REPUBLIQUE ALGERIENNE DEMOCRATIQUE

ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR

ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE DE BLIDA1

INSTITUT D’AERONAUTIQUE ET DES ETUDES SPATIALES

DEPARTEMENT DE NAVIGATION AERIENNE

MÉMOIRE
Présentée pour obtenir le diplôme de
MASTER en Aéronautique

Etude de probabilité de détection des détecteurs

CFAR dans des différents environnements

OPTION : CNS/ATM
Réalisé par :

Les membres des jurys :

Mr. KOUIDER ALOUAHED Boulenouar Président des jurys
Mr. MEKRAZIA Mohamed Examinateur
Mme. AZINE Houria Examinatrice
Mme. DOUDOU Fatma Zohra Encadreuse

2016-2017
Avant tout, je remercie (Allah) DIEU qui a illuminé mon chemin
et qui m’armé de courage pour achever mes études.
Je remercie énormément avec beaucoup de respect et de confiance
Mme Doudou Faiza docteur à l’aéronautique d’avoir accepté
de m’encadrer et je lui suis très reconnaissant pour ces précieuses
aides pondant les moments difficiles de ma recherche
Je tiens à remercier les membres de jury de ce mémoire Mr.
Kouider Elouahed Boulenouar présidant des jurys, Mme.
Azine Houria et Mr. Mekarzia Mohamed les deux
examinateurs. Je tiens
à les remercier pour l’intérêt qu’ils ont porté à mon travail et leurs
remarques judicieuses.

J’adresse mes remerciements les plus chaleureux à l’ensemble des

enseignants(En commençant par mes professeurs primaires) qu’ils
n’ont pas épargné d’effort pour notre formation.

A mes parents(Ahmed et Djelloli Fatma), Vous êtes la première

raison après Dieu, qui m'a soulevé et m'a appris et vous m'avez
amené à cet endroit, Je vous le dis, je vous remercie de toutes les
profondeurs de mon cœur
 A mes frères et sœurs, ma belle-famille, j’adresse mes vifs
remerciements, pour leurs encouragements et leurs aides.
Je tiens à exprimer mes remerciements à mes amis de la cité 2 et mes
collègues.
Je dédie ce travail à :
@ Mes très chers parents (Ahmed et Djellouli fatima)
@ Mon frère (Mohamed Ali) et mes sœurs (Zahra, Khawla et
Elalia)

@ Ma belle-famille (mon grand-père, mes grande mères, mes oncles,

mes tantes et mes cousins)
@ Mes collègues du département d’aéronautique (Seghir
Abderrazzak, Bouferghour Abderrahime, Attallah Hussine …)
@ Mes frères amis (Mebarkia Sidi Ali, Hamdaoui Ismail, Bouchena
Med Elamine).
@Mes amis (Naser Abdelaziz, Regganni Abderrahmane, Salamat
Mohammed, Bedraoui Abdelaziz, Keddi Abdelmalek, Foudou
Abdelfatah, Bouchena Abdelwahab).
@Tous mes amis que j'ai rencontrés à H21(Arbaoui Abdellah,
Bahllol Ilyas, Koadri Boudjeltia Oussama, Khalas Hichame,
Abdeljalil, Amriche Ali, Mansouri Mussa, Dahmaous, chahma
Abderrahmanne, Kuidar Bouchikhi …), la citée 02 et Université.
 Résumé
Dans les systèmes Radars haute résolution HRR, contrairement au modèle ponctuel
«Point-Target», les cibles sont décrites par un ensemble de réflecteurs dominants
appelé Modèle Diffusion dominante multiple MDS.

La détection du signal est une procédure qui peut être implémentée dans diverses
applications telles que les radars, les sonars et les systèmes de communications. Le
terme RADAR signifie la détection et localisation à distance d’un objet (cible) à partir
du signal rétrodiffusé (écho) par le système radar. Aujourd’hui, les radars recouvrent
un large éventail de disciplines dans des domaines variés tels que l’aéronautique,
militaire, la marine, la météorologie, la circulation automobile…, etc. les échos qui
apparaissent sur l’image radar ne sont pas seulement produits par la réflexion des
ondes émises a partir des objets durs (bateaux, véhicules, avions,…, etc.),mais
certains échos sont produits par des obstacles indésirables (clutter) tels que
l’atmosphère, le sol, les nuages, la mer et la surface irrégulière des vagues.

Dans ce travail, le but est l’analyse des performances de détection radar pour des
milieux homogènes par les quatre détecteurs CA, GO, SO, OS_CFAR et comparaison
des probabilités de détections Résultantes à l’aide de programme de simulation
MATLAB.

Abstract

In High Resolution Radars (HRR) systems, unlike the Point-Target point model,
targets are described by a set of dominant reflectors called the Multiple Dominant
Scattering Model.

Signal detection is a procedure that can be implemented in various applications such

as radars, sonars and communications systems. The term RADAR means the remote
detection and location of an object (target) from the backscattered signal (echo) by
the radar system. Today, radars cover a wide range of disciplines in various fields
such as aeronautics, military, navy, meteorology, traffic, etc. the echoes appearing on
the radar image are not only produced by the reflection of the waves emitted from the
hard objects (boats, vehicles, planes, etc.), but some echoes are produced by
‫‪undesirable obstacles (clutter) such as atmosphere, soil, clouds, sea and the irregular‬‬
‫‪surface of the waves.‬‬

‫‪In this work, the aim is to analyze the radar detection performance for homogeneous‬‬
‫‪media by the four detectors CA, GO, SO, OS_CFAR and compare the resulting‬‬
‫‪probabilities of detections using the MATLAB simulation program.‬‬

‫ملخص‬
‫في أنظمة الرادارات عالية الدقة ‪ ،‬على عكس نموذج النقطة المستهدفة‪ ،‬يتم وصف األهداف بواسطة مجموعة‬
‫من العاكسات المهيمنة تسمى نموذج االنتثار المتعدد المهيمن‪.‬‬

‫ان كشف اإلشارة هو إجراء يمكن تنفيذه في تطبيقات مختلفة مثل الرادارات والسونار وأنظمة االتصاالت‪ .‬ويعني‬
‫مصطلح رادار الكشف عن موقع ما (الهدف) عن بعد وموقعه من اإلشارة الخلفية (إيكو) بواسطة نظام الرادار‪.‬‬
‫واليوم‪ ،‬تغطي الرادارات مجموعة واسعة من التخصصات في مجاالت مختلفة مثل الطيران والجيش والبحرية‬
‫واألرصاد الجوية وحركة المرور وما إلى ذلك‪ .‬فاألصداء التي تظهر على صورة الرادار ال تنتج فقط عن طريق‬
‫انعكاس الموجات المنبعثة من األجسام الصلبة (القوارب والمركبات والطائرات وما إلى ذلك)‪ ،‬ولكن بعض‬
‫األصداء تنتجها عقبات غير مرغوب فيها (فوضى) مثل الجو والتربة والغيوم والبحر والسطح غير المنتظم‬
‫للموجات مما يتسبب في حدوث تنبيهات خاطئة ‪.‬‬

‫في هذا العمل‪ ،‬والهدف من ذلك هو تحليل أداء الكشف الرادار للوسائط متجانسة من قبل أجهزة الكشف األربعة‬
‫ذات معدل اإلنذارات الكاذبة الثابت (متوسط الخلية‪ ,‬االعظم‪ ,‬االدنى و النظام اإلحصائي ) ومقارنة احتماالت‬
‫االكتشافات الناتجة باستخدام برنامج محاكاة ماتالب‪.‬‬
 Table de matière
Remerciement……………………………………………………………………….. I

Dédicace…………………………………………………………………………...... II

Résumé……………………………………………………………………………... III

Table de matière …………………………………………………………………… IV

Liste de figures……………………………………………………………………… V

Liste des abréviations………………………………………………………………. VI

Introduction Générale :……………………………………………………………... 01

Chapitre I. Généralités sur les systèmes radars

I.1. Historique :……………………………………………………………………... 02

I.2. Quelque définitions sur les systèmes RADAR :……………………………….. 03

I.3. Les composants d’un RADAR :………………………………………………... 03

I.4. Principe de RADAR :…………………………………………………………... 04

I.4.1. Calcul de distance :…………………………………………………….... 04

I.4.2. Calcul de la direction :………………………………………………....... 05

I.4.3. Mesure de la hauteur :………………………………………………........ 06

I.4.4. Mesure de la vitesse :……………………………………………………. 06

I.5. Classification des systèmes RADARs :………………………………………....06

I.5.1. Types des RADARs :……………………………………………………. 06

I.5.1.1. Radar imageur/non imageur :………………………………….... 06

I.5.1.2. Radar primaire :…………………………………………………. 06

I.5.1.3. Radar secondaire :……………………………………………….. 08

I.6. Equation RADAR :…………………………………………………………….. 09

I.7. Modèles statistiques de clutter et de cibles :………………………………….... 10

I.7.1. Modèles statistiques de clutter :………………………………………….. 10

I.7.2. Modèles statistiques de cibles :…………………………………………... 11

I.7.2.1. Cibles lentement fluctuantes :……………………………………. 11

I.7.2.2. Cibles rapidement fluctuantes :…………………………………... 11

I.7.3. Différentes types de bruit :……………………………………………..... 12

I.7.3.1. Bruit thermique :………………………………………………… 12

I.7.3.2. Fouillis (clutter) :………………………………………………... 12

I.7.3.3. Bord de clutter :…………………………………………………. 13

I.7.3.4. Cibles interférentes :…………………………………………….. 14

I.8. Principe de fonctionnement de RADAR :……………………………………... 14

I.8.1. Doppler à impulsion :…………………………………………………….. 14

I.8.2. Formation des cellules des portées (Range bin) :………………………… 15

I.8.3. Discrimination en distance et en vitesse :………………………………... 16

Chapitre II. La détection RADAR

II.1. Introduction :……………………………………………………………...….... 17

II.2. Rappel de quelques lois de distributions :………………………………...…… 17

II.2.1. Distribution uniforme (Uniform) :……………………………………... 17

II.2.2. Distribution Gaussien (Normal) :……………………………………… 18

II.2.3. Distribution Log Normal :……………………………………………... 22

II.2.4. Distribution de Rayleigh :……………………………………………… 23

II.2.5. Distribution de Weibull :………………………………………………. 24

II.2.6. Distribution de Gumbel :………………………………………………. 26

II.3. Théorie de la détection :……………………………………………………….. 28

II.4. Critères de décision :…………………………………………………………... 29

II.4.1. Critère de bayes :………………………………………………………. 31

II.4.2. Critère de Neyman-Pearson :………………………………………….. 31

II.5. La détection dans la présence de bruit :………………………………………. 32

II.6. La probabilité de fausse alarme :..……………………………………………. 33

II.7. La probabilité de détection :……………………………………………….….. 34

Chapitre III. La détection adaptive

III.1. Introduction :………………………………………………………………..…36

III.2. La détection à Taux de fausse alarme constante (CFAR) :…………………... 36

III.3. Détecteurs CFAR :……………………………………………………….…... 36

III.3.1. CFAR à moyenne cellulaire (CA_CFAR) :………….………………. 38

III.3.1.1. Le détecteur GO_CFAR :…………………….…………….. 39

III.3.1.2. Le détecteur SO_CFAR :…………………………………… 39

III.3.2. CFAR à statistique ordre (OS_CFAR) :…………………………........ 40

III.3.3. Détecteur à niveau moyen censuré (CMLD_CFAR) :……………….. 40

III.4. L’état de l’art des détecteur CFAR :………………………………..………… 41

III.4.1. Détecteur CFAR à niveau moyen :…………………………………… 41

III.4.2. Détecteur CFAR basé sur les statistiques ordres :………………......... 42

Chapitre IV. Discussion sur la simulation et analyse les résultats

IV.1. Introduction……………………………………………………………………44

IV.2. Discussion sue la simulation…………………………………………………..44

 IV.2.1. Programme de simulation de détecteur CA-CFAR…………………...45

IV.2.2. Programme de simulation de détecteur GO-CFAR………………….. 47

IV.2.3. Programme de simulation de détecteur SO-CFAR………………….. 49

IV.2.4. Programme de simulation de détecteur OS-CFAR………………….. 51

IV.2.5. programme qui donne la probabilité de détection dans des différents

environnements ;…………………………………………………………….. 52

IV.3. Analyse des résultats de simulation……………………………………………55

IV.3.1. Résultats de simulation de détecteur CA-CFAR…………………….. 55

IV.3.2. Résultats de simulation de détecteur GO-CFAR…………………….. 57

IV.3.3. Résultats de simulation de détecteur SO-CFAR…………………….. 58

IV.3.4. Résultats de simulation de détecteur OS-CFAR…………………….. 60

IV.4. Comparaison des résultats des quatre détecteur……………………………….63

IV.5. Conclusion …………………………………………………………………….65

Conclusion générale ………………………………………………………………..66

Les bandes des fréquences utilisées dans les systèmes radars…………………… VII

Les références …………………………………………………………………… VIII

 Liste de figures

Chapitre I
Figure (I.1) : Principe de transmission de système RADAR…………………… 04
Figure (I.2) : Génération d’écho………………………………………………… 05
Figure (I.3) : Calcul de la direction……………………………………………... 06
Figure (I.4) : Classification des systèmes Radars………………………………. 08
Figure (I.5) : Bord du clutter : Cellule sous test dans le bruit…………………... 13
Figure (I.6) : Bord du clutter: Cellule sous test dans le clutter…………………. 13
Figure (I.7) : Situation de présence de cibles Interférentes…………………….. 14
Figure (I.8) : Schéma synoptique d’un radar Doppler à impulsion…………….. 15

Chapitre II
Figure (II.1) : Fonction de densité de probabilité de la loi uniforme……………. 17
Figure (II.2) : Fonction de répartition de la loi uniforme………………………....18
Figure (II.3) : Fonction de densité de probabilité de la loi Gaussienne………….. 19
Figure (II.4) : Fonction de répartition de la loi Gaussienne……………………… 19
Figure (II.5) : Fonction de densité de probabilité de la loi log normal…………... 21
Figure (II.6) : Fonction de répartition de la loi log normal………………………. 21
Figure (II.7) : Fonction de densité de probabilité de la loi Rayleigh…………….. 22
Figure (II.8) : Fonction de répartition de la loi Rayleigh………………………… 23
Figure (II.9) : Fonction de densité de probabilité de la loi Weibull……………… 24
Figure (II.10) : Fonction de répartition de la loi Weibull………………………… 24
Figure (II.11) : Fonction de densité de probabilité de la loi Gumbel…………….. 25
Figure (II.12): Fonction de répartition de la loi Gumbel…………………………. 26
Figure (II.13): Détection d’une cible……………………………………………... 27
Figure (II.14): Les régions de décision…………………………………………… 28
Figure (II.15): Définition des quantités pour un test binaire……………………… 29
Figure (II.16): Diagramme bloc d’un détecteur d’enveloppe et récepteur de seuil.32
Figure (II.17): Bruit de la sortie du détecteur d’enveloppe………………………. 33
Figure (II.18): Pdf du bruit et du signal plus bruit………………………………... 35

Chapitre III
Figure (III.1): Détecteur optimal (quadratique)………………………………….. 37
Figure (III.2) : Effet de l’augmentation de la puissance du bruit sur la Pfa pour un
seuil fixe…………………………………………………………………………… 37
Figure (III.3) : Architecture générale de la détection adaptative CFAR…………. 38
Figure (III.4): Le détecteur CA-CFAR…………………………………………… 38
Figure (III.5): Le détecteur GO-CFAR…………………………………………... 39
Figure (III.6): Le détecteur SO-CFAR…………………………………………… 39
Figure (III.7) : Le détecteur OS-CFAR…………………………………………... 40
Figure (III.8) : Le diagramme de structure CMLD-CFAR……………………….. 41

Chapitre IV
Figure (IV.1) : Schéma bloc pour obtenir le seuil de détecteur CA-CFAR………. 46
Figure (IV.2) : Schéma bloc d’obtention le seuil de détecteur GO-CFAR…….….. 48
Figure (IV.3) : Schéma bloc de détecteur SO-CFAR…………………………..….. 50
Figure (IV.4) : Schéma bloc de détecteur OS-CFAR………………………..…….. 52
Figure (IV.5) : Courbe de Pd en fonction de SNRdB dans un environnement
homogène………………………………………………………………………….... 55
Figure (IV.6) : Résultats de Pd dans des différents environnements hétérogène….. 56
Figure (IV.7) : La Pd de détecteur GO-CFAR dans un environnement homogène.. 57
Figure (IV.8) : La Pd de détecteur GO-CFAR dans des environnements
Hétérogènes……………………………… ………………………………………... 58
Figure (IV.9): Probabilité de détection de détecteur SO-CFAR dans un environnement
homogène…………………………………………………………………….……... 58
Figure (IV.10) : Courbe de Pd en fonction de SNR de détecteur SO-CFAR dans des
environnements Hétérogènes……………………………………………………….. 59
Figure (IV.11) : La Pd de détecteur SO-CFAR dans un environnement homogène avec
k_OS=0.75………………………………………………………………………….. 60
Figure (IV.12) : La Pd de détecteur SO-CFAR dans un environnement homogène avec
k_OS=0.875………………………………………………………………………… 60
Figure (IV.13) : La Pd de détecteur OS-CFAR dans des environnements hétérogènes
avec k_OS=0.75…………………………………………………………………….. 61
Figure (IV.14) : La Pd de détecteur OS-CFAR dans des environnements hétérogènes
avec k_OS=0.875…………………………………………………………………… 62
Figure (IV.15): La Pd des quatre détecteurs dans l’environnement homogène……. 63
Figure (IV.16): La Pd de quatre détecteurs dans des environnements hétérogènes.. 64
 List des abréviations et des acronymes
RADAR: (RAdio Detection And Ranging)

CFAR: (Constant False Alarm Rate) Taux à fausse alarme constante

CA-CFAR : (Cell Averaging CFAR) CFAR à Cellule Moyenne

GO-CFAR: (Greatest Of CFAR) Le plus grand de CFAR

SO-CFAR: (Smallest Of CFAR) Le plus petit de CFAR

OS-CFAR: (Order Statistic CFAR) CFAR à statistique ordre

CMLD: (Censored Mean level Detectors) Détecteurs à niveau moyen censuré

Pfa: Probabilité de fausse alarme

Pd: Probabilité de détection

SNR: (Signal Noise Rate) Rapport signal sur bruit

Inter : cible interférente

Target : cible

CUT: (Cell Under Test) cellule sous test

T: facteur de multiplication

Pm : probabilité de non-détection
 INTRODUCTION Générale
Introduction Générale :

