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.
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 />
⎠