Professional Documents
Culture Documents
Thme
Soutenu le : 22/10/2015
Devant le jury :
La louange est Allah seul, et que la paix et le salut dAllah soient sur le dernier des
Prophtes, sur sa famille et ses compagnons.
Ddicaces
Je ddie ce modeste travail
A tous ceux qui me sont chers, tous ceux qui m'aiment et tous ceux que j'aime.
Je ddie ce travail.
i
Remerciements
Avant tout, Louanges Allah Le Misricordieux le tout plein de misricordes qui m'a aid
raliser ce travail.
Mes vifs remerciements vont galement aux membres du jury, Dr. A. Debilou, Matre de
Confrences luniversit de Biskra et Dr. A. Ouafi Matre de Confrences luniversit de
Biskra, pour lintrt quils ont port mes recherches en acceptant dexaminer mon travail
et de lenrichir par leurs propositions.
Je remercie enfin tous ceux qui, dune manire ou dune autre, ont contribu la russite
de ce travail, notamment Mr. Benyahia Chaouki, et tout ceux qui nont pas pu tre cits ici.
ii
Table des matires:
Ddicaces .................................................................................................................................. i
Remerciements........................................................................................................................ ii
Notations................................................................................................................................. ix
......................................................................................................................................... x
Rsum ................................................................................................................................... xi
1.2 Problmatique.............................................................................................................. 3
iii
2.8 Modlisation ou modles des cibles.......................................................................... 17
2.10 Conclusion.................................................................................................................. 21
3.7 Conclusion.................................................................................................................. 34
iv
4.5 Topologie dun essaim de particules et notion de voisinage .................................. 40
4.8 Conclusion.................................................................................................................. 47
Bibliographie......................................................................................................................... 74
v
Liste des figures:
2. 1 Schma synoptique simplifi dun radar.. 9
5. 5 Comparaison des probabilits de dtection pour les rgles de fusion AND et OR pour
un systme 2 dtecteurs OS-CFAR dans un environnement homogne................. 55
vii
5. 11 Comparaison entre diffrents cas de cibles interfrentes pour la rgle de fusion
AND. 58
5. 15 Les fonctions fitness pour fonction linaire dcroissante sur deux intervalles.... 61
viii
Liste des Tableaux:
5. 1 Les paramtres estims en utilisant lalgorithme PSO pour la rgle de fusion OR ......... 52
ix
Notations
ADT Automatic Detection and Tracking
S Rapport signal--bruit
N-P Neyman-Pearson
ix
Pdi Probabilit de dtection du dtecteur i
Timp Priode de rptition des impulsions
Largeur des impulsions
PRI Pulse Repetition Interval
P La puissance de crte de l'impulsion transmise
La puissance moyenne de l'impulsion transmise
C Vitesse de propagation
t Temps de retard
AND, OR et MAJORITY Rgles de fusion
PFa Probabilit de fausse alarme globale
Pd Probabilit de dtection globale
J(.) Fonction objective selon le critre de N-P
Ni, La taille de la fentre de rfrence associe au
dtecteur i, i=1, 2, , n.
ki Le rang de x(k) associ au dtecteur i, i=1, 2, , n.
Ti Le facteur du seuil associ au dtecteur i, i=1,
2, , n.
E Espace de recherche
Pi Meilleure position personnelle de la particule i
Pg Meilleure position trouve par le voisinage de la
particule i
La vitesse de la particule i
c1 et c2 Les coefficients d'acclration
r1 et r2 Variables alatoires uniformes sur [0,1]
GBEST Topologie Global Best
LBEST Topologie Local Best
Vitesse maximal des particules
Facteur de constriction
11
:
" "PSO
.
.OS-CFAR
.
PSO .
xi
Rsum :
Les systmes de dtection distribue CFAR "Constant False Alarm Rate" bass sur
lutilisation de plusieurs dtecteurs avec un centre de fusion des donnes ont t largement
examins depuis leur apparition et jusqu nos jours. Cet intrt est d un certain nombre
d'avantages par rapport aux systmes de dtection centralise, qui reposent sur l'utilisation
dun seul dtecteur, et ceci en termes d'amlioration de la fiabilit, la vitesse et la capacit de
grer une grande zone de couverture. Malgr ces qualits, il convient de noter la difficult
rencontre dans le ct applicatif. Cela est d au fait que ces systmes ont une caractristique
non linaire en fonction d'un nombre important de paramtres qui devraient tre dfinis et qui
font que les mthodes d'optimisation classiques ne peuvent pas tre utilises.
xii
Abstract:
Distributed detection systems on the basis of several sensors with data fusion have been
widely discussed during the period from the beginning of its appearance until now. This
interest is due to a number of advantages over the centralized detection systems which rely on
the use of a single detector, and this in terms of improving the reliability, speed and ability to
handle a wide coverage area. Despite these features, it should be noted the difficulty
encountered in the application domain. This is due to the fact that such systems have a
nonlinear characteristic according to a number of parameters which should be defined, and
which make the classical optimization methods unusable.
This work is intended to study one of the optimization techniques inspired from the
interaction of individuals evolving in swarms, which is known as the Particle Swarm
Optimization PSO. This technique is used to solve the problem of optimization for the
threshold detection in distributed OS-CFAR systems. First, our contribution consists in
analyzing the detection performance for different situations, taking into account the number of
local detectors in the system, performed for both homogeneous and non-homogeneous
environments. Subsequently, the influence of various parameters of the PSO algorithm on the
quality of the results was discussed, to reach the most suitable form of the adopted technique
by giving the best detection results.
xiii
Chapitre 1
Introduction Gnrale
1.1. Introduction.
1.2. Problmatique.
1.1. Introduction :
Le radar est un systme de tldtection qui est largement utilis pour la surveillance, le suivi
et les applications d'imagerie, pour les besoins civils et militaires. Ds l'instant o le
systme radar est mis en marche, il devient lectro-magntiquement li son
environnement. En ce sens, l'environnement a une influence forte et continue sur les retours
radar (chos). Autrement dit, le radar construit sa connaissance de l'environnement par
lanalyse continue des chos reus par son rcepteur, et prend des dcisions d'intrt sur les
cibles possibles dans des lieux inconnus de cet environnement. Lorigine de cette relation
lectromagntique remonte l'une des inventions les plus importantes au dveloppement
des systmes radars, qui a t faite par Christian Hulsmeyer en 1904 [1]. Le scientifique
allemand a dmontr la possibilit de dtecter les objets mtalliques une distance de
quelques kilomtres et depuis ce temps l, de nombreux systmes radars fonctionnent sur ce
principe, qui est bas sur lutilisation des ondes lectromagntiques pour mesurer la distance,
l'altitude, la direction, l'orientation, la taille, ou la vitesse d'objets. Ceci est rest jusqu'
prsent pratiquement inchang, bien quil existe un certain nombre de systmes radars qui
utilise les ondes optiques au lieu des ondes radio.
Depuis l'apparition de la premire gnration des systmes radar jusqu' la ralisation des
radars haute technologie, les systmes radar sont passs par un long parcours de recherches
et de dveloppements. Les premiers systmes taient limits la prsentation des rsultats sur
un afficheur et l'oprateur humain doit prendre les dcisions sur la prsence ou l'absence des
cibles. Par contre, les systmes modernes sont quips par des moyens lectroniques
intelligentes assurant la dtection automatique et le suivi des cibles (ADT_ Automatic
Detection and Tracking) sans lintervention du facteur humain [2][3], de sorte que, dans
certaines applications, la sortie du radar est traite pour commander directement des systmes
(par exemple un missile guid).