Le radar est un système électromagnétique utilisé pour détecter la présence d’objets mobiles et
déterminer leur trajectoire, leur vitesse, leur point de contact le plus proche, et d'autres données, en
transmettant des ondes radioélectriques. Il en extrait alors l'information nécessaire sur la cible à partir
du signal échoïque
De nos jours, ce système est devenu un élément indispensable à la mise en œuvre d’une aviation
moderne. Associé à des ordinateurs électroniques qui traitent instantanément les informations reçues
et les transforment pour les visualiser et les exploiter immédiatement. Aujourd’hui, les radars
recouvrent plusieurs disciplines dans des domaines variés tels que le militaire, l’aéronautique, la
marine, la météorologie, …, etc. Les échos qui apparaissent sur l'image radar ne sont pas seulement
produits par la réflexion des ondes émises à partir des objets durs (bateaux, véhicules, avions, …,
etc.) mais certains échos sont produits par des obstacles indésirables (clutter) tels que, l’atmosphère,
le sol, les nuages, la mer, la surface irrégulière des vagues, en particulier par la crête des vagues
lorsque l'échelle radar sélectionnée est petite, …, etc. En pratique, le signal réfléchi par un objet est
noyé dans le clutter et le bruit thermique et le problème se ramène donc à la détection d’une cible
dans un environnement non stationnaire. L’objectif principal dans la détection du signal radar est
donc la conception d’une structure optimale du récepteur selon certains critères qui sont déterminés
par le type d’environnement de détection de la cible. En réalité, les modèles statistiques des signaux
reçus ne sont pas disponibles à priori mais peuvent changer avec le temps. Dans le problème de
détection des objets dans un bruit statistiquement non-stationnaire, la détection classique avec un
seuil fixe ne peut être utilisée car la probabilité de fausse alarme (Pfa) est affectée par la puissance de
celle-ci. Cependant, une nouvelle procédure de détection dite détection CFAR (Constant False Alarm
Rate) adoptée dans les années soixante a été considérée comme une technique adaptative de
traitement numérique des échos radar pour la détection automatique des cibles. En outre, le contrôle
en temps réel du taux de fausse alarme est assuré par l’algorithme CFAR, en dépit des variations
aléatoires des paramètres du clutter et/ou en présence des cibles interférentes. Dans les détecteurs
CFAR, l’algorithme du seuil de détection utilise les valeurs des sorties des cellules de portée/Doppler
adjacentes de la cellule sous test (CUT: Cell Under Test) pour déterminer l’estimation de la puissance
du clutter qui permet à la Pfa d’être maintenue à une valeur désirée approximativement constante.
Dans ce mémoire, nous analysons les performances de détection radar, nous commençons par
une présentation générale des systèmes radar, leurs caractéristiques, les différents types et principes
de fonctionnement avec quelques notions sur les modèles de distribution statistique et quelques
définitions sur les clutters, le deuxième chapitre est consacré à détection radar, sa théorie, quelques
lois de distribution, des critères de décision (Bayes, Neyman-Pearson). Le chapitre III est considéré
comme introduction pour le quatrième chapitre, on met en évidence la détection adaptive. Pour le
dernier chapitre nous proposons de traiter le problème de la détection, à l’aide de programmes
MATLAB, dans un environnement homogène avec la présence de clutters distribué de façon
homogène pour quatre types de détecteurs le CA, GO, SO et l’OS-CFAR et nous proposons aussi
d’établir une comparaison entre les performances de détection des quatre détecteurs. Enfin, on
termine notre travail par une conclusion générale ainsi que des perspectives

1
 Chapitre 01 : Généralités sur les systèmes radars

I. Généralités sur les systèmes radars :

1.1. Historique :

Il serait vain de chercher à attribuer l'invention du Radar à un savant en particulier, ou à une

nation unique. On doit plutôt considérer le « Radar » comme le résultat de l'accumulation de
nombreuses recherches menées antérieurement, et auxquelles les scientifiques de plusieurs pays ont
parallèlement participé. Au fil de cette histoire il existe néanmoins des points de repère qui
correspondent à la découverte de quelques grands principes de base ou à des inventions importantes:

- En 1865, le physicien anglais James Clerk Maxwell développe sa théorie de la lumière

électromagnétique (Description de l'onde électromagnétique et de sa propagation) et en 1886,
le physicien allemand Heinrich Rudolf Hertz démontra l'existence physique des ondes
électromagnétiques qui confirment ainsi la théorie de Maxwell.
- En 1904, le technicien allemand spécialiste des ondes hertziennes, Christian Hülsmeyer,
invente le «Telemobiloscop», appareil de prévention des collisions en mer. Il mesure le temps
de parcours de l'onde électromagnétique, sur le trajet aller-retour, entre l'antenne et un objet
métallique (navire). Un calcul de la distance est donc possible. Il s'agit du premier test pratique
d’un appareil qui suit les principes de ce que sera le radar plus tard. Hülsmeyer dépose un
brevet de son invention en Allemagne, en France et au Royaume-Uni.
- En 1921, Albert Wallace Hull développe un oscillateur à haut rendement, le magnétron, qui
servira plus tard comme source de l’onde radar.
- En 1922, A. H. Taylor et L. C. Young, du Naval Research Laboratory (USA), détectent pour
la première fois un navire en bois dans une expérience assez similaire à celle de Hülsmeyer.
- En 1930, L. A. Hyland, également du Naval Research Laboratory, réalise la première
détection d'un aéronef.
- En 1934, faisant suite à une étude systématique du magnétron, des essais sur des systèmes
de détection par ondes courtes sont menés en France par la CSF (16 et 80 cm de longueur
d'onde) selon les principes de Nicolas Tesla. Un brevet est déposé (brevet français n° 788795).
Le premier équipa en 1934 le cargo Orégon, suivi en 1935 par celui du paquebot Normandie.
- En 1935, faisant suite à un brevet déposé par Robert Watson-Watt (l’inventeur dit « officiel
» du radar) (brevet anglais GB593017), le premier réseau de radars est commandé par les
Britanniques et portera le nom de code Chain Home. En 1936, Met calf et Hahn développent
le klystron. Utilisé comme amplificateur ou oscillateur, il sera un autre équipement important
du radar.

Depuis la 2ème guerre mondiale, les radars sont utilisés dans de nombreux domaines allant de la
météorologie à l'astrométrie en passant par le contrôle routier et aérien.

- Dans les années 1950, l'invention du radar à synthèse d'ouverture a ouvert la voie à
l'obtention d'images radar à très haute résolution. En 1965, Cooley et Tuckey redécouvrent la
transformée de Fourier rapide qui a pris tout son intérêt surtout lorsque l'informatique a
commencé à devenir suffisamment performante. Cet algorithme est à la base de la plupart des
traitements radar numériques d'aujourd'hui.

2
 Chapitre 01 : Généralités sur les systèmes radars
Différents équipements radar sont développés aux USA, en Russie, en Allemagne, en France et au
Japon, accélérées par la montée en puissance vers une guerre qui semble inévitable, et par le
développement général de l’arme aérienne. Les recherches dans le domaine de la technologie radar
génèrent des avancées techniques significatives durant la seconde guerre mondiale. Pendant la guerre
froide, des radars sont déployés en grande quantité de part et d’autre du «rideau de fer», et en
particulier le long des frontières allemandes.
D’autre part, le radar fait son apparition dans le domaine civil après le conflit. En premier, c’est le
domaine de l’aviation civile qui en est équipée, permettant un rapide développement du contrôle
aérien. Il se répand ensuite dans des domaines aussi divers que la détection des précipitations en
météorologie, l’étude des planètes en astronomie, le contrôle de la vitesse sur les routes et la détection
des artefacts archéologiques dans le sol.

1.2. Quelques définitions sur le système radar :

- RADAR : (RAdio Detection And Ranging) est un système qui utilise les ondes
électromagnétiques pour détecter la présence et déterminer la position ainsi que la vitesse
d'objets tels que les avions, les bateaux, ou la pluie. Les ondes envoyées par l'émetteur sont
réfléchies par la cible, et les signaux de retour (appelés écho radar ou écho-radar) sont captés
et analysés par le récepteur, souvent situé au même endroit que l'émetteur.
- Onde électromagnétique : est un modèle utilisé pour représenter les rayonnements
électromagnétiques. Il convient de bien distinguer : le rayonnement électromagnétique, qui
est le phénomène étudié, et l'onde électromagnétique, qui est une des représentations du
phénomène. Une autre représentation prend en compte l'existence du photon.
- Cible : Au sens large du terme, une cible (traget en anglais) est l’objet qui interfère avec
l’onde émise et réfléchit une partie de l’énergie vers le radar.
- Bruit : (en anglais CLUTTER) toute composante non désirée affectant la sortie d'un
dispositif indépendamment du signal présent à son entrée. Il représente les objets non désirées
(réflexion de la mer, de la terre, pluie, oiseaux, météorites…….) qui interceptent aussi
l’énergie et la renvoient.

1.3. Les composants d’un radar :

- Emetteur : qui produit l'onde électromagnétique.

- Guide d'onde : qui amène l'onde vers l'antenne sur les radars à hyperfréquences
(fréquences supérieures au gigahertz) ;
- Duplexeur : est un commutateur électronique, qui dirige l'onde vers l'antenne lors de
l'émission puis le signal de retour depuis l'antenne vers le récepteur lors de la réception quand
on utilise un radar mono statique. Il permet donc d'utiliser la même antenne pour les deux
fonctions. Il est primordial qu'il soit bien synchronisé, puisque la puissance du signal émis est
de l'ordre du mega-watt ce qui est trop important pour le récepteur qui, lui, traite des signaux
d'une puissance de l'ordre de quelques nano-watts. Au cas où l'impulsion émise serait dirigée
vers le récepteur, celui-ci serait instantanément détruit.

3
 Chapitre 01 : Généralités sur les systèmes radars
- L'antenne : dont le rôle est de diffuser l'onde électromagnétique vers la cible avec le
minimum de perte. Sa vitesse de déplacement, rotation et/ou balancement, ainsi que sa
position, en élévation comme en azimut, sont généralement asservies mécaniquement, mais
parfois aussi électroniquement (voir l'article Antenne réseau à commande de phase). L'antenne
est sollicitée tant en émission qu'en réception. Ces deux fonctions peuvent être cependant
séparées entre deux antennes dans le cas de radars multistatiques ;
- Récepteur : qui reçoit le signal incident (cible - antenne - guide d'ondes - duplexeur), le fait
émerger des bruits radios parasites, l'amplifie, le traite ;
- Etage de traitement de signal : permettant de traiter le signal brut afin d'en extraire des
données utiles à l'opérateur (détection, suivi et identification de cible, extraction de paramètres
météorologiques, océanographiques, etc.). Le tout est contrôlé par le système électronique du
radar, programmé selon un logiciel de sondage. Les données obtenues sont alors affichées aux
utilisateurs.

1.4. Principe de radar :

Le principe utilisé par les radars est voisin de celui de la réflexion des ondes sonores. Lorsque
vous criez dans la direction d'un objet qui peut réfléchir le son de votre voix, vous en entendez l'écho.
Si vous connaissez la vitesse du son dans l'air, vous pouvez alors estimer la distance et la direction
générale de l'objet. Le radar utilise des impulsions d'énergie électromagnétique à peu près de la même
manière. Un émetteur puissant diffuse, au moyen d'une antenne (balayeur), une énergie
électromagnétique sous forme d’un faisceau concentré dans la direction souhaitée. L'énergie rayonnée
dans les limites du faisceau se propage vers son objectif à la vitesse de la lumière. Quand celle-ci
frappe un obstacle, une fraction de cette énergie est réfléchie (écho radar) et captée au retour en un
court laps de temps après la transmission, par un récepteur sensible de différentes manières en
fonction des caractéristiques de l’onde émise ainsi que la forme, composition et l’état physique de la
cible. Ce signal échoïque est ensuite amplifié et transformé en signal visuel sur l'écran (indicateur),
qui est parfois un moniteur d'ordinateur. Sachant que les émetteurs et récepteurs radar sont
généralement situés au même endroit

Figure (I.1) : Principe de transmission de système RADAR

4
 Chapitre 01 : Généralités sur les systèmes radars

1.4.1. Calcul de distance :

La mesure de la distance à un objet est faite d’une façon a émettre une courte impulsion de signal
radio, et de mesurer le temps d'aller-retour de l'onde émise. La distance est la moitié du temps de
retour de l'onde (car le signal doit aller à la cible puis revenir) multipliée par la vitesse du signal (qui
est proche de la vitesse de la lumière dans le vide si le milieu traversé est l'atmosphère).

𝑐.∆𝑇
𝐷= ……………………………………………………………………… (1.4.1)
2

D : la distance entre l’antenne et la cible par mètre (m).

c: la vitesse de la lumière (𝑐 = 3. 108 𝑚⁄𝑠).

Le signal reçu aura la même forme que le signal émis mais il sera très faible et toujours accompagné
d'un bruit de fond provenant :
 Soit du bruit atmosphérique, qu'on ne peut réduire à zéro.
 Soit du bruit propre du récepteur, qu'on ne peut réduire à zéro.
 Soit même d’un brouillage du par exemple a un ennemi non coopérant (ou à un animal a
droit).

Figure (I.2) : Génération d’écho

𝑇𝑅 : Période de répétition des impulsions.
𝜏 : Durée de l’impulsion.
∆𝑇 : Temps correspondant à un aller-retour de l'onde entre le radar et la cible

1.4.2. Calcul de la direction :

La façon qui permet de connaître la direction d'une cible est basée sur un calcul d'angle entre la
direction du nord et celle de la cible (azimut). La directivité (gain directif) est la capacité de l'antenne
à concentrer l'énergie rayonnée dans une direction particulière. Une antenne à forte directivité est
appelée "antenne directive". En déterminant la direction dans laquelle est pointée l'antenne à l'instant
où elle reçoit un écho, on peut déterminer non seulement l'azimut mais aussi le site de la cible (donc
son altitude). La précision de la mesure de ces angles dépend de la directivité de l'antenne. Pour une
fréquence émise donnée (ou une longueur d'onde définie), la directivité d'une l'antenne est fonction
de ses dimensions propres. Les radars émettent normalement de très hautes fréquences pour les
raisons suivantes:

5
 Chapitre 01 : Généralités sur les systèmes radars
- propagation quasi rectiligne de ces ondes.

- Haute résolution (plus la longueur d'onde est courte, plus le radar est capable de détecter un
petit objet).
- Encombrement réduit de l'antenne (plus on augmente la fréquence du signal rayonné, plus la
directivité est grande pour une antenne de taille donnée).

Figure (I.3) : Calcul de la direction

L'azimut d'une cible détectée par un radar est l'angle entre la direction du nord et celle de la ligne
directe antenne cible comme il est indiqué sur la figure I.3. Cet angle se mesure dans le plan
horizontal, dans le sens des aiguilles d'une montre, et à partir du nord.

1.4.3. Mesure de la hauteur :

La hauteur d'une cible par rapport à la surface du globe terrestre est appelée 'Altitude'. Elle peut être
calculée en multipliant la distance oblique D de la cible par le sinus de son angle d’élévation.

1.4.4. Mesure de vitesse :

Il existe différentes méthodes pour mesurer la vitesse de déplacement d'une cible. La plus ancienne
consiste à noter sa position à un instant, à l'aide d'un crayon gras, sur l'affichage radar. À un autre
instant, on refait la même chose et la différence des deux positions divisée par le temps écoulé entre
les deux instants, donne la vitesse de déplacement.

1.5. Classification des systèmes radar :

1.5.1. Type des radars :

En fonction des informations qu'ils doivent fournir, les équipements radars utilisent des qualités
et des technologies différentes. Ceci se traduit par une première classification des systèmes radars.

1.5.1.1. Radars imageurs / Radars non imageurs :

Un radar imageur permet de présenter une image de l'objet (ou de la zone) Observé. Les radars
imageurs sont utilisées pour cartographier la terre, les autres planètes, les astéroïdes, etc. Ils offrent
aux systèmes militaires une capacité de classification des cibles.

6
 Chapitre 01 : Généralités sur les systèmes radars
Des exemples typiques de radar non imageur sont les cinémomètres radars (les petits, sur le bord de
la route..) et les radios altimètres. Ce type de radar est également appelé diffusomètres puisqu'il
mesure les propriétés de réflexion de la région ou de l'objet observé.

1.5.1.2. Radars primaires :

Un radar primaire (primary surveillance radar ou PSR en anglais) émet des impulsions
hyperfréquences à l'aide d'une antenne, les impulsions sont partiellement réfléchies par l'objet volant
et reviennent à l'antenne. Un récepteur mesure le temps entre l'émission et le retour des impulsions.
Cette durée et la direction de l'impulsion permettant de calculer la position de l'objet volant. Il existe
aujourd'hui des radars primaires avec déterminations de la position en deux dimensions (2D) (distance
et azimut) ou en trois dimensions (3D) (distance, azimut, altitude). Les radars primaires permettant
de détecter et de suivre dans l'espace aérien surveillé tous les objets qui réfléchissent suffisamment
les ondes radars (y compris les phénomènes météorologiques, les vols d'oiseaux, les échos de sol,
etc....).

A) Radars à impulsions :

Les radars à impulsions émettent des impulsions de signal hyperfréquence à forte puissance,
puis il attend l'écho du signal transmis pendant un certain temps avant qu'elle ne transmette une
nouvelle impulsion. Radar à impulsions est généralement utilisé lorsque cela est nécessaire pour
détecter des cibles au sein d'un certain volume de l'espace et de déterminer la distance et le relèvement
et dans certains cas, la vitesse de chaque cible. Le système de radar pulsé nécessitent généralement
l'émission de grandes puissances et peut-être très complexe et coûteuse.

B) Radars à onde continue :

Un radar à onde continue (CW) ou à ondes entretenues est un type de radar caractérisé par
l'émission d'ondes en continu, modulées en fréquence ou non. Les radars à ondes entretenues émettent
sans interruption un signal hyperfréquence. L'écho est donc reçu et traité continuellement. Pour
empêcher l'énergie émise d'entrer directement dans le récepteur et de contaminer celle revenant de la
cible.
Ce type de radar émet et reçoit :

- soit avec deux antennes différentes (radar bi-statique).

