance à l’algorithme ESMI :<br />
ˆ˜w ∝ ˆR −1˜c (7.18)<br />
où ˆR =<br />
( )<br />
ˆR(0) ˆR(1)<br />
avec<br />
ˆR ˆR (j) =<br />
(1)<br />
ˆR(2)<br />
P M,K<br />
m,k=1 tj m,k x(m) k<br />
KM<br />
x (m)H<br />
k<br />
. Différents types de contraintes peuvent être<br />
utilisées pour ce filtre étendu. Une et plusieurs contraintes indépendantes ont été proposées dans [78].<br />
Cependant, la plus classique<br />
( )<br />
consiste à imposer une contrainte sur w 0 , tout en laissant ∆w libre (cf. par<br />
φ<br />
exemple [80] où ˜c = ). On étudie maintenant les performances en termes de SINR cet algorithme<br />
0<br />
ESMI standard.<br />
Etude de performance de l’algorithme ESMI standard<br />
Tout d’abord, montrons que l’étude de performance faite sous des hypothèses bruit thermique seul est<br />
également valable en présence d’un seul brouilleur vu dans les lobes secondaires. Considérons un scénario<br />
stationnaire pour lequel R 1 = σJ 2φ Jφ H J +σ2 nI est la matrice de covariance du bruit total avec φ J le vecteur<br />
directionnel spatial du brouilleur. Après quelques manipulations algébriques, on obtient le SINR suivant :<br />
SINR = φ H R −1<br />
1 φ = N σ 2 n<br />
|φ H φ J | 2<br />
⎛<br />
⎝1 −<br />
∣ φ H ∣<br />
⎞<br />
φ J 2<br />
+ N 2<br />
Cela implique que SINR ≈ N si ≪ 1, i.e., si le brouilleur est vu dans les lobes secondaires<br />
σn<br />
2 N 2<br />
de l’antenne. En présence de plusieurs brouilleurs dans les lobes secondaires, une preuve analytique de<br />
N σ2 n<br />
σ 2 J<br />
⎠ .
7.3 Algorithme MVDR à coefficients variables dans le temps 113<br />
L<br />
l = 1899 M = 1 M = 100<br />
K = 2 L<br />
K = 200<br />
ρ −3.65 −6.54 0 −5.71 −4.02 −3.65<br />
Tab. 7.3: Influence des paramètres sur le rapport SINR normalisé<br />
Fig. 7.6: Formulation GSC de l’algorithme ESMI<br />
l’équivalence est plus difficile. Cependant, on peut montrer par simulation que le résultat précédent reste<br />
valable.<br />
L’analyse est effectuée en statistiques exactes où les matrices estimées ˆR (j) sont remplacées par leurs<br />
espérances. Ainsi, on a ˆR (j) ≈ σn 2s jI avec s j = 1 ∑ M ∑ K<br />
KM m=1 k=1 tj m,k<br />
. Ensuite, on suppose que les données<br />
secondaires correspondent aux derniers échantillons de chaque récurrence qui contient le nombre total de<br />
L échantillons. Après omission de la période d’échantillonnage qui n’intervient pas dans les calculs, on a<br />
t m,k = mL − K − 1 + k. On calcule alors en Annexe F le rapport SINR spatio-temporel normalisé (par<br />
rapport au SINR obtenu avec une antenne immobile) pour la case distance l :<br />
ρ =<br />
( (<br />
s2 − ls 1 − s M−1<br />
) ) 2<br />
1 L<br />
2<br />
((s 2 − ls 1 ) 2 − s 1 (s 2 − ls 1 )(M − 1)L + s2 1 (M−1)(2M−1)L2<br />
6<br />
). (7.19)<br />
Pour illustrer cette formule, on note tout d’abord que l’on observe par simulation que le SINR ne dépend<br />
approximativement de L et K qu’au travers du quotient L K<br />
. Ensuite, on fixe par défaut les paramètres<br />
l = 0, M = 10, K = 100 et L = 2000 (première colonne de Tab.7.3) et on teste dans Tab.7.3 l’influence<br />
de chacun des paramètres (autres colonnes) tout en laissant les autres inchangés. On remarque que l et<br />
M ont une plus forte influence sur le SINR que L et K.<br />
Pour remédier à la perte en performance, on s’intéresse maintenant à la forme GSC [81] de l’algorithme<br />
ESMI.<br />
Forme GSC de l’algorithme ESMI<br />
L’algorithme ESMI correspond à l’implémentation directe de la solution d’un problème MVDR. Mais le<br />
problème est équivalent à un problème d’optimisation sans contrainte lorsqu’il est écrit dans sa formulation<br />
GSC [81] représentée sur Fig.7.6. Ainsi, on appelle ˜B la matrice blocante telle que ˜B˜φ = 0. La relation<br />
entre le filtre spatial ˜w et le filtre GSC ˜w 0 est la suivante :<br />
˜w = ˜φ − ˜B H ˜w 0<br />
) −1<br />
avec ˜w 0 =<br />
(˜B ˜R˜BH<br />
(˜B ˜R˜φ)<br />
. La difficulté résultant de l’utilisation de l’algorithme ESMI vient du<br />
fait qu’il est impossible de choisir une matrice blocante ˜B telle qu’il n’y ait pas ( de)<br />
composante du signal<br />
0<br />
présente dans les données auxiliaires de l’algorithme GSC. En effet, le vecteur qui est orthogonal à<br />
φ<br />
˜φ appartient à Vect(˜B). Ce constant suggère d’utiliser une autre contrainte, que l’on présente maintenant.
114 Filtrage spatial non stationnaire sur radar à antenne tournante<br />
Fig. 7.7: Position de α dans la rafale<br />
N M K L θ J (deg)<br />
8 10 100 2000 35<br />
σ 2 n(dB) σ 2 J (dB) N J α T rec (s)<br />
0 50 1 0.0109 2e-4<br />
Tab. 7.4: Paramètres de la simulation<br />
Stratégie de choix d’une contrainte optimale<br />
Pour éviter de supprimer une partie( de signal ) utile après filtrage, on propose d’utiliser un vecteur de<br />
contrainte s’écrivant sous la forme ˜φ φ<br />
= pour lequel on cherche la valeur optimale de α (au sens<br />
αφ<br />
de la maximisation du SINR). En appliquant la même méthode de calcul que celle présentée en Annexe<br />
F, on obtient le SINR normalisé suivant lorsque la contrainte alternative est utilisée :<br />
ρ = 1 − s 2 4<br />
(<br />
(M−1)(M+1)L 2<br />
12<br />
s 2 3 − s 3s 4 (M − 1)L + s2 4 (M−1)(2M−1)L2<br />
6<br />
)<br />
(7.20)<br />
où s 3 = s 2 − ls 1 − α ′ s 1 et s 4 = s 1 − α ′ avec α ′ def = α T e<br />
. Or, on sait que le SINR normalisé est majoré par<br />
l’unité et on voit dans (7.20) que cette borne supérieure est atteinte quand s 4 = 0, c’est à dire lorsque<br />
α opt = s 1 T e = [ (M+1)L−(K+1)<br />
2<br />
]T e . Comme on le voit sur Fig.7.7, la contrainte optimale obtenue par cette<br />
approche est intuitive car elle consiste à imposer que le filtre spatial implique un gain unité dans la<br />
direction de focalisation à un instant qui correspond approximativement au ’milieu’ de la rafale. Nous<br />
le notons donc T middle = α et la contrainte s’écrit w S (T middle ) H φ = 1. Il est important de noter que la<br />
valeur optimale ρ = 1 ne dépend pas de la case distance testée l contrairement au cas de l’algorithme<br />
standard (cf. (7.19)). Cependant, on montre en Fig.7.8 que le SINR est très sensible à la valeur de α aux<br />
différentes cases distance.<br />
7.3.3 Simulations<br />
On présente maintenant des simulations pour comparer les performances des deux contraintes précédentes<br />
utilisées avec l’algorithme ESMI. On considère une antenne linéaire uniforme et on utilise les paramètres<br />
radar typiques donnés par Tab.7.4 pour la simulation. On compare les performances lorsque l’antenne est
7.4 Conclusion 115<br />
SINR normalise en dB<br />
1800<br />
Numero d’echantillon<br />
1600<br />
1400<br />
1200<br />
1000<br />
800<br />
600<br />
400<br />
200<br />
−4<br />
−5<br />
−3 −3<br />
−4<br />
−2 −2 −2<br />
−3<br />
0<br />
0<br />
−3<br />
−5<br />
−3 −3<br />
−5<br />
−5<br />
−13 −13<br />
−13<br />
0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018 0.02<br />
alpha<br />
Fig. 7.8: SINR normalisé ρ en fonction de α<br />
en rotation à la vitesse de 0.5 tour/sec., ce qui correspond à une rotation de 0.06 rad. pendant la rafale<br />
ou encore 0.25 en largeur de lobe principal. Fig.7.9 représente les SINRs normalisés (ici par rapport à la<br />
valeur optimale) pour trois algorithmes (SMI et ESMI avec les deux contraintes considérées). Les courbes<br />
sont obtenues après simulation de Monte Carlo sur 100 réalisations. On les compare à la courbe de SINR<br />
optimale obtenue avec un traitement STAP optimal (cf. chapitre suivant) avec matrice de covariance R(t)<br />
connue. Sur Fig.7.9, on vérifie tout d’abord que l’amélioration des performances résultant de l’utilisation<br />
de l’algorithme ESMI est importante dans la zone du brouilleur (on observe un gain d’environ 20 dB).<br />
Ensuite, on remarque que le choix de la contrainte n’a pas véritablement d’influence lorsque la cible est<br />
proche du brouilleur. Cependant, quand le brouilleur est vu dans les lobes secondaires éloignés, c’est à<br />
dire lorsque l’on se rapproche d’une situation sans brouillage, une perte importante (−4 dB en accord<br />
avec 7.19) apparaît lorsque la contrainte standard est choisie. Au contraire, l’utilisation de la contrainte<br />
alternative conduit à un SINR proche du SINR optimal.<br />
7.4 Conclusion<br />
Dans ce chapitre, nous nous sommes intéressés au problème d’antibrouillage en configuration radar<br />
à antenne tournante. En particulier, nous avons proposé l’utilisation de filtrage spatial à coefficients<br />
variables dans le temps. Dans un premier temps, nous nous sommes placés sous l’hypothèse selon laquelle<br />
la rotation d’antenne est rapide à l’échelle de la récurrence et avons proposé l’utilisation d’une version<br />
de l’algorithme OLS à coefficients variables dans le temps. Puis, nous en avons étudié les performances<br />
pour montrer que l’utilisation de coefficients variables dans le temps permettait un gain conséquent en<br />
termes de SINR. Ensuite, nous avons considéré une situation dans laquelle la rotation d’antenne est<br />
négligeable à l’échelle de la récurrence mais pas à l’échelle de la rafale. Dans ce cas, nous avons proposé<br />
l’utilisation de l’algorithme ESMI présenté dans la littérature pour un calcul de filtres MVDR variables<br />
dans le temps. Cependant, l’implémentation de cet algorithme avec une contrainte directionnelle standard<br />
conduit à de mauvaises performances en présence de signaux de brouillage vus dans les lobes secondaires.<br />
Pour compenser ces pertes en performance, nous avons finalement présenté une méthode d’optimisation
116 Filtrage spatial non stationnaire sur radar à antenne tournante<br />
0<br />
SINR<br />
−10<br />
−20<br />
−30<br />
−40<br />
dB<br />
−50<br />
−60<br />
−70<br />
−80<br />
−90<br />
ESMI with alternative constraint<br />
optimal SINR<br />
SMI<br />
ESMI with standard constraint<br />
−100<br />
0 10 20 30 40 50 60 70 80 90<br />
degrees<br />
Fig. 7.9: Comparaison des SINRs résultants des différents algorithmes<br />
du choix de cette contrainte et montré que l’on pouvait de cette manière atteindre les performances<br />
optimales en termes de SINR obtenues en configuration antenne fixe.
Chapitre 8<br />
Filtrage spatio-temporel sur radar à<br />
antenne tournante<br />
Sommaire<br />
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117<br />
8.2 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118<br />
8.3 Traitement proposé en présence de référence brouillage seul . . . . . . . . . . 123<br />
8.4 Traitement proposé en l’absence de référence brouillage seul . . . . . . . . . . 126<br />
8.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139<br />
8.1 Introduction<br />
Dans le chapitre précédent, nous avons considéré le problème de rejection de signaux de brouillage<br />
en configuration antenne tournante. Nous avons vu que la rotation d’antenne rendait l’environnement<br />
non-stationnaire et avons proposé l’utilisation d’un filtrage à coefficients variables dans le temps. Dans ce<br />
chapitre, nous nous intéressons maintenant au problème de rejection conjointe des signaux de brouillage<br />
et de fouillis par filtrage spatio-temporel.<br />
En configuration antenne fixe, la rejection d’échos de fouillis s’effectue par filtrage temporel (ou Doppler).<br />
En effet, ces derniers sont vus à des faibles fréquences Doppler qu’il est possible de rejeter par<br />
utilisation de filtres passe bande autour de fréquences Doppler non nulles correspondant aux différentes<br />
hypothèses de vitesses de cibles. De plus, la rejection de brouilleurs bande étroite est réalisée par filtrage<br />
spatial, les différents brouilleurs étant vus à des directions d’arrivée constantes. Dans cette situation, le<br />
spectre Doppler des échos étant indépendant de leur DOA et la DOA des brouilleurs ne dépendant pas de<br />
leur spectre Doppler, il est clair que le même filtre Doppler peut être appliqué sur chaque capteur ou pour<br />
chaque DOA et le même filtre spatial à chaque récurrence ou en sortie de chaque filtre Doppler. Notant<br />
W le filtre spatio-temporel, celui-ci peut donc s’écrire de manière factorisée sous la forme W = w S ⊗w T<br />
ou W = w T ⊗ w S , où w S désigne le filtre spatial et w T le filtre Doppler. Cependant, en configuration<br />
antenne tournante, cette indépendance des paramètres du fouillis et des brouilleurs n’est plus vérifiée. En<br />
effet, les échos de fouillis sont vus à une certaine vitesse induite par la rotation d’antenne et la position<br />
des brouilleurs varie au cours du temps. Le filtre spatio-temporel ne peut donc plus s’écrire sous une forme<br />
factorisée sans impliquer une dégradation des performances du système.<br />
Dans les systèmes radar aéroportés, il existe également une dépendance entre les paramètres Doppler<br />
et DOAs du fouillis. En effet, les échos de fouillis sont vus à une certaine vitesse radiale par rapport au<br />
radar en déplacement, cette dernière étant fonction de la DOA de l’écho par rapport au radar. Un simple<br />
filtrage Doppler n’est donc pas applicable dans cette situation, contrairement à la configuration radar<br />
terrestre (sans déplacement) en configuration antenne fixe. Pour filtrer efficacement le fouillis, un filtrage
118 Filtrage spatio-temporel sur radar à antenne tournante<br />
spatio-temporel adaptatif (Space-Time Adaptive Processing ou STAP) a été introduit en 1973 dans [73] et<br />
développé plus tard dans [79] et [82] (voir également [20], [83]). Ce filtrage consiste à adapter conjointement<br />
le filtre spatio-temporel à partir des données afin de filtrer le fouillis et les brouilleurs dans le plan<br />
fréquence-Doppler/DOA. Cependant, en pratique, l’utilisation du filtrage STAP tout adaptatif est limitée<br />
par des contraintes de complexité d’implémentation et de vitesse de convergence lente. Pour faire face<br />
à cette difficulté, deux grandes catégories d’algorithmes STAP à adaptativité réduite sont proposées. La<br />
première correspond au filtrage à réduction de dimension (RD) et consiste à appliquer une transformation<br />
non adaptative sur les données avant de calculer le filtre spatio-temporel. La seconde catégorie correspond<br />
au STAP à réduction de rang (RR) et consiste à appliquer une transformation dépendant des données sur<br />
ces données avant le calcul du filtre (cf. par exemple [18,84,85] et la discussion au chapitre 2). Les deux<br />
types d’algorithme permettent notamment de rendre la convergence des filtres calculés vers la solution<br />
optimale (au sens d’un nombre infini d’échantillons) plus rapide (cf. par exemple [86]).<br />
Dans ce chapitre, nous nous intéressons au problème de l’utilisation du filtrage STAP avec radar<br />
terrestre en configuration antenne tournante. Nous distinguons plusieurs cas, en fonction de la nature des<br />
données disponibles pour l’estimation du filtre spatio-temporel. Ainsi, nous supposons tout d’abord avoir<br />
à disposition des données servant de référence brouillage+bruit thermique seul (sans présence de fouillis).<br />
Puis, nous considérons le cas où cette hypothèse n’est plus valable. Pour chaque cas, nous proposons<br />
l’utilisation d’un filtrage spatio-temporel dont nous étudions les performances en les comparant à celles<br />
d’autres implémentations STAP à réduction de dimension ou de rang.<br />
8.2 Position du problème<br />
8.2.1 Modélisation des données<br />
On suppose que l’environnement est composé de brouilleurs, de fouillis, de bruit thermique et d’une<br />
cible en déplacement. Le radar émet une rafale composée de M récurrences de période T rec . Les données<br />
sont regroupées en trois catégories : primaires, secondaires et tertiaires. Les données primaires correspondent<br />
aux échantillons à filtrer et sont composées d’interférences (brouilleurs et fouillis), de bruit<br />
thermique et éventuellement de signal utile. Les données secondaires sont les données d’estimation et<br />
sont supposées n’être composées que de brouillage, fouillis et bruit thermique. Finalement, les données<br />
tertiaires ne contiennent que les composantes de brouillage et de bruit thermique. De telles données sont<br />
par exemple présentes dans les radars à faible fréquence de récurrence (PRF ou Pulse Repetition Frequency)<br />
pour lesquels la puissance de fouillis dans les cases distance lointaines peut être faible 1 . On note<br />
K le nombre d’échantillons secondaires dans la récurrence. Pour simplifier les notations, on suppose que<br />
le nombre d’échantillons tertiaires dans chaque récurrence est aussi égal à K. On suppose de plus que les<br />
J signaux de brouillage {j (m,j)<br />
k<br />
} k=1..K,m=1..M,j=1..J , modélisés par des processus aléatoires stationnaires<br />
au second ordre, sont centrés, de puissance σJ 2 . Ils sont spatialement corrélés, mais blancs temporellement<br />
et mutuellement indépendants. Le fouillis est modélisé par des points brillants. Ces derniers sont supposés<br />
fixes, corrélés spatialement et de récurrence à récurrence mais blancs d’échantillon à échantillon au<br />
sein de chaque récurrence. Comme les brouilleurs, ils sont centrés, de puissance σc 2(θ i), fonction de leur<br />
DOA et de leur distance par rapport au radar. De plus, ils sont supposés mutuellement indépendants. Le<br />
bruit thermique {n (m)<br />
k<br />
} k=1..K,m=1..M est modélisé par un processus aléatoire stationnaire au second ordre<br />
complexe blanc, de puissance unitaire σn. 2 Finalement, le signal est supposé déterministe, de puissance<br />
inconnue σS 2 , mais de direction et de vitesse connue. On note {x(m)<br />
k<br />
} k=1..K,m=1..M les données tertiaires<br />
(vecteurs de dimension N correspondant au nombre de capteurs) et on a :<br />
x (m)<br />
k<br />
=<br />
J∑<br />
j=1<br />
j (m)<br />
k<br />
(θ j ) + n (m)<br />
k<br />
1 Notons qu’il existe en radar des fonctions internes permettant de savoir si les cellules sont polluées ou non par du fouillis.
