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.
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)