You are on page 1of 93

THALES Air Defence 7-9, rue des Mathurins 92221 Bagneux Cedex France

INTEGRATION TEMPORELLE POUR DES METHODES DE CLASSIFICATION RADAR

Francisco SNCHEZ VEGA

Responsable Thales : Marie-Christine SOUTY Service JRS/RBPEF

Responsable lENST : Florence TUPIN Dpartement TSI

RAPPORT DE STAGE INGENIEUR Paris, le 1 octobre 2004

Sommaire
1 REMERCIEMENTS......................................................................................................................... 0 2 RESUME ........................................................................................................................................ 2 3 INTRODUCTION............................................................................................................................. 4 3.1 PRESENTATION DU GROUPE THALES ......................................................................................... 4 3.1.1 Les origines................................................................................................................... 4 3.1.2 THALES aujourdhui ...................................................................................................... 7 3.1.3 THALES Air Systems Division et le site de Bagneux...................................................... 9 3.2 OBJECTIFS DU STAGE ET MISSION PROPOSEE .......................................................................... 12 4 LA RECONNAISSANCE DE CIBLES NON-COOPERATIVE (NCTR) ........................................... 14 4.1 PROBLEMATIQUE GENERALE .................................................................................................. 14 4.1.1 Les techniques coopratives ....................................................................................... 14 4.1.2 Les techniques non coopratives : origines et justification............................................ 14 4.1.3 Le NCTR radar............................................................................................................ 15 4.2 LA FUSION DE DONNEES POUR LIDENTIFICATION NCTR............................................................ 17 4.2.1 Les systmes multicapteurs et multiparamtres........................................................... 17 4.2.2 Lapproche bayesienne ............................................................................................... 18 4.2.3 La thorie de lvidence de Dempster Shafer............................................................ 19 4.2.4 La thorie des ensembles floues et des possibilits ..................................................... 21 4.2.5 Un cadre commun pour des probabilits, croyances et possibilits .............................. 24 4.2.6 Dautres techniques pour lintgration .......................................................................... 25 4.3 UN MODELE DIMPLEMENTATION CONCRET BASE SUR LA LOGIQUE FLOUE .................................... 26 4.3.1 Schma gnral .......................................................................................................... 26 4.3.2 Les fonctions dappartenance et de densit de possibilit ............................................ 28 4.3.3 Calcul de la possibilit et la ncessit.......................................................................... 29 4.3.4 Intgration spatiale et intgration temporelle................................................................ 29 4.3.5 Prise de dcision ......................................................................................................... 30 5 DES OUTILS POUR LEVALUATION DES PERFORMANCES .................................................... 32 5.1 FONCTIONS DEVALUATION .................................................................................................... 32 5.1.1 Fonction A ............................................................................................................. 33 5.1.2 Fonction B ............................................................................................................. 33 5.1.3 Fonction C ............................................................................................................. 34 5.1.4 Fonction taux derreur et taux de russite .................................................................... 35 5.2 MESURES SUR LES MATRICES DE CONFUSION .......................................................................... 35 5.2.1 Erreur quadratique ...................................................................................................... 37 5.2.2 Indicateurs de prcision............................................................................................... 37 5.2.3 Coefficient kappa......................................................................................................... 38 6 ETUDE SUR LINTEGRATION TEMPORELLE POUR LA VARIABLE POSSIBILITE................... 40 6.1 DESCRIPTION DU CONTEXTE DE SIMULATION ET DES DONNEES UTILISEES ................................... 40 6.2 LES RESULTATS EN ABSENCE DINTEGRATION TEMPORELLE ....................................................... 41 6.3 LES OPERATEURS DE MOYENNE ............................................................................................. 43 6.3.1 La mthode k sur M ............................................................................................... 43 6.3.2 Moyennes gnralises............................................................................................... 45 6.3.3 Ordered Weighted Average (OWA).............................................................................. 48 6.3.4 Conclusions sur les oprateurs de moyenne................................................................ 59 6.4 NORMES TRIANGULAIRES ...................................................................................................... 59 6.4.1 t-normes de Hamacher................................................................................................ 61 6.4.2 t-norme de Frank......................................................................................................... 63 6.4.3 t-normes de Dombi...................................................................................................... 64 6.4.4 t-normes de Yager....................................................................................................... 66 6.4.5 Conclusions sur les t-normes triangulaires................................................................... 68

6.5 ESSAIS DE DOUBLE INTEGRATION ........................................................................................... 70 6.5.1 Moyenne exponentielle................................................................................................ 70 6.5.2 Double norme ........................................................................................................ 73 6.5.3 Intgration hybride : k sur M + double norme drastique .................................... 74 6.5.4 Conclusions sur la double intgration .......................................................................... 77 6.6 LAPPROCHE LEAKY BUCKET ............................................................................................ 78 7 QUELQUES CONSIDERATIONS ET PERSPECTIVES AUTOUR DE LA VARIABLE NECESSITE ............. 82 8 CONCLUSION.............................................................................................................................. 84 9 REFERENCES BIBLIOGRAPHIQUES.......................................................................................... 86

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

1 Remerciements

A Thales, je tiens remercier ma responsable de stage madame Marie-Christine Souty de sa confiance, ses conseils, sa disponibilit et sa gentillesse pendant toute la dure de mon stage. Je tiens aussi remercier monsieur Roch Settineri de mavoir propos ce sujet de stage, de mavoir fait confiance depuis notre premire rencontre et de mavoir bien accueilli au sein de son quipe. Je remercie monsieur Michel Moruzzis pour ses conseils techniques et son aide avec la relecture critique de mon rapport. Je tiens galement remercier monsieur Jean-Pierre Larvor de mavoir accueilli au sein du service dont il assume la direction. Merci enfin lensemble des personnes du service pour leur disponibilit pour rpondre mes questions ainsi que de leur convivialit qui a contribu rendre mon stage trs agrable. Muchas gracias a todos.

A lENST, je tiens remercier ma correspondante de stage Florence Tupin de ses conseils et de sa disponibilit. Je tiens aussi remercier madame Isabelle Bloch de ses orientations et son amabilit lors de notre rencontre.

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

2 Rsum
Mon stage sest droul entre les mois de juillet et septembre 2004 Thales Air Defence, sur le site de Bagneux, et plus concrtement au sein de lquipe qui travaille sur la reconnaissance non - cooprative de cibles ariennes (NCTR) appartenant au service RBPEF de Joint Radar Sensors. Jai commenc par faire de la recherche bibliographique sur les systmes NCTR et jai tudi un modle concret utilisant les outils mathmatiques du domaine de la logique floue et la thorie des possibilits. Dans le cadre de ce modle, jai travaill sur des diffrentes approches dintrt concernant lintgration temporelle des donnes floues, lobjectif de mon stage tant ltude et comparaison des diffrentes stratgies envisageables ce propos. Des donnes issues de mesures radar relles ont t mises ma disposition. Tout dabord, jai dcid dtablir une mtrique varie, raliste et cohrente pour lvaluation des performances des divers algorithmes, travers la dfinition de quelques fonctions dvaluation, de critres concrets pour la dfinition des taux derreur et de russite et de quelques mesures sur les matrices de confusion associes chaque processus de classification. Par la suite, je suis parti de lapproche k sur M utilise initialement Thales et jai valu ses performances pour toutes les valeurs possibles du paramtre k (pour M fix). Jai tudi aussi dautres oprateurs de moyenne, notamment des moyennes gnralises et des OWA (avec plusieurs approches pour ceux-ci: distributions de poids naves, MEOWAs et apprentissage du vecteur de poids). Ces oprateurs mont permit de constater lexistence dun compromis entre ladoption dapproches plus risques (taux de russite et taux derreur plus levs) quand lon se place prs de loprateur min et le choix de postures plus conservatrices (moins discriminantes mais aussi avec un taux derreur plus petit) du cot du max. Les normes triangulaires mont permit daller au del de loprateur min jusqu la limite impose par la t-norme drastique, en poursuivant la tendance observe pour les oprateurs de moyenne. Aprs ltude initiale de ces oprateurs, jai valu lapproche consistant effectuer une double intgration laide dune moyenne exponentielle et aussi laide des normes triangulaires. Les performances observes mont permit de constater des diffrences importantes dans la nature des paramtres intgrer, qui ont du tre prises en compte afin damliorer le processus didentification jusqu' arriver une stratgie hybride visant une double intgration par t-norme drastique prcde par un filtrage k sur M pour les paramtres que lon estime moins fiables. Finalement, jai propos un algorithme original, inspir des mthodes leaky bucket propres au domaine de la gestion du trafic rseau, qui repose sur les principes de lintgration hybride et qui nous permet de profiter de ses avantages, en ajoutant une plus grande simplicit, une meilleure versatilit et une optimisation des ressources en termes de temps de calcul et utilisation de mmoire.

Non-cooperative air target recognition (NCTR) represents an emerging field of research in which fuzzy logic and possibility theory are likely to play a major role in the near future. During my internship at the Joint Radar Sensors unit from Thales Air Defence in Bagneux (near Paris), a concrete model for a NCTR system circumscribed to this theoretical framework was taken into account following an initial stage of bibliographic research, and performances of several strategies for fuzzy data time integration were studied and compared. Data from real radar measures were used for all our integration simulations. Only possibility measures were considered for the analysis, mainly due to the limitations imposed by a short-period internship. First of all, a set of tools for measuring algorithm performances was proposed and defined with the aim of providing a varied, realistic and coherent approach for the evaluation of the different fusion methods later to be considered. These tools included several evaluation functions and some specific criteria for the definition of the main success and error (misclassification) rates, as well as the selection of a certain number of concrete measures intended to evaluate the quality of the recognition process through the use of confusion matrixes. kth out of M approach for time integration was the first to be evaluated, and the performances obtained for all possible values of k were measured. After that, other averaging operators were studied, namely generalised means and OWA (including several different implementations of this last concept, such as intuitive weights distributions, Maximum Entropy OWAs and weights vector learning). The results obtained showed a compromise between the choice of higher risk operators (with higher values for both misidentification and success rates), the level of risk apparently increasing towards the min operator, and the adoption of other operators closer to max, which resulted in more conservative strategies (their discrimination power being lower, they actually presented reduced values for both misclassification and success rates). Triangular norms allowed me to go beyond the min operator frontier and reach the boundary imposed by the so-called drastic t-norm, all the while observing a continuity in the behaviour and properties of the operators under study, as well as a correlation in their performances. After that, I decided to consider the possibility of performing a double integration through the use of an exponential time average first, and a t-norm afterwards, for the fusion of the newly integrated values with those obtained in the past and in order to add some sort of recursive memory or persistence to our system. This new approach pointed out the intrinsic differences between the different parameters considered and suggested the convenience of taking these particularities into account so as to improve the general identification performances. This led up to the proposal of a hybrid integration strategy consisting of an double drastic t-norm preceded by a kth out of M error filter and so that the latter should be adjusted for each parameter as a function of the level of robustness and reliability associated to the parameter itself. Finally, an original algorithm inspired of the leaky bucket techniques, which are commonly used in other domains such as that of network traffic management, was proposed. This approach followed the principles of hybrid integration and allows us to enjoy its advantages, adding a greater simplicity, more versatility and a most welcomed optimisation in terms of computational resources.

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

3 Introduction
Le contenu de ce rapport de stage a t structur en quatre sections principales, au del de celles correspondant au rsum, les conclusions, les remerciements et les rfrences bibliographiques : On peut trouver une premire section dintroduction, dans laquelle on fera une brve description du groupe Thales et puis de Thales Air Defence jusqu arriver au niveau de la section dans laquelle jai travaill pendant ces trois derniers mois. On retrouvera ici aussi une description des objectifs initiaux et la mission propose dfinissant mon sujet de stage. Ensuite, on prsentera le cadre thorique dans lequel se place le stage, notamment celui de la fusion de donnes applique aux techniques NCTR. On prsentera ici le modle concret pour le systme de reconnaissance avec lequel on travaillera dans la suite. Ce chapitre constitue la synthse du travail de recherche bibliographique ralis pendant les premires semaines de mon stage et a comme but primordial de fournir une perspective gnrale sur le domaine de rfrence considr. Une troisime partie prsentera les outils mathmatiques choisis pour lvaluation et la comparaison des performances des diffrents algorithmes que lon considrera pour notre tude sur lintgration temporelle. On combinera des mesures traditionnelles sur les matrices de confusion avec des fonctions dvaluation dont jai dvelopp le concept, de nature intuitive ou suivant les observations faites par les professionnels de Thales, et toujours considrant les besoins spcifiques relatifs au problme traiter. Finalement, on trouvera la partie la plus importante du rapport, au cours de laquelle on utilise les outils dont on vient de parler pour raliser une tude sur les diffrentes approches possibles pour lintgration temporelle de la variable possibilit. On considrera quelques oprateurs plutt classiques et on arrivera proposer un algorithme dintgration original qui semble apporter de nombreux avantages par rapport aux autres.
1

3.1 PRESENTATION DU GROUPE THALES1


3.1.1 Les origines
3.1.1.1 La cration de Thomson-CSF
Thomson-CSF est issue de la fusion, en 1968, des activits d'lectronique professionnelle de ThomsonBrandt avec la Compagnie Gnrale de Tlgraphie Sans Fil (C.S.F.). Les origines de Thomson-Brandt remontent 1893, avec la cration de la Compagnie Franaise Thomson-Houston, charge d'exploiter en France les brevets de la Thomson-Houston Electric Corporation, dans le domaine, alors mergent, de la production et du transport de l'lectricit. Cre en 1918, la C.S.F. a t, avec sa filiale Socit Franaise Radiolectrique (la S.F.R. absorbe en 1957), l'un des pionniers dans le domaine des transmissions hertziennes. Les deux socits ont jou un rle particulirement important, avant la Seconde Guerre Mondiale, dans le dveloppement de la radiodiffusion, des radiocommunications sur ondes courtes, de l'lectro-acoustique et dj du radar et de la tlvision.

3.1.1.2 Les annes 70


Apres les deux chocs ptroliers de 1973 et 1979, Thomson-CSF conclut ses premiers grands contrats l'exportation avec des pays du Moyen-Orient, notamment pour la vente de ses systmes de dfense anti-ariens Shahine puis Crotale. sources : [23], [24]

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Cette dcennie sera galement marque par la diversification des activits, avec principalement le dveloppement acclr de la commutation tlphonique, tout d'abord par croissance interne puis, en 1976, avec l'acquisition des filiales franaises de l'Amricain ITT (Le Matriel Tlphonique - LMT - et la socit Lignes Tlgraphiques et Tlphoniques - LTT) et du Sudois Ericsson (Socit Franaise des Tlphones Ericsson). La socit participe, galement sous l'gide des pouvoirs publics, au dveloppement en France de l'industrie des semi-conducteurs silicium. Et en 1979, elle reprend sa socit mre Thomson-Brandt la socit d'imagerie mdicale CGR (Compagnie Gnrale de Radiologie).

3.1.1.3 La nationalisation et le recentrge strategique


A la nationalisation, en fvrier 1982, de Thomson-Brandt, la situation financire de Thomson-CSF est fortement dgrade : l'issue de la croissance acclre des annes 70, le portefeuille d'activits, trs diversifi, inclut de nombreux domaines o la taille et les parts de march, et donc la rentabilit, de Thomson-CSF sont insuffisantes. Et, malgr les ressources perues au titre des premiers grands contrats avec des pays du Golfe, l'endettement s'est fortement accru. Les exercices 1982 et 1983 se soldent par de lourdes pertes et fin 1983, les fonds propres sont ngatifs de 337 MF et l'endettement financier net approche les 7 milliards de francs. Pour assurer le redressement de la situation financire, la nouvelle direction engage rapidement la restructuration du portefeuille d'activits et dcide de le focaliser autour du mtier cur, l'lectronique de dfense. Outre les sorties d'activits priphriques, les dsinvestissements majeurs raliss partir de 1982 concernent les tlcommunications civiles, au travers d'un important accord conclu en 1983 avec la C.G.E., et le mdical, cd General Electric en 1987 dans le cadre de l'accord organisant galement la reprise, par Thomson S.A., des activits d'lectronique grand public de la firme amricaine. Les activits de semi-conducteurs, elles aussi trs dficitaires au dbut de la dcennie 80 en raison de leur taille "sous-critique", feront, dans un premier temps, l'objet d'un dveloppement interne vigoureux, complt en 1985 par l'acquisition, United Technologies, de sa filiale Mostek. Mais la monte en puissance des concurrents japonais rendant de plus en plus difficile l'accession par croissance interne seule une part de march suffisante, Thomson-CSF et le groupe public italien IRI-Finmeccanica dcidaient en 1987 de fusionner leurs activits. La joint venture SGS-THOMSON- issue de cette fusion se plaait ds sa cration au deuxime rang des fabricants europens de semi-conducteurs, derrire Philips. Outre l'impact, trs favorable sur la rentabilit oprationnelle, de la politique de concentration du portefeuille d'activits, le redressement des rsultats a galement bnfici de l'apport trs positif des activits financires dveloppes en interne partir de 1984 pour grer la trsorerie gnre par d'importants contrats conclus l'exportation. Ces activits financires, regroupes en 1987 au sein de Thomson-CSF Finance, feront l'objet d'un accord conclu la fin de 1989 avec le Crdit Lyonnais et organisant ds 1990, leur reprise progressive par la Banque, en change d'une participation de Thomson-CSF au capital de celle-ci. La sortie dfinitive de Thomson-CSF Finance (rebaptis Altus) sera effective en juin 1993.

3.1.1.4 La politique de croissance externe


A partir de la fin des annes 80 et de la chute du Mur de Berlin, l'environnement des industries de la dfense est profondment et durablement altr. Au dclin des budgets dans la quasi-totalit des pays occidentaux - la France faisant alors figure d'exception - s'ajoute la contraction de la demande dans les pays du Moyen-Orient. La demande solvable mergente, identifie dans la rgion du Sud-Est Asiatique, est encore insuffisante pour compenser cette double contraction. Ds 1987, Thomson-CSF, anticipant la baisse inluctable des budgets et en prvision de l'achvement des grands contrats-export alors en cours de facturation, entame la restructuration en profondeur de ses activits : allgement et adaptation des structures, diminution des effectifs, concentration des sites industriels et des moyens de recherche et dveloppement, rorganisation des rseaux commerciaux internationaux, actions pour rduire le cot des approvisionnements,...Les frais de restructuration cumuls sur la priode 1987-1995 dpassent 6,5 milliards de francs, un montant qui reprsente presque 2% du chiffre d'affaires de la priode.

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Paralllement, une politique active de croissance externe (acquisitions et alliances au sein de jointventures) est mene, principalement en Europe, qui permet d'attnuer le dclin des ventes. L'addition des chiffres d'affaires des socits entres dans le primtre de consolidation depuis 1990 s'lve 5 milliards de francs. L'acquisition la plus importante de la priode a t la reprise, finalise en dcembre 1989, des activits d'lectronique de dfense du groupe Philips, savoir les socits hollandaise Signaal, belge MBLE et franaise TRT (dnominations sociales modifies depuis, pour les deux dernires), qui a apport un chiffre d'affaires de 4,5 milliards de francs en 1990. Au travers de ces acquisitions, Thomson-CSF a tout d'abord acquis ou consolid sa prsence sur l'ensemble des segments de l'lectronique de dfense et toff son trs large spectre, dsormais comparable celui de ses grands concurrents amricains. Mais la socit a galement accru la part de ses activits d'lectronique professionnelle civile : sur les 15 milliards acquis, environ 11 milliards concernent l'lectronique de dfense et 4 milliards les applications civiles. Enfin, elle a, en quelques annes, dvelopp sa prsence industrielle hors des frontires nationales : en 1989, 95 % du chiffre d'affaires consolid provenait des implantations franaises ; six ans plus tard, en 1995, les filiales trangres ont contribu pour plus de 20 % aux ventes consolides. En 1995, pour renforcer la performance de son organisation oprationnelle, Thomson-CSF achve le processus de filialisation initi pour partie quelques annes plus tt. Entre 1996 et 1997, la cession des participations dans le Crdit Lyonnais et dans SGS-Thomson (devenu ST Microelectronics) gnrent des ressources qui permettent de financer la poursuite du dveloppement international lensemble des domaines de la scurit civile.

3.1.1.5 La privatisation et laccord de coopration


L'anne 1996 marque le dbut du processus de privatisation. Aprs avoir annonc en fvrier 1996 sa volont de procder la privatisation du Groupe, le gouvernement dcide en dcembre de privatiser Thomson-CSF selon une procdure distincte de celle de Thomson multimdia. En fvrier 1997, il opte pour une privatisation selon une procdure de gr gr avec cahiers des charges, procdure qui sera abandonne suite la dissolution du gouvernement. C'est finalement en octobre 1997 que le nouveau gouvernement dcide de regrouper autour de Thomson-CSF, dans le cadre d'un partenariat stratgique avec Alcatel, les activits d'lectronique spatiale et de dfense et les activits de communications militaires d'Alcatel, les activits d'lectronique professionnelle et de dfense de Dassault Electronique, ainsi que les activits satellites d'Arospatiale. Le 14 avril 1998 les socits Arospatiale, Alcatel, Dassault Industries, Thomson SA et Thomson-CSF signent l'Accord de Coopration qui dfinit les modalits de mise en uvre des orientations dcides par le gouvernement. Enfin, les 22 et 23 juin 1998, l'Assemble gnrale des actionnaires et le Conseil d'administration respectivement approuvent les oprations d'apports. Dsormais, la majorit du capital de Thomson-CSF, soit 53,06 %, est dtenue par des actionnaires du secteur priv.

