CFAR Thèse

Rpublique Algrienne Dmocratique et Populaire
Ministre de lEnseignement Suprieur et de la Recherche Scientifique
Universit Mohamed Khider Biskra

Facult des Sciences et de la Technologie

Dpartement de Gnie Electrique
:
Rf :
:
Mmoire Prsent en vue de lObtention du Diplme de

Magister
Spcialit : Automatique
Option : Commande et Identification des Systmes Dynamiques
Thme
Optimisation du Seuil de Dtection dans les Systmes

Distribus CFAR par Essaims de Particules (OEP)
Prsent par : Seksaf Abdeldjabar
Soutenu le : 22/10/2015
Devant le jury :
Prsident : BOUMEHRAZ Mohammed Professeur Universit de Biskra

Rapporteur : ABDOU Latifa M.C.A Universit de Biskra
Examinateurs : DEBILOU Abderrazek M.C.A Universit de Biskra
OUAFI Abdelkrim M.C.A Universit de Biskra
Au nom d'Allah, le Tout Misricordieux, le Trs Misricordieux
La louange est Allah seul, et que la paix et le salut dAllah soient sur le dernier des
Prophtes, sur sa famille et ses compagnons.
Ddicaces
Je ddie ce modeste travail
A mes trs chers parents,
A mes surs et tous les membres de leurs familles,
A tous mes amis.
A tous ceux qui me sont chers, tous ceux qui m'aiment et tous ceux que j'aime.
Je ddie ce travail.
i
Remerciements
Avant tout, Louanges Allah Le Misricordieux le tout plein de misricordes qui m'a aid
raliser ce travail.
Jexprime ma trs sincre reconnaissance au Dr. L. Abdou, Matre de Confrences

lUniversit de Biskra, davoir accept de mencadrer, pour ses conseils, ses remarques, la
grande libert quelle ma laiss et surtout sa patience et sa modestie.
Je remercie galement tous mes professeurs.
J'exprime ma profonde gratitude au Pr. Med. Boumehraz, Professeur luniversit de Biskra

davoir bien voulu juger ce travail et davoir bien voulu accepter la prsidence de ce jury.
Mes vifs remerciements vont galement aux membres du jury, Dr. A. Debilou, Matre de
Confrences luniversit de Biskra et Dr. A. Ouafi Matre de Confrences luniversit de
Biskra, pour lintrt quils ont port mes recherches en acceptant dexaminer mon travail
et de lenrichir par leurs propositions.
Je remercie enfin tous ceux qui, dune manire ou dune autre, ont contribu la russite
de ce travail, notamment Mr. Benyahia Chaouki, et tout ceux qui nont pas pu tre cits ici.
ii
Table des matires:
Ddicaces .................................................................................................................................. i
Remerciements........................................................................................................................ ii
Table des matires .................................................................................................................iii
Liste des Figures ................................................................................................................... vii
Liste des Tableaux ................................................................................................................. ix
Notations................................................................................................................................. ix
......................................................................................................................................... x
Rsum ................................................................................................................................... xi
Abstract ................................................................................................................................. xii
Chapitre 1 : Introduction gnrale ........................................................................................1
1.1 Introduction ................................................................................................................. 2
1.2 Problmatique.............................................................................................................. 3
1.3 Organisation du mmoire ............................................................................................5
Chapitre 2 : Concepts de Base sur les Systmes Radar .......................................................7
2.1 Introduction ................................................................................................................. 8
2.2 Principe et Structure de base dun systme radar ................................................... 8
2.3 Radars impulsions .................................................................................................. 10
2.4 Lquation du radar.................................................................................................. 11
2.5 Dtection de cibles ..................................................................................................... 12
2.6 Thorie de la dcision................................................................................................ 12
2.7 Les critres de dcision ............................................................................................. 14

2.7.1 Critre de bayes ....................................................................................................... 14
2.7.2 Critre du maximum de vraisemblance ................................................................... 16
2.7.3 Critre de Neyman-Pearson..................................................................................... 16
iii
2.8 Modlisation ou modles des cibles.......................................................................... 17
2.8.1 La surface quivalente radar (SER) ........................................................................ 17

2.8.2 Fluctuation des cibles .............................................................................................. 18
2.9 Bruit et chos parasites ............................................................................................. 19
2.9.1 Le Clutter ................................................................................................................... 19
2.9.2 Modles de clutter ..................................................................................................... 19

Le modle Weibull ...................................................................................................... 19
Le modle Rayleigh..................................................................................................... 19
Le modle Log-normal ................................................................................................ 20
Le modle K ................................................................................................................ 20
2.10 Conclusion.................................................................................................................. 21
Chapitre 3 : La Dtection Taux de Fausse Alarme Constant........................................ 23
3.1 Introduction ................................................................................................................ 24
3.2 Dtection CFAR......................................................................................................... 24
3.3 Concept de base des dtecteurs CFAR .................................................................... 26
3.4 Littrature sur quelques types de dtecteurs CFAR............................................. 28

3.4.1.Dtecteur CA-CFAR Cell Averaging CFAR ............................................................ 28
3.4.2.Dtecteurs GO-CFAR et SO-CFAR.......................................................................... 29
3.4.3.Le dtecteur OS-CFAR.............................................................................................. 29
3.4.4.Le dtecteur TM-CFAR............................................................................................. 31
3.5 Dtection distribue CFAR....................................................................................... 31
3.6 Les systemes de dtection distribue ....................................................................... 33

3.6.1.Rgle de fusion AND................................................................................................. 34
3.6.2.Rgle de fusion OR.................................................................................................... 34
3.7 Conclusion.................................................................................................................. 34
Chapitre 4 : Optimisation par Essaims de Particules ....................................................... 36
4.1 Introduction ............................................................................................................... 37
4.2 Les essaims de particules .......................................................................................... 38
4.3 Optimisation par essaims particulaires ................................................................... 38
4.4 Laspect formel de loptimisation par essaims de particules ................................ 39
iv
4.5 Topologie dun essaim de particules et notion de voisinage .................................. 40
4.6 Lalgorithme PSO...................................................................................................... 42
4.7 Choix des paramtres................................................................................................ 44

4.7.1 Dimension des particules ......................................................................................... 44
4.7.2 Le nombre de particules........................................................................................... 44
4.7.3 Les coefficients dacclration ................................................................................ 45
4.7.4 Le facteur dinertie .................................................................................................. 45
4.7.5 Le paramtre de vitesse ........................................................................................... 46
4.7.6 Le facteur de constriction ........................................................................................ 47
4.8 Conclusion.................................................................................................................. 47
Chapitre 5 : Optimisation du Seuil de Dtection CFAR Par Essaims de Particules...... 48

5.1 Introduction.............................................................................................................. 49
5.2 Formulation du problme de dtection distribue ................................................... 50
5.3 Optimisation du seuil de dtection .......................................................................... 50
5.4 Les performances du systme de dtection ............................................................. 51
5.4.1 Optimisation dans le cas homogne ........................................................................ 51
5.4.2 Optimisation dans un environnement non homogne ............................................. 55
5.5 Linfluence du choix des paramtres de lalgorithme POS sur loptimisation ....... 59
5.5.1 Rsultats de simulation reprsentent linfluence du facteur dinertie...................... 60
5.5.2 Rsultats de simulation suivant diffrente intervalles de vitesse............................. 64
5.5.3 Linfluence de lespace de recherche ...................................................................... 65
5.5.4 Rsultats de simulation reprsentent linfluence des coefficients dacclration.... 67
5.5.5 Evaluation des rsultats dans le cas non-homogne ................................................ 68
5.6 Conclusion ............................................................................................................ 69
Chapitre 6 : Conclusion Gnrale et perspectives............................................................. 71
6.1. Conclusion gnral .................................................................................................... 72
6.2. Perspectives ................................................................................................................ 73
Bibliographie......................................................................................................................... 74
v
Liste des figures:
2. 1 Schma synoptique simplifi dun radar.. 9
2. 2 Chronogramme dmission dune impulsion radar 11
2. 3 Rgions et rgles de dcision..... 13
3. 1 Sensibilit de la puissance de bruit (dB)..... 25
3. 2 Schma de dtection radar seuil adaptatif... 26
3. 3 Schma fonctionnel du dtecteur CA-CFAR. 29
3. 4 Systme de dtection distribue avec centre de fusion.. 32
4. 1 Reprsentation graphique de : (a) topologie GBEST (b) topologie LBEST.. 41
4. 2 Pseudo code de lalgorithme PSO.. 42
4. 3 Organigramme de la PSO standard 43
5. 1 La performance dun systme base de 2 dtecteurs pour la rgle de fusion OR..........53
5. 2 La performance dun systme base de 3 dtecteurs pour la rgle de fusion OR. 53
5. 3 La performance dun systme base de 5 dtecteurs pour la rgle de fusion OR..... 54
5. 4 Variation de Pd suivant le nombre de dtecteurs pour la rgle de fusion OR et

PFa=10-4......................................................................................................................54
5. 5 Comparaison des probabilits de dtection pour les rgles de fusion AND et OR pour
un systme 2 dtecteurs OS-CFAR dans un environnement homogne................. 55
5. 6 La performance de la Pd dans le cas des cibles interfrentes: D1:1 et D2:0.. 56
5. 7 La performance de la Pd dans le cas des cibles interfrentes: D1:2 et D2:2. .56
5. 10 La performance de la Pd dans le cas des cibles interfrentes: D1:5 et D2:5 58
vii
5. 11 Comparaison entre diffrents cas de cibles interfrentes pour la rgle de fusion
AND. 58
5. 12 Comparaison entre diffrents cas de cibles interfrentes pour la rgle de fusion

OR 59
5. 13 Variation de la fonction fitness pour diffrentes valeurs du facteur dinertie.............. 60
5. 14 La probabilit de dtection pour diffrentes valeurs du facteur dinertie........ 61
5. 15 Les fonctions fitness pour fonction linaire dcroissante sur deux intervalles.... 61
5. 16 Les probabilits de dtection pour fonction linaire dcroissante sur deux

intervalles . 62
5. 17 Comparaison des fonctions fitness pour fonction linaire dcroissante sur

lintervalle [0.4,1.4] et = 0.5 ....... 62
5. 18 Comparaison des probabilits de dtection pour fonction linaire dcroissante

sur lintervalle [0.4,1.4] et = 0.5 ..... 63
5. 19 Comparaison des fonctions fitness pour diffrents intervalles de vitesse, avec w

fonction dcroissante dans [0.4,1.4]..... 64
5. 20 Comparaison des probabilits de dtection pour diffrents intervalles de vitesse,

avec w fonction dcroissante dans [0.4,1.4]. 65
5. 21 Variation des fonctions fitness pour diffrentes intervalles de variation de k. 66
5. 22 Les probabilits de dtection pour diffrents intervalles de variation de k.. 66
5. 23 Variation des fonctions fitness pour diffrentes valeurs des coefficients

dacclration 67
5. 24 Les probabilits de dtection pour diffrentes valeurs des coefficients

dacclration 67
5. 25 Les probabilits de dtection pour diffrents cas de cibles interfrentes aprs

changement des paramtres de lalgorithme PSO 69
viii
Liste des Tableaux:
5. 1 Les paramtres estims en utilisant lalgorithme PSO pour la rgle de fusion OR ......... 52
ix
Notations
ADT Automatic Detection and Tracking
RADAR Radio Detection And Ranging.
CFAR Constant False Alarm Rate
CUT Cell Under Test
i.i.d. independent and identically distributed
SER Surface quivalente radar
CA-CFAR Cell Averaging CFAR
OS-CFAR Order Statistic CFAR
CMLD-CFAR Censored Mean Level Detector CFAR
ML-CFAR Maximum Likelihood CFAR
CML-CFAR Censored Maximum Likelihood -CFAR
S Rapport signal--bruit
TFAC Taux de Fausse Alerte Constante
N-P Neyman-Pearson
AEs Algorithmes Evolutionnaires
AGs Algorithms Gntiques
SEs Stratgies dEvolutions
PRI Pulse Repetition Interval
PSO Particles Swarm Optimization
SNR Signal to Noise Ratio
OEP Optimisation par Essaims de Particules
PRF Pulse Repetition Frequency
fdp fonction densit de probabilit
Pfai Probabilit de fausse alarme du dtecteur i
ix
Pdi Probabilit de dtection du dtecteur i
Timp Priode de rptition des impulsions
Largeur des impulsions
PRI Pulse Repetition Interval
P La puissance de crte de l'impulsion transmise
La puissance moyenne de l'impulsion transmise
C Vitesse de propagation
t Temps de retard
AND, OR et MAJORITY Rgles de fusion
PFa Probabilit de fausse alarme globale
Pd Probabilit de dtection globale
J(.) Fonction objective selon le critre de N-P
Ni, La taille de la fentre de rfrence associe au
dtecteur i, i=1, 2, , n.
ki Le rang de x(k) associ au dtecteur i, i=1, 2, , n.
Ti Le facteur du seuil associ au dtecteur i, i=1,
2, , n.
E Espace de recherche
Pi Meilleure position personnelle de la particule i
Pg Meilleure position trouve par le voisinage de la
particule i
La vitesse de la particule i
c1 et c2 Les coefficients d'acclration
r1 et r2 Variables alatoires uniformes sur [0,1]
GBEST Topologie Global Best
LBEST Topologie Local Best
Vitesse maximal des particules
Facteur de constriction
11
:
" CFAR "

.

.
.
.
" "PSO
.
.OS-CFAR
.
PSO .
xi
Rsum :
Les systmes de dtection distribue CFAR "Constant False Alarm Rate" bass sur
lutilisation de plusieurs dtecteurs avec un centre de fusion des donnes ont t largement
examins depuis leur apparition et jusqu nos jours. Cet intrt est d un certain nombre
d'avantages par rapport aux systmes de dtection centralise, qui reposent sur l'utilisation
dun seul dtecteur, et ceci en termes d'amlioration de la fiabilit, la vitesse et la capacit de
grer une grande zone de couverture. Malgr ces qualits, il convient de noter la difficult
rencontre dans le ct applicatif. Cela est d au fait que ces systmes ont une caractristique
non linaire en fonction d'un nombre important de paramtres qui devraient tre dfinis et qui
font que les mthodes d'optimisation classiques ne peuvent pas tre utilises.
Le prsent travail est destin tudier une technique doptimisation inspire de

linteraction des individus voluant en essaims, et qui est connue sous le nom de
lOptimisation par Essaim de Particules (OEP), ou PSO "Particle Swarm Optimization". Cette
technique est utilise afin de rsoudre le problme doptimisation du seuil de dtection dans
les systmes distribus OS-CFAR. En premier lieu, notre contribution consiste analyser les
performances de dtection pour diffrentes situations, tenant compte du nombre de dtecteurs
locaux dans le systme, effectue pour les deux environnements homogne et non homogne.
Par la suite, linfluence des diffrents paramtres de l'algorithme PSO sur la qualit des
rsultats a t examine, permettant ainsi datteindre la forme la plus convenable de la
technique adopte avec de meilleurs rsultats de dtection.
xii
Abstract:
Distributed detection systems on the basis of several sensors with data fusion have been
widely discussed during the period from the beginning of its appearance until now. This
interest is due to a number of advantages over the centralized detection systems which rely on
the use of a single detector, and this in terms of improving the reliability, speed and ability to
handle a wide coverage area. Despite these features, it should be noted the difficulty
encountered in the application domain. This is due to the fact that such systems have a
nonlinear characteristic according to a number of parameters which should be defined, and
which make the classical optimization methods unusable.
This work is intended to study one of the optimization techniques inspired from the
interaction of individuals evolving in swarms, which is known as the Particle Swarm
Optimization PSO. This technique is used to solve the problem of optimization for the
threshold detection in distributed OS-CFAR systems. First, our contribution consists in
analyzing the detection performance for different situations, taking into account the number of
local detectors in the system, performed for both homogeneous and non-homogeneous
environments. Subsequently, the influence of various parameters of the PSO algorithm on the
quality of the results was discussed, to reach the most suitable form of the adopted technique
by giving the best detection results.
xiii
Chapitre 1
Introduction Gnrale
1.1. Introduction.
1.2. Problmatique.
1.3. Organisation du mmoire.

