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.
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.