3.1.1.6 Dualit et Multidomesticit (Annes 1999-2004).


La dynamique d'implantation "multidomestique" des activits de dfense, poursuivie tout au long de la dcennie 90, dpasse les frontires du Continent europen : Afrique du Sud, Australie, Core, Singapour... En juin 2000, l'acquisition par OPA de la socit britannique Racal Electronics fait du Royaume-Uni le deuxime pays d'implantation; les activits de dfense et les technologies de l'information et services (IT&S) en sont renforces. Le dveloppement du groupe, par croissance interne et par acquisitions, a aussi profondment modifi le spectre de ses activits : une rflexion stratgique met en vidence la part croissante des applications civiles et la "dualit" des technologies qui font la force du groupe. En juillet 2000, une nouvelle organisation en trois ples est mise en place, en cohrence avec la nouvelle approche stratgique. En

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

dcembre 2000 Thomson-CSF, devenu Thales, annonce la cration avec l'Amricain Raytheon de la premire joint-venture transatlantique entre industriels de la dfense. En 2001, il y a une poursuite du recentrage des activits : Thales prend le contrle total de plusieurs de ses joint-ventures en dfense et en aronautique, et se retire d'Alcatel Space; en IT&S, priorit est donne aux activits synergiques et en forte croissance, principalement le positionnement par satellite et les oprations scurises. La structure de l'actionnariat volue : le flottant frle les 40%, tandis qu'Alcatel se dsengage partiellement et que l'Etat franais passe sous la barre des 33%, au profit de l'actionnariat salari. De 2001 2003, dans un contexte gopolitique et conomique profondment boulevers la suite des attentats du 11 septembre 2001, poursuite du recentrage des activits civiles et confirmation de la stratgie multi-domestique : Thales prend le contrle total de plusieurs de ses joint-ventures en dfense et en aronautique, et se retire dAlcatel Space ; Thales Defence Ltd, devenue la deuxime socit de dfense britannique, est retenue dans plusieurs programmes ou appels doffres prioritaires du ministre de la Dfense du Royaume. En IT & S, les dsinvestissements sont poursuivis dans les secteurs non stratgiques, dont certains sont fortement dficitaires, tandis que les activits lies au domaine de la scurit civile prennent de plus en plus dimportance. Fin 2003, Thales lance une initiative majeure, Thales SHIELD, marquant lengagement du groupe dans les systmes et technologies qui sappliquent lensemble des domaines de la scurit civile.

3.1.2 THALES aujourdhui


Aujourdhui, les activits de Thales relvent de llectronique et sadressent essentiellement des marchs professionnels, quil sagisse dquipements, de systmes ou des services associs. Elles requirent la mise en uvre de technologies complexes, dont une partie importante est dveloppe en interne par les ingnieurs de Thales. Les marchs de Dfense reprsentent leur principale destination, avec environ 70% du chiffre daffaires consolid ralis en 2003. Loffre de Thales pour ses clients militaires sadresse tous les segments, lAir, la Terre, la Mer, ainsi qu la dfense arienne, et aux forces inter-armes. Elle englobe une trs large gamme dquipements et de systmes et soriente de plus en plus vers des "solutions globales" de "systmes de systmes", de matrise duvre et de services, sur toute la dure de vie des quipements ou des plates-formes. Cette volution reflte le mouvement, observ dans de nombreux pays, de partage croissant de la responsabilit des grands programmes entre les industriels et leurs prescripteurs, voire de transfert de lensemble de la responsabilit un groupe matre duvre de la plate-forme, dans son ensemble. Les activits du groupe trouvent aussi de plus en plus de dbouchs dans le domaine de la scurit collective et civile, un domaine dont la croissance est largement lie au nouveau contexte gopolitique, marqu par la monte de linscurit. La scurit collective et civile recouvre de nombreux champs dapplication pour les comptences de Thales : si la scurit du transport arien est lun de ses mtiers traditionnels en Aronautique (avionique, contrle du trafic arien et entranement de pilotes), le groupe est aussi prsent sur lensemble des marchs de la scurit civile, au travers de ses activits IT&S(2) : Thales est un acteur reconnu notamment dans les domaines de la scurit des transports terrestres, des rseaux informatiques et des transactions lectroniques ainsi que dans la protection des sites et des personnes. Les activits de Thales partagent un socle technologique commun essentiel, dont la matrise de linformation, et sa diffusion en temps rel, sont lun des enjeux majeurs : il sagit de lensemble des technologies de collecte des informations (capteurs de toutes natures), de transmission et de traitement scuriss de toutes les formes dinformations ainsi collectes (phonie, messagerie, images), avec pour principale volution technologique de ces dernires annes la numrisation. La deuxime caractristique des activits du groupe est leur caractre trs international : en termes de marchs - elles sadressent pour la plupart des marchs globaux - comme en termes dimplantation gographique les effectifs en France font dsormais peine plus de la moiti (55%) des effectifs du

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

groupe contre plus de 95 % la fin des annes 1980. Cette volution rsulte de la politique de croissance externe hors du territoire national, conduite depuis plus de dix ans. Dans le domaine de la dfense en particulier, o les clients sont des Etats nationaux, lapproche "multidomestique" saffirme comme un axe stratgique majeur du groupe : disposer dune implantation industrielle locale permet en effet dapporter au client une rponse adapte ses attentes, et de raliser sur place une partie importante des dveloppements spcifiques quil demande, tout en lui assurant le niveau technologique de premier plan dun leader mondial.

3.1.2.1 Chiffres cls

Figure 1. Chiffres cls pour le groupe Thales [23]

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

3.1.2.2 Lorganisation interne du groupe Thales


Thales a t restructur en Juillet 2004. Lorganisation est passe dune structure en ples (Aronautique, Dfense, IT&Services) et Business groups une structure en six divisions. La nouvelle structure se construit selon le schma suivant :

Figure 2. Organisation gnrale du groupe Thales

3.1.3 THALES Air Systems Division et le site de Bagneux


Lancienne entit appele Thales Air Defence est rcemment disparue du point de vue organisationnel et ses activits Joint Radar Sensors ont t regroupes dans la division Systmes Ariens. Thales est lun des trois acteurs mondiaux capables dassurer la matrise duvre complte et larchitecture globale des systmes de dfense arienne l'chelle d'un pays. Son offre stend des systmes de dtection, didentification et de conduite des oprations ariennes (dfensives et offensives), la protection du champ de bataille et des sites sensibles, par des systmes darmes sol/air trs courte, courte et moyenne portes, ainsi quaux domaines de larmement et de la propulsion. Les deux leaders mondiaux sont les industriels amricains Raytheon et Lockheed-Martin. Les autres intervenants Europens sont MBDA, pour les systmes de missiles sol-air, Finmeccanica et BAE Systems pour les systmes de dfense arienne et de dtection sur le champ de bataille. Le march de la dfense arienne comprend les systmes de commandement et de contrle des oprations ariennes ainsi que les systmes de dfense arienne du champ de bataille. Ces systmes permettent lengagement des forces dfensives et prparent les missions offensives sur un territoire donn. Les rcents conflits militaires ont mis en vidence que les menaces ariennes ne venaient plus seulement des avions et des missiles de croisire mais aussi des drones et des missiles balistiques tactiques. Ils ont aussi montr que la mobilit et laro-transportabilit des systmes sont devenus des impratifs pour les forces armes qui doivent intervenir "en projection" sur les thtres doprations. En outre, pour mener bien des missions de maintien de la paix ou de rsolution de conflits dans un contexte multinational, les forces allies doivent dsormais disposer de systmes interoprables, de connexions entre les senseurs, les systmes darmes et les centres de commande et de contrle, dans un environnement o la matrise des systmes dinformation et de communication est fondamentale. Depuis dix ans, Thales a pris en compte ce nouvel environnement et conoit et ralise des systmes de dfense interoprables. Dans le domaine des systmes de commandement et de contrle des oprations

Thales Air Defence JRS/RBPEF

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

ariennes, Thales est notamment impliqu dans les besoins de renouvellement de lensemble des infrastructures de lOTAN (interoprabilit des systmes allis lchelle continentale et des forces projetes) via sa filiale commune avec Raytheon, la socit Thales Raytheon Systems (TRS). Aprs son implication dans des grands projets a niveau europen et amricain, dont ceux associes aux technologies M3R(Radar Mobile, Multifonctions et Modulaire) font un bon exemple, Thales a poursuivi en 2003 le dveloppement de nouveaux programmes comme Rapsodie (futur radar de surveillance au sol de larme franaise), Cobra (radar de contrebatterie, ralis dans le cadre du GIE EuroArt) et Martha, premier systme au monde capable de piloter simultanment des systmes darmes trs courte, courte et moyenne portes, dvelopp pour larme de terre franaise depuis 2000.

3.1.3.1 Organigramme gnral


Lorganigramme du groupe Thales, spcifi jusquau niveau du service et de la section au sein desquels jai effectu mon stage, est le suivant :

Radar Bagneux Functionnal Analysis & Algorithms

Jean Pierre Larvor

NCTR Team Roch Settineri

Figure 3. Organigramme de Thales Division Systmes Ariens

La Division de Systmes Ariens du groupe Thales a en charge les domaines de la gestion du trafic arien, la dfense arienne et dautres projets comme le Galileo europen. Elle regroupe plusieurs directions oprationnelles dont Joint Radar Sensors.

Thales Air Defence JRS/RBPEF

10

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Au sein du dpartement Dfense Arienne, la direction oprationnelle Joint Radar Sensor (JRS) a la particularit dtre un regroupement entre plusieurs services de lancien Thales Air Defence (TAD) et de Thales Naval Nederland (TNN). Ses missions incluent la conception et fabrication de systmes radar pour les marchs civils et militaires, et notamment pour la dfense arienne, le domaine naval, la gestion du trafic arien, la surveillance du sol et la localisation darmes . Project & Engineering (P&E) est un dpartement de Joint Radar Sensors (JRS). Son rle est de dfinir les nouveaux produits et de raliser des tudes amont. P&E est galement responsable de larchitecture radar, et traite un projet jusqu la signature du contrat. Cest ensuite le dpartement Radar Operations qui ralise le programme.

3.1.3.2 Le site de Bagneux


Prs de 4000 personnes travaillent sur le site de Bagneux, avec environ 1300 personnes chez lancien TAD. Les autres branches de Thales prsentes sur le site sont Thales ATM (Air Traffic Management) et TNF (Thales Naval France).

Figure 4. TAD (en vert) sur le site de Thales Bagneux

La partie du service P&E sur le site de Bagneux ajoute les lettres RB (Radar Bagneux) sa dnomination (RBPE). Functional Analysis & Algorithms (RBPEF), est donc le service de P&E Bagneux qui participe la dfinition des traitements radar, la ralisation de simulations fonctionnelles et la conduite dtudes amonts. Il comprise une trentaine de personnes. La section Traitements Non-Cooperative Target Recognition (NCTR), est une section du service RBPEF qui travaille sur le sujet de lidentification de cibles ariennes non cooprative . Ils travaillent sur des tudes portant sur des radars futurs qui sont en cours de dveloppement Thales, mais aussi sur des radars existants pour lesquels le client demande une fonction NCTR.

Thales Air Defence JRS/RBPEF

11

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

3.2 OBJECTIFS DU STAGE ET MISSION PROPOSEE


Mon stage, dune dure de trois mois, sest pass au sein de lquipe Traitements NCTR chez Thales Bagneux. Comme on verra plus en dtail dans les sections suivantes, lquipe Traitements NCTR travaille sur un systme didentification radar pour des cibles ariennes qui sappuie sur les principes mathmatiques de la logique floue. Il sagit dun systme de reconnaissance monocapteur radar et multiparamtres qui volue en temps rel et cela implique la ncessit de fusionner des donnes issues de sources multiples (les diffrents paramtres) des instants varis, de sorte que ces donnes puissent contribuer dterminer lidentit de la cible en question dune manire efficace. Lintgration spatiale restant hors le cadre de mon stage, mon objectif principal tait celui de travailler sur lintgration temporelle des donnes floues utilises pour le processus didentification, et plus concrtement : Me renseigner propos des possibles approches dans le domaine de la fusion de donnes susceptibles dtre adoptes pour le cas considr. Etudier ladquation de ces approches aux caractristiques du problme trait et leur influence sur les performances du systme utilis chez Thales. Raliser des simulations Matlab sur des donnes procdant de mesures radar relles afin dvaluer sur le terrain le comportement des diffrents oprateurs dintgration. Faire une comparaison, sur des critres rigoureux et objectifs, des performances des diffrents algorithmes envisageables pour lintgration temporelle partir des rsultats de ces simulations et en dduire des conclusions et des recommandations pour le futur.

Thales Air Defence JRS/RBPEF

12

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Thales Air Defence JRS/RBPEF

13

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

4 La reconnaissance de cibles non-cooperative (NCTR)


Reconnaissance, classification et identification sont des concepts assez proches dans leur signification, quil faudra tout dabord bien distinguer afin dviter des possibles malentendus dans la suite. En effet, on appelle classification la rpartition systmatique en classes, en catgories dtres, de choses ou de notions ayant des caractres communs. Lidentification, par contre, est une discrimination faite entre plusieurs objets appartenant a une mme classe dtermine. Le terme reconnaissance dsigne tout simplement laction de poser un certain lment comme dj connu. Les systmes de reconnaissance dont on parlera dans ce rapport sont, pour le moment, des systmes de classification capables de faire une distinction entre des types, des modles diffrents de cibles ariennes.

4.1 PROBLEMATIQUE GENERALE


La reconnaissance de cibles ariennes trouve des applications trs importantes dans les domaines civil et militaire. Du point de vue de la scurit du trafic arien, les contrleurs ont besoin de connatre chaque instant le statut et lidentit des avions prsents dans lespace arien local. Dans le domaine militaire, lidentification fiable des cibles ariennes a une relevance vidente puisquelle peut permettre de faire la distinction entre un avion ami et un objectif ennemi. Traditionnellement, on trouve deux grandes approches pour la classification de cibles ariennes : celle des cibles amies faite travers de mthodes coopratives et celle des cibles inconnues ou hostiles dont on nenvisage pas dobtenir aucun type de coopration active.

4.1.1 Les techniques coopratives


Dans le premier groupe, on trouve les techniques d Identification Friend or Foe (IFF), qui ont t utilises depuis longtemps dans le domaine militaire. Le processus didentification IFF commence avec lenvoi dun signal dinterrogation vers la cible identifier. Les avions considrs amis sont censs avoir un transpondeur qui rpond avec un code didentification particulier, connu par linterrogateur. La rponse peut tre plus ou moins complexe, selon le mode dopration IFF, de sorte que le transpondeur peut inclure des informations telles que laltitude actuelle de lavion ou tre crypte, par exemple. En gnral, une cible hostile ne sera pas capable dmettre une rponse valide par manque dun transpondeur appropri et sera donc considr hostile ou non amie . Dans le domaine de laviation civile, on utilise une technique similaire lIFF ; la Surveillance Secondaire Radar (SSR). Bien que la mission principale de la SSR soit celle de fournir des informations permettant la localisation des avions civils, elle apporte aussi des informations concernant lidentit de lavion en question. En principe, tous les avions civils portent des transpondeurs SSR et donc on pourrait supposer quils devraient tre facilement identifiables, mais il faut faire attention ce type de suppositions. Les attentats du 11 Septembre 2001 constituent un exemple dune situation dans laquelle il semble que les terroristes ont dsactiv les transpondeurs SSR pour empcher ou au moins essayer de retarder - la dtection de la modification des trajectoires des avions kidnapps [9].

4.1.2 Les techniques non coopratives : origines et justification


Cet exemple montre linconvnient principal des techniques de reconnaissance cooprative: en effet, la coopration nest pas toujours garantie, que ce soit par des problmes techniques, par des erreurs humaines ou par des intentions hostiles de la part de la cible identifier. Les techniques de reconnaissance non cooprative (NCTR) ont pour but de surmonter ces obstacles en sappuyant sur des informations obtenues par des capteurs propres pour dcouvrir la vraie identit de lobjectif.

Thales Air Defence JRS/RBPEF

14

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Daprs quelques sources non officielles [27], les origines des techniques NCTR pourraient se trouver au milieu des annes 1970, avec le programme militaire amricain Musketeer, o lon a essay dutiliser le radar pour obtenir une signature unique de chaque modle davion ennemi partir du nombre et des caractristiques techniques de ses moteurs. La nouvelle technologie a du attendre une dizaine dannes pour que les moyens informatiques ncessaires se soient suffisamment dvelopps. Depuis 1985, les F15C de lUSAF incorporaient dj des modes NCTR pour le combat. Pendant la premire Guerre du Golfe, entre 1990 et 1991, les ROE (Rules of Engagement ou Rgles dengagement ) de lUSAF spcifiaient la ncessit dune double identification des cibles de la part des chasseurs amricains avant de lancer une attaque. Une de ces identifications pouvait tre fournie par les AWACS, lautre tant de type NCTR. En plus, ces techniques rendaient possible lutilisation de missiles air-to-air de type BVR (Beyond Visual Range, ou au del du champ visuel ), qui pouvaient tre utiliss des longues distances avec la sret de ne pas dtruire des cibles amies. Pour beaucoup danalystes, cest grce aux techniques NCTR que les F-15C furent les seuls chasseurs de la coalition avoir pu oprer sur lIrak, au dtriment dautres modles comme les F-14 de lpoque. Au cours des dix annes suivant le premier conflit du Golfe, le NCTR t incorpor dautres chasseurs modernes, notamment aux F-14, F-16 et F-18 amricains, quelques F-15 vendus des gouvernements trangers par les USA, aux Tornado britanniques et aux Mirage franais. Parmi les atouts principaux de lapproche NCTR on trouve : Dans le domaine civil, une protection face des possibles problmes techniques ou humains traditionnellement associs aux techniques coopratives. Dans le domaine militaire, Une meilleure comprhension de la situation tactique et une meilleure estimation des possibles menaces en combat, ce qui peut rendre possible, par exemple, une rponse stratgique hirarchise face aux cibles identifies. - Une rduction du risque de dommage fratricide. - En termes dfensifs, une raction plus efficace face une menace relle (rduction du temps de raction, possibilit de choisir les systmes darmement en fonction de la cible dtecte, etc.). - En termes dattaque, lutilisation des techniques de type BVR comme on a dj comment, ce qui implique une diminution considrable du risque pris par rapport une situation o lon est oblig dtablir un contact visuel. - En termes de surveillance, ces techniques peuvent tre utilises pour optimiser le processus gnral de dtection, identification, localisation et pistage, en adaptant les moyens utiliss (par exemple la forme donde) au type de cible identifie en premire instance. -

Figure 5. Scnario NCTR multicapteur [26]

4.1.3 Le NCTR radar


Dun point de vue technique, la reconnaissance non cooprative peut tre aborde par diffrentes approches : capteurs radar, ESM (Electronic Support Measures), acoustiques, infra-rouges, optroniques, etc. Lapproche radar est trs attractive parce quelle peut tre utilise pour des distances de plusieurs centaines de kilomtres, indiffremment pendant le jour ou la nuit, et elle est relativement insensible aux variations des conditions climatologiques.

Thales Air Defence JRS/RBPEF

15

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Le radar est capable de fournir plusieurs paramtres physiques associs la cible considre, qui peuvent tre classifis, par exemple, dans trois domaines : Cinmatique. Paramtres tels que laltitude, la vitesse, lacclration, la vitesse ascensionnelle, lorientation, etc. Elles peuvent tre utiles pour faire la distinction entre des grands groupes de cibles (missiles, hlicoptres, chasseurs, etc.). Haute Rsolution Distance (HRD). Paramtres telles que la longueur, la Surface Equivalente Radar (SER ou RCS en anglais), le profil Distance, etc. Elles peuvent apporter des informations plus spcifiques permettant de distinguer entre des cibles grandes et petites, par exemple. Doppler. Lanalyse des donnes procdant des parties mobiles, qui seront la cause de singularits sur le spectre mesur, peut nous fournir des informations trs utiles pour lidentification. Les niveaux la sortie de chacun des filtres Doppler utiliss permettent de caractriser le spectre de la cible.

Dans leur article de 1998, Delhotte et Moruzzis [5] proposent un modle schmatique pour les systmes de reconnaissance radar NCTR qui se structure sur 4 points : 1. Mesure des caractristiques physiques de la cible identifier en utilisant des formes donde appropries et des techniques typiques dans le domaine des mesures radar (Doppler, HRD, 1D et 2D ISAR, etc.). Extraction des lidentification. paramtres pertinents pour

2.

3.

Fusion spatiale et temporelle des donnes obtenues et comparaison avec une base de donnes auxiliaire (construite off-line partir de connaissances pralables) jusqu lobtention dune valeur de confiance pour chaque classe considre. Prise dune dcision finale en ce qui concerne la possible identit de la cible.

4.