Introduction Gnrale
1.1. Introduction :
Le radar est un systme de tldtection qui est largement utilis pour la surveillance, le suivi
et les applications d'imagerie, pour les besoins civils et militaires. Ds l'instant o le
systme radar est mis en marche, il devient lectro-magntiquement li son
environnement. En ce sens, l'environnement a une influence forte et continue sur les retours
radar (chos). Autrement dit, le radar construit sa connaissance de l'environnement par
lanalyse continue des chos reus par son rcepteur, et prend des dcisions d'intrt sur les
cibles possibles dans des lieux inconnus de cet environnement. Lorigine de cette relation
lectromagntique remonte l'une des inventions les plus importantes au dveloppement
des systmes radars, qui a t faite par Christian Hulsmeyer en 1904 [1]. Le scientifique
allemand a dmontr la possibilit de dtecter les objets mtalliques une distance de
quelques kilomtres et depuis ce temps l, de nombreux systmes radars fonctionnent sur ce
principe, qui est bas sur lutilisation des ondes lectromagntiques pour mesurer la distance,
l'altitude, la direction, l'orientation, la taille, ou la vitesse d'objets. Ceci est rest jusqu'
prsent pratiquement inchang, bien quil existe un certain nombre de systmes radars qui
utilise les ondes optiques au lieu des ondes radio.
Depuis l'apparition de la premire gnration des systmes radar jusqu' la ralisation des
radars haute technologie, les systmes radar sont passs par un long parcours de recherches
et de dveloppements. Les premiers systmes taient limits la prsentation des rsultats sur
un afficheur et l'oprateur humain doit prendre les dcisions sur la prsence ou l'absence des
cibles. Par contre, les systmes modernes sont quips par des moyens lectroniques
intelligentes assurant la dtection automatique et le suivi des cibles (ADT_ Automatic
Detection and Tracking) sans lintervention du facteur humain [2][3], de sorte que, dans
certaines applications, la sortie du radar est traite pour commander directement des systmes
(par exemple un missile guid).
Le signal reu par le rcepteur radar est toujours accompagn de bruit et des chos parasites
qui peuvent nuire au bon fonctionnement du systme et peuvent ainsi engendrer des fausses
indications. Ceci, signifie que la performance du rcepteur radar est strictement dpendante
de la prsence de ces perturbations, et ainsi le systme tente datteindre un taux de fausse
alarme constant, et une probabilit de dtection de cibles maximale.
2
Introduction Gnrale
Les premiers radars dclarent quune cible est dtecte lorsque la sortie du rcepteur radar
dpasse un niveau de seuil fixe prdtermin, ce qui ne permet pas de contrler la probabilit
de fausse alarme et ainsi rsulte une dgradation dans les performances de dtection. Tandis
que, les nouveaux systmes sont quips par des procds de traitement de signal volus ce
qui permet dautomatiser les dcisions de dtection. Ces procds sont des dtecteurs taux
de fausse alerte constant, TFAC (CFAR : constant false alarm rate), et qui sont adopts pour
lajustement adaptatif du seuil de dtection par lestimation du bruit ambiant en fonction de la
Pfa dsire. Aux cours de la priode de recherche et de dveloppement dans le secteur de
dtection CFAR, et qui na pas t achev jusqu prsent, la littrature dans ce domaine sest
enrichie par un nombre important de dtecteurs CFAR qui sert amliorer la dtection.
L'ide qui pourrait tre prise en observant les efforts dploys en vue du dveloppement des
systmes CFAR, qui est prsent dans la varit des techniques et mthodes proposes, est
que les systmes de dtection distribue avec centre de fusion prennent une grande
importance chez les concepteurs des radars cause des qualits de dtection quils offrent.
Bien que l'amlioration dans le dveloppement de l'aspect thorique de la dtection CFAR est
avanc et trs prometteur, l'aspect pratique du matriel est toujours au-del des oprations de
traitement du signal, ce qui ncessite une capacit de calcul leve. Ce qui n'empche pas
actuellement lexistence du matriel spcifique merg comme un environnement attrayant et
idal pour le traitement des algorithmes haute vitesse et les applications de calcul intensif,
ce qui offre un haut degr de paralllisme, et une grande vitesse de traitement. Et surtouts
aprs la dcouverte des techniques de lintelligence artificielle, qui ont profit de ce progrs
technique pour montrer leur efficacit dans divers domaines. Lun des sujets qui a attir
l'attention des chercheurs dans le domaine de la dtection CFAR est loptimisation des
performances de dtection dans les structures existantes par ces mthodes, au lieu de trouver
dautres structures, ce qui constitue lobjet de cette tude.
1.2. Problmatique :
La fusion de donnes et la dtection distribue ont t largement tudies au cours des trente
ans derniers et dexcellents rsultats ont t obtenus. A cet effet, les systmes de surveillance
modernes qui sont les plus robustes et les plus favoriss par les concepteurs des radars sont
3
Introduction Gnrale
les systmes de dtection distribus. Ces derniers composs de plusieurs dtecteurs CFAR
spatialement distribus, o chaque dtecteur dclare localement la prsence ou l'absence de
cible, et ainsi les dcisions locaux sont transmises vers un centre de fusion des donnes afin
dobtenir une dcision globale selon la rgle de fusion slectionne, AND, OR ou k parmi
N dans la littrature [21][22][24]. Lun des principaux objectifs de l'utilisation de plusieurs
dtecteurs est d'amliorer les performances du systme telles que les caractristiques
oprationnelles, sauf que cela requiert le traitement dun flot important et vari
dinformations. Donc les performances dun systme de dtection distribu CFAR dpend du
type dinformations traites, notamment, le modle du clutter. Sachant que les techniques
destimation utilises dans les dtecteurs CFAR dpendent de plusieurs paramtres, et avec
l'absence de vritables modles de clutter, les systmes de dtection prsentent une non
linarit lie au systme coupl d'quations non linaires des probabilits de dtection (Pd )et
de fausse alarme (PFa) sous la contrainte dune fonction objective. En raison de la
complexit d'optimisation de ces systmes, les mthodes classiques sont de moins
performantes et il est plus intressant dutiliser une approche doptimisation non linaire
efficace et adaptative pour lestimation des seuils de dtection, ce qui fait lobjet de ce prsent
travail.
La difficult qui nous intresse particulirement est alors lie la rsolution du problme
doptimisation des systmes de dtection distribus CFAR, par dtermination des paramtres
en mesure d'atteindre cet objectif. Daprs la littrature, plusieurs travaux on t labors
comme solution au problme voqu prcdemment. Parmi ceux-ci, des tudes effectues
rcemment ont prsent une approche flexible qui emploie les deux variantes des
Algorithmes Evolutionnaires (AEs), les Algorithmes Gntiques (AGs), et les Stratgies
dEvolutions (SEs), pour lamlioration de la qualit des systmes distribus CFAR [48] [49].
Dans ce contexte on va essayer doptimiser le seuil de dtection des systmes distribus
CFAR en appliquant une approche inspire des stratgies des essaims et de leur aptitude
optimiser un objectif global par la recherche collaborative dans un espace. Cette approche est
loptimisation par essaims de particules (OEP), ou PSO en anglais abrviation de Particle
Swarm Optimization. Au dpart, Les inventeurs de cette technique, Russel Eberhart et James
Kennedy en 1995 [31], ont essay de simuler le comportement social des individus
(particules) dans un essaim en mouvement tout en restant en une formation optimale. Le
4
Introduction Gnrale
modle quils ont propos a t ensuite tendu en un algorithme simple et efficace

doptimisation.
Dans cette tude, on va essayer dappliquer la technique PSO la recherche des paramtres
optimaux de chaque dtecteur local CFAR afin destimer leurs seuils de dtection locaux, qui
leur tour seront transmises au centre de fusion o une dcision globale est obtenue en
utilisant le critre de Neyman-Pearson, qui consiste maximiser la probabilit de dtection
globale tout en maintenant la probabilit de fausse alarme globale une valeur dsire. Les
critres de performances du systme, pour les rgles de fusion considres AND et OR, sont
vrifis par lanalyse de la probabilit de dtection Pd selon la probabilit de fausse alarme
PFa globale.
1.3. Organisation du mmoire:

Le contenu de ce mmoire a t structur en cinq chapitres principaux, au del de celles
correspondant au rsum, aux conclusions, aux remerciements et aux rfrences
bibliographiques :
On peut trouver un premier chapitre, dans lequel on introduira les systmes de dtection
radar. On retrouvera aussi une description des objectifs dfinissant le sujet de mmoire,
concernant loptimisation du seuil de dtection dans les systmes distribus CFAR. En outre,
le chapitre comprend une prsentation des tapes suivies dans ce travail.
Le chapitre 2 de ce mmoire donne un aperu des systmes radar. Cet aperu consiste
dterminer le principe de fonctionnement, la structure de base dun systme radar, la
classification des systmes radar, particulirement, les radars impulsions qui seront traits
avec plus de dtailles. Le chapitre prsente aussi une petite introduction la thorie de
dcision qui est pertinente pour le traitement du signal radar et la dtection radar. La partie
restante du chapitre, comprend galement une prsentation de la modlisation des cibles et de
l'environnement radar.
Le chapitre 3 prsente de faon dtaille la dtection taux de fausses alarmes constant
(CFAR), en plus dune prsentation thorique de la dtection distribue avec centre de fusion
des donnes.
Au niveau du chapitre 4, on va prsenter la thorie sur laquelle est base la technique
doptimisation par essaims de particules (OEP), ce qui comprend lorigine, laspect formel,
5
Introduction Gnrale
lalgorithme et les diffrentes topologies caractrisant le voisinage dans lessaim. A la fin de

ce chapitre, nous prsenterons le concept de la technique envisage et traite dans le chapitre
suivant.
Donc, le chapitre 5, au cours duquel on utilise les outils dont on vient de parler, afin de
raliser une tude sur la technique doptimisation du seuil de dtection dun systme distribu
CFAR par PSO. O nous allons considrer quelques changements dans la structure du
systme propos. Comme nous allons aussi effectuer quelques changements dans les
paramtres de la PSO et on arrivera proposer un algorithme dintgration original qui
semble apporter de nombreux avantages par rapport aux autres dtecteurs.
Nous terminerons ce mmoire par un chapitre de conclusion, pour faire ressortir la
contribution scientifique de ce travail et des suggestions pour dventuelles extensions de
notre travail.
6
Chapitre 2
Concepts de Base sur les Systmes Radar
Rsum
Dans ce chapitre, nous reprenons brivement le principe et la structure de base dun
systme radar, tout en donnant un aperu sur la classification des systmes radars,
notamment les radars impulsions et les caractristiques dune impulsion RF. Ensuite, on
va montrer aussi la relation fondamentale entre les puissances mises et captes par
lantenne radar qui fait appelle lquation radar, puis, nous prsentons un bref rappel sur
la thorie de la dcision. Enfin, nous exposons les modles statistiques des cibles, savoir
les quatre types Swerling ainsi que les divers modles statistiques reprsentant le clutter.
2.1 Introduction.
2.2 Principe et structure de base dun systme radar.
2.3 Radars impulsions.
2.4 Lquation du radar.
2.5 Dtection des cibles.
2.6 Thorie de la dcision.
2.7 Les critres de dcision.
2.8 Modlisation des cibles.
2.9 Bruit et chos parasites
2.9.1 Le Clutter.
2.9.2 Modles de clutter
2.10 Conclusion.
2.1 Introduction :
Le radar est un systme qui utilise les ondes lectromagntiques pour la dtection et la
localisation des objets refltant, do vient l'origine du mot Radar, qui est labrviation de
lexpression anglaise Radio Dtection And Ranging et qui signifie : dtection et
tlmtrie par ondes Radio [5]. Aujourd'hui il est mieux de dfinir le radar comme tant la
surveillance lectromagntique active [4]. Son principe de fonctionnement est bas sur
lmission dun signal lectromagntique vers une portion de lespace et la rception des
chos rflchis par les objets qui sy trouvent (navires, avions, missiles, engins spatiaux,
voitures, pitons, etc.). Son impact est apparu clairement travers l'importance des
diffrents domaines d'application et qui sont gnralement trs sensibles.
2.2 Principe et structure de base dun systme radar :
Un systme radar comporte un ensemble de sous-systmes reprsentant leur formes

gnrales et l'interaction entre ses sous systmes exprime leur principe de fonctionnement.
Un metteur puissant gnre un faisceau d'ondes lectromagntiques concentr transmis par
une antenne. A laide du duplexeur une antenne unique peut travailler en deux modes. En
mode de transmission, lantenne illumine lespace dexploration avec des micros ondes dans
une direction bien dtermine (une direction souhaite). Lorsque ces ondes rencontrent un
objet, elles sont alors rflchies, formant ce qu'on appelle communment un cho radar dont
une partie est renvoye vers le radar, puis intercepte par lantenne en mode rcepteur. A
travers un rcepteur install prs de lantenne, les chos radar sont prpars pour le
traitement du signal par amplification et conversion de frquence. Lextraction, des
informations de cible, est effectue par le bloc de traitement du signal et le rsultat peut tre
affich un oprateur, par la transformation de linformation en signal lumineux visualisable
sur un cran, ou peut tre traite par des moyens lectroniques pour la dtection et la
poursuite automatique. Grace la dtection et la poursuite automatique, dans certaines
applications, la sortie du radar traite peut tre utilise pour commander directement un
systme (par exemple un missile guid) sans lintervention de l'oprateur. Un radar
dtermine gnralement l'emplacement d'une cible, mais sa sortie peut galement fournir
des informations sur la nature des cibles [2][ 5]. Les lments de base d'un systme radar
sont illustrs sur le schma synoptique simplifi de la figure 2.1
8
Cible
Antenne
Emetteur Duplexeur Rcepteur Traitement

de signal
Indicateur
Fig. 2.1 Schma synoptique simplifi dun radar
On dduit alors, que les diffrents besoins des utilisateurs et les diffrentes techniques ou
technologies de conception impliquent une varit dans les structures et les caractristiques
des systmes radars. En ce sens, ils peuvent tre classifis en plusieurs classes suivant les
caractristiques d'emploi, le lieu d'installation, la destination, ainsi que dautres indices qui
peuvent tre utiliss pour la classification. La littrature est riche en ce qui concerne la
classification, ce qui nous permet de citer :
Une classification daprs les diffrentes qualits et technologies utilises par les
quipements radars, telles que, les radars primaires o le radar reoit la partie rflchie de
son propre signal, et les radars secondaires, o la cible doit tre quipe dun transpondeur
(transmetteur rpondeur) qui rpond linterrogation du radar en gnrant un signal cod
contenant des informations spcifiques de la cible. Gnralement les radars sont classs
d'aprs le type d'mission, forme d'onde ou frquence de fonctionnement. Prenons en
considration les formes donde, nous trouvons les radars impulsions et les radars ondes
continues (CW) [1]. Ces derniers traitent continuellement les chos reus de leur propre
signal et qui est sous la forme d'un signal continu hyperfrquence (sinusodal sans
interruption). Une limitation fondamentale lie ce type de radars, est cause par leur
sensibilit, ainsi les fuites de bruit de l'metteur dans le rcepteur rsultent en une instabilit
de lmetteur. Certaines des mthodes utilises pour rsoudre ce problme peuvent entraner
9
que les petits signaux de cible mobile ne peuvent pas tre vus, do, la capacit de porte
maximale des radars CW est souvent limite par ce facteur. Un autre inconvnient li ce
type de radar est le fait qu'il ncessite deux antennes [2].
En consquence, Pour pouvoir fonctionner correctement, le radar doit pouvoir mettre une
trs grande quantit d'nergie concentre dans une direction, tout en tant assez sensible pour
n'en dtecter ne serait-ce qu'une infime partie renvoye sous forme d'cho. Ce problme a t
pendant longtemps la cause du manque d'efficacit des premiers radars. De nos jours, on
utilise ce qu'on appelle des radars impulsions.
2.3 Radars impulsions:

Les radars de ce type mettent un train rptitif dimpulsions de signal forte puissance et
trs courtes dures (hyperfrquences). Chaque impulsion est suivie d'un temps durant lequel
les chos peuvent tre reus avant qu'une nouvelle impulsion ne soit mise. Le traitement de
lcho des impulsions radar fournit une information concernant la cible, telle que, la porte
ou la distance de la cible et qui est dtermine a partir de la mesure du temps de propagation
de londe lectromagntique. Pour ce qui est de la vitesse, elle est dtermine partir du
changement de la frquence doppler, tandis que la dimension de la cible peut tre dtermine
partir de lamplitude de lcho radar. En ce qui concerne la direction et la position,
lantenne donne une information sur la direction angulaire. Un radar impulsions pourrait
tre considr comme la forme canonique d'un radar quand on n'ajoute pas une autre
description la dfinition du radar.
Dans un systme radar lnergie rayonne par lantenne est dcoupe en impulsions
successives. La transmission d'impulsions est caractrise par un nombre de paramtres qui
assurent le bon fonctionnement du radar.
Supposant que le signal transmis par le radar est une squence priodique dimpulsions
rectangulaires de priode Timp et de largeur . La priode est appele aussi lintervalle de
rptition des impulsions PRI en anglais (Pulse Repetition Interval). Si la puissance de crte
pour chaque impulsion transmise est P , alors la puissance moyenne de l'impulsion mise
sur une priode complte est le produit de P par le rapport de la largeur d'impulsion au PRI
qui est appel rapport cyclique d'mission [3]. La puissance d'mission moyenne sur une
priode complte et ses paramtres sont reprsents sur le chronogramme suivant :
10
Timp
Fig. 2.2 Chronogramme dmission dune impulsion radar.
2.4 Lquation du radar :

La relation fondamentale entre les caractristiques de puissance rayonne, la cible et le
rcepteur (propagation de londe) est donne par l'quation du radar. Elle peut-tre la
description la plus utile des facteurs qui influent sur les performances du radar et donne la
porte en fonction de ces caractristiques et qui prend en compte la rtrodiffusion
bidirectionnelle [9] [2],
Considrons un radar quip dune antenne omnidirectionnelle qui prsente un gain G et qui
rayonne lnergie selon une surface sphrique de rayon gal la distance metteur-cible R.
La densit de puissance P1 dans la direction du gain maximum est donne par [9] :
P
P1 .G (2.1)
4R 2
O, P est la puissance mise.
Si As reprsente la surface effective de la rtrodiffusion et sa puissance de gain de
rflectivit, alors : = As. reprsentant la surface quivalente radar (SER) ou surface
rflchissante effective et on a alors P2 = P1. qui reprsente la puissance de rtrodiffusion
de la cible dans la direction du rcepteur.
Avec RR reprsentant la distance cible-rcepteur, la puissance par angle unitaire fourni dans
la direction du rcepteur est donne par la relation :
P2
P3 . (2.2)
4R R
2
Considrant les facteurs propagation de l'metteur - cible et la cible - rcepteur FT et FR, la

formule se rduit = . . .
11
Si AR reprsente la zone d'ouverture du rcepteur, on obtient PR = P4AR la puissance reue

qui reprsente la quantit de densit de puissance capte par l'antenne.
2.5 Dtection de cibles :

Le rle des systmes radar est la dtection des cibles dans l'espace o chaque cible est
localise par sa position, sa direction et sa vitesse. Dans le cas o on dtermine seulement la
position et la direction de la cible, le systme radar met travers une antenne directive,
chaque instant, une impulsion s ( t ) seulement dans un cne angulaire troit autour dune
direction dtermine . En prsence dune cible dans cette direction, le signal mis est
rflchi et reu avec un temps de retard qui est proportionnel la distance d entre l'antenne
et la cible:
y(t) = ks(t + t0 ) + n(t) (2.3)
d
t0 = 2 c (2.4)
O : y(t) est le signal reu, k un paramtre qui dpend de l'altitude de la cible, de ses
proprits de rflexion, et de la distance, n(t) est le bruit, t0 le retard et c est la vitesse de
propagation des ondes lectromagntiques. On remarque que la dtection dune cible dpend
de lobservation du signal reu, ce qui signifie que cest un problme de dcision entre les
deux hypothses suivantes:
: ( )= ( ) (2.5)
H1 : y(t) = ks(t + t0 ) + n(t) (2.6)
H0 : Absence de la cible dans la direction dmission du signal radar.