8.2 Position du problème 119<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
01<br />
Antenna<br />
Emission<br />
Beamwidth<br />
Reception<br />
Beamwidth<br />
Rotation in CPI<br />
(ω=180 deg/s)<br />
Fig. 8.1: Hypothèses sur les diagrammes d’émission et de réception<br />
où j (m,j)<br />
k<br />
= j (m)<br />
k<br />
(θ j )φ (m)<br />
k<br />
(θ j ) et φ (m)<br />
k<br />
(θ) est le vecteur directionnel du k eme échantillon de la m eme récurrence.<br />
Ensuite, en supposant que toutes les composantes sont mutuellement décorrélées, la matrice de covariance<br />
spatiale du k eme échantillon de la récurrence m est donnée par :<br />
R (m)<br />
k<br />
=<br />
J∑<br />
j=1<br />
R (m,j)<br />
k<br />
+ σ 2 nI.<br />
Notons ensuite X k=1..K les données spatio-temporelles de dimension NM. L’arrangement spatio-temporel<br />
est le suivant :<br />
⎛<br />
x (1) ⎞<br />
ḳ<br />
def ⎜ ⎟<br />
J∑<br />
X k=1..K = ⎝ . ⎠ = J k (θ j ) + ∑ C k (θ i ) + N k<br />
x (M) j=1 i<br />
k<br />
avec J k (θ j ) def = [j (1)<br />
k (θ j),..,j (M)<br />
k<br />
(θ j )] T def<br />
les vecteurs spatio-temporels de brouillage, N k = [n (1)<br />
k ,..,n(M) k<br />
] T<br />
le vecteur spatio-temporel de bruit thermique, C k (θ i ) = c k (θ i )Φ k (θ i ) les vecteurs spatio-temporels de<br />
fouillis et Φ k (θ i ) def = [φ (1)<br />
k (θ i),..,φ (M)<br />
k<br />
(θ i )] T les vecteurs directionnels spatio-temporels à l’échantillon k.<br />
Notons que cette expression signifie implicitement que le gain d’émission est supposé constant pendant la<br />
récurrence, en dépit de la rotation d’antenne. Cette hypothèse se justifie dans la mesure où on suppose<br />
que le faisceau d’émission de l’antenne est large par rapport à la rotation d’antenne, contrairement au<br />
faisceau en réception, comme l’illustre Fig.8.1. Ensuite, la matrice de covariance spatio-temporelle des<br />
données secondaires est donnée par :<br />
R k = R k,J + R k,c + σ 2 nI (8.1)<br />
où<br />
et<br />
R k,J<br />
def<br />
=<br />
⎛<br />
J∑ ⎜<br />
⎝<br />
j=1<br />
R k,c<br />
def<br />
= ∑ i<br />
R (1,j)<br />
k<br />
O<br />
. ..<br />
O<br />
R (M,j)<br />
k<br />
σ 2 c (θ i)Φ k (θ i )Φ H k (θ i).<br />
⎞<br />
⎟<br />
⎠<br />
Finalement, on note Φ k le vecteur directionnel spatio-temporel de la cible égal à :<br />
Φ k = [φ (1)<br />
k (θ S),e j2πf ST rec<br />
φ (2)<br />
k (θ S),...,e j2π(M−1)f ST rec<br />
φ (M)<br />
k<br />
(θ S )] T
120 Filtrage spatio-temporel sur radar à antenne tournante<br />
où θ S est la DOA de la cible et f S sa fréquence Doppler. On considère une antenne linéaire uniforme et une<br />
situation dans laquelle la rotation est rapide à l’échelle de la rafale mais lente à l’échelle de la récurrence.<br />
Par conséquent, on effectue les approximations suivantes : R (m)<br />
k<br />
≈ R (m) , R k ≈ R et Φ k ≈ Φ. On suppose<br />
que l’antenne est en rotation à la vitesse ω rad/s. Ainsi, une cible vue sous la DOA θ à l’instant initial<br />
est vue sous la DOA θ + ωt à l’instant t. Notons enfin que pour évaluer les performances des différents<br />
traitements, on considérera le SINR spatio-temporel normalisé, à savoir<br />
ρ = SINR<br />
σ 2 S NM .<br />
8.2.2 Influence de la rotation d’antenne sur les traitements spatio-temporels<br />
Comme nous l’avons rappelé dans le chapitre 2, le filtre maximisant le SINR spatio-temporel est de<br />
la forme : W ∝ R −1 Φ. En pratique, la matrice de covariance d’interférences et de bruit thermique R est<br />
inconnue et doit être estimée à partir des données. Des algorithmes adaptatifs sont donc utilisés, dont<br />
le plus célèbre est l’algorithme SMI proposé dans [31]. Il consiste à implémenter le filtre W = ˆR −1 Φ,<br />
où ˆR est l’estimée empirique de la matrice de covariance exacte. Les auteurs de [31] ont montré que<br />
la vitesse de convergence de l’algorithme dépend de la dimension de la matrice. Cependant, d’autres<br />
algorithmes peuvent également être utilisés afin d’accélerer la vitesse de convergence du filtre (cf. chapitre<br />
2). Cette dernière dépend alors du rang du sous-espace des interférences. Ici, on s’intéresse à l’influence<br />
de la rotation d’antenne sur le filtrage STAP (en observant notamment l’influence de la rotation sur le<br />
rang du sous-espace des interférences) puis sur les filtrages spatial et temporel. Dans la suite, on suppose<br />
que le fouillis sur les lobes secondaires du diagramme d’émission peut être négligé et que la puissance du<br />
fouillis sur le lobe principal est constante.<br />
Sur le filtrage spatio-temporel conjoint : STAP<br />
Le filtrage STAP consiste à calculer de manière adaptative un filtre spatio-temporel. Les algorithmes<br />
les plus couramment utilisés sont les algorithmes à réduction de rang (cf. [85]), dont la vitesse de convergence<br />
dépend du rang de la matrice de covariance des interférences. Ce dernier dépend en particulier<br />
du nombre de capteurs de l’antenne et augmente avec l’étalement angulaire du fouillis. Cependant, dans<br />
notre contexte d’application, le rang dépend également de la vitesse de rotation d’antenne. Pour illustrer<br />
cette dépendance, on trace en Fig.8.2 les valeurs propres de la matrice de covariance spatio-temporelle du<br />
fouillis et bruit thermique, en fonction de la vitesse de rotation d’antenne et de l’extension angulaire du<br />
fouillis. Les paramètres sont N = 60, M = 10 et T rec = 2 ms. On remarque que la rotation accroit le rang<br />
du sous-espace de fouillis, et le phénomène augmente avec l’extension angulaire de ce dernier. Cependant,<br />
l’augmentation du rang reste faible par rapport au rang du sous-espace de fouillis en antenne fixe.<br />
Sur le filtrage spatio-temporel séparable<br />
L’approche de filtrage spatio-temporel séparable consiste à implémenter un filtrage spatial suivi d’un<br />
filtrage temporel ou vice-versa. Le cas le plus simple est le filtrage factorisé, qui est utilisé par défaut dans<br />
les radars terrestres. Dans cette approche, un seul filtre spatial et un seul filtre temporel sont calculés et<br />
le filtre spatio-temporel est ensuite formé par produit de Kronecker de ces deux filtres. Deux versions du<br />
traitement séparable sont disponibles, en fonction de l’ordre des filtres : spatial et temporel ou temporel<br />
et spatial. Cependant, en présence d’une antenne tournante, la seconde solution ne semble pas adéquate,<br />
parce qu’elle rend impossible une mise à jour des filtres spatiaux de récurrence à récurrence pour s’adapter<br />
à la rotation d’antenne au sein de la rafale. Par conséquent, on ne considère maintenant que l’approche<br />
filtrage spatial puis temporel.
8.2 Position du problème 121<br />
45<br />
40<br />
35<br />
30<br />
25<br />
dB<br />
20<br />
θ c<br />
=[−20:20]<br />
15<br />
10<br />
5<br />
0<br />
ω = 0 deg/s<br />
ω = 180 deg/s<br />
ω = 720 deg/s<br />
θ c<br />
=[−50:50]<br />
0 10 20 30 40 50 60<br />
indice de valeur propre<br />
Fig. 8.2: 60 premières valeurs propres de la matrice de covariance spatio-temporelle totale de bruit<br />
Filtrage spatial Comme cela a été décrit dans [77], la rotation d’antenne conduit à un étalement spectral<br />
de la matrice de covariance du brouillage. Cela résulte en une dégradation des performances du traitement<br />
en termes de SINR. Pour contourner cette difficulté, les filtres spatiaux doivent être fréquemment<br />
recalculés. Cela peut s’effectuer à chaque récurrence ou par paquets de récurrences. Pour simplifier les<br />
notations, on suppose dans la suite que la mise à jour s’effectue par récurrence et on note {w S,m } m=1..M<br />
les différents filtres spatiaux.<br />
Filtrage temporel On suppose maintenant que le filtrage spatial a été implémenté, avec compensation<br />
de rotation pour s’adapter à la rotation d’antenne. Dans ces conditions, les réflecteurs du fouillis de DOAs<br />
différentes de la direction de focalisation sont vus avec une fréquence Doppler non nulle. Ainsi, si on note<br />
θ S l’azimuth de focalisation et θ c celle d’un point brillant de fouillis, on peut montrer que ce dernier sera<br />
vue avec la fréquence Doppler normalisée ‘artificielle’ suivante, calculée au premier ordre :<br />
( (<br />
θS − θ c θS + θ c<br />
f dop (θ c ) ≈<br />
(N − 1)<br />
ωTsin<br />
2<br />
2<br />
)<br />
sin<br />
2<br />
)<br />
. (8.2)<br />
Fig.8.3 représente cette fréquence Doppler en fonction de θ S à des valeurs différentes de θ c , pour les paramètres<br />
N = 60, ω = 180 deg/s et T rec = 2 ms. Par exemple, on observe que lorsque l’antenne est focalisée<br />
dans la direction 0 deg., un point brillant de fouillis vu à la direction d’arrivée 20 deg., apparaît avec une<br />
fréquence Doppler normalisée d’environ 0.012. Pour comprendre l’origine de ce phénomène, intéressons<br />
nous aux diagrammes d’antenne, avant et après compensation de rotation. Sans compensation, la rotation<br />
d’antenne entraîne une translation du diagramme, par rapport à un repère fixe. A titre d’exemple, Fig.8.4<br />
montre un diagramme spatial focalisé initialement dans la DOA 0 degré. Après rotation de l’antenne de<br />
10 degrés, le diagramme se retrouve translaté de cette même valeur. Afin de faire en sorte que le lobe principal<br />
de l’antenne soit toujours dirigé vers la même DOA, une compensation de rotation peut alors être<br />
utilisée. Cependant, comme le montre Fig.8.5, ce traitement permet seulement de compenser la rotation<br />
dans la direction de focalisation. On observe en effet un décalage entre les lobes secondaires avant rotation<br />
et après compensation de rotation, croissant lorsque l’on s’éloigne de la direction de focalisation. C’est ce<br />
décalage qui entraîne une modulation des échos vus sur les lobes secondaires, d’autant plus importante
122 Filtrage spatio-temporel sur radar à antenne tournante<br />
0.015<br />
0.01<br />
θ c<br />
=20 deg<br />
frequence Doppler normalisee<br />
0.005<br />
0<br />
−0.005<br />
θ c<br />
=15 deg<br />
θ c<br />
=10 deg<br />
θ c<br />
=5 deg<br />
−0.01<br />
θ c<br />
=0 deg<br />
−0.015<br />
−20 −15 −10 −5 0 5 10 15 20<br />
θ S<br />
Fig. 8.3: Fréquence Doppler normalisée en fonction de θ S et θ c<br />
20<br />
Modification du diagramme de rayonnement après rotation d’antenne<br />
Diagramme initial<br />
Diagramme après rotation<br />
10<br />
0<br />
Gain en dB<br />
−10<br />
−20<br />
−30<br />
−40<br />
−50<br />
−100 −80 −60 −40 −20 0 20 40 60 80 100<br />
Azimut en degrés<br />
Fig. 8.4: Modification du diagramme spatial de l’antenne après rotation
8.3 Traitement proposé en présence de référence brouillage seul 123<br />
20<br />
Diagrammes spatiaux après contre rotation (Rotation de 10 degrés)<br />
Diagramme initial<br />
Diagramme après rotation<br />
10<br />
0<br />
Gain en dB<br />
−10<br />
−20<br />
−30<br />
−40<br />
−50<br />
−100 −80 −60 −40 −20 0 20 40 60 80 100<br />
Azimut en degrés<br />
Fig. 8.5: Diagrammes spatiaux avant rotation de 10 deg. et après compensation de rotation<br />
que ces derniers ont une DOA éloignée de la direction de focalisation. Cela se traduit par l’apparition<br />
d’une fréquence Doppler normalisée ’artificielle’ selon la formule 8.2.<br />
8.3 Traitement proposé en présence de référence brouillage seul<br />
Pour tenir compte de l’influence de la rotation sur les traitements, on propose maintenant l’utilisation<br />
d’un filtrage spatio-temporel séparable. Cela correspond à une approche intermédiaire entre un filtrage<br />
STAP et un filtrage spatio-temporel factorisé utilisé par défaut dans les radars terrestres. Le filtrage<br />
proposé consiste à implémenter un filtrage spatial adaptatif avec calcul des filtres à partir des données<br />
tertiaires à chaque récurrence, suivi d’un filtrage Doppler adaptatif. Il est illustré par Fig.8.6. Par opposition<br />
au traitement STAP, ce filtrage sera dénommé SAPTAP (Space Adaptive Processing Time Adaptive<br />
Processing) dans la suite, afin de simplifier les notations.<br />
1st data<br />
Spatial filtering<br />
Doppler filtering<br />
w S<br />
w T<br />
3rd data<br />
Estim.<br />
R^<br />
2nd data<br />
Estim.<br />
^R T<br />
Fig. 8.6: Diagramme du filtrage spatio-temporel SAPTAP
124 Filtrage spatio-temporel sur radar à antenne tournante<br />
8.3.1 Description du traitement proposé<br />
Lorsque l’on s’impose une contrainte directionnelle, maximiser un SINR est équivalent à minimiser la<br />
variance : W H RW. Contrairement au filtrage STAP, on contraint la structure du filtre spatio-temporel<br />
à s’écrire sous la forme :<br />
W = [w T (1)w T S,1 ,...,w T(M)w T S,M ]T<br />
et on note w T = [w T (1),... ,w T (M)] T le filtre Doppler et W S = [w S,1 ,...,w S,M ] T les filtres spatiaux<br />
pour les différentes récurrences. Ensuite, pour faire l’optimisation, on décompose la variance W H RW en<br />
deux parties, correspondant respectivement aux matrices de covariance de brouillage+bruit thermique et<br />
fouillis (cf. 8.1) :<br />
avec<br />
W H RW = f(W S ,w T ) + g(W S ,w T )<br />
f(W S ,w T ) =<br />
M∑<br />
|w T (m)| 2 wS,m(R H k,J + σnI)w 2 S,m<br />
m=1<br />
g(W S ,w T ) = w H T R Z w T<br />
et R Z est la matrice de covariance du fouillis après filtrage spatial, c’est à dire (R Z ) m,m ′ = w H S,m R c(m,m ′ )w S,m ′<br />
avec R c (m,m ′ ) = ∑ i σ2 c (θ i)φ (m) (θ i )φ (m′)H (θ i ).<br />
On décrit maintenant le traitement proposé, qui consiste à effectuer l’optimisation en deux étapes. Tout<br />
d’abord, les filtres spatiaux (w S,m ) m=1..M sont calculés pour minimiser la variance de brouillage+bruit<br />
thermique sur chaque récurrence et ainsi la composante f(W S ,w T ). Cette optimisation s’effectue par<br />
utilisation des données tertiaires. Ensuite, pour minimiser W H RW, il reste à minimiser la seconde composante<br />
g(W S ,w T ). Cette étape s’effectue sur w T , par utilisation des données secondaires. Le filtre<br />
solution est alors simplement w T ∝ R −1<br />
Z φ T où φ T est le vecteur des déphasages Doppler correspondant<br />
à la vitesse de la cible.<br />
Pour mieux comprendre ce schéma, comparons le à l’approche factorisée en configuration antenne<br />
fixe. Ce dernier traitement consiste à implémenter en premier lieu un filtrage spatial adaptatif unique<br />
w S et à ensuite appliquer un filtre Doppler non adaptatif par TFD. En configuration antenne fixe, ce<br />
schéma est efficace par la matrice correspondante R Z est de rang un, engendrée par le vecteur [1...1] T .<br />
Par conséquent, les filtres Doppler obtenus par TFD aux fréquences Doppler non nulles sont orthogonaux<br />
à ce dernier vecteur, annulant ainsi le terme wT HR Zw T . Cependant, lorsque l’antenne est en rotation<br />
et que les filtres spatiaux sont mis à jour dans la rafale, la propriété de rang un de la matrice R Z<br />
disparaît. Cela s’explique à la fois par des erreurs stochastiques dans le calcul des filtres de récurrence à<br />
récurrence et par des changements déterministes conduisant à un étalement Doppler, comme cela a été<br />
décrit dans la section précédente. Notons alors que même si les fluctuations aléatoires peuvent être limitées<br />
par utilisation de contraintes sur les filtres spatiaux, un étalement Doppler reste. Cela peut induire des<br />
dégradations de performance, par exemple lorsque de puissants points brillants de fouillis sont vus sur les<br />
lobes secondaires. Par conséquent, un calcul adaptatif des filtres Doppler apparaît approprié.<br />
Finalement, on résume l’algorithme permettant de calculer le filtre spatio-temporel :<br />
– Calculer les filtres spatiaux W S avec mise à jour à chaque récurrence par estimation des données<br />
tertiaires<br />
– Estimer la matrice de covariance R c avec les données secondaires<br />
– Calculer R Z à partir de R c et W S<br />
– Calculer w T<br />
– Former le filtre spatio-temporel et filtrer les données primaires
8.3 Traitement proposé en présence de référence brouillage seul 125<br />
0<br />
−0.5<br />
−1<br />
−1.5<br />
f S<br />
=0.2<br />
−2<br />
dB<br />
−2.5<br />
−3<br />
−3.5<br />
f S<br />
=0.05<br />
−4<br />
−4.5<br />
−5<br />
0 20 40 60 80 100 120 140 160 180<br />
ω (deg/s)<br />
Fig. 8.7: Comparaison des performances optimales, STAP (–), SAPTAP (- -)<br />
8.3.2 Simulations<br />
On effectue maintenant des simulations pour comparer les performances des traitements STAP et<br />
SAPTAP. Notons que nous ne simulons pas ici le traitement spatio-temporel factorisé qui conduit à<br />
de mauvaises performances par rapport aux traitements précédents. Dans un premier temps, nous nous<br />
intéressons aux performances optimales des traitements (les matrices de covariance étant donc supposées<br />
connues) afin d’obtenir des bornes de performances pour l’étude des versions adaptatives.<br />
Filtrage optimal<br />
