Sélection des données secondaires

Les nombreuses sources d’hétérogénéité en environnement réel poussent à l’utilisation d’al- gorithmes à domaine d’entraînement réduit. Un faible support d’entraînement réduit a priori la probabilité d’avoir des échantillons hétérogènes. En revanche, les algorithmes peuvent devenir plus sensibles à la présence d’interférences dans les données secondaires, ceux-ci ne profitant plus de l’effet moyenneur d’un grand domaine d’entraînement. Il est donc souvent nécessaire de mettre en amont de l’adaptation une étape de sélection des données secondaires. Des méthodes non-adaptatives puis adaptatives ont été développées pour cette sélection.

1.4.2.1 Méthodes non adaptatives

La stratégie du local training suppose que le fouillis est localement homogène, c’est-à-dire que la distribution des interférences de la cellule sous-test est la même ou très proche de celles des cases distance environnantes [23]. Le support doit donc se composer des échantillons proches de la case sous test. De plus, pour éviter que le filtre n’annule la cible, la cellule elle-même et quelques cellules environnantes, qui peuvent contenir de l’énergie résiduelle de la cible, sont retirées du domaine d’entraînement. Une seconde stratégie non-adaptative est dénommée l’overnulling [23]. Dans ce cas, le filtre est calculé à partir des régions de fouillis les plus puissantes prédites par l’équation du radar. Le but est d’assurer ainsi un filtrage suffisant du fouillis. Bien évidemment ces méthodes non adaptatives peuvent résulter en une annulation inadéquate des interférences. 1.4.2.2 Méthodes adaptatives

Plusieurs schémas de sélection adaptative ont été développés.

Critères de puissance et de phase Rabideau et Steinhardt proposent la méthode PST (Power Selected Training) qui est une version adaptative de l’overnulling [121]. Au lieu de prédire la puissance du fouillis par l’équation du radar, la méthode PST utilise directement les données pour évaluer le niveau de puissance du fouillis par case distance. Les auteurs décrivent l’utilisation de la méthode dans un algorithme post-Doppler et discutent des éventuels problèmes de sa mise en place. Une alternative de la méthode est proposée sous le nom de PSD (Power Selected Deemphasis). Elle consiste à introduire une partie de la cellule primaire et les cellules de garde lors de l’estimation de la matrice de covariance

c Mp= 1 K + κ S + κzz H
, κ ∈ [0, 1]. (1.46)

L’idée est d’améliorer la représentation de la statistique de la cellule sous test lorsque l’envi- ronnement est hétérogène. Pour s’affranchir du choix de la constante κ dans (1.46), les auteurs proposent l’algorithme PDE (Projection Deemphasis) dans lequel seule une partie projetée de la cible est incluse dans l’estimée. La projection utilisée est construite à partir de la connaissance a priori du lieu du fouillis ou de la cible. Ces méthodes testées sur données réelles permettent de réduire fortement les fausses alarmes dans un environnement très hétérogène. Kogon propose une amélioration de la stratégie PST en ajoutant un critère de phase pour sélectionner les échantillons du support d’entraînement [83]. L’objectif de cette extension est d’éliminer les cellules contenant des cibles gênantes qui ne seraient pas éliminées par un simple critère de puissance. La méthode proposée est implémentée dans une structure post-Doppler et s’avère efficace sur données réelles. Détecteurs de non-homogénéités Une autre méthode adaptative pour la sélection de don- nées secondaires repose sur les détecteurs NHD (Non-Homogeneity Detector). Ceux-ci visent à identifier les données hétérogènes comprises dans un support supposé homogène. Classique- ment, les données sont ordonnées et sélectionnées suivant une métrique appropriée. Chen et al. introduisent la mesure GIP (Generalized Inner Product) [36]

GIP : zHS−1z . (1.47)

La mesure GIP permet d’identifier les données secondaires dont la matrice de covariance dif- fère de celle d’une population de contrôle représentée par z. Les auteurs soulignent que cette mesure est un choix raisonnable pour estimer la différence structurelle traduite dans le scalaire

1.4. Estimation et détection en milieu hétérogène

TrMpMs−1 lorsqu’une seule observation de la population de contrôle est disponible. Testé

sur données simulées et réelles, le GIP apporte une réelle amélioration de détection [105]. En revanche, il ne tient pas compte de la direction de test visée s et est ainsi suspecté de rejeter trop de cellules, en particulier celles contaminées par des signaux éloignés de la cible s [11]. Gerlach propose quatre estimateurs AMF robustes pour lesquels les données sont sélectionnées sur le principe du maximum de vraisemblance. Une des formes proposées est similaire au GIP [59]. Les résultats sur données simulées montrent l’efficacité de ces algorithmes. Dans la référence [61], le GIP est comparé à une autre métrique l’APR (Adaptive Power Residue)

APR : |sHS−1z|2. (1.48)

Contrairement à la mesure GIP, la mesure prend en compte la direction visée. Les auteurs montrent sur données synthétiques réalistes que l’APR rejette mieux les hétérogénéités que le GIP. Wang et al. proposent un détecteur NHD de coût calculatoire moindre que le GIP et l’APR [147]. Le détecteur dénommé CD-NHD (Correlation Dimension - NHD) est basé sur une mesure de dimension de corrélation et n’implique aucune inversion matricielle.

Sélection post-traitement Une approche originale est proposée par Lombardo et Colone [95]. Elle consiste à sélectionner les données secondaires en bout de chaîne de traitement, c’est-à-dire après l’étape d’adaptation. Les auteurs proposent ainsi de mettre en oeuvre une série de filtres AR, dont les coefficients sont estimés sur différents blocs de données secondaires. La valeur du test de détection est calculée en sortie de chaque filtre. Le support final d’entraînement choisi correspond au filtre ayant la valeur médiane du test de détection. Les auteurs soulignent que la méthode a une charge calculatoire plus raisonnable que les détecteurs NHD.