H1 : Prsence dune cible une distance qui est dtermine par le retard t0 .
2.6 Thorie de la dcision :

La thorie de la dcision statistique utilise dans des domaines tels que le radar, sonar,
communication numrique et imagerie par ultrasons, tente de distinguer entre l'information
portant les signaux utiles et le bruit ou les interfrences. Dans le problme de dtection
binaire, les observations peuvent tre classes en deux ensembles mutuellement exclusifs:
l'hypothse nulle (H0), qui reprsente labsence de cible, cas o le signal reu est compos
des chantillons du bruit plus des chos parasites, et l'hypothse alternative (H1), qui
reprsente la prsence de cible, cas o le signal de cible est inclu dans le signal reu.
12
La dtection radar revient observer le signal reu qui reprsente une variable alatoire de
lespace dobservation, et prendre une dcision concernant la prsence ou labsence dune
cible. Cet espace est divis en deux sous-espaces Z0 et Z1 associs aux deux hypothses
alternatives H0 et H1 . Cependant, l'occurrence simultane des deux hypothses est
impossible, les sous-ensembles Zi sont donc disjoints. Les dcisions correspondantes seront
notes Di, ainsi les situations possibles sont [13] :
1. Dcider la prsence de cible sachant que la cible est prsente.
2. Dcider labsence de la cible sachant que la cible est prsente.
3. Dcider la prsence de la cible sachant que la cible est absente.
4. Dcider labsence de la cible sachant que la cible est absente.
La nature alatoire des signaux reus par le rcepteur radar, ncessite un traitement avant de
les comparer un seuil de dcision choisi. Afin de prendre lhypothse correcte, les quartes
possibilits prcdentes sont associes quatre probabilits qui serviront juger les
performances dun critre de dcision, et pour choisir entre les deux hypothses, deux types
d'erreurs peuvent se produire. Erreur de type I : H1 est accepte lorsque H0 est vraie, ce qu'on
appelle une fausse alarme, et lerreur de type II : H0 est accepte quand H1 est vraie, vise
comme une perte [13].
1. ( ) : correspond une probabilit de non dtection.
2. ( )=1 ( ) : correspond une probabilit de fausse alarme Pfa.
3. ( )= : correspond une probabilit de perte de dtection.
4. ( )=1 : correspond une probabilit de dtection.
On a : P ( Di / H j ) f
Zi
Y /Hj ( y / H j )dy o f
Zi
Y / Hj ( y / H j )dy est la fonction densit de probabilit
conditionnelle du signal reu y(t) sous lhypothse H .

Espace dobservation
Rgle de
dcision ou
Fig. 2.3 Rgions et rgles de dcision
13
2.7 Les critres de dcision :

Dans le problme de test pour les hypothses binaires, on a deux hypothses possibles
lmission et deux dcisions possibles la rception. Les quatre situations diffrentes cites
prcdemment seront :
1. H0 est vraie et on dcide H0,
4. H1 est vraie et on dcide H1.
Les situations 1 et 4 correspondent de bonnes dcisions, les deux autres des dcisions
errones. La rgle de dcision quon essaye de concevoir doit bien entendu donn le plus
souvent possible de bonnes dcisions. Pour cela, on associe un critre qui mesure la qualit
de la dcision. Parmi ces critres de dcision, les deux principaux sont, le critre de Bayes et
le critre de Neyman-Pearson. Le choix d'une approche approprie est dict par le problme
en question. Gnralement, les systmes sonar et radar utilisent le critre de Neyman-
Pearson, alors quen communication et pour les systmes de reconnaissance de formes le
critre de Bayes est utilis [14].
2.7.1 Critre de Bayes :
Lapproche Bayesienne aux problmes de dcision est incontestablement simple, o elle

exige la connaissance, pour chaque hypothse H i , de probabilit a priori pour que cette
hypothse se ralise, o il prend l'une des deux valeurs ( ) ou ( ), plus les cots de
dtection C chaque comportement possible du systme de dcision ( , ), o le cot est
quivalent une pnalisation ou une rcompense. On a aussi les conditions [13] :
( )+ ( )=1 (2.7)
et
C >C ; C >C (2.8)
Le but de cette approche consiste minimiser, en fonction des rgions de dcision Z une
fonction risque R dfinie comme tant la moyenne statistique de lensemble des cots
associs aux probabilits de leurs situations respectives.
Le risque moyen est donn par [13]:
R EC C00 P(D0 , H0 ) C01P(D0 , H1 ) C10 P( D1 , H 0 ) C11 P( D1 , H 1 ) (2.9)
14
Chaque probabilit conjointe qui figure dans cette expression peut tre crite comme:
P( Di , H i ) P( Di H j ).P( H j ) P( Di H j ).Pj = Pj f
Zi
Y /Hj ( y / H j ) dy (2.10)
R P0C00 P(D0 / H0 ) P1C01P(D0 / H1 ) P0C10 P(D1 / H0 ) P1C11P(D1 / H1 ) (2.11)
On trouve:
R P0C00 fY / H0 (y / H0 )dy P1C01 fY / H1 (y / H1 )dyP1C10 fY / H1 (y / H1 )dy P1C11 fY / H1 (y / H1 )dy (2.12)
Z0 Z0 Z1 Z1
Puisque les deux rgions de dcision sont complmentaires, Z Z0 Z1 et Z0 Z1 , on

peut exprimer le cot de Bayes R en fonction d'une seule rgion [13]:
R P0 C10 P1C11 ( P1 (C01 C11 ) f Y / H1 ( y / H 1 ) P0 (C10 C00 ) f Y / H 0 ( y / H 0 ))dy (2.13)
Z0
Les deux premiers termes dans cette expression constituent une pnalisation fixe, donc il est
claire que le domaine Z 0 minimisera cette fonction risque et la solution de l'ingalit :
P1 (C01 C11 ) fY / H1 ( y / H1 ) P0 (C10 C00 ) fY / H 0 ( y / H 0 ) 0 (2.14)
P1 (C 01 C11 ) f Y / H1 ( y / H 1 ) P0 (C10 C 00 ) f Y / H 0 ( y / H 0 ) (2.15)
Tout y vrifiant l'une des deux ingalits ci-dessus appartiendra Z0 , et il est aussi admis
que le cot de prendre une dcision errone est suprieur au cot de prendre une dcision
correcte. Telle que : C01 > C11 > C10 > C00 .
Lobjectif est de minimiser le cot moyen, ce qui est quivalent la rgle de dcision
suivante:
f Y / H1 ( y / H 1 )
( y) (2.16)
fY / H0 ( y / H 0 )
On appelle le rapport des densits conditionnelles dans l'quation prcdente, le rapport de

vraisemblance [13]. O on a dfini le seuil par :
P0 (C10 C00 )
(2.17)
P1 (C01 C11 )
Ainsi la stratgie de dtection s'crira:
15
H1

( y) (2.20)

H0
2.7.2 Critre du maximum de vraisemblance :
Lapproche considre tout simplement lequel des deux fonctions de vraisemblance

P(y|H0) et P(y|H1) est la plus grande. Autrement dit, le seuil T est l'unit, et H1 est
slectionn si P (y | H1) est suprieur P (y | H0), et vice versa. Ceci est quivalent au
schma de Bayes pour P (H0) = P (H1) = 1/2. Ce critre est applicable aux systmes de
communication binaire dans lesquels on peut supposer que n'importe quel symbole donn est
galement susceptible d'tre un 1 ou un 0 [6].
2.7.3 Critre de Neyman-Pearson

En pratique, il est souvent difficile dattribuer des cots ralistes et des probabilits a
priori, et on ne peut pas, en consquence, appliquer les deux approches Bayesienne ou du
maximum de vraisemblance [6]. Les critres de Neyman-Pearson constituent, dans ces cas,
une approche alternative. Ce critre utilise une autre stratgie partir des probabilits ,
et Pm (la probabilit de non-dtection).
Au lieu de considrer loccurrence de chaque hypothse comme un phnomne alatoire, et
d'optimiser la performance moyenne, les tests de Neayman-Pearson agissent directement sur
les mesures de performance , et , o il suppose de fixer la une valeur
dsire et de maximiser la probabilit de dtection [13]. Pour cela, une fonction
objective est construite:
J Pm (Pfa 0 ) (2.21)

J Z Y / H1
f ( y / H 1 ) dy
Z Y / H 0
f ( y / H 1 ) dy 0

(2.22)
0 1
O est le multiplicateur de Lagrange, qui vise maximiser la fonction J . Il est dfini de

manire vrifier deux contraintes contradictoires et non indpendantes : la plus grande
possible, et, en mme temps, une valeur de la plus petite possible.
16
En utilisant les proprits de densit de probabilit et lespace dobservation, nous obtenons :

J (1 0 ) f
Z0
Y / H1
( y / H1 )dy fY / H 0 ( y / H 0 ) dy (2.23)
Pour minimiser cette fonction objective, il faut trouver , qui doit tre dtermin de faon
satisfaire la contrainte. Ceci est obtenu en dfinissant le sous-espace Z 0 qui est la solution de
l'ingalit suivante:
fY / H1 ( y / H1 )
(2.24)
fY / H 0 ( y / H 0 )
Et nous pouvons donner la rgle de dcision suivante :

H1

f Y / H1 ( y / H 1 )
( y ) (2.25)
fY / H 0 ( y / H 0 )

H0
2.8 Modlisation des cibles :
Depuis le dveloppement des systmes radar, des recherches approfondies ont t menes
sur la dtection et l'identification des cibles radar. Et comme il est connu, l'objectif du radar
est de dtecter et de caractriser des cibles dans le champ lectromagntique rtrodiffus [1].
Le phnomne de diffusion se produit lorsque des ondes clairent arbitrairement un obstacle.
Toute htrognit des paramtres lectriques et magntiques d'un milieu de propagation
sert comme un obstacle pour les ondes radio. L'onde incidente affecte par les oscillations de
l'obstacle que sont les origines du rayonnement secondaire (de diffusion) dans diffrentes
directions. Il est particulirement important pour le radar [11].
Parmi les problmes d'identification des cibles radar, on trouve la spcification des
diffusions des cibles, et qui reprsente un sujet pertinent. En effet, la section effective de
rtrodiffusion de la structure de cible donne une contribution trs significative l'ensemble
Radar.
2.8.1 La surface quivalente radar (SER) :
Lorsquun objet expos une onde lectromagntique disperse l'nergie incidente dans
toutes les directions, la distribution spatiale de l'nergie est appel alors diffusion. L'nergie
diffuse vers la source de l'onde (appel rtrodiffusion) constitue l'cho radar de l'objet.
L'intensit de l'cho est dcrite de manire explicite par la surface quivalente radar de
17
l'objet, reconnue gnralement par labrviation SER. Les premiers articles sur le sujet, ont
utilis le terme zone de rpercussion ou surface effective, et ces termes peuvent encore tre
trouvs dans la littrature technique contemporaine. La dfinition formelle de la SER est
donne par [2] [11] :
2
Es
0 4R 2
2
(2.26)
Ei
O :
Ei est le champ incident ou la force du champ lectrique de l'onde incidente frappant la
cible.
Es est le champ rtrodiffus ou la force du champ lectrique de l'onde diffuse vers le radar.
R la distance radar-cible.
Les cibles sont de formes complexes et des caractristiques diffrentes, telles que le
volume, la forme et lorientation. Une cible se comporte donc comme une antenne de forme
complexe. Ce qui exprime que le taux de rflexion de lnergie intercepte (le faisceau
lectromagntique mis par le radar) dans la direction du radar, est en fonction de la surface
de rflexion effective attribue chaque surface de cible. Les chos de cibles de toutes les
formes, sauf une sphre mtallique, varie de faon significative suivant lorientation, ce qui
introduit des variations de la SER appeles fluctuations [2].
2.8.2 Fluctuation des cibles :

La conception et lanalyse des systmes radar ncessitent la spcification correcte de la SER
cible pour l'valuation des performances du radar dans diverses conditions. La porte de
dtection d'une cible fluctuante dans un bruit de fond est l'une de ces mesures de
performance. Le problme de l'valuation a t systmatiquement tudi aprs la seconde
guerre mondiale, mais les rsultats gnraliss de cette tude ont t publis seulement en
1960 par Marcum, et Swerling [11].
Plusieurs modles dcrivent les fluctuations des cibles, parmi lesquels, il existe quatre
modles proposs par Swerling. Ces modles supposent que la fluctuation de la SER de cible
est de distribution Rayleigh ou une dominante plus la distribution Rayleigh avec
indpendance statistique dun balayage un autre (scan-to-scan fluctuating) ou dune
impulsion une autre (pulse-to-pulse fluctuating) selon les mouvements de la cible sur sa
trajectoire [13].
18
Cibles de type Swerling 1 :
Le modle de swerling 1 caractrise les cibles lentement fluctuantes. Dans ce cas, la

puissance du signal retourne par impulsion pour n`importe quel balayage est suppose tre
constante, mais ces impulsions d'cho sont indpendantes dun balayage un autre, donc le
modle de la cible est une simple variable alatoire indpendante, de distribution Rayleigh
donne par :
1 x
P( x) exp > 0. (2.27)
s
s
: est la surface quivalente radar moyenne sur toutes les fluctuations de la cible (moyenne
de la SER ou du rapport de puissance signal bruit, ).
Ce modle caractrise les cibles rapidement fluctuantes. Les impulsions d`cho, reues de la
cible pour un balayage, sont supposes tre indpendantes dune impulsion une autre au
lieu dun balayage un autre. La fonction de densit de probabilit pour la section
transversale de la cible est la mme que celle donne dans (2.27).
Le modle de swerling 3, comme dans le cas du Swerling 1, caractrise les cibles lentement
fluctuantes, mais avec une fonction densit de probabilit donne par :
4x 2x
P( x) exp > 0. (2.28)
s s
2
Dans ce cas, les fluctuations sont d'une impulsion une autre comme dans le cas des cibles
de type Swerling 2, mais la fonction de densit de probabilit est donne par (2.28).
2.9 Bruit et chos parasites :

Le type de bruit le plus important dans les communications et les systmes de dtection qui
peut tre trait statistiquement de faon systmatique est le bruit thermique. Le bruit
thermique provient de courants alatoires dus au mouvement des lectrons dans les
composants de rcepteurs (effet de lagitation lectronique dans des conducteurs du
rcepteur) tels que les rsistances.
19
2.9.1 Le clutter :
Le Clutter est un terme utilis pour dcrire tout objet susceptible de gnrer des chos radar
indsirables et qui peuvent nuire au fonctionnement normal des radars. Gnralement, le
clutter est gnr, soit par des centres diffuseurs rpartis en volume dans latmosphre,
comme les objets volants conus par ltre humain, les nuages, les prcipitations, les
insectes, les oiseaux et les inhomognits de latmosphre, soit par les asprits de la
surface terrestre. Le clutter peut tre subdivis en deux catgories: les chos fixes, qui sont
produits par les terrains accidents, mer non agite, les montagnes, les collines et les
structures artificielles; Et les chos mobiles qui comportent les chos de mer agite, les
surfaces des vhicules et autres. Dune manire gnrale, on ne peut pas donner une
dfinition unique au clutter, puisquune cible pour un certain utilisateur peut tre un fouillis
pour un autre, par exemple, pour le mtorologue, les prcipitations, la cible et les avions
sont des fouillis. Parmi les effets ngatifs du clutter sur la dtection, est qu'il peut masquer
certaines cibles lors de leur passage travers des rgions occupes par les chos de ce
dernier et de gnrer des fausses alarmes qui peuvent dvier l'attention des ressources
provenant de cibles relles. Les chos de clutter peuvent produire de fausses pistes et
augmenter les erreurs de poursuite [10] [7]. On peut noter que le clutter des surfaces est
fortement variable, c'est la nature de la rugosit de la surface, qui dtermine les proprits de
l'cho radar, tandis que le clutter ponctuel peut tre plus prvisible [7].
Les chos de Clutter sont alatoires et ont des caractristiques de type bruit thermique du fait
que les composantes individuels de clutter (diffuseurs) ont des amplitudes et des phases
alatoires. Dans de nombreux cas, le niveau du signal de clutter est beaucoup plus lev que
le niveau de bruit du rcepteur. Ainsi, laptitude du radar dtecter les cibles noyes dans un
clutter lev dpend du rapport signal- Clutter (RSC) que le rapport signal--bruit RSB [3].
2.9.2 Modles de clutter :
Il ya deux objectifs lis la modlisation de bruit et dchos parasites. Le premier, est de

dvelopper une explication sur les comportements des signaux observs, pour mieux
comprendre les facteurs physiques et lectromagntiques qui jouent un rle dans la
formation du signal parasite. Sur la base du succs du premier objectif, le deuxime sera de
produire un modle base physique, avec lequel un signal parasite reprsentatif peut tre
gnr, pour s'tendre tester des algorithmes de rcepteurs en prsence des perturbations,
quand les donnes relles ne sont pas suffisamment disponibles [7].
20
Dans la dtection radar, la prdiction du niveau de fouillis affecte fortement les

performances de dtection, en termes de probabilit de dtection et probabilit de fausse
alarme. Le modle gaussien a t largement considr, mais il a montr des limites lorsqu'on
considre des radars haute rsolution. Plusieurs autres modles ont t considrs, comme
les distributions log-normale, Weibull et la distribution K. Gnralement, on peut dire que
chaque modle dcrit les spcifications dun certain environnement de dtection.
Le modle Weibull :
La fonction densit de probabilit fdp, de la loi de Weibull est donne par [13]:
c x
c 1
x c
f X ( x) exp ; x 0 . (2.29)
bb b

O c et b reprsentent respectivement les paramtres de forme et dchelle.
Pour = 1 et = 2, la distribution Weibull est identique aux distributions, exponentielle et
Rayleigh respectivement.
Le modle Rayleigh :
Ce modle est un cas particulier de la distribution de Weibull pour = 2. Il est bas sur
l'hypothse selon laquelle le signal rflchi provenant de nombreux diffuseurs uniformes et
indpendants, situs de manire alatoire au sein de la zone de surface de clutter illumine
par le radar.
Le modle Log-normal:
La distribution log-normal est donne comme suit [13]:
1 ln( x) 2
f X ( x) exp
(2.30)
2 2 2
O est la moyenne de ln( ) et est la variance de ln( ).
Le moment dordre caractrisant la puissance du clutter est donn par :
k 2 2
E X k k exp
2
(2.31)