On suppose que J = 4 brouilleurs sont présents aux DOAs [−20, −17,10,18] deg. et de puissance<br />
σJ 2 = 30 dB. L’extension angulaire du fouillis est [−20 : 20] deg. et les paramètres de la simulation sont<br />
les mêmes que pour Fig.8.2. On trace les SINRs obtenus en fonction de la vitesse de rotation ω sur<br />
Fig.8.7. Tout d’abord, on observe que les deux traitements sont optimaux en configuration antenne fixe.<br />
Cependant, on observe qu’une perte en SINR apparaît pour des faibles valeurs de la fréquence Doppler de<br />
la cible f S . Par exemple, une perte d’environ 2.3 dBs se produit pour le STAP. Ensuite, on note que les<br />
performances du filtrage STAP ne semblent pas dépendre de la vitesse de rotation d’antenne, contrairement<br />
au filtrage SAPTAP. Enfin, on remarque que la dégradation des performances pour le filtrage SAPTAP en<br />
fonction de la vitesse de rotation d’antenne est limitée lorsque f S = 0.2, mais conséquente pour f S = 0.05.<br />
Ainsi, une rotation de ω = 180 deg/s conduit à une perte en performance égale à 3 dB par rapport au<br />
cas antenne fixe.<br />
Filtrage adaptatif<br />
On considère maintenant les performances des traitements adaptatifs. L’algorithme STAP EigenVector<br />
Projection [19] est implémenté. Ensuite, pour l’approche SAPTAP, l’algorithme LSMI [17] est tout<br />
d’abord utilisé pour le calcul adaptatif des filtres spatiaux. Deux valeurs du facteur de surcharge diagonale<br />
δ sont utilisées. Ensuite, l’algorithme Penalty Function [29] est utilisé. Les paramètres de simulation sont
126 Filtrage spatio-temporel sur radar à antenne tournante<br />
0<br />
−5<br />
−10<br />
−15<br />
dB<br />
−20<br />
−25<br />
−30<br />
−35<br />
STAP − EVP<br />
SAPTAP − LSMI (δ = 10)<br />
SAPTAP − LSMI (δ = 50)<br />
SAPTAP − Penalty F.<br />
−40<br />
0 20 40 60 80 100 120<br />
Nombre d’echantillons<br />
Fig. 8.8: Comparaison des performances adaptatives avec f S = 0.2<br />
les mêmes que précédemment et la vitesse de rotation d’antenne est ω = 180 deg/s. Tout d’abord, on compare<br />
les SINRs normalisés avec f S = 0.2 sur Fig.8.8. On observe que pour un faible nombre d’échantillons<br />
des données tertiaires et secondaires, les performances des algorithmes SAPTAP sont supérieures à celles<br />
de l’algorithme STAP. Cela s’explique par le fait que la dimension de la matrice utilisée pour l’estimation<br />
des filtres temporels (avec M = 10) est plus faible que le rang du sous-espace des interférences (approximativement<br />
égal à 60 pour cette simulation). Par conséquent, la convergence des algorithmes SAPTAP<br />
est plus rapide que celle de l’algorithme STAP. Ensuite, on remarque que les performances de l’algorithme<br />
LSMI-SAPTAP avec un facteur de surcharge diagonale important (δ = 50) sont supérieures à celle de<br />
l’algorithme avec un plus faible facteur (δ = 10), mais inférieures à celles de l’algorithme Penalty Function<br />
- SAPTAP. Cela s’explique par le fait que les filtres spatiaux fluctuent de récurrence à récurrence,<br />
ce qui conduit à une modulation du fouillis. La surcharge diagonale est alors un moyen d’atténuer ces<br />
fluctuations [17], tout comme l’utilisation d’une contrainte douce. Ensuite, Fig.8.9 correspond à la même<br />
simulation que Fig.8.8, avec f S = 0.05. Tout d’abord, on remarque que pour les différents algorithmes, les<br />
SINRs associés sont tous inférieurs à ceux de Fig.8.8. En effet, les performances optimales sont inférieures<br />
pour f S = 0.05 que pour f S = 0.2 (cf. Fig.8.7). Ensuite, on remarque que mis à part le décalage en SINR<br />
résultant de la perte en performance optimale, les algorithmes SAPTAP conduisent ici à des performances<br />
semblables à celles de Fig.8.8. Cependant, contrairement à Fig.8.8, on note qu’il existe une zone de support<br />
d’échantillonnage (lorsque K ≥ 80), pour laquelle les performances de l’algorithme STAP sont supérieures<br />
à celles des algorithmes SAPTAP.<br />
8.4 Traitement proposé en l’absence de référence brouillage seul<br />
On se place maintenant sous l’hypothèse selon laquelle il n’y a pas de données tertiaires disponibles.<br />
Dans cette situation, l’approche de filtrage spatio-temporel séparable présenté dans la section précédente<br />
n’est pas applicable. En effet, le calcul et l’application de filtres adaptatifs spatiaux sur chaque récurrence<br />
conduirait à l’utilisation de degrés de liberté spatiaux pour le filtrage des échos de fouillis, pouvant se<br />
faire au détriment de la rejection des brouilleurs. Pour faire face à cette difficulté, deux solutions sont<br />
maintenant proposées et étudiées. Dans un premier temps, l’objectif est de se ramener à la situation
8.4 Traitement proposé en l’absence de référence brouillage seul 127<br />
0<br />
−5<br />
−10<br />
−15<br />
dB<br />
−20<br />
−25<br />
−30<br />
−35<br />
STAP − EVP<br />
SAPTAP − LSMI (δ = 10)<br />
SAPTAP − LSMI (δ = 50)<br />
SAPTAP − Penalty F.<br />
−40<br />
0 20 40 60 80 100 120<br />
Nombre d’echantillons<br />
Fig. 8.9: Comparaison des performances adaptatives avec f S = 0.05<br />
précédente en réduisant la puissance du fouillis dans les données secondaires, de sorte à la rendre inférieure<br />
à celle des brouilleurs. Pour cela, il est proposé d’utiliser un préfiltrage passe haut, noté ACF (Anti-Clutter<br />
Filter) sur les données secondaires, afin de créer ’artificiellement’ des données tertiaires. Dans un deuxième<br />
temps, il est proposé d’utiliser une approche de filtrage STAP après formation de faisceaux et filtrage<br />
Doppler. Ces deux solutions sont maintenant étudiées.<br />
8.4.1 Utilisation d’un préfiltrage ACF<br />
Principe du filtrage<br />
Le principe du préfiltrage passe-haut utilisé est de former de nouveaux échantillons d’estimation à<br />
partir des données secondaires, par combinaison linéaire des échantillons de récurrences successives, avec<br />
recouvrement. La position du préfiltrage au sein du traitement spatio-temporel est illustrée sur Fig.8.10. Le<br />
nombre de récurrences successives utilisées est limité par l’étalement spectral de la matrice de covariance<br />
de brouillage. En effet, alors qu’en configuration antenne fixe, la matrice de covariance de chaque brouilleur<br />
est de rang un, en configuration antenne tournante, le rang du sous-espace de brouilleurs devient supérieur<br />
au nombre de brouilleurs. Plus précisément, des simulations montrent que lorsque la vitesse de rotation<br />
d’antenne augmente, les valeurs propres s’élèvent au dessus du seuil de bruit thermique l’une après l’autre.<br />
Ce phénomène dénommé ’effet iceberg’ est semblable à celui apparaissant en présence de signaux large<br />
bande et étudié au chapitre 3. La rotation d’antenne conduit donc à une perte en performance du filtrage<br />
spatial dès que la seconde valeur propre associée à un brouilleur atteint la valeur propre de bruit thermique.<br />
Cet effet nous conduit à l’utilisation d’une règle empirique pour le choix du nombre maximal de récurrences<br />
pouvant être utilisés pour le préfiltrage ACF. Pour la définir, nous nous appuyons sur les résultats de [77]<br />
qui montrent que la rotation d’antenne limite permettant de conserver la seconde valeur propre associée<br />
à un brouilleur sous le seuil de bruit thermique peut être approximée par l’expression suivante<br />
δθ max ≈<br />
Nπ<br />
12<br />
√<br />
σ 2 J<br />
σ 2 n
128 Filtrage spatio-temporel sur radar à antenne tournante<br />
1st data<br />
Spatial filtering<br />
Doppler filtering<br />
w S<br />
w T<br />
2nd data<br />
ACF<br />
Estim.<br />
R^<br />
Fig. 8.10: Position du préfiltrage ACF dans la chaîne de traitement spatio-temporel<br />
10<br />
9<br />
8<br />
7<br />
nombre de recurrences<br />
6<br />
5<br />
4<br />
3<br />
2<br />
1<br />
0<br />
10 20 30 40 50 60 70 80 90 100<br />
Nombre de capteurs<br />
Fig. 8.11: Nombre de récurrences maximal au sens de (8.3)<br />
(exprimée en radians), en présence d’un brouilleur dans le lobe principal et pour des antennes linéaires<br />
uniformes ayant un nombre important de capteurs. On en déduit directement qu’une règle de choix du<br />
nombre maximal M de récurrences pour le préfiltrage peut être :<br />
⎡ ⎤<br />
M max = ⎢<br />
12<br />
⎣<br />
√<br />
ωT rec Nπ<br />
σ 2 J<br />
σ 2 n<br />
⎥<br />
⎦ . (8.3)<br />
Pour se faire une idée de valeurs admissibles typiques de M, on trace maintenant en Fig.8.11 le nombre<br />
maximal M max , en fonction du nombre de capteurs N. Les paramètres sont choisis égaux à σ 2 J = 15dB,<br />
ω = πrad/s et T rec = 0.002s. On observe que le nombre de récurrences choisi selon cette régle décroit<br />
rapidement. Typiquement, deux ou trois récurrences peuvent être utilisées. On note également que pour<br />
un nombre élevé de capteurs (ici N ≥ 55), l’utilisation du préfiltrage conduit à un étalement spectral de<br />
la matrice de covariance de brouillage et donc une dégradation des performances du filtrage spatial.
8.4 Traitement proposé en l’absence de référence brouillage seul 129<br />
On cherche maintenant à quantifier la suppression de fouillis en configuration antenne tournante, avec<br />
du fouillis totalement ou partiellement corrélé.<br />
Etude de performance<br />
Pour fixer les [ idées, on considère maintenant l’exemple d’un filtre passe haut du second ordre normalisé<br />
de coefficients − √ 1 2<br />
6<br />
; √6 ; − √ 1<br />
6<br />
]. On quantifie l’effet de ce filtrage en termes de puissance résiduelle. Après<br />
filtrage, la contribution spatiale d’un point brillant particulier sur la m eme récurrence est égale à :<br />
d (m) = 1 √<br />
6<br />
(<br />
−c (m) φ (m) +2c (m+1) φ (m+1) −c (m+2) φ (m+2))<br />
où l’on a omis le paramètre θ i pour simplifier les notations, comme nous le ferons également dans les<br />
expressions de puissance à venir. Ensuite, on calcule la puissance du fouillis filtré, égale à λ = E { ||d (m) || 2}<br />
que l’on compare à la puissance avant filtrage, c’est à dire λ 0 = Nσ 2 c. Notons que comme les points<br />
brillants de fouillis sont supposés mutuellement décorrélés, la puissance totale de fouillis est la somme des<br />
puissances des différents réflecteurs. Tout d’abord, on suppose que les signaux des points brillants sont<br />
totalement corrélés temporellement. Puis, on suppose qu’ils sont partiellement corrélés, avec un spectre<br />
de forme gaussienne [70, chap. 7].<br />
Fouillis totalement corrélé Lorsque le point brillant de fouillis est totalement corrélé temporellement,<br />
après un développement limité sous l’hypothèse ωT rec ≪ 1, on obtient l’approximation suivante de la<br />
puissance après filtrage, détaillée en Annexe G<br />
λ fc ≈ σ2 c<br />
6 π4 ω 4 T 4 recg(N)cos 4 (θ + mωT rec ) (8.4)<br />
avec g(N) = ∑ N−1<br />
n=0 n4 . On trace maintenant, sur Fig.8.12, le rapport entre λ fc et λ 0 (exprimé en dB),<br />
en fonction du nombre de capteurs pour deux valeurs de θ. Les paramètres sont m = 5, σc 2 = 30 dB,<br />
T rec = 0.002 s et ω = π. Tout d’abord, on observe que le rapport de puissance est inférieur à 0 dB,<br />
prouvant ainsi l’efficacité du préfiltrage pour réduire la puissance du fouillis. Ensuite, on observe que le<br />
rapport augmente avec le nombre de capteurs de l’antenne. Par conséquent, l’efficacité du prétraitement<br />
diminue avec ce nombre. Enfin, on note que les performances du préfiltrage sont meilleures pour des points<br />
brillants vus dans la direction de l’antenne (θ = 90 deg) que pour des points brillants vus dans la direction<br />
normale à l’antenne (θ = 0 deg). Par exemple, pour N = 30, on observe une différence d’environ 13 dB<br />
entre les rapports de puissance des réflecteurs de fouillis.<br />
Fouillis partiellement corrélé On suppose maintenant que le fouillis fluctue suivant un spectre gaussien,<br />
i.e.,<br />
{<br />
E c (m) c (m+l)∗} = σce 2 −2π2 l 2 Trec 2 σ2 d .<br />
Après quelques calculs et un développement limité sous l’hypothèse σ d T rec ≪ 1 et ωT rec ≪ 1 effectués en<br />
Annexe G, on obtient :<br />
λ pc ≈ σ2 c<br />
6 π4 ω 4 T 4 rec g(N)cos4 (θ + mωT rec )+8σ 2 c Nπ4 σ 4 d T 4 rec . (8.5)<br />
On trace en Fig.8.13, le rapport entre λ pc et λ 0 (exprimé en dB), en fonction du nombre de capteurs, pour<br />
θ = 0 et deux valeurs typiques de l’écart type σ d du spectre du fouillis. Le premier est égal à 6 Hz, qui<br />
est une valeur typique pour du fouillis de sol avec une vitesse de mouvement interne de 0.3 m/s en bande<br />
S, (cf. [87, chap. 6]). La deuxième valeur est égale à 16 Hz et correspond à du fouillis avec une vitesse
130 Filtrage spatio-temporel sur radar à antenne tournante<br />
0<br />
−10<br />
−20<br />
θ = 0 deg<br />
rapport de puissance (dB)<br />
−30<br />
−40<br />
−50<br />
−60<br />
−70<br />
θ = 90 deg<br />
−80<br />
−90<br />
−100<br />
0 10 20 30 40 50 60 70 80 90 100<br />
Nombre de capteurs<br />
Fig. 8.12: Réduction de la puissance d’un réflecteur totalement corrélé après préfiltrage, (–) exact, (- -)<br />
approximé par (8.4)<br />
0<br />
−5<br />
−10<br />
rapport de puissance (dB)<br />
−15<br />
−20<br />
−25<br />
−30<br />
−35<br />
σ d<br />
=16 Hz<br />
−40<br />
−45<br />
σ d<br />
=6 Hz<br />
−50<br />
0 10 20 30 40 50 60 70 80 90 100<br />
Nombre de capteurs<br />
Fig. 8.13: Réduction de la puissance d’un réflecteur partiellement corrélé après préfiltrage, (–) exact, (-<br />
-) approximé par (8.5)
8.4 Traitement proposé en l’absence de référence brouillage seul 131<br />
de mouvement interne égale à 0.8 m/s en bande S. On observe que les pertes en performance restent une<br />
fonction croissante du nombre de capteurs. Ensuite, elles se dégradent par rapport à celles de Fig.8.12<br />
pour un faible nombre de capteurs. Typiquement, lorsque σ d = 16 Hz, la décorrélation du fouillis conduit<br />
à une perte en performance d’environ 4 dB, avec N = 30. Cependant, lorsque ce nombre augmente,<br />
les différences entre les courbes avec fouillis totalement corrélé et partiellement corrélé s’estompent. Par<br />
conséquent, l’efficacité du traitement en présence de fouillis partiellement corrélé est surtout réduite<br />
lorsque le nombre de capteurs est faible. Finalement, on vérifie que la courbe approchée par (8.5) coincide<br />
avec la courbe exacte, particulièrement pour des faibles valeurs de l’écart type du spectre gaussien du<br />
fouillis.<br />
8.4.2 Filtrage STAP après formation de faisceaux et filtrage Doppler<br />
Comme nous l’avons vu dans la section précédente, les performances du filtrage ACF se dégradent<br />
lorsque la vitesse de rotation d’antenne augmente ou lorsque le fouillis devient décorrélé. Par conséquent,<br />
l’utilisation de ce préfiltrage suivie de l’implémentation du filtrage séparable SAPTAP ne fonctionne pas<br />
pour tous les scénarios.<br />
Ici, nous proposons un traitement spatio-temporel qui ne nécessite pas la présence de données de<br />
référence brouillage seul (ou données tertiaires). Ainsi, nous proposons un algorithme de filtrage STAP<br />
dans lequel le filtrage adaptatif s’effectue sur les données après formation de faisceaux et filtrage Doppler<br />
non-adaptatif. Pour le distinguer d’autres algorithmes de filtrage STAP, le traitement proposé est<br />
dénommé BDSTAP (Beamspace post-Doppler STAP, selon [79]). Pour l’étude de ce traitement, nous distinguerons<br />
deux situations, en fonction de la connaissance ou non des directions d’arrivée des brouilleurs.<br />
Ensuite, nous étudierons l’influence du nombre de filtres Doppler sur les performances et montrerons sur<br />
des simulations qu’un faible nombre de faisceaux et de filtres Doppler est suffisant pour atteindre de<br />
bonnes performances. Par conséquent, le traitement proposé présente le double avantage d’une convergence<br />
rapide du SINR avec le nombre d’échantillons disponibles à l’estimation et d’une faible complexité<br />
de calcul.<br />
Principe du filtrage<br />
Le traitement proposé est réalisé en trois étapes. Tout d’abord, des faisceaux sont formés sur les<br />
données primaires et secondaires. Ensuite, un filtrage Doppler est appliqué en sortie de chaque faisceau<br />
formé. Finalement, un filtre adaptatif spatio-temporel calculé à partir des données secondaires est appliqué<br />
sur les données primaires dans l’espace faisceaux-Doppler. L’ensemble du traitement BDSTAP<br />
est résumé en Fig.8.14. Lors de la première étape de formation de faisceaux, le premier faisceau (voie<br />
principale) est formé dans la direction de la cible. Les autres faisceaux (voies auxiliaires) sont formés<br />
dans d’autres directions. Notons que pour que l’antibrouillage soit efficace, le nombre de faisceaux formés<br />
doit être au moins supérieur à J + 1. Lorsqu’un a priori est disponible sur les DOAs des brouilleurs, les<br />
