CHAPITRE 2
DETECTION CFAR
2.1. Introduction
La partie détection du système de
réception radar est très délicate à concevoir, car
c'est à partir de cette partie qu'ont sépares les cibles
réels des différents parasites qui peuvent apparaitre. Ce domaine
a été sans cesse développé, particulièrement
pour les radars primaires.
Les premiers récepteurs dits classiques, basés
sur un seuillage fixe, ont été utilisé pendent longtemps.
Ces détecteurs simples, déclarent la cible présente si
l'énergie du signal dépasse un seuil de détection fixe
étudié (critère de NEYMAN-PEARSON). Ce principe de
détection présente un inconvénient majeur dû au fait
que la probabilité de fausse alarme est très sensible aux
changements de la puissance des parasites. Pour ce type de détecteur le
seuil peut être ajusté en fonction de l'azimute et de la distance,
afin de l'adapter a l'environnement topologique et à la puissance a
priori reçue de la cible, cette modification permet de reduire les
fausses alarmes tout en gardant une probabilité de détection
satisfaisante.
Cependant La non-stationnarité de l'environnement
(Pluit, vague, nuage,...) fait que la probabilité de fausse alarme peut
augmenter et provoquer non seulement la saturation de l'écran de
visualisation (PPI); mais en plus la saturation du système radar
lui-même. Pour pallier à ce problème les chercheurs dans le
domaine de détection ont pensé à la détection
adaptative, et cela en adaptant le seuil de détection au niveau du bruit
et aux signaux indésirables environnant tout en maintenant la
probabilité de fausse alarme constante.
La première contribution fut apportée par FINN
et JOHNSON [23](en 1968), qui ont proposé le détecteur (Cell
Averaging Constant false Alarm Rate) CA-CFAR qui est une extension directe du
détecteur optimal au sens de Neyman-Pearson. L'estimation de la valeur
du fouillis dans la cellule test est réalisée en utilisant la
moyenne arithmétique des cellules adjacentes. La
performance de ce détecteur à été
démontrée dans le cas du bruit gaussien homogène mais elle
se dégrade dés quand on se trouve dans un environnement
non-homogène et/ou non-stationnaire.
HANSEN et SAWYERS [24] ont trouvé une solution à
ce problème, souvent rencontré dans la détection, en
proposant le détecteur (Greatest Of) GO-CFAR qui consiste à
séparées les cellules de la fenêtre de
référence en deux sous-fenêtres, en amant de la cellule
sous test et en aval. Leurs contenus sont additionnés et le plus grand
des deux est utilisé comme estimateur de la puissance du fouillis. Une
analyse détaillée des performances de ce détecteur a
été faite par « Moore et Lawrence » et Weiss .Ils ont
prouvé qu'en présence des cibles interférentes, les
performances du détecteur GO-CFAR se dégradent.
En étudiant plusieurs détecteurs à seuil
adapté, TRUNK, a démontré que les détecteurs
CA-CFAR et GO-CFAR sont incapables d'extraire les plots de deux cibles proches,
l'une d'elle se trouvant dans la cellule test et l'autre dans l'une des
cellules de références. Pour remédier à ce
problème il a proposé le détecteur (Smallest Of) SO-CFAR.
FINN et JOHNSON, ainsi que RICKARD et DILLARD ont étudié le
problème de deux cibles très proches et sont arrivé
à démontrer la performance du détecteur SO-CFAR.
Une autre technique, basées sur la statistique d'ordre
a été proposée par ROHLING (en 1983) pour un environnement
non homogène, le détecteur (Order Statistic) OS-CFAR qui consiste
à classées par ordre croissant le contenu des cellules de la
fenêtre de référence et de choisir le contenu de la
kème cellule comme estimation de la puissance du fouillis Cette
technique présente un comportement intéressant notamment pour le
cas cibles multiples.
Dérivée de la technique OS-CFAR, la technique
TM-CFAR (Trimmed Mean) consiste à utiliser une moyenne tronquée
pour estimer le fouillis. Une nouvelle fois, le contenu des cellules de la
fenêtre de référence sont classées par ordre
croissant, la moyenne des valeurs intermédiaire (limité par T1 et
T2) dans la fenêtre de référence correspond à la
valeur estimée du fouillis.
| 