- soit mesure l’écart de fréquence entre les deux signaux en utilisant la même antenne.
Les radars à onde continue sont de deux types :

a) Radars à onde continue non modulée :

Le signal émis par ces équipements est constant en amplitude et en fréquence. Spécialisés dans
la mesure des vitesses, les radars à onde continue non modulé ne permettent pas de mesurer les
distances. Ils sont employés par exemple par la gendarmerie pour les contrôles de vitesse sur les
routes (cinémomètres radars).

7
 Chapitre 01 : Généralités sur les systèmes radars

b) Radars à onde continue Modulée :

L'inconvénient des radars CW est leur incapacité à mesurer des distances, puisqu'ils ne
produisent pas les impulsions servant de tops d'horloge. La variation de la fréquence émise apporte
une solution à ce problème. Dans cette méthode, la variation permanente du signal émis autour d'une
fréquence fixe de référence est utilisée pour détecter des cibles fixes. Lorsqu'un écho est reçu par le
radar, la fréquence du signal réfléchi par la cible peut être mesurée. En se référant à l'instant où la
même valeur de fréquence a été émise, il devient possible de mesurer le temps entre l'émission et la
réception de cette fréquence, donc la distance radar-cible, comme pour un radar à impulsions. Comme
il est généralement difficile d'émettre “proprement” des fréquences aléatoires, les radars à onde
continue modulée en fréquence (FMCW) font varier progressivement la fréquence de leur signal au
rythme de rampes ascendantes et descendantes. Ce type d'équipement est souvent utilisé comme
« radio-altimètre ».
Le radio-altimètre est utilisé pour mesurer la hauteur exacte d'un avion durant la phase
d'atterrissage.

1.5.1.3. Radars secondaires :

Le radar secondaire fonctionne selon un principe différent : la cible qu’il éclaire génère (de
façon active) les signaux de réponse. Le radar secondaire transmet des impulsions hyperfréquences
(appelées interrogations). Celles –ci n’ont pas pour but d’être réfléchies, la cible étant équipée d’un
transpondeur qui les reçoit et les traites. Ensuite le transpondeur met en forme et émet un message
de réponse qui peut être reçu et décodé par notre radar secondaire. Dans le cas des radars
secondaires, la coopération nécessaire de la cible (utilisation d’un transpondeur) permet une très
forte réduction de la puissance émise (par rapport à un radar primaire offrant une portée de
détection identique).

Figure (I.4) : Classification des systèmes Radars

8
 Chapitre 01 : Généralités sur les systèmes radars

1.6. Equation radar :

L’équation du radar est une fonction reliant la portée du radar aux caractéristiques de l’émetteur, le
récepteur, l’antenne, la cible et l’environnement. Elle est non seulement un moyen de déterminer la
distance maximale entre la cible et le radar, mais également un outil essentiel à la conception radar
Par définition, la portée maximale R est la distance au-delà de laquelle la cible ne peut être détectée,
cela se produit quand la puissance reçue P devient inférieure ou égale au signal minimal détectable
S, ainsi une des formes de l’équation radar est la suivante :

1
𝑅𝑚𝑎𝑥 = [𝜎𝐺𝑃𝑡 𝐴𝑒 ⁄(4𝜋)2 𝑆𝑚𝑖𝑛 ]4 ………………………………………………. (1.6.1)

Où Ae et σ représentent respectivement la surface effective de l’antenne réceptrice et la surface

équivalente du radar (RCS : Radar Cross Section), G le gain de l’antenne directive, Pt la puissance
totale transmise et Smin le signal minimum détectable. D’une autre part, on a le paramètre Fn comme
étant la mesure de la dégradation du rapport signal sur bruit, lorsque le signal traverse le récepteur.

𝑆𝑖
⁄𝑁 (𝑆𝑁𝑅)𝑖
𝐹𝑛 = 𝑆0
𝑖
= ……………………………………………………………. (1.6.2)
⁄𝑁 (𝑆𝑁𝑅)0
0

Où Si et Ni représentent respectivement la composante du signal et celle du bruit à l’entrée du

récepteur. S0 et N0 représentent respectivement le composant signal et la composante bruit à la sortie
du récepteur. (SNR)i et (SNR)0 correspondent ainsi aux rapports signal sur bruit à l’entrée et à la
sortie du récepteur. Le bruit à l’entrée du récepteur, peut être écrit sous la forme :

𝑁𝑖 = 𝑘𝑇0 𝐵𝑛 ……………………………………………………………………. (1.6.3)

Où k est la constante de Boltzmann, T0 est la température standard (290 K) et Bn la bande passante

du récepteur. En utilisant les équations (1.6.2) et (1.6.3), l’expression de Si devient :

𝑘𝑇0 𝐹𝑛 𝐵𝑛 𝑆
𝑆𝑖 = 𝑆0 = 𝑘𝑇0 𝐹𝑛 𝐵𝑛 ( 0 )…………………………………….………… (1.6.4)
𝑁0 𝑁 0

Quand le (SNR) est minimum, Si devient égal au signal minimum détectable Smin, c'est-à-dire:

𝑆
𝑆𝑚𝑖𝑛 = 𝑘𝑇0 𝐹𝑛 𝐵𝑛 ( 0 ) ………………………………………………..…… (1.6.5)
𝑁 0 𝑚𝑖𝑛

La portée maximale en fonction du (SNR) minimum s’écrit alors :

1
4
𝜎𝐺𝑃𝑡 𝐴𝑒
𝑅𝑚𝑎𝑥 = [ 𝑆 ] ……………………………………..…………. (1.6.6)
(4𝜋) 𝑘𝑇0 𝐹𝑛 𝐵𝑛 ( 0 )
2
𝑁0 𝑚𝑖𝑛

9
 Chapitre 01 : Généralités sur les systèmes radars

1.7. Modèles statistiques de clutter et de cibles :

1.7.1. Modèles statistiques de clutter :

La modélisation du clutter dépend de l’application radar en question. En effet, dans les radars
à basse résolution, la largeur d’impulsion est supérieure à 0.5 μs. Si de plus la détection se fait à des
angles d’incidence (grazing angles) supérieurs à 5 degrés, le clutter de surface peut être modélisé par
une distribution Gaussienne de moyenne nulle et de variance constante (clutter uniforme). En
revanche, dans certains environnements, l’utilisation d’un radar haute résolution s’avère indubitable
(largeur d’impulsion inférieure à 0.5 μs). Pour ce cas, les données expérimentales correspondant à ce
type de clutter ont montré qu’elles obéissent à une distribution présentant une queue plus étalée ou
lourde (long or heavy tail) que celle de la Gaussienne. Conséquemment, pour détecter des cibles dans
ce type de clutter, il est nécessaire de modéliser l’environnement par des distributions non-
Gaussiennes. Dans la littérature radar, les modèles statistiques pouvant suppléer à l’absence d’un
clutter Gaussien sont les distributions Weibull, log-normal et K. Pour ce faire, le tableau I.1 résume
quelques cas de clutter non-Gaussien.

Tableau (I.1) : Exemples d'environnements Gaussien et non-Gaussiens

10
 Chapitre 01 : Généralités sur les systèmes radars

1.7.2. Modèles statistiques de cibles :

La cible représente le dispositif ou l'objet que nous voulons détecter. Pour cela, elle doit se
situer au-dessus de l'horizon radar et doit pouvoir renvoyer un écho suffisamment puissant. La
puissance d'un écho renvoyé par une cible dépend grandement de la largeur de celle-ci et de sa hauteur
au-dessus de l'horizon radar. Ces facteurs ne sont cependant pas suffisants. En effet, une petite cible
très réfléchissante peut fort bien renvoyer un écho supérieur à celui d'une cible plus importante mais
dont le pouvoir de réflexion est faible. Dans la théorie de la décision statistique, une cible peut être
caractérisée par un signal écho dont l’amplitude ou le RCS est inconnu et non fluctuant, aléatoire et
suivant une loi Rayleigh ou alors aléatoire et suivant une loi one-dominant-plus Rayleigh .
Le premier modèle considère la cible comme étant un ensemble de plusieurs réflecteurs élémentaires
de même taille. L’enveloppe du signal réfléchi d’une telle cible à la sortie du détecteur quadratique
suit une loi de Rayleigh de la forme:

𝑥 −𝑥 2
𝑓(𝑥) =
𝜎 2
𝑒𝑥𝑝 (
2𝜎 2
), x ≥ 0 ................................................................................ (1.7.1)

Où x est l’amplitude du signal et σ2 la variance de la cible qui est proportionnelle à son RCS.
Le second modèle suppose qu’elle est considérée d’un gros réflecteur entouré de plusieurs petits
réflecteurs. A la sortie du détecteur quadratique, l'enveloppe suit une loi de la forme:

9𝑥 3 −3𝑥 2
𝑓(𝑥) =
2𝜎 4
𝑒𝑥𝑝 (
2𝜎 2
), x ≥ 0…………………………………………………. (1.7.2)

Généralement, la majorité des cibles radar sont fluctuantes car leurs dimensions sont plus importantes
que la longueur d'onde. Cependant, seuls les cibles sphériques ou les coins de réflecteurs vus sous un
angle constant sont non fluctuants (RCS constant). D'autre part, notons que pour une même valeur de
la probabilité de détection, les cibles non fluctuantes requièrent un SNR.

Plus petit que celui requis par des cibles fluctuantes. De plus, pour les cibles fluctuantes, le SNR est
fonction du type de fluctuation. Pour étudier le signal cible dans plusieurs cas, il est nécessaire de
prendre en compte les mouvements de la cible sur sa trajectoire pendant le temps d'exposition TOT
(Time On Target). Deux types de fluctuations sont considérés. Cible lentement fluctuante ou
fluctuante d’un balayage à un autre (scan to scan Target) et cible rapidement fluctuante ou fluctuante
d’une impulsion à une autre (pulse to pulse Target).

1.7.2.1. Cible lentement fluctuante :

L'écho de cible ne change pas pendant l'émission des N impulsions (TOT). Par conséquent,
les échantillons reçus sont les mêmes pour toutes les impulsions; il s'agit d’une seule réalisation
d'une même variable aléatoire.

11
 Chapitre 01 : Généralités sur les systèmes radars
1.7.2.2. Cible rapidement fluctuante :

L'écho change de valeur d'une impulsion à l'autre. Donc les échantillons reçus sont des
réalisations différentes de la même variable aléatoire. Swerling a observé et classifié les cibles selon
les fluctuations de leur RCS en cinq modèles statistiques appelés Swerling 0 ou V (modèle non-
fluctuant), Swerling I, II, III et IV (modèles fluctuants). A partir des distributions et ainsi que des
degrés de fluctuation, les quatre modèles Swerling fluctuants sont définis comme suit:

 Swerling I (SWI): Cible lentement fluctuante dont l'enveloppe du signal varie selon
la loi (7).
 Swerling II (SWII): Cible rapidement fluctuante dont l'enveloppe du signal varie
selon la loi (7).
 Swerling III (SWIII): Cible lentement fluctuante dont l'enveloppe du signal varie
selon la loi (8).
 Swerling IV(SWIV): Cible rapidement fluctuante dont l'enveloppe du signal varie
selon la loi (8).

1.7.3. Différents types de bruit :

Il existe de nombreuses sources de signaux indésirables que les radars doivent pouvoir ignorer
plus ou moins, afin de se focaliser uniquement sur les cibles d’intérêt. Ces signaux peuvent avoir des
origines passives et actives, internes (bruit thermique) et externes (cibles interférentes et/ou fouillis
(clutter)), En général, la puissance du clutter est beaucoup plus élevée que celle du bruit thermique.
La capacité d’un radar à surmonter ces nuisances définit son rapport signal sur bruit (SNR). Plus le
SNR est grand, plus le radar peut séparer efficacement une cible des signaux parasites.

1.7.3.1. Bruit thermique :

Le bruit thermique est une source interne de variations aléatoires du signal, que tous les
composants électroniques génèrent de façon inhérente à différents degrés. Il apparaît typiquement
comme constitué de variations aléatoires superposées au signal d’écho reçu par le radar, lequel est
celui qu'on recherche. Plus la puissance du signal désiré est faible, plus il est difficile de le discerner
du bruit thermique (tenter d’entendre un murmure près d’une route encombrée est similaire). Ainsi,
les sources de bruit thermique les plus importunes apparaissent au niveau du récepteur et beaucoup
d’efforts sont faits pour minimiser ces facteurs. Le facteur de bruit est une mesure du bruit produit
par un récepteur comparé à celui produit par un récepteur idéal. Ce ratio doit être minimal. Dans le
cas des radars modernes, grâce aux hautes performances de leurs récepteurs, le bruit interne est
inférieur ou égal au bruit de l’environnement extérieur, sauf si le radar est pointé vers un ciel dégagé,
auquel cas l’environnement est si froid qu’il génère très peu de bruit thermique.

1.7.3.2. Fouillis (clutter) :

Nous pouvons classifier les clutter en deux grandes familles. Les clutter de surface qui peuvent
représenter les échos de la mer et de la terre et les clutter de volume qui sont généralement liés aux
phénomènes météorologiques. Ces deux types de clutter sont tels que le rapport du signal sur clutter
(Signal to Clutter Ratio, SCR) est très grand par rapport au rapport signal sur bruit (Signal to Noise
Ratio, SNR). La présence des interférences induit, quant à elle, un rapport signal à interférence (Signal

12
 Chapitre 01 : Généralités sur les systèmes radars
to interference Ratio, SIR) beaucoup plus grand que le SNR. Le clutter peut être considéré comme
homogène ou non homogène. Le non homogénéité est causé essentiellement par l’effet de bord de
clutter et/ou par la présence des cibles interférentes.

1.7.3.3. Bord de clutter :

Dans la détection radar, une transition entre deux milieux de natures différentes telle que la
transition d'un milieu terrestre vers un milieu maritime ou d'une zone claire vers une zone nuageuse
et inversement produit un changement brusque dans la puissance du clutter. Cette transition est
appelée bord de clutter. Elle pose deux types de problèmes dans la détection. Le premier se produit
lorsque la cellule sous test (CST) baigne dans le bruit thermique alors qu’une partie des cellules de
référence contient du clutter et du bruit thermique. Dans ce cas, le niveau du seuil de détection
augmente, ce qui a pour effet de dégrader la détection. Ce phénomène est appelé effet de masque
(Masking Effect) et est illustré dans la figure I.5. Le deuxième problème, quant à lui, se manifeste
lorsque la cellule sous test baigne dans le bruit thermique et le clutter, alors qu'une partie des cellules
de référence contient du bruit thermique uniquement. Dans ce cas, comme le montre la figure I.6, le
seuil de détection diminue et le nombre de fausses alarmes devient important.

Figure (I.5) : Bord du clutter : Cellule sous test dans le bruit.

Figure (I.6) : Bord du clutter: Cellule sous test dans le clutter

13
 Chapitre 01 : Généralités sur les systèmes radars
1.7.3.4. Cibles interférentes :

Ils peuvent apparaître dans une ou plusieurs cellules de référence sous forme de pics. Elles
peuvent se situer en aval ou en amont de la cellule sous test. Dans ce cas, le seuil de détection
augmente et par conséquent, la probabilité de détection diminue. Ce phénomène que nous avons
illustré en figure I.7, est connu sous le nom de l’effet de capture (Capture Effect). La figure montre
une situation dans laquelle il y a une mixture de tous les cas précédents. Ceci rend donc la détection
extrêmement complexe et fait de ce modèle le cas le plus général.

Figure (I.7) : Situation de présence de cibles Interférentes

1.8. Principe de fonctionnement de radar :

Dans un système radar, un émetteur puissant diffuse au moyen d’une antenne directive une
énergie électromagnétique concentrée dans une direction souhaitée, l’énergie rayonnée dans les
limites du faisceau se propage en direction de son objectif à la vitesse de la lumière et quand celle-ci
rencontre un obstacle, une petite partie de l’énergie transmise est réfléchie par la cible dans la
direction du radar, formant ce qu’on appelle ‘le signal écho’. Ce dernier est capté après sa
transmission, par un récepteur sensible. Le radar détermine ainsi la portée de la cible en mesurant le
temps écoulé entre l'émission de l’impulsion et le retour de l'écho. L’élévation, l’azimut et la vitesse
radiale sont également déterminées moyennant des techniques plus au moins sophistiquées.

1.8.1. Doppler à impulsions :

Le schéma synoptique d’un radar à impulsions est montré dans la Figure I.8. L’onde d’émission Fe
= Fi + Fl est formée du mélange d’un signal de fréquence intermédiaire F et un autre signal de
fréquence F qui sont générées respectivement à partir des oscillateurs ‘stable’ et ‘local’. Cette onde
(HF) subit un découpage commandé et périodique de durée (Modulation) à la cadence de Fr = (1 /
Tr), ou Tr représente la période de répétition des impulsions. Ensuite, elle est amplifiée à l’aide
d’amplificateurs de puissance, avant d’être rayonnée dans l’espace à l’aide d’une antenne directive.
A la réception, le signal reçu a une fréquence Fi ± Fd, où Fd est la fréquence radiale du radar qui est
fonction de la vitesse radiale de la cible. Ce signal subit une amplification en puissance avant de subir
par un filtrage adapté à la forme de l’impulsion émise pour obtenir un signal centré sur la fréquence

14
 Chapitre 01 : Généralités sur les systèmes radars
intermédiaire Fi. Le traitement MTI (Moving Target Indicator) permet la séparation des échos fixes
(clutter) des cibles mobiles et d’éliminer partiellement le clutter, son principe repose sur la
différentiation des vitesses radiales (la vitesse des cibles fixes étant nulle).
Après démodulation, le signal résultant sera appliqué à un détecteur quadratique, formé d’un canal
en phase (I) et d’un canal en quadrature de phase (Q) dans le but de détecter l’enveloppe du signal
utile. Ainsi, le signal écho est échantillonné puis stocké dans des registres à décalage ou lignes à
retard pour subir divers traitements, en technologie micro programmé ou en SOC’s (System on Chip),
tels que la détection automatique, le pistage (tracking) ou la visualisation. Les registres à décalage
sont formés par un nombre fini de cellules, dites cellules de référence . La cible est déclarée présente
ou absente après comparaison de la cellule sous test avec un seuil, obtenu à partir de l’estimation du
bruit de fond dans les cellules de référence.