Le signal reu par le rcepteur radar est toujours accompagn de bruit et des chos parasites
qui peuvent nuire au bon fonctionnement du systme et peuvent ainsi engendrer des fausses
indications. Ceci, signifie que la performance du rcepteur radar est strictement dpendante
de la prsence de ces perturbations, et ainsi le systme tente datteindre un taux de fausse
alarme constant, et une probabilit de dtection de cibles maximale.
2
Introduction Gnrale
Les premiers radars dclarent quune cible est dtecte lorsque la sortie du rcepteur radar
dpasse un niveau de seuil fixe prdtermin, ce qui ne permet pas de contrler la probabilit
de fausse alarme et ainsi rsulte une dgradation dans les performances de dtection. Tandis
que, les nouveaux systmes sont quips par des procds de traitement de signal volus ce
qui permet dautomatiser les dcisions de dtection. Ces procds sont des dtecteurs taux
de fausse alerte constant, TFAC (CFAR : constant false alarm rate), et qui sont adopts pour
lajustement adaptatif du seuil de dtection par lestimation du bruit ambiant en fonction de la
Pfa dsire. Aux cours de la priode de recherche et de dveloppement dans le secteur de
dtection CFAR, et qui na pas t achev jusqu prsent, la littrature dans ce domaine sest
enrichie par un nombre important de dtecteurs CFAR qui sert amliorer la dtection.
L'ide qui pourrait tre prise en observant les efforts dploys en vue du dveloppement des
systmes CFAR, qui est prsent dans la varit des techniques et mthodes proposes, est
que les systmes de dtection distribue avec centre de fusion prennent une grande
importance chez les concepteurs des radars cause des qualits de dtection quils offrent.
Bien que l'amlioration dans le dveloppement de l'aspect thorique de la dtection CFAR est
avanc et trs prometteur, l'aspect pratique du matriel est toujours au-del des oprations de
traitement du signal, ce qui ncessite une capacit de calcul leve. Ce qui n'empche pas
actuellement lexistence du matriel spcifique merg comme un environnement attrayant et
idal pour le traitement des algorithmes haute vitesse et les applications de calcul intensif,
ce qui offre un haut degr de paralllisme, et une grande vitesse de traitement. Et surtouts
aprs la dcouverte des techniques de lintelligence artificielle, qui ont profit de ce progrs
technique pour montrer leur efficacit dans divers domaines. Lun des sujets qui a attir
l'attention des chercheurs dans le domaine de la dtection CFAR est loptimisation des
performances de dtection dans les structures existantes par ces mthodes, au lieu de trouver
dautres structures, ce qui constitue lobjet de cette tude.
1.2. Problmatique :
La fusion de donnes et la dtection distribue ont t largement tudies au cours des trente
ans derniers et dexcellents rsultats ont t obtenus. A cet effet, les systmes de surveillance
modernes qui sont les plus robustes et les plus favoriss par les concepteurs des radars sont
3
Introduction Gnrale
les systmes de dtection distribus. Ces derniers composs de plusieurs dtecteurs CFAR
spatialement distribus, o chaque dtecteur dclare localement la prsence ou l'absence de
cible, et ainsi les dcisions locaux sont transmises vers un centre de fusion des donnes afin
dobtenir une dcision globale selon la rgle de fusion slectionne, AND, OR ou k parmi
N dans la littrature [21][22][24]. Lun des principaux objectifs de l'utilisation de plusieurs
dtecteurs est d'amliorer les performances du systme telles que les caractristiques
oprationnelles, sauf que cela requiert le traitement dun flot important et vari
dinformations. Donc les performances dun systme de dtection distribu CFAR dpend du
type dinformations traites, notamment, le modle du clutter. Sachant que les techniques
destimation utilises dans les dtecteurs CFAR dpendent de plusieurs paramtres, et avec
l'absence de vritables modles de clutter, les systmes de dtection prsentent une non
linarit lie au systme coupl d'quations non linaires des probabilits de dtection (Pd )et
de fausse alarme (PFa) sous la contrainte dune fonction objective. En raison de la
complexit d'optimisation de ces systmes, les mthodes classiques sont de moins
performantes et il est plus intressant dutiliser une approche doptimisation non linaire
efficace et adaptative pour lestimation des seuils de dtection, ce qui fait lobjet de ce prsent
travail.
La difficult qui nous intresse particulirement est alors lie la rsolution du problme
doptimisation des systmes de dtection distribus CFAR, par dtermination des paramtres
en mesure d'atteindre cet objectif. Daprs la littrature, plusieurs travaux on t labors
comme solution au problme voqu prcdemment. Parmi ceux-ci, des tudes effectues
rcemment ont prsent une approche flexible qui emploie les deux variantes des
Algorithmes Evolutionnaires (AEs), les Algorithmes Gntiques (AGs), et les Stratgies
dEvolutions (SEs), pour lamlioration de la qualit des systmes distribus CFAR [48] [49].
Dans ce contexte on va essayer doptimiser le seuil de dtection des systmes distribus
CFAR en appliquant une approche inspire des stratgies des essaims et de leur aptitude
optimiser un objectif global par la recherche collaborative dans un espace. Cette approche est
loptimisation par essaims de particules (OEP), ou PSO en anglais abrviation de Particle
Swarm Optimization. Au dpart, Les inventeurs de cette technique, Russel Eberhart et James
Kennedy en 1995 [31], ont essay de simuler le comportement social des individus
(particules) dans un essaim en mouvement tout en restant en une formation optimale. Le
4
Introduction Gnrale
Dans cette tude, on va essayer dappliquer la technique PSO la recherche des paramtres
optimaux de chaque dtecteur local CFAR afin destimer leurs seuils de dtection locaux, qui
leur tour seront transmises au centre de fusion o une dcision globale est obtenue en
utilisant le critre de Neyman-Pearson, qui consiste maximiser la probabilit de dtection
globale tout en maintenant la probabilit de fausse alarme globale une valeur dsire. Les
critres de performances du systme, pour les rgles de fusion considres AND et OR, sont
vrifis par lanalyse de la probabilit de dtection Pd selon la probabilit de fausse alarme
PFa globale.
5
Introduction Gnrale
6
Chapitre 2
Concepts de Base sur les Systmes Radar
Rsum
Dans ce chapitre, nous reprenons brivement le principe et la structure de base dun
systme radar, tout en donnant un aperu sur la classification des systmes radars,
notamment les radars impulsions et les caractristiques dune impulsion RF. Ensuite, on
va montrer aussi la relation fondamentale entre les puissances mises et captes par
lantenne radar qui fait appelle lquation radar, puis, nous prsentons un bref rappel sur
la thorie de la dcision. Enfin, nous exposons les modles statistiques des cibles, savoir
les quatre types Swerling ainsi que les divers modles statistiques reprsentant le clutter.
