Le GLRT-LQ a été largement étudié dans la littérature [10,11,24,32,36] et de nombreuses "bonnes" propriétés ont été établies.
Ainsi, il apparaît rapidement que ce détecteur ne dépend pas de la loi de la texture τ sous l’hypothèse H0. En effet, Λ(M) définie par (1.18) peut être réécrit uniquement à partir de la variable Gaussienne x du SIRV : Λ(M) = |pHM−1x|2 (pHM−1p)(xHM−1x) H1 ≷ H0 λ . (1.20)
Cette propriété aussi appelée CFAR-texture ou TFAC-texture est mise en évidence par la figure (Fig.
1.3). Celle-ci représente, en échelle logarithmique, des simulations Monte-Carlo des courbes de seuils de détection en fonction de la probabilité de fausse alarme, pour 4 différents SIRV : un Gaussien, une K-distribution de paramètre ν = 0.1, une texture distribuée selon une loi de Weibull et un Student-t. La relation théorique (1.21) entre le seuil de détection et la Pf a a aussi été tracée sur ce graphique. Les 5 courbes étant pratiquement confondues, cela confirme la non dépendance de Λ(M) et de la texture.
100 101 102 103 104 10-3 10-2 10-1 100 Valeurs du Seuil Pfa
Pté TFAC du BORD Asympt. : Seuil MC / Théorique pour différentes natures de SIRV
Gaussien
K-dist(ν=0.1)
Student-t Texture Weibull Théorique
FIG. 1.3 – Propriété CFAR-texture du aBORD
De plus, la PDF de Λ(M) (1.20) a été obtenue, sous l’hypothèse de bruit seul, dans la thèse [31], ce RVG suit une loi β de première espèce. Ainsi, une relation analytique entre le seuil de détection et la probabilité de fausse alarme fixée a pu être établie :
1.3. Synthèse et problématique η = P m 1−m f a , (1.21) ou de manière équivalente λ = 1 − P −1 1−m f a . (1.22)
Cependant, ces résultats ne sont guère applicables sur des données réelles car la matrice de covariance du fouillis n’est pas connue en pratique : il faut par conséquent l’estimer. Cet estimateur, noté bM, sera ensuite injecté dans le GLRT-LQ pour donner une version adaptative du GLRT-LQ et définie par :
b Λ( bM) = |pH b M−1x|2 (pH b M−1p)(xH b M−1x) H1 ≷ H0 λ . (1.23)
Les deux chapitres suivants sont consacrés à l’étude de différents estimateurs de matrice de cova-riance, puis à la mise en place d’une procédure originale d’estimation : l’estimateur du point fixe (FP). Ces estimateurs de M sont construits à partir des N données secondaires modélisées par des SIRV, ci =√τixi, pour i = 1, . . . , N .
Ensuite, ces estimateurs sont utilisés dans la version adaptative du GLRT-LQ pour aboutir à l’appli-cation sur différentes données réelles, ce qui permet de valider leur comportement théorique.
Chapitre 2
Estimation de la Matrice de Covariance
Dans ce chapitre, les estimateurs de matrice de covariance adaptés au problème sont introduits, en justifiant leur choix. Ensuite, une étude théorique complète de leurs performances est réalisée établis-sant ainsi les premiers résultats nouveaux de cette thèse. Enfin, leurs inconvénients respectifs sont mis en lumière dans la recherche d’un estimateur idéal.
Afin de ne pas alourdir le corps de ce chapitre, les principales démonstrations des théorèmes sont déve-loppées dans l’annexe de ce chapitre.
2.1 Comment choisir les estimateurs ?
Le choix des estimateurs de la matrice de covariance du fouillis peut être décisif dans les perfor-mances du détecteur qui en résulte. Il est donc important que ce choix puisse être justifié en vue de résultats attrayants. L’estimateur parfait étant impossible à construire dès lors que le bruit n’est plus Gaussien, il faut faire certains compromis...
Que peut-on attendre d’un estimateur d’une matrice de covariance d’un détecteur ? Ou, plus précisé-ment, comment peut-on le construire ? Plusieurs points sont à prendre en compte :
– Le paramètre à estimer étant normalisé pour des raisons d’identifiabilité du problème, il faut défi-nir une condition de normalisation pour l’estimateur bM : la même que pour M ou une autre ?
– Le GLRT-LQ possède la propriété CFAR-texture ; si M est remplacé par bM dans le détecteur, il serait intéressant que ce dernier conserve cette propriété, puisque cela permet de s’affranchir d’une variable aléatoire inconnue et donc de sa PDF.
– En termes statistiques, l’estimateur doit converger vers le paramètre qu’il estime : il doit être consistant. De plus, s’il est sans biais, les performances de détection n’en seront qu’améliorées. Enfin, selon la vitesse de convergence de son moment d’ordre 2 vers 0, un estimateur peut être meilleur que les autres.