Figure (I.8) : Schéma synoptique d’un radar Doppler à impulsion

1.8.2. Formation des cellules de portée (Range bin) :

En vue de déterminer les informations de portée pour une direction en azimut donnée, une mesure du
signal reçu est effectué toutes les TR secondes (1 /PRF). La période totale pendant laquelle sont
effectuées ces mesures, correspond au temps d’exposition (Time On Target) de la cible dans la
direction de rayonnement maximal. L’énergie électromagnétique étant maximale dans l’axe du lobe
principal de l’antenne, on définit la largeur azimutale à -3dB comme étant l’ouverture angulaire θ
caractérisée par une atténuation du signal de -3dB par rapport à l’axe du lobe principal. Partant de
cette définition, la période totale d’exposition sera TOT=θ/Ω, ou Ω représente la vitesse de rotation
de l’antenne exprimée en degrés/seconde. Du fait que chaque mesure soit intégrée sur une largeur
d’impulsion, le signal ainsi obtenu est un paquet de M échantillons de durée , reçus aux instants
respectifs t, t +Tr ,t +2 Tr ,….t + M*Tr L’instant t correspond au temps d’un aller-retour de l’onde
15
 Chapitre 01 : Généralités sur les systèmes radars
entre le radar et la cible. Pour acquérir ces échantillons, il suffit d’effectuer une capture du signal
vidéo au milieu de chaque intervalle de temps [i , (i+1) ], où i est un entier représentant l’indice de la
cellule distance relative à la portée de l’écho reçu. Ce traitement, connu sous le nom d’échantillonnage
en portée du signal vidéo, est illustré dans la Figure I.8. Il est clair qu’en absence de cible, le signal
reçu est un bruit thermique (interne) auquel viendrait se superposer des échos réfléchis appelé
«fouillis ou clutter ».

1.8.3. Discrimination en distance et en vitesse radiale :

La mesure de la distance se ramène en fait à la mesure du temps écoulé entre l’émission d’un signal
et sa réception après réflexion. D’autre part, la durée du signal HF impulsivement émis impose un
pouvoir discriminateur en temps, ou délai pendant lequel il est impossible de séparer deux échos issus
de cibles rapprochées. Par conséquent, le pouvoir discriminateur en distance ou résolution est donné
par :

𝑐𝑡
∆𝑑 = ……………………………………..…………………………………..(1.8.1)
2

La forme de l′impulsion joue sur la capacité du radar à distinguer deux objets proches (résolution en
distance). Donc, pour détecter des cibles plus proches, il faut utiliser une durée d'impulsion plus
courte. De ce fait, les cibles situées à une distance équivalente à la durée d'impulsion ne sont pas
détectées.
Si nous considérons au niveau de chaque impulsion un signal HF de durée, de fréquence Fe et
d’amplitude A, le spectre de l’enveloppe sera de la forme : A sin (τπF) et la largeur de bande utile
devient Δf = (1 /τ). D’autre part, l’écart entre la fréquence émise et celle reçue s’exprime par : Fd =
(2Vr/ λ), où Vr représente la vitesse radiale de la cible et la longueur d’onde émise. En considérant
la largeur de bande utile, on obtient une discrimination en vitesse radiale: ΔVr = (λ/ 2T). Remarquons
que la discrimination en vitesse est également liée à la largeur d’impulsion. L’interprétation des deux
précédentes relations (Δd et ΔVr) permet de conclure que le traitement d’une seule impulsion (par
direction azimutale) ne peut fournir, à la fois, une bonne discrimination en portée et un bon pouvoir
séparateur en vitesse. Une des techniques permettant de lever cette ambiguïté, consiste en un
traitement cohérent du signal radar sur plusieurs impulsions. Si le radar traite M impulsions pour une
ouverture en azimut donnée, le pouvoir discriminateur en vitesse (lié à la durée du signal) devient :

𝜆
∆𝑉𝑟 = ………………………………………………………………...…….(1.8.2)
2𝑀𝑇𝑟

16
 Chapitre 02 : Détection radar

II. Détection radar :

2.1. Introduction :
Dans la vie quotidienne, on doit toujours prendre des décisions. De même pour les problèmes
de la détection du signal radar, nous devrons prendre la décision de l'existence ou de l'absence des
cibles grâce à l'observation du signal retourné. Le processus que le récepteur entre prend en
choisissant une règle de décision est classé sous le nom de la théorie de la détection du signal.

2.2. Rappels de quelques lois de distributions :

2.1.1. Distribution uniforme(Uniform) :

Une variable aléatoire continue X est dite uniformément distribuée sur l’intervalle [a ; b] de IR, a <
b, si sa fonction de densité de probabilité (pdf), figure II.1, est donnée par :

𝟏
𝒇𝑿 (𝒙) = avec a ≤ x ≤ b ……………………………………………….. (2.2.1)
𝒃−𝒂

Fonction de répartition
La fonction de répartition, aussi appelée fonction de distribution ou fonction de densité cumulative
(cumulative density function) de X, figure II.2, est définie par trois segments de droites:

0, 𝑥 <𝑎
0 𝑥−𝑎
𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫−∞ 𝑓𝑋 (𝑢)𝑑𝑢 = {𝑏−𝑎 , 𝑎 ≤ 𝑥 ≤ 𝑏 …………..……… (2.2.2)
1 , 𝑥≥𝑏
Moments d’ordre n
Par définition, la fonction qui donne les moments d’ordre n est donnée par :
+∞
𝜇𝑛 = 𝐸[𝑋 𝑛 ] = ∫−∞ 𝑥 𝑛 𝑓𝑋 (𝑥)𝑑𝑥 ……………………………………………….. (2.2.3)

Figure (II.1) : Fonction de densité de probabilité de la loi uniforme

17
 Chapitre 02 : Détection radar

Figure (II.2) : Fonction de répartition de la loi uniforme

Alors, il est possible de montrer que pour une loi uniforme, nous avons :
𝑏𝑛+1 −𝑎𝑛+1
𝜇𝑛 = 𝐸(𝑋 𝑛 ) = (𝑛+1)(𝑏−𝑎)……………………………………………………… (2.2.4)

Ce qui donne une moyenne (n=1):

1
𝐸(𝑋) = (𝑎 + 𝑏) ……………………………………………………………… (2.2.5)
2

Une puissance moyenne (n=2):

𝑏3 −𝑎3
𝐸(𝑋 2 ) = ………………………………………………………………... (2.2.6)
3(𝑏−𝑎)

Et donc une variance:

1
𝜎𝑋2 = 𝑉𝑎𝑟(𝑋) = 𝐸[𝑋 2 ] − 𝐸 2 [𝑋] = (𝑏 − 𝑎)2 ………………………………. (2.2.7)
12

Notons que sous Matlab, une variable aléatoire uniforme peut être générée par la commande unifrnd
(a, b) et est initialisée par la commande rand ('state',0).

2.1.2. Distribution Gaussienne (Normal) :

La distribution normal, souvent appelée distribution Gaussienne, est une famille importante de
distributions de probabilité de variables aléatoires continues. Par définition, une variable aléatoire X
suit une loi Gaussienne, notée 𝑋~𝑁(𝜇, 𝜎 2 ) , quand sa fonction de densité de probabilité, figure II.3,
s’écrit ∀𝑋 ∈ 𝐼𝑅:

1 1 −(𝑥−𝜇) 2
𝑓𝑋 (𝑥) = 𝑒𝑥𝑝 [ ] −∞ ≤ 𝜇 ≤ +∞ 𝑒𝑡 𝜎 > 0 ……………… (2.2.8)
𝜎 √2𝜋 2 𝜎
µ et σ sont, respectivement, la moyenne et l’écart type de X. μ représente le paramètre de position
(location parameter), et σ représente le paramètre d’échelle (scale parameter). La pdf normal passe
par son maximum pour x = μ. Elle a ses points d'inflexion en μ + σ et − σμ . Quand 𝜇 = 0 𝑒𝑡 𝜎 2 =
1 , N(0,1) est appelée loi normale standard.

18
 Chapitre 02 : Détection radar

Fonction de répartition
La fonction de répartition correspondante, figure II.4, est donnée en terme de la fonction d’erreur
par:
1 1 𝑥−𝜇
𝐹𝑋(𝑥) = + erf ( ) ……………………………………………………….. (2.2.9)
2 2 𝜎 2 √
erf représente la fonction d’erreur, elle est définie comme suit:
1 𝑥 2
erf(𝑥) = ∫ 𝑒 −𝑢 𝑑𝑢 ……………………………………………………… (2.2.10)
𝜋 0
√

Moments d’ordre n
𝜇𝑛−2𝑘 𝜎 2𝑘
𝐸(𝑋 𝑛 ) = 𝑛! ∑𝐾
𝑘=0 ………………………………………………… (2.2.11)
2𝑘 𝑘!(𝑛−2𝑘)!

Figure (II.3) : Fonction de densité de probabilité de la loi Gaussienne

Figure (II.4) : Fonction de répartition de la loi Gaussienne

19
 Chapitre 02 : Détection radar
𝑛
𝑝𝑜𝑢𝑟 𝑛 𝑝𝑎𝑖𝑟𝑒
2
𝐾 = {𝑛 − 1
𝑝𝑜𝑢𝑟 𝑛 𝑖𝑚𝑝𝑎𝑖𝑟𝑒
2

Ce qui donne une moyenne (n=1):

𝐸(𝑋) = 𝜇 ……………………………………………………………………. (2.2.12)

Une puissance moyenne (n=2):

𝐸(𝑋) = 𝜇2 + 𝜎 2 ……………………………………………………………... (2.2.13)

Et donc une variance:

𝑉𝑎𝑟(𝑋) = 𝜎 2 ………………………………………………………………… (2.2.14)

Notons que sous Matlab, nous générons une variable aléatoire normale par la commande normrnd
(µ,σ), où μ représente le paramètre d’emplacement et σ le paramètre d’échelle. Cette commande
peut être initialisée par la commande randn('state',0).

2.1.3. Distribution log normal :

La distribution log normal a été développée dans le but d'être appliquée dans une grande variété
de situations réelles de clutter de mer et de terre à faible angle d’incidence (low grazing angle) et dans
les radars à haute résolution. C'est une loi de distribution dont le logarithme est normalement
distribué. Par définition, une variable aléatoire X suit une loi log normal, notée 𝑁~𝐿𝑛(𝜇, 𝜎 2 ), quand
sa densité de probabilité bi-paramétrique, figure II.5, s’écrit, ∀𝑋 ∈ 𝐼𝑅+∗ :

1 1 𝑙𝑛𝑥−𝜇 2
𝑓𝑋 (𝑥) = 𝑒𝑥𝑝 [− ( ) ] 𝜎 ≥ 0 𝑒𝑡 − ∞ ≤ 𝜇 ≤ +∞ …………(2.2.15)
𝑥𝜎 √ 2𝜋 2 𝜎

µ, la moyenne de lnx, représente le paramètre d’échelle et σ, l’écart type de lnx, est connu sous le
nom de paramètre de forme. Le fait d'augmenter la valeur de μ en maintenant celle de σ constante a
pour effet d'aplatir la pdf et de l'étirer à droite, en conservant sa forme. Tandis que le paramètre de
forme σ, comme son nom l’indique, définit la forme de la distribution.
𝜎2
Le paramètre 𝜌 = 𝑒 ( 2 ) , représente le rapport moyenne-à-médiane, peut être utilisé pour représenter
la forme. Les investigations sur les données réelles de clutter ont donné des valeurs de ρ variant de
1.065 à 1.93. Par conséquent, σ varie dans la plage 0.355 à 1.147.

Fonction de répartition
La fonction de répartition de X, figure II.6, est représentée par:
1 1 ln 𝑥−𝜇
𝐹𝑋 (𝑥) = + 𝑒𝑟𝑓 [ ]…………………………………………………… (2.2.16)
2 2 𝜎 √2

20
 Chapitre 02 : Détection radar
Moments d’ordre n
𝑛2
𝐸[𝑋 𝑛 ] = 𝑒𝑥𝑝 [𝑛𝜇 + 𝜎 2 ] …………………(2.2.17)
2

Figure (II.5) : Fonction de densité de probabilité de la loi log normal

Figure (II.6) : Fonction de répartition de la loi log normal

Ce qui donne une moyenne (n=1):

𝜎2
𝐸[𝑋] = 𝑒𝑥𝑝 [𝜇 + ]........................................................................................ (2.2.18)
2
Une puissance moyenne (n=2):

𝐸[𝑋 2 ] = 𝑒𝑥𝑝[2(𝜇 + 𝜎 2 )]……………………………………………………. (2.2.19)

Et donc une variance:

𝑉𝑎𝑟[𝑋] = 𝑒𝑥𝑝(2𝜇 + 𝜎 2 )(𝑒𝑥𝑝(𝜎 2 ) − 1)…………………………………….. (2.2.20)

21
 Chapitre 02 : Détection radar
Lien entre la loi log normal et la loi Normal

Si la variable aléatoire Y suit une loi log normal, notée𝑌~𝐿𝑛(𝜇, 𝜎 2 ), alors la variable aléatoire
X=Ln(Y) suit une loi normal, notée𝑋~𝑁(𝜇, 𝜎 2 ), (Ln étant le logarithme Népérien).Notons que sous
Matlab, nous générons une variable aléatoire log normal par la commande lognrnd (μ,σ), où µ est le
paramètre d’échelle et σ, le paramètre de forme. Cette commande peut être remise à zéro par la
commande randn('state',0).

2.1.4. Distribution Rayleigh :

La distribution Rayleigh, qui est fréquemment utilisée pour modéliser les statistiques des
signaux, trouve son application dans beaucoup de problèmes de communications et de radar.
La distribution Rayleigh, de paramètre σ, est caractérisée par la densité de probabilité, figure
II.7,∀𝑋 ∈ 𝐼𝑅 + , suivante:
𝑥 −𝑥 2
𝑓𝑋 (𝑥) = 𝑒𝑥𝑝 [ ] ………………………………………………………… (2.2.21)
𝜎2 2𝜎 2

Fonction de répartition

La fonction de répartition de X, figure II.8, est représentée par :

𝑥2
𝐹𝑋 (𝑥) = 1 − 𝑒𝑥𝑝 [− ] …………………………………………………….. (2.2.22)
2𝜎 2

Moments d’ordre n
𝑛 𝑛
𝐸[𝑋 𝑛 ] = 𝜇𝑛 = (𝜎√2) Γ ( + 1) ………………………………………………………….. (2.2.23)
2
Où Γ est la fonction Gamma donnée par :
∞
Γ(𝑥) = ∫0 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥 , 𝛼 > 0 ……………………………………………. (2.2.24)
L’intégrale impropre ci-dessus converge pour α > 0. En intégrant par parties pour 𝑢 = 𝑥 𝛼−1 et
𝑑𝑣 = 𝑒 𝑥 𝑑𝑥 nous obtenons:

Γ(α) = (α − 1)Γ(α − 1) …………………………………………………….. (2.2.25)

En continuant de cette manière pour des valeurs entières de α, nous obtenons:

Γ(n) = (n − 1)! ……………………………………………………………… (2.2.26)

En particulier, nous avons:
1
Γ ( ) = √𝜋 𝑒𝑡 Γ(1) = Γ(2) = 1…………………………………………… (2.2.27)
2

22
 Chapitre 02 : Détection radar
Nous pouvons déduire la moyenne d’une telle distribution de l’équation avec (n=1):

𝜋
𝐸[𝑋] = 𝜎√ ………………………………………………………………….. (2.2.28)
2

Figure (II.7) : Fonction de densité de probabilité de la loi Rayleigh

Figure (II.8) : Fonction de répartition de la loi Rayleigh

Une puissance moyenne (n=2):

𝐸[𝑋 2 ] = 2𝜎 2 ………………………………………………………………… (2.2.29)

Et donc une variance:
𝜋
𝑉𝑎𝑟[𝑋] = 𝜎 2 (2 − ) ………………………………………………………... (2.2.30)
2
Notons que sous Matlab, nous générons une variable aléatoire Rayleigh par la commande raylrnd
(σ), avec = √𝐸[𝑋 2 ]/2 , et l’initialisons par la commande randn('state',0)

Lien entre la loi Rayleigh et autres lois

La loi Rayleigh peut être déduite de la loi normal 𝑁(0, 𝜎 2 ). Si 𝑋1 ~𝑁(0, 𝜎 2 ) et 𝑋2 ~𝑁(0, 𝜎 2 ) sont
deux variables aléatoires indépendantes, alors 𝑋 = √𝑋12 + 𝑋22 est une variable aléatoire qui suit une
loi Rayleigh de paramètre σ, et donc 𝑋 2 suit une loi Exponentielle de paramètre2𝜎 2 .

23
 Chapitre 02 : Détection radar

2.1.5. Distribution Weibull :

Une variable aléatoire X est dite pour être Weibull distribuée, figure II.9, si sa densité de probabilité
à deux paramètres α et β, notée W(α,β), est définie sur IR+ par:

𝛽 𝑥 𝛽−1 𝑥 𝛽
𝑓𝑋 (𝑥) = ( ) 𝑒𝑥𝑝 [− ( ) ] ……………………………………………... (2.2.31)
𝛼 𝛼 𝛼

α représente le paramètre d'échelle et β le paramètre de forme de la distribution Weibull. Enfin, la

distribution Weibull d'un seul paramètre est obtenue lorsque α =1. Elle est alors appelée distribution
Weibull standard. Sa pdf se résume donc à:

𝑓𝑋 (𝑥) = 𝛽𝑥 𝛽−1 𝑒𝑥𝑝(−𝑥 𝛽 ) …………………………………………………... (2.2.32)

Fonction de répartition :
𝑥 𝛽
𝐹𝑋 (𝑥) = 1 − 𝑒𝑥𝑝 [− ( ) ]…………………………………………………… (2.2.33)
𝛼

Figure (II.9) : Fonction de densité de probabilité de la loi Weibull

Figure (II.10) : Fonction de répartition de la loi Weibull

24
 Chapitre 02 : Détection radar
Moments d’ordre n
𝑛
𝐸[𝑋 𝑛 ] = 𝛼 𝑛 Γ (1 + )……………………………………………………… (2.2.34)
𝛽
Ce qui donne une moyenne (n=1)
1
𝐸[𝑋] = 𝛼 Γ (1 + ) ………………………………………………………… (2.2.35)
𝛽
Une puissance moyenne (n=2)
2
𝐸[𝑋 2 ] = 𝛼 2 Γ (1 + ) ……………………………………………………… (2.2.36)
𝛽
Et donc une variance
2 1
𝑉𝑎𝑟(𝑋) = 𝛼 2 [Γ (1 + ) − Γ 2 (1 + )]…………………………………….. (2.2.37)
𝛽 𝛽
Notons que sous Matlab, nous générons une variable aléatoire Weibull par la commande
𝑤𝑒𝑖𝑏𝑟𝑛𝑑(𝛼 ∧ (−𝛽), 𝛽), où α est le paramètre d'échelle et β, le paramètre de forme. Nous pouvons
l’initialiser par la commande rand('state',0).