2.1 Introduction.
2.2 Principe et structure de base dun systme radar.
2.3 Radars impulsions.
2.4 Lquation du radar.
2.5 Dtection des cibles.
2.6 Thorie de la dcision.
2.7 Les critres de dcision.
2.8 Modlisation des cibles.
2.9 Bruit et chos parasites
2.9.1 Le Clutter.
2.9.2 Modles de clutter
2.10 Conclusion.
Concepts de Base sur les Systmes Radar
2.1 Introduction :
Le radar est un systme qui utilise les ondes lectromagntiques pour la dtection et la
localisation des objets refltant, do vient l'origine du mot Radar, qui est labrviation de
lexpression anglaise Radio Dtection And Ranging et qui signifie : dtection et
tlmtrie par ondes Radio [5]. Aujourd'hui il est mieux de dfinir le radar comme tant la
surveillance lectromagntique active [4]. Son principe de fonctionnement est bas sur
lmission dun signal lectromagntique vers une portion de lespace et la rception des
chos rflchis par les objets qui sy trouvent (navires, avions, missiles, engins spatiaux,
voitures, pitons, etc.). Son impact est apparu clairement travers l'importance des
diffrents domaines d'application et qui sont gnralement trs sensibles.
8
Concepts de Base sur les Systmes Radar
Cible
Antenne
Indicateur
On dduit alors, que les diffrents besoins des utilisateurs et les diffrentes techniques ou
technologies de conception impliquent une varit dans les structures et les caractristiques
des systmes radars. En ce sens, ils peuvent tre classifis en plusieurs classes suivant les
caractristiques d'emploi, le lieu d'installation, la destination, ainsi que dautres indices qui
peuvent tre utiliss pour la classification. La littrature est riche en ce qui concerne la
classification, ce qui nous permet de citer :
Une classification daprs les diffrentes qualits et technologies utilises par les
quipements radars, telles que, les radars primaires o le radar reoit la partie rflchie de
son propre signal, et les radars secondaires, o la cible doit tre quipe dun transpondeur
(transmetteur rpondeur) qui rpond linterrogation du radar en gnrant un signal cod
contenant des informations spcifiques de la cible. Gnralement les radars sont classs
d'aprs le type d'mission, forme d'onde ou frquence de fonctionnement. Prenons en
considration les formes donde, nous trouvons les radars impulsions et les radars ondes
continues (CW) [1]. Ces derniers traitent continuellement les chos reus de leur propre
signal et qui est sous la forme d'un signal continu hyperfrquence (sinusodal sans
interruption). Une limitation fondamentale lie ce type de radars, est cause par leur
sensibilit, ainsi les fuites de bruit de l'metteur dans le rcepteur rsultent en une instabilit
de lmetteur. Certaines des mthodes utilises pour rsoudre ce problme peuvent entraner
9
Concepts de Base sur les Systmes Radar
que les petits signaux de cible mobile ne peuvent pas tre vus, do, la capacit de porte
maximale des radars CW est souvent limite par ce facteur. Un autre inconvnient li ce
type de radar est le fait qu'il ncessite deux antennes [2].
En consquence, Pour pouvoir fonctionner correctement, le radar doit pouvoir mettre une
trs grande quantit d'nergie concentre dans une direction, tout en tant assez sensible pour
n'en dtecter ne serait-ce qu'une infime partie renvoye sous forme d'cho. Ce problme a t
pendant longtemps la cause du manque d'efficacit des premiers radars. De nos jours, on
utilise ce qu'on appelle des radars impulsions.
10
Concepts de Base sur les Systmes Radar
Timp
11
Concepts de Base sur les Systmes Radar
O : y(t) est le signal reu, k un paramtre qui dpend de l'altitude de la cible, de ses
proprits de rflexion, et de la distance, n(t) est le bruit, t0 le retard et c est la vitesse de
propagation des ondes lectromagntiques. On remarque que la dtection dune cible dpend
de lobservation du signal reu, ce qui signifie que cest un problme de dcision entre les
deux hypothses suivantes:
: ( )= ( ) (2.5)
H1 : y(t) = ks(t + t0 ) + n(t) (2.6)
12
Concepts de Base sur les Systmes Radar
La dtection radar revient observer le signal reu qui reprsente une variable alatoire de
lespace dobservation, et prendre une dcision concernant la prsence ou labsence dune
cible. Cet espace est divis en deux sous-espaces Z0 et Z1 associs aux deux hypothses
alternatives H0 et H1 . Cependant, l'occurrence simultane des deux hypothses est
impossible, les sous-ensembles Zi sont donc disjoints. Les dcisions correspondantes seront
notes Di, ainsi les situations possibles sont [13] :
1. Dcider la prsence de cible sachant que la cible est prsente.
2. Dcider labsence de la cible sachant que la cible est prsente.
3. Dcider la prsence de la cible sachant que la cible est absente.
4. Dcider labsence de la cible sachant que la cible est absente.
La nature alatoire des signaux reus par le rcepteur radar, ncessite un traitement avant de
les comparer un seuil de dcision choisi. Afin de prendre lhypothse correcte, les quartes
possibilits prcdentes sont associes quatre probabilits qui serviront juger les
performances dun critre de dcision, et pour choisir entre les deux hypothses, deux types
d'erreurs peuvent se produire. Erreur de type I : H1 est accepte lorsque H0 est vraie, ce qu'on
appelle une fausse alarme, et lerreur de type II : H0 est accepte quand H1 est vraie, vise
comme une perte [13].
1. ( ) : correspond une probabilit de non dtection.
2. ( )=1 ( ) : correspond une probabilit de fausse alarme Pfa.
3. ( )= : correspond une probabilit de perte de dtection.
4. ( )=1 : correspond une probabilit de dtection.
On a : P ( Di / H j ) f
Zi
Y /Hj ( y / H j )dy o f
Zi
Y / Hj ( y / H j )dy est la fonction densit de probabilit
Rgle de
dcision ou
13
Concepts de Base sur les Systmes Radar
( )+ ( )=1 (2.7)
et
C >C ; C >C (2.8)
Le but de cette approche consiste minimiser, en fonction des rgions de dcision Z une
fonction risque R dfinie comme tant la moyenne statistique de lensemble des cots
associs aux probabilits de leurs situations respectives.
Le risque moyen est donn par [13]:
R EC C00 P(D0 , H0 ) C01P(D0 , H1 ) C10 P( D1 , H 0 ) C11 P( D1 , H 1 ) (2.9)
14
Concepts de Base sur les Systmes Radar
Chaque probabilit conjointe qui figure dans cette expression peut tre crite comme:
P( Di , H i ) P( Di H j ).P( H j ) P( Di H j ).Pj = Pj f
Zi
Y /Hj ( y / H j ) dy (2.10)
On trouve:
R P0C00 fY / H0 (y / H0 )dy P1C01 fY / H1 (y / H1 )dyP1C10 fY / H1 (y / H1 )dy P1C11 fY / H1 (y / H1 )dy (2.12)
Z0 Z0 Z1 Z1
Les deux premiers termes dans cette expression constituent une pnalisation fixe, donc il est
claire que le domaine Z 0 minimisera cette fonction risque et la solution de l'ingalit :
Tout y vrifiant l'une des deux ingalits ci-dessus appartiendra Z0 , et il est aussi admis
que le cot de prendre une dcision errone est suprieur au cot de prendre une dcision
correcte. Telle que : C01 > C11 > C10 > C00 .
Lobjectif est de minimiser le cot moyen, ce qui est quivalent la rgle de dcision
suivante:
f Y / H1 ( y / H 1 )
( y) (2.16)
fY / H0 ( y / H 0 )
15
Concepts de Base sur les Systmes Radar
H1
( y) (2.20)
H0
J Pm (Pfa 0 ) (2.21)
J Z Y / H1
f ( y / H 1 ) dy
Z Y / H 0
f ( y / H 1 ) dy 0
(2.22)
0 1
16
Concepts de Base sur les Systmes Radar
Pour minimiser cette fonction objective, il faut trouver , qui doit tre dtermin de faon
satisfaire la contrainte. Ceci est obtenu en dfinissant le sous-espace Z 0 qui est la solution de
l'ingalit suivante:
fY / H1 ( y / H1 )
(2.24)
fY / H 0 ( y / H 0 )
Depuis le dveloppement des systmes radar, des recherches approfondies ont t menes
sur la dtection et l'identification des cibles radar. Et comme il est connu, l'objectif du radar
est de dtecter et de caractriser des cibles dans le champ lectromagntique rtrodiffus [1].