Figure 6. Modle NCTR haut-niveau [5]

Les performances du processus didentification dpendent de plusieurs facteurs quil faut prendre en compte : la qualit des mesures radar (rsolution, SNR, erreur de mesure, etc.) le degr de complmentarit et redondance entre les capteurs le choix des variables et paramtres considrer loptimalit du processus de fusion de donnes la reprsentativit et lexhaustivit du contenu de la base de donnes utilise le critre utilis pour la prise de dcision finale

Thales Air Defence JRS/RBPEF

16

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

4.2 LA FUSION DE DONNEES POUR LIDENTIFICATION NCTR


4.2.1 Les systmes multicapteurs et multiparamtres
Les niveaux de dtail, prcision et fiabilit souhaits aujourdhui pour les systmes de reconnaissance automatique rendent parfois indispensable lutilisation conjointe de nombreux capteurs et/ou de nombreux paramtres, qui peuvent tre de diffrente nature, et dont on devra profiter dans un double esprit de complmentarit et redondance. En effet, la redondance existante entre les diffrents capteurs peut nous permettre daugmenter notre degr de confiance pour la mesure obtenue, tandis que la complmentarit entre capteurs peut nous permettre de raffiner le niveau didentification, de le rendre plus discriminant, en amliorant parfois aussi les performances gnrales et en rduisant parfois le temps ncessaire pour arriver aux conclusions dfinitives. En gnral, on peut travailler avec un ou plusieurs paramtres provenant dun ou plusieurs capteurs, et ces paramtres peuvent voluer temporellement ou pas, ce qui rend possible lexistence de plusieurs stratgies envisageables pour lintgration spatiale (la fusion des diffrents paramtres ou du mme paramtre procdent de diffrents capteurs) et temporelle (la fusion des diffrents valeurs temporelles pour le mme paramtre). La complexit de quelques systmes avec lesquels lon travaille est telle que lon peut tre oblig de considrer aussi leurs interactions avec dautres parties du systme de dfense quils intgrent (on peut penser, par exemple, un traitement conjoint identification pistage pour des cibles ariennes). Cest pourquoi la conception du systme et le choix dune architecture adquate deviennent des aspects pas du tout ngligeables. En principe, on peut faire un distinction entre deux grandes familles de systmes multicapteurs et multiparamtres, selon sils possdent une structure centralise ou dcentralise : Dans les systmes dcentraliss, une partie du traitement est associe directement chaque capteur et seffectue niveau local, de sorte que les donnes envoyes au systme central possdent un caractre symbolique au del des simples mesures numriques. Dans certains cas, la ncessit de considrer des connaissances contextuelles peut conseiller lutilisation dune approche de ce type : on peut penser, par exemple, au traitement des profils Haute Rsolution Distance produits par un radar cohrent, pour lesquels il faut prendre en compte des informations relatives au clutter, des paramtres associs la forme donde et les filtres utiliss, etc. Au lieu denvoyer toutes ces donnes au systme central, il peut tre plus avantageux de les traiter au niveau local et envoyer seulement le rsultat dintrt pour le paramtre souhait. On peut aussi considrer des systmes dans lesquels ce que lon envoie est dj une mesure du degr dappartenance une classe pour une cible dtermine, obtenue partir de la fusion de plusieurs paramtres. Du point de vue de la fusion de donnes, cette architecture correspond bien au modle de la fusion de dcisions , selon lequel on prend dabord des dcisions locales au niveau de chaque source sparment pour les fusionner aprs dans une dcision globale. Du ct positif, on peut dire quil est trs appropri quand les sources ne sont pas disponibles simultanment, quil facilite le dveloppement de procdures spcifiques pour chaque source (et donc lobtention de rponses plus rapides ou mieux adaptes, ce qui peut tre trs intressant pour des systmes temps rel) et quil facilite lintroduction de sources suplementaires. Du cot ngatif, on peut citer la perte de certaines informations qui restent niveau local, une plus grande difficult pour la prise en compte des possibles corrlations ou dpendances entre cibles et capteurs, ou encore une plus grande difficult pour la gestion des possibles conflits causs par des dcisions locales contradictoires. Dans les systmes centraliss, par contre, on envoie les donnes numriques tels quelles sont acquises par le capteur, sans traitement pralable, vers un centre de fusion sur lequel aura lieu lintgration. Cette approche permet de diminuer la complexit des capteurs priphriques, mais implique une surcharge en terme de capacit de calcul centrale et en terme de flux dinformations entre les diffrents composants du systme.

Thales Air Defence JRS/RBPEF

17

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Intuitivement, on peut ici tablir une correspondance avec le modle de la fusion globale dans le domaine de la fusion de donnes, puisque cette architecture permet de prendre une dcision directe partir de toutes les informations venant de toutes les sources, sans perte dlments de jugement cause de sous-traitements locaux ; dans ce modle globale aucun information nest nglige au prix dune complexit plus grande. Dans la pratique, on peut considrer des modles hybrides dans lesquels on fait quelques combinaisons pour certains paramtres niveau local conduisant des paramtres drivs (imaginons, par exemple, la fusion locale de tous les paramtres cinmatiques pour une cible donne), que lon enverra au sous-systme central et que lon considrera de manire conjointe avec dautres paramtres lmentaires ou drivs pour la prise finale de dcisions globales. Il faudra, en tout cas, essayer darriver avoir un compromis entre les avantages et les inconvnients associs chacune des approches exposes.

Figure 7. Modle d'architecture hybride pour un systme NCTR multicapteur [6]

Au del de larchitecture considre, le processus de fusion de donnes comportera toujours quatre tapes bien dfinies : modlisation, estimation, combinaison et dcision, pour lesquelles on devra choisir un formalisme mathmatique concret. Dans les sous-sections suivantes on fera une petite description des formalismes les plus utiliss dans le cadre de la reconnaissance de cibles NCTR.

4.2.2 Lapproche bayesienne


A fin de grer les imperfections et incertitudes associes aux mesures radar, on peut essayer de les modliser par des distributions de probabilit, ce qui nous permettra de nous appuyer sur des thories mathmatiques solides et bien matrises depuis longtemps. On rappelle que, tant donn un ensemble de rfrence X, une mesure de probabilit Pr est une fonction dfinie sur lensemble des parties P(X), prenant ses valeurs dans [0,1], telle que : a) Pr(X)= 1 tels que = = + b)

Thales Air Defence JRS/RBPEF

)B(rP )A (rP )B A (rP ,

B A

X (P B

,)

X (P A

18

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Ceci dit, une mesure de probabilit vrifie, quels que soient les vnements A et B :

Si Pr est une mesure de probabilit dfinie sur X, une distribution de probabilit p est une fonction qui associe la valeur Pr(A) tout vnement A dun systme {A1, A2, } qui est complet, cest dire, tel que les vnements soient disjoints et vrifient = = . Dans le cas de lidentification de cibles, on supposera que chaque objet appartient une et une seule classe I entre N classes possibles et on appellera x la mesure fournie par le capteur considr un instant donn. Afin de calculer la probabilit dappartenance de la cible chaque classe, on a besoin de certaines connaissances pralables propos des classes susceptibles dtre identifies, notamment : les probabilits a priori pour chaque classe P(J) la densit de probabilit conditionnelle a priori pour chaque classe P(x/J).

A partir de ces informations, il suffit dutiliser la traditionnelle rgle de Bayes :


) J (P ) J / x (P ) I (P ) I / x (P

Et finalement, on peut retenir la classe qui maximise la probabilit a posteriori . Naturellement, cette approche plutt simple peut tre enrichie avec des concepts plus complexes (en introduisant, par exemple, la notion de cots de dcision), mais lide sous-jacente reste toujours la mme. Puisque la mesure x peut-tre un vecteur, lapproche bayesienne offre une mthode assez intuitive et directe pour la fusion spatiale et temporelle de donnes, et elle peut tre utilise indiffremment pour travailler avec des donnes discrtes ou continues. En tout cas, le lecteur intress trouvera plus dinformations dans la riche littrature disponible sur le sujet. Notre intention ntant pas celle deffectuer une description approfondie de cette approche, on sarrte ici et on continue avec la prsentation des principales techniques de fusion dans le domaine NCTR.

4.2.3 La thorie de lvidence de Dempster Shafer


La thorie de lvidence ou thorie des croyances de Dempster Shafer est ne au cours des annes 1970, inspire des notions de probabilits suprieures et infrieures, mais son utilisation dans le domaine de la fusion de donnes est relativement rcente. La thorie peut tre vue comme un modle formel quantitatif de degrs de confiance, dans lequel on parle dune fonction de croyance et dune fonction de plausibilit par opposition la fonction de probabilit classique de lapproche bayesienne. La thorie de lvidence considre un univers de rfrence ou cadre de discernement X contenant un certain nombre dhypothses (ex. X = {H1,H2,H3}), suppos fini pour simplifier, sur lequel sont dtermins des coefficients de croyance obtenus en rpartissant une masse globale de croyance gale 1 entre tous les vnements possibles et en attribuant chacun le degr m(A) avec lequel un groupe dobservateurs croit en sa ralisation. Voici quelques dfinitions utiles dans le cadre de la thorie de Dempster Shafer :

Thales Air Defence JRS/RBPEF

1 )A(rP )A(rP )B(rP )A(rP B A )B A(rP - )B(rP )A(rP )B A(rP


+ =

1 )A
i

...2 ,1 i

(rP

)x / I (P

19

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

On appelle cadre de discernement lensemble dhypothses considres. Une masse de croyance est une fonction m qui attribue un coefficient compris entre 0 et 1 aux parties de X de telle sorte que :

On appelle lment focal toute partie non vide E de X telle que m(E)0 et on note E leur ensemble. On appelle corps dvidence le couple (E,m).

Ds lors quun jeu de masses a t dfini sur lensemble des parties de X, il devient possible de calculer la plausibilit dun lment A de P(X). La fonction de plausibilit est donc dfinie grce la relation :

Lorsquune masse est affecte une partie B de E, nul ne sait a priori sur quel lment particulier de B cette masse peut tre attribue. Lors du calcul de la plausibilit de A, on considre que pour chaque lment B dont lintersection avec A est non nulle, cette masse est attribue uniquement sur les lments communs A et B. Cela revient, en dfinitive, attribuer toute lincertitude en faveur de A. Par consquent la plausibilit reprsente la probabilit maximale quil serait possible destimer si tous les vnements sexprimaient en faveur de A. Dans le mme esprit, on dfinie la fonction de croyance dun sous-ensemble quelconque A de P(X) par :

Inversement au calcul prcdent, qui dfinissait une probabilit maximale, la crdibilit reprsente en fait une probabilit minimale. Comme prcdemment pour toutes les parties B telles que on considre que lincertitude va en dfaveur de llment A. Par consquent toute la masse attribue B est en dfinitive concentre sur les lments de B qui nappartiennent pas lintersection AB. Seules les parties B telles que BA contribuent donc au calcul de cette probabilit infrieure. Intuitivement, on observe que dans le cas dune ignorance totale sur un vnement A, aucun lment focal nintervient en sa faveur ni en sa dfaveur, cest dire quaucun lment focal nest inclus dans A ni intersection non vide avec A et

Parmi les proprits fondamentales des fonctions de croyance et plausibilit on trouve :

Et lunion et intersection de sous ensembles vrifient :

Dune faon gnrale, les masses de croyance nous permettent de calculer la probabilit des hypothses du cadre de discernement considr en attribuant chaque hypothse incluse dans une partie A une masse gale la masse totale de A divise par le nombre dhypothses contenues dans A (distribution qui-rpartie) et en additionnant lensemble des masses qui lui sont attribues. Si |A| reprsente le cardinal de A on a alors la relation suivante :

Thales Air Defence JRS/RBPEF

A ( lP )B ( lP )A ( lP )B A ( lP )B B A ( leB )B ( leB )A ( leB )B A ( leB

1 ) A (leB )A ( leB

1 ) A (leB )A ( lP

+ +

A A A (m

1 ) A ( lP )A ( lP

)A ( lP

1 ) A ( lP

)A ( lP

)i

) A ( leB

)A ( leB

H( P

)A ( leB

dans

et par consquent

= . De mme, tous les lments focaux ont une , ce qui implique que = = .

B A

) (

B mB

) (

B m0 B

0
20

) (m

1 )A (m ) X ( P
) (

et

A leB

) (

A P l

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

On peut vrifier que la consistance entre la plausibilit, la crdibilit et la probabilit dune hypothse exprime par la relation suivante est bien vrifie :
)i

4.2.3.1

Rgle de combinaison de Dempster

En prsence de plusieurs sources dinformations fournissant chacune un jeu de masses sur un mme cadre de discernement, la rgle de Dempster permet de construire un jeu de masses unique par sommation orthogonale. Une particularit de cette rgle rsulte de ce que les lments focaux de la masse issue de la combinaison sont gnralement diffrents des lments focaux des masses lmentaires, si bien que la premire tape de cette rgle doit tre consacre la dfinition de lensemble des lments focaux de la masse rsultant de la combinaison. Soient m1() et m2() les masses lmentaires fournies par deux sources dinformations indpendantes sur un mme cadre de discernement E, soir m() la masse obtenue aprs combinaison de ces deux masses lmentaires, nous noterons : m() = m1()(+) m2(). Chaque lment focal de m() est le rsultat de lintersection dun lment focal de m1() avec un lment focal de m2(). Par consquent lensemble des lments focaux de m() est constitu par toutes les intersections possibles. Il convient dattribuer une masse chacun de ces lments. La premire tape de cette affectation se fait en attribuant pour chaque intersection dun lment du support de m1() avec un lment du support de m2() le produit des deux masses correspondantes. Puis pour chaque lment du support de m() on recense lensemble des intersections quie aboutissent cette lment et on additionne toutes les masses. La seconde tape, de normalisation, consiste diviser lensemble des masses par 1-K o K est le facteur de conflit qui se calcule en additionnant lensemble des masses qui sont attribues llment . La rgle de Dempster sexprime grce la relation suivante :

avec

4.2.4 La thorie des ensembles floues et des possibilits


La thorie des ensembles floues offre un nouveau paradigme pour la modlisation de lincertitude. Malgr quelques essais prcdents dans le domaine de la science et la philosophie, notamment dans le cadre de la logique multivalue et les concepts vagues, le professeur Lofti A. Zadeh, de luniversit de California Berkeley a t le premier proposer une thorie mathmatique pour ce type densembles et leur logique associe dans son article Fuzzy sets publi dans la revue Information and controls en 1965 [17]. Basiquement, un ensemble flou est un ensemble dont les membres peuvent avoir des degrs dappartenance entre 0 et 1, par opposition aux ensembles classiques pour lesquels chaque lment doit avoir un degr dappartenance gal 1 ou 0, oui ou non . Pour une description trs complte des concepts utiliss dans le cadre de cette thorie, on recommande la lecture du chapitre 8 dans [1].

Thales Air Defence JRS/RBPEF

)X(P B te A

) C( 2m )B ( 1m

K 1

)X(P B te A

A C B

) C( 2m )B ( 1m

H( lP

)i

H( P

)i

H ( lB e

C B

)A (m

21

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

La thorie des possibilits, drive de la thorie des ensembles flous et a t aussi introduite par L.Zadeh dans son article Fuzzy Sets as a Basis for a Theory of Possibility en 1978 [18]. Elle fournit une mthode pour formaliser des incertitudes subjectives sur des vnements, cest dire, dans quelle mesure la ralisation dun vnement est possible et dans quelle mesure on en est certain, sans toutefois avoir sa disposition lvaluation de la probabilit de cette ralisation, par exemple parce quon ne connat pas dvnement analogue auquel se rfrer, ou parce que lincertitude est la consquence dune absence de fiabilit des instruments dobservation ou dun doute de lobservateur lui-mme. Ces deux valuations subjectives se formalisent travers une mesure de possibilit et une mesure de ncessit. Etant donne un ensemble de rfrence X, une mesure de possibilit est une fonction dfinie sur lensemble P(X), prenant des valeurs dans [0,1], telle que : i) = = ii) famille densembles Ai P(X) ou sup indique le supremum des valeurs concernes, cest dire la plus grande dentre elles dans le cas fini. Une mesure de possibilit est totalement dfinie si lon attribue un coefficient de possibilit toute partie de lensemble de rfrence X, mais lon peut y arriver plus facilement si lon indique les coefficients attribus aux seules parties lmentaires de X, les singletons, un sous-ensemble quelconque de X pouvant tre regard comme lunion des singletons quil contient. Une distribution de possibilit est une fonction dfinie sur X, prenant ses valeurs dans [0,1], satisfaisant la condition de normalisation suivante : Lensemble des lments de X pour lesquels la distribution de possibilit est gale 1 est son noyau et celui des lments pour lesquels la distribution est diffrente de 0 est son support. Mesure et distribution de possibilit peuvent tre associes bijectivement. Quelques proprits dintrt concernant la possibilit sont :
1 )x (
X x pus

)=

Pour complter linformation dcrivant lincertitude dun vnement, la thorie des possibilits value aussi le degr avec lequel la ralisation de cet vnement est certaine, par l intermdiaire dune mesure de ncessit. Une mesure de ncessit N est une fonction dfinie sur lensemble P(X) des parties de lensemble de rfrence fini X, prenant des valeurs dans [0,1], telle que : i) = = ii) famille densembles Ai P(X) ou inf indique linfimum des valeurs concernes, cest dire la plus grande dentre elles dans le cas fini. Les axiomes dfinissant mesure de possibilit et mesure de ncessite son duaux et donc on peut dfinir le concept de distribution de ncessit partir dun raisonnement similaire celui utilis pour le cas antrieur. En fait, tant donn un ensemble de rfrence X, et soit le complmentaire de toute partie A de X, une mesure de ncessite N peut tre obtenue partir de la donne dune mesure de possibilit , par :
)
)i (
...2 ,1

Thales Air Defence JRS/RBPEF

A(

A( N

X (P A

fni

... 2 ,1

( =
i

)=

))B( ,)A ( (nim )B A (

1 )A ( )A ( 1 ) A ( ,)A ( xam ) X (P )B ,A (

)i (

...2 ,1

1 ) X(

pus

...2 ,1

( =
i

)=

1 ) X(

, 0 ) (

,0 ) (

22

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Ceci nous permet de dfinir la mesure de ncessite N duale de par :


))

Quelques proprits dintrt concernant la ncessit sont :

La dualit entre possibilit et ncessite est mise en vidence grce aux proprits suivantes pour une partie A de X:

Les deux dernires relations indiquent que tout vnement dont on est, au moins un peu, certain est tout fait possible, et quon ne peut avoir la moindre certitude sur un vnement qui nest que relativement possible. 4.2.4.1 Lagrgation de composantes floues

Dans le domaine de la logique floue, la fusion des avis diffrents sur la caractrisation dun mme critre ou des prfrences obtenues par diverses ventualits partir de lutilisation de plusieurs critres est accompli par le choix et utilisation dun oprateur dagrgation, qui dterminera la faon dont interviennent chacun des lments dans le rsultat agrg cherch. Soit donc un ensemble X sur lequel sont dfinis des sous-ensembles flous A1, An . On cherche un oprateur h dfini sur [0,1]n, valeurs dans [0,1], qui permette de construire un rsultat agrg A partir des sous-ensembles considrs. Les oprateurs envisageables sont trs nombreux et peuvent tre groups dans des diffrentes familles : - Oprateurs de moyenne (moyennes classiques, OWAs, intgrales floues ) - Normes et conormes triangulaires - Sommes symtriques - Oprateurs adaptatifs On parlera plus en dtail de certains oprateurs de moyenne (classiques, OWA), ainsi que des normes et conormes triangulaires, dans le cadre de ltude dcrit dans la section ddie la variable possibilit.

Figure 8. Cadre de rfrence pour quelques oprateurs d'intrt [25]

Thales Air Defence JRS/RBPEF

1 )A ( N )A ( N 0 )A ( ,)A ( nim ))B( ,)A ( (xam )B A ( N ) X (P )B ,A (

0 )A ( N 1 1 )A ( 0 1 ))A ( N 1,)A ( )A ( N

)A ( )A ( N (xam )A (

)=

= =

x(

1 (

A x fni

A(N

X (P

23

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

En ce qui concerne le reste, on peut faire ici une description trs rapide, afin den avoir une ide intuitive : Les intgrales floues de Choquet et Sugeno sont des operateurs idempotents, continus, croissants et compris entre le minimum et le maximum. Soit un espace mesur flou (, B, ), o B est une -algbre de parties de et une mesure floue sur B et soit une fonction mesurable f dfinie sur et valeurs dans [0,1]. On note = > . Lintgrale de Sugeno de f est dfinie par :
]1, 0 [

et lintgrale de Choquet de f est dfinie par :

On y trouve comme cas particulier les statistiques dordre et donc le minimum, le maximum et la mdiane. Les intgrales de Choquet dfinies par rapport une mesure additive sont quivalentes une moyenne arithmtique pondre, dans laquelle les poids wi affects aux valeurs xi sont gaux ({xi}). Les sommes symtriques sont des oprateurs qui se caractrisent par avoir une proprit dautodualit, qui correspond linvariance du rsultat de lopration par inversion de lchelle des valeurs combiner. Cette autodualit soppose la dualit quon trouvera quand on tudiera les tnormes et t-conormes. Leur forme gnrale est donne par :
)y 1,x 1( g

o g est une fonction de [0,1] x[0,1] dans [0,1], croissante, positive et continue telle que g(0,0)=0. Typiquement, on peut prendre pour g une t-norme ou une t-conorme continue. Les oprateurs adaptatifs prennent en compte le conflit entre les diffrentes distributions de possibilit fusionner et peuvent se comporter comme un min si les distributions sont consonantes et comme un max si elles prsentent un fort conflit. Au del des distributions de possibilit considres (par exemple 1 et 2 dfinies sur D), ces oprateurs utiliseront une mesure h de conflit qui peut tre, par exemple, de la forme :

Pour une description plus en dtail de ces oprateurs, avec des rfrences des articles permettant dapprofondir sur chacun dentre eux, on renvoie le lecteur au chapitre 8 de [1].

4.2.5 Un cadre commun pour des probabilits, croyances et possibilits


Dans son ouvrage La logique floue et ses applications [2], Bernadette Bouchon-Meunier explique comment les thories des possibilits et des probabilits peuvent tre considres comme des cas particuliers de la thorie de lvidence. 4.2.5.1 Cas des probabilits Imaginons des observateurs qui mettent des avis trs nets et que les croyances mises concernent des lments de X pris individuellement, les lments focaux seront des singletons de X. Lindtermination sur loccurrence des divers vnements est alors moins importante que prcdemment puisque les vnements lmentaires reoivent une part de la masse de croyance.

Thales Air Defence JRS/RBPEF

c ))c( ,)c( (nim xDam 1 ) , (h

) y ,x ( g

) y ,x ( g

) y ,x (

f(

=
1 0

)) f ( , (nim

pus

d f

)x (

24

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Si les lments focaux sont les singletons de X, la fonction de plausibilit et la fonction de croyance sont identiques et ont les proprits dune mesure de probabilit : 4.2.5.2 Cas des possibilits Si, par contre des observateurs nattribuent pas de croyance des vnements incompatibles des vnements ne seront affects de masses de croyance non nulles que sils sont concordants. Le corps dvidence est cohrent et donc les lments focaux E1, E2 Ek sont embots, cest dire tels que E1 E2 Ek. Dans ce cas l, on peut dmontrer que la fonction de plausibilit a les proprits dune mesure de possibilit et la fonction de croyance celles dune mesure de ncessit. La figure ci-jointe, extraite de louvrage de Bouchon-Meunier cit au-dessus, montre une rcapitulation des conclusions quon vient dexpliquer :

Figure 9. Position de la thorie des possibilits et de la thorie des probabilits dans le cadre de la thorie de l'vidence [2]

4.2.6 Dautres techniques pour lintgration


Les techniques et les modles formels prsents dans cette section pour la modlisation et la fusion dinformations dans le cadre de lidentification NCTR constituent ce quon pourrait considrer comme le noyau traditionnel pour ce type de mthodes (sil est possible de parler de traditions dans un domaine tellement rcent). En tout cas, il y a dautres approches possibles telles que celles bases sur lutilisation de systmes experts, de rseaux de neurones ou mme des approches hybrides comme celle des systmes neurofuzzy qui se trouvent hors le cadre de ce rapport mais quil serait peut-tre intressant de considrer pour des tudes futures.

