Estimation et détection en milieu non-homogène : application au traitement spatio-temporel adaptatif

Estimation and detection in non-homogenous environment. Application to space-time adaptative processing

• Auteur / Autrice : Stéphanie Bidon
• Direction : Jean-Yves Tourneret, Olivier Besson
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, acoustique et optimisation
• Date : Soutenance en 2008
• Etablissement(s) : Toulouse, INPT

Mots clés

Mots clés contrôlés

Statistique bayésienne

Monte-Carlo, Méthode de

Mots clés libres

Matrice de covariance

Détection radar adaptative

Environnement non-homogène

Stap

Bornes pour l'estimation

Résumé

Pour un radar aéroporté, la détection de cibles nécessite, de par la nature du fouillis de sol, la mise en place d'un filtre spatio-temporel adaptatif. Les détecteurs basés sur l'hypothèse d'un milieu homogène sont souvent mis à mal dans un environnement réel, où les caractéristiques du fouillis peuvent varier significativement en distance et en angle. Diverses stratégies existent pour contrer les effets délétères de l'hétérogénéité. La thèse propose d'approfondir deux de ces stratégies. Plus précisément, un nouveau modèle de données est présenté dans un contexte Bayésien : il intègre à la fois une relation originale d'hétérogénéité et de connaissance a priori. De nouveaux estimateurs de la matrice de covariance du bruit ainsi que de nouveaux détecteurs sont calculés à partir de ce modèle et étudiés par simulations numériques. Les résultats obtenus montrent que le modèle proposé permet d'intégrer de manière appropriée l'information a priori dans le processus de détection.

Space-time adaptive processing is required in future airborne radar systems to improve the detection of targets embedded in clutter. Performance of detectors based on the assumption of an homogeneous environment can be severely degraded in practical applications. Indeed real world clutter features can vary significantly in both angle and range. So far, different strategies have been proposed to overcome the deleterious effect of heterogeneity. This dissertation proposes to study two of these strategies. More precisely a new data model is introduced in a Bayesian framework: it allows to incorporate both an original relation of heterogeneity and a priori knowledge. New estimation and detection schemes are derived according to the model ; their performances are also studied through numerical simulations. Results show that the proposed model and algorithms allow to incorporate in an appropriate way a priori information in the detection scheme.