Lien entre la loi Weibull et autres lois

Pour β=1, la loi Weibull se réduit à une loi Exponentielle donnée par:
1 𝑥
𝑓𝑋 (𝑥) = 𝑒𝑥𝑝 (− ) ………………………………………………………… (2.2.38)
𝛼 𝛼
Pour β=2, la loi Weibull se réduit à une loi Rayleigh donnée par:
2𝑥 𝑋2
𝑓𝑋 (𝑥) =
𝛼2
𝑒𝑥𝑝 (−
𝛼2
) ………………………………………………………. (2.2.39)

2.1.6. Distribution Gumbel :

En théorie des probabilités, la loi de Gumbel, notée G(µ,σ), est une distribution de probabilité
continue. Sa densité de probabilité, figure II.11, est définie sur IR par :
1 𝑥−𝜇 𝑥−𝜇
𝑓𝑋 (𝑥) = 𝑒𝑥𝑝 (− ) 𝑒𝑥𝑝 (−𝑒𝑥𝑝 [− ]) 𝑎𝑣𝑒𝑐 − ∞ ≤ 𝜇 ≤ +∞ , 𝜎 > 0
𝜎 𝜎 𝜎
…(2.2.39)

μ représente le paramètre de position et σ, le paramètre d’échelle. La loi standard de Gumbel est

obtenue pour μ = 0 et σ = 1, G(0, 1).

Fonction de répartition
La fonction de répartition de X, figure II.12, est représentée par:
𝑥−𝜇
𝐹𝑋 (𝑥) = 𝑒𝑥𝑝 (−𝑒𝑥𝑝 [− ]) ……………………………………………….. (2.2.40)
𝜎

25
 Chapitre 02 : Détection radar

Figure (II.11) : Fonction de densité de probabilité de la loi Gumbel

Figure (II.12): Fonction de répartition de la loi Gumbel

La moyenne de la distribution Gumbel est donnée par:

𝐸[𝑋] = 𝜇 − 𝜎𝛾 ……………………………………………………………….. (2.2.41)

où γ est la constante d’Euler (approximée par 0.5772)

La variance est donnée par:

𝜋2
𝑉𝑎𝑟(𝑋) = 𝜎 2 ……………………………………………………………… (2.2.42)
6

Lien entre la loi Gumbel et la loi Weibull

Si la variable aléatoire Y suit une loi Weibull, notée Y~W(α,β), alors la variable aléatoire X=Ln(Y)
suit une loi Gumbel (aussi appelée loi Log-Weibull ou valeur extrême), notée X~G(μ,σ), (Ln étant le
logarithme Népérien). Sachant que la relation entre les paramètres α et β de la loi Weibull et µ et σ
de la loi Gumbel est 𝜎 = 𝛽 −1 𝑒𝑡 𝜇 = ln 𝛼.

26
 Chapitre 02 : Détection radar
notons que pour générer une variable aléatoire Gumbel, nous utilisons sous Matlab la
commande log(𝑤𝑒𝑖𝑏𝑟𝑛𝑑(𝛼 ∧ (−𝛽), 𝛽)). Nous pouvons l’initialiser par la commande rand('state',0).

2.3. Théorie de la détection :

La détection est l’opération qui consiste à prendre une décision sur l’existence ou pas de cibles
dans l’espace de recherche. Le principe de base de la détection d’une cible est basé sur l’utilisation
d’un seuil de comparaison servent à extraire des informations du signal reçu et à distingue une
fluctuation due au bruit à celle à un signal utile.

 Si le signal utile dépasse le seuil, la cible est détectée.

 Si le bruit dépasse le seuil en absence du signal écho, on dit que c’est une fausse alarme.
La probabilité de fausse alarme est inversement proportionnelle au seuil de détection. Donc si le
seuil est trop élevé, les cibles peuvent ne pas être détectées, et s’il est trop bas la probabilité de
fausse alarme augmente comme il est indiqué sur la figure II.13 :

Figure (II.13): Détection d’une cible.

En détection radar, un des problèmes fondamentaux consiste à détecter, pour une case d’analyse fixé,
dans un vecteur d’observation y de dimension m, un signal complexe s connu, caractérisant une cible,
corrompu par un bruit de fouillis n additif. Ce problème se formalisme généralement par un test
d’Hypothèses binaires:

𝐻0 : 𝑦(𝑡) = 𝑛(𝑡) …………………………………………………………………………………….. (2.3.1)

𝐻1 : 𝑦(𝑡) = 𝑠(𝑡) + 𝑛(𝑡) ………………………………………………………………………….. (2.3.2)

Sous l’Hypothèse 𝐻0 , le signal complexe reçu par le radar est supposé ne contenir que les échos (bruit
du fouillis) indésirables et néfastes à une bonne détection, provenant des réflexions sur les différents
éléments de l’environnement, ainsi que le bruit thermique. Ces parasites sont supposés admettre une
certaine densité de probabilité ou Pdf (Probability Density Function),𝑝𝑌 (𝑦|𝐻0 ) = 𝑝𝑛 (𝑦|𝐻0 ).

27
 Chapitre 02 : Détection radar
Sous l’Hypothèse 𝐻1 , le signal reçu y est supposé contenir le signal s provenant des échos de la cible
mais noyé parmi les mêmes échos parasitiques sous 𝐻0 .Sa densité de probabilité est alors
notée𝑝𝑌 (𝑦|𝐻1 ).
L’objectif de la détection est de déterminer la quelle des deux Hypothèses est la plus vraisemblable.
Quatre cas de décision sont possibles :
1) 𝐻0 est vraie et 𝐻0 est décidée.
2) 𝐻0 est vraie et 𝐻1 est décidée.
3) 𝐻1 est vraie et 𝐻1 est décidée.
4) 𝐻1 est vraie et𝐻0 est décidée.
On remarque que le récepteur prend une bonne décision dans le cas (1)et(3),et qu’il commet une
erreur dans les deux autres cas. l’évènement (3)est appelé détection, la probabilité associée à ce
dernier est la probabilité de détection 𝑃𝑑 . l’évènement(2)est une fausse alarme car une présence de
cible est décidée lorsqu’elle est absente, donc sa probabilité est 𝑃𝑓𝑎 Quant l’évenement (4),il se réalise
lorsque (3) n’est pas réalisé,par conséquent sa probabilités 1 − 𝑃𝑑 et on l’appelle la probabilité de
non détection 𝑃𝑚 . pour l’évènement (1),sa probabilité est 1 − 𝑃𝑓𝑎 .

2.4. Les critères de décision :

Le système de décision est défini par une application de l’espace des observations dans l’ensemble
des hypothèses possibles. On désigne cette application par règle de décision .elle détermine, dans
l’espace des observations, une partition en sous-ensembles disjoints, chaque sous-ensemble
correspondant aux observations qui sont associées à une même hypothèse.
Règle de décision ↔partition de l’espace d’observations en régions 𝑅𝑖 associées aux différentes
hypothèses : 𝑅𝑖 ↔ 𝐻𝑖 .
Et, comme les hypothèses sont alternatives, c’est -à-dire, l’occurrence simultanée de deux hypothèses
différentes est impossible, les sous _ensembles 𝑅𝑖 sont disjoint :

𝑅𝑖 ∩ 𝑅𝑗 = ∅ , 𝑖 ≠ 𝑗 ……………………………………………………………. (2.4.1)
la règle de décision est facilement décrite en fonction des régions 𝑅𝑖 : 𝑦 ∈ 𝑅𝑖 ⟹ 𝐻𝑖 .
Ou y représente les observations.

Figure (II.14): Les régions de décision.

28
 Chapitre 02 : Détection radar
Dans de qui suit, nous présenterons quelques critères de décision qui sont utilisés dans la théorie de
la décision ainsi que les conditions dans lesquelles ils sont utiles.

2.1.7. Critère de Bayes :

L'utilisation du critère de Bayes nécessite principalement deux hypothèses. Premièrement, la
connaissance au préalable des probabilités d'événement des deux sorties de la source qui sont
appelées les probabilités a priori 𝑃𝑟 (𝐻0 ) = 𝑃0 𝑒𝑡 𝑃𝑟 (𝐻1 ) = 𝐻1 .La deuxième hypothèse consiste à
attribuer un coût à chaque décision possible. Les conséquences d'une décision sont différentes de
celles d'une autre décision. Par exemple dans le problème de la détection RADAR, les
conséquences d'une non détection ne sont pas les mêmes que les conséquences d'une fausse alarme.
Si nous dénotons par 𝐻0 𝑒𝑡 𝐻1, nous pouvons définir :
𝐶𝑖𝑗 ,i, j=0,1, le coût associé à la décision 𝑅𝑖 sachant que l'hypothèse 𝐻𝑖 est vraie (𝑅𝑖 |𝐻𝑖 ). C’est- à-
dire, on associe, à chaque comportement possible du système de décision, un coût équivalent à une
pénalisation ou une récompense.
𝐶𝑖𝑗 = 𝑐𝑜û𝑡 𝑑𝑒 𝑑é𝑐𝑖𝑑𝑒 𝐻𝑖 𝑞𝑢𝑎𝑛𝑑 𝑒𝑠𝑡 𝐻𝑗 𝑣𝑟𝑎𝑖
La figure suivante illustre la définition de ces quantités pour un test binaire (où on considère que
seulement deux hypothèses sont possibles).

Figure (II.15): Définition des quantités pour un test binaire.

Dans la figure (II.15) précédente, les lignes interrompues représentent les situations d'erreur.
Les tests de Bayes consistent à déterminer les régions de décision 𝑅0 𝑒𝑡 𝑅1 de façon à minimiser la
valeur moyenne du coût. La fonction de bayes, appelé aussi fonction risque, est donnée par :

𝐸(𝐶) = ∑1𝑖=0 ∑1𝑗=0 𝐶𝑖𝑗 . 𝑃𝑟 (𝐻𝑖 |𝐻𝑗 )…………………………. …………………. (2.4.2)

𝐸(𝐶) = 𝐶00 . 𝑃𝑟 (𝐻0 |𝐻0 ) + 𝐶10 . 𝑃𝑟 (𝐻1 |𝐻0 ) + 𝐶01 . 𝑃𝑟 (𝐻0 |𝐻1 ) + 𝐶11 . 𝑃𝑟 (𝐻1 |𝐻1 ) …..
…………………………………………………………………………………. (2.4.3)
Chaque probabilité conjointe qui figure dans cette expression peut être écrite comme:

𝑃𝑟 (𝐻𝑖 |𝐻𝑗 ) = 𝑃𝑟 (𝐻𝑖 |𝐻𝑗 ). 𝑃𝑗 = 𝑃𝑟 (𝑦 ∈ 𝑅𝑖 |𝐻𝑗 ). 𝑃𝑗 = 𝑃𝑗 ∫𝑅 𝑝(𝑦|𝐻𝑗 )𝑑𝑦 ………… (2.4.4)

𝑖

29
 Chapitre 02 : Détection radar
Où l'on a exprimé la probabilité de décider 𝐻𝑖 quand 𝐻𝑗 est vraie comme la probabilité pour que les
observations appartiennent à la région 𝑅𝑖 . Dans le cas de tests binaires, les deux régions de décision
sont complémentaires (l’intégrale d’une densité sur le domaine tout entier étant égale à 1), 𝑅𝑖 = 𝑅̅𝑗
on peut donc écrire :

∫𝑅 𝑝(𝑦)𝑑𝑦 = ∫𝑅 𝑝(𝑦)𝑑𝑟 𝑖 ≠ 𝑗 ; 𝑖, 𝑗 = 0,1 ……………………………… (2.4.5)

𝑖 𝑗
Avec ce résultat, on peut exprimer le coût de Bayes 𝐸(𝐶) en fonction d'une seule région:
𝐸(𝐶) = [𝐶11 𝑃1 + 𝐶10 𝑃0 ] + ∫𝑅 [𝑃1 (𝐶01 − 𝐶11 )𝑝(𝑦|𝐻1 ) − 𝑃0 (𝐶10 − 𝐶00 )𝑝(𝑦|𝐻0 )]𝑑𝑦
0
………………………………………………………………………………….. (2.4.6)
Le premier terme de droite entre crochets correspond à un coût fixe ; le second, sous l’intégrale, est
variable selon le domaine 𝑅0 .
Dans le cas général, les coûts 𝐶𝑖𝑗 sont quelconques, mais le coût relatif à une décision juste doit être
naturellement plus faible que celui relatif à une décision erronée :
𝐶10 > 𝐶00 ……………………………………………………………………… (2.4.7)
𝐶01 > 𝐶11 ………………………………………………………………………. (2.4.8)
Ainsi, dans le terme entre crochet à l’intérieur de l’intégrale (l’intégrante), les coefficients
(𝐶01 − 𝐶11 ) 𝑒𝑡 (𝐶10 − 𝐶00 ) sont supposés positifs. Pour minimiser l’intégrale, on construit 𝑅0 de
sorte que chaque point 𝑦 ∈ 𝑅0 minimise l’intégrale, c’est à dire corresponde à un intégrante négatif.
Tous les points 𝑦 ∈ 𝑅0 doivent donc satisfaire :

[𝑃1 (𝐶01 − 𝐶11 )𝑝(𝑦|𝐻1 ) − 𝑃0 (𝐶10 − 𝐶00 )𝑝(𝑦|𝐻0 )] < 0 ……………………… (2.4.9)
[𝑃1 (𝐶01 − 𝐶11 )𝑝(𝑦|𝐻1 )] < [𝑃0 (𝐶10 − 𝐶00 )𝑝(𝑦|𝐻0 )] ……………………….. (2.4.10)
Soit finalement :
𝑝(𝑦|𝐻1 ) 𝑃0 (𝐶10 −𝐶00 )
< …………………………………………………………... (2.4.11)
𝑝(𝑦|𝐻0 ) 𝑃1 (𝐶01 −𝐶11 )

Réciproquement, pour minimiser le risque de Bayes, les points 𝑦 ∈ 𝑅1 doivent satisfaire L’inégalité
:
𝑝(𝑦|𝐻1 ) 𝑃0 (𝐶10 −𝐶00 )
)
> = 𝜂 ……………………………………………………... (2.4.12)
𝑝(𝑦|𝐻0 𝑃1 (𝐶01 −𝐶11 )

Où on a défini le seuil 𝜂:
𝑃0 (𝐶10 −𝐶00 )
𝜂=
𝑃1 (𝐶01 −𝐶11 )
………………………………………………………………………………… (2.4.13)
On voit donc que le test de Bayes conduit à comparer le rapport entre les densités de
probabilités conditionnelles à un seuil (𝜂). On appelle le rapport des densités conditionnelles dans

30
 Chapitre 02 : Détection radar
l'équation précédente le rapport de vraisemblance, qui détermine les tests de Bayes, joue un rôle très
important dans tous les problèmes de décision statistique et sera représenté par Λ(𝑦) :

𝑝(𝑦|𝐻1 )
Λ(𝑦) = …………… ………………………………………………….. (2.4.14)
𝑝(𝑦|𝐻0 )

On rassemble les deux équations (2.4.13) et (2.4.14) sous la notation compacte:

>𝐻
Λ(𝑦)<𝐻10 𝜂 …………………………………………………………………….. (2.4.15)

2.1.8. Critère de Neyman-Person :

En pratique, il est souvent difficile d’attribuer des coûts réalistes et des probabilités a priori.
Pour contourner cette difficulté, on peut utiliser une autre stratégie à partir de probabilités 𝑃𝑓𝑎 𝑒𝑡 𝑃𝑑
. En effet, on peut chercher le test qui produit la probabilité de fausse alarme 𝑃𝑓𝑎 aussi petite que
possible et la probabilité de détection, 𝑃𝑑 aussi grande que possible.
Fixons 𝑃𝑓𝑎 ≤ 𝛼 et cherchons un test qui maximise 𝑃𝑑 (𝑜𝑢 𝑚𝑖𝑛𝑖𝑚𝑖𝑠𝑒 𝑃𝑚 = 1 − 𝑃𝑑 ). Pour cela, on
construit la fonction de coût F :

𝐹 = 𝑃𝑚 + 𝜆̃[𝑃𝑓𝑎 − 𝛼] = ∫𝑅 (𝑦|𝐻1 )𝑑𝑟 + 𝜆̃ [∫𝑅 (𝑝(𝑦|𝐻0 ))𝑑𝑦 − 𝛼] = 𝜆̃(1 − 𝛼) +

0 0

∫𝑅 [𝑝(𝑦|𝐻1 ) + 𝜆̃𝑝(𝑦|𝐻0 )]𝑑𝑦 ……………………. ………………………….. (2.4.16)

0

Où 𝜆̃ est un multiplieur de Lagrange. Dans la dernière équation, on remarque que le premier terme de
droite est un coût fixe. Pour minimiser F, il faut donc choisir 𝑦 ∈ 𝑅0 si l’intégrante 𝑝(𝑦|𝐻1 ) −
𝜆̃𝑝(𝑦|𝐻0 ) est négatif, c’est-à-dire :

𝑝(𝑦|𝐻1 )
< 𝜆̃ ……………………………………………………………………. (2.4.17)
𝑝(𝑦|𝐻0 )

On obtient donc le test :

Si Λ(𝑦) < 𝜆̃ , alors on choisit 𝐻0
Et nous pouvons donner la règle de décision :
>𝐻
Λ(𝑦)<𝐻10 𝜆̃ …………………………………………………………………….. (2.4.18)
Où le seuil 𝜆̃ est déterminé de façon à vérifier la contrainte :
+∞
𝑃𝑓𝑎 = ∫𝜆̃ 𝑝(Λ|𝐻0 )𝑑Λ = 𝛼 ………………………………………………….. (2.4.19)

31
 Chapitre 02 : Détection radar

2.5. La détection dans la présence de bruit :

Considérant un récepteur radar qui utilise un détecteur d’enveloppe suivi d’une décision de
seuil tel qu’il est montré sur la figure II.16.ce qui consiste en une antenne, suivie par un amplificateur
large bande et un mélangeur qui fait la conversion du signal en une fréquence intermédiaire (IF) ou
il est amplifié et filtré, suivie par le détecteur d’enveloppe et ensuite par un filtre passe-bas. Le
détecteur d’enveloppe a pour rôle de reproduire l’amplitude de l’enveloppe de la porteuse et alors,
extrait la modulation et rejette la porteuse. Dans ce cas l’information et rejette et le traitement ultérieur
est basé sur l’amplitude d’enveloppe. Le signal à l’entrée du récepteur est composé du signal d’écho
radar s(t) et d’un bruit additif n(t) qui est spatialement non cohérent et non corrélé avec le signal.
Comme le bruit à l’entrée du filtre IF est de nature thermique, il est supposé Gaussien à moyenne
nulle et une variance 𝜎𝑛2 avec une densité de probabilité :
1 −𝜐2
𝑝(𝜐) = 𝑒𝑥𝑝 ……………………………………………………….. (2.5.1)
√2𝜋Ψ𝑛 2Ψ𝑛

AvecΨ𝑛 = 𝜎𝑛2 , la variance de la tension de bruit n(t).