Le modle K :
La distribution K est apparue principalement pour reprsenter le clutter de mer. Une variable
alatoire avec la fdp de modle K est dfinit par [13]:
4 x 2
f x (x ) ( )v K v 1 ( x ); x 0 (2.32)
b (v ) b b
21
O ( ) est la fonction de Bessel modifie, est le paramtre d'chelle, est le paramtre

de forme et est la fonction gamma.
2.10 Conclusion :
Dans ce chapitre, on a prsent brivement le principe de fonctionnement dun systme radar

ainsi que les diffrents composants de base qui constituent de tels systmes, en plus des
diffrentes oprations de traitement du signal radar, bases sur la dtection d'chos obtenus
par rflexion du signal mis. La classification des systmes radars a t expose, avec une
description plus dtaille du radar impulsions et de ces caractristiques, du fait que ce
dernier est le plus utilis de nos jours. Puis, on a abord le principe de dtection de cibles,
commenant par quelques rappels sur la thorie de la dcision et les critres de choix du
seuil de dtection. Ensuite, on a propos une description des quatre modles de fluctuation
des cibles selon Swerling, de mme que les diffrents types de bruits existants dans
lenvironnement de fonctionnement de tels systmes, avec bien sr quelques statistiques
lies la modlisation du clutter. On conclut alors que la thorie de dcision dans le domaine
de dtection radar tente de distinguer entre l'information portant des signaux utiles et entre le
bruit ou les interfrences travers un critre de dcision. Ainsi, les proprits du radar, la
forme de la cible et l'environnement contribuent de faon claire dterminer la distance
maximale laquelle le radar est capable de dtecter une cible, en plus de la qualit de cette
dtection.
22
Chapitre 3
La Dtection Taux
de Fausse Alarme
Constant
Rsum
Dans ce chapitre, nous allons prsenter en premier lieu les principes fondamentaux de la
dtection adaptative CFAR, introduite dans le but dadapter la dtection des cibles
lenvironnement dans lequel cette dtection est effectue. Aussi larchitecture de quelques
types de dtecteurs CFAR, sera voque ainsi que les mthodes destimation du niveau de
clutter adoptes par ces dtecteurs afin de permettre une meilleure qualit de dtection. La
fin du chapitre sera consacre une introduction aux systmes distribus avec un centre de
fusion de donnes.
3.1 Introduction.
3.2 Dtection CFAR.
3.3 Concept de base des dtecteurs CFAR
3.4 Littrature sur quelques types de dtecteurs CFAR.
3.5 Dtection distribue CFAR.
3.6 Les systmes de dtection distribue.
3.7 Conclusion.
La Dtection Taux de Fausse Alarme Constant
3.1 Introduction :
Le signal reu par le rcepteur radar dpend considrablement de la prsence du bruit

thermique produit par le radar lui-mme qui est invitable, des chos non dsirs,
typiquement due au retour de lenvironnement naturel tel que la surface de terre, la surface
de mer, la pluie, ce qui reprsente le clutter, et des retours dautres cibles dsignes sous le
nom de cibles interfrentes. Les caractristiques alatoires de ces chos influent sur les
performances du dtecteur radar pendant lopration de dtection des cibles. Dans la
dtection du signal radar simple, il existe deux types d'hypothse ; signaler prsent et
signaler absent (bruit seulement), et pour chaque hypothse, il ya des expressions de
probabilits des rsultats possibles. Donc sur la base de l'observation de lenvironnement
radar, on peut prendre une dcision sur labsence ou la prsence des cibles, ce qui signifie
que le problme est un problme de dcision statistique. Le mcanisme de traitement dans
ces systmes est dtermin par un processeur conu pour avoir un taux de fausse alarme
constant tout en maximisant la probabilit de dtection de cible, alors que la fonction
principale des systmes radar est de dcider la prsence ou labsence dune cible en plus de
la localisation de cette cible.
Dans le cas o la cible est rellement prsente, le systme va soit la dtecter correctement,
soit la manquer. Et dans le cas contraire o il ny a pas de cible, le radar peut indiquer
quaucune cible nest prsente, ou activer une fausse alerte. Cependant, dun point de vue
pratique, la fonction de systme radar nest pas seulement leur aptitude la dtection des
cibles avec une probabilit de dtection leve, mais aussi et simultanment le contrle de
taux de fausse alarme la valeur spcifie.
Dans les systmes radar modernes, le taux de fausse alarme est automatiquement maintenu
une valeur constante par lajustement adaptative du seuil de dtection, selon le niveau du
signal parasite de lenvironnement, par lutilisation du processeur taux de fausse alarme
constante CFAR. Ladaptation du seuil est base sur lestimation du signal parasite
provenant de la cellule de porte considre [1].
3.2 Dtection CFAR :

La dtection des cibles travers le processus de rception des chos, consiste driver la
structure de rception optimale sur la base d'un critre de dcision qui utilise les principes de
la thorie de dcision statistique et de lestimation du bruit de lenvironnement. Lobjectif
ici, est dextraire une information du signal utile, provenant dun cho de cible et noye dans
24
des signaux parasites, bruit thermique plus clutter et qui sont gnralement de nature
statistique non stationnaire. Le principe est de formuler lopration en tant que test
dhypothses, pour obtenir une dcision sur la prsence ou labsence de la cible suivant les
rsultats de comparaison un seuil ( ), calcul en fonction de la probabilit de dtection et
de la probabilit de fausse alarme spcifies sur un intervalle dobservation. La stratgie de
dtection est dveloppe via des critres de dcision statistiques et des modles de
fluctuation de cibles, de bruit de fond et dinterfrences. Les applications de la dtection
classique utilisant un seuil de dtection fixe, sont limites des milieux avec un niveau de
bruit moins changeant. Cependant, dans le cas dun environnement avec prsence de clutter
non stationnaire, la probabilit de fausse alarme est extrmement sensible aux petits
changements de la valeur moyenne de lnergie retourne par la cible ou lenvironnement.
Pour une dtection d'impulsion unique, la probabilit de fausse alarme est donne par [13] :
th 2
Pfa exp (3.1)
2
2

2
O, est le niveau de seuil et est la variance du bruit total.
Une variation de 3 de la puissance du bruit peut provoquer une augmentation de la
gale 10-4, comme reprsenter sur la figure 3.1. Cette augmentation considrable de la ,
rend ainsi lcrtement sur un seuil fixe intolrable cause de la saturation, que ce soit de
loprateur humain ou du calculateur. Cette limitation corrige par ladaptation du seuil de
dcision sur le niveau du signal parasite de faon ce que le signal de rponse la sortie du
rcepteur prsente un nombre de fausses alarmes constant. Le seuil, utilis dans ce cas, est
obtenu par lestimation du signal parasite provenant de lenvironnement de dtection.
Pfa
10 4
10 5
10 6
10 7
10 8
2 4 6 8 10 12
2
Puissance du bruit (dB)
4
Fig. 3.1 Sensibilit de la puissance de bruit (dB)
25
3.3 Concepts de base des dtecteurs CFAR :

Dans un dtecteur CFAR, les chos parcourent une srie de cellules de porte qui sont de
nombre impaire. La cellule dintrt ou la cellule sous test est une cellule centrale qui
prsente le signal dtect, il est prfrable dexclure quelques cellules adjacentes la cellule
sous test afin dviter la dgradation des performances radar qui peut rsulter du
chevauchement de la puissance entre les cellules de ports et la cellule sous test.
Comme nous l'avons dj indiqu, un dtecteur CFAR, adopte un seuil adaptatif, afin de
maintenir un taux de fausses alarmes constant quelle que soit la puissance du clutter.
Toutefois, en raison de la diversit de l'environnement de dtection radar (cibles multiples,
changements brusques de clutter, etc), il n'existe pas un systme CFAR universel. En rgle
gnrale, le seuil d'adaptation, , d'un systme CFAR est le produit de deux termes, l'un est
un facteur d'chelle dit multiplicateur de seuil T qui permet de maintenir la la valeur
dsire, et l'autre est une estimation de la puissance inconnue du bruit total plus le clutter
dans la cellule sous test. L'chantillon dans la cellule sous test est compar ce seuil, afin de
dterminer la prsence ou l'absence d'une cible.
Une varit de techniques CFAR a t dveloppe en fonction de la logique utilise pour
estimer le niveau de puissance du bruit inconnu.
y Dtecteur Intgration
Filtres adapts
denveloppe Non cohrente
Signal
dentre
Cellule sous test
Y
H1
H
1

y th

H0 H
0 Estimateur de clutter
Z
T
=
Fig 3.2 Schma de dtection d'un radar seuil adaptatif
26
La rgle de dcision sera donc :

H1

Y TZ (3.2)

H0
Etant donn que si le bruit et les cibles de type Rayleigh ont des composantes en quadrature
gaussienne, alors la sortie du dtecteur quadratique est exponentiellement distribue. Prenons
le cas o le modle statistique de la cible au niveau de la cellule sous test, appele la cible
principale, est une cible lentement fluctuante selon le cas de Swerling 1. Le rapport signal--
bruit de la cible est not par S. Et pour le cas o le bruit total de fond est gaussien blanc.
Ainsi, les chantillons {yi} pour i=0, , N la sortie du dtecteur quadratique sont de
distribution exponentielle. Si 2 est la variance du bruit, alors la fonction de densit
conditionnelle de la sortie de la cellule sous test est donne par [13] :

exp
1 y
, Pour H
2 (1 S )
2 2 1
f (y \ H ) 2 (1 S ) (3.3)
1 exp y
Y\H i
i , Pour H
2 0
2 2 2
L'hypothse H0 reprsente le cas du bruit seul, tandis que l'hypothse H1 reprsente le cas de
bruit plus le signal de cible. La probabilit de dtection et de fausse alarme sont
respectivement donnes par :

Pd P (Y TZ \ H
0
1 ) f Z ( Z ) dZ (3.4)
Et,

Pfa P (Y TZ \ H
0
0 ) f Z ( Z ) dZ (3.5)
O est le niveau de puissance du bruit de fond estim, ( ) est la fonction de densit

de . Notons, que f Z (Z) dpend de la nature de l'estimation effectue. C'est ce que nous
allons aborder travers la prsentation du mcanisme destimation dans certains dtecteurs
proposs dans la littrature de dtection CFAR.
27
3.4 Littrature sur quelques types de dtecteurs CFAR :

Parmi les processeurs CFAR qui sont principalement utiliss dans la littrature radar, on peut
citer trois approches diffrentes. Le processeur CFAR seuil adaptatif, non paramtrique et
les techniques de rception non linaires [3]. Le processeur CFAR adaptative suppose que la
distribution d'interfrences est connue et conoit une approximation des paramtres inconnus
associs ces distributions. Les processeurs CFAR non paramtriques, tendent
habituellement accommoder les interfrences de distributions inconnues. La troisime
approche utilise les techniques de rception non linaires, qui tentent normaliser les
interfrences par la moyenne des racines carres des amplitudes.
3.4.1. Dtecteur CA-CFAR (Cell Averaging CFAR) :

Finn et Johnson sont arrivs prsenter une mthode d'estimation adaptative du seuil de
dtection [15]. Cette technique, qui fut la premire tre utilise, appele CA-CFAR et qui
fait un moyennage de cellules, est plutt valable pour un environnement homogne. La
technique repose sur lestimation du bruit dans la cellule de rsolution considre (cellule
sous test), par la moyenne arithmtique du niveau de bruit dans des cellules de rsolution
contigus (cellules de rfrence). Ces cellules sont rparties sur deux fentres situes de part
et dautre de la cellule sous test (figure 3.3). Lestim ( ) est ensuite multipli par un facteur
dchelle appel, facteur multiplicatif de seuil ( ), qui permet de garder le taux de fausses
alarmes constant, et ainsi, de maintenir la la valeur dsire. La sortie de la cellule
sous test est ensuite compare au seuil adaptatif , dans le but de prendre une dcision.
Sous l'hypothse que la distribution du bruit est exponentielle et les chantillons sont
identiquement distribus, les performances de dtection du dtecteur CA-CFAR est optimal.
Dans ce sens, la probabilit de dtection se rapprochera de celle du dtecteur idal de
Neyman-Pearson, lorsque le nombre de cellules de rfrence N devient infinie [13]. La
probabilit de fausse alarme sera : =[ ]
28
+
U V - Dcision
Signal Dtecteur
dentre quadratique
Cellule sous
test
=
Processus
CFAR

=
T
Fig. 3.3. Schma fonctionnel du dtecteur CA-CFAR
3.4.2. Dtecteurs GO-CFAR et SO-CFAR :

La prsence de discontinuit du clutter (bord de clutter), provoque une diminution ou une
augmentation de la , mme avec lutilisation du dtecteur CA-CFAR. Hansen et
Sawyers [16] ont propos le dtecteur GO-CFAR (Greatest-Of CFAR), pour contrler
laugmentation de la dans ces situations. Ce dtecteur utilise le maximum entre les
deux fentres de rfrence U et V comme estimateur du niveau de clutter, ce qui permet de
faire une bonne estimation du seuil et une adaptabilit rapide aux changements dans
lenvironnement. Cependant, en prsence des cibles interfrentes dans lune des deux
fentres de rfrence U et V le masquage des cibles peut tre provoqu, et par consquent,
les performances du dtecteur GO-CFAR se dgradent aussi. Trunk [17], a suggr
lutilisation du dtecteur SO-CFAR (Smallest-Of CFAR), afin damliorer la rsolution des
cibles troitement espaces. Pour ce dernier, les contenus des deux fentres de rfrence U et
V entourant la cellule sous test sont additionns, et le plus petit des deux est utilis comme
estimateur du niveau de clutter. Ainsi, ces deux variantes de CA-CFAR sont en mesure de
traiter lun ou l'autre des problmes rencontrs avec le CA-CFAR, mais pas les deux. Pour
cela, des estimateurs bass sur les statistiques d'ordre sont connus pour tre plus robuste.
3.4.3. Dtecteur OS-CFAR :
Les performances du CA-CFAR sont optimales dans les milieux homognes. Cependant,
l'hypothse de ces derniers n'est plus valable en prsence de cibles interfrentes. Dans de
telles situations, la performance du processeur CA-CFAR est srieusement dgrade.
29
Diffrentes techniques CFAR ont t proposes pour amliorer la dtection dans les milieux
non homognes, pour divers applications. En particulier, dans le cas de prsence des cibles
interfrentes, Rohling a tout d'abord propos un test de statistique d'ordre pour la dtection
CFAR [18], ce qui a t analys plus tard par Gandhi et Kassam [19].
Les dtecteurs OS-CFAR (Ordre Statistic CFAR) ont rvl de bonnes performances en
prsence d'interfrences. La technique d'estimation utilise dans ce cas, effectue un
arrangement des observations dans la fentre de rfrence, dans l'ordre croissant suivant
leurs amplitudes, et par la suite, la slection de lchantillon dordre k (X(k)) pour
lestimation de la statistique Z, pondre par le facteur T suivant la Pfai souhaite.
Le rang de la statistique d'ordre utiliser est dtermin l'avance, et il peut prendre
n'importe quelle valeur dans lintervalle 1 k N. Rohling a montr dans [18], que pour
des applications radar dans un environnement Gaussien, le choix de k=3N/4 reprsente un
bon estimateur.
Le dtecteur OS-CFAR a une petite perte de dtection par rapport au dtecteur CA-CFAR en
milieux homogne, mais peut rsoudre les problmes de prsence des cibles interfrences
rapproches. Cependant, il ncessite un temps de traitement plus long que le dtecteur CA-
CFAR. Les probabilits de dtection et de fausse alarme dans le cas du OS-CFAR pour un
environnement homogne sont donnes respectivement par :
k 1
( N j)
Pd i (3.6)
j 0 T
N j
(1 S )
k 1
( N j)
Pfa i (3.7)
j 0 N j T
Lefficacit de lutilisation dun seul chantillon pour lestimation du seuil de dtection est
clairement prsente dans les milieux homognes avec la prsence de cibles interfrentes.
Cependant, le dtecteur OS peut prsenter une augmentation significative du taux de fausses
alarmes dans les rgions de transition de puissance du clutter. Gandhi et Kassam ont
proposs une autre mthode pour dtourner ce problme, le dtecteur dordre statistique
adaptative (AOS) [20]. Le AOS-CFAR agit comme un dtecteur OS-CFAR, mais dont le
paramtre k est choisi en fonction du rsultat d'un test d'hypothse, qui tente de dtecter la
prsence d'une transition de puissance du clutter dans chaque fentre de rfrence.
30
3.4.4. Dtecteur TM-CFAR :
Le dtecteur moyenne crte TM-CFAR (Trimmed Mean CFAR) qui a t propos par
Gandhi et Kassam [19], peut tre considr comme une gnralisation du dtecteur OS-
CFAR, dans lequel la puissance du bruit est estime par une combinaison linaire des
chantillons de cellules de porte ordonnes selon leurs puissances croissantes et un certain
nombre prdfini lavance, des plus grandes et des plus petites valeurs sont limines pour
quensuite lestimation soit accomplie comme dans le cas des dtecteurs CA-CFAR. Cette
technique est robuste en cas dinterfrences et en environnement de clutter impulsionnel. La
statistique Z est donne par [19] :
N T2
Z X
j T1 1
( j) (3.8)
O T1 et T2: reprsentent l'extrmit infrieure et suprieure des d'chantillons, ordonns

successivement.
Autrement dit, les dtecteurs CA-CFAR et OS-CFAR sont des cas particuliers du dtecteur
TM-CFAR avec (T1, T2) = (0,0) et (k-1, N-k), respectivement.
Comme expliqu prcdemment, la tche principale du dtecteur TM-CFAR est de rguler la
probabilit de fausse alarme un niveau dsir dans un environnement de clutter variant,
ceci travers la moyenne arithmtique aprs la suppression des chantillons ordonns
partir de deux cts maximale et minimale de la fentre contenant les cellules de rfrence.
3.5 Dtection distribue CFAR :

La fusion de donnes et la dtection distribue ont t largement tudies et de nombreux
rsultats ont t obtenus au cours de plus de 30 annes. Les systmes de dtection distribus
sont ncessaires lorsque les facteurs de performance du systme tels que la vitesse, la
fiabilit, et la contrainte sur la bande passante de communication sont pris en compte [27].
Dans les techniques de dtection distribue, chaque dtecteur envoie, soit une dcision
binaire ou une forme condense de l'information statistique, propos des observations
disponibles au niveau de chaque dtecteur, au centre de fusion, o une dcision finale au
sujet de la prsence d'une cible est faite. Ces techniques ont t appliques plusieurs types
de dtecteurs CFAR. On peut citer en particulier, la premire application de cette technique
prsent dans les travaux de Barkat et Varshney [22][23], o ils ont considr un systme de
dtection utilisant plusieurs dtecteurs CA-CFAR avec un centre de fusion de donnes. Dans
31
leur approche, chaque dtecteur CA-CFAR transmet une dcision binaire au centre de fusion
o une dcision globale est obtenue sur la base de la rgle de fusion slectionne, AND ou
OR. La technique montre une amlioration dans le pouvoir dcisionnel. Le schma
topologique du systme propos est illustr par la figure 3.4, lequel reprsente la forme
gnrale de la technique dveloppe, qui consiste dterminer les valeurs des seuils
adaptatifs qui maximisent la probabilit de dtection globale pour une probabilit de fausse
alarme globale donne. Plusieurs travaux concernant la dtection dcentralise et qui font
appel la mme technique, mais qui traitent des problmes diffrents, ont t par la suite
prsents par dautres auteurs, en particulier les travaux de Elias Fust et al [24], dans
lequel ils ont prsent une approche similaire en prenant comme rgle de fusion "k parmi N",
pour un environnement non homogne. Ils ont considr, en plus du CA-CFAR, la technique
dordre statistique OS-CFAR, et ils ont dtermin la rgle de fusion optimale.
Phnomne
Dtecteur N Dtecteur 2 Dtecteur 1
Centre de fusion de donnes
Dcision
Fig. 3.4 Systme de dtection distribue avec centre de fusion.