voies auxiliaires peuvent être formées dans ces directions. Dans le cas contraire, les faisceaux peuvent<br />
par exemple être formés de façon à couvrir un certain secteur angulaire, comme l’illustre Fig.8.15. Sur<br />
cette figure, une grappe de neuf faisceaux avec θ 3dB = 12 deg. couvrant un large secteur angulaire est<br />
représentée. Ensuite, afin d’éviter un décalage de la direction de focalisation des faisceaux de récurrence à<br />
récurrence, résultant de la rotation d’antenne, une compensation de rotation est implémentée. Finalement,<br />
pour l’implémentation de l’algorithme, il est utile de répondre aux trois questions suivantes :<br />
– Comment former les voies auxiliaires <br />
– Combien de filtres Doppler doivent être utilisés <br />
– Comment choisir les fréquences normalisées des filtres Doppler <br />
Des éléments de réponse à ces questions seront donnés dans le paragraphe suivant, après analyse de l’influence<br />
des différents paramètres de l’algorithme sur ses performances. Auparavant, nous détaillons l’expression<br />
du filtre BDSTAP W. Décomposant le filtrage en la série des trois étapes détaillée précédemment,
132 Filtrage spatio-temporel sur radar à antenne tournante<br />
1st data<br />
Beamforming<br />
Doppler filtering<br />
Adaptive filtering<br />
w B<br />
w<br />
T<br />
w<br />
S<br />
2nd data<br />
Estim.<br />
R<br />
S<br />
Diagram of the spatio−temporal processing<br />
Fig. 8.14: Principe du filtrage BDSTAP<br />
θ<br />
Covered zone<br />
θ=48 deg<br />
θ=−48 deg<br />
Fig. 8.15: Exemple de grappe de faisceaux formée pour le filtrage BDSTAP
8.4 Traitement proposé en l’absence de référence brouillage seul 133<br />
le filtre s’écrit sous la forme :<br />
où<br />
A=<br />
⎛<br />
⎜<br />
⎝<br />
⎛<br />
⎜<br />
⎝<br />
W = A H B H w S (8.6)<br />
w H f 1 ,1<br />
.<br />
w H f P ,1<br />
O<br />
⎞<br />
⎟<br />
⎠<br />
. ..<br />
⎛<br />
⎜<br />
⎝<br />
O<br />
w H f 1 ,M<br />
.<br />
⎞<br />
⎟<br />
⎠<br />
⎞<br />
⎟<br />
⎠<br />
w H f P ,M<br />
est de taille (PM ×NM) et correspond à la première étape du traitement avec P désignant le nombre de<br />
faisceaux et (w fp,m) p=1..P,m=1..M = φ (m) (θ p ). Le choix des DOAs (θ p ) p=2...P sera étudié dans le paragraphe<br />
suivant. Ensuite ⎛0<br />
wT,1 ∗ (1) O<br />
1 0<br />
wT,1 ∗ B<br />
. ..<br />
C<br />
... (M) O<br />
1⎞<br />
B<br />
. ..<br />
C<br />
@<br />
A @<br />
A<br />
O w T,1 ∗ (1) O wT,1 ∗ (M) B=<br />
.<br />
0<br />
⎛<br />
wT,Q ∗<br />
⎜<br />
(1) O wT,Q ∗ ⎝B<br />
. ..<br />
C ... ⎜<br />
(M) O<br />
⎝<br />
. ..<br />
⎟<br />
⎠<br />
A<br />
@<br />
O w ∗ T,Q (1) 1<br />
O<br />
w ∗ T,Q (M) ⎞<br />
est de taille (PQ × PM) et correspond à la seconde étape, avec w T,1 = φ T (f S ). Ensuite, les autres filtres<br />
Doppler sont choisis tels que (w T,q ) q=2...Q = φ T (f q ) où le choix et le nombre des fréquences normalisées<br />
(f q ) q=2...Q seront considérés dans la suite. Finalement, w S est le filtre spatio-temporel adaptatif appliqué<br />
sur les données dans l’espace faisceaux-Doppler, lors de la troisième étape. Il est calculé par l’algorithme<br />
MVDR :<br />
w S =<br />
R−1 S v<br />
v H R −1<br />
S v (8.7)<br />
où<br />
R S = BARA H B H (8.8)<br />
représente la matrice de covariance du bruit des données secondaires après les deux premières étapes et<br />
v = BAΦ est un vecteur de dimension PQ.<br />
Choix des paramètres<br />
Après avoir expliqué le principe du traitement STAP proposé, on s’intéresse maintenant au choix des<br />
paramètres. En particulier, on étudie le choix des DOAs des faisceaux formés (θ p ) p=2...P et des fréquences<br />
Doppler normalisées (f q ) q=2...Q .<br />
Tout d’abord, notons qu’après formation de faisceaux après compensation de rotation, l’étalement<br />
Doppler du fouillis est limité (cf. section 8.2.2). Par conséquent, excepté pour des échos très puissants vus<br />
dans les lobes secondaires, le fouillis peut être efficacement filtré par un filtrage non adaptatif standard,<br />
correspondant au cas Q = 1. La principale difficulté du traitement proposé réside donc dans la rejection<br />
du brouillage à laquelle on s’intéresse maintenant.<br />
Pour simplifier l’analyse, on suppose qu’un seul brouilleur est présent et que l’on forme deux faisceaux,<br />
le premier étant formé vers la cible. Dans un premier temps, on considère le cas Q = 1, qui correspond<br />
à un filtrage adaptatif seulement spatial, après formation de faisceaux et filtrage Doppler. On calcule le<br />
SINR en statistiques exactes (en supposant les matrices de covariance connues) en fonction de la DOA
134 Filtrage spatio-temporel sur radar à antenne tournante<br />
du second faisceau θ 2 et des paramètres du scénario. Quand une connaissance a priori de la DOA du<br />
brouilleur est disponible, un choix intuitif de la direction d’arrivée du second faisceau est donné par la<br />
DOA du brouilleur (θ 2 = θ j ). Cependant, si ce choix conduit à des performances optimales (en termes de<br />
SINR) en configuration radar à antenne fixe, on montre que la rotation d’antenne conduit à des pertes<br />
en performance qui s’accroissent lorsque la DOA s’éloigne de la direction de focalisation (i.e. la DOA du<br />
premier faisceau formé). Ensuite, en nous basant sur l’expression du SINR obtenue, on déduit une règle<br />
empirique pour le choix de la seconde DOA, permettant de limiter les pertes en performance résultant<br />
de la rotation d’antenne. Ensuite, on considère le cas Q = 2. Ainsi, on montre qu’un choix approprié<br />
de la seconde fréquence Doppler normalisée, permet de compenser les pertes en SINR dûes à la rotation<br />
d’antenne, dans le cas où le second faisceau est formé dans la direction d’arrivée du brouilleur.<br />
Antibrouillage avec Q = 1 Ici, nous analysons l’influence de la rotation d’antenne sur le SINR en<br />
statistiques exactes après filtrage BDSTAP, en fonction de la direction d’arrivée du brouilleur et du<br />
deuxième faisceau formé. Comme l’algorithme adaptatif MVDR est implémenté (8.7), la puissance du<br />
signal est conservée et égale à P res (signal) = σS 2 après filtrage BDSTAP. Par conséquent, les pertes en<br />
SINR correspondent à l’augmentation de la puissance résultante du bruit. Par définition, cette dernière<br />
est égale à P res (noise) = W H RW. Ensuite, en utilisant (8.6), (8.7) et (8.8), on a :<br />
avec v ≈ NM(1<br />
forme<br />
où pour 1 ≤ m ≤ M<br />
P res (noise) =<br />
1<br />
v H R −1<br />
S v (8.9)<br />
0) T . Cherchons à en détailler l’expression. Après quelques calculs, R S s’écrit sous la<br />
R S = σ 2 J<br />
M∑<br />
m=1<br />
( |βm | 2 γ ∗ mβ m<br />
γ m β ∗ m |γ m| 2 )<br />
+ σ 2 S<br />
M∑<br />
m=1<br />
β m = φ (m) (θ S ) H φ (m) (θ j )<br />
γ m = φ (m) (θ 2 ) H φ (m) (θ j )<br />
δ m = φ (m) (θ S ) H φ (m) (θ 2 )<br />
( ) N δm<br />
δm ∗ N<br />
(8.10)<br />
En utilisant v ≈ NM(1 0) T et après insertion de (8.10) dans (8.9), P res (noise) peut donc être approximé<br />
par :<br />
⎛<br />
1 ⎜<br />
M∑<br />
∣ ∑ M<br />
P res (noise) ≈<br />
(NM) 2 ⎝ (σJ 2 |β m | 2 + σnN) 2 m=1 σ2 J γ∗ m β m + σn 2δ m∣ 2 ⎞<br />
⎟<br />
− ∑ M<br />
m=1 (σ2 J |γ m| 2 ⎠. (8.11)<br />
+ σnN)<br />
2<br />
m=1<br />
En nous basant sur (8.11), on donne tout d’abord une expression approchée du SINR normalisé par le<br />
SINR optimal sur bruit thermique, lorsque θ 2 = θ j , pour expliciter l’influence de la rotation d’antenne.<br />
Puis, on introduit une règle empirique de choix de la direction d’arrivée du second faisceau θ 2 .<br />
Lorsque le second faisceau est formé dans la direction d’arrivée du brouilleur, on a γ m = N et β m = δ m<br />
pour 1 ≤ m ≤ M. Sous l’hypothèse Nσ 2 J ≫ σ2 n, (8.11) peut être approximée par :<br />
P res (noise) ≈<br />
σ2 n<br />
NM +<br />
⎛<br />
σ2 J ⎜<br />
M∑<br />
(NM) 2 ⎝<br />
m=1<br />
|β m | 2 −<br />
∣ ∑ M<br />
m=1 β m∣ 2<br />
M<br />
⎞<br />
∣<br />
⎟<br />
⎠. (8.12)<br />
Ensuite, pour expliciter l’expression (8.12), on suppose que ωT rec ≪ 1 et M ≫ 1. Après un développement<br />
limité d’ordre deux et quelques manipulations algébriques, on obtient :<br />
P res (noise) ≈<br />
σ2 n<br />
NM + M<br />
σ2 J<br />
12N 2 |α|2 ω 2 Trec<br />
2
8.4 Traitement proposé en l’absence de référence brouillage seul 135<br />
1<br />
0<br />
θ j<br />
= 10 deg<br />
SINR normalise en dB<br />
−1<br />
−2<br />
−3<br />
−4<br />
−5<br />
θ j<br />
= 20 deg<br />
θ j<br />
= 30 deg<br />
θ j<br />
= 40 deg<br />
−6<br />
−7<br />
0 20 40 60 80 100 120 140 160 180<br />
vitesse de rotation en deg/s<br />
Fig. 8.16: Comparaison entre les valeurs exactes (–) et (- -) approchée (8.13) de SINR norm pour<br />
différentes valeurs de θ j<br />
avec α = jπ(cos(θ S ) − cos(θ j )) ∑ N−1<br />
n=1 nejnπ(sin(θ S)−sin(θ j )) , à partir de laquelle on obtient l’expression du<br />
SINR<br />
SINR =<br />
et du SINR normalisé, SINR norm = σ2 n SINR<br />
σ 2 S NM :<br />
SINR norm ≈<br />
σn<br />
2<br />
NM + σ2 J<br />
σS<br />
2<br />
M<br />
12N 2 |α| 2 ω 2 T 2 rec<br />
1<br />
. (8.13)<br />
1 + σ2 J M 2<br />
σn<br />
2 12N |α|2 ω 2 Trec<br />
2<br />
Pour illustrer ce résultat, on trace en Fig.8.16 la value approchée de SINR norm donnée par (8.13) que<br />
l’on compare à sa valeur exacte. Les paramètres sont M = 10, N = 60, T rec = 0.002 sec., θ S = 0 deg.,<br />
f S = 0.1 et σJ 2 = 30 dB. Tout d’abord, on observe que les courbes approchées et exactes sont proches pour<br />
des faibles valeurs de rotation d’antenne. Ensuite, on remarque que le SINR décroît lorsque la direction<br />
d’arrivée du brouilleur s’éloigne de celle de la cible. Pour des valeurs de DOA du brouilleur proches de<br />
celle de la cible, les pertes en performance restent cependant limitées. Par exemple, la perte en SINR est<br />
inférieure à 1 dB pour des brouilleurs de DOA inférieure à 10 deg., avec les paramètres de la simulation.<br />
Cependant, pour un brouilleur de DOA égale à 40 deg., la perte en SINR s’élève à environ 6 dB lorsque la<br />
vitesse de rotation est égale à 180 deg./s. Physiquement, ces pertes en performance s’interprétent par la<br />
fluctuation des lobes secondaires après compensation de rotation, qui s’accentue au fur et à mesure que l’on<br />
s’éloigne de la direction de focalisation. Par conséquent, le signal de brouillage devient non stationnaire<br />
de récurrence à récurrence, ce qui rend sa rejection difficile après filtrage Doppler. Pour tenir compte de<br />
cet effet, il est possible d’utiliser d’un second filtre Doppler avant traitement adaptatif. De cette manière,<br />
une adaptativité temporelle est introduite. Ce point sera analysé dans le paragraphe suivant dans lequel<br />
des simulations avec Q = 2 seront présentées. Auparavant, on considère le cas où l’on choisit une autre<br />
direction que celle du brouilleur pour la formation du second faisceau.<br />
Bien qu’optimal en configuration antenne fixe, nous avons vu que le choix d’un second faisceau formé<br />
dans la direction d’arrivée du brouilleur conduit à des pertes en termes de SINR lorsque l’antenne est
136 Filtrage spatio-temporel sur radar à antenne tournante<br />
−1<br />
−2<br />
−3<br />
SINR normalise en dB<br />
−4<br />
−5<br />
−6<br />
−7<br />
θ 2<br />
=1.9 deg<br />
θ 2<br />
=2.5 deg<br />
θ 2<br />
=1.5 deg<br />
−8<br />
−9<br />
−10<br />
0 20 40 60 80 100 120 140 160 180<br />
Vitesse de rotation en deg/s<br />
Fig. 8.17: SINR normalisé exact pour différentes valeurs de θ 2<br />
en rotation. Nous proposons maintenant un choix alternatif de DOA du second faisceau formé, ayant<br />
l’avantage de ne pas nécessiter de connaissance a priori de la direction d’arrivée des brouilleurs. Ce choix<br />
se base sur l’analyse de la puissance résiduelle de bruit donnée par (8.11). Supposant que la contribution<br />
du bruit thermique dans (8.11) est négligeable devant celle du brouilleur, la puissance résiduelle de bruit<br />
est minimisée lorsque |P M<br />
m=1 γ∗ m<br />
P βm|2<br />
M est maximisé. D’après l’inégalité de Cauchy-Schwarz, ce rapport est<br />
m=1 |γm|2<br />
maximisé lorsque γ m ∝ β m , obtenu en choisissant θ 2 = θ S . Cependant, ce choix conduit à une matrice<br />
de dimension réduite R S singulière et est donc impossible. Par conséquent, on propose de choisir un<br />
second faisceau correspondant au premier faisceau orthogonal au faisceau principal (i.e. en choisissant<br />
sin(θ 2 ) = sin(θ S ) ± 2 N<br />
). Pour illustrer l’influence de la DOA du second faisceau sur le SINR, on trace en<br />
Fig.8.17 le SINR normalisé en fonction de la vitesse de rotation d’antenne, pour trois valeurs différentes<br />
de θ 2 . La première est égale à θ 2 = 1.9 deg. et correspond à la formation d’un second faisceau orthogonal<br />
au premier faisceau (avec θ 2 > 0). Ensuite, deux autres faisceaux sont formés pour des DOAs de chaque<br />
côté du faisceau orthogonal, égales à θ 2 = 1.5 deg. ou θ 2 = 2.5 deg. On observe que le choix du faisceau<br />
orthogonal avec θ 2 = 1.9 deg. n’est pas optimal en termes de SINR, mais conduit à des performances<br />
robustes à la rotation d’antenne. Par opposition, les performances avec les deux autres choix de DOAs du<br />
second faisceau sont très fluctuantes avec la rotation d’antenne.<br />
Antibrouillage avec Q = 2 Comme l’étude analytique du SINR normalisé avec Q = 2 est plus<br />
complexe que lorsque Q = 1, on utilise maintenant des simulations de Monte Carlo pour étudier l’influence<br />
du choix de f 2 sur les performances du filtrage BDSTAP. Ainsi, on considère un brouilleur de DOA θ j = 40<br />
deg. (ce qui correspond à une perte de SINR en statistiques exactes d’environ 6 dB d’après Fig.8.16).<br />
Puis, le nombre d’échantillons utilisé pour l’estimation de la matrice de covariance BDSTAP R S est égal<br />
à K = 120. En Fig.8.18, on trace le SINR normalisé dans le cas où le second faisceau est formé dans la<br />
direction du brouilleur (i.e. de DOA θ 2 = 40 deg.) et dans le cas où il est choisi de sorte à être le premier<br />
faisceau (de DOA positive) orthogonal au faisceau principal (i.e. de DOA θ 2 = arcsin( 2 N<br />
) = 1.9 deg.).<br />
Dans le cas où θ 2 = 40 deg., on vérifie tout d’abord que pour f 2 = 0.1, le SINR normalisé est proche du<br />
SINR normalisé en statistiques exactes obtenu sur Fig.8.16 avec ω = 180 deg./s (i.e. approximativement
8.4 Traitement proposé en l’absence de référence brouillage seul 137<br />
0<br />
−1<br />
−2<br />
θ 2<br />
=1.9 deg<br />
SINR normalise (dB)<br />
−3<br />
−4<br />
−5<br />
θ 2<br />
=40 deg<br />
−6<br />
−7<br />
−0.5 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5<br />
f 2<br />
Fig. 8.18: SINR normalisé exact pour différentes valeurs de θ 2<br />
−6 dB). En effet, même si le nombre de fréquences Doppler utilisées est égal à Q = 2, l’utilisation des<br />
deux mêmes fréquences n’a pas d’influence sur les performances qui sont donc égales à celles pour Q = 1.<br />
Puis, on observe que lorsque f 2 ≤ −0.15 ou f 2 ≥ 0.2, il n’y a pas non plus d’amélioration du SINR<br />
résultant de l’utilisation d’un second filtre Doppler. Par contre, lorsque f 2 ≈ 0.15, le brouilleur se trouve<br />
presque annulé. Fig.8.18 montre donc que l’utilisation d’adaptivité temporelle peut permettre d’améliorer<br />
significativement les performances du traitement BDSTAP avec faisceaux formés dans la direction des<br />
brouilleurs, sous réserve d’un choix approprié de la seconde fréquence Doppler. D’après cette figure, il<br />
semble également qu’un choix de f 2 proche de la fréquence Doppler normalisée de la cible soit approprié.<br />
Dans le cas où θ 2 = 1.9 deg., on observe au contraire que l’utilisation d’un second filtre Doppler n’a<br />
pas d’influence sur les performances en termes de SINR.<br />
En conclusion, en nous basant sur l’étude de performances effectuée dans ce paragraphe, on fait les<br />
remarques suivantes, utiles pour le choix des paramètres de l’algorithme BDSTAP :<br />
– La formation de faisceaux dans la direction des brouilleurs conduit à des performances en termes<br />
de SINR qui se dégradent avec la rotation d’antenne<br />
– Ces pertes en performance peuvent être compensées par l’utilisation d’adaptivité temporelle, mais<br />
le SINR résultant est très dépendant du choix des fréquences normalisées des filtres Doppler<br />
– La formation de faisceaux avec des faisceaux orthogonaux à faibles DOAs conduit à des performances<br />
sous-optimales mais robustes par rapport à la rotation d’antenne<br />
– Ces performances ne sont pas significativement améliorées par l’utilisation d’adaptivité temporelle<br />
Simulations<br />
On effectue maintenant des simulations de Monte Carlo pour comparer les performances de différents<br />
algorithmes de filtrage spatio-temporel. On considère un scénario dans lequel quatre brouilleurs sont<br />