Le phnomne de diffusion se produit lorsque des ondes clairent arbitrairement un obstacle.
Toute htrognit des paramtres lectriques et magntiques d'un milieu de propagation
sert comme un obstacle pour les ondes radio. L'onde incidente affecte par les oscillations de
l'obstacle que sont les origines du rayonnement secondaire (de diffusion) dans diffrentes
directions. Il est particulirement important pour le radar [11].
Parmi les problmes d'identification des cibles radar, on trouve la spcification des
diffusions des cibles, et qui reprsente un sujet pertinent. En effet, la section effective de
rtrodiffusion de la structure de cible donne une contribution trs significative l'ensemble
Radar.
2.8.1 La surface quivalente radar (SER) :
Lorsquun objet expos une onde lectromagntique disperse l'nergie incidente dans
toutes les directions, la distribution spatiale de l'nergie est appel alors diffusion. L'nergie
diffuse vers la source de l'onde (appel rtrodiffusion) constitue l'cho radar de l'objet.
L'intensit de l'cho est dcrite de manire explicite par la surface quivalente radar de
17
Concepts de Base sur les Systmes Radar
l'objet, reconnue gnralement par labrviation SER. Les premiers articles sur le sujet, ont
utilis le terme zone de rpercussion ou surface effective, et ces termes peuvent encore tre
trouvs dans la littrature technique contemporaine. La dfinition formelle de la SER est
donne par [2] [11] :
2
Es
0 4R 2
2
(2.26)
Ei
O :
Ei est le champ incident ou la force du champ lectrique de l'onde incidente frappant la
cible.
Es est le champ rtrodiffus ou la force du champ lectrique de l'onde diffuse vers le radar.
R la distance radar-cible.
Les cibles sont de formes complexes et des caractristiques diffrentes, telles que le
volume, la forme et lorientation. Une cible se comporte donc comme une antenne de forme
complexe. Ce qui exprime que le taux de rflexion de lnergie intercepte (le faisceau
lectromagntique mis par le radar) dans la direction du radar, est en fonction de la surface
de rflexion effective attribue chaque surface de cible. Les chos de cibles de toutes les
formes, sauf une sphre mtallique, varie de faon significative suivant lorientation, ce qui
introduit des variations de la SER appeles fluctuations [2].
18
Concepts de Base sur les Systmes Radar
1 x
P( x) exp > 0. (2.27)
s
s
: est la surface quivalente radar moyenne sur toutes les fluctuations de la cible (moyenne
de la SER ou du rapport de puissance signal bruit, ).
Ce modle caractrise les cibles rapidement fluctuantes. Les impulsions d`cho, reues de la
cible pour un balayage, sont supposes tre indpendantes dune impulsion une autre au
lieu dun balayage un autre. La fonction de densit de probabilit pour la section
transversale de la cible est la mme que celle donne dans (2.27).
Le modle de swerling 3, comme dans le cas du Swerling 1, caractrise les cibles lentement
fluctuantes, mais avec une fonction densit de probabilit donne par :
4x 2x
P( x) exp > 0. (2.28)
s s
2
Dans ce cas, les fluctuations sont d'une impulsion une autre comme dans le cas des cibles
de type Swerling 2, mais la fonction de densit de probabilit est donne par (2.28).
19
Concepts de Base sur les Systmes Radar
2.9.1 Le clutter :
Le Clutter est un terme utilis pour dcrire tout objet susceptible de gnrer des chos radar
indsirables et qui peuvent nuire au fonctionnement normal des radars. Gnralement, le
clutter est gnr, soit par des centres diffuseurs rpartis en volume dans latmosphre,
comme les objets volants conus par ltre humain, les nuages, les prcipitations, les
insectes, les oiseaux et les inhomognits de latmosphre, soit par les asprits de la
surface terrestre. Le clutter peut tre subdivis en deux catgories: les chos fixes, qui sont
produits par les terrains accidents, mer non agite, les montagnes, les collines et les
structures artificielles; Et les chos mobiles qui comportent les chos de mer agite, les
surfaces des vhicules et autres. Dune manire gnrale, on ne peut pas donner une
dfinition unique au clutter, puisquune cible pour un certain utilisateur peut tre un fouillis
pour un autre, par exemple, pour le mtorologue, les prcipitations, la cible et les avions
sont des fouillis. Parmi les effets ngatifs du clutter sur la dtection, est qu'il peut masquer
certaines cibles lors de leur passage travers des rgions occupes par les chos de ce
dernier et de gnrer des fausses alarmes qui peuvent dvier l'attention des ressources
provenant de cibles relles. Les chos de clutter peuvent produire de fausses pistes et
augmenter les erreurs de poursuite [10] [7]. On peut noter que le clutter des surfaces est
fortement variable, c'est la nature de la rugosit de la surface, qui dtermine les proprits de
l'cho radar, tandis que le clutter ponctuel peut tre plus prvisible [7].
Les chos de Clutter sont alatoires et ont des caractristiques de type bruit thermique du fait
que les composantes individuels de clutter (diffuseurs) ont des amplitudes et des phases
alatoires. Dans de nombreux cas, le niveau du signal de clutter est beaucoup plus lev que
le niveau de bruit du rcepteur. Ainsi, laptitude du radar dtecter les cibles noyes dans un
clutter lev dpend du rapport signal- Clutter (RSC) que le rapport signal--bruit RSB [3].
20
Concepts de Base sur les Systmes Radar
c x
c 1
x c
f X ( x) exp ; x 0 . (2.29)
bb b
O c et b reprsentent respectivement les paramtres de forme et dchelle.
Pour = 1 et = 2, la distribution Weibull est identique aux distributions, exponentielle et
Rayleigh respectivement.
Le modle Rayleigh :
Ce modle est un cas particulier de la distribution de Weibull pour = 2. Il est bas sur
l'hypothse selon laquelle le signal rflchi provenant de nombreux diffuseurs uniformes et
indpendants, situs de manire alatoire au sein de la zone de surface de clutter illumine
par le radar.
Le modle Log-normal:
La distribution log-normal est donne comme suit [13]:
1 ln( x) 2
f X ( x) exp
(2.30)
2 2 2
O est la moyenne de ln( ) et est la variance de ln( ).
Le moment dordre caractrisant la puissance du clutter est donn par :
k 2 2
E X k k exp
2
(2.31)
Le modle K :
La distribution K est apparue principalement pour reprsenter le clutter de mer. Une variable
alatoire avec la fdp de modle K est dfinit par [13]:
4 x 2
f x (x ) ( )v K v 1 ( x ); x 0 (2.32)
b (v ) b b
21
Concepts de Base sur les Systmes Radar
22
Chapitre 3
La Dtection Taux
de Fausse Alarme
Constant
Rsum
Dans ce chapitre, nous allons prsenter en premier lieu les principes fondamentaux de la
dtection adaptative CFAR, introduite dans le but dadapter la dtection des cibles
lenvironnement dans lequel cette dtection est effectue. Aussi larchitecture de quelques
types de dtecteurs CFAR, sera voque ainsi que les mthodes destimation du niveau de
clutter adoptes par ces dtecteurs afin de permettre une meilleure qualit de dtection. La
fin du chapitre sera consacre une introduction aux systmes distribus avec un centre de
fusion de donnes.