Par la suite, ces systmes ont t largement tudis, et des travaux sont concentrs sur
ltude des systmes proposs pour diffrentes situations de lenvironnement. Parmi ces
tudes on peut citer une tude dans [27], consacre lvaluation des performances des
systmes distribus CFAR, oprant dans diffrentes conditions de fouillis de fond. L'analyse
prend en compte la dtection de la cible de type Rayleigh pour diffrents modles de clutter.
Une autre tude dans [26], analyse les caractristiques de performance des dtecteurs
distribus CA et OS-CFAR en comparant leurs performances pour le cas de systmes deux
et trois-dtecteurs dans un milieu homogne, ainsi que dans le cas de transitions de clutter
32
et avec la prsence de cibles multiples. Dans [25], une analyse des performances du systme
distribu OS-CFAR avec centre de fusion dans les deux environnement homogne et non-
homogne montre que dans le cas non-homogne, et pour plusieurs scnarios constitus de
multiples cibles interfrentes et transition de clutter, la performance du systme distribu
OS-CFAR est trs robuste, et que pour les mmes scnarios non homognes, il a galement
t montr que les performances du systme de dtection distribu CFAR est amlior
considrablement si le systme distribu OS-CFAR est utilis la place du systme de
dtection distribu CA-CFAR.
3.6. Les systmes distribus :
Un systme de dtection distribu est un systme M-dtecteur CFAR et un centre de

fusion, comme reprsent sur la figure 3.4, o chaque dtecteur i, i = 1, 2, . .,M, intgre N
observations fin d'estimer le seuil de dtection et effectue une dcision Di, i = 1, 2, . . .,
M, avec :
0 si le dtecteur i dcidde H0
Di (3.9)
1 si le dtecteur i dcide H1
O Ho et H1 reprsentent respectivement les hypothses de l'absence et de la prsence de la

cible. Les dcisions partielles Di, i = 1, 2, . . . , M, sont ensuite transmises au centre de fusion
de donnes pour obtenir une dcision D0 globale, avec D0 = 0 ou 1. Lobjectif est de trouver
des seuils optimaux locaux Qi, i = 1, 2, . . ., M, qui maximisent la probabilit de dtection du
systme global Pd, sachant que la PFa globale doit tre infrieure ou gale une valeur
dsir 0. Les seuils adaptatifs Qi, sont mis l'chelle par les multiplicateurs de seuil Ti, i =
1, 2, . . . , M, et qui sont obtenus de faon optimiser le systme global suivant la fonction
objective :
J (T1 , T2 ,...TM ) Pd ( S , T1 , T2 ,..., TM ) .PFa (T1 , T2 ,....TM ) 0 (3.10)
O est le multiplicateur de Lagrange. Pour maximiser la probabilit de dtection globale,

il faut rsoudre le systme dquations non linaires rsultant des drives partielles de la
fonction objective par rapport , i=1, 2, 3,,M, donne par :
J ( S , T2 ,......,TM )
0 i 1,2,3,...., M . (3.11)
Ti
33
Une fois les multiplicateurs de seuil Ti, i = 1,2,. . . , M, sont obtenus, tout les Pfai sont fixs
et la Pd optimale rsulte. Dans ce qui suit, et pour un systme constitu de M dtecteurs
CFAR, nous donnons des rsultats spcifiques pour les rgles de fusion AND et OR. Pour
lesquelles on peut trouver les multiplicateurs de seuil optimal qui maximise la Pd tandis que
la PFa est maintenue la valeur souhaite.
Rgle de fusion AND :
Pour la rgle de fusion AND, la dcision globale au centre de fusion est 1 si et seulement
si tous les dtecteurs dcident 1. Les probabilits globales de dtection, Pd et de fausse
alarme Pfa, globales sont donnes par :
M
Pd Pd i (3.12)
i 1
Et :
M
PFa Pfa i (3.13)
i 1
Rgle de fusion OR :
En revanche, pour la rgle de fusion OR, la dcision globale est gale zro, si et seulement
si, tous les dtecteurs dcident zro. Les probabilits globales sont donnes par :
M
PM Pmi (3.14)
i 1
Et :
M
PFa 1 (1 Pfa i ) (3.15)
i 1
O PM est la probabilit de perte globale, avec PM=1-Pd.
Pour dterminer les multiplicateurs de seuil Ti, optimaux qui maximisent la Pd, il faut
remplacer les fonctions des probabilits globales, selon la rgle adopte que se soit la rgle
AND ou OR, dans la fonction objective, et de fixer la PFa la valeur souhaite.
3.7. Conclusion :
Dans ce chapitre, nous avons prsent la dtection adaptative CFAR, ce qui comprend le
concept de base dun systme CFAR et son mcanisme de traitement, face aux problmes
34
lis au nombre excessif de fausses alarmes et de saturation du matriel ou du personnel,

causs par lutilisation dun seuil fixe dans un environnement non stationnaire. Nous avons
prsent ensuite, quelques dtecteurs CFAR et les techniques destimation adoptes par
chaque type de dtecteur, ainsi que le dveloppement remarquable offert travers la
diversit de ces techniques. Dans le reste du chapitre, le travail a t consacr ltude des
systmes distribus avec un centre de fusion de donnes et les avantages quils offrent, par
rapport aux systmes un seul dtecteur, au niveau de la fiabilit et de la vitesse de ces
systmes, et en plus, au niveau de lamlioration des performances de dtection. Plusieurs
travaux, dans la littrature, ont montr lefficacit de lutilisation des systmes distribus par
rapport aux systmes dtecteur unique, et ceci que a soit pour le CA-CFAR ou lOS-
CFAR.
Dans le chapitre suivant nous allons prsenter une technique de lintelligence artificielle
inspire de linteraction des individus voluant en essaims, afin de lappliquer au problme
doptimisation du seuil de dtection dans les systmes distribus CFAR.
35
Chapitre 4
Optimisation par Essaims
de Particules
Rsum :
Dans ce chapitre, nous allons prsenter en premier lieu, la ncessit dutiliser des techniques
doptimisation avances pour des problmes complexes, notamment, loptimisation par
essaims de particules. Ensuite, nous allons explorer limplmentation du paradigme des
essaims de particules, en laborant d'abord l'algorithme ainsi que le mcanisme de recherche
qui le rend fonctionnel. Nous examinerons alors, les effets des diffrentes topologies de
voisinage. Ensuite, nous aborderons la difficult de slection des paramtres, en se
concentrant sur les moyens facilitant la convergence et lvitement de l'explosion de l'essaim.
Ces approches comprennent le fruit de plusieurs amliorations appliques sur lalgorithme
PSO.
4.1 Introduction.
4.2 Les essaims de particules.
4.3 Optimisation par essaims particulaires.
4.4 Laspect formel de loptimisation par essaims de particules.
4.5 Topologie dun essaim de particules et notion de voisinage.
4.6 Lalgorithme PSO.
4.7 Choix des paramtres.
4.8 Conclusion.
Optimisation par Essaims de Particules
4.1 Introduction :
Lintroduction au principe doptimisation par essaims de particules conduit, invitablement,

aborder les principaux raisons de ce sujet. Si nous prenons en considration la diversit du
monde rel et les problmes auxquels nous sommes confronts, qui atteignent souvent des
niveaux remarquablement levs de complexit, et qui ncessitent leur rsolution ; En outre,
la taille excessive de l'espace des solutions possibles, constituent les deux facteurs majeurs qui
sont lorigine des mthodes doptimisation proposes.
A partir de l, et face la difficult de rsolution des problmes complexes, en particulier,

ceux de nature combinatoire, il en a rsult un besoin d'outils privilgi et efficace pour
atteindre cet objectif. Certains types de problmes semblent tout fait prts des mthodes
exactes, en particulier quelques unes des mthodes contenues dans les principaux logiciels
commerciaux pour la programmation mixte en nombres entiers. Pourtant, mme avec ces
approches, le temps ncessaire pour rsoudre exactement de nombreux problmes apparat
dpasser toute mesure raisonnable, y compris dans certains cas, des mesures d'chelle
astronomique. Il a t suppos quune mta-heuristique russit l o des mthodes exactes
chouent en raison de leur capacit utiliser des stratgies de grande flexibilit, ce qui
permet de garantir qu'une convergence va invitablement tre obtenue [28].
Les mta-heuristiques sont une classe de mthodes approximatives qui ont t dveloppes de
faon spectaculaire depuis leur cration au dbut des annes 1980. Ils sont conus pour
attaquer des problmes d'optimisation complexes o les mthodes heuristiques et
d'optimisation classiques n'ont pas russi tre efficaces. Une mta-heuristique est
formellement dfinie comme un processus de gnration itrative qui subordonne et qui guide
une heuristique, en combinant intelligemment diffrents concepts pour l'exploration et
l'exploitation de l'espace de recherche, en utilisant les stratgies d'apprentissage pour
structurer l'information afin de trouver des solutions quasi optimales de manire efficace [29].
Par consquent, les mta-heuristiques comprennent plusieurs techniques diffrentes en
fonction de la diversit des sources dinspiration.
Un certain nombre d'outils et de mcanismes, qui ont merg de la cration des mthodes
mta-heuristiques ont prouv une efficacit remarquable, y compris les techniques inspires
du comportement social des tres vivants. Plus prcisment, la technique qui simule les
interactions sociales des individus qui vivent en essaims, et qui sont connues sous le nom
37
doptimisation par essaims particulaires (OEP), en anglais PSO (Particle Swarm

Optimization).
4.2 Les essaims de particules :
Lessaim de particules, un concept qui est apparu et qui a gagn sa popularit depuis 1995, o
il a t introduit comme algorithme de recherche et doptimisation par Eberhart et Kennedy
[30][31]. Bien que lorigine de lide remonte, comme il a t soulign dans leur article [30],
aux travaux de simulation du comportement social prsent dans la srie des simulations
exprimentales ralises par Reynolds en 1987, poursuivis par Heppner et Grenander en 1990,
dans lequel, ils ont cre des simulations informatiques de diverses interprtations du
mouvement des organismes dans un troupeau d'oiseaux ou un bancs de poissons pendant leur
recherche de nourriture travers lapprentissage sociale en observant le comportement des
membres. Sur la base de cette exprience, Eberhart et Kennedy ont observ le concept de
voisinage et ce qu'il signifie pour l'change d'informations entre les membres, et quel est son
impact sur la dynamique des membres pendant leur dplacement dans un espace de recherche.
En consquence, ils ont profit de ce potentiel d'optimisation et de la dynamique des agents et
ont a cet effet, propos un algorithme qui intgre la topologie de voisinage et la recherche
multidimensionnelle, afin de satisfaire les besoins dun problme doptimisation.
4.3 Optimisation par essaims particulaires :
La PSO, est une mta-heuristique doptimisation, caractrise par la simplicit et lefficacit,

applicable pour rsoudre des problmes variables continues et discrtes [32][47], et dans un
espace de recherche une dimension ainsi qu plusieurs dimensions. La PSO a beaucoup de
similarits avec les techniques volutionnaires [30][33]. Le systme est initialis avec une
population de solutions candidates choisie dune manire alatoire. Ces solutions utilises
dans un algorithme de mise jour afin doptimiser un objectif dans les futures gnrations.
Cependant, au lieu d'utiliser des oprateurs volutionnaires pour manipuler les individus,
comme les autres algorithmes de calcul volutionnaires, la PSO repose sur l'change
d'informations entre les individus, qui sont des particules de petits volumes dune population
appele essaim [34]. Chaque particule, qui reprsente une solution potentielle, se dplace dans
l'espace de recherche avec une vitesse adaptative en suivant les particules optimales
courantes.
38
Partant du mcanisme de recherche, inspir du comportement social des animaux, voluant en

essaims, en s'appuyant sur lchange dinformation et lexprience collective. La mthode
commence par un essaim rparti alatoirement dans l'espace de recherche. Ensuite, et
chaque pas de temps, chaque membre de l'essaim essaiera d'obtenir les meilleures
performances dans sa localit en apprenant de ses propres expriences. En outre, chaque
membre apprend des autres, typiquement de la meilleure performance parmi eux travers
lexploitation de leurs expriences de recherche prcdentes, et qui arrive de sa capacit de
communication avec son voisinage, de son aptitude de mmorisation et de sa puissance de
traitement de l'information issue. Toutes ces qualits sont utilises pour l'exploration de
nouvelles zones de l'espace de recherche, non encore visites afin damlior sa situation
devant atteindre un objectif donn, dans cet espace de recherche commun. Ces dernires
annes, la PSO a t applique avec succs pour rsoudre des problmes concrets.
4.4 Laspect formel de loptimisation par essaim de particules :
Lapplication de lessaim de particules (PSO) est traduite par un algorithme apte dcouvrir
les rgions optimales des espaces de recherche complexes grce l'interaction des individus
dans une population de particules [35]. Ce comportement social est bas sur lanalyse de
lenvironnement et du voisinage, qui forme la structure du rseau social. Alors cette mthode
cherche loptimum par lobservation des tendances des individus voisins. Chaque individu
cherche optimiser ses chances en suivant une tendance quil modre par ses propres vcus.
Lalgorithme de cette technique repose sur un ensemble de N particules, initialement
disposes de faon alatoire et uniforme dans lhyper-espace de recherche E, o chaque
particule ( ) constitue une solution potentielle et garde galement en mmoire les
meilleures solutions Pi, quelle rencontre sur son chemin. A chaque itration t, lensemble des
particules va, normalement, converger vers la solution optimale globale du problme trait. Le
dplacement dune position une autre se fait en ajoutant une quantit, ou vitesse ( ) sa
position courante. La vitesse de chaque particule rsulte par la combinaison de la meilleure
position enregistre de la particule et de la meilleure position enregistre dans le groupe (ou
voisinage). La partie de lquation de vitesse, influence par la meilleure position prcdente
de la particule, est considre comme la composante cognitive, et la partie influence par le
meilleur voisinage est considre comme la composante sociale [30]. Lvolution de chaque
particule, en fonction de son meilleur voisin, de sa meilleure position et de sa position
prcdente, est donne par lquation suivante [38]:
39
( + 1) = ( ) + [ ( ) ( )] + [ ( ) ( )] (4.1)
Cette vitesse est ensuite utilise pour calculer une nouvelle position de la particule.
Lvolution de la particule en fonction de sa vitesse est donne par lquation suivante :
( )= ( 1) + ( ) (4.2)
O est le facteur d'inertie [39] [40], qui sert contrler les tendances entre l'exploration et
l'exploitation. c1 et c2 sont les coefficients d'acclration, et sont respectivement la
composante cognitive et la composante sociale permettant le contrle du comportement
individuel et collectif de chaque particule ou l'influence des diffrents attracteurs. r1 et r2 sont
deux variables alatoires uniformes sur [0;1], est la meilleure position personnelle de la
particule i, est la meilleure position trouve par le voisinage de la particule i.
4.5 Topologie dun essaim de particules et notion de voisinage :
Les interactions de chaque particule, qui reprsente sa relation avec les autres particules de
lessaim, sont multiples, que ce soit en termes de nombre ou de qualit, ce qui a produit
diffrentes topologies dessaims. Leurs effets sur l'algorithme dessaim de particules ont t
systmatiquement tudis. Par consquent, de nombreux graphes ont t gnrs selon les
spcifications, et leurs performances ont t compares sur plusieurs critres, afin de
concevoir une bonne structure de la population [36].
Les topologies de voisinage en optimisation par essaims de particules (PSO), sont

gnralement alatoires en fonction des positions spatiales des voisins connects [37]. Il
existe deux principaux modles des algorithmes de la PSO, le GBEST (meilleurs globaux) et
le LBEST (meilleurs locaux), qui diffrent dans la manire de dfinir le voisinage de chaque
particule. Dans la version originale de PSO [30], un voisinage topologique global de
particules, GBEST, a t dfinit de sorte que, toutes les particules sont voisines les unes des
autres, ainsi, la position de la meilleure particule globale dans l'essaim est utilise dans
l'expression de la composante sociale de l'quation (4.1). La trajectoire de la recherche de
chaque particule est influence par le meilleur point trouv par n'importe quel membre de
l'entit de la population [36]. Le modle montre une convergence rapide, du fait que toutes les
particules sont attires simultanment la meilleure zone trouve de l'espace de recherche.
Toutefois, si l'optimum global n'est pas proche de la meilleure particule, il est possible que
l'essaim explore d'autres zones, cela signifie que l'essaim peut tre pig dans un optimum
local. Plus tard, une tude [31] introduit une nouvelle forme de loptimisation par essaim de
40
particules, dans laquelle elle examine comment les changements dans la topologie influent sur
le nombre d'itrations ncessaires pour satisfaire un critre d'erreur. Le modle propos est le
LBEST, dans lequel seulement un nombre spcifique de particules (nombre de voisins) peut
affecter la vitesse d'une particule donne. Typiquement, le voisinage dans le LBEST
comprend exactement deux voisins, un de chaque ct ; un treillis en anneau [36]. Dans ce
cas l'essaim converge plus lentement, mais peut atteindre l'optimum global avec plus de
chance. Plusieurs autres topologies ont t prsentes.
Fig. 4.1 Reprsentation graphique de : (a) topologie GBEST (b) topologie LBEST.
De nombreuses variantes de la version originale, ont alors t proposes afin damliorer sa