présents, de DOAs −20, −17, 10 et 18 deg. et de puissance σJ 2 = 30 dB. De plus, des points brillants de<br />
fouillis sont simulés, de DOAs entre −20 et 20 deg., avec une densité de 1pt/deg. et une puissance par<br />
réflecteur égale à σc 2 = 11 dB.<br />
Pour le traitement BDSTAP, cinq faisceaux sont formés. Le premier est toujours formé dans la DOA
138 Filtrage spatio-temporel sur radar à antenne tournante<br />
0<br />
−5<br />
SINR normalise (dB)<br />
−10<br />
−15<br />
−20<br />
−25<br />
TPSAP<br />
BDSTAP a priori (Q=1)<br />
BDSTAP a priori (Q=2)<br />
BDSTAP (Q=1)<br />
BDSTAP (Q=2)<br />
STAP−EVP<br />
−30<br />
−35<br />
−40<br />
0 20 40 60 80 100 120 140 160 180<br />
Vitesse de rotation (deg/s)<br />
Fig. 8.19: SINR normalisé des différents algorithmes de filtrage spatio-temporel, en fonction de ω<br />
de la cible. Les autres sont soit formés dans les directions d’arrivée des brouilleurs, soit correspondant<br />
à une grappe de faisceaux orthogonaux de DOAs appartenant à [−3.8, −1.9,1.9,3.8] deg. Lorsqu’elle est<br />
utilisée, la fréquence normalisée du second filtre Doppler est égale à f 2 = 0.15. En Fig.8.19, on compare<br />
l’algorithme BDSTAP avec différents paramètres avec le traitement spatio-temporel standard en radar<br />
terrestre à antenne fixe et un traitement STAP à réduction de rang classique (STAP-EVP, cf. Chapitre<br />
2). Le traitement standard en antenne fixe consiste à effectuer un filtrage Doppler non adaptatif en<br />
sortie de chaque capteur, suivi d’un filtrage spatial adaptatif en sortie des filtres Doppler. Ce dernier<br />
traitement est implémenté grâce à l’algorithme LSMI (cf. Chapitre 2). Pour distinguer ce traitement du<br />
traitement STAP, nous le désignerons par TPSAP (Time Processing Space Adaptive Processing). Pour<br />
l’algorithme EVP, nous supposons connaître la dimension du sous-espace des interférences (ici égale à 60).<br />
Dans un premier temps, on étudie l’influence de la vitesse de rotation d’antenne sur les SINRs normalisés<br />
des différents algorithmes. Tout d’abord, on observe que les performances de l’algorithme TPSAP se<br />
dégradent rapidement avec la rotation d’antenne. Cela s’explique par deux raisons. Premièrement, la<br />
rotation affecte une fréquence Doppler ’artificielle’ non nulle, dépendant du capteur, aux réflecteurs du<br />
fouillis. Par conséquent, la rejection du fouillis se dégrade. Deuxièmement, le fait d’effectuer le filtrage<br />
Doppler avant filtrage spatial conduit à un étalement spectral de la matrice de covariance du brouillage<br />
lorsque l’antenne est en rotation (cf. par exemple [77]). Par conséquent, la rejection du brouillage est<br />
également dégradée. Ensuite, on note que l’algorithme STAP-EVP est robuste à la rotation d’antenne<br />
mais a des performances limitées par une faible vitesse de convergence du SINR vers l’optimal avec le<br />
nombre d’échantillons d’estimation des filtres (cette vitesse étant fonction de la dimension du sous-espace<br />
d’interférences, cf. [86]). Ici, le nombre d’échantillons est égal à deux fois la dimension du sous-espace<br />
des interférences, ce qui implique que le SINR normalisé est approximativement égal à −3 dB. Enfin,<br />
pour des faibles vitesses de rotation, l’algorithme BDSTAP avec les paramètres considérés conduit à de<br />
meilleures performances que celles des deux autres algorithmes implémentés. Plus précisément, pour des<br />
vitesses de rotation d’antenne inférieures à 70 deg/s, l’algorithme BDSTAP avec faisceaux formés dans<br />
les directions d’arrivée des brouilleurs (désigné par BDSTAP a priori) avec Q = 1 et Q = 2 conduit<br />
aux meilleures performances en terme de SINR. Cependant, lorsque la vitesse de rotation augmente, on<br />
observe une décroissance du SINR, importante pour Q = 1 mais limitée pour Q = 2. Pour des vitesses de
8.5 Conclusion 139<br />
0<br />
−5<br />
SINR normalise (dB)<br />
−10<br />
−15<br />
−20<br />
−25<br />
BDSTAP a priori (Q=1)<br />
BDSTAP a priori (Q=2)<br />
BDSTAP (Q=1)<br />
BDSTAP (Q=2)<br />
STAP−EVP<br />
−30<br />
0 20 40 60 80 100 120<br />
Nombre d’echantillons<br />
Fig. 8.20: SINR normalisé des différents algorithmes de filtrage spatio-temporel, en fonction de K<br />
rotation d’antenne plus élevées, les meilleures performances sont atteintes avec l’utilisation de l’algorithme<br />
BDSTAP avec faisceaux orthogonaux et Q = 1.<br />
Ensuite, afin de comparer la vitesse de convergence du SINR des algorithmes BDSTAP et STAP-<br />
EVP avec le nombre d’échantillons d’estimation utilisés pour le calcul des filtres adaptatifs, on analyse<br />
maintenant l’influence de ce nombre. Ainsi, on trace en Fig.8.20 le SINR en fonction de K pour les<br />
algorithmes STAP et BDSTAP avec différentes valeurs de Q. La vitesse de rotation d’antenne est égale<br />
à 180 deg/s. On observe que l’algorithme BDSTAP a une meilleure convergence que l’algorithme STAP-<br />
EVP. Cela s’explique par la dimension réduite des données dans le cas BDSTAP (égale à PQ = 5 ou<br />
PQ = 10), respectivement pour Q = 1 et Q = 2, en comparaison du rang du sous-espace des interférences<br />
égal à 60 dans le cas STAP-EVP. De plus, sauf pour le cas de l’algorithme BDSTAP avec faisceaux formés<br />
dans les directions d’arrivée des brouilleurs et Q = 1, on note que le SINR après filtrage BDSTAP est<br />
toujours supérieur à celui après filtrage STAP-EVP, quelque soit le nombre d’échantillons d’estimation<br />
utilisé (dans la limite de la plage de valeurs considérée).<br />
8.5 Conclusion<br />
Dans ce chapitre, nous nous sommes intéressés au problème de rejection conjointe des signaux de<br />
brouillage et de fouillis par filtrage spatio-temporel. Ainsi, nous avons présenté différents algorithmes de<br />
filtrage spatio-temporel, en fonction de la nature des données d’estimation disponibles pour le calcul des<br />
filtres spatio-temporels. Tout d’abord, nous avons considéré la situation dans laquelle des données tertiaires<br />
servant de référence brouillage+bruit thermique seul (sans présence de fouillis) sont disponibles.<br />
Dans ce cas, nous avons proposé l’utilisation d’un filtrage STAP de type séparable consistant en un filtrage<br />
spatial par récurrence avec utilisation de contraintes de gabarit pour le calcul des filtres afin de limiter la<br />
fluctuation des diagrammes de récurrence à récurrence suivi d’un filtrage Doppler adaptatif. Ensuite, nous<br />
avons considéré la situation dans laquelle des données tertiaires ne sont pas disponibles. Dans ce cas, nous<br />
avons tout d’abord proposé l’utilisation d’un préfiltrage sur les données afin de se ramener à la situation<br />
précédente et en avons étudié les performances en présence de fouillis plus ou moins corrélé. Puis, nous
140 Filtrage spatio-temporel sur radar à antenne tournante<br />
avons étudié l’utilisation d’un filtrage STAP à réduction de dimension de type Beamspace post-Doppler<br />
STAP. Ainsi, nous avons montré que l’utilisation de ce type de filtrage permettait d’obtenir de bonnes<br />
performances en termes de SINR même avec un nombre d’échantillons disponibles pour l’estimation des<br />
filtres limité. De plus, nous avons montré sur simulations que la réduction de dimension par cette méthode<br />
pouvait être très importante, et donc que le type de filtrage proposé avait l’avantage d’être peu complexe à<br />
mettre en oeuvre. Finalement, le tableau suivant récapitule les avantages et inconvénients des principaux<br />
algorithmes comparés dans ce chapitre.<br />
Nécessite données tertiaires Robustesse/rotation Vitesse convergence<br />
SAPTAP - + +<br />
BDSTAP + + +<br />
STAP-EVP + + -
Chapitre 9<br />
Conclusions et perspectives<br />
Bilan<br />
Ce rapport a été consacré à l’étude d’algorithmes de filtrage spatial ou spatio-temporel de signaux<br />
large bande ou bande étroite. En particulier, nous nous sommes intéressés au problème de rejection<br />
d’interférences sur signaux large bande puis sur signaux radar bande étroite en configuration antenne<br />
tournante.<br />
Dans le cas du filtrage de signaux large bande, nous nous sommes tout d’abord intéressés à l’étude de<br />
robustesse de la formation de faisceaux bande étroite par rapport à la largeur de bande. Nous avons ainsi<br />
cherché à répondre à la question : que se passe-t-il si l’on utilise un algorithme de formation de faisceaux<br />
adapté à l’hypothèse (purement théorique) bande nulle, alors que les signaux sont reçus sur une certaine<br />
bande de fréquence Pour y répondre, nous avons dans un premier temps cherché une relation entre un<br />
critère de perte en SINR après formation de faisceaux résultant de l’augmentation de largeur de bande et<br />
le critère introduit par Zatman et souvent utilisé comme référence pour définir des signaux bande étroite,<br />
à savoir le rapport entre la seconde valeur propre de la matrice de covariance interférences plus bruit et<br />
la valeur propre de bruit. Ainsi, nous avons démontré que ce rapport constituait un majorant de la perte<br />
en SINR, celle-ci dépendant de la position de la source utile par rapport à la source d’interférence. Puis,<br />
nous avons cherché à savoir si le majorant obtenu sur la perte en SINR était proche de la valeur de perte<br />
en SINR maximale. Pour cela, nous nous sommes appuyés sur des résultats relatifs aux valeurs et vecteurs<br />
propres de matrices de covariance de signaux très rapprochés en fréquence et avons calculé une expression<br />
interprétable de la perte en SINR. Celle-ci nous a alors permis de définir des conditions suffisantes pour<br />
que la perte en SINR atteigne presque la borne supérieure donnée par le critère de Zatman.<br />
Après avoir constaté puis étudié les pertes en performance liées à l’utilisation d’algorithmes de formation<br />
de faisceaux bande étroite sur signaux large bande, nous avons considéré l’utilisation d’un filtrage<br />
spatio-temporel. Ce dernier permet en effet de compenser les pertes en performance liées à l’augmentation<br />
de largeur de bande. Plus précisément, nous nous sommes intéressés à l’étude de performance du filtrage<br />
spatio-temporel maximisant le SINR. Bien que l’utilisation de ce type de filtrage soit limitée à certains<br />
problèmes de détection et d’estimation, son étude nous semble importante dans la mesure où elle permet<br />
d’obtenir des bornes en performance en terme de SINR, utiles pour l’étude de performance d’autres<br />
algorithmes de filtrage spatio-temporel. Pour procéder, nous avons exploité le caractère bloc Toeplitz<br />
des matrices de covariance et effectué une étude asymptotique au sens du nombre de retards, le nombre<br />
de capteurs étant fixe. Après interprétation du SINR spatio-temporel optimal comme la valeur propre<br />
généralisée maximale des matrices de covariances de signal utile et d’interférences plus bruit, nous nous<br />
sommes dans un premier temps intéressés au comportement asymptotique des valeurs propres généralisées<br />
de matrices bloc Toeplitz. Sous l’hypothèse de matrices générées par des séquences d’éléments absolument<br />
sommables et en nous basant sur la notion d’équivalence asymptotique entre séquences de matrices, nous<br />
avons alors démontré une extension du théorème de Szegö aux valeurs propres généralisées de matrices<br />
Hermitiennes bloc Toeplitz. Puis, grâce à une conséquence de ce théorème, nous avons obtenu une expres-
142 Conclusions et perspectives<br />
sion explicite du SINR spatio-temporel optimal asymptotique. Ainsi, nous avons démontré que le SINR<br />
spatio-temporel optimal converge vers une limite s’interprétant comme un SINR spatial optimal à bande<br />
nulle.<br />
Enfin, dans un troisième temps, nous avons étendu le résultat relatif à la distribution asymptotique<br />
des valeurs propres généralisées de matrices bloc Toeplitz, à celle de matrices multi-niveaux Toeplitz<br />
bloc Toeplitz, lorsque la dimension de chacun des blocs tend vers l’infini. Comme précédemment, la<br />
démonstration de ce résultat a été faite sous l’hypothèse de matrices générées par des séquences d’éléments<br />
absolument sommables. Ce résultat est en particulier utile à l’étude de performance en terme de SINR du<br />
filtrage optimal maximisant le SINR, de processus aléatoires discrets multidimensionnels, stationnaires au<br />
second ordre. Il peut donc s’appliquer dans de nombreux problèmes de traitement de signal ou d’image,<br />
tels que le débruitage d’images hyperspectrales ou interférométriques SAR.<br />
Dans le cas du filtrage de signaux radar bande étroite, nous nous sommes tout d’abord intéressés au<br />
problème de rejection de signaux de brouillage en configuration radar à antenne tournante. La difficulté de<br />
ce problème résultant de la non stationnarité des signaux de brouillage induite par la rotation d’antenne,<br />
nous avons proposé l’utilisation d’une méthode de filtrage spatial non stationnaire. Cette méthode basée<br />
sur un développement limité du filtre spatial permettant de calculer un filtre variant dans le temps a été<br />
déclinée sur l’algorithme OLS et l’algorithme MVDR pour deux situations de brouillage différentes. Dans<br />
un premier temps, une implémentation de l’algorithme OLS à coefficients variables dans le temps au sein<br />
d’une récurrence en situation de rotation non négligeable à l’échelle de la récurrence a été proposée. Puis,<br />
une étude de performance analytique et par simulations a été effectuée, montrant le gain important en<br />
termes de rejection de brouillage grâce à l’utilisation de la version non stationnaire de l’algorithme par<br />
rapport à sa version standard. Dans un deuxième temps, une implémentation de l’algorithme MVDR<br />
à coefficients variables dans le temps au sein d’une rafale en situation de rotation non négligeable à<br />
l’échelle de cette dernière a été proposée. Puis, une étude de performance de l’algorithme en situation<br />
de brouillage dans les lobes secondaires a permis de choisir le paramètrage optimal, permettant ainsi<br />
d’obtenir des performance en termes de SINR identiques à celle de l’algorithme MVDR en configuration<br />
antenne fixe et donc compenser toutes les pertes en performance dûes à la rotation d’antenne.<br />
Ensuite, nous avons considéré le problème de rejection conjointe de signaux de brouillage et de fouillis<br />
en configuration radar à antenne tournante, par filtrage spatio-temporel. Contrairement au cas où l’antenne<br />
est fixe, les paramètres de direction d’arrivée et récurrence/fréquence Doppler pour les brouilleurs et<br />
le fouillis ne sont plus indépendants dans cette configuration. Par conséquent, le filtrage spatio-temporel<br />
ne peut plus se décomposer entre un filtrage spatial et un filtrage Doppler implémentés indépendamment<br />
l’un de l’autre, sans impliquer une dégradation des performance du système. Pour faire face à cette difficulté,<br />
nous avons donc proposé l’utilisation d’un filtrage spatio-temporel de type STAP. Plus précisément,<br />
nous avons considéré une situation de rotation négligeable à l’échelle de la récurrence et distingué deux<br />
cas, en fonction du type de données disponibles pour l’estimation des filtres adaptatifs. Tout d’abord,<br />
nous avons supposé que des données tertiaires formées de brouillage plus bruit thermique seul (donc sans<br />
présence de fouillis) étaient disponibles. Dans ce cas, nous avons proposé l’utilisation d’un filtrage de type<br />
STAP séparable formé d’un filtrage spatial par récurrence avec contrainte sur les diagrammes spatiaux<br />
suivi d’un filtrage Doppler adaptatif. Puis, nous avons supposé que ces données tertiaires n’étaient pas<br />
disponibles. Dans ce cas, nous avons proposé deux solutions. Tout d’abord, il est possible d’utiliser un<br />
préfiltrage des données afin de recréer ’artificiellement’ des données tertiaires. Une étude de performance<br />
de ce préfiltrage en termes de réduction de puissance du fouillis a ainsi été effectuée afin de quantifier la<br />
réduction de puissance du fouillis en fonction des différents paramètres de fouillis. Puis, une autre solution<br />
consistant à utiliser un filtrage de type Beamspace post-Doppler STAP a été proposée. Nous avons alors<br />
montré que l’utilisation de ce type de filtrage conduisait à de bonnes performances en termes de SINR, et<br />
avait l’avantage d’être peu complexe à mettre en oeuvre et de nécessiter peu d’échantillons d’estimation<br />
des filtres spatiaux pour atteindre de bonnes performances. Finalement, comme ce dernier algorithme<br />
peut également être utilisé en présence de données tertiaires, il semble donc que son utilisation soit bien<br />
adaptée au problème de rejection d’interférences en configuration radar à antenne tournante.