Thales Air Defence JRS/RBPEF

)A (rP )A ( lP )A ( lB e

25

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

4.3 UN MODELE DIMPLEMENTATION CONCRET BASE SUR LA LOGIQUE FLOUE


Dans cette section on fera la description dun exemple de systme didentification NCTR multiparamtrique et temps rel dont le cadre formel utilis est celui de la logique floue et la thorie des possibilits. Larchitecture et le fonctionnement gnral du systme taient proposs par M. Moruzzis et N. Colin dans leur article Radar Target Recognition by Fuzzy Logic [4]. Cest partir de ce modle quon effectuera notre travail de simulation et recherche autours des possibles algorithmes envisageables pour lintgration temporelle des donnes floues dans les sections suivantes.

4.3.1 Schma gnral


On va considrer une situation dans laquelle un ou plusieurs capteurs radar vont fournir certains paramtres pour chacune des cibles identifier. Comme on a dj expliqu, ces paramtres peuvent tre mesurs dune manire plutt directe par le radar (cest le cas, par exemple, des paramtres de type cinmatique) ou extraits des mesures radar grce des techniques plus complexes (analyse Doppler, techniques HRD, ISAR 1D et 2D, etc). Pour chaque paramtre et chaque classe considre on calculera des valeurs de possibilit et de ncessit instantanes, qui feront lobjet dun processus dintgration temporelle afin dobtenir les valeurs pertinentes pour la possibilit et la ncessit cumules chaque instant. Ensuite, on fera une intgration de type spatiale entre les diffrents paramtres pour chaque classe qui nous permettra dobtenir une valeur finale de possibilit et ncessit dappartenance la classe en question pour la cible considre. En regardant ces valeurs, obtenues pour chaque classe, on devra prendre une dcision en ce qui concerne la classification de la cible. Dans la figure ci-jointe, on prsente un schma correspondent un petit exemple dans lequel on a considr deux classes ( avion et hlicoptre ) et deux paramtres ( Surface Equivalent Radar (SER) et taille ). Le modle peut tre facilement tendu dautres systmes plus complexes, qui prennent en compte plus de paramtres et plus de classes possibles pour lidentification.

Thales Air Defence JRS/RBPEF

26

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 10. Schma gnral pour notre systme NCTR [4]

Classe Avion

Fonction dapparten.

Distribution de possibilit

Fonction dapparten.

Distribution de possibilit

Paramtre Taille

Valeurs instantanes de N y P

Valeurs instantanes de N y P

Valeurs instantanes de N y P

Paramtre Taille

Paramtre SER

Paramtre SER

PAV_SER ,NAV_SER Intgration temporelle

PAV_TAI ,NAV_TAI Intgration temporelle

CPAV_SER ,CNAV_SER

CPAV_TAI ,CNAV_TAI

Intgration spatiale Possibilit et Ncessit pour la classe Avion PAV ,NAV Dcision finale : identification / classification
Thales Air Defence JRS/RBPEF

elliaT
Classe Hlicoptre
Fonction dapparten. Distribution de possibilit Fonction dapparten. Distribution de possibilit

RES

Mesures

Mesures

Valeurs instantanes de N y P

PHE_SER ,NHE_SER Intgration temporelle

PHE_TAI ,NHE_TAI Intgration temporelle

CPHE_SER ,CNHE_SER

CPHE_TAI ,CNHE_TAI

Intgration spatiale Possibilit et Ncessit pour la classe Hlicoptre PHE ,NHE

27

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

4.3.2 Les fonctions dappartenance et de densit de possibilit


Les fondements thoriques sous-jacents ce modle sont extraites de larticle Weighted Fuzzy Pattern Matching crit par Dubois, Prade et Testemale [11]. Lide initiale tant celle de construire un systme de reconnaissance de formes sur la base de la thorie des ensembles flous et des possibilits, on associera une distribution de possibilit et un ensemble flou chacun des paramtres venant des capteurs radar. Plus concrtement, on travaillera avec deux fonctions, qui prendront des valeurs dans le domaine X de mesure de chaque paramtre considr et donneront des rsultats dans lintervalle [0,1] : La fonction dappartenance MP(x), quon utilise pour montrer et caractriser le degr de compatibilit entre une classe donne et un certain paramtre. Pour chaque lment x de X, MP(x)= 1 implique une totale sret propos du fait que la valeur mesure x est compatible avec la classe P tandis que MP(x)=0 implique une totale sret du fait quelle ne lest pas. Cette fonction sera fixe dans le temps pour chaque classe et chaque paramtre. Du point de vue de la reprsentation des connaissances, cette fonction permet dintroduire une incertitude dans la caractrisation a priori de chaque classe, caractrisation qui doit souvent tre faite partir de lexprience didentifications passes ou des avis dexperts. Lapproche la plus habituelle est celle de considrer une fonction trapzodale. Dans des conditions normales, un expert sera capable de terminer les limites dans lesquels il est sr que les valeurs dun certain paramtre correspondent ou ne correspondent pas la classe considre. Entre ces limites, il est difficile, mme pour un expert, de dcider si lobjet appartient la classe ou pas, et donc on peut considrer une variation monotone que lon peut modliser par une ligne droite. La figure ci-jointe montre un exemple dune fonction de ce type :

Figure 11. Exemple de fonction d'apartenance

La densit de possibilit D(x) est directement reli la notion derreur ou imprcision dans la mesure radar, est devra tre obtenue chaque instant partir des valeurs instantanes fournies par le capteur impliqu (xC(t)) et sa prcision (C). On parle, donc, dune fonction avec une forte dpendance des caractristiques techniques du radar utilis et qui varie chaque instant. De mme que pour la fonction dappartenance, on peut considrer des fonctions trapzodales pour la densit de possibilit. Un critre habituel est celui de considrer un modle gaussien de variance C et utiliser cette valeur pour dfinir les limites du trapze en question :

Figure 12. Exemple pour la densit de possibilit

Thales Air Defence JRS/RBPEF

28

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

4.3.3 Calcul de la possibilit et la ncessit


Aprs lintroduction plutt formelle aux principes de la thorie des possibilits quon a fait dans la section prcdente, on peut vouloir avoir une vision plus intuitive des concepts de possibilit et ncessite pour notre cas concret dapplication. Cest ainsi que la possibilit peut tre regarde comme une mesure du degr dintersection entre la fonction dappartenance et la distribution de possibilit pour chaque classe et chaque paramtre mesur, tandis que la ncessit peut tre considr une mesure dinclusion. A partir de cette ide, on peut calculer facilement la possibilit et la ncessit instantanes, selon les relations suivantes :
]) t ,x (D ,)x ( M[niM xaM 1,)x ( M [xaM niM
x x

= =

Graphiquement, on trouve une situation de la forme :

Figure 13. Calcul de la possibilit et la ncessite instantanes

4.3.4 Intgration spatiale et intgration temporelle


Une fois quon a calcul les valeurs instantanes de possibilit et ncessit pour chaque classe et chaque paramtre, il faudra les intgrer en une seule valeur par classe, afin de faciliter le processus final de prise de dcision. De plus, il peut tre souhaitable de prendre en compte lvolution temporelle des valeurs considres pour amliorer les performances gnrales du systme didentification. Les techniques de fusion de donnes dont on a dj parl joueront ici un rle essentiel. Le premier type dintgration mentionn, lintgration dite spatiale peut tre accomplie par une approche plutt simple caractre conjonctif ou disjonctif. Puisque ce type dintgration ne constitue pas lobjet dtude spcifique de lactuel stage, on considrera que, dans le cadre de nos simulations et pour le modle darchitecture propos, elle seffectue toujours avec un oprateur de type conjonctif ( min ou AND ). Cela veut dire que, aprs lintgration temporelle, les diffrentes valeurs cumules de P et N pour les paramtres utiliss pour chaque classe sont fusionnes dans une valeur finale par classe en calculant leur minimum. On utilisera toujours ce critre afin de faciliter ltude indpendamment de linfluence du choix de lalgorithme dintgration temporelle sur les performances gnrales didentification.

Thales Air Defence JRS/RBPEF

]) t ,x (D

{ {

} }

) t( N

) t( P

29

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Classe C Paramtre A PA,C(t)


Buffer taille M Intgration temporelle

CPA,C(t) CNA,C(t) Intgration spatiale PC(t)

NA,C(t) Paramtre B PB,C(t)


Buffer taille M Intgration temporelle

CPB,C(t) CNB,C(t) . . .

NB,C(t)

NC(t) [oprateur min ]

Paramtre X PX,C(t)
Buffer taille M Intgration temporelle

CPX,C(t) CNX,C(t)

NX,C(t)

Figure 14. Intgration temporelle vs. intgration spatiale

Le processus dintgration temporelle sera le sujet principale dune section future et donc, on se limitera ici signaler que, en principe, cette intgration sera faite sur les M dernires valeurs instantanes considres (typiquement M=10), qui seront stockes cet effet dans un buffer en mmoire. Comme on le verra plus tard, parfois il peut tre nanmoins intressant de considrer aussi dautres stratgies visant faire lintgration avec le rsultat cumul correspondant linstant prcdent.

4.3.5 Prise de dcision


Pour la prise finale de la dcision concernant la classification de chaque cible, on partira dun systme de double seuil conduisant trois rsultats possibles par cible et classe : acceptation, rejet ou doute. Idalement, on pourrait considrer un seuil de rejet sur la possibilit de manire que lon puisse rejeter directement la classe (on affirme que la cible nappartient pas cette classe) si aprs les processus dintgration temporelle et spatiale une cible prsente pour celle-ci une valeur de possibilit infrieure au seuil. Si, par contre, cette valeur est suprieure au seuil et que la valeur correspondante de ncessit est suprieure un autre seuil dit dacceptation , on pourra affirmer lappartenance de la cible la classe considre. Si lon se trouve au-dessus du seuil de rejet pour la possibilit et audessous du seuil dacceptation pour la ncessit, on ne pourra pas rejeter ni accepter la classe et on parlera de doute. Daprs cette approche, on travaillera avec un vecteur de dcision pour chaque identification, de dimension 1, dont la longueur sera gale au nombre de classes considres et dont les lments pourront prendre trois valeurs seulement. Il sera donc possible daccepter plusieurs identits pour une cible, cest--dire, une cible pourra tre identifie comme appartenant plusieurs classes si les informations fournies par les capteurs ne nous permettent pas de rduire le nombre de candidates jusqu lunit.

Thales Air Defence JRS/RBPEF

30

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Thales Air Defence JRS/RBPEF

31

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

5 Des outils pour lvaluation des performances


Afin de bien conduire notre tude sur les diffrentes approches envisageables pour lintgration temporelle des donnes floues dans le cadre du systme didentification NCTR que lon vient de dcrire, on devra tout dabord choisir quelques critres pour lvaluation des performances des diffrents algorithmes et oprateurs. De cette faon, on disposera de quelques indicateurs quantitatifs, prcis et objectifs capables de mesurer les rsultats obtenus au cours de nos futurs simulations. Les indicateurs que lon a dcid dutiliser peuvent tre classs tout dabord dans deux grands groupes : des fonctions dvaluation et des mesures sur les matrices de confusion.

5.1 FONCTIONS DEVALUATION


La premire ide que lon a eu pour comparer les diffrentes mthodes dintgration est de noter les rsultats obtenus par moyen de quelques fonctions que lon a dveloppes en tenant compte de nos besoins spcifiques et avec des critres trs particuliers pour chaque cas. Bien que ces fonctions puissent avoir des comportements ou des rsultats discordants au niveau ponctuel, on sattend observer une certaine cohrence globale qui nous permettra dobtenir quelques conclusions dintrt. Les trois premires fonctions A, B et C rpondent des approches assez intuitives, tandis que la dernire fonction se limite calculer un taux derreur et un taux de russite objectifs selon les critres habituels adopts Thales pour les produits didentification radar. On travaillera avec une base de donnes constitue par des mesures relles correspondant aux diffrentes classes utiles pour lidentification de quelques cibles connues. Cela veut dire que pour une cible dun type X connu, on devra considrer des diffrents paramtres et pour chacun dentre eux on disposera dun nombre de mesures gal chaque instant la quantit totale de classes susceptibles dtre identifies (plus concrtement, on considrera 6 classes C1,C2..C6 donns sur 6 cibles T1, T2T6 appartenant aux 6 classes en question).
Exemple. Si lon considre un contexte didentification avec 6 classes possibles, pour une cible du type 3 et un paramtre P donns, on devra considrer 6 ensembles de mesures de possibilit et ncessit fournies par les capteurs radars tout au long dun mme intervalle temporel, de sorte que lon sera oblig de travailler avec un ensemble de donnes (pre et post intgration temporelle) de la forme :

Figure 15. Exemple des donnes relles utilises possibilit (bleu) et ncessit (vert) avant (gauche) et aprs (droite) intgration. La figure montre les mesures correspondant six classes pour un certain paramtre.

Thales Air Defence JRS/RBPEF

32

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

5.1.1

Fonction A

Cette premire fonction est la seule qui travaille directement sur les rsultats de lintgration temporelle et spatiale, sans intervention daucun type de processus de prise de dcision. Il sagit tout simplement de mesurer de manire objective le degr de similarit entre les rsultats obtenus pour une mthode dintgration temporelle dtermin et les rsultats de classification pour un cas idal. On va donner une bonne note quand on obtient des valeurs de possibilit et ncessite leves pour la bonne classe associe chaque cible et aussi quand on obtient des valeurs de possibilit et ncessit faibles pour les classes qui ne correspondent pas la cible en question. Cela traduit lide intuitive quun algorithme sera bon ds quil sera capable daffirmer lappartenance la bonne classe, mais aussi de rejeter lappartenance de la cible aux classes errones. Dun point de vue mathmatique, cela revient considrer comme des notes les valeurs de la possibilit et la ncessit finales elles-mmes pour la bonne classe et leurs complmentaires pour les classes errones. Puis, on fera une normalisation et une pondration afin davoir une valeur finale entre 0 et 1 dans laquelle la note apporte par la bonne classe ait le mme poids que la note apporte par lensemble des classes errones. Si lon considre Q classes possibles (et donc Q valeurs finales de Pi et Ni, avec i qui variant entre 1 et Q) et une cible de type C (1 C Q), la fonction dvaluation pour chaque instant sera de la forme :
) iN
1( )i P 1( 1 Q

Une note gale 1 veut dire que, aprs les processus dintgration, on a obtenu des valeurs de possibilit et ncessite gales 1 pour la bonne classe et la bonne cible et gales a 0 pour tout le reste de combinaisons errones classe - cible. Une note gale a 0 veut dire que lon est arriv a avoir des valeurs gales a 0 pour la bonne paire classe - cible et gales a 1 pour le reste.

5.1.2

Fonction B

Pour la deuxime fonction considre, on effectuera un processus de dcision par comparaison avec un double seuil au niveau de chaque classe et chaque paramtre, avec trois rsultats possibles : acceptation, rejet ou doute. Il y aura, donc, une dpendance des rsultats par rapport aux seuils utiliss. Dans le cadre de cette fonction, on considrera quil y a eu une russite : - Si lon accepte un paramtre pour la bonne paire classe - cible - Si lon rejette un paramtre pour une paire classe - cible errone On considrera quil y a eu une erreur : - Si lon rejette un paramtre pour la bonne paire classe - cible - Si lon accepte un paramtre pour une paire classe - cible errone Aprs lvaluation de tous les paramtres mesurs pour toutes les classes possibles pour une cible donne, on comptabilise le nombre de russites et derreurs et on calcule leurs pourcentages respectifs par rapport la quantit totale de dcisions prises. Le pourcentage de classifications neutres peut tre obtenu comme le complmentaire de lensemble des pourcentages derreur et de russite.

Thales Air Defence JRS/RBPEF

,1

C i i
=

CN

CP 1 2

) serget ni_sennod( A f 0

33

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

5.1.3 Fonction C
La troisime fonction dvaluation dveloppe dans le cadre de ce stage est un peu plus complexe que les prcdentes. Elle travaille sur les valeurs finales de possibilit et ncessit pour chaque classe (aprs intgration temporelle et spatiale). Elle sappuie sur la notion derreur employe Thales pour ses applications didentification NCTR radar, selon laquelle il y a une erreur : 1. Si lon rejette la bonne classe 2. Si lon naccepte pas la bonne classe et on accepte une autre classe (errone). Lobjectif de la fonction C est de fournir une note globale qui prenne en compte, avant tout, le fait de ne pas avoir derreurs, mais aussi qui soit capable de mettre en valeur la puissance discriminante de lalgorithme dintgration valu : si lon accepte toujours toutes les cibles, ou que lon les dclare toujours douteuses (ni accepts, ni rejets), on aura un algorithme avec un taux derreur nul, mais qui ne semble pas trop performant quand mme. Cest pourquoi la fonction C va noter les rsultats de lintgration en tenant compte, tout dabord du statut affect la bonne classe mais aussi du nombre de classes acceptes et rejetes dans le cadre de chaque identification. Voici un modle schmatique pour le calcul des rsultats :

Dans lensemble de mesures pour toutes les classes possibles pour une cible donne, on regarde la bonne classe (celle de la cible identifier) : accepte douteuse

Bonne classe pour une cible donne rejete

ERREUR 1

Accepte-t-on dautres classes errones ?

non

oui ERREUR 2

Classes acceptes QTE. NOTEA 1 1 2 0.8 3 0.6 4 0.4 5 0.2 6 0

Classes rejetes QTE. NOTER 5 1 4 0.8 3 0.6 2 0.4 1 0.2 0 0

=0

NOTE = NOTEA + NOTER ; + = 1

Figure 16. Schma pour la fonction C

Thales Air Defence JRS/RBPEF

34

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Lalgorithme dvaluation est le suivant : 1. On regarde la classification faite pour la bonne classe pour une cible donne. 2. Si la bonne classe est rejete, on donne une note 1 (ngative) et on finit. 3. Si la bonne classe est accepte, on donne une note qui dpend de la quantit de classes acceptes et rejetes en total (grce au systme de double seuil, une classe ne peut pas tre accepte et rejete au mme temps). 4. Si la bonne classe est douteuse, on regarde le reste de classes et a) si une autre classe est accepte, on donne une note 2 (ngative) et on finit. b) si aucune classe nest accepte, on donne une note qui dpend de la quantit de classes rejetes (et qui sera pondr par le paramtre de telle sorte que cela sera la note maximale). Certaines proprits de cette fonction peuvent tre contrles grce aux paramtres qui interviennent dans le processus dvaluation : Les paramtres nous permettent de contrler la pnalisation associe aux erreurs didentification. On considrera ici des valeurs ngatives (ex. = 1). Les paramtres et nous permettent dtablir limportance relative daccepter ou pas la bonne classe face limportance de rejeter les classes errones.

5.1.4 Fonction taux derreur et taux de russite


La dernire fonction utilise est la plus conventionnelle de toutes, puisquelle fourni une valeur pour le taux derreur et un autre pour la taux de russite selon le critre utilis traditionnellement Thales pour les systmes didentification NCTR : Comme on a dj expliqu, on considre quil y a une erreur : 1. Si lon rejette la bonne classe 2. Si lon naccepte pas la bonne classe et on accepte une autre classe (errone). Par contre, on considre quil y a une russite si lon accepte la bonne classe et seulement la bonne classe pour une cible donne. A nouveau, on considrera ici les valeurs de possibilit et ncessit utilises pour la prise de dcision finale pour chaque classe, aprs intgration temporelle et spatiale. Il sagit dune fonction qui nous apporte une vision trs nette, trs facile comprendre, de la performance dun algorithme dintgration, puisquelle fourni une mesure du pourcentage de cibles bien et mal classes au sens strict , ce qui la rend trs approprie en tant quindicateur de qualit globale.

5.2 MESURES SUR LES MATRICES DE CONFUSION


Les matrices de confusion ou tableaux de contingence sont des outils qui servent valuer la qualit dune classification ou identification. Les matrices de confusion que lon utilisera dans le cadre de notre tude seront construites en mettant les donnes (cibles testes) sur les lignes et les rsultats de la classification faite par notre systme sur les colonnes. Cest ainsi que chaque valeur occupant la position ij donne une ide de la frquence avec laquelle une cible de type i a t classifi comme appartenant la classe j.

On va considrer des types diffrents de matrices de confusion et deux manires diffrentes de les construire pour chacun de ces types.

Thales Air Defence JRS/RBPEF

35

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Dabord, on fera une distinction entre les matrices dacceptation et les matrices de rejet : Les matrices dacceptation expriment la probabilit avec laquelle on accepte les differentes classes pour une cible donne. Dans le cas idal, on acceptera seulement la bonne classe pour chaque cible considre et on obtiendra, donc, une matrice dans laquelle tous les lments qui ne se trouvent pas sur la diagonale son nuls (matrice identit).
Exemple : C1 T1 T2 T3 T4 T5 T6 C2 C3 C4 C5 C6

Les matrices de rejet expriment la probabilit avec laquelle une classe donne est rejette au cours du processus didentification pour une cible dun certain type. Dans le cas idal, tous les lments de la diagonale seront nuls et les autres gales 1 puisque on ne rejettera jamais la bonne classe pour la cible identifier et on rejettera toujours les autres.
Exemple :

On fera aussi une deuxime distinction par rapport la manire dont les matrices sont construites : On travaillera avec des matrices normalises, avec des valeurs entre 0 et 1, qui expriment le pourcentage de temps (~probabilit) pendant lequel chaque classe a t accepte ou rejete pour chaque type de cible. (voir exemple ci-dessus). On travaillera aussi avec des matrices non normalises, qui montreront la quantit totale de classifications effectue pour chaque paire classe - cible, chaque unit correspondant un instant dans un axe temporel discrtis.
Exemple :

Bien que la simple observation des matrices de confusion offre dj une ide gnrale de la qualit du processus de classification valu, on travaillera avec des mesures quantitatives plus rigoureuses, objectives et prcises.