– Enfin, la procédure d’estimation ne doit pas être trop lourde, en termes de temps de calcul ou de charge de calcul, car elle s’inscrit dans une procédure de détection et par conséquent, le ou les estimateurs retenus doivent être "maniables".
2.1.1 Une normalisation appropriée
Afin de satisfaire des conditions d’identifiabilité du modèle SIRV, la matrice de covariance M du fouillis est normalisée selon Tr(M) = m comme détaillé dans la section1.2. Il paraît donc naturel de normaliser les estimateurs bM de M selon la M-normalisation : Tr( bM) = m , d’autant que cette norma-lisation est extrêmement simple à appliquer en pratique.
Cependant, comme nous le verrons plus tard, la normalisation appropriée utilisée dans cette thèse sera Tr(M−1M) = m, appelée la bb M-normalisation pour chaque estimateur bM de M.
Il est essentiel de remarquer que cette normalisation est judicieuse pour les estimateurs consistants mais est beaucoup plus contraignante que la M-normalisation, voire impossible à mettre en pratique car l’es-timateur bM de M ne peut-être normalisé par une fonction de M...
Définition 2.1.1.1
Un estimateur bM de M est dit consistant s’il converge en probabilité vers M quand N tend vers l’infini :
∀ε > 0, P(k bM − Mk ≥ ε) −−−−−→
N →+∞ 0 , (2.1)
où N est le nombre de données secondaires ciutilisées pour estimer M et k.k désigne une norme matri-cielle quelconque.
Ainsi, pour un estimateur bM consistant, Tr(M−1M) tend vers Tr(I) quand N tend vers l’infini et I,b désignant la matrice identité, est de trace m.
Pourtant, il est impossible d’utiliser la bM-normalisation en pratique dès lors que M est inconnue. Ceci ne pose aucun problème pour vérifier les résultats à l’aide de simulations mais s’avère probléma-tique dans le cas de données réelles où il deviendra alors nécessaire d’utiliser la M-normalisation.
De plus, dans de nombreux problèmes, notamment celui de la détection radar, le facteur de nor-malisation de l’estimateur bM n’a aucune influence sur le résultat final. En effet, le détecteur étudié, le GLRT-LQ adaptatif, est un rapport de vraisemblance homogène en terme de bM. Ainsi, quel que soit le facteur de normalisation utilisé, ce dernier se simplifie dans le rapport. Ceci fait l’objet de la proposition suivante :
Proposition 2.1.1.1
∀α ∈ C , bΛ(α bM) = bΛ( bM) .
La proposition2.1.1.1donne, dans ce contexte de détection radar en environnement non Gaussien, une certaine flexibilité dans le choix de la normalisation de l’estimateur. Ainsi, pour des raisons théo-riques, la normalisation utilisée est la bM-normalisation définie par :
Tr(M−1M) = m .b (2.2)
2.1.2 La propriété CFAR-texture
Le détecteur GLRT-LQ construit avec la vraie matrice de covariance M possède la propriété CFAR-texture définie par :
2.1. Comment choisir les estimateurs ?
Définition 2.1.2.1 (Propriété CFAR-texture)
Un élément mathématique construit à partir des données (détecteur, estimateur, ...) possède la propriété CFAR-texture si sa distribution ne dépend pas de celle de la texture.
Cette propriété est d’une importance capitale puisque dans la modélisation SIRV retenue, la texture est distribuée selon une loi inconnue. Elle permet donc de s’affranchir d’un paramètre aléatoire inconnu et par conséquent, il tout est naturel de vouloir choisir des estimateurs de M qui, réinjectés dans le détec-teur étudié (la version adaptative du GLRT-LQ), permettent à ce dernier d’être CFAR-texture.
Pour respecter cette condition, une solution peut être de construire des estimateurs bM ne dépendant que des xi dans les données secondaires.
2.1.3 Les performances statistiques
Afin de sélectionner un estimateur, les performances statistiques de chaque estimateur proposé sont étudiées :
– la consistance, condition indispensable et définie par2.1.1.1, – le biais,
– le moment d’ordre 2,
– le comportement asymptotique, plus précisément, la distribution asymptotique.
2.1.4 La mise en œuvre
Un élément essentiel est encore à mentionner dans le choix de l’estimateur. bM doit être "maniable", i.e. son expression analytique doit être suffisamment simple pour permettre une analyse théorique de ses propriétés statistiques et pour interpréter physiquement cet estimateur. De plus, étant donné que bM s’intègre à un processus de détection, le temps et la charge de calcul nécessaires à sa construction doivent être les plus faibles possibles, ceci afin de ne pas pénaliser l’étape de détection.
En effet, l’estimateur choisi, bien qu’indispensable, n’est qu’un outil et est ensuite utilisé sur données réelles. Il ne sera donc retenu, par les radaristes, que s’il ne pénalise pas la détection...