Détection basée sur l’EVM

Mesure M1 (600 valeurs) M’1 (355 200 valeurs)

Test

Simulation G1(t) C2 (1997 valeurs) C’2 (1 246 128 valeurs)

G2(t) C3 (1997 valeurs) C’3 (1 246 128 valeurs)

Mesure G1(t) M2 (1350 valeurs) M’2 (799 200 valeurs)

G2(t) M3 (1350 valeurs) M’3 (799 200 valeurs)

II.5. Résultats

En utilisant les bases de données enregistrées, nous réalisons maintenant les tests de détection afin d’évaluer les performances de nos modèles pour les deux descripteurs sélectionnés.

II.5.1. Détection basée sur l’EVM

Nous évaluons notre modèle de détection en utilisant les bases de données C 2 et C 3, en nous basant sur le fonctionnement de l’organigramme présenté en annexe 2 et, en satisfaisant également l’équation III.8 présentée au chapitre 3.

 

i 

 1, ₁ ,

Chapitre 4 : Mise en œuvre des outils et évaluation des méthodes de détection

Nous évaluons l'efficacité de détection en fonction du taux de détection. Le tableau 4.2 montre le résultat obtenu. Dans ce qui suit, l’absence de détection signifie qu’un brouilleur est présent mais n’est pas détecté.

Tableau 4.2 Taux de détection sur l’EVM_rms des perturbations G₁(t) et G₂(t) pour les bases C2 et C3

Mode Détection Absence de détection

C2 99.64 % 0.36 %

C3 99.7 % 0.30 %

Nous obtenons une détection efficace, sans pour autant être maximale pour les deux perturbations utilisées, sans aucune fausse alarme. Rappelons que ce taux de succès est atteint dans ces conditions de simulation optimales où le canal est stable et simplement affecté d’un faible bruit blanc gaussien. Néanmoins, nous constatons une absence de détection dans certains bursts à partir d’un SJR supérieur ou égal à 54 dB, soit très en dessous du niveau de bruit du canal à 30 dB. Ces absences de détection interviennent pour des puissances de brouillage 24 dB en-dessous de celles du canal. G2(t) est plus perturbateur que G1(t) et est également un peu mieux détecté (cf. tableau 2.1).

Afin d’étayer ce résultat nous réitérons cet essai en considérant l’environnement de référence avec un

SNR égal à 15 dB. Avec cette fois un peu plus de bruit présent dans le canal, notre modèle parvient à

détecter tous les brouillages et cela pour des valeurs de brouillage 15 dB inférieures à celles du canal, contrairement aux 24 dB précédents.

 Mesures

 Traitement sur un burst

En utilisant le banc de mesure en laboratoire et de la même manière qu’en simulation nous testons les données en fonction de l’équation III.8 du chapitre 3. Un SNR égal à 30 dB est à nouveau utilisé. Nous utilisons cette fois les bases de données M2 et M3 créées précédemment afin de déceler la présence des perturbations et d’analyser le fonctionnement du modèle de détection.

Chacune des bases est évaluée et le pourcentage de bonne détection et de non-détection est présenté dans le tableau 4.3. Nous travaillons sur un burst unique ainsi que nous l’avons pratiqué jusqu'à présent.

Tableau 4.3 Taux de détection sur l’EVM_rms des perturbations G₁(t) et G₂(t) pour les bases M2 et M3.

Base de données Détection Absence de détection

M2 73.33% 26.67%

Chapitre 4 : Mise en œuvre des outils et évaluation des méthodes de détections

Pour M2, soit la perturbation G1(t) constituée d’un signal sinusoïdal pur, la détection est idéale pour des valeurs de SJR comprises entre 0 et 35 dB. Elle se dégrade à partir de 35 dB pour conduire à un pourcentage d’absence de détection de 26.67 % dans l’ensemble de la gamme 35 dB à 55 dB étudiée. Pour M3, la détection s’avère meilleure car le système parvient à détecter les perturbations jusqu’à un

SJR de 40 dB. Nous perdons pratiquement toute capacité de détection à partir de 40 dB.

Ces résultats sont illustrés figure 4.5. La ligne inférieure horizontale représente le seuil calculé pour la détection.

(a) (b)

Figure 4.5. Observations de l’EVM_rms en fonction du SJR pour les bases de données : a : M2, b : M3.

Pour G1(t) la capacité de détection est limitée à un SJR au plus égal à 35 dB. Pour ce qui est de G2(t), la capacité de détection est limitée à un SJR au plus égal à 45 dB.

 Traitement multi bursts

Afin de tenter d’améliorer la capacité de détection de notre modèle, nous décidons de procéder à la détection non plus sur un burst unique mais, sur plusieurs bursts successifs. Nous employons cinq bursts pour cet essai réalisé uniquement avec le brouilleur G2(t).

Nous observons les pourcentages des valeurs d’EVMrms représentant 5 bursts successifs supérieures au seuil calculé précédemment.

La figure 4.6, présente les résultats obtenus dans cette configuration. Sur cette figure, nous indiquons par une ligne inférieure horizontale le taux nécessaire à la bonne détection.

Chapitre 4 : Mise en œuvre des outils et évaluation des méthodes de détection

Figure 4.6. Taux de détection d’EVM_rms sur une fenêtre de 5 bursts successifs pour la base M3.

Pour cette durée de cinq bursts, on remarque que plus de 20 % des valeurs d’EVMrms sont supérieures au seuil fixé par l’apprentissage. À l’inverse, pour les données de référence, moins de 20% des valeurs sont supérieures au seuil. Cette valeur de 20 % est prise comme limite pour distinguer la situation de référence de la situation brouillée.

Ceci nous permet d’obtenir une détection à 100 % pour un SJR allant jusqu’à 45 dB. Ceci améliore notablement les performances de détection de notre modèle.

 Conclusion

Dans les conditions de simulation favorables sélectionnées, notre système de détection par EVMrms

fonctionne efficacement. Expérimentalement, il révèle quelques limitations auxquelles nous remédions en augmentant le nombre de bursts d’analyse. Rappelons à nouveau la différence que nous avons mentionnée précédemment, concernant le calcul d’EVMrms effectué par simulation et l’estimation mise en œuvre par l’appareil de mesure liée à l’absence de signal de synchronisation.

II.5.2. Détection basée sur le rayon TT(t)