Figure (II.16): Diagramme bloc d’un détecteur d’enveloppe et récepteur de seuil.

Si ce bruit passe à travers le filtre à bande étroite, alors la Pdf de l’amplitude de l’enveloppe serait :
𝑟 −𝑟 2
𝑃𝑟 = 𝑒𝑥𝑝 ……………………………………………………………… (2.5.2)
Ψ𝑛 2Ψ𝑛

Cette formule a la forme d’une fonction densité de probabilité Rayleigh. Une cible est détectée,
lorsque r(t) excède la valeur du seuil 𝑉𝑇 , d'où les hypothèses de décision sont :

 𝑠(𝑡) + 𝑛(𝑡) > 𝑉𝑇

 𝑛(𝑡) > 𝑉𝑇
La performance du circuit de seuil peut alors être décrite suivant deux probabilités la probabilités
de fausse alarme 𝑃𝑓𝑎 et la probabilité de détection 𝑃𝑑 .

32
 Chapitre 02 : Détection radar

2.6. La probabilité de fausse alarme :

Si un dispositif à seuil est utilisé pour prendre une décision quant à la présence ou l'absence
d'un signal dans un bruit de fond, la performance de ce dispositif peut être exprimé en termes de deux
probabilités, les probabilités de détection 𝑃𝑑 et la probabilité de fausse alarme 𝑃𝑓𝑎 . Le seuil peut être
considéré comme la valeur d'un récepteur de tension de sortie 𝑉𝑇 , que lorsqu'elle est dépassée, indique
une détection. En raison de la présence de bruit thermique dans le récepteur, il y a toujours une
probabilité différente de zéro que le seuil est dépassé, même en l'absence d'un signal cible. La
probabilité que la valeur de seuil 𝑉𝑇 est dépassée lorsqu’aucun signal n'est présent est la probabilité
de fausse alarme. Pour un bruit gaussien passé à travers un filtre à bande étroite, l'enveloppe de bruit
a une distribution de Rayleigh, et dans ce cas on peut écrire:
+∞ +∞ 𝑟 −𝑟 2 −𝑉𝑇 2
𝑃𝑓𝑎 = 𝑃𝑟 {𝑠𝑒𝑢𝑖𝑙 𝑏𝑟𝑢𝑖𝑡 > 𝑠𝑒𝑢𝑖𝑙 𝑉𝑇 } = ∫𝑉 𝑝𝑛 (𝑟)𝑑𝑟 = ∫𝑉 𝑒𝑥𝑝 𝑑𝑟 = 𝑒𝑥𝑝
𝑇 𝑇 Ψ𝑛 2Ψ𝑛 2Ψ𝑛
…..……………………………………………………………………………… (2.6.1)
Donc :

1
𝑉𝑇 = √2Ψ𝑛 ln …………………………………………………………… (2.6.2)
𝑃 𝑓𝑎

La figure II.17 représente la sortie d’un détecteur d’enveloppe, où 𝑇𝑘 est le temps entre deux
intersections de la tension du bruit avec le seuil𝑉𝑇 , et𝑡𝑘 ,𝑡𝑘+1 , 𝑡𝑘+𝑛 les temps pendant lesquels le bruit
s’étend sur le niveau du seuil.

Figure (II.17): Bruit de la sortie du détecteur d’enveloppe.

L’intervalle moyen entre deux fausses alarmes est appelé le temps de fausse alarme, 𝑇𝑓𝑎
1
𝑇𝑓𝑎 = 𝑙𝑖𝑚𝑁→∞ ∑𝑁
𝑘=1 𝑇𝑘 …………………………………………………….. (2.6.3)
𝑁

Le temps de fausses alarmes 𝑇𝑓𝑎 est lié à la probabilité de fausse alarme par :
𝑡𝑘
𝑇𝑓𝑎 = ……………………………………………………………………… (2.6.4)
𝑃𝑓𝑎
Où 𝑡𝑘 La durée moyenne d'une impulsion de bruit. Depuis la bande passante de fonctionnement de

33
 Chapitre 02 : Détection radar
radar B est l'inverse de 𝑡𝑘 , puis en substituant l'équation précédente dans l'équation suivante nous
pouvons écrire 𝑇𝑓𝑎 comme :

1 𝑉𝑇 2
𝑇𝑓𝑎 = 𝑒𝑥𝑝 ………………………………………………………………. (2.6.5)
𝐵 2Ψ𝑛

2.7. La probabilité de détection :

La probabilité de détection notée 𝑃𝑑 ,est la probabilité que le signal détecté sera correctement déclaré
un signal de cible, basé sur l’observation de la sortie du récepteur, lorsque ce signal est réellement
présent à l’entrée du récepteur. Pour les radars de surveillance, la probabilité que la cible soit détectée
au moins une fois sur N scans successifs est appelée la probabilité de détection cumulative. La cible
non fluctuante renvoie des signaux déterministes d’amplitude A (SER constante). On peut montrer
alors que l’enveloppe du signal bruité suit alors une distribution de Rice:
𝑟 −(𝑟+𝐴)2 𝑟𝐴
𝑝𝑠+𝑛 (𝑟) =
Ψ𝑛
𝑒𝑥𝑝 (
Ψ𝑛
) 𝐼0 (Ψ ) …………………………….…………… (2.7.1)
𝑛
𝑝𝑠+𝑛 est la probabilité du signal plus bruit, 𝐼0 est la fonction de besel modifiée d’ordre 0. La probabilité
de détection s’écrit:
∞
𝑃𝑑 = 𝑃𝑟 {𝑠𝑖𝑔𝑛𝑎𝑙 + 𝑏𝑟𝑢𝑖𝑡 > 𝑠𝑒𝑢𝑖𝑙 𝑉𝑇 } = ∫𝑉 𝑝𝑠+𝑛 (𝑟)𝑑𝑟 =
𝑇
∞ 𝑟 −(𝑟+𝐴)2 𝑟𝐴
∫𝑉 Ψ 𝑒𝑥𝑝 ( ) 𝐼0 (Ψ ) 𝑑𝑟………………………………………………. (2.7.2)
𝑇 𝑛 Ψ𝑛 𝑛
Cette expression ne peut pas être évalué exactement, mais de façons approchée par des
méthodes numériques (il existe des tables ou des courbes). Une expression approchée a été
proposé par North:
1
𝑃𝑑 = 𝑒𝑟𝑓𝑐(√− ln 𝑃𝑓𝑎 − √𝑆𝑁𝑅 + 0.5) ……………………………………... (2.7.3)
2
Où :
2 𝑥 2
𝑒𝑟𝑓𝑐(𝑥) = 1 − ∫0 𝑒 −𝑢 𝑑𝑢 …………………………………………………... (2.7.4)
𝜋

erfc(x) est la fonction d’erreur complémentaire.

En termes de Pdf, les processus de détection et de fausse alarme sont représentés graphiquement sur
la figure II.18. La sortie du filtre IF est composée soit du bruit seul soit du signal plus bruit. Rice
avait montré que la Pdf du signal à la sortie du détecteur d’enveloppe suit une distribution Rician, et
par conséquent suit une loi Rayleigh pour un bruit seul, en supposant qu’il est à l’origine Gaussien
dans le cas d’une cible non fluctuante. Les airs soulignés par les deux courbes (figure II.18)
représentent la 𝑃𝑓𝑎 et la 𝑃𝑑 .si le seuil de détection est réduite pour augmenter la probabilité de
détection, il y aura une augmentation de la probabilité de fausse alarme, et de même pour les
probabilités ont diminué si le seuil est élevé.

34
 Chapitre 02 : Détection radar

Figure (II.18): Pdf du bruit et du signal plus bruit.

35
 Chapitre 03 : La détection adaptive

III.La détection adaptive :

3.1. Introduction :
La détection automatique consiste à décider de l’absence ou de la présence d’une
cible en comparant l’écho reçu à un seuil de détection. Dans la théorie de la décision
statistique, il s’agit de choisir entre deux hypothèses statistiques : H0 pour l’hypothèse nulle (absence
du signal utile) ou H1 pour l’hypothèse alternative (présence de cible).
Chaque écho reçu résulte, dans le cas le plus général de la superposition du bruit
thermique, des réflexions du clutter et d’un éventuel écho de cible. Ainsi, le choix d’un
seuil de détection fixe (pré-calculé) conduit à une augmentation intolérable du nombre
de fausses alarmes lorsque le niveau du bruit, au voisinage de la cellule sous test (CUT) subit un
changement important du clutter.

3.2. La Détection à Taux de Fausse Alarme Constant

(CFAR) :
Dans le récepteur radar, les échos de retour sont généralement reçus par l'antenne, amplifiée,
converti vers le bas puis passé à travers les circuits du détecteur qui extraient l'enveloppe du signal
(connu sous le nom de signal vidéo). Ce signal vidéo est proportionnel à la puissance de l'écho reçu
et comprend le signal d'écho souhaité et la puissance indésirable du bruit interne du récepteur et de
l'encombrement externe et des interférences.
Le rôle du circuit constant des fausses alarmes est de déterminer le seuil de puissance au-dessus
duquel tout retour peut être considéré comme provenant probablement d'une cible. Si ce seuil est trop
bas, plus de cibles seront détectées au détriment d'un nombre accru de fausses alarmes. À l'inverse,
si le seuil est trop élevé, des cibles inférieures seront détectées, mais le nombre de fausses alarmes
sera également faible. Dans la plupart des détecteurs de radar, le seuil est réglé pour atteindre une
probabilité requise de fausse alerte (ou équivalent, faux taux d'alarme ou temps entre fausses alarmes).
Si l'arrière-plan contre lequel les cibles doivent être détectées est constant avec le temps et l'espace,
un niveau de seuil fixe peut être choisi qui fournit une probabilité spécifiée de fausse alarme, régie
par la fonction de densité de probabilité du bruit, ce qui est habituellement supposé être Gaussien. La
probabilité de détection est alors fonction du rapport signal / bruit du retour cible. Cependant, dans la
plupart des systèmes sur le terrain, les fuites indésirables et les sources d'interférences signifient que
le niveau de bruit change à la fois spatialement et temporellement. Dans ce cas, un seuil de
changement peut être utilisé, où le niveau de seuil est augmenté et abaissé pour maintenir une
probabilité constante de fausses alarmes. C'est ce qu'on appelle la détection constante de fausses
alarmes (CFAR).

36
 Chapitre 03 : La détection adaptive

3.3. Détecteurs CFAR :

Le principe de la détection classique utilisant un filtre adapté et un seuil de détection fixe, représenté
par la Figure III.1 ne peut être appliqué. En effet, une légère variation de 3db dans la densité de
puissance du bruit parasite total (bruit thermique plus clutter) provoque l’augmentation de la
probabilité de fausse alarme de consigne d’un facteur de l’ordre de 10-4 comme c’est illustré sur la
Figure III.2. Cette augmentation indésirable du taux de fausse alarme peut causer la saturation de
l’operateur, humain soit-il ou ordinateur. Cette remarque est à la base des méthodes adaptives pour
analyser et perfectionner la détection radar. L’idée, pour contourner les limitations du seuil fixe, est
de prendre un seuil de détections adaptatif, c’est-à-dire variant proportionnellement avec la puissance
du bruit. Les dispositifs utilisant cette solution sont appelés les détecteurs CFAR. Afin de bien cerner
l’apport des détecteurs CFAR en termes de qualité de détection, nous nous proposons de ce qui suit
de donner plus de détails sur l’algorithme CFAR et les différents détecteurs liés à ce type de détection.
Les algorithmes de détection basés sur la technique CFAR sont utilisés pour détecter des cibles noyées
dans des signaux parasites, dont les puissances sont inconnues. Le détecteur CFAR comme présenté
sur la Figure III.3 est le processus par lequel une cible est déclarée présente dans la cellule test tout
en maintenant un taux de fausse alarme constant et très faible. Enfin, la décision est prise en
comparant la sortie de chaque cellule sous test (CUT : Cell Under Test) a un seuil adaptatif dont sa
valeur est le produit entre le test statique q, qui représente l’estimation de la puissance du clutter
obtenue à partir des échantillons : (q1, q2,q3…………qN) dans la fenêtre de référence et un facteur
d’échelle T qui est choisi d’une manière à assurer une probabilité de fausse alarme PFA désirée. Le
contenu de chaque cellule est obtenu en échantillonnant le signal reçu de la sortie du détecteur
quadratique et en le passant dans un registre à retard formé par un ensemble de cellules de référence.
Pour simplifier la présentation, nous prenons les cellules de portée pour une fréquence doppler
spécifique.

Figure (III.1): Détecteur optimal (quadratique)

37
 Chapitre 03 : La détection adaptive

Figure (III.2) : Effet de l’augmentation de la puissance du bruit sur la Pfa pour un

seuil fixe.

Figure (III.3) : Architecture générale de la détection adaptative CFAR

38
 Chapitre 03 : La détection adaptive

3.3.1. CFAR à moyenne cellulaire (CA-CFAR) :

Le premier détecteur CFAR est le détecteur CA-CFAR (Cell Averaging) proposé par Finn et
Johnson et illustré dans la Figure IV.3. Le niveau du clutter, dans ce type de CFAR, est estimé par la
moyenne arithmétique des échantillons dans la fenêtre de référence. Dans la présence du clutter
homogène, il a été montré que si la taille de la fenêtre de référence tend vers l'infini, la probabilité de
détection tend vers celle du détecteur optimal de Neyman Pearson. L'inconvénient majeur de ce
procédé, est que dans le cas ou l'environnement est non homogène c’est à dire présence d'un bord du
clutter ou de cibles interférentes, le seuil de détection augmente et la probabilité de détection du
détecteur CA-CFAR diminue même pour un rapport signal sur bruit élevé. Pour améliorer les
performances dues à ces effets, un nombre de modifications dans la procédure classique CA-CFAR
ont été proposées et analysées.

Figure (III.4): Le détecteur CA-CFAR.

3.3.1.1. Le détecteur GO-CFAR

Hansen et Sawyers ont proposé le détecteur GO-CFAR (Greatest Of) qui utilise le maximum
des sommes des sorties des deux fenêtres qui se trouvent dans les deux côtés de la cellule sous test.
Le but de cette amélioration est de corriger le problème de l'effet de bord du Clutter.

39
 Chapitre 03 : La détection adaptive

X1 …………………….. XN/2 X(N/2+1) …………….. XN

Z1 Z2

ZGO=Max(Z1,Z2)

Figure (III.5): Le détecteur GO-CFAR.

3.3.1.2. Le détecteur SO-CFAR

Pour corriger le problème de l'effet masque (i.e si une cible se situe dans la région du bruit
thermique seulement), Trunk a proposé le détecteur SO-CFAR(Smallest Of), c'est-à-dire il prend le
minimum des deux fenêtres de part et d'autre de la cellule sous test au lieu du maximum.

X1 …………………….. XN/2 X(N/2+1) …………….. XN

Z1 Z2

ZSO=Min(Z1,Z2)

Figure (III.6): Le détecteur SO-CFAR

40
 Chapitre 03 : La détection adaptive

3.3.2. CFAR à statistique ordre (OS-CFAR) :

Il a aussi montré, en étudiant la résolution des cellules de référence, que des cibles ne peuvent
pas être détectées par le détecteur CA-CFAR, surtout dans le cas où une cible se trouve dans une seule
fenêtre et ne se présente pas dans l'autre fenêtre. Si des cibles interférentes sont présentes dans les
deux fenêtres, ni le détecteur GO-CFAR ni le détecteur SO-CFAR ne résolvent le problème de l'effet
de capture. Pour contourner cette limitation, Rolling a introduit le détecteur OS-CFAR (Order
Statistic), c'est-à-dire le détecteur CFAR à statistiques ordonnées comme c'est montré dans la figure
III.7 dans lequel les échantillons de la fenêtre de référence sont classés dans un ordre croissant. Le
kème échantillon ordonné est utilisé pour estimer le niveau du clutter. Le rôle majeur du détecteur
OS-CFAR est de résoudre le problème de l'effet de capture en éliminant les cellules qui contiennent
des cibles interférentes

Figure (III.7) : Le détecteur OS-CFAR

3.3.3. Détecteurs à niveau moyen censuré (CMLD-CFAR) :

Le seuil adaptatif La détection de CFAR U0 est égal à la quantité de bruit de fond et à l'intensité
d'encombrement μ estimée avec un produit K pondéré, soit U0 = K μ. Parmi eux, la quantité pondérée
K n'est pertinente qu'avec le niveau constant fausse alarme et les caractéristiques de distribution de
l'arrière-plan, mais μ associe aux méthodes de détection spécifiques. Lorsque vous réglez le seuil du
multiplicateur K, vous pouvez modifier la taille du seuil U0. Sous différentes façons de travailler pour
assurer la performance de détection optimale, afin de contrôler la taille du taux de fausses alarmes.
Lorsque la valeur de l'unité d'essai D est supérieure au seuil U0, les signaux ont été jugés comme
objectif. Selon le calcul de μ, le détecteur CFAR est divisé en deux statistiques typiques du détecteur
(ML) et des statistiques commandes (OS), son diagramme de principe de la statistique des ordres
(OS) est représenté en figure III.7.