convergence. Parmi eux, une technique introduisant un oprateur variable de voisinage [41],
dans lequel, le concept d'un voisinage dynamique est explor. Il en a rsult quil est vident
partir de l'quation de mise jour de vitesse, dacclrer chaque particule dans une direction,
entre ses meilleures performances personnelles et les meilleures performances globales.
Autrement dit, linitialisation est similaire celle de la topologie LBEST et au fil du temps le
voisinage d'une particule est modifi, de sorte que, le nombre de voisins d'une particule
commence par seulement un seul voisin, et au fil du temps le nombre de voisins augmente
jusqu'a ce quil devient finalement un essaim de GBEST.
Kennedy [42] a propos lutilisation des clusters de voisinage, comme une alternative
l'utilisation du LBEST. De sorte que, le cluster est un ensemble de particules qui se situe
proximit les uns des autres dans l'espace de recherche. A chaque itration, ces clusters sont
mis jour. Ainsi, la proposition consiste lidentification des centres de diffrents clusters,
41
afin dutiliser ces centres pour remplacer les meilleurs performances personnels ou les
meilleures de voisinage.
Il existe plusieurs topologies d'essaims qui peuvent tre utilises en fonction du problme
rsoudre, et ces modles prsents antrieurement ne sont que des exemples de nombreux
autres modles proposs, y compris la topologie pyramidale, toile, Von Neumann [36] et
qu'ils ont considr, comme les plus communes, avec lexistence de nombreuses autres, dont
l'objectif est de constituer la meilleur structure de lalgorithme PSO qui assure le contrle des
critres dexploration et dexploitation et qui amliore la capacit des particules
communiquer leurs performances dans un essaim.
4.6 Lalgorithme PSO :
L'algorithme standard de loptimisation par essaim de particules, est trs simple. Ces tapes
sont les suivantes [31]:
1. Initialiser les particules de faon alatoire, rpartis uniformement dans l'espace

de recherche,
2. Initialiser les paramtres de la PSO,
3. Pour t < iter _max
Pour j = 1: 1: nombre de particules,
a. valuer chaque particule selon lquation objective du problme,
b. Mise jour si une meilleure solution est trouve,
c. Dterminer la meilleure particule parmi la population courante,
d. Mettre jour la vitesse des particules l'aide de l'quation (4.1),
e. Mettre jour des positions de particules l'aide de l'quation (4.2),
f. Conservez le meilleur rsultat produit par les particules jusqu' prsent,
g. Rpter jusqu' ce qu'un critre soit rempli,
Fin Pour
Fin Pour
4. Sortir le meilleur rsultat produit.
Fig. 4.2 Pseudo code de lalgorithme PSO
42
Lalgorithme PSO, commence en prlevant des chantillons de l'espace de recherche, qui

reprsentent des solutions potentielles au problme rsoudre. Les chantillons sont les
particules de lessaim. Dornavant, ces particules se dplacent travers l'espace de recherche
multidimensionnel. Ce qui est influenc par deux facteurs, le premier concerne laptitude de
chacune des particules emmagasiner dans sa mmoire la meilleure position visite par
elle-mme jusqu linstant considr, et subit de lattraction vers cette position travers son
passage par cette position au cours de son vol dans l'espace de recherche. Quant au deuxime
facteur, la particule interagit avec tous les voisins, et stocke dans sa mmoire la meilleure
position visite par une particule dans l'espace de recherche et subit de lattraction vers cette
position . Le premier et le deuxime facteur sont appels composantes cognitive et sociale
respectivement. Aprs chaque itration, les meilleurs rsultats personnels et globals seront mis
jour, si une solution plus dominante, en termes de performance, est trouve par la particule
ou par le voisinage.
Ce processus se poursuit de manire itrative jusqu' ce que le rsultat souhait soit atteint ou
la puissance de calcul est puise.
Dbut
Dclaration des paramtres initiaux de

lalgorithme
Pour chaque particule

On initialise alatoirement sa position et sa vitesse
Nombre total des particules =1 Evaluation de la fonction objective

incrmentation du N ditrations
Oui
Non Mise jour de vitesse et de

Nombre total des
position
particules termin
Non
Critre darrt
Oui
Fin
Fig. 4.3 Organigramme de la PSO standard.
43
4.7 Choix des paramtres :
La question de slection des paramtres joue un rle cl sur la performance et l'efficacit

d'une mta-heuristique, et en mme temps, prsente un problme difficile. Gnralement, ils
peuvent prendre plusieurs valeurs, donc, le nombre de combinaisons possibles est
gnralement lev. En outre, ils ont une relation avec la taille de lespace de recherche et la
capacit de calcul, ce qui les rend, probablement, estimables par lexprimentation, puisquil
n'ya pas de rgles pour dterminer ces paramtres. Par consquent, ils ne peuvent tre dfinis
quempiriquement. Ainsi, lun des principaux problmes dans l'implmentation ou la mise en
uvre d'un algorithme PSO est le choix des diffrents paramtres.
Grce de nombreuses applications, il est constat que pour les diffrents types de problmes
d'optimisation, les slections de paramtres sont diffrentes. Et mme pour le mme type de
problmes d'optimisation, si les chelles des problmes sont diffrents, les slections de
paramtres ne sont pas compltement les mmes. Lalgorithme doptimisation par PSO a
moins de paramtres rgler, mais les paramtres sont interdpendants et coupls. Outre, la
faon de dterminer la combinaison optimale pour les diffrents problmes est considre
comme un problme d'optimisation complexe rsoudre [43]. Par consquent, il serait
intressant de dvelopper un algorithme pour rechercher la meilleure combinaison de
paramtres pour la PSO pour chaque problme sparment [41].
Dans lalgorithme d'optimisation PSO, les paramtres qui rentrent en ligne de compte sont les
suivants:
4.7.1 Dimension des particules :
Elle est dtermine en fonction de la dimension du problme optimiser; si lespace de

recherche est de dimension d, donc chaque particule est caractrise par une position et une
vitesse reprsente sous forme dun vecteur de dimension d. Ce qui est une qualit chez la
PSO o les particules ont la mme dimension du problme et ne ncessitent pas un codage.
4.7.2 Le nombre de particules :
La taille de la population dpend essentiellement de deux paramtres, la taille de lespace de

dfinition, et le rapport entre la capacit de calcul et le temps maximum de recherche. Malgr
que les nombreux travaux qui ont t effectus, montrent que si la taille de la population
44
dpasse 20 particules, son effet sur la performance de lalgorithme PSO est d'une importance
minimale.
4.7.3 Les coefficients dacclration :
Les coefficients d'acclration sont utiliss pour contrler l'influence relative entre la mmoire
propre une particule et de ses congnres [38]. Ils sont, gnralement, des constantes gales,
dans lintervalle [0,2]. Daprs Suganthan [41], c1 et c2 doivent tre des constantes pour
gnrer des solutions de bonne qualit, mais pas ncessairement la valeur de 2,0 pour les deux
paramtres aux diffrents problmes, o nous pouvons trouver des meilleurs rsultats avec
dautres valeurs. Parfois ils sont considrs comme des variables en fonction du temps [44].
Pour de petites valeurs de c1, la capacit cognitive des particules est faible, mais elle peut
encore atteindre dautres zones de lespace de recherche, en s'appuyant sur la coopration
mutuelle entre les particules. Avec l'augmentation de c1, les particules amliorent leurs
propres aptitudes cognitives, mais quand ils dpassent une certaine valeur, la priorit est
donne aux propres expriences des particules par rapport la cognition de groupe, et ainsi la
capacit de recherche globale est faible, et les performances des rsultats chutent
graduellement.
Le coefficient c2 dtermine la capacit de recherche globale des particules, et le rsultat de la

simulation sur la fonction de Rosenbrock [43], fonction dfinie par la formule (4.3) et qui
possde un seul minimum en (1,1), montre que lorsque c2 est infrieur 0,5, le taux de
convergence est presque 0, car la recherche des particules se fondant principalement sur la
capacit cognitive, et partage moins d'informations. Ainsi, il est difficile d'obtenir une
solution. Avec l'augmentation de c2, les particules amliorent leur aptitude cognitive sur le
groupe, mais quand c2 dpasse une certaine valeur, laptitude cognitive sur le groupe surpasse
lentement les propres consciences cognitives, et la capacit de recherche globale devient
faible.
( , ) = (1 ) + 100( ) (4.3)
4.7.4 Le facteur dinertie :
Aborder la question de slection de paramtres, nous conduit, remdier le sujet des variantes
de PSO standard, notamment, le facteur d'inertie comme facteur de contrle daptitude de
45
lalgorithme explorer lespace de recherche.
Ainsi, la premire consiste choisir le facteur d'inerti , introduit par Shi et Eberhart [40]
pour contrler le mouvement des particules dans lespace de recherche. La valeur choisie,
dfinira le comportement des particules entre lexploration et lexploitation, de sorte quune
grande valeur du facteur d'inertie facilite une recherche globale tandis quune faible valeur
facilite une recherche locale [40, 38]. Il est conclu quun algorithme PSO avec facteur l'inertie
dans l'intervalle [0.9, 1.2], en moyenne, aura un meilleur rendement; autrement dit, il a une
plus grande chance de trouver l'optimum global dans un nombre raisonnable d'itrations. La
fixation de ce facteur une valeur constante, revient donc trouver un compromis entre
lexploration locale et lexploration globale.
Des rsultats exprimentaux [38], en utilisant un facteur d'inertie diminu linairement en

fonction du temps, illustre que la PSO a la capacit de converger rapidement indpendamment
de la taille de la population. Les rsultats montrent galement que la PSO peut ne pas avoir la
capacit de recherche globale aux tapes finales de lexcution de lalgorithme. En outre, la
PSO risque d'chouer trouver l'optimum requis dans les cas o le problme rsoudre est
trop compliqu et complexe. Mais dans une certaine mesure, cela peut tre surmont en
utilisant une stratgie auto-adaptative de rglage de la masse d'inertie. Habituellement, est
modifie progressivement en dcroissance dans les limites de lintervalle [0.4, 1.4].
4.7.5 Le paramtre de vitesse :
Pour empcher les particules de se dplacer trs rapidement entre les diffrentes rgions de
l'espace de recherche, il est prfrable de disposer une faon pour ralentir la vitesse des
particules. La mthode habituelle pour prvenir les effets indsirables de ce mouvement est
simplement par la dfinition du paramtre , et empcher quune particule i dpasse la
vitesse maximale autorise sur chaque dimension [32]. Shi et Eberhart [45] fixent une vitesse
maximale , et ils ont montr que le choix du paramtre de la vitesse maximale autorise
peut dpendre des problmes.
i > =
< =
46
Ainsi, le paramtre a un effet bnfique sur la prvention de l'explosion et la mise

lchelle de l'exploration de lespace de recherche par les particules. Le choix d'une valeur
dpend de la connaissance du problme. Puisque parfois, il est ncessaire dutiliser une
vitesse suprieure afin d'chapper un optimum local et dviter de piger une
particule dans ce dernier. En outre, dans l'approche d'un optimum, il vaudrait mieux avancer
petits pas. Donc l'effet ici sera de permettre des particules d'osciller dans des limites, mais
sans tendance la convergence ou l'effondrement de l'essaim vers un point [32].
4.7.6 Facteur de constriction :
Un algorithme d'optimisation par essaims de particules avec un facteur de convergence est

dvelopp par Maurice Clerc [46], impliquant un systme avec coefficients de constriction ,
et ainsi, lquation (4.1) devient comme suit :
( + 1) = ( ( )+ [ ( ) ( )] + ( ) ( )) (4.4)
Avec :
= 2/|2 (^2 4)| (4.5)
La variable peut varier dans lintervalle [0,1]; une valeur de 1.0 fonctionne trs bien [32],
= c1 + c2> 4. Gnralement, est gal 4.1, de sorte que est gal 0,729. Les rsultats
exprimentaux de l'algorithme d'optimisation par essaims de particules avec coefficients de
constriction montrent une rapidit de convergence.
4.8 Conclusion :
Dans ce chapitre, nous avons prsent les relations entre loptimisation par essaims de
particules en tant que vie artificielle et algorithmes de calcul volutif. Nous avons prsent
aussi, les principales topologies et leurs influences sur la structure de lessaim de particules.
En suite, nous avons montr la difficult de la mise en uvre de la PSO, et de la slection des
paramtres optimaux pour rendre lalgorithme plus performant et qui reprsente l'un des
facteurs cls qui influent sur la performance et l'efficacit dalgorithmes pour rsoudre des
varits de problmes. Dans le chapitre suivant on va appliquer lalgorithme PSO pour
loptimisation du seuil de dtection dans un systme distribu OS-CFAR.
47
Chapitre 5:
Optimisation du Seuil de Dtection CFAR
Par Essaims de Particules
Rsum :
Ce chapitre reprsente notre contribution ltude des performances de dtection des

systmes distribus OS-CFAR, dans un environnement homogne et non-homogne, en
utilisons le principe dintelligence des essaims reprsente dans la technique PSO afin de
trouver le seuil de dtection optimal. Premirement, nous allons prsenter les performances
du systme distribu selon quelques structures proposes dans les deux milieux homogne et
non-homogne. Ensuite nous allons tester linfluence des diffrents paramtres de
lalgorithme sur la qualit des rsultats. Pour analyser les performances de dtection et
lefficacit de lalgorithme PSO, les tapes doptimisation des paramtres du systme via la
technique PSO, seront prsentes en effectuant une srie de simulations dans le cas de
dtection des cibles de type Swerling I, tout en considrant les rgles de fusion AND et OR.
5.1 Introduction.
5.2 Formulation du problme de dtection distribu.
5.3 Optimisation du systme distribu OS-CFAR par PSO.
5.4 Les performances du systme de dtection.
5.4.1 Optimisation dans un environnement homogne.
5.4.2 Optimisation dans un environnement non homogne.
5.5 Linfluence du choix des paramtres de lalgorithme PSO.
5.6 Conclusion.
Optimisation du Seuil de Dtection par Essaims de Particules
5.1 Introduction :
Comme il a t dj prsent prcdemment, vu la fiabilit et l'efficacit des systmes
distribus CFAR au niveau de l'amlioration des performances de dtection, ils ont une
prfrence chez les concepteurs des radars. En dpit des qualits performantes de ces
systmes, il reste toujours un dfi li au ct applicatif, cause des proprits non linaires
de ce type de systmes et en mme temps li au nombre important des paramtres qui
doivent tre dtermins. Dans ce sens, plusieurs approches et techniques alternatives aux
mthodes classiques, qui ont montr des limitations, ont t labores pour rsoudre ce
problme [48,49].
Dans ce mme contexte, ce travail consiste l'application dune technique qui est apparue
rcemment, et qui appartient un domaine de recherche en cours dvolution, notamment en
termes de son efficacit dans divers disciplines. La mthode destine, est celle de
loptimisation par essaims particulaires (PSO). Le but principal de cette tude, sera donc une
tentative tester lefficacit de la technique PSO dans le domaine de loptimisation dans les
systmes distribus OS-CFAR, en particulier avec un nombre lev des paramtres
dterminer. Ainsi, afin dviter une dgradation significative de la qualit de dtection qui
peut tre provoque par une mauvaise estimation de ces paramtres, plusieurs essais ont t
proposs dans cet tude, ce qui permettra damliorer la qualit de la dtection par
laugmentation de la probabilit de dtection, tout en assurant de maintenir une probabilit
de fausse alarme une valeur prdfini, et ceci dans les deux types denvironnements,
homogne et non homogne.
Afin de vrifier lavantage apport par la technique PSO, pour amliorer les performances de
la dtection dans de tels systmes, nous proposons dans la premire partie de ce travail une
tude des performances du systme OS-CFAR dans un environnement homogne, puis par la
suite dans un environnement non homogne, qui se manifeste par la prsence dinterfrences
au niveau de quelques cellules de rfrences dans chaque dtecteur. La deuxime partie
quant elle sera consacre une tude comparative des rsultats, selon diffrents paramtres
de lalgorithme doptimisation, et ceci dans le but dtudier linfluence de ces paramtres sur
le mcanisme de recherche de lalgorithme. En dautre part, lobjectif sera de trouver la
meilleur structure de lalgorithme PSO qui garantie loptimisation du seuil de dtection dans
un systme distribu OS-CFAR assurant les meilleures performances. Les deux parties
seront accompagnes par des discussions sur les rsultats obtenus, en vue de faire une lecture
49
sur le lien entre l'aspect thorique qui a t voqu prcdemment et entre l'aspect pratique
que nous allons essayer de traiter par la suite.
5.2 Formulation du problme de la dtection distribue :

La dtection distribue CFAR dans un environnement de bruit de fond non stationnaire avec
un nombre important de dtecteurs pose un problme la rsolution des systmes
dquations non linaires rsultantes. Sachant que pour un systme de dtection CFAR
constitu de n dtecteurs, avec un test de Neyman-Pearson au centre de fusion des donnes,
rsulte un systme dquations non linaires difficile rsoudre analytiquement. Et par
consquent, nous pouvons dire que trouver le seuil de dtection pour de tels systmes sera
plus difficile et dans ce sens, plusieurs techniques ont t dveloppes afin de solutionner
cette difficult. tant donn que les mthodes classiques ont montr l'incapacit de rsoudre
ce problme de manire optimale, elles ont t remplaces par dautres mthodes plus
robustes face ce problme. Dans notre cas on va utiliser le principe de lintelligence des
essaims, reprsent par loptimisation par essaims particulaires (PSO), pour loptimisation
du seuil de dtection dans un systme distribu OS-CFAR.
5.3 Optimisation du seuil de dtection :

Cette partie a pour objectif d'utiliser l'algorithme PSO, prsent prcdemment afin
doptimiser le seuil de dtection dans un systme distribu OS-CFAR, pour une cible
fluctuante selon le modle de type Swerling I dans un clutter de distribution gaussienne.
Nous considrons un systme distribu, constitu de n dtecteurs OS-CFAR locaux, dont les
dcisions individuelles sont transmises un centre de fusion qui dlivre en sortie une
dcision globale base sur les rgles de fusion AND et OR. La dtection OS-CFAR est base
sur la comparaison du signal plus clutter et bruit de fond dans la cellule test (CUT) un seuil
adaptatif , o le paramtre est un facteur dchelle qui permet de maintenir la
probabilit de fausse alarme constante, et qui est fonction de lordre du rang choisi k,
reprsente lestim du niveau de bruit plus le clutter, situ dans deux fentres de rfrence,
comportant chacune /2 cellules de ports.
Dans le but d'obtenir une recherche simultane de tous les paramtres du systme distribu
OS-CFAR, on va appliquer lalgorithme PSO pour dterminer les facteurs dchelles , et
lordre des rangs choisis , pour lestimation du seuil adaptatif , dans le sens du critre de
Neyman-Pearson, o la fonction objective minimiser par lalgorithme PSO est donne par :
J ( N i , Ti , ) 1 Pd . PFa (5.1)
50
O : =1/, et reprsente la valeur dsire de PFa.
: est le nombre de cellules dans le lier dtecteur.
La simulation est appuye sur diffrentes structures dalgorithme PSO pour lestimation des
paramtres du systme distribu OS-CFAR, optimisant le seuil de dtection. Au dpart, nous
allons utiliser un algorithme avec un facteur dinertie fixe, puis par la suite nous
procdons une diminution linaire de ce paramtre au cours du temps, o lune des
variantes de la PSO base sur la mise jour dynamique propose par Shi et Eberhart est
utilise [38]. Lutilit dune telle variation sera une exploration globale au dbut de
l'excution de l'algorithme, et aussi la garantie dune convergence vers la solution optimale
la fin des calculs. Aussi, nous excuterons cet algorithme pour diffrents intervalles de
vitesse , pour diffrentes tailles de lespace de recherche, de mme que pour diffrentes
valeurs du coefficient d'acclration et .
5.4 Les performances du systme de dtection :
Les rsultats exposs dans ce travail, afin dexaminer l'effet de la mthode propose,
reprsentent les caractristiques oprationnelles du systme de dtection distribu OS-CFAR
pour une cible fluctuante selon le modle de Swerling I dans un clutter de distribution
gaussienne. Pour ces simulations, on suppose que la valeur dsire de la est de 10-2
10-5 pour les deux rgles de fusion AND et OR. Les tapes doptimisation par PSO dcrites
prcdemment sont appliques ici pour obtenir les paramtres optimaux du systme de
dtection distribu OS-CFAR. Une population initiale de 20 particules alatoires de la forme
[k1, k2,.., kn, T1, T2,.., Tn] est gnre et les intervalles de variation de et sont [0, 500]
et [1, ] respectivement, o est rel et est un entier. En ce qui concerne les paramtres
de lalgorithme PSO, les valeurs de , sont poss gale 2, [1 1] et est fix
0.2.
5.4.1 Optimisation dans un environnement homogne :