Thales Air Defence JRS/RBPEF

36

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

5.2.1 Erreur quadratique


On dfinira cette mesure pour les matrices valeurs normalises. Elle nous apporte une indication du degr de dissimilitude par rapport aux matrices idales dacceptation (matrice identit) et de rejet (matrice de uns moins matrice identit) :
ji n ,A

5.2.2

Indicateurs de prcision

On calculera ces indicateurs sur les matrices non normalises dacceptation. On parlera de trois types de prcision : La prcision pour lutilisateur est le pourcentage de fois quune certaine classe a t bien affecte son type cible correspondant (une valeur par colonne).
jj

La prcision pour le ralisateur est le pourcentage de fois que, pour une cible dun certain type, on a affect la bonne classe (une valeur par ligne).

La prcision totale est la relation entre la quantit de bonnes identifications et la quantit totale didentifications effectues (une valeur par table).

Exemple.

Prcisions pour lutilisateur Prcisions pour le ralisateur Prcision gnrale

Thales Air Defence JRS/RBPEF

ji

ji

ii

ji n , R

M dI seno
ji

M M

M M

M p M

kk

i , aer l

j , litu

j i

(((

M dI

j n i

((

tpecca , Q tejer , Q

E E

37

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

5.2.3 Coefficient kappa


On travaillera ici, nouveau, avec les matrices de confusion dacceptation avec des valeurs non normalises. Le coefficient Kappa est une mesure de concordance sur un processus de classification ou identification faite par deux observateurs. Il a t utilis initialement dans le domaine de la mdecine et la psychiatrie, afin de mesurer le degr de concordance entre les diagnostiques fournis par plusieurs experts. Dautres domaines dapplication habituelle incluent aujourdhui, par exemple, celui de la classification de pixels pour le traitement dimages satellitaires. La dfinition originelle de lindice kappa se fait partir lexpression suivante, o lon travaille avec une matrice de confusion contenant des valeurs de probabilit :

la somme de tous les lments de la colonne i.

Cette expression est trs utile pour avoir une vision intuitive de la smantique du coefficient. En effet, on peut supposer des variables alatoires indpendantes qui reprsentent la classification dun mme objet (ou cible) par deux observateurs. La probabilit pour quun objet soit classifi par les deux dans la mme catgorie C est donne par + + . Si on tend ce raisonnement toutes les catgories
C C

attribuables au hasard exclusivement. Cet ainsi que la valeur kappa montre la relation entre lexcs
C

Au del de cette approche base sur lutilisation de probabilits, on peut obtenir une estimation de lindice kappa en remplaant celles-ci par des frquences dchantillonnage :

ou N est la somme de toutes les valeurs de la matrice de confusion non normalise (X).

Dans le cadre de notre tude, on utilisera toujours cette dernire expression. En ce qui concerne les possibles valeurs de kappa, on trouve que la concordance maximale possible correspond une valeur =1. On obtient =0 pour un degr de concordance qui concide avec celui que lon pourrait attendre cause du hasard seul. Si la concordance est plus grande que celle attribuable au hasard, kappa sera positif et vice-versa. La valeur minimum de kappa dpend des distributions marginales Xi+ et X+i.

Thales Air Defence JRS/RBPEF

ii

ii

X N

X N

ii

+ + + +

possible pour le cas de classification idale

CC

de concordance au del de celui attribuable au hasard

possibles,

est la probabilit de ce que les observateurs concident par des causes

et lexcs maximum

ii

ou

sont les lments de la diagonale,

+ est la somme de tous les lments de la ligne i et +

ii

+ + + +

es

38

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

On peut aussi considrer lchelle numrique propose dans [12], rsume dans ce tableau : Valeur de < 0.20 0.21 0.40 0.41 0.60 0.61 0.80 0.81 1.00 Force de la concordance Pauvre Faible Modre Bonne Trs bonne

Un traitement plus rigoureux de ce coefficient impliquerait un travail avec des intervalles de confiance en fonction du nombre dchantillons considrs, mais au cours de nos simulations nous nous limiterons travailler avec des valeurs ponctuelles qui resteront valides, en tout cas, pour nous donner une ide gnrale de lvolution des performances pour la classification associes chacun des algorithmes tudis.

Thales Air Defence JRS/RBPEF

39

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

6 Etude sur lintgration temporelle pour la variable possibilit


On arrive la section la plus importante de ce rapport, qui constitue le noyau du travail effectu au cours de mon stage. Aprs avoir dcrit un modle concret darchitecture pour un systme didentification NCTR radar, on tudiera des approches envisageables pour lintgration temporelle des donnes floues et on comparera leurs performances laide des outils introduits dans la section prcdente. Il est important de noter que, dans cette section, on travaillera seulement avec des valeurs de possibilit, suivant des indications de la part de Thales. Les mesures de ncessit tant encore en phase de perfectionnement, il semble plus intressant pour notre tude de les laisser un peu de cot afin de nous centrer sur le traitement de la possibilit. On se limitera donc raliser quelques brves observations dans la section suivante propos de la ncessit et son utilisation conjointe avec la possibilit. Le fait de travailler exclusivement avec la possibilit implique le besoin dadopter un nouveau schma pour la prise de dcision par rapport celui dcrit la fin de la section ddie au sujet de la NCTR. On maintiendra les trois tats possibles pour chaque cible et chaque classe : acceptation, rejet et doute, mais on utilisera une stratgie double seuil plus simple, selon laquelle on rejettera une classe pour une cible donne si la valeur finale de possibilit est infrieure un seuil de rejet, on lacceptera si cette valeur est suprieure un seuil dit dacceptation et on la dclarera douteuse (ou inconnue ) dans tous les autres cas. 1 Acceptation Seuil dacceptation Doute

Seuil de rejet Rejet 0


Figure 17. Modle double seuil

6.1 DESCRIPTION DU CONTEXTE DE SIMULATION ET DES DONNEES UTILISEES


On travaillera avec des cibles ariennes de six types ou classes diffrentes, que lon dsignera avec des chiffres (C1, C2, C3, C4, C5, C6) et dont on ne connat pas lidentit relle pour des raisons de confidentialit. Pour les cinq premiers types de cibles (T1 T5), on travaillera avec trois jeux de donnes relles, correspondant trois mesures diffrentes fournies par des capteurs radar rels, obtenues dans des conditions diverses et couvrant des intervalles temporelles diffrents (mais gaux au niveau de chaque ensemble, cest dire, les conditions et les intervalles considrs pour chacun des trois ensembles de donnes sont les mmes pour toutes les cibles). Pour la sixime classe de cible on disposera uniquement dun seul jeux de donnes simules. Naturellement, on connat en chaque cas la cible relle laquelle appartient chacune des mesures considres et on utilisera cette connaissance pour valuer les performances des diffrents algorithmes. En ce qui concerne les paramtres utiliss pour la classification, ils seront de deux types que lon dnotera par A et B, nouveau cause de critres de confidentialit. En tout cas, il sagit de paramtres utiliss habituellement dans le cadre des systmes NCTR, similaires ceux dont on a

Thales Air Defence JRS/RBPEF

40

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

parle dans la section de la NCTR radar . On considrera trois paramtres de type A (que lon appellera A1, A2 et A3) et deux paramtres de type B (que lon appellera B1 et B2). Toutes les fonctions dvaluation utilises ont t conues pour donner comme rsultat les valeurs correspondantes aux paramtres type A et type B isols (aprs lintgration spatiale partielle A1+A2+A3 et B1+B2, mais avant lintgration spatiale globale A+B) et aussi la valeur finale aprs intgration spatiale entre les ensembles A et B (en total, trois valeurs par valuation).
Dans la suite de ce rapport, on utilisera le critre suivant pour toutes les figures reprsentant des rsultats des ces trois types : Couleur rouge, symbole toile (*) et trait point (.) pour les paramtres type A Couleur vert, symbole triangle () et trait tirets (--) pour les paramtres type B Couleur bleu, symbole croix (x), et trait continu (-) pour les rsultats de la fusion des paramtres A et B. Pour les figures prsentant des rsultats pour les mesures sur des matrices de confusion, on respectera toujours les critres suivants : Couleur bleu, symbole croix (x), et trait continu (-) pour la prcision et lerreur quadratique dacceptation. Couleur rouge, symbole toile (*), trait point (.) pour le coefficient kappa et lerreur quadratique de rejet.

6.2 LES RESULTATS EN ABSENCE DINTEGRATION TEMPORELLE


Il semble intressant de regarder la structure des donnes considrs et les rsultats obtenus pour les fonctions dvaluation et les matrices de confusion dans un cas hypothtique o lon neffectue aucun type dintgration temporelle, cest dire, les valeurs pour la possibilit cumule sont gales celles de la possibilit instantane. Si lon reprsente les histogrammes de ces donnes avec une division de lintervalle [0,1] en dix sous - intervalles, on obtient ces rsultats pour la bonne paire cible - classe et pour les paires errones : Bonne classe (Ti, Ci): Valeur 0 0.1 Occurrences 9 0 0.2 2 0.3 1 0.3 498 0.4 1 0.4 372 0.5 1 0.5 361 0.6 2 0.6 409 0.7 4 0.7 451 0.8 1 0.8 320 0.9 1 0.9 331

=1 4150

Classes errones (Ti,Cj ij) : Valeur 0 0.1 0.2 Occurrences 6225 374 435

=1 11054

Figure 18. Distribution des valeurs de possibilit pour les donnes sans intgration temporelle

On observe que pour la bonne paire classe - cible les valeurs sont presque toujours gales 1. Par contre, pour les paires errones il y a de nombreuses valeurs au-dessous de 1 et une grande quantit de valeurs proches de 0.

Thales Air Defence JRS/RBPEF

41

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Les fonctions dvaluation donnent ces rsultats : Fonction A FUSION FINALE 0.5809

PARAMETRES A 0.3483

PARAMETRES B 0.2326

Fonction B TAUX DE REUSSIT ELEMENTAIRE FUSION A B 0.7633 0.7187 0.6195 Fonction C FUSION FINALE 0.1547 Fonction D Russite Erreur FUSION FINALE 0.1430 0.0101

TAUX DERREUR ELEMENTAIRE FUSION A B 0.1949 0.2536 0.3494

PARAMETRES A 0.1260

PARAMETRES B 0.1260

PARAMETRES A 0 0.0016

PARAMETRES B 0.0937 0.0089

Voici la matrice de confusion normalise pour lacceptation : 0.9637 0.9969 0.0573 0.0789 0 0 0.7289 0.9969 0.1293 0.2341 0 0 0.9912 0.6114 0.9863 0.7875 0 0 0.9556 0.0748 0.7093 0.9924 0.2647 0.8776 0.8928 0.0305 1.0000 1.0000 1.0000 0.6327 0.0015 0 0.0020 0.2935 0.2114 1.0000

Erreur quadratique : 9.1751 Voici la matrice non normalise avec les mesures de prcision : 685 805 50 31 0 0 0.4360 596 805 89 92 0 0 0.5088 707 487 600 276 0 0 0.2899 680 52 433 326 161 43 0.1923 kappa = 665 20 612 329 652 31 0.2824 0.3016 1 0 1 59 128 49 0.2059 0.2055 0.3711 0.3361 0.2929 0.6929 0.3984 0.3293

Et voici finalement la matrice de confusion pour le rejet: 0.0140 0.0031 0.8751 0.8932 1.0000 1.0000 0.1255 0.0031 0.6029 0.5343 1.0000 1.0000 0.0074 0.0031 0.0137 0.0381 0.9846 0.9796 0.0282 0.3844 0.2674 0 0.7353 0.0612 0.0280 0.9038 0 0 0 0.1837 0.9985 1.0000 0.9980 0.6816 0.7853 0

Erreur quadratique : 11.6448 Ces rsultats que lon vient dobtenir seront trs intressants dans la suite puisquils nous serviront de rfrence, de point de dpart, pour avoir une ide plus prcise de la qualit des rsultats aprs intgration temporelle.

Thales Air Defence JRS/RBPEF

42

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

6.3 LES OPERATEURS DE MOYENNE


Un oprateur de moyenne est une fonction m ; [0,1]x[0, 1]-> [0,1] telle que : le rsultat de la combinaison est toujours compris entre le min et le max. , min(x,y) m(x,y) max(x,y) , mais m nest pas loprateur min ni max m est commutative m est croissante par rapport aux deux variables :
2

6.3.1 La mthode k sur M


La premire approche que lon a considre est celle de la mthode dite k sur M , propose comme mthode de dpart par mes responsables Thales. Il sagit dune mthode assez intuitive qui consiste considrer un vecteur contenant les M dernires valeurs mesures pour la possibilit instantane, les ranger en ordre croissant et prendre celle de position k comme nouvelle valeur pour la possibilit cumule chaque instant. Une valeur de k= 1 quivaut prendre le minimum des dix derniers chantillons, tandis que une valeur k= 10 est lquivalent de prendre le maximum. Dans la documentation interne que jai eu lopportunit de regarder mon arrive, on proposait dutiliser une valeur de k=3, afin dviter quelques erreurs dues des possibles valeurs anomales, et contrler toujours le taux derreur. Une premire ide intuitive a t celle dvaluer les performances de cet algorithme dintgration en faisant varier le paramtre k entre 1 et 10. Les rsultats, prsents dans les figures ci-dessous, montrent une tendance monotone dans tous les cas. Les mesures de qualit globale obtenues pour les fonctions A, B et C samliorent quand la valeur de k diminue, de telle sorte que les meilleurs rsultats pour ces fonctions sobtiennent pour k=1, cest dire, pour le minimum. Par contre, le taux derreur global augmente dans la mme ligne.

Figure 20. Fonction A - "k sur M"

Thales Air Defence JRS/RBPEF

]1,0[

) ' y ,y , ' x ,x (

]1,0[

) y ,x (

, ( x x et y y )

m(x,y) m(x,y)

[1]

Figure 19. Fonction C - "k sur M"

43

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 21. Fonction B russite (gauche) et erreur (droite) lmentaires - "K sur M"

Figure 22. Taux de russite (gauche) et derreur (droite) - "k sur M"

Figure 23. Erreurs quadratiques (gauche) et prcision-kappa (droite) k sur M

Thales Air Defence JRS/RBPEF

44

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Voici un rsum des rsultats quantitatifs le plus importants qui accompagnent les graphiques daudessus : Fonction A k 1 3 10 Fonction B k 1 3 10 Fonction C k 1 3 10
TAUX DE REUSSIT ELEMENTAIRE TAUX DERREUR ELEMENTAIRE

FUSION FINALE 0.6113 0.5893 0.5473

PARAMETRES A 0.3501 0.3485 0.3416

PARAMETRES B 0.2612 0.2408 0.2057

FUSION 0.7979 0.7718 0.6936

A 0.7283 0.7205 0.6844

B 0.7150 0.6431 0.5232

FUSION 0.1474 0.1838 0.2764

A 0.2467 0.2546 0.2867

B 0.2271 0.3202 0.4731

FUSION FINALE 0.1772 0.1617 0.1181

PARAMETRES A 0.1318 0.1274 0.1090

PARAMETRES B 0.1434 0.1024 0.0206

Taux Russite 1 Erreur Russite 3 Erreur Russite 10 Erreur

FUSION FINALE 0.2454 0.0615 0.1321 0.0032 0.0360 0

PARAMETRES A 0 0.0021 0 0.0010 0 0

PARAMETRES B 0.2405 0.0637 0.1078 0.0023 0.0197 0

Matrices de confusion: Erreur quadratique acceptation Erreur quadratique rejet Prcision gnrale Coefficient kappa k = 1 6.1555 8.0644 0.3826 0.3557 k = 3 8.7214 11.4002 0.3482 0.3208 K = 10 13.8264 15.8039 0.2660 0.2385

Intuitivement, ce comportement peut tre expliqu par le fait que prendre une valeur petite de k implique une stratgie plus risque pour le processus de classification, cest dire, plus discriminante, mais la fois plus susceptible de provoquer des erreurs didentification pour la bonne classe. Le fait de prendre une valeur plus grande, par contre, suppose une attitude plus conservatrice : on acceptera plus de classes pour chaque identification, on deviendra moins discriminant, mais on commettra moins derreurs.

6.3.2 Moyennes gnralises


Une fois quon a tudi lapproche k sur M , et sans sortir du cadre des oprateurs de moyenne, on peut considrer un autre type doprateurs qui peuvent tre utiliss pour la fusion dinformations floues : les moyennes gnralises. Lide mathmatique derrire cette approche est celle dutiliser une expression gnrale dpendant dun paramtre , telle que en faisant varier sa valeur on puisse parcourir les diffrents types de

Thales Air Defence JRS/RBPEF

45

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

moyennes classiques (arithmtique, gomtrique, harmonique, etc.) sur un chemin allant de loprateur min jusqu loprateur max :

Dans les figures suivantes, on observe les variations des performances pour une variation
2 x

Figure 24. Fonction A - "Moyennes gen."

Figure 25. Fonction C - "Moyennes gen."

Thales Air Defence JRS/RBPEF

01

logarithmique de entre -100 et 100 (selon une expression du type =

2 1

) a( xam )A (

h:

)A ( 1h : 1

a1

1 i

)A ( 0h : 0

( )
n

ia 1 i 1 n

)A ( 1 h : 1

) a( nim )A (

h:

a ,..., 2 a , 1a h

n 1

)=

Oprateur min M. harmonique

M. gomtrique

M. arithmtique Oprateur max

, avec x entre 0 et 8):

46

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 26. Fonction B russite (gauche) et erreur (droite) lmentaires - "Moyennes gen."

Figure 27. Taux de russite et derreur - "Moyennes gen."

Figure 28. Erreurs quadratiques et prcision-kappa Moyennes gen.

A cause du comportement monotone observ, il semble intressant de regarder les valeurs numriques correspondant aux valeurs extrmes du paramtre, mais puisque pour celles-ci on obtient un oprateur qui va vers le min et le max, on renvoie le lecteur aux rsultats obtenus dans la section prcdente pour les valeurs k = 1 (min) et k = 10 (max). En effet, les moyennes gnralises nous apportent une alternative lapproche k sur M qui parcourt le mme intervalle de performances traversant ce que lon pourrait considrer comme un chemin diffrent . Parmi les avantages introduits par les moyennes on peut nommer une prcision

Thales Air Defence JRS/RBPEF

47

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

plus grande grce la possibilit de faire varier le paramtre de manire continue et aussi la mthode de calcul employe (selon les circonstances et lenvironnement de calcul notre disposition, il peut tre ou non plus intressant de calculer une moyenne arithmtique, par exemple, que de ranger une vecteur par ordre croissant et choisir un lment dans une position dtermine).

6.3.3 Ordered Weighted Average (OWA)


Les oprateurs OWA (Ordered Weighted Average) sont un type particulier doprateurs de moyenne pondre qui ont t introduits par Yager dans son article de 1988 [14]. Si a1,a2, , an sont les valeurs intgrer, elles doivent tre ordonnes dans une suite telle que : a(1) a(2) a(n) Loprateur OWA est paramtr par une n-tuple de poids, W=(w1, , wn) tels que :
=
,

Ceci dit, la fusion de donnes par un oprateur OWA est dfinie par la relation :
=

6.3.3.1 Approche nave

Une premire option pour travailler avec ce type doprateurs est celle de choisir quelques formes gomtriques plutt simples et intuitives pour la distribution de poids, comme par exemple une distribution triangulaire croissante, triangulaire dcroissante ou pyramidale. Il sagit dune approche assez nave, laquelle il manque la rigueur formelle de celles que lon considrera plus tard, mais qui peut apporter des informations dintrt propos du comportement des oprateurs OWA. 6.3.3.2 Distribution de poids triangulaire croissante

Ceci dit, on commence par considrer une distribution de poids de forme triangulaire croissante, selon la pondration (normalise) : [ 1 2 3 4 5 6 7 8 9 10 ]

On peut considrer des permutations circulaires successives afin dtudier les performances pour des positions diffrentes du poids maximal dans la distribution, toujours avec la forme relative ci-dessus.