3.1 Introduction.
3.2 Dtection CFAR.
3.3 Concept de base des dtecteurs CFAR
3.4 Littrature sur quelques types de dtecteurs CFAR.
3.5 Dtection distribue CFAR.
3.6 Les systmes de dtection distribue.
3.7 Conclusion.
La Dtection Taux de Fausse Alarme Constant
3.1 Introduction :
24
La Dtection Taux de Fausse Alarme Constant
des signaux parasites, bruit thermique plus clutter et qui sont gnralement de nature
statistique non stationnaire. Le principe est de formuler lopration en tant que test
dhypothses, pour obtenir une dcision sur la prsence ou labsence de la cible suivant les
rsultats de comparaison un seuil ( ), calcul en fonction de la probabilit de dtection et
de la probabilit de fausse alarme spcifies sur un intervalle dobservation. La stratgie de
dtection est dveloppe via des critres de dcision statistiques et des modles de
fluctuation de cibles, de bruit de fond et dinterfrences. Les applications de la dtection
classique utilisant un seuil de dtection fixe, sont limites des milieux avec un niveau de
bruit moins changeant. Cependant, dans le cas dun environnement avec prsence de clutter
non stationnaire, la probabilit de fausse alarme est extrmement sensible aux petits
changements de la valeur moyenne de lnergie retourne par la cible ou lenvironnement.
Pour une dtection d'impulsion unique, la probabilit de fausse alarme est donne par [13] :
th 2
Pfa exp (3.1)
2
2
2
O, est le niveau de seuil et est la variance du bruit total.
Une variation de 3 de la puissance du bruit peut provoquer une augmentation de la
gale 10-4, comme reprsenter sur la figure 3.1. Cette augmentation considrable de la ,
rend ainsi lcrtement sur un seuil fixe intolrable cause de la saturation, que ce soit de
loprateur humain ou du calculateur. Cette limitation corrige par ladaptation du seuil de
dcision sur le niveau du signal parasite de faon ce que le signal de rponse la sortie du
rcepteur prsente un nombre de fausses alarmes constant. Le seuil, utilis dans ce cas, est
obtenu par lestimation du signal parasite provenant de lenvironnement de dtection.
Pfa
10 4
10 5
10 6
10 7
10 8
2 4 6 8 10 12
2
Puissance du bruit (dB)
4
Fig. 3.1 Sensibilit de la puissance de bruit (dB)
25
La Dtection Taux de Fausse Alarme Constant
y Dtecteur Intgration
Filtres adapts
denveloppe Non cohrente
Signal
dentre
Cellule sous test
Y
H1
H
1
y th
H0 H
0 Estimateur de clutter
Z
T
=
26
La Dtection Taux de Fausse Alarme Constant
Etant donn que si le bruit et les cibles de type Rayleigh ont des composantes en quadrature
gaussienne, alors la sortie du dtecteur quadratique est exponentiellement distribue. Prenons
le cas o le modle statistique de la cible au niveau de la cellule sous test, appele la cible
principale, est une cible lentement fluctuante selon le cas de Swerling 1. Le rapport signal--
bruit de la cible est not par S. Et pour le cas o le bruit total de fond est gaussien blanc.
Ainsi, les chantillons {yi} pour i=0, , N la sortie du dtecteur quadratique sont de
distribution exponentielle. Si 2 est la variance du bruit, alors la fonction de densit
conditionnelle de la sortie de la cellule sous test est donne par [13] :
exp
1 y
, Pour H
2 (1 S )
2 2 1
f (y \ H ) 2 (1 S ) (3.3)
1 exp y
Y\H i
i , Pour H
2 0
2 2 2
L'hypothse H0 reprsente le cas du bruit seul, tandis que l'hypothse H1 reprsente le cas de
bruit plus le signal de cible. La probabilit de dtection et de fausse alarme sont
respectivement donnes par :
Pd P (Y TZ \ H
0
1 ) f Z ( Z ) dZ (3.4)
Et,
Pfa P (Y TZ \ H
0
0 ) f Z ( Z ) dZ (3.5)
27
La Dtection Taux de Fausse Alarme Constant
28
La Dtection Taux de Fausse Alarme Constant
+
U V - Dcision
Signal Dtecteur
dentre quadratique
Cellule sous
test
=
Processus
CFAR
=
T
Les performances du CA-CFAR sont optimales dans les milieux homognes. Cependant,
l'hypothse de ces derniers n'est plus valable en prsence de cibles interfrentes. Dans de
telles situations, la performance du processeur CA-CFAR est srieusement dgrade.
29
La Dtection Taux de Fausse Alarme Constant
Diffrentes techniques CFAR ont t proposes pour amliorer la dtection dans les milieux
non homognes, pour divers applications. En particulier, dans le cas de prsence des cibles
interfrentes, Rohling a tout d'abord propos un test de statistique d'ordre pour la dtection
CFAR [18], ce qui a t analys plus tard par Gandhi et Kassam [19].
Les dtecteurs OS-CFAR (Ordre Statistic CFAR) ont rvl de bonnes performances en
prsence d'interfrences. La technique d'estimation utilise dans ce cas, effectue un
arrangement des observations dans la fentre de rfrence, dans l'ordre croissant suivant
leurs amplitudes, et par la suite, la slection de lchantillon dordre k (X(k)) pour
lestimation de la statistique Z, pondre par le facteur T suivant la Pfai souhaite.
Le rang de la statistique d'ordre utiliser est dtermin l'avance, et il peut prendre
n'importe quelle valeur dans lintervalle 1 k N. Rohling a montr dans [18], que pour
des applications radar dans un environnement Gaussien, le choix de k=3N/4 reprsente un
bon estimateur.
Le dtecteur OS-CFAR a une petite perte de dtection par rapport au dtecteur CA-CFAR en
milieux homogne, mais peut rsoudre les problmes de prsence des cibles interfrences
rapproches. Cependant, il ncessite un temps de traitement plus long que le dtecteur CA-
CFAR. Les probabilits de dtection et de fausse alarme dans le cas du OS-CFAR pour un
environnement homogne sont donnes respectivement par :
k 1
( N j)
Pd i (3.6)
j 0 T
N j
(1 S )
k 1
( N j)
Pfa i (3.7)
j 0 N j T
Lefficacit de lutilisation dun seul chantillon pour lestimation du seuil de dtection est
clairement prsente dans les milieux homognes avec la prsence de cibles interfrentes.
Cependant, le dtecteur OS peut prsenter une augmentation significative du taux de fausses
alarmes dans les rgions de transition de puissance du clutter. Gandhi et Kassam ont
proposs une autre mthode pour dtourner ce problme, le dtecteur dordre statistique
adaptative (AOS) [20]. Le AOS-CFAR agit comme un dtecteur OS-CFAR, mais dont le
paramtre k est choisi en fonction du rsultat d'un test d'hypothse, qui tente de dtecter la
prsence d'une transition de puissance du clutter dans chaque fentre de rfrence.