Les rsultats de simulation, montrent les performances de dtection des diffrents systmes
distribus OS-CFAR dans le cas homogne, en utilisant un algorithme PSO pour identifier
les paramtres et du systme de dtection, concernant des dtecteurs identiques
avec = 32.
51
Le tableau 5.1 donne les paramtres estims par lalgorithme PSO en utilisant la rgle de
fusion OR pour diffrents systmes selon le nombre de dtecteurs locaux dans chaque
system. Dans ce cas, on peut facilement constater que les meilleurs rsultats sont ceux
obtenus pour le systme qui a le nombre le plus lev de dtecteurs locaux. Aussi les
performances de dtection se dgradent en diminuant la probabilit de fausse alarme dsire.
Pour montrer la diffrence entre les rsultats trouvs, nous traons sur les figures 5.1, 5.2 et
5.3 la variation de la probabilit de dtection en fonction du SNR pour diffrentes valeurs de
la probabilit de fausse alarme dsire. Alors que, Les rsultats prsents dans les figures 5.4
et 5.5 montrent lamlioration des rsultats selon le nombre de dtecteurs locaux OS-CFAR
dans le systme distribu suivant la rgle de fusion utilise.
Tableau 5.1. Les paramtres estims en utilisant lalgorithme PSO pour la rgle de
fusion OR.
Nbre de n=2 n=3 n=5

dtecteurs
PFa Paramtres estims Pd Paramtres estims Pd Paramtres estims Pd
10-2 k1=21 T1=13,6677 0,9981 k1=13 T1=19,7476 0.9986 k1=17 T1=20,0631 0.9999
k2=11 T2=13,6677 k2=9 T2=19,8377 k2=09 T2=20,0631
k3=19 T3=20,2011 k3=23 T3=20,0631
k4=23 T4=20,0631
k5=13 T5=20,0631
10-3 k1=14 T1=15,5420 0,9874 k1=13 T1=18,0606 0,9979 k1=18 T1=21,403 0.9999
k2=19 T2=15,5420 k2=19 T2=18,0606 k2=12 T2=21,403
k3=16 T3=17,9987 k3=15 T3=21,403
k4=19 T4=21,403
k5=16 T5=21,403
10-4 k1=20 T1=13,4825 0,9828 k1=15 T1=20,1072 0,9960 k1=19 T1=24,9673 0.9997
k2=20 T2=13,4825 k2=19 T2=20,1072 k2=18 T2=24,9673
k3=18 T3=20,1072 k3=16 T3=24,9673
k4=16 T4=24,9673
k5=14 T5=24,9673
10-5 k1=20 T1=32,2449 0,9505 k1=30 T1=20,5020 0,9818 k1=21 T1=28,8940 0.9987
k2=14 T2=31,7461 k2=18 T2=20,6027 k2=17 T2=28,8940
k3=23 T3=20,4489 k3=25 T3=28,8940
k4=14 T4=28,8940
k5=20 T5=28,8940
52
Fig. 5.1 La performance dun systme base de 2 dtecteurs pour la rgle de fusion
OR.
OR.
53
OR.
Fig. 5.4 Variation de Pd suivant le nombre de dtecteurs pour la rgle de fusion OR et

PFa =10-04.
54
Fig. 5.5 Comparaison des probabilits de dtection pour les rgles de fusion AND et OR
pour un systme 2 dtecteurs OS-CFAR dans un environnement homogne
A travers les rsultats de simulation dans les figures 5.1, 5.2 et 5.3, et qui reprsentent la
variation des probabilits de dtection en fonction du rapport signal bruit pour quelques
valeurs de probabilits de fausse alarme dsires, on constate que les probabilits de
dtection sont plus leves lorsque la probabilit de fausse alarme est faible. La figure 5.4
montre, que plus le nombre de dtecteurs dans le systme distribu, est lev plus la
performance de dtection est amliore. On remarque aussi, pour la figure 5.5, la supriorit
des probabilits de dtection rsultantes de la rgle de fusion OR par rapport celles
rsultantes de la rgle de fusion AND.
5.4.2 Optimisation dans un environnement non homogne :

Dans ce cas, le systme propos ici comporte deux dtecteurs non identiques N1=12 et
-4
N2=16, pour maintenir la PFa 10 dans un environnement non homogne, li la prsence
de cibles interfrentes dans la fentre de rfrence. Lalgorithme PSO utilis est le mme que
celui utilis dans le cas homogne et qui a t trait prcdemment. Les rsultats sont
obtenus pour diffrentes situations suivant le nombre dinterfrences apparues dans les
cellules de rfrences.
55
Fig. 5.6 La performance de la Pd dans le cas des cibles interfrentes: D1:1 et D2:0
56
57
Fig. 5.11 Comparaison entre diffrents cas de cibles interfrentes pour la rgle de
fusion AND
58
Fig. 5.12 Comparaison entre diffrents cas de cibles interfrentes pour la rgle de
fusion OR
Lobservation des rsultats montre l'effet ngatif de la prsence de cibles interfrentes dans
les fentres de rfrences sur les performances de la dtection, que ce soit par lutilisation de
la rgle de fusion AND ou OR, comme il est illustr sur les figures 5.6 - 5.12. La seule
exception rside dans le cas de la figure 5.7, o on remarque une lgre amlioration de la
Pd pour la rgle fusion AND sur la Pd pour la rgle fusion OR, pour un SNR infrieur
10dB. Gnralement, la rgle de fusion OR montre une supriorit par rapport la rgle de
fusion AND.
5.5 Linfluence du choix des paramtres de lalgorithme PSO sur loptimisation :

Dans cette partie, on va essayer de traiter le problme de slection des paramtres de
l'algorithme PSO, afin de concevoir une combinaison acceptable et qui garantira la bonne
qualit des rsultats trouvs. Pour cela, nous allons excuter le programme de simulation en
effectuant des changement dans les valeurs du jeux de paramtres de lalgorithme PSO:
facteur dinertie , la vitesse maximal, la taille de lespace de recherche et les coefficients
daccelration. Les rsultats sont ensuite compars, analyss et discuts afin de dvelopper
un algorithme puissant assurant les meilleures performances de dtection
59
5.5.1 Rsultats de simulation reprsentant linfluence du facteur dinertie :
Pour montrer linfluence du facteur dinertie sur le fonctionnement de lalgorithme

doptimisation on va effectuer quelques tests pour quelques valeurs du facteur dinertie , de
sorte quon va raliser des comparaisons pour le cas de constant et pour le cas de
fonction. Les simulations sont alors ralises sur un systme distribu deux dtecteurs
identiques, o le nombre de cellules de rfrences N est gale 32. Lapplication de
lalgorithme doptimisation seffectu pour un SNR gale 20dB, en utilisant la rgle de
fusion OR comme rgle de dcision.
La fonction fitness nous permet dvaluer linfluence de chaque paramtre sur la

convergence de lalgorithme doptimisation. Les figures 5.13, 5.15 et 5.17, reprsentent la
variation de cette mme fonction fitness pour diffrentes valeurs du facteur dinertie. Tandis
que les figures 5.14, 5.16 et 5.18 prsentent les courbes de variation des probabilits de
dtection afin de nous permettre d'valuer l'influence du facteur dinertie sur la qualit des
rsultats. A cet effet, chaque cas sera trait sparment, ensuite, les meilleurs rsultats
obtenus pour chaque cas seront compars.
Fig. 5.13 Variation de la fonction fitness pour diffrentes valeurs du facteur dinertie.
60
Fig. 5.14 La probabilit de dtection pour diffrentes valeurs du facteur dinertie.
Fig. 5.15 La fonction fitness pour fonction linaire dcroissante sur deux intervalles.
61
Fig. 5.16 La probabilit de dtection pour fonction linaire dcroissante sur deux
intervalles.
Fig. 5.17 Comparaison des fonctions fitness pour fonction linaire dcroissante sur
lintervalle [0.4-1.4] et =0.5
62
Fig. 5.18 Comparaison des probabilits de dtection pour fonction linaire

dcroissante sur lintervalle [0.4,1.4] et =0.5
Nous pouvons remarquer sur la figure 5.14 quune valeur de = 0.5 provoque une
meilleure performance de dtection comparativement = 0.2 et = 1.4. Tandis que
lobservation de la figure 5.13, sur laquelle nous illustrons les variations de la fonction
fitness pour diffrentes valeurs de constante, montre que la convergence est plus rapide
pour une valeur de = 0.2. Daprs les figures 5.15 et 5.16, il est claire que la convergence
vers un optimum de bonne qualit est plus rapide quand [0.4,1.4] par rapport
[0.4,0.9], cette qualit est illustr par les performances de dtection amliores. La
comparaison des rsultats montre que, pour un facteur dinertie constant on trouve que les
meilleures performances sont celles obtenues pour = 0.5. Par contre, en ce qui concerne le
cas pour lequel le facteur dinertie est une fonction dcroissante, comme le montrent les
figures 5.15 et 5.16, on constate que la probabilit de dtection maximale est celle qui a t
obtenue pour [0.4,1.4] et qui reprsente le meilleur rsultat par rapport touts les autres
cas de variation de et qui est clairement reprsent sur les figures 5.17 et 5.18. Grce
tout ce qui prcde, nous pouvons constater que les performances optimaux avec une
probabilit de dtection leve sont lies un facteur dinertie fonction dcroissante sur
l'intervalle [0.4,1.4].
63
5.5.2 Rsultats de simulation pour diffrents intervalles de vitesse :
Dans cette partie, nous allons effectuer quelques tests afin d'valuer l'influence du choix de
lintervalle de vitesse des particules v, sur la qualit des rsultats de lalgorithme
doptimisation. Pour cela, nous allons excuter le programme de simulation pour chaque
intervalle de vitesse [-1,1], [-10,10] et [-20,20] et nous allons par la suite prsenter une
comparaison des meilleurs rsultats. Ces comparaisons seront bases sur les rsultats des
probabilits de dtection dun systme deux dtecteurs identiques, avec Ni=32, dans un
environnement homogne et pour une probabilit de fausse alarme dsire gale 10-4. La
rgle de dcision utilise est toujours la rgle de fusion OR.
Fig. 5.19 Comparaison des fonction fitness pour diffrents intervalles de vitesse, avec
fonction dcroissante dans [0.4,1.4].
64
Fig. 5.20 Comparaison des probabilits de dtection pour diffrents intervalles

de vitesse, avec w fonction dcroissante dans [0.4,1.4].
Les rsultats reprsents sur la figure 5.19, montrent que laugmentation de la vitesse des
particules ( ), provoque une dgradation en termes de convergence de lalgorithme, ce qui
influence invitablement la qualit de dtection du systme distribu, comme cest indiqu
sur la figure 5.20.
Selon les courbes obtenues, on peut dire que les meilleurs rsultats sont ceux qui ont t
obtenus pour un intervalle de vitesse [-1,1]. En outre, nous constatons galement que plus la
vitesse maximale est grande, plus les performances se dgradent, que ce soit en termes de
probabilit de dtection ou de progression de la fonction fitness. Nous utiliserons par la suite,
cet intervalle afin de raliser dautres simulations pour tudi linfluence des autres
paramtres.
5.5.3 Linfluence de lespace de recherche :
Dans cette section, nous allons tudier l'effet de l'espace de recherche sur les rsultats de
simulation, o nous traitons seulement deux cas : [ /2, ] et [3 /4, ], en plus du
cas trait prcdemment pour [1, ]. Puis, nous allons examiner leffet du choix de
lintervalle de variation du paramtre T, en utilisant lintervalle de k qui a donn les
65
meilleurs rsultats. Dans ce cas nous effectuerons des simulations, en utilisant la rgle de
fusion OR comme rgle de dcision et en choisissant [0.4,0.9], afin de faciliter
lobservation de l'effet du choix de lespace de recherche. Les rsultats de comparaison, pour
diffrents intervalles de variation de k, sont illustrs sur les figures 5.21 et 5.22.
Fig. 5.21 Variation de la fonction fitness pour diffrents intervalles de variation de k.
Fig. 5.22 Les probabilits de dtection pour diffrents intervalles de variation de k.
66
5.5.4 Rsultats de simulation reprsentant linfluence des coefficients dacclration :
Dans cette partie, nous allons tester leffet des coefficients dacclration sur les rsultats de
lalgorithme PSO et lamlioration que peut apporter la variation de ces coefficients. Pour
cela, nous allons choisir certaines des valeurs de et avec [0.4,0.9] et [0,200].
Fig. 5.23 Variation de la fonction fitness pour diffrentes valeurs du coefficient

dacclration.
Fig. 5.24 Les probabilits de dtection pour diffrentes valeurs du coefficient

dacclration.
67
Les rsultats de comparaisons dans la figure 5.23, montrent que malgr la convergence de la
fonction fitness vers des valeurs relativement faibles pour les trois cas des coefficients
dacclration traits, lalgorithme PSO ne prsente pas la caractristique de converger vers
un optimum de mme qualit. Nous constatons aussi que lalgorithme converge vers le
meilleur optimum dans le cas de = 1 et = 3, alors que dans le cas o = 1 et =2
l'algorithme converge vers un optimum mdiocre, malgr sa rapidit de convergence par
rapport aux autres cas. La comparaison des performances pour chaque cas est illustre sur la
figure 5.24. Par consquent, les valeurs initiales de 2.0 pour les deux coefficients et la
fois dont la somme vaut 4.0 sont galement un bon choix pour lalgorithme de PSO, sauf que
lutilisation de = 1 et = 3 amliore la capacit de recherche de cet algorithme, ce qui
permet dobtenir de meilleures performances de dtection.
5.5.5 Evaluation des rsultats dans le cas non-homogne :
Daprs les rsultats obtenus pour diffrents paramtres, nous avons constater que
lutilisation dun algorithme PSO, bas sur la mise jour dynamique du facteur dinertie, et
qui a t prit dans notre cas pour [0.4,0.9], avec un intervalle de vitesse [-1,1], permet un
dplacement rapide au niveau de lespace de recherche qui doit tre choisi de manire
approprie, selon le problme trait et que la connaissance apriori de cet espace garantira une
meilleure estimation des paramtres du systme distribu OS-CFAR, assurant ainsi de
bonnes performances de dtection.
A fin de vrifier la robustesse de notre algorithme, nous avons opt tester les rsultats
prcdents dans dautres conditions pour le cas dun environnement non homogne. Pour
cela, nous avons suppos un systme deux dtecteurs non identiques, avec 12 cellules pour
le premier dtecteur et 16 cellules pour le deuxime. Pour ce qui est de lintervalle de
variation de Ti et ki, nous avons suppos [1,200] et ki [1, Ni] respectivement. Les
simulations sont effectues pour = 2, = 2, [1,1] et [0.4,0.9]. Dans ce cas,
nous avons suppos la prsence de deux et cinq cibles interfrentes au niveau des cellules de
rfrences dans chaque dtecteur, pour une dtection suivant la rgle de fusion OR.
68
Fig. 5.25 Les probabilits de dtection pour diffrents cas de cibles interfrentes aprs
changement des paramtres de lalgorithme PSO.
Daprs les rsultats prsents sur la figure 5.25, nous pouvons remarquer une amlioration
des performances de dtection, aprs changement des paramtres, en comparaison avec les
rsultats obtenus pour lalgorithme PSO avec les paramtres initiaux (figure 5.12).
5.6 Conclusion :
Dans ce chapitre, nous avons examin les performances de la dtection du systme distribu
OS-CFAR, dont le seuil a t optimis par lutilisation de lalgorithme PSO, dans un
environnement homogne et non homogne. Au dbut, nous avons prsent la difficult
destimation du seuil de dtection, lie lutilisation de plusieurs dtecteurs pour un systme
distribu CFAR, ainsi que la possibilit datteindre un optimum qui soit loin de loptimum
global, en utilisant la rsolution analytique. Pour contourner ce problme, nous avons
propos un algorithme PSO afin destimer les paramtres du systme, qui permettent
doptimiser le seuil de dtection. Les systmes considrs, diffrent selon le nombre de
cellules dans chaque dtecteur, selon le nombre de dtecteurs dans chaque systme et aussi
selon les rgles utilises dans le centre de fusion. A travers une srie de simulations en
utilisant lalgorithme PSO, o tous les paramtres du systme sont optimiss simultanment
sans ncessit de codage, nous avons examin le mcanisme dexploration et dexploitation
69
de lespace de recherche conditionn par les paramtres de lalgorithme, qui sont le nombre
ditrations, lattraction vers la meilleure position et vers la meilleure voisine, le facteur
dinertie, les coefficients dacclration et la fitness, et par des conditions initiales des
paramtres, tenant compte des valeurs limites. Les rsultats de simulation ont t prsents
pour les diffrents cas dtude et nous pouvons ainsi conclure quun choix appropri des
diffrents paramtres de lalgorithme avec un nombre lev de dtecteurs locaux dans le
systme distribu permet dobtenir de meilleures performances pour la dtection.
70
Chapitre 6
Conclusion Gnrale
et Perspectives
Rsum
Dans ce chapitre, nous allons rappeler lessentiel de notre travail pour mettre en vidence
notre contribution, par la suite nous donnerons quelques suggestions pour une ventuelle
extension de notre tude.
6.1. Conclusion gnrale.
6.2. Perspectives.
Conclusion Gnrale et Perspectives
6.1. Conclusion gnrale :
Dans cette tude, une tentative de prouver l'efficacit dune approche fonde sur l'intelligence
des essaims, est prsente pour loptimisation du seuil de dtection dans les systmes
distribus CFAR. Dans ce contexte, nous avons utilis une variante de l'algorithme PSO
standard, qui consiste appliquer un facteur dinertie pour contrler la vitesse des particules,
afin de dfinir les paramtres K et T du systme distribu OS-CFAR, et qui permettrons par la
suite de dterminer un seuil de dtection optimum. cet objectif, et afin de mettre en
vidence la qualit des rsultats obtenus en utilisant cette technique, diffrentes simulations
ont t effectues et les performances de dtection obtenues, pour les cas tudis, ont t
compares et analyses.
Dans nos applications, nous avons propos un algorithme PSO adapt au problme trait, de
sorte que les composantes de chaque particule de lessaim reprsentent les paramtres du
systme distribu CFAR, que nous voulons dfinir. Le critre de Neyman-Pearson a t
adopt comme fonction d'valuation et les paramtres initiaux ont t choisis de manire
empirique. Ainsi, dans la premire partie de ce travail, nous avons tudi linfluence dun
certain nombre de facteurs susceptibles de modifier les proprits du systme. O, nous avons
pris en considration l'effet du nombre de dtecteurs OS-CFAR locaux dans chaque systme
distribu, leffet de la variation du SNR, de mme que leffet de la Pfa. Nous avons galement
abord l'impact des deux rgles de fusion AND et OR. En comparant les rsultats obtenus
dans un environnement homogne, nous avons constat que les meilleures performances de
dtection ont t obtenues pour le systme qui contient un nombre lev de dtecteurs, pour
une rgle de fusion OR dans la majorit des situations. Quant aux rsultats trouvs dans le cas
dun environnement non homogne, la comparaison des performances pour diffrentes
situations avec prsence de cibles interfrentes, a montr une dgradation des performances
de dtection, qui peut provoquer un effet nfaste sur le fonctionnement du systme avec
laugmentation du nombre de cibles interfrentes. Cependant, et malgr cette dgradation, le
systme a donn des rsultats acceptables dans une certaine mesure. Daprs ce qui prcde, il
est clair quil est plus simple daccomplir une dtection dans un milieu homogne que de la
faire dans un milieu non homogne o la dtection est perturbe par la prsence de cibles
interfrentes, qui troublent la dtermination du seuil de dtection.
Le reste de notre tude a t consacr pour prsenter linfluence du choix et du rglage des
paramtres de lalgorithme PSO sur la qualit des rsultats. Il est noter, que la slection des
72
Conclusion Gnrale et Perspectives
paramtres de l'algorithme PSO est l'un des facteurs cls qui influe sur la capacit de
recherche globale de lalgorithme. Dans ce sens, et pour valuer les effets de choix des
diffrents paramtres, nous avons propos quelques changements dans les valeurs de ses
paramtres. A travers les rsultats de comparaison, nous avons remarqu que l'espace de
recherche doit tre aussi faible que possible, en tenant compte des intervalles adquats et
suffisants pour le problme traiter. Nous avons remarqu aussi que les meilleurs rsultats
sont obtenus pour le cas o le facteur dinertie diminue linairement au cours du processus
doptimisation. En outre, il faut trouver la combinaison optimale des paramtres de la vitesse
maximale des particules et les coefficients dacclrations qui permettra de garantir la
convergence vers le voisinage de loptimum global autant que possible. Les performances de
dtection ont t examines et compares et les rsultats de simulation ont montr lefficacit
de lalgorithme PSO propos amliorer la performance de notre systme.
6.2. Perspectives :
Le travail prsent, nous a permis dexplorer et dapprofondir nos connaissances dans le

