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.
6.4 Détection optimale 99<br />
reçues, l’ensemble des paramètres d’un éventuel signal utile sont inconnus. Statistiquement, cela correspond<br />
à l’absence d’a priori sur ces derniers. Pour résoudre cette difficulté, les traitements radar consistent<br />
à former un maillage de l’espace des paramètres utiles et à effectuer une détection en chacun des noeuds.<br />
Cette méthode permet de se ramener à un problème de détection avec paramètres utiles connus. Cependant,<br />
un paramètre de nuisance correspondant à la phase du signal utile est également présent. Afin de le<br />
supprimer du problème, une approche bayésienne est utilisée. Celle-ci consiste à affecter à la phase une<br />
densité de probabilité a priori uniforme. Physiquement, cette dernière hypothèse est justifiée par l’absence<br />
complète d’information sur le paramètre de nuisance. Finalement, le problème de détection étudié est donc<br />
celui d’un signal déterministe de paramètres utiles connus en présence d’un paramètre de nuisance (cf. par<br />
exemple [74–76]). La détection consiste à choisir entre les hypothèses signal présent (H1) et signal absent<br />
(H0) des données. On suppose ici que l’on dispose de données vectorielles sous les hypothèses suivantes :<br />
X = S(p) + B (H1)<br />
X = B (H0)<br />
où S(p) est le signal utile déterministe et B un bruit blanc gaussien complexe circulaire de matrice de<br />
corrélation C. Avant de procéder à la détection, un filtre linéaire sur les données est effectué. Si l’on note<br />
W le filtre appliqué sur les données, les deux hypothèses deviennent :<br />
y = W H S(p) + W H B (H1)<br />
y = W H B (H0)<br />
Le bruit filtré conserve le caractère gaussien centré et a pour variance W H CW où C désigne la matrice<br />
de corrélation du bruit. Le critère de décision ensuite utilisé est le rapport de vraisemblance :<br />
V = p(y/H1)<br />
p(y/H0)<br />
et p(y/H1) = ∫ ϕ<br />
p(y/H1,ϕ)p(ϕ)dϕ où ϕ correspond à la phase aléatoire du signal filtré. Or, en raison<br />
des hypothèses sur le bruit, la vraisemblance des données filtrées sous l’hypothèse (H0) est égale à :<br />
et sous l’hypothèse (H1) :<br />
H1<br />
><br />
<<br />
H0<br />
p(y/H0) = (2πW H CW) −1 e − 1<br />
W H CW |y|2<br />
p(y/H1) = (2πW H CW) −1 e − 1<br />
W H CW |y−WH S(p)| 2<br />
En introduisant ensuite δ la phase de y, le rapport de vraisemblance consiste à intégrer pour ϕ ∈ [0 : 2π[<br />
la quantité<br />
V =<br />
∫ 2π<br />
Après calcul [73], on obtient alors :<br />
0<br />
n<br />
e<br />
1<br />
W H CW<br />
T<br />
“<br />
2|y||W H S(p)|cos(ϕ−δ)−|W H S(p)| 2”o dϕ<br />
H1<br />
V = e −| W H S(p)| 2<br />
( ∣<br />
W H CW I 0 |y| ∣W H S(p) ∣ ) ><br />
<<br />
H0<br />
où I 0 est la fonction de Bessel modifiée d’ordre nul. Comme cette fonction est croissante, la règle de<br />
décision est équivalente à :<br />
H1<br />
|y|<br />
><br />
<<br />
H0<br />
T ′<br />
T