143<br />
Perspectives<br />
Suite à ce travail de thèse, plusieurs constats peuvent être fait et soulever de nouveaux problèmes :<br />
– Nous nous sommes dans ce document limités à l’étude de performance asymptotique par rapport<br />
au nombre de retards du filtrage spatio-temporel optimal au sens du critère du SINR maximal. Cependant,<br />
ce filtrage présente l’inconvénient de ne pas garantir la non-déformation du signal utile, ce<br />
qui limite son champ d’applications. Il serait donc intéressant d’utiliser la même approche d’étude<br />
de performance asympotique pour analyser des algorithmes de filtrage spatio-temporel optimaux<br />
au sens d’autres critères, comme par exemple au sens des critères MMSE ou LCMV. Notons qu’actuellement,<br />
nous travaillons sur un de ces problèmes, à savoir l’étude de performance asymptotique<br />
au sens du nombre de retards du filtrage spatio-temporel optimal au sens du critère MMSE.<br />
– L’étude de performance asymptotique à laquelle nous nous sommes intéressés nous permet d’obtenir<br />
une borne de performance limite, atteinte avec un nombre infini de retards. Cependant, elle ne nous<br />
donne pas d’information sur la convergence vers cette limite. Il serait donc intéressant d’obtenir des<br />
résultats théoriques sur la vitesse de convergence du SINR spatio-temporel optimal à nombre de<br />
retards fini vers la limite théorique calculée.<br />
– Lors de l’étude du filtrage spatio-temporel en configuration radar bande étroite à antenne tournante,<br />
nous avons supposé que le fouillis était homogène dans la zone d’estimation des filtres adaptatifs.<br />
Cependant, en pratique, le milieu peut être hétérogène, ce qui entraîne des pertes en performance des<br />
algorithmes proposés. Il serait donc intéressant de faire une étude de performance des algorithmes<br />
proposés dans cette situation de milieu hétérogène.
144 Conclusions et perspectives
ANNEXES
Annexe A<br />
Approximations du SINR<br />
Approximation (3.16)<br />
Considérant la décomposition en éléments propres de ¯R :<br />
N∑<br />
¯R = µ n u n u H n ,<br />
n=1<br />
montrons tout d’abord que nous avons :<br />
∣ φ<br />
H<br />
S u k<br />
∣ ∣ ≪<br />
√<br />
N for k = 1,2.<br />
(A.1)<br />
Utilisant la représentation spectrale x t = ∫ B<br />
2<br />
e i2πft dµ(f) de l’enveloppe complexe des signaux stationnaires<br />
au sens large, à bande limité et gaussiens de brouillage, approximée par x t ≈ ∑ L−1<br />
− B 2<br />
l=0 a le i2πf lt<br />
avec f l = (−L + 2l + 1) B 2L , L ≫ 1 et (a l) l=0,...,L−1 des variables aléatoires gaussiennes décorrélées avec<br />
E{|a l | 2 } = σ2 J<br />
L<br />
, ¯R peut être approximée par la matrice de covariance spatiale associée à une somme discrète<br />
de signaux à bande limitée, très proches en fréquence avec du bruit additif, pour des faibles valeurs de<br />
bande fractionnée :<br />
¯R ≈<br />
L−1<br />
∑<br />
l=0<br />
σ 2 J<br />
L φ J(f 0 + f l )φ H J (f 0 + f l ) + σ 2 nI.<br />
Par conséquent, les résultats de [38] s’appliquent. En particulier,<br />
u 1 = φ J<br />
√ + O( B ),<br />
N f 0<br />
et donc ∣ ∣ φ<br />
H<br />
S u 1<br />
∣ ∣ ≈<br />
|φ H S φ J|<br />
√<br />
N<br />
, ce qui prouve (A.1) quand k = 1.<br />
Lorsque k = 2, la démonstration est plus délicate. A nouveau, en utilisant [38], u 2 est de la forme :<br />
u 2 =<br />
(<br />
I −<br />
φ J φ H J<br />
N<br />
∥ ∥ ( I − φ J φH J<br />
N<br />
) ⌋<br />
dφJ (f)<br />
df<br />
) dφJ (f)<br />
df<br />
Avec notre modèle de données, il est facile de montrer que :<br />
u 2 = e 2 ◦ φ J<br />
||e 2 ||<br />
f=f 0<br />
⌋f=f 0<br />
∥ ∥∥<br />
+ o( B f 0<br />
). (A.2)<br />
+ o( B f 0<br />
),
148 Approximations du SINR<br />
où ◦ représente le multiplication élément par élément des vecteurs et avec e 2 = [−(N − 1),..., −N + 2n −<br />
1,...,+(N − 1)] T . Par conséquent, on obtient :<br />
||e 2 ||(φ H S u 2 ) = −<br />
N∑<br />
(N − 2n + 1)e j(n−1)x<br />
n=1<br />
N−1<br />
j(<br />
= −(N + 1)e 2 )xsin(N 2 x)<br />
sin( x 2 ) + 2(N − 1)ejNx − Ne j(N−1)x + 1<br />
(1 − e jx ) 2 (A.3)<br />
avec x = π(u S − u J ). En prenant la valeur absolue de (A.3), et après utilisation de ||e 2 || 2 = (N−1)N(N+2)<br />
3<br />
,<br />
on obtient rapidement |φ H S u 2| ≪ √ N pour N ≫ 1, prouvant ainsi (A.1) pour k = 2. Finalement, sous<br />
l’hypothèse d’une relativement faible bande fractionnée, seules les deux premières valeurs propres de ¯R<br />
sont supérieures au seuil de bruit. On déduit µ k ≈ σn 2 pour k = 3,...,N, ce qui conduit à l’approximation :<br />
¯R −1 ≈ I<br />
σn<br />
2 +<br />
≈<br />
I<br />
σ 2 n<br />
2∑<br />
( 1<br />
− 1<br />
µ k<br />
k=1<br />
− 1<br />
σ 2 n<br />
σ 2 n<br />
2∑<br />
u k u H k .<br />
k=1<br />
)<br />
u k u H k<br />
Après insertion de (A.1) dans (A.4), on obtient l’approximation (3.16).<br />
Approximation (3.17)<br />
Pour approximer (3.8) par (3.17), on analyse l’expression φ H S ¯R −1 ¯RS ¯R−1 φ S (i.e., le numérateur de<br />
(3.8)) que l’on compare à σ 2 S (φH S ¯R −1 φ S ) 2 . Comme cela a été expliqué dans le paragraphe précédent, les<br />
résultats de [38] s’appliquent également à la matrice de covariance à bande non nulle de la cible ¯R S de<br />
décomposition en éléments propres ¯R S = ∑ N<br />
n=1 λ nv n v H n et en particulier<br />
v 1 = φ S<br />
√ + O( B )<br />
N f 0<br />
(A.4)<br />
et<br />
λ 1 = tr( ¯R S ) + O( B f 0<br />
).<br />
Notons que ce résultat est obtenu à N fixé pour B f 0<br />
tendant vers 0, pour lequel il est prouvé dans [38] que<br />
λ k = O(( B f 0<br />
) 2(k−1) ) pour k = 1,...,N. Par conséquent, pour B f 0<br />
≪ 1, v 1 ≈ √ φ S<br />
N<br />
et λ 1 ≈ NσS 2 et on obtient :<br />
φ H S ¯R −1¯RS ¯R−1 φ S ≈ ∑ k,l,m<br />
qui peut être décomposé en deux parties :<br />
Nλ l<br />
µ k µ m<br />
(v H 1 u k )(u H k v l).(v H l u m )(u H mv 1 ),<br />
φ H S ¯R −1¯RS ¯R−1 φ S ≈ ∑ k,m<br />
N 2 σ 2 S<br />
µ k µ m<br />
∣ ∣v H<br />
1 u k<br />
∣ ∣<br />
2 ∣ ∣u H<br />
m v 1<br />
∣ ∣<br />
2<br />
+<br />
∑<br />
k,m,l≠1<br />
Nλ l<br />
µ k µ m<br />
(v H 1 u k)(u H k v l)(v H l u m )(u H m v 1). (A.5)<br />
Ensuite, on développe σ 2 S (φH S ¯R −1 φ S ) 2 par<br />
σ 2 S (φH S ¯R −1 φ S ) 2 ≈ σ 2 S N2 ( ∑<br />
k<br />
∣ u<br />
H<br />
k<br />
v 1<br />
∣ ∣<br />
2<br />
µ k<br />
) 2<br />
. (A.6)
149<br />
Sous les mêmes conditions pour le brouilleur, nous avons u 1 ≈ √ φ J<br />
N<br />
. Ensuite, utilisant l’hypothèse selon<br />
laquelle le brouilleur se trouve dans un proche voisinage de la cible (|u S − u J | ≪ 1), φ J ≈ φ S et<br />
d’où<br />
u 1 ≈ v 1<br />
u k,k≠1 ⊥ v 1 ,<br />
φ H S ¯R −1¯RS ¯R−1 φ S ≈ σ2 S N2<br />
µ 2 1<br />
σ 2 S (φH S ¯R −1 φ S ) 2 ≈ σ2 S N2<br />
µ 2 1<br />
à partir de respectivement (A.5) et (A.6). Cela conduit finalement à l’approximation du SINR donnée par<br />
(3.17).
150 Approximations du SINR
Annexe B<br />
Preuve de Théorème 1<br />
A partir de [88, 2.22 p.74], nous avons<br />
λ i+1 (A m ,B m ) = inf<br />
D m<br />
sup<br />
D H m B mw m = 0<br />
w m ≠ 0<br />
w H mA m w m<br />
w H mB m w m<br />
(B.1)<br />
où D m représente une matrice quelconque de dimension m × i. Soit Sm<br />
m−i un sous-espace arbitraire de<br />
dimension (m − i) de C m pour lequel les vecteurs (B H md 1 ,...,B H md i ) forment une base du complément<br />
orthogonal. Par conséquent,<br />
sup<br />
w m ∈ Sm<br />
m−i<br />
w m ≠ 0<br />
w H m A mw m<br />
w H m B mw m<br />
=<br />
sup<br />
D H mB m w m = 0<br />
w m ≠ 0<br />
w H m A mw m<br />
w H m B mw m<br />
et par le principe d’inclusion :<br />
inf<br />
S m−i<br />
m<br />
sup<br />
w m ∈ Sm<br />
m−i<br />
w m ≠ 0<br />
w H m A mw m<br />
w H mB m w m<br />
≥ inf<br />
D m<br />
sup<br />
D H mB m w m = 0<br />
w m ≠ 0<br />
w H m A mw m<br />
w H mB m w m<br />
.<br />
Comme les vecteurs propres généralisés (v 1 ,...,v m ) sont orthogonaux au sens du produit scalaire (x,y) =<br />
x H By, le quotient de Rayleigh (4.1) devient :<br />
wm HA ∑ m<br />
mw m k=1<br />
wmB H =<br />
λ k|x k |<br />
∑ 2<br />
m w m<br />
m k=1 |x k| 2<br />
avec w m = ∑ n<br />
k=1 x kv k et donc si Sm m−i représente le sous-espace de Cm engendré par (v i+1 ,...,v m )<br />
sup<br />
w m ∈ Sm<br />
m−i<br />
w m ≠ 0<br />
w H mA m w m<br />
w H m B mw m<br />
=<br />
sup<br />
(x i+1 ,...,x m) T ≠0<br />
∑ m<br />
k=i+1 λ k|x k | 2<br />
∑ m<br />
k=i+1 |x k| 2 = λ i+1<br />
et par conséquent<br />
λ i+1 (A m ,B m ) = inf<br />
S m−i<br />
m<br />
sup<br />
w m ∈ Sm<br />
m−i<br />
w m ≠ 0<br />
w H m A mw m<br />
w H m B mw m
152 Preuve de Théorème 1<br />
est prouvé. Comme Sm−1 m−i peut être étendu à un sous-espace Sm−i m,0 de dimension (m − i) de Cm , après<br />
transformation de w m−1 en vecteurs 1 w m = (wm−1 T ,0)T de C m de sorte que<br />
on obtient d’après le principe d’inclusion :<br />
w H m−1 A m−1w m−1<br />
w H m−1 B m−1w m−1<br />
= wH m A mw m<br />
w H m B mw m<br />
,<br />
λ i+1 (A m ,B m ) ≤<br />
min<br />
S m−i<br />
m,0<br />
max<br />
Sm,0<br />
m−i<br />
w m ≠ 0<br />
w H mA m w m<br />
w H mB m w m<br />
= min<br />
S m−i<br />
m−1<br />
max<br />
Sm−1<br />
m−i<br />
w m−1 ≠ 0<br />
w H m−1 A m−1w m−1<br />
w H m−1 B m−1w m−1<br />
= λ i (A m−1 ,B m−1 )<br />
et l’inégalité gauche de Théorème 1 est prouvée. L’inégalité droite se démontre de la même manière à<br />
partir de [88, 2.22 p.74]<br />
λ m−i (A m ,B m ) = sup<br />
D m<br />
pour toute matrice D m de dimension m × i.<br />
inf<br />
D H m B mw m = 0<br />
w m ≠ 0<br />
w H mA m w m<br />
w H m B mw m<br />
1 On considère ici les sous-matrices associées aux premières m − 1 lignes et colonnes de A m et B m. L’extension à des<br />
sous-matrices principales quelconques associées aux mêmes m − 1 lignes et colonnes s’en déduit directement, en utilisant les<br />
vecteurs associés w m.