30
La Dtection Taux de Fausse Alarme Constant
Le dtecteur moyenne crte TM-CFAR (Trimmed Mean CFAR) qui a t propos par
Gandhi et Kassam [19], peut tre considr comme une gnralisation du dtecteur OS-
CFAR, dans lequel la puissance du bruit est estime par une combinaison linaire des
chantillons de cellules de porte ordonnes selon leurs puissances croissantes et un certain
nombre prdfini lavance, des plus grandes et des plus petites valeurs sont limines pour
quensuite lestimation soit accomplie comme dans le cas des dtecteurs CA-CFAR. Cette
technique est robuste en cas dinterfrences et en environnement de clutter impulsionnel. La
statistique Z est donne par [19] :
N T2
Z X
j T1 1
( j) (3.8)
31
La Dtection Taux de Fausse Alarme Constant
leur approche, chaque dtecteur CA-CFAR transmet une dcision binaire au centre de fusion
o une dcision globale est obtenue sur la base de la rgle de fusion slectionne, AND ou
OR. La technique montre une amlioration dans le pouvoir dcisionnel. Le schma
topologique du systme propos est illustr par la figure 3.4, lequel reprsente la forme
gnrale de la technique dveloppe, qui consiste dterminer les valeurs des seuils
adaptatifs qui maximisent la probabilit de dtection globale pour une probabilit de fausse
alarme globale donne. Plusieurs travaux concernant la dtection dcentralise et qui font
appel la mme technique, mais qui traitent des problmes diffrents, ont t par la suite
prsents par dautres auteurs, en particulier les travaux de Elias Fust et al [24], dans
lequel ils ont prsent une approche similaire en prenant comme rgle de fusion "k parmi N",
pour un environnement non homogne. Ils ont considr, en plus du CA-CFAR, la technique
dordre statistique OS-CFAR, et ils ont dtermin la rgle de fusion optimale.
Phnomne
Dcision
et avec la prsence de cibles multiples. Dans [25], une analyse des performances du systme
distribu OS-CFAR avec centre de fusion dans les deux environnement homogne et non-
homogne montre que dans le cas non-homogne, et pour plusieurs scnarios constitus de
multiples cibles interfrentes et transition de clutter, la performance du systme distribu
OS-CFAR est trs robuste, et que pour les mmes scnarios non homognes, il a galement
t montr que les performances du systme de dtection distribu CFAR est amlior
considrablement si le systme distribu OS-CFAR est utilis la place du systme de
dtection distribu CA-CFAR.
0 si le dtecteur i dcidde H0
Di (3.9)
1 si le dtecteur i dcide H1
33
La Dtection Taux de Fausse Alarme Constant
Une fois les multiplicateurs de seuil Ti, i = 1,2,. . . , M, sont obtenus, tout les Pfai sont fixs
et la Pd optimale rsulte. Dans ce qui suit, et pour un systme constitu de M dtecteurs
CFAR, nous donnons des rsultats spcifiques pour les rgles de fusion AND et OR. Pour
lesquelles on peut trouver les multiplicateurs de seuil optimal qui maximise la Pd tandis que
la PFa est maintenue la valeur souhaite.
Rgle de fusion AND :
Pour la rgle de fusion AND, la dcision globale au centre de fusion est 1 si et seulement
si tous les dtecteurs dcident 1. Les probabilits globales de dtection, Pd et de fausse
alarme Pfa, globales sont donnes par :
M
Pd Pd i (3.12)
i 1
Et :
M
PFa Pfa i (3.13)
i 1
Rgle de fusion OR :
En revanche, pour la rgle de fusion OR, la dcision globale est gale zro, si et seulement
si, tous les dtecteurs dcident zro. Les probabilits globales sont donnes par :
M
PM Pmi (3.14)
i 1
Et :
M
PFa 1 (1 Pfa i ) (3.15)
i 1
Pour dterminer les multiplicateurs de seuil Ti, optimaux qui maximisent la Pd, il faut
remplacer les fonctions des probabilits globales, selon la rgle adopte que se soit la rgle
AND ou OR, dans la fonction objective, et de fixer la PFa la valeur souhaite.
3.7. Conclusion :
Dans ce chapitre, nous avons prsent la dtection adaptative CFAR, ce qui comprend le
concept de base dun systme CFAR et son mcanisme de traitement, face aux problmes
34
La Dtection Taux de Fausse Alarme Constant
35
Chapitre 4
Optimisation par Essaims
de Particules
Rsum :
Dans ce chapitre, nous allons prsenter en premier lieu, la ncessit dutiliser des techniques
doptimisation avances pour des problmes complexes, notamment, loptimisation par
essaims de particules. Ensuite, nous allons explorer limplmentation du paradigme des
essaims de particules, en laborant d'abord l'algorithme ainsi que le mcanisme de recherche
qui le rend fonctionnel. Nous examinerons alors, les effets des diffrentes topologies de
voisinage. Ensuite, nous aborderons la difficult de slection des paramtres, en se
concentrant sur les moyens facilitant la convergence et lvitement de l'explosion de l'essaim.
Ces approches comprennent le fruit de plusieurs amliorations appliques sur lalgorithme
PSO.
4.1 Introduction.
4.2 Les essaims de particules.
4.3 Optimisation par essaims particulaires.
4.4 Laspect formel de loptimisation par essaims de particules.
4.5 Topologie dun essaim de particules et notion de voisinage.
4.6 Lalgorithme PSO.
4.7 Choix des paramtres.
4.8 Conclusion.
Optimisation par Essaims de Particules
4.1 Introduction :
Les mta-heuristiques sont une classe de mthodes approximatives qui ont t dveloppes de
faon spectaculaire depuis leur cration au dbut des annes 1980. Ils sont conus pour
attaquer des problmes d'optimisation complexes o les mthodes heuristiques et
d'optimisation classiques n'ont pas russi tre efficaces. Une mta-heuristique est
formellement dfinie comme un processus de gnration itrative qui subordonne et qui guide
une heuristique, en combinant intelligemment diffrents concepts pour l'exploration et
l'exploitation de l'espace de recherche, en utilisant les stratgies d'apprentissage pour
structurer l'information afin de trouver des solutions quasi optimales de manire efficace [29].
Par consquent, les mta-heuristiques comprennent plusieurs techniques diffrentes en
fonction de la diversit des sources dinspiration.
Un certain nombre d'outils et de mcanismes, qui ont merg de la cration des mthodes
mta-heuristiques ont prouv une efficacit remarquable, y compris les techniques inspires
du comportement social des tres vivants. Plus prcisment, la technique qui simule les
interactions sociales des individus qui vivent en essaims, et qui sont connues sous le nom
37
Optimisation par Essaims de Particules
Lessaim de particules, un concept qui est apparu et qui a gagn sa popularit depuis 1995, o
il a t introduit comme algorithme de recherche et doptimisation par Eberhart et Kennedy
[30][31]. Bien que lorigine de lide remonte, comme il a t soulign dans leur article [30],
aux travaux de simulation du comportement social prsent dans la srie des simulations
exprimentales ralises par Reynolds en 1987, poursuivis par Heppner et Grenander en 1990,
dans lequel, ils ont cre des simulations informatiques de diverses interprtations du
mouvement des organismes dans un troupeau d'oiseaux ou un bancs de poissons pendant leur
recherche de nourriture travers lapprentissage sociale en observant le comportement des
membres. Sur la base de cette exprience, Eberhart et Kennedy ont observ le concept de
voisinage et ce qu'il signifie pour l'change d'informations entre les membres, et quel est son
impact sur la dynamique des membres pendant leur dplacement dans un espace de recherche.