41
 Chapitre 03 : La détection adaptive

Figure (III.8) : Le diagramme de structure CMLD-CFAR

Les signaux d'entrée sont envoyés à la ligne à retard composée de (2L+1) unité de retard, D est l'unité
testée, D ont des unités L de chaque côté, considérées comme unité de référence. Et l'encombrement
de fond et l'énergie de bruit se fait à travers l'unité de détection D autour de Unité de référence 2L
pour le traitement. ML CFAR incluant CFAR de base de la cellule (CA), maximum CFAR (GO),
minimum CFAR (SO) et SO activés, OS CFAR incluant les statistiques d'ordre (OS) CFAR, examen
et détecteur de niveau moyen (CMLD) CFAR , couper le CFAR moyen (TM), etc. Déterminé par le
type de CMLD -CFAR:
2𝐿−𝑙2
CMLD –CFAR : 𝜇𝐶𝑀𝐿𝐷 = ∑𝑖=𝑙 𝑥𝑖
Là: Chaque unité du signal de référence dans la gamme de petit à grand ordre après la première valeur
i exprimée xi; Étant donné la valeur d'échantillonnage minimale de l1, la plus petite unité de valeurs
d'échantillons de référence exprimée xl1, qui, en référence au type de signal respectif, varie d'un petit
à l'autre. Depuis la maximisation de la valeur d'échantillonnage de l2, la plus grande unité
d'échantillons de référence exprimée xl2 en référence au type de signal respectif par gamme de petit
à grand

3.4. L’état de l’art des détecteurs CFAR:

3.4.1. Détecteurs CFAR à niveau moyen :

Les détecteurs CFAR à niveaux moyens sont les premiers parus dans la littérature radar. Cette
classe de détecteurs convient le mieux aux environnements stationnaires et homogènes. Le paradigme
de la classe des détecteurs CFAR est le détecteur CA-CFAR (Cell Averaging) proposé par Finn et
Johnson. Ce détecteur évalue le niveau du clutter à partir de la moyenne arithmétique des cellules de
référence. Autrement dit, afin de maintenir une probabilité de fausse alarme désirée, le calcul du seuil

42
 Chapitre 03 : La détection adaptive

adaptatif est le résultat de la multiplication d’une constante par le niveau moyen du clutter. Pour un
clutter Gaussien dont les échantillons dans la fenêtre de référence sont indépendants et identiquement
distribués, le détecteur CACFAR performe parfaitement bien. Sa performance se rapproche de celle
du détecteur idéal de Neyman-Pearson quand le niveau moyen du clutter est connu a priori et lorsque
le nombre de cellules de référence est suffisamment grand. Toutefois, dans la réalité, due à la présence
d’un bord de clutter et/ou de cibles interférentes dans la fenêtre de référence, le clutter est souvent
hétérogène. Dans ce cas, l’hypothèse d’homogénéité locale n’est plus vérifiée. Par conséquent, les
capacités de performance et de régulation du taux de fausse alarme du détecteur CA-CFAR sont
considérablement affectées. En présence d’un bord de clutter, la CST peut se trouver immergée dans
une région où le clutter a une puissance plus élevée que celle où se trouvent certaines cellules de
référence. Dans ce cas, afin de minimiser l’effet de capture tout en maintenant une probabilité de
fausse alarme presque constante, Hansen a proposé le détecteur GO-CFAR (Greatest-Of). Dans ce
détecteur, l'estimation du niveau du clutter est donnée par le maximum des moyennes arithmétiques
obtenues à partir des cellules appartenant aux deux demi-fenêtres de référence, se trouvant en aval et
en amont de la CST. Cependant, il se peut que cette dernière soit immergée dans une région où le
clutter est de puissance plus faible que celle où se trouvent certaines cellules de référence. Dans ce
cas, l’effet de masque dans le détecteur GO-CFAR devient évidemment accru. En présence de cibles
interférentes, d’autres travaux sur des détecteurs CFAR, ont été investigués dans la littérature. Aussi,
des cas de cibles étroitement distantes les unes des autres peuvent être rencontrées dans des
environnements denses en cibles. Dans de telles situations, les détecteurs automatiques déclarent la
présence d'une seule cible. Pour améliorer la résolution des cibles rapprochées et donc améliorer les
performances de détection, Trunk [9] a mis au point le détecteur SO-CFAR (Smallest-Of) dont
l’estimation du niveau de clutter est obtenue à travers le calcul du minimum des moyennes
arithmétiques obtenues à partir des cellules appartenant aux deux demi-fenêtres de références se
trouvant de part et d’autre de la cellule sous test. Le détecteur SO-CFAR est moins sensible à la perte
en détection que le CA-CFAR à moins que le nombre de cellules de résolution soit relativement grand.
En d'autres termes, pour un petit nombre de cellules de référence, la perte en détection du SO-CFAR
est relativement plus grande par rapport au détecteur idéal (taille de la fenêtre indéfiniment grande).
Cependant, ses performances de détection se dégradent considérablement si les cibles interférentes
se situent simultanément dans les deux demi-fenêtres de référence. De plus, en présence d'un bord de
clutter, le détecteur SO-CFAR a du mal à maintenir un taux de fausse alarme constant.

3.4.2. Détecteurs CFAR Basés sur les Statistiques d'Ordre :

Afin d’améliorer la robustesse des détecteurs à niveaux moyens et garantir une détection CFAR dans
des environnements hétérogènes, une classe de détecteurs basés sur les statistiques d'ordre a été
développée dans la littérature. Son objectif est d’éliminer les effets de masque et de capture. Dans
cette classe de détecteurs, les échantillons sont d'abord classés par ordre croissant en fonction de leurs
puissances. Ensuite, parmi les cellules de référence ordonnées, celles qui contiennent des échos
indésirables sont éliminées. L'ensemble homogène, des échantillons restants, est alors utilisé pour
estimer le niveau du clutter. Dans un environnement Gaussien et dans des situations de cibles
multiples, Rickard et Dillard ont été les premiers à introduire les statistiques d’ordre dans la détection
CFAR. Ils ont proposé le CMLD-CFAR (Censored Mean Level Detector). Dans ce détecteur, les plus
grands échantillons ainsi ordonnés sont censurés car ils sont supposés représenter des interférences.
La somme des échantillons restants est alors utilisée pour estimer le niveau du clutter. Dans un
43
 Chapitre 03 : La détection adaptive

environnement homogène, ce détecteur présente une légère perte de détection par rapport au détecteur
CA-CFAR. Dans des situations de cibles multiples, il demeure robuste tant que le nombre des
échantillons censurés dépasse le nombre des interférentes présentes dans la fenêtre de référence. Pour
la même situation, c’est à dire, celle de cibles multiples dans un environnement Gaussien, Rohling a
proposé le détecteur OS-CFAR (Order Statictics). Dans un tel détecteur, le kème plus grand
échantillon est choisi pour estimer le niveau du clutter; auquel cas, la probabilité de détection présente
une légère dégradation en milieu homogène. Il est certain qu'en milieu interférent, les détecteurs OS-
CFAR et CMLD-CFAR exhibent des performances de détection meilleures que celle du détecteur
CA-CFAR. Il n'en demeure pas moins, qu'ils soient onéreux en temps de calcul et que ce dernier (le
détecteur CA-CFAR) les transcende en milieu homogène. Ghandi et Kassam ont proposé le détecteur
TM-CFAR (Trimmed Mean) pour résoudre les insuffisances du détecteur OS-CFAR lors du passage
de la fenêtre de référence par des transitions de clutter. Ce détecteur combine le classement et la
moyenne arithmétique. En effet, une censure est effectuée pour éliminer les échantillons ordonnés
indésirables de plus petites et plus grandes puissances. La somme des échantillons restants forme
l’estimateur du niveau du clutter.

44
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

IV. Discussion sur la simulation et analyse des résultats:

4.1. Introduction :
La détection CFAR est proposée pour résoudre les problèmes des anciens détecteurs et pour
estimer la probabilité de détection des cibles dans des différents environnements (homogènes et
hétérogènes).
Dans ce travail on a fait une petite simulation des quatre types des détecteurs CFAR (CA, GO, SO et
OS) avec le programme MATLAB pour connaitre le maïeur détecteur qui nous donne une bonne
détection.

4.2. Discussion sur la simulation :

Dans cette étape on a programmé avec la fonction de MATLAB les seuils des quatre détecteurs
avec des paramètres de simulation Pfa désirée, N nombres des cellules, nGuardCell nombre des
cellules de garde et la puissance de signal.

4.2.1. Programme de simulation de détecteur CA-CFAR :

function [T,iCFARwin]=CA_CFAR1(varargin)
switch nargin
case 3
Pfa=varargin{1};
N=varargin{2};
signal=varargin{3};
nGuardCell=1;
case 4
Pfa=varargin{1};
N=varargin{2};
nGuardCell=varargin{3};
signal=varargin{4};
otherwise
error('Unexpected Number of Inputs')
end
a=N*(Pfa^(-1/N)-1);% le multiplicateur de seuil
L=length(signal);
if min(size(signal))==1
iWindow=1:N+1+2*nGuardCell;
nCUT=L-N-2*nGuardCell;
shiftCFAR=(0:nCUT-1).';
index=repmat(iWindow,nCUT,1)+repmat(shiftCFAR,1,N+1+2*nGuardCel
l);
iRefWin=index;

45
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

i=N/2+nGuardCell+1;
iCUT=index(:,i);
B=sum(signal(iRefWin),2)/N;
T=zeros(L,1);
T(iCUT)=a*B;
else
iCUT=N/2+nGuardCell+1;
iRefCell=1:N+2*nGuardCell+1;
notRefCell=N/2+(1:1+2*nGuardCell);
iRefCell(notRefCell)=[];
B=sum(signal(:,iRefCell),2)/N;
T=a*B;
end
iCFARwin=1:L;
iCFARwin(T==0)=[];

Ce programme est préparé du diagramme de seuil ci-dessous :

Cellules de références Cellules de gardes

Cellule
sous
teste

Multiplicateur de seuil Sortie de seuil

Figure (IV.1) : Schéma bloc pour obtenir le seuil de détecteur CA-CFAR

46
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

4.2.2. Programme de simulation de détecteur GO-CFAR :

function [T,iCFARwin]=GOCA_CFAR1(varargin)
switch nargin
case 3
Pfa=varargin{1};
N=varargin{2};
signal=varargin{3};
nGuardCell=1;
case 4
Pfa=varargin{1};
N=varargin{2};
nGuardCell=varargin{3};
signal=varargin{4};
otherwise
error('Unexpected Number of Inputs')
end
L=length(signal);
a_set=0.1:0.1:50;
P=zeros(length(a_set),1);
for i=1:length(a_set)
a=a_set(i);
sum_term=zeros(N/2,1);
for k=0:N/2-1
sum_term(k+1,1)=nchoosek(N/2-1+k,k)*(2+a/(N/2))^-k;
end
sum_term=sum(sum_term);
P(i,1)=2*((1+a/(N/2))^(-N/2)-(2+a/(N/2))^(-N/2)*sum_term);
end
a=interp1(P,a_set,Pfa);%le multiplicateur de seuil
if min(size(signal))==1
iWindow=1:N+1+2*nGuardCell;
nCUT=L-N-2*nGuardCell;
shiftCFAR=(0:nCUT-1).';

index=repmat(iWindow,nCUT,1)+repmat(shiftCFAR,1,N+1+2*nGuardCel
l);
iLead=index(:,1:N/2);
iLag=index(:,N/2+2*nGuardCell+2:end);
i=N/2+nGuardCell+1;
iCUT=index(:,i);
leadWin=signal(iLead);
sumLead=sum(leadWin,2);
lagWin=signal(iLag);
sumLag=sum(lagWin,2);
B=max(sumLead,sumLag)/(N/2);
T=zeros(L,1);

47
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

T(iCUT)=a*B;
else
leadWin=signal(:,1:N/2);
sumLead=sum(leadWin,2);
lagWin=signal(:,N/2+2*nGuardCell+2:end);
sumLag=sum(lagWin,2);
B=max(sumLead,sumLag)/(N/2);
T=a*B;
end
iCFARwin=1:L;
iCFARwin(T==0)=[];

Ce programme nous donne le seuil de détecteur GO-CFAR qui a obtenu de ce diagramme :

Multiplicateur de seuil

Figure (IV.2) : Schéma bloc d’obtention le seuil de détecteur GO-CFAR

Pour prendre le multiplicateur de seuil il faut résoudre cette équation :

𝑁 −𝑘
𝑁 𝑁 −1
−
2
−
2 2 𝑁
1 𝑎𝐺𝑂 1 𝑎𝐺𝑂 −1+𝑘 𝑎𝐺𝑂
̅̅̅̅
𝑃𝑓𝑎 = (1 + ) − (2 + ) ∑ (2 ) (2 + )
2 𝑁⁄ 2 𝑁⁄ 𝑘 𝑁⁄
2 2 𝑘=0 2
{ }

48
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

4.2.3. Programme de simulation de détecteur SO-CFAR :

function [T,iCFARwin]=SOCA_CFAR1(varargin)
switch nargin
case 3
Pfa=varargin{1};
N=varargin{2};
signal=varargin{3};
nGuardCell=1;
case 4
Pfa=varargin{1};
N=varargin{2};
nGuardCell=varargin{3};
signal=varargin{4};
otherwise
error('Unexpected Number of Inputs')
end
L=length(signal);
a_set=0.1:0.05:30;
P=zeros(length(a_set),1);
for i=1:length(a_set)
a=a_set(i);
sum_term=zeros(N/2,1);
for k=0:N/2-1
sum_term(k+1,1)=nchoosek(N/2-1+k,k)*(2+a/(N/2))^-k;
end
sum_term=sum(sum_term);
P(i,1)=2*((1+a/(N/2))^(-N/2)-(2+a/(N/2))^(-N/2)*sum_term);
end
a=interp1(P,a_set,Pfa);% le multiplicateur de seuil
if min(size(signal))==1
iWindow=1:N+1+2*nGuardCell;
nCUT=L-N-2*nGuardCell;
shiftCFAR=(0:nCUT-1).';

index=repmat(iWindow,nCUT,1)+repmat(shiftCFAR,1,N+1+2*nGuardCe
ll);
iLead=index(:,1:N/2);
iLag=index(:,N/2+2*nGuardCell+2:end);
i=N/2+nGuardCell+1;
iCUT=index(:,i);
leadWin=signal(iLead);
sumLead=sum(leadWin,2);
lagWin=signal(iLag);
sumLag=sum(lagWin,2);
B=min(sumLead,sumLag)/(N/2);
T=zeros(L,1);

49
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

T(iCUT)=a*B;
else
leadWin=signal(:,1:N/2);
sumLead=sum(leadWin,2);
lagWin=signal(:,N/2+2*nGuardCell+2:end);
sumLag=sum(lagWin,2);
B=min(sumLead,sumLag)/(N/2);
T=a*B;
end
iCFARwin=1:L;
iCFARwin(T==0)=[];

L’équation d’obtention le multiplicateur de seuil est ci-dessous :

𝑁 −𝑘
𝑁 −1
−
2 2 𝑁
1 𝑎𝐺𝑂 −1+𝑘 𝑎𝐺𝑂
̅̅̅̅
𝑃𝑓𝑎 = (2 + ) ∑ (2 ) (2 + )
2 𝑁⁄ 𝑘 𝑁⁄
2 𝑘=0 2
{ }

Le seuil de ce détecteur a été obtenu de ce diagramme :

Multiplicateur de seuil

Figure (IV.3) : Schéma bloc de détecteur SO-CFAR

50
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

4.2.4. Programme de simulation de détecteur OS-CFAR :

function[T,iCFARwin]=OS_CFAR1(varargin)
switch nargin
case 4
Pfa=varargin{1};
N=varargin{2};
k=varargin{3};
signal=varargin{4};
nGuardCell=1;
case 5
Pfa=varargin{1};
N=varargin{2};
k=varargin{3};
nGuardCell=varargin{4};
signal=varargin{5};
otherwise
error('Unexpected Number of Inputs');
end
L=length(signal);
a_set=0.1:0.05:100;
P=zeros(length(a_set),1);
for i=1:length(a_set)
a=a_set(i);
P(i)=k*nchoosek(N,k)*gamma(a+N-k+1)*gamma(k)/gamma(a+N+1);
end
a=interp1(P,a_set,Pfa);
iRefCell=1:N+2*nGuardCell+1;
notRefCell=N/2+(1:1+2*nGuardCell);
iRefCell(notRefCell)=[];
sortedPwrSignal=sort(signal(iRefCell));
B=sortedPwrSignal(k);
T=a*B;
iCFARwin=1:L;
iCFARwin(T==0)=[];

Ce programme a été obtenu de cette équation :

𝑁 (𝑎𝑜𝑠 + 𝑁 − 𝑘)!
𝑃̅𝑓𝑎 = ( )
𝑘 (𝑁 − 𝑘)! (𝑎𝑜𝑠 + 𝑘 − 𝑁)

𝑁!
Avec : (𝑁
𝐾
) = 𝐾!(𝑁−𝑘)!