Annexe C<br />
Preuve de Théorème 2<br />
Lemme 2<br />
Les valeurs propres λ(A m,n ) de A m,n vérifient<br />
min<br />
w<br />
w H A m,n w<br />
w H w<br />
≤ λ(A m,n) ≤ max<br />
w<br />
= 1<br />
2π<br />
w H A m,n w<br />
w H w<br />
où le vecteur w est partitionné de la manière w T = [ w1 T,... ,wT u ,... T<br />
n] ,wT avec w<br />
T<br />
u = [w u,1 ,w u,2 ,...,w u,m ] T .<br />
En conséquence,<br />
w H A m,n w = ∑ wu H Au,v m w v = ∑ ∑<br />
wu,k ∗ au,v k−l w v,l<br />
u,v<br />
u,v k,l<br />
∫ π ∑ ∑<br />
(w u,k e −ikω ) ∗ a u,v (ω)(w v,l e −ilω )dω<br />
= 1<br />
2π<br />
−π u,v<br />
∫ π<br />
−π<br />
k,l<br />
w H (ω)A(ω)w(ω)dω<br />
où nous avons utilisé la transformée de Fourier w u (ω) = ∑ m<br />
k=1 w u,ke −ikω , u = 1,... ,n et le vecteur<br />
w(ω) = [w 1 (ω),... ,w u (ω),... ,w n (ω)] T . On déduit 1 ,<br />
min<br />
ω,λ λ(A(ω)) 1<br />
2π<br />
∫ π<br />
−π<br />
Finalement, remarquant que 1<br />
2π<br />
Lemme 3<br />
w H (ω)w(ω)dω ≤ w H A m,n w ≤ max λ(A(ω)) 1 w H (ω)w(ω)dω.<br />
ω,λ 2π −π<br />
∫ π<br />
−π wH (ω)w(ω)dω = w H w, le lemme 2 est prouvé.<br />
Tout d’abord, à partir du lemme 2, λ(B m,n ) ≥ m b > 0, et donc B m,n est non singulière. De plus,<br />
comme B m,n est Hermitienne λ(B −1<br />
m,n ) = λ−1 (B m,n ) et ∥ B<br />
−1 ∥<br />
m,n = maxλ λ −1 (B m,n ) ≤ 1 m b<br />
.<br />
Considérant la matrice bloc diagonale ∆ m (b) associée avec B m,n donné par le lemme 1, on a avec les<br />
notations du lemme 2 et w k def = (w 1,k ,... ,w n,k ) T :<br />
w H ∆ m (b)w = ∑ wu H D m(b u,v )w v = ∑ ∑<br />
( ) 2π(k − 1)<br />
wu,k ∗ bu,v w v,k<br />
m<br />
u,v<br />
u,v k<br />
m∑<br />
( ) 2π(k − 1)<br />
= (w k ) H B w k ≥ min λ(B(ω))w H w<br />
m<br />
λ<br />
k=1<br />
1 Notons que parce que les séquences {a u,v<br />
k<br />
}u,v=1,...,m sont absolument sommables, au,v (ω) sont continues et max ω(A(ω))<br />
et min ω(A(ω)) atteignent leurs extrema.<br />
∫ π
154 Preuve de Théorème 2<br />
Par conséquent, λ(C m (b)) ≥ m b > 0, C m (b) est non singulière et vérifie également ∥ C<br />
−1<br />
m (b)∥ ∥ ≤<br />
1<br />
m b<br />
et la<br />
condition de l’équivalence asymptotique est vérifiée.<br />
Finalement, utilisant, ∣ B<br />
−1<br />
m,n − C −1<br />
m (b) ∣ ∣ = ∣C −1<br />
m (b)C m (b)B −1<br />
m,n − C −1<br />
m (b)B m,n B −1 ∣<br />
m,n avec [47, Lemma<br />
3], on obtient :<br />
∣ B<br />
−1<br />
m,n − C−1 m (b)∣ ∣ ≤<br />
∥ ∥C −1<br />
m (b)∥ ∥ ∥ ∥ B<br />
−1<br />
m,n<br />
∥ |Cm (b) − B m,n |<br />
prouvant que lim m→∞<br />
∣ ∣B −1<br />
m,n − C −1<br />
m (b) ∣ ∣ = 0 ce qui vérifie la condition 2 de l’équivalence asymptotique.<br />
Lemme 4<br />
et<br />
Comme pour la norme spectrale<br />
∥ B<br />
−1<br />
m,nA m,n<br />
∥ ∥ ≤<br />
∥ ∥B −1<br />
m,n<br />
∥ ‖Am,n ‖<br />
∥ C<br />
−1<br />
n (b)C n (a) ∥ ∥ ≤<br />
∥ ∥C −1<br />
n (b) ∥ ∥ ‖Cn (a)‖ ,<br />
la condition 1 de l’équivalence asymptotique est vérifiée à partir des lemmes 1 et 3. Alors, à partir<br />
de [47, Lemma 3], on a<br />
∥ B<br />
−1<br />
m,nA m,n − C −1<br />
m (b)C m (a) ∥ ∥ = ∥B −1<br />
m,nA m,n − B −1<br />
m,nC m (a) + B −1<br />
m,nC m (a) − C −1<br />
m (b)C m (a) ∥ ≤<br />
∥ B<br />
−1 ∥ |Am,n − C m (a)| + ‖C m (a)‖ ∣ B<br />
−1<br />
m,n − C −1<br />
m (b) ∣ m,n<br />
et en utilisant les lemmes 2 et 3, la condition 2 de l’équivalence asymptotique est satisfaite.<br />
Théorème 2<br />
Utilisant B −1<br />
m,n A m,n ∼ C −1<br />
m (b)C m(a) donné par le lemme 4 et la propriété sur leurs valeurs propres<br />
associées donnée par [47, Corollary 1, p.174], nous avons<br />
∀s ∈ N ∗<br />
lim<br />
m→∞<br />
1<br />
m<br />
nm∑<br />
k=1<br />
[<br />
λ<br />
s<br />
k (B −1<br />
m,n A m,n) − λ s k (C−1 m (b)C m(a)) ] = 0.<br />
(C.1)<br />
Utilisant le fait que les matrices C m (a) et C m (b) sont semblables à ∆ m (a) et ∆ m (b) avec la même matrice<br />
unitaire U m,n donnée par le lemme 1, nous avons<br />
nm∑<br />
k=1<br />
λ s k (C−1 m (b)C m (a)) =<br />
nm∑<br />
k=1<br />
λ s k (∆−1 m (b)∆ m (a)).<br />
(C.2)<br />
Ecrivant les matrices ∆ m (a) et ∆ m (b) définies dans le lemme 1 sous la forme :<br />
∆ m (a) = ∑ ( )<br />
m<br />
k=1 A 2π(k−1)<br />
m<br />
⊗ E k<br />
∆ m (b) = ∑ ( )<br />
m<br />
k=1 B 2π(k−1)<br />
m<br />
⊗ E k<br />
avec E k la matrice creuse de dimension m × m dont les éléments sont nuls sauf (E k ) k,k = 1, on obtient<br />
directement :<br />
m ∆ −1<br />
m (b) = ∑<br />
( ) 2π(k − 1)<br />
B −1 ⊗ E k<br />
m<br />
k=1
155<br />
et<br />
Par conséquent,<br />
nm∑<br />
k=1<br />
(<br />
∆<br />
−1<br />
m (b)∆ m (a) ) s<br />
∑<br />
m [ ( ) ( )] 2π(k − 1) 2π(k − 1) s<br />
= B −1 A<br />
⊗ E k .<br />
m m<br />
k=1<br />
λ s k (∆−1 m (b)∆ m(a)) =<br />
m∑<br />
k=1<br />
([ ( ) 2π(k − 1)<br />
Tr B −1 A<br />
m<br />
( 2π(k − 1)<br />
m<br />
)] s )<br />
.<br />
Utilisant la définition de l’intégrale de Riemann où la continuité des transformées de Fourier A(ω) et<br />
B(ω) garantit l’existence, (C.2) donne<br />
lim<br />
m→∞<br />
1<br />
m<br />
nm∑<br />
k=1<br />
λ s k (C−1 m (b)C m (a)) = 1 ∫ π<br />
Tr ([ B −1 (ω)A(ω) ] s)<br />
dω.<br />
2π −π<br />
Par conséquent, la limite du premier terme de (C.1) existe et<br />
lim<br />
m→∞<br />
D’où on déduit pour tout polynôme P,<br />
lim<br />
m→∞<br />
1<br />
m<br />
1<br />
nm∑<br />
λ s k<br />
m<br />
(B−1 m,nA m,n ) = 1 ∫ π<br />
Tr ([ B −1 (ω)A(ω) ] s)<br />
dω<br />
2π<br />
k=1<br />
−π<br />
n∑<br />
nm∑<br />
k=1<br />
= 1 ∫ π<br />
2π −π<br />
P [ λ k (B −1<br />
m,n A m,n) ] = 1 ∫ π<br />
2π −π<br />
u=1<br />
λ s u(B −1 (ω)A(ω))dω.<br />
n∑<br />
P [ λ k (B −1 (ω)A(ω)) ] dω.<br />
D’après le théorème d’approximation de Stone-Weierstrass (rappelé dans [48, Théorème 2.2]), cette relation<br />
s’étend à toute fonction F continue sur I ω .<br />
u=1
156 Preuve de Théorème 2
Annexe D<br />
Preuve de Résultat 7<br />
Tout d’abord, montrons par récurrence par rapport au nombre de brouilleurs que<br />
R −1<br />
J (f) = B σ 2 nI −<br />
J∑<br />
β j (f)α j (f)α H j (f)<br />
j=1<br />
(D.1)<br />
où nous avons utilisé la notation R J (f) pour J brouilleurs dans (4.6). L’utilisation du lemme d’inversion<br />
matricielle dans (4.6) en présence d’un unique brouilleur donne<br />
R −1<br />
J (f) = B σn<br />
2 I − β 1 (f) φ(θ 1,f + f 0 )φ(θ 1 ,f + f 0 ) H<br />
1 + NB<br />
σ<br />
β<br />
n<br />
2 1 (f)<br />
et donc (D.1) est prouvé pour J = 1. Pour continuer, supposons que (D.1) est vraie pour J − 1. Utiliser<br />
le lemme d’inversion matricielle dans (4.6) donne :<br />
R −1<br />
J (f) = B J−1<br />
∑<br />
σnI 2 −<br />
j=1<br />
β j (f)α j (f)α H j (f) − β J(f)[R −1<br />
J−1 (f)φ(θ J,f + f 0 )][R −1<br />
J−1 (f)φ(θ J,f + f 0 )] H<br />
.<br />
1 + φ(θ J ,f + f 0 ) H R −1<br />
J−1 (f)φ(θ J,f + f 0 )<br />
Ainsi, (D.1) est démontrée pour J brouilleurs. Insérant l’expression (D.1) dans le résultat 2 donne :<br />
⎡<br />
⎤<br />
σS<br />
2<br />
B φ(θ S,f + f 0 ) H R −1 (f)φ(θ S ,f + f 0 ) = σ2 S ⎣N<br />
σn<br />
2 − σ2 J−1<br />
∑<br />
n<br />
β j (f) ∣ φ(θS ,f + f 0 ) H α j (f) ∣ 2 ⎦ .<br />
B<br />
Cette expression est alors clairement maximisée pour β 1 (f) = β 2 (f) = · · · = β J (f) = 0, et son maximum<br />
est donné par σ2 S<br />
σ 2 n<br />
N.<br />
j=1
158 Preuve de Résultat 7
Annexe E<br />
Expression du signal reçu au niveau de<br />
l’antenne<br />
On cherche à exprimer le signal r c (t) reçu par le capteur C à l’instant t (cf. Fig.6.3). Pour cela,<br />
introduisons les instants t 1 correspondant à l’émission par le radar du signal reçu à l’instant t au niveau<br />
du capteur C et t 2 correspondant à l’instant de réflexion de ce même signal par la cible. Le signal reçu<br />
par le capteur C à l’instant t est égal à :<br />
r c (t) = βe(t 1 ).<br />
(E.1)<br />
où β est un coefficient d’atténuation aléatoire dû à la propagation aller-retour. Il nous faut donc maintenant<br />
exprimer t 1 en fonction de t. Avec les notations de Fig.6.3, on a :<br />
c(t 2 − t 1 ) = OM(t 2 )<br />
c(t − t 2 ) = ‖OM(t 2 ) + CO(t)‖<br />
(E.2)<br />
Supposons maintenant que la cible est en translation uniforme avec une vitesse radiale v et est initialement<br />
à la distance R 0 du radar. La distance OM(t) est donc égale à :<br />
OM(t) = R 0 − vt.<br />
(E.3)<br />
Cherchons ensuite une expression approchée de la distance ‖OM(t 2 ) + CO(t)‖. En notant l = CO(t) la<br />
distance du capteur C à l’origine de l’antenne O, on a :<br />
‖OM(t 2 ) + CO(t)‖ = √ OM(t 2 ) 2 + l 2 − 2lOM(t 2 )sin(θ(t)).<br />
(E.4)<br />
En utilisant ensuite l’hypothèse selon laquelle la cible est très éloignée de l’antenne (i.e.<br />
obtient en effectuant un développement limité au premier ordre de (E.4) en<br />
l<br />
OM(t 2 ) :<br />
l<br />
OM(t 2 )<br />
≪ 1), on<br />
‖OM(t 2 ) + CO(t)‖ = OM(t 2 ) − l sin(θ(t)) + o(l).<br />
(E.5)<br />
En insérant (E.3) et (E.5) dans (E.2), on obtient :<br />
c(t 2 − t 1 ) = R 0 − vt 2<br />
c(t − t 2 ) = R 0 − vt 2 − l sin(θ(t)) + o(l).<br />
(E.6)<br />
On transforme ensuite le système (E.6) pour exprimer t 1 en fonction de t 2 puis t 2 en fonction de t. On<br />
obtient ainsi :<br />
t 1 = ( )<br />
c+v<br />
c t2 − R 0<br />
c<br />
t 2 = c<br />
c−v t − R 0<br />
c−v + l<br />
c−v sin(θ(t)) + o( l c ).
160 Expression du signal reçu au niveau de l’antenne<br />
On obtient ensuite l’expression de t 1 en fonction 1 de t :<br />
t 1 = t + 2vt<br />
c − v − 2R 0<br />
c − v + l c sin(θ(t)) + o(l c )<br />
(E.7)<br />
en ayant négligé les termes négligeables devant d c<br />
. Examinons maintenant l’expression (E.7). Comme<br />
v<br />
c ≪ 1, 2vt<br />
c−v − 2R 0<br />
c−v ∼ 2v c − 2R 0<br />
c<br />
. On obtient donc l’approximation suivante de l’instant d’émission du signal<br />
t 1 :<br />
t 1 ≈ t + 2vt<br />
c − 2R 0<br />
+ l sin(θ(t)). (E.8)<br />
c c<br />
Après insertion de (E.8) et (6.1) dans (E.9), on obtient l’expression du signal reçu :<br />
(<br />
r c (t) ≈ β t + 2vt<br />
c − 2R 0<br />
+ l ) “<br />
c c sin(θ(t)) e j2πf 0 t+ 2vt<br />
c −2R 0<br />
c + l c<br />
”.<br />
sin(θ(t))<br />
Remarquons enfin que sous l’hypothèse de signaux bande étroite, les termes 2vt<br />
c<br />
et l c<br />
sin(θ(t)) n’influent<br />
pas sur l’enveloppe complexe dans la plupart des cas [69]. En notant f d = 2v c f 0 la fréquence Doppler et<br />
2R<br />
ϕ = 2πf 0 0 c<br />
un terme de phase, on obtient finalement :<br />
(<br />
r c (t) ≈ Au t − 2R )<br />
0<br />
e −jϕ e j2π[(f 0+f d )t+ l c f 0 sin(θ(t))]<br />
(E.9)<br />
c<br />
avec A = βg.<br />
1 Notons qu’avec l = 0 dans l’expression (E.7), on retrouve l’expression connue du temps de propagation aller-retour d’une<br />
onde réfléchi par une cible se déplaçant à la vitesse radiale v (cf. [69]).