En consquence, ils ont profit de ce potentiel d'optimisation et de la dynamique des agents et
ont a cet effet, propos un algorithme qui intgre la topologie de voisinage et la recherche
multidimensionnelle, afin de satisfaire les besoins dun problme doptimisation.
38
Optimisation par Essaims de Particules
Lapplication de lessaim de particules (PSO) est traduite par un algorithme apte dcouvrir
les rgions optimales des espaces de recherche complexes grce l'interaction des individus
dans une population de particules [35]. Ce comportement social est bas sur lanalyse de
lenvironnement et du voisinage, qui forme la structure du rseau social. Alors cette mthode
cherche loptimum par lobservation des tendances des individus voisins. Chaque individu
cherche optimiser ses chances en suivant une tendance quil modre par ses propres vcus.
Lalgorithme de cette technique repose sur un ensemble de N particules, initialement
disposes de faon alatoire et uniforme dans lhyper-espace de recherche E, o chaque
particule ( ) constitue une solution potentielle et garde galement en mmoire les
meilleures solutions Pi, quelle rencontre sur son chemin. A chaque itration t, lensemble des
particules va, normalement, converger vers la solution optimale globale du problme trait. Le
dplacement dune position une autre se fait en ajoutant une quantit, ou vitesse ( ) sa
position courante. La vitesse de chaque particule rsulte par la combinaison de la meilleure
position enregistre de la particule et de la meilleure position enregistre dans le groupe (ou
voisinage). La partie de lquation de vitesse, influence par la meilleure position prcdente
de la particule, est considre comme la composante cognitive, et la partie influence par le
meilleur voisinage est considre comme la composante sociale [30]. Lvolution de chaque
particule, en fonction de son meilleur voisin, de sa meilleure position et de sa position
prcdente, est donne par lquation suivante [38]:
39
Optimisation par Essaims de Particules
( + 1) = ( ) + [ ( ) ( )] + [ ( ) ( )] (4.1)
Cette vitesse est ensuite utilise pour calculer une nouvelle position de la particule.
Lvolution de la particule en fonction de sa vitesse est donne par lquation suivante :
( )= ( 1) + ( ) (4.2)
O est le facteur d'inertie [39] [40], qui sert contrler les tendances entre l'exploration et
l'exploitation. c1 et c2 sont les coefficients d'acclration, et sont respectivement la
composante cognitive et la composante sociale permettant le contrle du comportement
individuel et collectif de chaque particule ou l'influence des diffrents attracteurs. r1 et r2 sont
deux variables alatoires uniformes sur [0;1], est la meilleure position personnelle de la
particule i, est la meilleure position trouve par le voisinage de la particule i.
Les interactions de chaque particule, qui reprsente sa relation avec les autres particules de
lessaim, sont multiples, que ce soit en termes de nombre ou de qualit, ce qui a produit
diffrentes topologies dessaims. Leurs effets sur l'algorithme dessaim de particules ont t
systmatiquement tudis. Par consquent, de nombreux graphes ont t gnrs selon les
spcifications, et leurs performances ont t compares sur plusieurs critres, afin de
concevoir une bonne structure de la population [36].
40
Optimisation par Essaims de Particules
particules, dans laquelle elle examine comment les changements dans la topologie influent sur
le nombre d'itrations ncessaires pour satisfaire un critre d'erreur. Le modle propos est le
LBEST, dans lequel seulement un nombre spcifique de particules (nombre de voisins) peut
affecter la vitesse d'une particule donne. Typiquement, le voisinage dans le LBEST
comprend exactement deux voisins, un de chaque ct ; un treillis en anneau [36]. Dans ce
cas l'essaim converge plus lentement, mais peut atteindre l'optimum global avec plus de
chance. Plusieurs autres topologies ont t prsentes.
Fig. 4.1 Reprsentation graphique de : (a) topologie GBEST (b) topologie LBEST.
Kennedy [42] a propos lutilisation des clusters de voisinage, comme une alternative
l'utilisation du LBEST. De sorte que, le cluster est un ensemble de particules qui se situe
proximit les uns des autres dans l'espace de recherche. A chaque itration, ces clusters sont
mis jour. Ainsi, la proposition consiste lidentification des centres de diffrents clusters,
41
Optimisation par Essaims de Particules
afin dutiliser ces centres pour remplacer les meilleurs performances personnels ou les
meilleures de voisinage.
Il existe plusieurs topologies d'essaims qui peuvent tre utilises en fonction du problme
rsoudre, et ces modles prsents antrieurement ne sont que des exemples de nombreux
autres modles proposs, y compris la topologie pyramidale, toile, Von Neumann [36] et
qu'ils ont considr, comme les plus communes, avec lexistence de nombreuses autres, dont
l'objectif est de constituer la meilleur structure de lalgorithme PSO qui assure le contrle des
critres dexploration et dexploitation et qui amliore la capacit des particules
communiquer leurs performances dans un essaim.
L'algorithme standard de loptimisation par essaim de particules, est trs simple. Ces tapes
sont les suivantes [31]:
42
Optimisation par Essaims de Particules
Ce processus se poursuit de manire itrative jusqu' ce que le rsultat souhait soit atteint ou
la puissance de calcul est puise.
Dbut
Non
Critre darrt
Oui
Fin
43
Optimisation par Essaims de Particules
Grce de nombreuses applications, il est constat que pour les diffrents types de problmes
d'optimisation, les slections de paramtres sont diffrentes. Et mme pour le mme type de
problmes d'optimisation, si les chelles des problmes sont diffrents, les slections de
paramtres ne sont pas compltement les mmes. Lalgorithme doptimisation par PSO a
moins de paramtres rgler, mais les paramtres sont interdpendants et coupls. Outre, la
faon de dterminer la combinaison optimale pour les diffrents problmes est considre
comme un problme d'optimisation complexe rsoudre [43]. Par consquent, il serait
intressant de dvelopper un algorithme pour rechercher la meilleure combinaison de
paramtres pour la PSO pour chaque problme sparment [41].
Dans lalgorithme d'optimisation PSO, les paramtres qui rentrent en ligne de compte sont les
suivants:
44
Optimisation par Essaims de Particules
dpasse 20 particules, son effet sur la performance de lalgorithme PSO est d'une importance
minimale.
Les coefficients d'acclration sont utiliss pour contrler l'influence relative entre la mmoire
propre une particule et de ses congnres [38]. Ils sont, gnralement, des constantes gales,
dans lintervalle [0,2]. Daprs Suganthan [41], c1 et c2 doivent tre des constantes pour
gnrer des solutions de bonne qualit, mais pas ncessairement la valeur de 2,0 pour les deux
paramtres aux diffrents problmes, o nous pouvons trouver des meilleurs rsultats avec
dautres valeurs. Parfois ils sont considrs comme des variables en fonction du temps [44].
Pour de petites valeurs de c1, la capacit cognitive des particules est faible, mais elle peut
encore atteindre dautres zones de lespace de recherche, en s'appuyant sur la coopration
mutuelle entre les particules. Avec l'augmentation de c1, les particules amliorent leurs
propres aptitudes cognitives, mais quand ils dpassent une certaine valeur, la priorit est
donne aux propres expriences des particules par rapport la cognition de groupe, et ainsi la
capacit de recherche globale est faible, et les performances des rsultats chutent
graduellement.