domaine de la dtection distribue CFAR, o nous avons utilis la technique PSO comme
outil doptimisation du seuil de dtection dans ces systmes. Pour construire un concept plus
complet sur l'impact de la technique dans le domaine de l'optimisation des systmes
distribus, ces quelques points peuvent tre pris en compte:
Il sera intressant d'appliquer la technique sur d'autres types de systmes distribus

CFAR.
Lapplication de la technique pour diffrents modles d'environnements radar, pourra
tre envisage.
Dautres algorithmes doptimisation existants peuvent tre tests, afin dexaminer
lefficacit de la mthode PSO par rapport ses concurrentes.
Comme il sera galement intressant dappliquer dautres variantes de lalgorithme
PSO propos, pour concevoir lalgorithme le mieux adapt la rsolution du problme
de la dtection distribue CFAR.
73
Bibliographie
Bibliographie:
[1] Kouemou, G., "Radar Technology", In-Teh, Croatia, December 2009.
[2] Skolnik, M. I., Radar Handbook", 2ndEd, McGraw- Hill, New York, 1990.
[3] Mahafza, B. R., "Radar Signal Analysis and Processing Using MATLAB", Chapman &
Hall, Boca Raton, 2008.
[4] Kolawole, M. O., "Radar Systems, Peak Detection and Tracking", PhD, Elsevier,
Oxford, 2002.
[5] Skolnik, M. I., "Radar Handbook", 3rd Ed, McGraw-Hill, New York, 2008.
[6] Minkoff, J., "Signal Processing: Fundamentals and Applications for Communications
and Sensing Systems", Artech House, Boston, 2002.
[7] Haykin S., "Adaptive Radar Signal Processing", Wiley-Interscience, Canada, 2007.
[8] Richard, G. C., "Radar System Performance Modeling", Snd Ed, Artech House, Boston,
2002.
[9] Unnikrishna, S., Pillai, Ke Yong Li, Himed, B., "Space Based Radar Theory &
Applications", McGraw-Hill, New York, 2008
[10] David K. B., Sergey A. L., "Encyclopedia of Radar Technology", Norwood, MA: Artech
House, Boston, 1998.
[11] Shirman, Y. D., "Computer Simulation of Aerial Target Radar Scattering, Recognition,.
Detection, and Tracking", Artech House, Boston, 2002.
[13] Barkat, M., " Signal Detection and Estimation", Norwood, MA: Artech House, Boston,
2005.
[14] Steven, M. K., "Fundamentals of Statistical Signal Processing Volume 2 Detection

Theory", Prentice Hall, New Jersey, 1998.
[15] Finn, H. M., Johnson, R. S., "Adaptive detection mode with threshold control as a
function of spatially sampled clutter estimation", RCA reviewer, vol. 29, No. 3, 1968,
pp.414-464.
74
Bibliographie
[16] Hansen, V. G., Sawyers, J. H., "Detectability Loss Due to Greatest of Selection in a
Cell-Averaging CFAR", IEEE Transactions on Aerospace and Electronic Systems, Vol.
AES-16, No. 1, January 1980, pp. 115-118.
[17] Trunk, G. V., "Range Resolution of Targets Using Automatic Detection", IEEE
Transactions on Aerospace and Electronic Systems, Vol. AES-14, No. 5, 1978, pp. 750-
755.
[18] Rohling, H., "Radar CFAR Thresholding in Clutter and Multiple Target Situations",
IEEE Transactions on Aerospace and Electronic Systems, Vol. AES-19, No. 4, July
1983, pp. 608-616.
[19] Gandhi, P. P., Kassam, S. A., "Analysis of CFAR Processors in Nonhomogeneous

Background", IEEE Transactions on Aerospace and Electronic Systems, Vol. 24, No. 4,
July 1988, pp. 427-444.
[20] Gandhi, P. P., Kassam, S. A., "An adaptive order statistic constant false alarm
detector", IEEE International Conference on Systems Engineering, 24-26 Aug 1989, pp.
85-88.
[21] Srinivasan, R., "Distributed radar detection theory", IEE Proceedings F Communicat-
ions, Radar and Signal Processing, Vol. 133, No. 1,1986, pp 55-60.
[22] Barkat, M., Varshney, P. K., "Decentralized CFAR Signal Detection", IEEE
Transactions on Aerospace and Electronic Systems, Vol. AES-25, March 1989, pp. 141-
149.
[23] Barkat, M., Varshney, P. K., "Adaptive Cell-Averaging CFAR Detection in Distributed
Sensor Networks", IEEE Transactions on Aerospace and Electronic Systems, Vol. AES-
27, No. 3, May 1991, pp. 424429.
[24] Elias-Fust, A. E., Broquetas, A., Antequera, J. P., and Yuste, J. C. M., "CFAR Data
Fusion Center with Inhomogeneous Receivers", IEEE Transactions on Aerospace and
Electronic Systems, Vol. 28, No. 1, January 1992, pp.276-285.
[25] ner, M. K., Varshney, P. K., "Distributed CFAR Detection in Homogenous and
Nonhomogenous Backgrounds", IEEE Transactions on Aerospace and Electronic
Systems, Vol. 32, No. 1, January 1996, pp. 84-97.
75
Bibliographie
[26] Witte, C. S., Gandhi, P. P., "Performance of Distributed CFAR Processors in

Nonhomogeneous Background ". Record of the 1994 IEEE National Radar Conference,
Atlanta, GA, 29-31 Mar 1994, pp 212 217.
[27] Gowda, C. H., Viswanathan, R., "Performance of Distributed CFAR Test under Various
Clutter Amplitudes", IEEE Transactions on Aerospace and Electronic Systems, Vol. 35,
No. 4, October 1999, pp. 1410-1418.
[28] Glover, F., Kochenberger, G., "Handbook of Metaheuristics", Kluwer Academic

Publishers, Dordrecht 2003, springer verlag.
[29] Osman, I. H., Laporte, G., "Metaheuristics: A bibliography, Annals of Operational

Research", 1996, Vol. 63, Issue 5, 511-623.
[30] Kennedy, J., Eberhart, R. C., "Particle swarm optimization", Proceedings of the IEEE
International Conference on Neural Networks, vol.4, 1995, pp. 1942-1948.
[31] Eberhart, R. C., and Kennedy, J., "A new optimizer using particle swarm theory",
Proceedings of the Sixth International Symposium on Micro Machine and Human
Science, Nagoya, Japan, 1995, 39-43.
[32] Kennedy, J., Eberhart, R. C., with Yuhui Shi, "Swarm Intelligence", the Morgan
Kaufmann Series in Evolutionary Computation, 2001
[33] Angeline Peter J., "Evolutionary Optimization Versus Particle Swarm Optimization:
Philosophy and Performance Differences", In V.W. Porto, Saravanan, N., Waagen, D.,
and Eiben, A. E., editors, Evolutionary Programming VII: Proc. EP98, New York:
Springer-Verlag, pp.601-610.
[34] Yong-Ling Zheng, Long-Hua Ma, Li-Yan Zhang, Ji-Xin Qian, "On the convergence
analysis and parameter selection in particle swarm optimization", in Proc. IEEE Of
International Conference on Machine Learning and Cybernetics, Vol. 3, 2-5 Nov. 2003,
pp 1802 1807.
[35] Clerc, M., Kennedy, J., "The particle swarm-explosion, stability, and convergence in a
multidimensional complex space", IEEE Transactions on Evolutionary Computation
2002, Vol. 6, pp 5873.
76
Bibliographie
[36] Kennedy, J., Mendes, R., "Population structure and particle swarm performance", In
Proceedings of the IEEE Congress on Evolutionary Computation (CEC), 2002, pp
1671-1676.
[37] Lane, J., Engelbrecht, A., Gain, J., "Particle swarm optimization with spatially
meaningful neighbours". In Proceedings of the IEEE Swarm Intelligence Symposium
St. Louis MO USA, 21-23 September, 2008 pp 1-8.
[38] Shi, Y., Eberhart, R. C., "Empirical study of particle swarm optimization", In
Proceedings of the IEEE congress on evolutionary computation, 1999, pp 19451950.
[39] Shi, Y., Eberhart, R. C., "Parameter selection in particle swarm optimization", In
Evolutionary Programming VII: Proc. EP98, New York: Springer-Verlag, 1998,
pp.591-600.
[40] Shi, Y., Eberhart, R. C., "A modified particle swarm optimizer", In Proceedings of IEEE
International Conference on Evolutionary Computation, 1998, pp. 6973.
[41] Suganthan, P. N., "Particle swarm optimiser with neighbourhood operator",

In Proceedings of the IEEE Congress on Evolutionary Computation (CEC), 1999, pp
1958-1962.
[42] Kennedy, J., "Stereotyping: Improving particle swarm performance with cluster
analysis", In Proceedings of the IEEE Congress on Evolutionary Computation, 2000, pp
15071512.
[43] Dai, Y. T., Liu, L. Q., Li, Y., "An intelligent parameter selection method for particle
swarm optimization algorithm", In Proceedings of the 4th International Joint
Conference on Computational Sciences and Optimization, CSO, 2011, IEEE, pp. 960-
964.
[44] Ratnaweera, A., Halgamuge, S., Watson, H., "Self Organizing Hierarchical Particle
Swarm Optimizer with time varying acceleration coefficients", IEEE transactions on
Evolutionary Transactions, vol. 8, 2004, pp. 240-255.
[45] Shi, Y., Eberhart, R., C., "Parameter selection in particle swarm optimization",
Lecture Notes in Computer ScienceEvolutionary Programming VII, Vol. 1447, In
77
Bibliographie
Proceedings of the 7th International Conference on Evolutionary Programming, Mar.

1998, pp. 591600.
[46] Clerc, M., Kennedy, J., "The particle swarm - explosion, stability, and convergence in a
multidimensional complex space", IEEE Transactions on Evolutionary Computation,
Vol. 6, No.1, February 2002, pp.58-73.
[47] Kennedy, J., Eberhart, R. C., "A discrete binary version of the particle swarm
algorithm", In IEEE International Conference on Computational Cybernetics and
Simulation., Vol. 5, 12-15 Oct 1997, pp. 4104-4109.
[48] Abdou, L., Soltani, F., "Improvement of the performance of distributed OS-CFAR system
by (+)-ES optimization", IEEE 5th International Multi-Conference on Systems,
Signals and Devices, 2008, pp.1-6.
[49] Abdou, L., "Application des algorithmes volutionnaires loptimisation du seuil de

dtection dans les systmes distribus CFAR", thse de Doctorat, Universit Hadj
Lakhdar Batna, 2009.
78

CFAR Thèse

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

CFAR Thèse

Uploaded by

Copyright:

Available Formats

Rpublique Algrienne Dmocratique et Populaire

Ministre de lEnseignement Suprieur et de la Recherche Scientifique

Universit Mohamed Khider Biskra

Mmoire Prsent en vue de lObtention du Diplme de

Option : Commande et Identification des Systmes Dynamiques

Optimisation du Seuil de Dtection dans les Systmes

Prsident : BOUMEHRAZ Mohammed Professeur Universit de Biskra

A mes trs chers parents,

A mes surs et tous les membres de leurs familles,

A tous mes amis.

Jexprime ma trs sincre reconnaissance au Dr. L. Abdou, Matre de Confrences

Je remercie galement tous mes professeurs.

J'exprime ma profonde gratitude au Pr. Med. Boumehraz, Professeur luniversit de Biskra

Table des matires .................................................................................................................iii

Liste des Figures ................................................................................................................... vii

Liste des Tableaux ................................................................................................................. ix

Abstract ................................................................................................................................. xii

Chapitre 1 : Introduction gnrale ........................................................................................1

1.1 Introduction ................................................................................................................. 2

1.3 Organisation du mmoire ............................................................................................5

Chapitre 2 : Concepts de Base sur les Systmes Radar .......................................................7

2.1 Introduction ................................................................................................................. 8

2.2 Principe et Structure de base dun systme radar ................................................... 8

2.3 Radars impulsions .................................................................................................. 10

2.4 Lquation du radar.................................................................................................. 11

2.5 Dtection de cibles ..................................................................................................... 12

2.6 Thorie de la dcision................................................................................................ 12

2.7 Les critres de dcision ............................................................................................. 14

2.8.1 La surface quivalente radar (SER) ........................................................................ 17

2.9 Bruit et chos parasites ............................................................................................. 19

2.9.1 Le Clutter ................................................................................................................... 19

2.9.2 Modles de clutter ..................................................................................................... 19

Chapitre 3 : La Dtection Taux de Fausse Alarme Constant........................................ 23

3.1 Introduction ................................................................................................................ 24

3.2 Dtection CFAR......................................................................................................... 24

3.3 Concept de base des dtecteurs CFAR .................................................................... 26

3.4 Littrature sur quelques types de dtecteurs CFAR............................................. 28

3.5 Dtection distribue CFAR....................................................................................... 31

3.6 Les systemes de dtection distribue ....................................................................... 33

Chapitre 4 : Optimisation par Essaims de Particules ....................................................... 36

4.1 Introduction ............................................................................................................... 37

4.2 Les essaims de particules .......................................................................................... 38

4.3 Optimisation par essaims particulaires ................................................................... 38

4.4 Laspect formel de loptimisation par essaims de particules ................................ 39

4.6 Lalgorithme PSO...................................................................................................... 42

4.7 Choix des paramtres................................................................................................ 44

Chapitre 5 : Optimisation du Seuil de Dtection CFAR Par Essaims de Particules...... 48

Chapitre 6 : Conclusion Gnrale et perspectives............................................................. 71

6.1. Conclusion gnral .................................................................................................... 72

6.2. Perspectives ................................................................................................................ 73

2. 2 Chronogramme dmission dune impulsion radar 11

2. 3 Rgions et rgles de dcision..... 13

3. 1 Sensibilit de la puissance de bruit (dB)..... 25

3. 2 Schma de dtection radar seuil adaptatif... 26

3. 3 Schma fonctionnel du dtecteur CA-CFAR. 29

3. 4 Systme de dtection distribue avec centre de fusion.. 32

4. 1 Reprsentation graphique de : (a) topologie GBEST (b) topologie LBEST.. 41

4. 2 Pseudo code de lalgorithme PSO.. 42

4. 3 Organigramme de la PSO standard 43

5. 1 La performance dun systme base de 2 dtecteurs pour la rgle de fusion OR..........53

5. 2 La performance dun systme base de 3 dtecteurs pour la rgle de fusion OR. 53

5. 3 La performance dun systme base de 5 dtecteurs pour la rgle de fusion OR..... 54

5. 4 Variation de Pd suivant le nombre de dtecteurs pour la rgle de fusion OR et