Thales Air Defence JRS/RBPEF

)i(

a iw 1

) n a ,..., 2 a , 1a( AWOh

1,

w1 i

et wi [0,1]

48

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Les figures ci-jointes montrent les performances obtenues. Laxe des x indique la position du poids maximal :

Figure 29. Fonction A - "OWA- T.croissante"

Figure 30. Fonction C - "OWA- T.croissante"

Figure 31. Fonction B russite (gauche) et erreur (droite) lmentaires - "OWA - T. croissante"

Figure 32. Taux de russite et derreur - "OWA - T. croissante"

Thales Air Defence JRS/RBPEF

49

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 33. Erreurs quadratiques et prcision-kappa OWA - T. croissante

Les performances observes pour les fonctions dvaluation (et exception de le taux derreur globale), toujours au-dessous de celles obtenues pour loprateur min, sont meilleures quand le poids maximal se trouve en dernire position (distribution triangulaire croissante pure ). Cela est logique, puisque cette distribution est la plus proche loprateur min, et les rsultats obtenus sont donc cohrents avec ceux de la section prcdente. En gnral, on observe que quand la distribution de poids est telle que les valeurs maximales obtiennent la plus part du poids, les performances gnrales deviennent pires (ce qui arrive pour des valeurs centrales pour le poids maximum) et vice-versa. 6.3.3.3 Triangulaire dcroissante

Si lon continue avec lesprit de lapproche nave, on peut considrer une distribution de poids complmentaire celle que lon vient dutiliser, une distribution triangulaire dcroissante :

[ 10 9 8 7 6 5 4 3 2 1 ]

Si lon applique un critre analogue au cas antrieur pour les rotations, on obtient des rsultats complmentaires ceux obtenus auparavant :

Thales Air Defence JRS/RBPEF

50

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 34. Fonction A - "OWA- T. dcroissante"

Figure 35. Fonction C - "OWA- T. dcroissante"

Figure 36. Fonction B russite (gauche) et erreur (droite) lmentaires - "OWA - T. dcroissante"

Figure 37. Taux de russite et derreur - "OWA - T. dcroissante"

Thales Air Defence JRS/RBPEF

51

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 38. Erreurs quadratiques et prcision-kappa OWA - T. dcroissante

Maintenant les meilleurs rsultats, qui restent toujours assez au-dessous de ceux obtenus pour loprateur min pur, sobtiennent pour les positions de poids maximal qui offrent une proportion totale du poids plus grande aux valeurs les plus petites du vecteur ordonn, cest--dire, aux valeurs minimales de lensemble de valeurs intgrer. 6.3.3.4 Pyramidale

Une troisime ide dans le cadre de lapproche OWA avec des distributions naves est dutiliser une distribution de structure pyramidale avec des poids relatifs (normaliss) de la forme :

[ 1 2 3 4 5 5 4 3 2 1 ]

Si, nouveau, on fait varier la position du maximum, on trouve les performances suivantes :

Figure 39. Fonction A - "OWA- T. pyramidale"

Figure 40. Fonction C - "OWA- pyramidale"

Thales Air Defence JRS/RBPEF

52

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 41. Fonction B russite (gauche) et erreur (droite) lmentaires - "OWA - pyramidale"

Figure 42. Taux de russite et derreur - "OWA - pyramidale"

Figure 43. Erreurs quadratiques et prcision-kappa OWA - pyramidale

A nouveau, on trouve les performances les plus attirantes (sauf taux derreur) pour les distributions qui montrent une tendance concentrer la plupart du poids dans la partie du vecteur des valeurs intgrer correspondant aux valeurs minimales. Les premires observations drives de lutilisation des oprateurs OWA semblent recommander donc de sapprocher des caractristiques de loprateur min pour amliorer les performances.

Thales Air Defence JRS/RBPEF

53

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

En tout cas, les rsultats obtenus correspondent un comportement assez conservateur , peu risque , avec un taux de russite (toujours infrieur au 16%) et un taux derreur (toujours infrieur au 1%), valeurs globales trs baisses pour tous les distributions et tous les rotations considres.

6.3.3.5 MEOWA
Au del de ces premires tentatives caractre plutt naf , les oprateurs OWA offrent une varit presque illimite de stratgies envisageables pour le choix du vecteur de poids et donc pour la fusion des donnes floues. Ici, on essaiera dtablir un critre plus rigoureux, plus systmatique, pour lvaluation de ce type doprateurs. On commencera, tout dabord, par dfinir quelques concepts dintrt dans le domaine des OWA: La mesure de orness est un indicateur de la similarit entre un oprateur OWA donne et loprateur OR (max). On aura toujours orness(W) [0,1].
i
1 i

La mesure de andness est une mesure complmentaire de lantrieur et indique la similarit entre loprateur OWA considr et loprateur AND (min). A nouveau, on aura toujours andness(W) [0,1].
i
1 i

Finalement, on peut dfinir un troisime indicateur, celui de la dispersion, qui montre le degr jusquau quel un oprateur OWA prend en compte toute linformation disponible dans le vecteur de donnes intgrer pour le processus de fusion. La notion de dispersion et proche de celle dentropie. Malgr lexistence de nombreux types dentropie (entropies de Rnyi, entropies dordre introduites par Darczy, entropies R-normes, etc.) on se placera ici prs de lapproche originelle propose par Shannon en 1948 et on considrera une mesure de dispersion normalise de la forme :
i

Dans la suite, on utilisera les rsultats prsents par Pter Majlender dans son article OWA operators with maximal entropy [15]. Cet article dcrit lapproche originalement propose par OHagan [16] pour obtenir un vecteur de poids OWA avec lentropie maximale Shannon pour une certaine valeur dorness. Cest ainsi que lon essaiera dvaluer les performances des oprateurs OWA en faisant varier la valeur dorness considre et en calculant en chaque cas le vecteur de poids associ (qui aura toujours lentropie maximale cause du procd choisi pour le calcul). Mathmatiquement, on devra rsoudre un problme de maximisation de la forme :

Thales Air Defence JRS/RBPEF

n ,...,1 i ,1

wi n

1 w 1 1 n nnod tnate

((

w nl i w

) )=

1 i

nl w(

w1 i

1 1n

)w(ssenro 1 )w (ssendna

nl

wi n
=

((

) )

n
) (

w noisrepsid

w ( ssenro
n
i n i

((

) )

resimixam

54

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

La solution gnrique pour un oprateur OWA de n composants propose par OHagan (dont la dmonstration et lexplication en dtail se trouvent dans larticle de Majlender) est base sur lutilisation de ces formules :

Si lon utilise ces expressions pour valuer les performances des oprateurs MEOWA en fonction des diffrentes valeurs de orness dans le cadre de notre tude sur lintgration temporelle de la variable possibilit, on obtient des rsultats de la forme :

[Laxe x des figures montre le degr dorness, pour 101 valeurs dans lintervalle [0,1] telles que orness=0.01x, 0x 100 ]

Figure 44. Fonction A - "MEOWA"

Figure 46. Fonction B russite (gauche) et erreur (droite) lmentaires - "MEOWA"

Thales Air Defence JRS/RBPEF

1 j

w j n1w 1 n

Figure 45. Fonction C - "MEOWA"

wn

1- n

1- n

1- n

1wn 1 1 1w n wn 1

1 1

n n

1- n

[(

) + ] (( ) ) = ( ) +

= ((

) ) [((

) )

: 1 w ed noitnetbO : sruelav ed etseR

55

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 47. Taux de russite et derreur - "MEOWA"

Figure 48. Erreurs quadratiques et prcision-kappa MEOWA

Lobservation des rsultats obtenus nous permet dobtenir des conclusions similaires celles obtenues pour lapproche k sur M , o lon se dplaait aussi entre le min et le max, et les meilleures performances en termes de discrimination sobtenaient pour le min avec une pnalisation importante en terme de taux derreur. A nouveau, on trouve que les performances gnrales sauf le taux derreur amliorent quand lorness diminue, jusqu un maximum (pour lequel le taux gnral de russite se trouve proche de 25%) obtenu pour orness=0 (oprateur AND ou min). Par contre, le fait dadopter une approche plus risque comme celle de loprateur min cause une augmentation trs importante du taux derreur, qui monte au-dessus de 6%, valeur non tolrable dans le cadre dapplications militaires dans lequel lon travaille. En tout cas, lutilisation des ME-OWA nous apporte un outil trs intressant pour le futur, puisque lon obtient une variation avec un caractre beaucoup plus continu que celle associe aux oprateurs k sur M , parcourant le mme intervalle de performances, ainsi quune prcision thoriquement infinie pour le choix du point de lespace mtaphorique entre les oprateurs min et max o lon veut se placer (par opposition aux dix possibilits discrets de k sur M ).

6.3.3.6 Apprentissage des poids


Cette troisime approche pour le travail avec des oprateurs OWA utilise lide dcrite par Ronald Yager et Dimitar Filev dans leur article davril de 1999 Induced Ordered Weighted Averaging Operators .

Thales Air Defence JRS/RBPEF

56

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Les chercheurs Filev et Yager ont propos dans leur article [13] une mthode pour lapprentissage du vecteur de poids associ un oprateur OWA partir des observations pralables que lon explique par la suite. Il sagit dune technique qui se rapproche de la thorie des rseaux de neurones et qui est aussi base sur la mthode de la descente du gradient. On considrera que lon a une collection de m ensembles de donnes (ak1, ak2, , akn) que lon ordonnera dans les ensembles (bk1, bk2, , bkn) et pour chacun desquels on connat la valeur agrge idale dk associ. On peut essayer de trouver une mthode itrative qui nous permette dapprendre la distribution de poids ideale WT=[w1, w2, , wn] telle que : pour k entre 1 et m + + + = En fait, on cherchera le vecteur de poids WT qui minimise lerreur quadratique instantane :
2
k

A nouveau, on trouve un problme doptimisation avec les contraintes imposes par la dfinition des OWA: 2.

Ce problme peut tre transform en un problme non linaire sans contraintes si lon reprsente chacun des poids OWA selon lexpression :

On remplace cette valeur dans lexpression de lerreur ek , et puis on applique une technique de descente de gradient, similaire celles utilises pour la rtro - propagation dans le domaine des rseaux de neurones, de telle sorte que lon obtienne une rgle pour lactualisation des valeurs de de la forme :
k

Et la drive partielle calculer sera de la forme :


k

A partir des expressions prcdentes on obtient la rgle finale pour lactualisation de lambda :

Ceci dit, lalgorithme propos par Yager et Filev pour lapprentissage du vecteur de poids est le suivant : 1. On commence avec une estimation arbitraire des valeurs i (l) (par exemple, i (l)=0, qui correspond un vecteur de poids avec tous ses lments gaux 1/n) et une nouvelle observation de valeurs ordonnes (bk1, bk2, , bkn) avec leur valeur agrge correspondante dk.

Thales Air Defence JRS/RBPEF

ik

b iw

) l( i

)1

l( i

ik

b iw

=
k i

)(

)
)(

i=[1,n]

w nkb

...

w 2 kb

w 1kb

On dnotera par

lestimation de la valeur agrge dk, et donc, on a :

est le taux dapprentissage (0 <

< 1) et i(l) est lestimation de i aprs la l-ime itration.

) l( i

) l( i

)1

l(

1 j

iw

w1 i

1,

1.

et wi [0,1]

w nkb

...

w 2 kb

w 1kb

=(

w nkb

...

w 2 kb

e
n

w 1kb

57

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

2. On calcule lestimation actuelle des poids partir de i (l) :

3. On utilise les poids estims pour calculer une estimation de la valeur agrg partir du vecteur de valeurs intgrer : 4. Finalement, on actualise les valeurs des i estims :

5. On rpte le processus un certain nombre de fois ou jusqu ce que lon arrive avoir une erreur dapproximation infrieure un certain seuil. Dans notre cas, les valeurs intgrer sont des ensembles de valeurs de possibilits instantanes et la valeur agrge de rfrence pour chacun de ces ensembles sera 1 pour les bonnes paires classe cible et 0 pour les paires errones. Si lon choisit un taux dapprentissage =0.35, il suffit de trs peu ditrations pour observer une tendance vidente vers le vecteur de poids W T= [0 0 0 0 0 0 0 0 0 1], c'est--dire, le vecteur de poids qui minimise lerreur quadratique et qui semble tre celui qui correspond loprateur min. On constate avec plaisir que ce rsultat est cohrent avec ceux obtenus pour tous les autres oprateurs jusqu prsent : Itration 0 1 2 3 4 5 6 7 8 9 10 w1 0.1000 0.0006 0.0003 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 w2 0.1000 0.0006 0.0003 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 w3 0.1000 0.0006 0.0003 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 w4 0.1000 0.0006 0.0003 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001

w5 0.1000 0.0007 0.0003 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001

w6 0.1000 0.0007 0.0004 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001

w7 0.1000 0.0008 0.0004 0.0003 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001 0.0001

Figure 49. Rsultats de l'apprentissage pour le vecteur de poids OWA

Thales Air Defence JRS/RBPEF

ik

b ) l( i w

) l( i

)1

l( i

) l( n w nkb

...

) l( 2 w 2 kb

) l( 1w 1 kb

1 j

) l( j

) l( i

) l( i w
kd

)(

w8 0.1000 0.0009 0.0005 0.0003 0.0002 0.0002 0.0002 0.0001 0.0001 0.0001 0.0001

w9 0.1000 0.0012 0.0006 0.0004 0.0003 0.0003 0.0002 0.0002 0.0002 0.0001 0.0001

w10 0.1000 0.9933 0.9966 0.9977 0.9983 0.9986 0.9988 0.9990 0.9991 0.9992 0.9993

58

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

6.3.4

Conclusions sur les oprateurs de moyenne

A partir de lapproche k sur M , on a commenc notre tude des diffrents oprateurs de fusion pour lintgration temporelle avec les oprateurs de moyenne. On a fait des simulations pour des moyennes gnralises et pour des oprateurs OWA. Les rsultats obtenus nous permettent de tirer quelques conclusions : Le pouvoir discriminant de lalgorithme augmente quand on sapproche de loprateur min. Cela signifie que lon adopte une approche plus risque , qui implique une augmentation des taux de russite et erreur globales. Cest ainsi que loprateur min est celui qui nous permet doptimiser les rsultats obtenus travers les diffrentes fonctions dvaluation, ainsi que les mesures sur les matrices de confusion et le taux gnral de russite. Par contre, le taux derreur obtenu avec cet oprateur est trop lev pour les requis des applications dans le cadre desquelles on travaille. Ceci dit, il semble souhaitable dapprofondir dans la direction de loprateur min et, ventuellement, dessayer de trouver une solution pour contrler et rduire le taux derreur associ. En tout cas, les oprateurs tudis dans cette section restent des outils avec des caractristiques trs intressantes dont la possible utilisation dans le cadre de la fusion floue NCTR ne doit pas tre rejete face lavenir.

6.4 NORMES TRIANGULAIRES


Tout dabord, on fera une description rapide des normes triangulaires en tant quoprateurs utiliss pour la fusion de donnes floues. Cette description a t extraite de louvrage [1]. En gnral, on peut considrer que les t-normes gnralisent la notion dintersection aux ensembles flous ainsi que le et logique. Le concept de norme triangulaire provient du domaine de la gomtrie stochastique et fait rfrence une fonction t : [0,1] x [0,1] [0,1] telle que :
) x ,y ( t ) y ,x ( t , 1,0 ) y ,x (

t est commutative : t est associative :

t est croissante par rapport aux deux variables :


) ' y , 'x ( t ) y ,x ( t

En plus, on trouve que t(0,1) = t(0,0) = t(1,0) = 0, ( = ).


. 0 )0,

Le min est la plus grande t-norme et donc on peut considrer que toute t-norme a un comportement conjonctif. En effet, on vrifie :

Thales Air Defence JRS/RBPEF

)y ,x (nim ) y ,x ( t , 1,0 )y ,x (

x ( t , 1,0

[ ]

) 'y

y , 'x

x( ,

1,0

) ' y ,y , ' x ,x (

t(1,1) = 1, et 0 est lment absorbant :

) x ,1( t

)1,x ( t , 1,0

1 est lment neutre :

[ ]

) z ,y ( t ,x t

z ,) y ,x ( t t , 1,0

) z ,y ,x (

] [

]= [

59

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

A loppos, on peut considrer la t-norme dite drastique , qui est toujours plus petite que toutes les autres, et qui est dfinie par :

Par consquent, on peut affirmer que toutes les t-normes seront comprises entre le min et la t-norme drastique mais, en tout cas, il faut noter quil ny a pas dordre total sur lensemble des t-normes. A partir dune t-norme et dune complmentation c, un autre oprateur T appel t-conorme peut tre dfini par dualit :
)) y ( c ,)x (c( t

Les t-conormes gnralisent aux ensembles flous la notion de runion ou de ou logique, par opposition au caractre conjonctif des t-normes. Selon un raisonnement parallle celui utilis pour les t-normes, on peut dire que les t-conormes sont des fonctions T :[0,1] x [0,1] [0,1] telles que : - T est commutative, associative et croissante par rapport aux deux variables. - 0 est lment neutre : = = De plus, on trouve que T(0,1) = T( 1,1) = T( 1,0) = 1, T(0,0) = 0, et 1 est lment absorbant :
.1 )1,

Loprateur max est la t-conorme la plus petite, c'est--dire, tout t-conorme vrifie :

Et, nouveau, on peut dfinir une t-conorme plus grande que le reste, dite drastique, selon lexpression :

Quelques proprits dintrt pour les t-normes et t-conormes cits par I. Bloch dans son introduction [1] sont : Toute t-norme ou t-conorme est distributive par rapport au min et au max et lon a donc des galits du type : Les seules t-normes et t-conormes qui sont mutuellement distributives sont le min et le max . Les seules t-normes et t-conormes idempotentes sont le min et le max . A partir de toute t-norme t et de toute fonction continue strictement croissante h de [0,1] dans [0,1] telle que h(0) =0 et h(1) = 1, on peut construire une autre t-norme t par la formule : ce qui donne un moyen de gnrer des familles de t-normes partir dun exemple concret.
)) y (h ,)x (h( t
1

Thales Air Defence JRS/RBPEF

) y ,x ( ' t , 1,0

) y ,x (

) z ,x ( t ,) y ,x ( t nim ) z ,y (nim ,x t , 1,0 ) z ,y ,x (

) y ,x ( 0T , 1,0

] [

) y ,x (

]=

tnemertua 1 0 x is ,y y is ,x

)y ,x (xam )y ,x ( T, 1,0 )y ,x (

x ( t , 1,0

)x ,0( t

)0,x ( t , 1,0

[ ]

yxT

, (

, 1,0

) y ,x (

) y ,x ( 0 t , 1,0

) y ,x (
x

tnemertua 0 1 x is ,y y is ,x
=

60

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Dans le cadre de notre tude pour la variable possibilit, aprs avoir constat que les rsultats les plus intressants pour les oprateurs de moyenne taient ceux proches du min, on utilisera exclusivement des t-normes dans le reste de cette section pour aller au del de cette frontire et essayer damliorer les performances dintgration.

6.4.1 t-normes de Hamacher


La premire famille de t-normes considre dans le cadre de notre tude est celle des t-normes de Hamacher. Il sagit des seules t-normes archimdiennes, strictement monotones et dexpression rationnelle, et elles ont t dfinies par Hamacher dans [19]. Une t-norme archimdienne strictement monotone vrifie, parmi dautres, les proprits suivantes : <
) ' y ,x ( t
Figure 51. Fonction C - "Hamacher"
x

Pour plus dinformations sur les t-normes et co-normes archimdiennes, on renvoie le lecteur au chapitre 8 de [1] . Lexpression concrte de loprateur est de la forme:
) yx

o est un paramtre positif. Parmi les cas particuliers pour cette t-norme on doit signaler que : - Pour = 1 on retrouve le produit (oprateur dit probabiliste ). - Pour on retrouve la t-norme drastique dcrite ci-dessus. Les rsultats obtenus par les simulations dvaluation de performances pour les t-normes de Hamacher sont de la forme :
[Dans toutes les figures de cette section, laxe des x montre la variation du paramtre caractristique associ chacune des diffrentes familles de t-normes considres, selon une relation de type paramtre = (-10 x 10). On a choisit cette chelle pour essayer dvaluer les diffrents comportements pour des valeurs des paramtres entre 0 et .]

Figure 50. Fonction A - "Hamacher"

Thales Air Defence JRS/RBPEF

01

x ()

+
1(

yx

) y ,x (

H t , 1,0

) y ,x (

) y ,x ( t

'

y,

1,0

) ' y ,y ,x (

) x ,x ( ' t , 1,0

[ ]

<

<

61

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 52. Fonction B russite (gauche) et erreur (droite) lmentaires - "Hamacher"

Figure 53. Taux de russite et derreur - "Hamacher"

Figure 54. Erreurs quadratiques et prcision-kappa Hamacher

Malgr une monte importante de lerreur, on trouve une certaine amlioration du reste des performances gnrales par rapport loprateur min. Ce fait est plus vident pour des valeurs de qui tendent vers linfini.

Thales Air Defence JRS/RBPEF

62

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

6.4.2 t-norme de Frank


Les t-normes de M. Frank [20] constituent une autre famille paramtrique de la mme classe que les prcdents.

1

o s est un paramtre strictement positif. A nouveau, on trouve quelques cas particuliers : - Si s 0, la t-norme tend vers le minimum. - Si s , la t-norme tend vers la t-norme dite de Luckasiewicz . - Si s = 1 on retrouve le produit nouvellement.

Les t-normes et t-conormes de Frank prsentent la proprit unique de vrifier lgalit suivante:

Les rsultats obtenus pour les t-normes de Frank sont de la forme :

Figure 55. Fonction A - "Frank"

Figure 56. Fonction C - "Frank"

Figure 57. Fonction B russite (gauche) et erreur (droite) lmentaires - "Frank"

Thales Air Defence JRS/RBPEF

) y ,x ( T

) y ,x ( t , 1,0

) y ,x (

= +

s gol

) y ,x ( F t ,

10 ,

) y ,x (

)(

63

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 58. Taux de russite et derreur - "Frank"

Figure 59. Erreurs quadratiques et prcision-kappa Frank

A nouveau, on observe des performances gnrales lgrement meilleures pour des valeurs leves du paramtre s, bien quici laugmentation relative de lerreur soit plus accentue et plus vidente partir dun certain seuil.

6.4.3 t-normes de Dombi


Les t-normes de Dombi constituent une autre famille de t-normes archimdiennes paramtriques dintrt, et elles ont t introduites par Dombi en 1982 [21].

Elles sont dfinies par une expression de la forme :


0 y uo 0

ou est strictement positif

La classe Dombi de t-normes nous permet de parcourir tout le espace de t-normes entre le min et la tnorme drastique, de telle sorte que : - Pour 0, la t-norme tend vers la t-norme drastique. - Pour , la t-norme tend vers loprateur min

Thales Air Defence JRS/RBPEF

nonis

x is

y 1 1

x 1

0 ) y ,x ( D t

64

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

- Pour = 1 on obtient un oprateur de la forme :

Les rsultats pour lintgration de la variable possibilit dans le cadre de notre systme NCTR sont de la forme :

Figure 60. Fonction A - "Dombi"

Figure 62. Fonction B russite (gauche) et erreur (droite) lmentaires - "Dombi"

Figure 63. Taux de russite et derreur - "Dombi"

Thales Air Defence JRS/RBPEF

yx

+
y

Figure 61. Fonction C - "Dombi"

nonis

yx

y uo 0

x is

1D t

65

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 64. Erreurs quadratiques et prcision-kappa Dombi

On constate nouveau la mme tendance dauparavant en ce qui concerne le compromis entre les performances gnrales et taux derreur associ une approche plus ou moins risque . Cest ainsi que lon obtient les meilleurs performances gnrales (avec un taux de russite suprieur 25%), mais aussi le taux derreur le pire (au-dessus du 6.5%) pour des valeurs de p qui tendent vers 0, ce qui correspond la t-norme drastique.

