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 ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
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)