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.
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.