6.4.4 t-normes de Yager


Finalement, le dernier groupe de t-normes que lon considrera, la famille des t-normes de Yager [22], possdent la particularit dtre des oprateurs nilpotents : o f est une bijection dcroissante de [0,1] dans [0,1], telle que f(0)01, f(1)=0 et f*(x)=f-1(x) si x[0,1], avec f*(x)=0 si x1. Puisque ces considrations commencent sortir du cadre de notre tude, on se limitera dire que ces oprateurs satisfont les lois du tiers exclu et de non-contradiction. La forme concrte des t-normes de Yager est donne par lexpression :

)y (

Et parmi les cas particuliers dintrt, on peut mentionner : - Pour p , la t-norme tend vers loprateur min - Pour p=1, on obtient nouveau la t-norme de Lukasiewicz Les rsultats obtenus pour les t-normes de Yager sont de la forme :

Thales Air Defence JRS/RBPEF

0,

p p

1 1 xam )y ,x (

((

+(

)x ( f *

) y ,x ( t , 1,0

) y ,x (

Yt

66

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 65. Fonction A - "Yager"

Figure 66. Fonction C - "Yager"

Figure 67. Fonction B russite (gauche) et erreur (droite) lmentaires - "Yager"

Figure 68. Taux de russite et derreur - "Yager"

Thales Air Defence JRS/RBPEF

67

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 69. Erreurs quadratiques et prcision-kappa Yager

On observe un comportement assez similaire celui des t-normes de Dombi. En fait, on retrouve les rsultats les plus risqus, c'est--dire, les plus discriminants mais aussi les plus susceptibles de commettre des erreurs, nouveau, pour des valeurs du paramtre qui tendent vers 0 et qui correspondent donc la t-norme drastique. En gnral, il semble que le comportement des familles de Dombi et de Yager offre des performances similaires pour les donnes considres.

6.4.5 Conclusions sur les t-normes triangulaires


L'utilisation des t-normes triangulaires nous permet d'obtenir des rsultats trs intressants qui compltent ceux fournis auparavant par les oprateurs de moyenne. En gnral, les t-normes constituent une continuation que l'on pourrait considrer naturelle par rapport aux oprateurs tudis dans la section prcdente, du fait qu'elles apportent une continuit aux rsultats obtenus: au del de l'oprateur "min", les notes fournies par les fonctions d'valuation, le taux de russite globale et les mesures sur les matrices de confusion samliorent pour les t-normes quand elles deviennent petites, jusqu' ce que l'on arrive la t-norme drastique, pour laquelle on obtient les rsultats les meilleurs. Le taux d'erreur, par contre, continue daugmenter poursuivant galement la tendance observe pour les oprateurs de moyenne et lon arrive donc une situation de compromis analogue celle mentionne pour les oprateurs de moyenne, mais encore plus accentue. Dans cet esprit, les rsultats les plus extrmes sont ceux qui correspondent la t-norme drastique (on les a obtenus pour Hamacher quand et pour Yager quand p0) et que sont rsumes dans les tableaux suivants, que lon peut comparer avec leurs quivalents pour les donnes sans intgration et pour lapproche k sur M : Fonction A FUSION FINALE 0.6380

PARAMETRES A 0.3643

PARAMETRES B 0.2737

Fonction B TAUX DE REUSSIT ELEMENTAIRE FUSION A B 0.8479 0.7831 0.7562 Fonction C FUSION FINALE 0.1926

TAUX DERREUR ELEMENTAIRE FUSION A B 0.1380 0.2164 0.2170

PARAMETRES A 0.1540

PARAMETRES B 0.1544

Thales Air Defence JRS/RBPEF

68

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Fonction D Russite Erreur FUSION FINALE 0.2582 0.0654 PARAMETRES A 0 0.0021 PARAMETRES B 0.2433 0.0678

Voici la matrice de confusion normalise pour lacceptation : 0.7926 0.9047 0 0 0 0 0.1789 0.9687 0.0086 0 0 0 0.9912 0.1772 0.9221 0.4426 0 0 0.5905 0.0038 0.2154 0.9242 0.0936 0.4286 0.6808 0.0027 1.0000 0.9924 1.0000 0.1224 0 0 0.0020 0.0647 0.0820 1.0000

Erreur quadratique : 5.1779 Voici la matrice non normalise avec les mesures de prcision : 551.0000 733.0000 0 0 0 0 0.4291 172.0000 778.0000 6.0000 0 0 0 0.8138 707.0000 143.0000 544.0000 173.0000 0 0 0.3472 498.0000 3.0000 134.0000 299.0000 56.0000 21.0000 0.2957 kappa = 581.0000 2.0000 612.0000 326.0000 652.0000 6.0000 0.2992 0 0 1.0000 13.0000 50.0000 49.0000 0.4336 0.2196 0.4690 0.4194 0.3687 0.8602 0.6447 0.4041

0.3785

Et voici finalement la matrice de confusion pour le rejet: 0.1424 0.0953 1.0000 1.0000 1.0000 1.0000 0.7889 0.0313 0.9893 0.9975 1.0000 1.0000 0.0074 0.7984 0.0779 0.5574 1.0000 0.9796 0.3874 0.9962 0.7716 0.0076 0.9064 0.5714 0.3148 0.9962 0 0.0076 0 0.8776 1.0000 1.0000 0.9980 0.8756 0.9180 0

Erreur quadratique : 5.2243 La conclusion semble vidente: les t-normes nous permettent d'augmenter le niveau de risques pris pour l'intgration, nous permettent d'adopter des approches plus risques (avec des taux d'erreur et de russite plus leves au mme temps) que celles correspondants aux oprateurs de moyenne. Il sagit donc dun type doutils qui peut apporter des grands avantages, mais quil faudra utiliser avec prcaution.

Thales Air Defence JRS/RBPEF

69

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

6.5 ESSAIS DE DOUBLE INTEGRATION


Aprs avoir tudi les performances de plusieurs types doprateurs de fusion, on a pens la possibilit de faire voluer le stratgie dintgration elle-mme, en sinspirant des techniques utilises dans le domaine des tlcoms.

6.5.1 Moyenne exponentielle


En effet, cest ainsi que lon a pens tout dabord aux techniques de moyennage exponentiel utilises pour des applications telles que celle du calcul de la congestion et la gestion du trafic dans les rseaux IP comme lInternet. Il semble que dans ce domaine, on utilise une moyenne pondre simple pour fusionner lestimation actuelle de congestion (estimation fournie par le rseau) avec la valeur finale calcule pour linstant prcdent (processus rcursif), de telle sorte que cette moyenne devienne exponentielle avec le temps, et quelle permette de rgler limportance relative que lon donne aux nouvelles informations par rapport aux connaissances pralables (pour plus dinfo voir [28]). Tous les algorithmes considrs jusqu prsent pour notre tude utilisaient en tout instant les M (M=10) derniers chantillons fournis par le radar. Par contre, lchantillon fourni M+1 instants en avant ne jouait plus aucun rle dans le calcul de la possibilit cumule pour un instant donn. Intuitivement, on a pens que, dun ct, il pourrait tre intressant de prendre en compte les donns passs au-del des derniers M pour gagner de la cohrence et de la consistance dans le processus dintgration temporelle. Dun autre ct, lexprience des radaristes montre que, souvent, cest mieux doublier le pass le plus vite possible car les donnes les plus rcentes sont plus prcises ou plus cohrentes avec la ralit. Ceci dit, pourquoi ne pas essayer dvaluer et comparer les performances des deux approches par nous-mmes ? Cest ainsi que lon a dcid de faire quelques simulations dans lesquelles on fait lintgration temporelle avec une t-norme triangulaire, mais aussi une sorte de double intgration puisque lon fusionne lapport de chaque nouvelle ensemble de valeurs instantanes avec la valeur calcule pour la possibilit cumule correspondante a linstant antrieur, selon une expression de la forme :
) t( eelumucP ) w 1( )1
t( emron t, P f w

ou w est un paramtre entre 0 et 1. Evidemment, pour w = 1, la contribution du pass est nulle et lon retrouve la stratgie que lon avait utilise dans tous les cas prcdents. Voici quelques exemples pour un paramtre quelconque et une intgration de base de type k sur M sur laquelle on a ralis une moyenne avec diffrentes valeurs de w :

Thales Air Defence JRS/RBPEF

)1

t( eelumuc P

70

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Valeurs instantanes

w = 1 (integration simple k sur M )

w = 0.8

w = 0.5

w = 0.2

Figure 70. Exemples de moyenne exponentiel pour la double intgration temporelle (cas gnrique, avec la possibilit en bleu et la ncessite en vert)

Thales Air Defence JRS/RBPEF

71

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Les rsultats obtenus pour cette nouvelle approche, applique la t-norme drastique (Yager, avec 0) sont prsents dans les figures ci-jointes, dans lesquelles laxe des x correspond aux diffrentes valeurs de w dans lexpression de la moyenne exponentielle ci-dessus, telles que w=0.1x :

Figure 71. Fonction A - "Yager+m.exp."

Figure 72. Fonction A - "Yager+m.exp."

Figure 73. Fonction B russite (gauche) et erreur (droite) lmentaires - "Yager+m.exp."

Figure 74. Taux de russite et d

Thales Air Defence JRS/RBPEF

erreur - "Yager+m.exp."

72

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Figure 75. Erreurs quadratiques et prcision-kappa Yager+m.exp.

Ces rsultats montrent que les notes fournies par les fonctions dvaluation sont, en gnral, meilleures pour des valeurs proches de w=1, cest--dire, pour les cas o il ny a pas de double intgration. On observe, par contre, que les rsultats correspondant aux mesures sur les matrices de confusion et aussi au taux de russite gnral samliorent parfois grce la technique de la moyenne. Le taux derreur, par contre, augmente en gnral et dpasse le 7% pour quelques valeurs de w. On observe donc des performances qui ont expriment des modifications plutt complexes dans leur tendances (elles sont devenues parfois monotones avec le paramtre considr et parfois pas), mais en tout cas ce sont des modifications dune magnitude pas trop importante. La moyenne exponentielle napporte pas damlioration vidente sur les performances, et pour certaines valeurs du paramtre w celles ci deviennent pires que leurs quivalents pour lintgration simple. Il semble intressant, quand mme, de poursuivre notre enqute sur la double intgration la recherche de comportements plus adapts nos besoins en terme de taux derreur et de taux global de russite.

6.5.2 Double norme


Cest ainsi que, puisque lide dutiliser une double intgration temporelle avec moyenne exponentielle ne semblait pas apporter des avantages significatifs, on a considr la possibilit deffectuer le moyennage (ou plutt la fusion/intgration, puisque lon se retrouve hors le cadre des oprateurs de moyenne) avec une norme triangulaire. En effet, on a dj vu que les oprateurs de moyenne ne sont pas ceux pour lesquels on obtient normalement les comportements les plus discriminants et, puisque les t-normes nous permettent damliorer toutes les performances gnrales hors taux derreur pour lintgration simple, on a dcide dessayer une intgration double de type double t-norme drastique , par exemple. Lalgorithme utilis est le mme que dans le cas prcdent, mais on remplace la moyenne pondre par la t-norme drastique, ce qui revient considrer que la possibilit cumule vaut 1 si toutes les valeurs de possibilit passes ont t gales 1, et 0 dans le cas contraire. Les rsultats obtenus sont rsums dans les tableaux suivants : Fonction A FUSION FINALE 0.6450

PARAMETRES A 0.3678

PARAMETRES B 0.2772

Fonction B TAUX DE REUSSIT ELEMENTAIRE FUSION A B 0.8069 0.7928 0.7345

TAUX DERREUR ELEMENTAIRE FUSION A B 0.1906 0.2068 0.2618

Thales Air Defence JRS/RBPEF

73

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Fonction C FUSION FINALE 0.0804 Fonction D Russite Erreur FUSION FINALE 0.3014 0.2088

PARAMETRES A 0.1597

PARAMETRES B 0.0610

PARAMETRES A 0 0.0021

PARAMETRES B 0.2567 0.2129

Matrices de confusion: Erreur quadratique acceptation Erreur quadratique rejet Prcision gnrale Coefficient kappa

3.9949 3.9934 0.4246 0.3980

On observe une augmentation simultane trs importante des taux de russite et derreur. En ralit, on trouve ici une approche notamment plus drastique, plus radicale, plus risque que dans les cas prcdents. Le comportement devient binaire : la possibilit cumule est gale 1 jusqu' ce que lon trouve une seule valeur instantane diffrente de 1 et partir de cet instant l elle restera toujours gale 0. Apparemment, cette stratgie est tellement risque que les avantages obtenus en terme dune plus grande puissance de discrimination sont annuls par les nouvelles erreurs provoques par les valeurs non idales pour la possibilit instantane fournies sporadiquement par les capteurs pour la bonne paire cible-classe. Idalement, on voudrait profiter de lamlioration des performances auprs du taux de russite, mais en contrlant le taux derreur. Cela sera notre objectif dans la suite.

6.5.3 Intgration hybride : k sur M + double norme drastique


Aprs tout ce que lon vient dexpliquer, on pourrait penser que lapproche de la double intgration avec double t-norme pourrait tre trs utile grce son pouvoir discriminant dans le cas ou toutes les valeurs de possibilit pour la bonne paire classe-cible sont toujours gales 1. Si lon observe les donnes avec lesquelles on travaille, on trouve que cela est dj le cas pour tous les paramtres sauf celui du paramtre B1. En effet, tous les paramtres sauf le B1 fournissent toujours des valeurs de possibilit gales 1 pour les bonnes paires classe-cible et ceci pour tous les ensembles de donnes relles avec lesquelles on travaille. On pourrait penser des prcisions de mesure trs fiables (matrise de la fonction de densit de possibilit) ou des cibles pour lesquelles on matrise la dfinition des fonctions dappartenance jusquau point davoir un niveau trs robuste de fiabilit pour les mesures correspondant la bonne classe pour chaque cible. Le paramtre B1 prsente, par contre, quelques fluctuations dans la valeur calcule pour la possibilit instantane pour la bonne paire classe-cible qui peuvent tre considres inhrentes au processus de dtection. Il semble intressant, donc, dtudier les rsultats pour le mme processus dintgration double tnorme drastique si lon ignore le paramtre B1 : Fonction A FUSION FINALE 0.6495

PARAMETRES A 0.4597

PARAMETRES B 0.1898

Fonction B TAUX DE REUSSIT ELEMENTAIRE FUSION A B 0.8882 0.7928 0.7595

TAUX DERREUR ELEMENTAIRE FUSION A B 0.1110 0.2068 0.2382

Thales Air Defence JRS/RBPEF

74

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Fonction C FUSION FINALE 0.2086 Fonction D Russite Erreur FUSION FINALE 0.3291 0.0021

PARAMETRES A 0.1597

PARAMETRES B 0.1270

PARAMETRES A 0 0.0021

PARAMETRES B 0.1815 0

Matrices de confusion: Erreur quadratique acceptation Erreur quadratique rejet Prcision gnrale Coefficient kappa

4.4949 4.5019 0.4446 0.4157

Voil un taux de russite de 32,91% avec un taux derreur associe de 0,21% - ce qui constitue les meilleurs rsultats que lon a obtenu jusqu' prsent. Les rsultats confirment par ailleurs nos suppositions initiales en ce qui concerne le paramtre B1 : on obtient des meilleures performances sans considrer le paramtre B1, avec la double intgration sur tnorme drastique, quen lutilisant. Quelques simulations faites avec et sans le paramtre B1 (que lon ne reproduira pas ici pour des raisons de place) montrent que, en gnral, le paramtre B1 amliore les performances didentification pour tout les oprateurs dintgration considrs dans les autres sections. Cest seulement quand on utilise une approche tellement drastique, tellement radicale , comme celle de la double t-norme drastique que la prise en compte de B1 apporte une contribution ngative. Comme on la dj dit, B1 prsente des valeurs de possibilit gales 1 la plupart du temps, mais il prsente aussi quelques fluctuations qui empchent la bonne identification selon lapproche double drastique . Comment pourrait-on donc profiter de linformation contenue dans B1 pour amliorer le processus didentification ? Une solution possible est de faire ce que lon pourrait considrer comme un prtraitement du paramtre B1 avec une intgration additionnelle utilisant la mthode k sur M , ce qui nous permet de raliser une espce de filtrage , de transformer en 1 les valeurs plus ou moins isoles (selon le choix de k) de possibilit au-dessous de 1, afin de corriger les fluctuations non dsires qui perturbent nos donnes floues pour la bonne paire classe-cible. Si on considre, par exemple, une valeur de k=4, on pourra tolrer 3 valeurs diffrentes de 1 sur chaque ensemble de M(M=10) chantillons correspondants la possibilit instantane pour le paramtre B1, valeurs qui seront mises 1 au cours de ce prtraitement. Sans doute, on augmentera aussi parfois les valeurs de possibilit pour des paires classe-cible errones, mais le rsultat global semble apporter des rsultats satisfaisants. Les figures ci-dessous montrent un exemple de ce filtrage avec la mthode k sur M sur une mesure du paramtre B1 et ses rpercussions sur le processus dintgration.

Thales Air Defence JRS/RBPEF

75

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Valeurs instantanes

Valeurs aprs prtraitement k sur M (k=4)

Double intgration drastique sans prtraitement

Double intgration drastique aprs prtraitement

Figure 76. Exemples de double intgration avec et sans prtraitement

Les rsultats numriques obtenus pour cette stratgie que lon pourrait considrer comme hybride, consistant en un prtraitement k sur M avec k = 4 exclusivement pour le paramtre B1 et une double intgration avec t-norme drastique postrieure pour tous les paramtres sont : Fonction A FUSION FINALE 0.6511

PARAMETRES A 0.3678

PARAMETRES B 0.2833

Fonction B TAUX DE REUSSIT ELEMENTAIRE FUSION A B 0.8958 0.7928 0.7981 Fonction C FUSION FINALE 0.2148 Fonction D Russite Erreur FUSION FINALE 0.3540 0.0021

TAUX DERREUR ELEMENTAIRE FUSION A B 0.1029 0.2068 0.1992

PARAMETRES A 0.1597

PARAMETRES B 0.1565

PARAMETRES A 0 0.0021

PARAMETRES B 0.2547 0

Thales Air Defence JRS/RBPEF

76

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Matrices de confusion: Erreur quadratique acceptation Erreur quadratique rejet Prcision gnrale Coefficient kappa

4.0098 4.0371 0.4620 0.4338

On observe donc une amlioration relativement significative des performances (taux de russite 35,4% pour le mme taux derreur) par rapport la non utilisation du paramtre B1. En tout cas, on retrouve une nouvelle situation de compromis en ce qui concerne le choix de la valeur de k pour le paramtre B1 : K (B1) 1 2 3 4 5 6 7 8 9 10 Russite 0.3014 0.3612 0.3540 0.3540 0.3527 0.3291 0.3291 0.3291 0.3291 0.3291 Erreur 0.2088 0.0467 0.0245 0.0021 0.0021 0.0021 0.0021 0.0021 0.0021 0.0021 Prcision 0.4241 0.4600 0.4627 0.4620 0.4612 0.4567 0.4546 0.4490 0.4446 0.4446 Kappa 0.3975 0.4333 0.4356 0.4338 0.4330 0.4287 0.4265 0.4204 0.4157 0.4157

Si lon considre une valeur trs petite de k pour B1, on aura un meilleur taux de russite mais aussi un taux derreur plus grand (approche plus risque, plus discriminante), taux derreur qui diminuera avec des valeurs plus grandes de k (approche plus conservatrice).

6.5.4 Conclusions sur la double intgration


Aprs toutes les simulations a ralises pour les oprateurs et les diverses approches dintgration considres, on peut proposer une stratgie dintgration avec des rsultats assez satisfaisants (au moins en ce qui concerne les donnes relles avec lesquelles on a travaill). Cette stratgie consiste faire une distinction entre les paramtres considrs pour lintgration : On pourra considrer, dun ct, les paramtres dont les capteurs radar associs fournissent des valeurs fiables pour la bonne paire classe-cible. Pour ces paramtres, loption le plus intressante pour lintgration semble tre celle de la double t-norme drastique. En effet, si lon accepte que lon va avoir toujours une valeur de possibilit gale 1 pour la bonne paire classe-cible, loption qui nous permettra dobtenir les performances les meilleures sera la plus drastique, la plus risque, la plus radicale, puisquelle affectera seulement les paires classe-cible errones. Si lon travaille avec des paramtres pour lesquels on peut avoir des valeurs diffrentes de 1 pour la possibilit instantane de la bonne classe, on propose de faire un prtraitement avec une mthode k sur M (ou un autre oprateur de moyenne quivalent), afin de filtrer les fluctuations indsirables et transformer, en dfinitive, le paramtre en question en un autre paramtre similaire ceux mentionns dans le paragraphe prcdent. Le choix de la valeur concrte de k (ou de la valeur du paramtre pour les moyennes gnralises, ou de lorness pour les OWA) dpendra de la fiabilit que lon associe au paramtre traiter. Plus le paramtre est fiable, plus notre approche pour le prtraitement pourra (et devra, si lon veut optimiser les performances dclassification) tre risque.

On arrive donc, proposer un modle de traitement diffrenci pour chaque paramtre, en fonction de sa fiabilit, qui comporte la ralisation dune double intgration temporelle avec t-norme drastique prcde dun prtraitement de filtrage , avec un niveau de risque adapt au paramtre en question, dans les cas ou celui-ci est ncessaire.