Annexe F<br />
Calcul du SINR normalisé après<br />
application de l’algorithme ESMI avec la<br />
contrainte standard<br />
En utilisant la ( formule ) de Frobenius sur l’inverse de la matrice partitionnée ˆ˜R, on obtient à partir de<br />
(7.18) avec ˜φ φ<br />
= :<br />
0<br />
ŵ 0 = ( ˆR (0) − ˆR ˆR−1 ˆR (1) (2) (1) ) −1 φ (F.1)<br />
̂∆ω = ( ˆR ˆR−1 ˆR (1) (0) (1) − ˆR (2) ) −1 ˆR(1) ˆR−1 (0) φ<br />
Ensuite, après des calculs simples, on obtient les expressions suivantes pour les quantités (s j ) j=0..2 :<br />
s 0 = 1<br />
(M + 1)L (K + 1)<br />
s 1 = −<br />
2 2<br />
s 2 = L2 (M + 1)(2M + 1) (K + 1)(2K + 1) (K + 1)L(M + 1)<br />
+ −<br />
6<br />
6<br />
2<br />
En remplaçant la matrice de covariance estimée par son espérance et en utilisant les notations précédentes<br />
dans (F.2), on obtient l’expression du filtre spatial à l’instant t :<br />
ŵ S (t) = ŵ 0 + t̂∆ω = (s 2 − ts 1 )<br />
(s 2 − s 2 φ<br />
1<br />
Ensuite, choisissant d’analyser le SINR à la case distance l, on obtient :<br />
⎛<br />
Ŵ = ⎜<br />
⎝<br />
ŵ S (l)<br />
ŵ S (L + l)<br />
.<br />
ŵ S ((M − 1)L + l)<br />
En utilisant (F.2) et (F.3), on obtient l’expression du SINR : SINR = |ŴH Φ| 2<br />
SINR =<br />
∣<br />
∣φ H φ ∑ M<br />
φ H φ ∑ M<br />
m=1<br />
⎞<br />
⎟<br />
⎠<br />
(<br />
s2 −ls 1 −(m−1)Ls 1<br />
m=1 s 2 −s 2 1<br />
( ) 2<br />
s2 −ls 1 −(m−1)Ls 1<br />
s 2 −s 2 1<br />
)∣ ∣∣<br />
2<br />
Ŵ H RŴ :<br />
Finalement, après quelques manipulations algébriques, on obtient l’expression (7.19) pour le SINR normalisé<br />
(ρ =<br />
SINR<br />
Φ H R −1 Φ ).<br />
(F.2)<br />
(F.3)
162 Calcul du SINR normalisé après application de l’algorithme ESMI avec la contrainte standard
Annexe G<br />
Calcul de la puissance résiduelle de<br />
fouillis après préfiltrage ACF<br />
En présence de fouillis totalement corrélé : calcul de (8.4)<br />
Pour du fouillis totalement corrélé, c (m) =c (m+1) =c (m+2) . Tout d’abord, donnons l’expression de l’élément<br />
(n + 1) de d (m) :<br />
d (m)<br />
n+1 = c(m)<br />
√<br />
6<br />
(−e jnπsin(θ+(m−1)ωTrec) + 2e jnπsin(θ+mωTrec)<br />
− e jnπsin(θ+(m+1)ωTrec) )<br />
(G.1)<br />
Ensuite, donnons une approximation de cette expression pour ωT rec ≪ 1, en utilisant :<br />
sin(θ+(m±1)ωT rec )=sin(θ+mωT rec ) ± ωT rec cos(θ+mωT rec )<br />
Après insertion de ces approximations dans (G.1), on a<br />
+ o(ωT rec ).<br />
qui est aussi égal à<br />
d (m)<br />
n+1 ≈ c(m)<br />
√<br />
6<br />
e jnπsin(θ+mωTrec) (−e −jnπωTreccos(θ+mωTrec)<br />
+ 2 − e jnπωTreccos(θ+mωTrec) )<br />
On déduit<br />
d (m)<br />
n+1 ≈ c(m)<br />
√<br />
6<br />
e jnπ(sin(θ+mωTrec)−ωTreccos(θ+mωTrec))<br />
×2 (1 − cos[nπωT rec cos(θ + mωT)]) .<br />
{ ∣∣∣d (m)<br />
E n+1∣ 2} ≈ 42 σc<br />
2 ( nπ<br />
)<br />
6 sin4 2 ωT reccos(θ + mωT rec )<br />
qui est équivalent à l’expression suivante pour NωT rec ≪ 1
164 Calcul de la puissance résiduelle de fouillis après préfiltrage ACF<br />
{ ∣∣∣d (m)<br />
E n+1∣ 2} ≈ σ2 c<br />
6 n4 π 4 ω 4 Trec 4 cos4 (θ + mωT rec ).<br />
Enfin, en utilisant λ fc = ∑ { ∣∣∣d N−1<br />
n=0 E (m)<br />
n+1∣ 2} , on obtient (8.4).<br />
En présence de fouillis partiellement corrélé : calcul de (8.5)<br />
Tout d’abord, donnons l’expression de λ pc<br />
λ pc = 1 6 E { ∥∥∥−c (m) φ (m) +2c (m+1) φ (m+1) −c (m+2) φ (m+2) ∥ ∥∥<br />
2 }<br />
qui est égal à<br />
avec<br />
σ 2 c<br />
6 [6N − 4ρ 1Re(φ (m+1)H φ (m) + φ (m+2)H φ (m+1) )<br />
{<br />
ρ 1<br />
def<br />
= e −2π2 T 2 recσ 2 d<br />
ρ 2<br />
def<br />
= e −8π2 T 2 rec σ2 d.<br />
+2ρ 2 Re(φ (m+2)H φ (m) )] (G.2)<br />
A partir de (G.2) , on déduit la relation entre λ pc et λ fc (donnée (G.2) avec ρ 1 = ρ 2 = 1).<br />
λ pc = λ fc + σ2 c<br />
6 [4(1 − ρ 1)Re(φ (m+1)H φ (m)<br />
+ φ (m+2)H φ (m+1) ) − 2(1 − ρ 2 )Re(φ (m+2)H φ (m) )].<br />
Ensuite, pour σ d T ≪ 1, on utilise les développements suivants :<br />
{ 1 − ρ1 = 2π 2 T 2 rec σ2 d − 2π4 T 4 rec σ4 d + o(T 4 rec σ4 d )<br />
1 − ρ 2 = 8π 2 T 2 rec σ2 d − 32π4 T 4 rec σ4 d + o(T 4 rec σ4 d )<br />
et après approximation des produits scalaires φ (m+1)H φ (m) , φ (m+2)H φ (m+1) et φ (m+2)H φ (m) par N (calculé<br />
après un développement limité au second ordre en ωT rec ), on obtient finalement pour σ d T rec ≪ 1<br />
λ pc ≈ λ fc + 8σ 2 c Nπ4 σ 4 d T 4 rec .<br />
Finalement, après insertion de (8.4) dans (G.3), on obtient (8.5).<br />
(G.3)
Bibliographie<br />
[1] R. Monzingo and T. Miller. Introduction to Adaptive Arrays. Wiley and Sons, New York, 1980.<br />
[2] J.E. Hudson. Adaptive Array Principles. Peter Peregrinus Ltd, London, 1981.<br />
[3] R.T. Compton. The bandwidth performance of a two-element adaptive array with tapped delay-line<br />
processing. IEEE Trans. Antennas Propagat., 36 :5–14, January 1988.<br />
[4] B.D. Van Veen and K.M. Buckley. Beamforming : A versatile approach to spatial filtering. IEEE<br />
ASSP magazine, pages 4–24, April 1988.<br />
[5] editor S. Marcos. Les méthodes à haute résolution : Traitement d’antenne et analyse spectrale. Hermes<br />
Sciences, 1998.<br />
[6] H.L. Van Trees. Optimum Array Processing. Wiley and Sons, New York, 2002.<br />
[7] editor S. Haykin. Array Processing : Applications to Radar. Prentice Hall, Englewood Cliffs, NJ,<br />
1980.<br />
[8] E. Brookner. Phased array radars. Scientific American, pages 94–102, February 1985.<br />
[9] editor A.V. Oppenheim. Applications of Digital Signal Processing. Prentice Hall, Englewood Cliffs,<br />
NJ, 1978.<br />
[10] L.C. Godara. Application of antenna arrays to mobile communications, part i : Performance improvement,<br />
feasibility, and system considerations. Proc. IEEE, 85, July 1997.<br />
[11] L.C. Godara. Application of antenna arrays to mobile communications, part ii : Beamforming and<br />
direction-of-arrival considerations. Proc. IEEE, 85, July 1997.<br />
[12] S. Haykin. Array Signal Processing. Prentice Hall, Englewood Cliffs, NJ, 1985.<br />
[13] K.I. Kellermann and editors G.L. Verschuur. Galactic and Extra-Galactic Radio Astronomy. Springer-<br />
Verlag, New York, 1973.<br />
[14] A. Readhead. Radio astronomy by very-long-baseline interferometry. Scientific American, 246 :52–61,<br />
June 1982.<br />
[15] J. Capon. High-resolution frequency-wavenumber spectrum analysis. Proc. IEEE, 57 :1408–1418,<br />
August 1969.<br />
[16] editor J. Idier. Approche bayésienne pour les problèmes inverses. Lavoisier, 2001.<br />
[17] B.D. Carlson. Covariance matrix estimation errors and diagonal loading in adaptive arrays. IEEE<br />
Trans. Aerospace and Electron. Syst., 24 :397–401, July 1988.<br />
[18] J.S. Goldstein, I.S. Reed, and L.L. Scharf. A multistage representation of the Wiener filter based on<br />
orthogonal projections. IEEE Trans. on Inform. Theory, 44 :2943–2959, November 1998.<br />
[19] Y. B-N A.M. Haimovich. An eigenanalysis interference canceller. IEEE Trans. Signal Process.,<br />
39 :76–84, January 1991.<br />
[20] J.R. Guerci. Space-Time Adaptive Processing for Radar. Artech House Radar Library, 2003.<br />
[21] H. Akaike. A new look at the statistical model identification. IEEE Trans. Autom. Control, 19 :716–<br />
723, June 1974.
166 BIBLIOGRAPHIE<br />
[22] J. Rissanen. Modeling by shortest data description. Automatica, 14 :465–471, 1978.<br />
[23] G. Schwartz. Estimating the dimension of a model. Ann. Stat., 6 :461–464, 1978.<br />
[24] M. Wax and T. Kailath. Detection of signals by information theoretic criteria. IEEE Trans. Acoust.,<br />
Speech, Signal Process., 33 :387–392, April 1985.<br />
[25] S.A. Vorobyov, A.B. Gershman, and Z.Q. Luo. Robust adaptive beamforming using worst-case<br />
performance optimization. IEEE Trans. Signal Process., 51, 2003.<br />
[26] O. Besson and F. Vincent. Performance analysis of beamformers using generalized loading of the<br />
covariance matrix in the presence of random steering vector errors. IEEE Trans. Signal Process., 53,<br />
2005.<br />
[27] R.G. Lorenz and S.P. Boyd. Robust minimum variance beamforming. IEEE Trans. Signal Process.,<br />
53, 2005.<br />
[28] J. li and editors P. Stoica. Robust Adaptive Beamforming. Wiley, 2006.<br />
[29] D.T. Hughes and J.G. McWhirter. Penalty function method for sidelobe control in least squares<br />
adaptive beamforming. SPIE Proc., 2563 :170–181, 1995.<br />
[30] G.M. Herbert. A new projection based algorithm for low sidelobe pattern synthesis in adaptive<br />
arrays. Radar 97, pages 396–400, October 1997.<br />
[31] L.E. Brennan, J.D. Mallet, and I.S. Reed. Rapid convergence rates in adaptive arrays. IEEE Trans.<br />
Aerospace and Electron. Syst., 10 :853–863, November 1974.<br />
[32] O.L Frost. An algorithm for linearly constrained adaptive array processing. Proc. IEEE, 60 :926–935,<br />
August 1972.<br />
[33] M. Zatman. How narrow is narrowband IEE Proc. Radar, Sonar Navig., 145 :85–91, April 1998.<br />
[34] T. Qin, H. Zhang, and X. Zhang. Criterion for narrowband beamforming. IEE Electronic Letters,<br />
40 :846–847, July 2004.<br />
[35] L.C. Godara and M.R.S. Jahromi. Limitations and capabilities of frequency domain broadband<br />
constrained beamforming schemes. IEEE Trans. Signal Process., 47 :2386–2395, September 1999.<br />
[36] C.L. Koh, S. Weiss, and W. Liu. A comparison of adaptive beamforming implementations for wideband<br />
scenarios. September 2005.<br />
[37] H. Duan, B.P. Ng, and L.M. See. Broadband beamforming using TDL-form IIR filters. IEEE Trans.<br />
Signal Process., 55 :990–1002, March 2007.<br />
[38] H.B. Lee. Eigenvalues and eigenvectors of covariance matrices for signals closely spaced in frequency.<br />
IEEE Trans. Signal Process., 40 :2518–2535, October 1992.<br />
[39] L.C. Godara. Application of the fast Fourier transform to broadband beamforming. J. Acoust. Soc.<br />
Am., 98 :230–239, July 1995.<br />
[40] P.P. Vaidyanathan. Multirate Systems and Filter Banks. Prentice Hall, Englewood Cliffs, NJ, 1993.<br />
[41] Q-G. Liu et al. Simple design of oversampled uniform DFT filter banks with applications to subband<br />
acoustic echo cancellation. Signal Processing, 80 :831–847, 2000.<br />
[42] R.E. Crochiere and L.R. Rabiner. Multirate Digital Signal Processing. Prentice Hall, Englewood<br />
Cliffs, NJ, 1983.<br />
[43] J.D. Johnston. A filter family designed for use in quadrature mirror filter banks. pages 291–294,<br />
April 1980.<br />
[44] P. Tilli. Asymptotic spectral distributions of Toeplitz-related matrices. Prentice Hall, Englewood<br />
Cliffs, NJ, 1983.<br />
[45] M. Miranda and P. Tilli. Asymptotic spectra of hermitian block Toeplitz matrices and preconditioning<br />
results. SIAM J. Matrix Anal. Applic., 21 :867–881, 2000.
BIBLIOGRAPHIE 167<br />
[46] U. Grenander and G. Szegö. Toeplitz Forms and Their Applications. Prentice Hall, Englewood Cliffs,<br />
NJ, 1984.<br />
[47] R.M. Gray. Toeplitz and circulant matrices : a review. Foundations and Trends in Communication<br />
and Information Theory, 2 :155–239, 2006.<br />
[48] R.M. Gray. On the asymptotic eigenvalue distribution of Toeplitz matrices. IEEE Trans. Inform.<br />
Theory, 18 :725–730, November 1972.<br />
[49] W.E. Rodgers and R.T. Compton. Adaptive array bandwidth with tapped delay-line processing.<br />
IEEE Trans. Aerospace Electron. Syst., 15 :21–27, January 1979.<br />
[50] J.T. Mayhan, A.J. Simmon, and W.C. Cummings. Wideband adaptive antenna nulling using tapped<br />
delay-lines. IEEE Trans. Antennas Propagat., 29 :923–936, November 1981.<br />
[51] F. Wang, J. Litva, and T. Lo. Performance analysis of broadband adaptive digital beamforming.<br />
June 1993.<br />
[52] I.M. Weiss, P. Pacini, and Y.S. Kim. Thinned phased array adaptive nulling bandwidth effects. May<br />
1990.<br />
[53] F.W. Vook and R.T. Compton. Bandwidth performance of linear arrays with tapped delay-line<br />
processing. IEEE Trans. Aerospace Electron. Syst., 28 :901–908, July 1992.<br />
[54] Y.S. Kim and I.M. Weiss. Bandwidth performance of a 16-element thinned phased array with tapped<br />
delay-line filter. IEEE Trans. Antennas Propagat., 39 :562–565, April 1991.<br />
[55] R.A. Horn and C.R. Johnson. Matrix Analysis. Cambridge Press, Cambridge, 1985.<br />
[56] C-K. Li and R. Mathias. Generalized eigenvalues of a definite hermitian matrix pair. Linear Algebra<br />
and its Applications, 271 :309–321, 1998.<br />
[57] H.V. Henderson and S.R. Searle. The vec-permutation matrix, the vec operator and Kronecker<br />
products : A review. Lin. Multilin. Algebra, 9 :271–288, 1981.<br />
[58] H. Gazzah, P.A. Regalia, and J.P. Delmas. Asymptotic eigenvalue distribution of block Toeplitz<br />
matrices and applications to blind SIMO channel identification. IEEE Trans. Inform. Theory, 47,<br />
March 2001.<br />
[59] R.T. Compton. The relationship between tapped delay-line and FFT processing in adaptive arrays.<br />
IEEE Trans. Antennas Propagat., 36 :15–26, January 1988.<br />
[60] A.A. Nudelman M.G. Krein. The Markov Moment Problem and Extremal Problems. Amer Mathematical<br />
Society, June 1977.<br />
[61] Chein-I Chang. Hyperspectral Data Exploitation : Theory and Applications. Wiley-Interscience, 2007.<br />
[62] R.M. Narayanan X. Xiaojian. Three-dimensional interferometric ISAR imaging for target scattering<br />
diagnosis and modeling. IEEE Trans. Image Process., 10 :1094–1102, June 2001.<br />
[63] Gan Du Shouhong Zhang Qun Zhang, Tat Soon Yeo. Estimation of three-dimensional motion parameters<br />
in interferometric ISAR imaging. IEEE Trans. Geo. Rem. Sens., 42 :292–300, February<br />
2004.<br />
[64] S.L. Marple J. Liew. Three-dimensional fast algorithm solution for octant-based three-dimensional<br />
Yule-Walker equations. Proc. ICASSP 2005, 2 :889–892, 18-23 March 2005.<br />
[65] D.G. Manolakis V. Digalakis, V.K. Ingle. Multidimensional linear prediction and its application to<br />
digital angiography. Multidimensional Systems and Signal Processing, 4 :307–329, 1993.<br />
[66] B. Choi. An order-recursive algorithm to solve the 3-d Yule-Walker equations of causal 3-D AR<br />
models. IEEE Trans. Signal Process., 47 :2491–2502, September 1999.<br />
[67] P.J. Davis. Circulant Matrices, Pure and Applied Mathematics. Wiley, New-York, 1979.<br />
[68] P.A. Voois. A theorem on the asymptotic eigenvalue distribution of Toeplitz-block-toeplitz matrices.<br />
IEEE Trans. Signal Process., 44 :1837–1841, July 1996.
168 BIBLIOGRAPHIE<br />
[69] F. Le Chevalier. Principes et Traitement des Signaux Radar et Sonar. Masson, Paris, 2007.<br />
[70] B.R. Mohafza. Introduction to Radar Analysis. CRC Press, 1998.<br />
[71] M.I. Skolnik. Introduction to radar systems. McGraw-Hill, 2002.<br />
[72] P.Z. Peebles. Radar Principles. Wiley-Interscience, 1998.<br />
[73] I.S. Reed L.E. Brennan. Theory of adaptive radar. IEEE Trans. Aerospace Electron. Syst., 9 :237–252,<br />
March 1973.<br />
[74] S.M. Kay. Fundamentals of Statistical Signal Processing : Detection Theory. Prentice Hall, 1998.<br />
[75] H.L. Van Trees. Detection, Estimation and Modulation Theory : Detection, Estimation, and Linear<br />
Modulation Theory. John Wiley and Sons, 2001.<br />
[76] H.L. Van Trees. Detection, Estimation and Modulation Theory : Radar-Sonar Processing and Gaussian<br />
Signals in Noise. John Wiley and Sons, 2001.<br />
[77] S.D. Hayward. Effects of motion on adaptive arrays. IEE Proc. Radar, Sonar Navig., 144 :15–20,<br />
February 1997.<br />
[78] S.D. Hayward. Adaptive beamforming for rapidly moving arrays. pages 480–483, October 1996.<br />
[79] J. Ward. Space-time adaptive processing for airborne radar. MIT Technical Report 1015, MIT<br />
Lincoln Laboratory, December 1994.<br />
[80] J.G. McWhirter et al. Adaptive radar processing. December 2000.<br />
[81] C.W. Jim L.J. Griffiths. An alternative approach to linearly constrained adaptive beamforming.<br />
IEEE Trans. Antennas Propagat., 30 :27–34, January 1982.<br />
[82] R. Klemm. Space-Time Adaptive Processing : Principles and Applications. London, IEE Press, 1998.<br />
[83] W.L. Melvin. A STAP overview. IEEE Aerospace and Electron. Syst. Magazine, 19 :19–35, January<br />
2004.<br />
[84] A. Haimovich. The eigencanceler : adaptive radar by eigenanalysis methods. IEEE Trans. Aerospace<br />
Electron. Syst., 32 :532–542, April 1996.<br />
[85] I.S. Reed J.R. Guerci, J.S. Goldstein. Optimal and adaptive reduced-rank STAP. IEEE Trans.<br />
Aerospace Electron. Syst., 36 :647–661, April 2000.<br />
[86] G.H. Gierull. Statistical analysis of the eigenvector projection method for adaptive spatial filtering<br />
of interference. IEE Proc. Radar, Sonar Navig., 144 :57–63, April 1997.<br />
[87] H. Meikle. Modern Radar Systems. Artech House, 2001.<br />
[88] C. Radhakrishna Rao. Linear statistical Inference and its Applications. Wiley series in Probability<br />
and Mathematical Statistics, 1973.