51
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

Ce schéma est pour prendre le seuil de détecteur OS-CFAR :

Classer les cellules de références d’ordre croissant

Multiplicateur de seuil

Figure (IV.4) : Schéma bloc de détecteur OS-CFAR

4.2.5. Programme qui donner la probabilité de détection

dans différents environnements :

clear all
close all
clc
%Paramètres de Simulation
iMasking=[]; %location de cibles interférentes
Pfa=10^-6; %la probabilité de détection désiré
nTrial=10^6; %N
SNRdB_set=2:0.5:36; %SNR d'étre simulé en dB
% Parametres des dtecteur CFAR
N=32; % nombre des cellule de refereces
k_OS=round(N*0.75); %le coefficient k de detecteur OS-CFAR
nGuardCell=1; % numbre des cellules de garde
% la numérotaion des CFARs
CA=1;
OS=2;
GOCA=3;
SOCA=4;

52
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

% nombre total des CFAR's

nCFAR=5;
% Nom de légende
CFARtype{CA}='CA-CFAR';
CFARtype{OS}='OS-CFAR';
CFARtype{GOCA}='GOCA-CFAR';
CFARtype{SOCA}='SOCA-CFAR';
% coleur des graphes
clr=zeros(nCFAR,3);
clr(CA,:) =[0 0 0 ]/255; % noire
clr(OS,:) =[255 0 0 ]/255; %rouge
clr(GOCA,:)=[153 153 0 ]/255;%marron
clr(SOCA,:)=[0 153 204]/255;%bleu claire
% Génération de l'environnement CFAR
SNR_set=10.^(SNRdB_set/10);
nSNR=length(SNRdB_set);
noisePwr=1; % puissace de bruit
nWindow=N+2*nGuardCell+1;
iCUT=N/2+nGuardCell+1;
nMasking=length(iMasking);
iTarget=[iMasking iCUT];
nTarget=length(iTarget);% nombre des cibles
pwrSignal=exprnd(noisePwr,nTrial,nWindow);
% Simulation
threshold=zeros(nTrial,nCFAR);%seuil
Pd=zeros(nSNR,nCFAR);
for iSNR=1:nSNR
SNR=SNR_set(iSNR);
targetPwr=noisePwr*SNR;%puissance de cible
pwrSignal(:,iTarget)=exprnd(targetPwr+noisePwr,nTrial,nTarget);
threshold(:,CA)=CA_CFAR1(Pfa,N,pwrSignal);
threshold(:,OS)=OS_CFAR1(Pfa,N,k_OS,pwrSignal);
threshold(:,SOCA)=SOCA_CFAR1(Pfa,N,pwrSignal);
threshold(:,GOCA)=GOCA_CFAR1(Pfa,N,pwrSignal);
nDetection=sum(repmat(pwrSignal(:,iCUT),1,nCFAR)>threshold);
Pd(iSNR,:)=nDetection/nTrial;
end

%les graphes
SNRdB_set=SNRdB_set(:);

53
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

% les courbes des probabilités de détection

for iCFAR=1:nCFAR
figure
hold on
%Neyman-Pearson
plot(SNRdB_set,Pd_inf(Pfa,SNRdB_set),'k--');
% les quatre detecteurs
if iCFAR==CA
plot(SNRdB_set,Pd(:,CA),'color',clr(CA,:),'linewidth',1.5)
legend(['Neyman-Pearson' CFARtype([CA])],'location','SouthEast');
elseif iCFAR==OS

plot(SNRdB_set,Pd(:,OS),'color',clr(OS,:),'linewidth',1.5)
legend(['Neyman-Pearson'
CFARtype([OS])],'location','SouthEast');
else if iCFAR==GOCA

plot(SNRdB_set,Pd(:,GOCA),'color',clr(GOCA,:),'linewidth',1.5)
legend(['Neyman-Pearson'
CFARtype([GOCA])],'location','SouthEast');
else if iCFAR==SOCA

plot(SNRdB_set,Pd(:,SOCA),'color',clr(SOCA,:),'linewidth',1.5)
legend(['Neyman-Pearson'
CFARtype([SOCA])],'location','SouthEast');
else
plot(SNRdB_set,Pd(:,CA),'color',clr(CA,:),'linewidth',1.5)
plot(SNRdB_set,Pd(:,OS),'color',clr(OS,:),'linewidth',1.5)
plot(SNRdB_set,Pd(:,GOCA),'color',clr(GOCA,:),'linewidth',1.5)
plot(SNRdB_set,Pd(:,SOCA),'color',clr(SOCA,:),'linewidth',1.5)
legend(['Neyman-Pearson' CFARtype([CA OS GOCA
SOCA])],'location','SouthEast');
end
end
end
ylabel('Probabilité de Détection');
xlabel('Rapport Signal sur Bruit (dB)');
% le titre de Simulation
if nMasking==0
title('\fontsize{11}Probabilité de Détection -
\color{blue}Environnment Homogène');
else

title(['\fontsize{11}Probabilité de Détection - \color{blue}'...

num2str(nMasking) ' cibles interférentes']);
end

54
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

grid on;
set(gca,'Xcolor',[0.5 0.5 0.5]);
set(gca,'Ycolor',[0.5 0.5 0.5]);
Caxes = copyobj(gca,gcf);
set(Caxes, 'color', 'none', 'xcolor', 'k', 'xgrid',
'off','ycolor','k', 'ygrid','off');
end

Ce programme-là est nous donner la probabilité de détection de chaque détecteur dans des différents
environnements et traces les graphes des Pd en fonction de rapport signal sur bruit (SNR) en dB et
comparer les graphes avec le cas optimale de Neyman-Pearson détection.

4.3. Analyse des résultats de simulation :

Pour faire exécuter les programmes, on a donné des valeurs fixes des paramètres de simulation
suivants :
Les paramètres de simulation sont :
- Probabilité de fausse alarme désirée : Pfa=10^-6.
- Nombres des essais : nTrial=10^6
- Nombres des cellules : N=32
- Rapport signal sur bruit en dB : SNRdB_set=2 : 0.5 : 36
- Nombre des cellules de gardes : nGuardCell=1

4.3.1. Resultats de simulation de detecteur CA-CFAR :

A) Environnement homogène :
Dans cette environnement le nombre des cibles interférentes est nul nMasking=0

Figure (IV.5) : Courbe de Pd en fonction de SNRdB dans un environnement

homogène

55
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

Comment va voire sur la Figure IV.4 le courbe est croissante lentement de 2 à 5 dB après ca il
va croissante rapidement de 5 à 20 dB et de 20 dB il reste dans la probabilité 0.9. Donc la probabilité
de détection de CA-CFAR dans l’environnement homogène est très proche que la détection optimale
de Neyman-Pearson pour une Pfa désiré de 10^-6.

B) Environnement Hétérogène :
Dans cet environnement on a différents cas : une, deux et trois cibles interférentes nMasking=1,2,3
Après l’exécution de programme de multi cibles on a observé :

Figure (IV.6) : Résultats de Pd dans des différents environnements hétérogène

Dans cette Figure IV.5 on a vu que dans les trois cas, l’environnement qui contient 1 cible
interférente la courbe reste entre 0.6 et 0.7, dans l’environnement de 2 cibles interférentes la courbe
descendre à 0.4 et dans l’environnement de 3 cibles interférentes la courbe et reste en bas de 0.3.

56
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

Donc la probabilité de détection est devient mauvaise dans cet environnement lorsque le nombre des
cibles interférentes augmente la probabilité de détection devient faible.

4.3.2. Resultats de simulation de détecteur GO-CFAR :

A) Environnement homogène :
Dans cette environnement le nombre des cibles interférentes est nul nMasking=0
Après l’exécution de programme de multi cibles on a observé :

Figure (IV.7) : La Pd de détecteur GO-CFAR dans un environnement homogène

Comment a vu ce détecteur est faire les mêmes états de détecteur CA-CFAR. Donc La probabilité
de détection dans cet environnement est très similaire que la Pd de Neyman-Pearson qui est la
référence et l’optimale

B) Environnement hétérogène :
Dans cet environnement on a différents cas : une, deux et trois cibles interférentes
nMasking=1,2,3
Après l’exécution de programme de multi cibles on a observé que la détection devient très faible
chaque fois que le nombre des cibles interférentes est augmente

57
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

Figure (IV.8) : La Pd de détecteur GO-CFAR dans des environnements Hétérogènes

Dans cet environnement ce détecteur est fait comme le CA-CAFR quand les cibles interférentes sont
augmentes la courbe devient en bas. Donc ce détecteur n’est pas utile dans ce type d’environnement

4.3.3. Résultats de simulation de détecteur SO-CFAR :

A) Environnement homogène :
Dans cette environnement le nombre des cibles interférentes est nul nMasking=0
Après l’exécution de programme de multi cibles on a observé que même dans ce détecteur la
probabilité de détection dans l’environnement homogène est approche de l’optimale comment va
voir dans cette figure :

58
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

Figure (IV.9): Probabilité de détection de détecteur SO-CFAR dans un

environnement homogène
Comment a vu la courbe de est simulé la courbe de probabilité de de détection de Neyman-Pearson
qui est représenté l’optimale. Donc ce détecteur est préférable pour cet environnement.

B) Environnement hétérogène :
Dans cet environnement on a différents cas : une, deux et trois cibles interférentes nMasking=1,2,3

Figure (IV.10) : Courbe de Pd en fonction de SNR de détecteur SO-CFAR dans des

environnements Hétérogènes
59
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

Comment va voir de Figure IV.9, en contraste des détecteurs CA et GO-CFAR les courbes sont
simulés avec l’optimale ce détecteur est nous donne une bonne détection même dans les
environnements hétérogènes. Donc il est préférable d’utiliser pour ce type d’environnement.

4.3.4. Résultats de simulation de détecteur OS-CFAR :

A) Environnement homogène :
Dans ce détecteur on a le coefficient k_OS de sélection des fenêtres des références après le
classement croissant des fenêtres, nous avons prend deux valeur de coefficient k_OS =0.75 ET 0.875
et on a voir les résultats sur les figures suivantes :

Figure (IV.11) : La Pd de détecteur SO-CFAR dans un environnement homogène

avec k_OS=0.75

Cette courbe est croissante mais lentement que l’optimale comment a vu le début de croissance de
la courbe rouge et de 5 dB par contre l’optimale de croissant à partir de 2 dB
Apres ca on a augmenté le coefficient k_OS à 0.875 c.à.d. (7/8) et on a remarqué les résultats
suivants :

60
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

Figure (IV.12) : La Pd de détecteur SO-CFAR dans un environnement homogène

avec k_OS=0.875
Apres l’exécution de programme on a voir que les mêmes résultats obtenir de le k_OS=0.75 on a
obtenu quand k_OS=0.875. Donc la détection est approche de l’optimale dans l’environnement
homogène hormis que la valeur de coefficient k_OS

B) Environnement hétérogène :
Dans le détecteur OS-CFAR on a prend le coefficient k_OS=0.75 et 0.875
Apres l’exécution de programme de simulation d’OS-CFAR dans des environnements hétérogène
avec deux valeurs de k_OS on observe :

Figure (IV.13) : La Pd de détecteur OS-CFAR dans des environnements hétérogènes

avec k_OS=0.75

61
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

Dans cet environnement hétérogène il y a une petite différence entre les trois cas la courbe et moins
croissante quand les cibles interférentes sont augmentés. Apres ca on a changé le coefficient k_OS à
0.875 et on a observé les résultats suivants :

Figure (IV.14) : La Pd de détecteur OS-CFAR dans des environnements hétérogènes

avec k_OS=0.875

Apres l’exécution on a voir les résultats déférentes que le cas coefficient k_OS = 0.75 la détection en
cas de 2 cibles interférentes et la bonne que les deux autre cas. Donc le détecteur OS nous donne une
bonne détection même dans les environnements hétérogènes. Mais comment nous voisons le choix
de coefficient k_OS est très important pour prendre une bonne détection très proche que l’optimale
de Neyman-Pearson par exemple dans le cas de 2 cibles interférentes la valeur propre de k_OS est
(3/4).

62
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

4.4. Comparaison des résultats des quatre détecteurs :

Apres tout ça on a comparé entre les quatre détecteurs et trouver lequel le maïeur qui nous
donne la bonne détection dans les deux environnements (homogène et hétérogène)

A) Environnement homogène :
On va commencer avec l’environnement homogène qu’il y a rien des cibles interférentes, la
simulation nous donne ces résultats qui a été représentés dans cette figure-là :

Figure (IV.15): La Pd des quatre détecteurs dans l’environnement homogène

Dans cette figure on a observé le SO détecteur et simulé l’optimale et les deux détecteur CA et GO
sont croissantes rapidement que l’OS. Donc tous les détecteurs nous donne une bonne détection, mais
il y a des détecteurs donnent des probabilités de détection plus proche que les autres par rapport la
détection optimale de Neyman-Pearson par exemples le détecteur CA-CFAR a une détection

B) Environnement hétérogène
Dans cet environnement il y a des cibles interférentes donc la détection est difficile, à ce
moment-là on va voir ou et le détecteur capable qui nous donne une majeure détection dans cet
environnement
On a fait la simulation et les résultats ont été présentés dans la figure suivante :

63
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

Figure (IV.16): La Pd de quatre détecteurs dans des environnements hétérogènes

Apres la simulation on a connaitre qui est le maïeur détecteur qui nous donne la donne détection dans
cet environnement, et comment a vu dans cette figure les deux détecteurs SO et OS donnent des
bonnes détections, mais les deux autres détecteurs CA et GO donnent des mauvaises détections et à
chaque fois que le nombre des cibles interférentes augmente la détection devient très mauvaise.

64
 Chapitre 04 : Discussion sur la simulation et analyse des résultats

4.5. Conclusion :

À la fin de ce travail, nous avons constaté que :

- Quand on a augmenté le N nombre des cellules la détection augmente
- Il faut choisir une bonne valeur de coefficient k_OS pour obtenir une bonne
détection en cas de détecteur SO_CFAR.
- Dans un environnement homogène tous les détecteurs ont donné des bonnes
détections mais à l’environnement hétérogène les deux détecteurs SO et
OS_CFAR ont donné des résultats très proches que le cas optimal. Quant à les
détecteurs CA et GO_CFAR ils ont donné des mauvaises détections et chaque
fois que nous augmentons les nombres des cibles masquées la détection devient
mauvaise.

65
 Conclusion générale

Conclusion Générale :

Les détecteurs CFAR peuvent être utilisés avec profit dans de nombreuses
situations. Leurs résultats permettent de détecter des cibles noyées dans des signaux
parasites dont les puissances sont inconnues tout en maintenant un taux de fausse alarme
constant contrairement à la détection classique à seuil fixe. L'originalité du processus
CFAR réside dans l'estimation du niveau du bruit, cette estimation qui permet d'adapter
le seuil de détection à la variation du bruit.
De ce fait, ont découlé plusieurs détecteurs CFAR, l'idée principale restant
cependant la même. Dans le détecteur CA-CFAR, par exemple, le niveau du clutter est
estimé par la moyenne arithmétique des échantillons. Les deux variantes du CA_CFAR,
qui sont le GO_CFAR et le SO_CFAR ont été proposées pour améliorer la détection
dans un environnement non homogène. Les détecteurs OS_CFAR sont proposés pour
contourner l'effet de capture. Dans des cas plus complexes, l'environnement non
homogène, et présence de cibles multiples, ces détecteurs font cependant preuve de
limitation, d'autres méthodes doivent ainsi être envisagées. Dans le présent mémoire est
divisé en quatre chapitres. Le premier donne une introduction aux systèmes Radar et ses
différentes composantes. Le deuxième chapitre porte une analyse de l’équation radar en
fonction de la surface équivalente et de la puissance d’émission, des résultats de
simulation sont aussi présenté dans ce chapitre. Le troisième chapitre analyse la théorie
de détection Radar et introduit la notion de probabilité de fausse alarme ainsi que les
modèles des cibles Swerling quels soient fluctuantes ou non. Dans le quatrième chapitre,
nous présentant une analyse de performances des différents détecteurs CFAR et une
comparaison entre eux.
L’étude des Radar reste un domaine très difficile et multidisciplinaire est plain de
perspectives de recherche telles que l’étude des milieux non-homogène et des cas de
types de Radar bien précis.

66
Les bandes de fréquences utilisées dans les systèmes radars
Bibliographie et références
 Bibliographie et références
[1] Éditeur : Christian Wolff, Traduction En Langue Française Et Révision: Pierre Vaillant Et
Christophe Paumier, Version 9 Juillet 2011.

[2] Mr S.Meguelati, « Cours Radar », Université De Blida 5éme Année Ingénieur

Département Aéronautique (Option: Installation) Année:2009/2010.

[3] Éditeur: Christian Wolff, Traduction En Langue Française Et Révision: Pierre Vaillant Et
Christophe Paumier, Version 3 Août 2011.

[4] Latifa Abdou « Application Des Algorithmes Évolutionnaires À L’optimisation Du

Seuil De Détection Dans Les Systèmes Distribués CFAR », Thèse De Doctorat En Science En
Électronique, Université De Batna, 08 Avril 2009.

[5] Souad Chabbi, « Détection Adaptative CFAR A Censure Automatique Basse Sur Les
Statistiques D'ordre En Milieux Non Gaussiens » Université De Constantine, Département
D’électronique, Promotion 2008.

[6] B. Arous, « Les Systèmes Radar », Ecole Militaire Polytechnique.

[7] Laroussi, T « Détection Adaptative CFAR De Cibles Chi Square Corrélées À

Plusieurs Degrés De Liberté En Présence De Fouillis Rayleigh Corrèle », Thèse De Doctorat
D’état, Université De Constantine, Année 2005.

[8] Achbi Medsaid,Abadli A/Moutaleb «Analyse Des Performances Des Détecteurs Ca, Os
Et Ml-CFAR Dans Un Clutter De Distribution Weibull», Université Mohamed Khider Biskra,
Mémoire De Fin D’étude En Vue De L’obtention du Diplôme D’ingénieur D’état En Automatique,
Promotion2007.

[9] M. Barkat, Signal Detection And Estimation , Artech House Radar Library, Ma 02062,
2émé Edition 2006.

[10] Achachi Abdeleli, « Modélisation D’un Radar Secondaire Pour Un Trafic Aérien »,
Magister En Electronique Option : Micro-Ondes, Université De Batna, 02/03/2010.
 [11] Christophe Villien, « Prévision De Trajectoires 3-D En Temps Réel », Thèse De
Doctorat (Spécialité : Traitement Du Signal), Université Louis Pasteur Strasbourg, 2006.

[12] KRATTOU Mohamed Riad , « Étude De La Détection Radar Dans Un Milieu

Homogène », thèse pour obtenir le diplôme de MASTER en Télécommunications,
L’UNIVERSITE DE TLEMCEN, promo 2013.

[13] Ramin Deban, « Analyse Et Développement De Radar À Diversité Spatiale:

Applications À L'évitement De Collisions De Véhicules Et Au Positionnement Local », Thèse
De Philosophiæ Doctor (Ph.D)(Génie Électrique) , Université De Montréal, Avril 2010.

[14] Nizar Obeid, « Evaluation Des Performances En Localisation D’un Radar Ultra
Large Bande Millimetrique Pour L’automobile »,Théses De Doctorat En Electronique,
Université Des Sciences Et Technologies De Lille,2010.

[15]A.Hadjlarbi Et Bellache Eliasse, « Etude Comparative Des Détecteurs CFAR Et Les

Systèmes Distribuées En Présences De Cibles Interférentes », Mémoire D’ingénieur,
Département D’électronique, Université De M’silla, 2004.

[16] Mahafza, B. R., “Radar Systems Analysis And Design Using Matlab,“ Phd, Colsa
Corporation; Huntsville, Alabama; Chapman & Hall/Crc 2000.