Thales Air Defence JRS/RBPEF

77

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

6.6 LAPPROCHE LEAKY BUCKET


OBJECTIF : Profiter des avantages de lintgration hybride [prtraitement k sur M + double drastique] avec une implmentation simple, versatile et efficace. IDEE : Utiliser un algorithme de type leaky bucket ( panier perc ), similaire ceux utiliss frquemment dans le domaine de la gestion du trafic rseau.

Figure 77. Concept de "leaky bucket" ou "panier perce"

Dans la section prcdente, on a parl du prtraitement k sur M qui prsentait un grand intrt car il permettait dimplmenter une certain tolrance face des suites de valeurs diffrentes de 1 pour la bonne paire classe-cible. Cette ide de tolrance face des suites ou rafales (dans le sens intuitive du mot, et appliqu aux donnes floues, rien avoir avec les rafales radar) de valeurs diffrentes de 1 (il faut pas oublier que lon considre toujours une fentre temporelle de M chantillons) nous rappelle le concept de tolrance aux retards relatifs entre paquets de donnes propre du domaine de la gestion et modlisation du trafic rseau. Dans ce domaine dtude des Telecoms, lapproche leaky bucket ou panier perc a t utilise depuis longtemps et il nest pas donc difficile de trouver une vaste littrature qui la dcrit en rigueur et profondeur. Pour une dfinition plutt basique et facile comprendre, on recommande le chapitre X de luvre Computer Networks [29]. Ici, on se limitera prsenter cette approche en tant quide originelle pour lintgration temporelle des donnes floues ne dans le cadre de ltude qui nous occupe. On peut donc essayer dappliquer cette approche pour lintgration temporelle des donnes floues dans le cadre de notre systme NCTR, afin dobtenir des performances similaires celles de la double intgration drastique avec prtraitement par oprateur de moyenne, mais avec une plus grande simplicit et en optimisant lutilisation de ressources. Il sagit tout simplement de considrer un seau ou un panier avec une certaine capacit et un trou au fond. Chaque fois que lon trouve une valeur de possibilit diffrente de 1, on ajoute une certaine quantit deau dans le seau. Si leau dborde, on active lalarme et considre que la possibilit sera toujours gale 0 partir de ce moment-l.

Thales Air Defence JRS/RBPEF

78

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Cest ainsi que, pour chaque paramtre et pour chaque classe possible, on va considrer une variable bucket_level initialise zro. Dun cot, chaque fois que lon dtecte une valeur de possibilit diffrente de 1, on ajoute une quantit possibility_deficit cette variable. Dun autre cot, on diminue la valeur de la variable bucket_level une quantit empty_rate aprs larrive de chaque nouvelle valeur de possibilit. Si bucket_level devienne ngatif, on le remet zro (seau vide). Initialement, la valeur de la possibilit cumule est toujours 1. Si le seau dborde, la valeur de la possibilit cumule devient 0. Avantages de cette approche

6.6.1.1

Lapproche ainsi dfinie permet dobtenir les mmes performances que la double intgration avec norme drastique et prtraitement k sur M et prsente quelques avantages additionnels dintrt, notamment : Optimisation de ressources : On utilise une seule variable bucket_level en mmoire. On na plus besoin de stocker les dix dernires valeurs de possibilit pour chaque classe. Le Traitement trs simple du point de vue calcul : une somme, une reste et une comparaison avec un seuil. On na plus besoin dordonner un vecteur de M chantillons pour calculer chaque nouvelle valeur cumule ni deffectuer dautres types doprations arithmtiques (formules des t-normes et moyennes gnralises, produit pour les OWA, etc ). Cela peut tre un aspect critique dans certaines applications face au traitement temps rel . Les performances sont indpendantes du nombre dchantillons considrs. Le paramtre M se modlise travers les relations entre les nouveaux paramtres possibility_deficit , bucket_capacity et empty_rate , et donc les performances en termes du temps de calcul et utilisation de mmoire devraient tre les mmes pour M=10 et pour M=1.000.000, par exemple.
-

Plus de versatilit : Si lon considre une capacit de seau nulle, on obtient un simple dtecteur de valeurs diffrentes de 1 (similaire lapproche double t-norme drastique considre toute seule). En rglant les diffrents paramtres, on peut dfinir diffrentes sensibilits qui pourraient tre fixes en regardant la nature des diffrents paramtres et capteurs utiliss pour lidentification. Tout cela peut-tre fait avec un seul algorithme, ce qui nous garantit un traitement homogne et plus rapide des divers paramtres (pas plus besoin de faire un prtraitement et puis une double intgration). Nous pouvons imaginer, par exemple, une version continue de lalgorithme par opposition cette premire proposition discrte qui nous permette de considrer un seuil pour le dficit de possibilit cumul pendant une fentre temporelle dune longueur fixe. Cela revient transformer la quantit fixe possibility_deficit en une quantit variable et gale en chaque instant la diffrence : 1-PINSTANTANE , au lieu de considrer une pnalisation discrte comme dans lexemple propose. De cette manire, lon pourrait imaginer une situation o le seau ne dborde pas pour une possibilit moyenne au-dessus de 0.95 dans le cadre dune certaine fentre temporelle, mais il dborde pour une possibilit moyenne de 0.94.

Thales Air Defence JRS/RBPEF

79

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

6.6.1.2

Algorithme en pseudocode :

for class =1:Number_of_classes flag = 1; bucket_level = 0; for i=1:total_of_instants if (flag~=0) if (instant_P_matrix(i,class) < 1 ) bucket_level = bucket_level + possibility_deficit; end if bucket_level = bucket_level - empty_rate; if (bucket_level > bucket_capacity) flag = 0; elseif (bucket_level < 0) bucket_level = 0; end_if endif integrated_matrix(i,class) = flag; endfor endfor 6.6.1.3 Rsultats obtenus

Avec lapproche leaky bucket , on obtient des rsultats similaires ceux de la section antrieure, et on les amliore mme lgrement, de telle sorte que cette mthode dintgration apporte les meilleurs rsultats obtenus dans le cadre de notre tude : Fonction A FUSION FINALE 0.6542

PARAMETRES A 0.3681

PARAMETRES B 0.2862

Fonction B TAUX DE REUSSIT ELEMENTAIRE FUSION A B 0.8998 0.7941 0.8085 Fonction C FUSION FINALE 0.2180 Fonction D Russite Erreur FUSION FINALE 0.3566 0.0021

TAUX DERREUR ELEMENTAIRE FUSION A B 0.1002 0.2059 0.1915

PARAMETRES A 0.1602

PARAMETRES B 0.1689

PARAMETRES A 0 0.0021

PARAMETRES B 0.2559 0

Et donc, on obtient un taux de russite de 35,66 % pour un taux derreur du 0.21 % .

Thales Air Defence JRS/RBPEF

80

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Voici la matrice de confusion normalise pour lacceptation :


0.9873 0.5066 0 0 0 0 0.2561 1.0000 0.0135 0 0 0 0.9912 0.0859 1.0000 0.5101 0 0 0.5298 0 0.0640 1.0000 0.0820 0.4286 0.4605 0 1.0000 0.7922 1.0000 0.0816 0 0 0.0020 0.0647 0.0820 1.0000

Erreur quadratique = 3.9049 Voici la matrice non normalise avec les mesures de prcision :
702.0000 430.0000 0 0 0 0 0.6201 194.0000 808.0000 11.0000 0 0 0 0.7976 707.0000 74.0000 612.0000 200.0000 0 0 0.3842 515.0000 0 45.0000 329.0000 50.0000 21.0000 0.3427 440.0000 0 612.0000 247.0000 652.0000 4.0000 0.3335 0 0 1.0000 13.0000 50.0000 49.0000 0.4336 0.2744 0.6159 0.4778 0.4170 0.8670 0.6622 0.4659

kappa = 0.4376 Et voici finalement la matrice normalise de confusion pour le rejet :


0.0127 0.4934 1.0000 1.0000 1.0000 1.0000 0.7439 0 0.9865 1.0000 1.0000 1.0000 0.0088 0.9141 0 0.4899 1.0000 1.0000 0.4702 1.0000 0.9360 0 0.9180 0.5714 0.5395 1.0000 0 0.2078 0 0.9184 1.0000 1.0000 0.9980 0.9353 0.9180 0

Erreur quadratique = 3.9049 Les rsultats ci-dessous ont t obtenus pour des paramtres dintgration de la forme : Paramtre B1 1.5 1 0.3 Autres paramtres 0.5 1 0

bucket_capacity error_penalization empty_rate

Thales Air Defence JRS/RBPEF

81

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

7 Quelques considrations et perspectives autour de la variable ncessit


Face lavenir, il faut rappeler que le travail ralis jusquau prsent concerne seulement la variable possibilit, et quil serait trs souhaitable de poursuivre cette tude avec premirement la prise en compte de la ncessit seule et avec ltude du comportement conjoint possibilit ncessit dans une tape postrieure. Les bases thoriques pour ltude ont t dj proposes, de mme que des outils pertinents pour lvaluation des performances et le code Matlab utilis lui-mme, qui pourront tous tre rutiliss ce propos. En fait, on pourrait inclure ici les rsultats pour la variable ncessit des simulations quivalentes celles que lon a ralises pour la possibilit, puisque tout le code ncessaire a t dj dvelopp et il suffirait de remplacer les donnes de possibilit instantane lentre par les valeurs correspondantes de ncessit. Quelque chose de similaire peut tre dite propos des rsultats correspondant la considration conjointe des variables possibilit et ncessit. Par contre, je crois que pour linterprtation rigoureuse et raisonne de ces rsultats on aurait besoin du temps quivalent, au moins, la dure dun autre stage comme le mien et donc jai dcid de ne pas entrer fond dans le sujet. On peut esquisser nanmoins quelques rsultats plutt intuitifs si lon applique, par exemple, la fonction A (qui ne dpend daucun seuil et qui, par consquent, nous vite den faire le choix) lapproche MEOWA de manire simultane pour les valeurs de possibilit et ncessit :

Figure 78. Fonction A - "k sur M" - utilisation conjointe de la possibilit et la ncessite

Sur la figure, les axes reprsentent des valeurs dandness pour les oprateurs OWA considrs. On trouve que, apparemment, les rsultats les plus proches du cas idal correspondent des valeurs grandes dandness pour la possibilit (oprateurs conjonctifs du type AND ou min , comme on avait dj vu) et des valeurs petites pour la ncessit (oprateurs disjonctifs du type OR ou max ).

Thales Air Defence JRS/RBPEF

82

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Cela, veut-il dire que lon devra rpter notre parcours vers le max et au-del pour les valeurs de ncessit, de manire complmentaire ce que lon a fait pour la possibilit ? Peut-tre oui, mais pas ncessairement, puisque un simple coup dil aux rsultats de la fonction A appliqu la ncessit seule montre un comportement pas toujours monotone pour le paramtres de type A :

Figure 79. Fonction A - "k sur M" - Intgration des paramtres type A pour la ncessite isole

On trouve, donc, une complexit apparemment suprieure inhrente au travail avec la ncessit quil ne faudra pas ignorer. En plus, les valeurs que lon a vu jusquau prsent pour la ncessit semblent parfois tre contradictoires (on trouve des cas ou la bonne paire classe - cible reste toujours zro, tandis que des paires errones prennent des valeurs plus grandes) et donc il faudrait sassurer de la bonne qualit des valeurs de ncessit fournies par des niveaux plus bas avant de se lancer dans un tude rigoureuse. Finalement, on doit signaler que, en ce qui concerne lutilisation conjointe de possibilit et ncessite, il faudra tre prudent pour ne pas perdre le contenu smantique associ ces concepts dans le cadre de la thorie des possibilits. En effet, comme Isabelle Bloch la bien remarqu au cours dune conversation sur le sujet, le fait de raliser lintgration sur des valeurs de possibilit et ncessit calcules (et pas sur les mesures venant du radar ou sur les densits de possibilit associes) peut nous mener obtenir parfois des valeurs cumules de possibilit plus petites que les valeurs correspondantes de ncessit pour un mme instant, ce qui constitue une contradiction viter et que lon doit prendre en compte pendant la phase de conception du traitement.

Thales Air Defence JRS/RBPEF

83

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

8 Conclusion
Le cadre mathmatique de la logique floue et de la thorie des possibilits offre un grand potentiel pour le dveloppement dapplications pratiques complexes dont aujourdhui on commence seulement avoir les premiers exemples. Les techniques floues pour la reconnaissance de cibles ariennes non cooprative sont des bons exemples et montrent jusqu quel point ces outils formels de base sont puissants en termes de performances dans des situations relles. Tout au long de ces pages, on a montr les rsultats obtenus pour ltude de quelques approches diverses concernant lintgration temporelle des donnes floues pour la possibilit dans le cadre dun systme didentification NCTR rel. Ces conclusions peuvent tre rsums par les figures ci-dessous :

Figure 80. Comparaison de performances: taux de russite

Figure 81 Comparaison de performances: taux d'erreur

Figure 82 Comparaison de performances: prcision et kappa

Thales Air Defence JRS/RBPEF

84

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Taux de russite Taux d'erreur Prcision Kappa

Sans "k sur M" "k sur M" "k sur M" t-norme integration (k=1) (k=3) (k=10) drastique 0,036 0,143 0,2454 0,1321 0,2582 0 0,0101 0,0615 0,0032 0,0654 0,3293 0,3826 0,3482 0,4041 0,266 0,3016 0,3557 0,3208 0,3785 0,2385

Hybride 0,354 0,0021 0,462 0,4338

Leaky bucket 0,3566 0,0021


0,4659

0,4376

Ces rsultats nous permettent darriver quelques conclusions pratiques concernant les diffrents oprateurs tudis: Lapproche k sur M nous impose un compromis qui ne convient pas toujours nos intrts : on doit choisir entre une bonne discrimination avec un taux derreur lev, ou un taux derreur satisfaisant au dtriment du reste des performances mesures. Lutilisation de la t-norme drastique par elle-mme offre des taux de russite et derreur assez similaires ceux de loprateur min , bien quelle apporte une certaine amlioration en termes de prcision et coefficient kappa. En tout cas, le taux derreur associ est trop lev pour le type dapplication dans le cadre duquel on travaille. On observe que les meilleures performances correspondent lapproche hybride double tnorme drastique avec prtraitement k sur M et lapproche leaky bucket , puisquelles prsentent les valeurs les plus levs pour le taux de russite, pour la prcision et pour le coefficient kappa, avec le taux derreur le plus petit.
-

Les oprateurs de moyenne (moyennes gnralises et OWA) napparaissent pas dans la figure de manire explicite, mais leurs performances peuvent tre compares celles de lapproche k sur M , du fait quils permettent de parcourir par des chemins divers, et avec des pas plus ou moins longs (en utilisant la mme mtaphore, rappelons la prcision infinie pour le choix de la valeur dorness associe aux OWA), lintervalle des performances comprises entre celles associes loprateur min et loprateur max . Finalement, la plus grande simplicit de lalgorithme leaky bucket , ainsi que ses avantages dj expliqus en termes de versatilit et optimisation de ressources nous mnent le proposer comme mthode prfrable pour lintgration temporelle des donnes floues dans notre systme. En tout cas, il ne faut pas oublier que les simulations que lon a effectues ont t faites sur une base dexemples rels limite, et il serait donc souhaitable dtendre cette base avec des nouvelles mesures radar dans des conditions diverses en termes de distance de la cible au radar, prsentation de la cible (en rapprochement, en loignement, en manuvres, etc.), caractristiques techniques du radar et dautres. Cest pourquoi, bien quil faille rester toujours prudent face aux fortes amliorations en termes de performances apportes par les deux dernires approches par rapport a la premire (on passe dun taux de russite de 13,21% et un taux derreur associ de 0,32% pour lapproche k sur M avec k=3 un taux de russite de 35,66% et un taux derreur de 0,21% pour lalgorithme leaky bucket ), on peut considrer que les traitements dintgration proposs au cours du stage offrent des perspectives intressants. Sur un plan personnel, jespre que le travail ici prsent sera dutilit pour dautres tudes futures et quil contribuera enrichir notre comprhension dun domaine passionnant dans le cadre de la fusion de donnes qui se trouve actuellement en plein dveloppement.

Thales Air Defence JRS/RBPEF

85

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

9 Rfrences bibliographiques
Livres
[1] Fusion dinformations en traitement du signal et des images sous la direction dIsabelle Bloch. Srie IC2 Traitement du Signal et de lImage. Hermes science Lavoisier. 2003 Bernadette Bouchon-Meunier. La logique floue et ses applications . Collection vie artificielle. Add ison-Wesley , France, 1990.

[2]

Articles
[3] I. Bloch, Information Combination Operators for Data Fusion : A Comparative Review with Classification . IEEE Transactions on Systems, Man and Cybernetics Part A: Systems and Humans, vol. 26, no. 1. Janvier 1996 N. Colin, M. Moruzzis. Radar target recognition by fuzzy logic C. Delhotte, M. Moruzzis. MILORD : a Technical Demonstrator for Long Range Radar Identification NATO RTO Meeting Proceedings 6, April 1998 M. Moruzzis, N. Colin, G. Milhem. Applications of Multisensor Data Fusion to Target Recognition rd AGARD Mission Systems Panels 3 Symposium, May 1995 Z. Chair, P.K. Varshney. Optimal Data Fusion in Multiple Sensor Detection Systems . IEEE Transactions on Aerospace and Electronic Systems. Vol. AES-22, no 1. Janvier 1986 V. Nimier. Application de la thorie de Dempster Shafer a la fusion de classifieurs ONERA Rapport technique 6 janvier 1995 J. Portegies. Aircraft Recognition from Features Extracted from Measured and Simulated Radar Range Profiles ASCI dissertation series number 92, Amsterdam, october 2003

[4] [5]

[6]

[7]

[8]

[9]

[10] L. Hong, A. Lynch. Recursive Temporal-Spatial Information Fusion with Applications to Target Identification IEEE Transactions on Aerospace and Electronic Systems, vol. 29, no. 2. Avril 1993. [11] D. Dubois, H. Prade, C. Testemale. Weighted Fuzzy Patern Matching Fuzzy Sets and Systems 28 (1998) , 313-331 [12] I. Ullibarri, S. Pita. Medidas de concordancia : el indice de Kappa Unidad de Epidemoilogia Clinica y Bioestadistica. Hospital Universitario Juan Canalejo Cad Aten Primaria 1999 ; 6 : 169-171 [13] R. Yager, D. Filev. Induced Ordered Weighted Averaging Operators IEEE Transactions on systems, man and cybernetics Part B: Cybernetics, vol. 29, no.2, Avril 1999

Thales Air Defence JRS/RBPEF

86

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

[14] R. Yager, On Ordered Weighted Averaging Aggregation Operators in Multicriteria Decision Making IEEE Transactions on systems, man and cybernetics Part B: Cybernetics, vol. 18, no.1, p.183190, 1988 [15] Peter Majlender. OWA operators with maximal entropy . [16] M. OHagan. Aggregating template or rule antecedents in real-time expert systems with fuzzy set logic . Proc. 22nd Annu. IEEE Asilomar Conf. Signals, Systems, Computers, Pacific Grove CA 1988, pp. 681-689 [17] L. Zadeh. Fuzzy Sets Information and Control, vol. 8, p. 338-353, 1965. [18] L. Zadeh. Fuzzy Sets as a Basis for a Theory of Possibility Fuzzy Sets and Systems, vol. 1, p. 3-28, 1978. [19] H. Hamacher. Uber logische Verknupfungen Aussagen und deren zugehorige Bewertungsfunktionen Working Paper, 75/14, 1975, RWTH, Aachen. [20] M. Frank. On the Simultaneous Associativity of F(x,y) and x+y-F(x,y) Aequationes Mathematicae, vol. 19, p. 194-226, 1979. [21] J. Dombi. A general class of fuzzy operators Fuzzy Sets and Systems, 8(2): 149-163. [22] Yager, R. R., On a general class of fuzzy connectives Fuzzy Sets and Systems 4, 235-242, 1980.

Autres
[23] Corporate Brochure du groupe Thales 2004 [24] Rapport Annuel des rsultats du groupe Thales pour lanne 2003 [25] Notes du cours de Henrik Legind Larsen sur la logique floue et la thorie des ensembles flous. Aalborg University Esbjerg [26] Site web sur la recherche NCTR du laboratoire de Traitement du signal (TSD) de POSTECH et Yeungnam University (Korea). http://yu.ac.kr/~kkt/ [27] Plusieurs sources non officielles : - Situation Awareness in Air Combat article en ligne de Peter Grining, 2000 (source non contraste). - The Bombcatss impending war on terrorism , article en ligne de Tony Holmes chez . www.global-defence.com - Air Combat Information Group Forum (www.acig.org) [28] J. Kurose et K. Ross. Computer Networking: A Top-Down Approach Featuring the Internet Pearson - Addison Wesley. Second Edition (juillet 2002) [29] A. Tanenbaum. Computer Networks Pearson Prentice hall (octobre 2002)

Thales Air Defence JRS/RBPEF

87

Intgration temporelle pour des mthodes de classification radar

Francisco Snchez Vega

Finalement, voici quelques ouvrages consultes ponctuellement afin davoir une certaine culture de base sur des gnralits radar: - Les RADARS : Principes de base C. Delhotte Formation interne THALES - 24 Juin 2003, Bagneux - Bases physiques du radar F . Le Chevalier Revue technique THOMSON-CSF vol. 25 N Decembre 1993 4 - Cibles et environnement et chaines fonctionnelles TS/TD Guy Desodt Suite communication AIRSYS / RD / RAN 250/98 - Que sais-je ? Le radar Michel-Henri Carpentier Presses Universitaires de France - Le Radar : 1904-2004 Yves BLANCHARD Ellipses THALES - Introduction to Radar Systems 3rd Ed M.I. Skolnik McGraw-Hill, 2002 - Traitement des images de radar synthse d'ouverture Sous la direction de Henri Matre Srie IC2 Traitement du Signal et de lImage. Hermes science Lavoisier

Thales Air Defence JRS/RBPEF

88

You might also like