( , ) = (1 ) + 100( ) (4.3)
Aborder la question de slection de paramtres, nous conduit, remdier le sujet des variantes
de PSO standard, notamment, le facteur d'inertie comme facteur de contrle daptitude de
45
Optimisation par Essaims de Particules
Ainsi, la premire consiste choisir le facteur d'inerti , introduit par Shi et Eberhart [40]
pour contrler le mouvement des particules dans lespace de recherche. La valeur choisie,
dfinira le comportement des particules entre lexploration et lexploitation, de sorte quune
grande valeur du facteur d'inertie facilite une recherche globale tandis quune faible valeur
facilite une recherche locale [40, 38]. Il est conclu quun algorithme PSO avec facteur l'inertie
dans l'intervalle [0.9, 1.2], en moyenne, aura un meilleur rendement; autrement dit, il a une
plus grande chance de trouver l'optimum global dans un nombre raisonnable d'itrations. La
fixation de ce facteur une valeur constante, revient donc trouver un compromis entre
lexploration locale et lexploration globale.
Pour empcher les particules de se dplacer trs rapidement entre les diffrentes rgions de
l'espace de recherche, il est prfrable de disposer une faon pour ralentir la vitesse des
particules. La mthode habituelle pour prvenir les effets indsirables de ce mouvement est
simplement par la dfinition du paramtre , et empcher quune particule i dpasse la
vitesse maximale autorise sur chaque dimension [32]. Shi et Eberhart [45] fixent une vitesse
maximale , et ils ont montr que le choix du paramtre de la vitesse maximale autorise
peut dpendre des problmes.
i > =
< =
46
Optimisation par Essaims de Particules
( + 1) = ( ( )+ [ ( ) ( )] + ( ) ( )) (4.4)
Avec :
= 2/|2 (^2 4)| (4.5)
La variable peut varier dans lintervalle [0,1]; une valeur de 1.0 fonctionne trs bien [32],
= c1 + c2> 4. Gnralement, est gal 4.1, de sorte que est gal 0,729. Les rsultats
exprimentaux de l'algorithme d'optimisation par essaims de particules avec coefficients de
constriction montrent une rapidit de convergence.
4.8 Conclusion :
Dans ce chapitre, nous avons prsent les relations entre loptimisation par essaims de
particules en tant que vie artificielle et algorithmes de calcul volutif. Nous avons prsent
aussi, les principales topologies et leurs influences sur la structure de lessaim de particules.
En suite, nous avons montr la difficult de la mise en uvre de la PSO, et de la slection des
paramtres optimaux pour rendre lalgorithme plus performant et qui reprsente l'un des
facteurs cls qui influent sur la performance et l'efficacit dalgorithmes pour rsoudre des
varits de problmes. Dans le chapitre suivant on va appliquer lalgorithme PSO pour
loptimisation du seuil de dtection dans un systme distribu OS-CFAR.
47
Chapitre 5:
Optimisation du Seuil de Dtection CFAR
Rsum :
5.1 Introduction.
5.2 Formulation du problme de dtection distribu.
5.3 Optimisation du systme distribu OS-CFAR par PSO.
5.4 Les performances du systme de dtection.
5.4.1 Optimisation dans un environnement homogne.
5.4.2 Optimisation dans un environnement non homogne.
5.5 Linfluence du choix des paramtres de lalgorithme PSO.
5.6 Conclusion.
Optimisation du Seuil de Dtection par Essaims de Particules
5.1 Introduction :
Comme il a t dj prsent prcdemment, vu la fiabilit et l'efficacit des systmes
distribus CFAR au niveau de l'amlioration des performances de dtection, ils ont une
prfrence chez les concepteurs des radars. En dpit des qualits performantes de ces
systmes, il reste toujours un dfi li au ct applicatif, cause des proprits non linaires
de ce type de systmes et en mme temps li au nombre important des paramtres qui
doivent tre dtermins. Dans ce sens, plusieurs approches et techniques alternatives aux
mthodes classiques, qui ont montr des limitations, ont t labores pour rsoudre ce
problme [48,49].
Dans ce mme contexte, ce travail consiste l'application dune technique qui est apparue
rcemment, et qui appartient un domaine de recherche en cours dvolution, notamment en
termes de son efficacit dans divers disciplines. La mthode destine, est celle de
loptimisation par essaims particulaires (PSO). Le but principal de cette tude, sera donc une
tentative tester lefficacit de la technique PSO dans le domaine de loptimisation dans les
systmes distribus OS-CFAR, en particulier avec un nombre lev des paramtres
dterminer. Ainsi, afin dviter une dgradation significative de la qualit de dtection qui
peut tre provoque par une mauvaise estimation de ces paramtres, plusieurs essais ont t
proposs dans cet tude, ce qui permettra damliorer la qualit de la dtection par
laugmentation de la probabilit de dtection, tout en assurant de maintenir une probabilit
de fausse alarme une valeur prdfini, et ceci dans les deux types denvironnements,
homogne et non homogne.
Afin de vrifier lavantage apport par la technique PSO, pour amliorer les performances de
la dtection dans de tels systmes, nous proposons dans la premire partie de ce travail une
tude des performances du systme OS-CFAR dans un environnement homogne, puis par la
suite dans un environnement non homogne, qui se manifeste par la prsence dinterfrences
au niveau de quelques cellules de rfrences dans chaque dtecteur. La deuxime partie
quant elle sera consacre une tude comparative des rsultats, selon diffrents paramtres
de lalgorithme doptimisation, et ceci dans le but dtudier linfluence de ces paramtres sur
le mcanisme de recherche de lalgorithme. En dautre part, lobjectif sera de trouver la
meilleur structure de lalgorithme PSO qui garantie loptimisation du seuil de dtection dans
un systme distribu OS-CFAR assurant les meilleures performances. Les deux parties
seront accompagnes par des discussions sur les rsultats obtenus, en vue de faire une lecture
49
Optimisation du Seuil de Dtection par Essaims de Particules
sur le lien entre l'aspect thorique qui a t voqu prcdemment et entre l'aspect pratique
que nous allons essayer de traiter par la suite.
50
Optimisation du Seuil de Dtection par Essaims de Particules
La simulation est appuye sur diffrentes structures dalgorithme PSO pour lestimation des
paramtres du systme distribu OS-CFAR, optimisant le seuil de dtection. Au dpart, nous
allons utiliser un algorithme avec un facteur dinertie fixe, puis par la suite nous
procdons une diminution linaire de ce paramtre au cours du temps, o lune des
variantes de la PSO base sur la mise jour dynamique propose par Shi et Eberhart est
utilise [38]. Lutilit dune telle variation sera une exploration globale au dbut de
l'excution de l'algorithme, et aussi la garantie dune convergence vers la solution optimale
la fin des calculs. Aussi, nous excuterons cet algorithme pour diffrents intervalles de
vitesse , pour diffrentes tailles de lespace de recherche, de mme que pour diffrentes
valeurs du coefficient d'acclration et .
Les rsultats exposs dans ce travail, afin dexaminer l'effet de la mthode propose,
reprsentent les caractristiques oprationnelles du systme de dtection distribu OS-CFAR
pour une cible fluctuante selon le modle de Swerling I dans un clutter de distribution
gaussienne. Pour ces simulations, on suppose que la valeur dsire de la est de 10-2
10-5 pour les deux rgles de fusion AND et OR. Les tapes doptimisation par PSO dcrites
prcdemment sont appliques ici pour obtenir les paramtres optimaux du systme de
dtection distribu OS-CFAR. Une population initiale de 20 particules alatoires de la forme
[k1, k2,.., kn, T1, T2,.., Tn] est gnre et les intervalles de variation de et sont [0, 500]
et [1, ] respectivement, o est rel et est un entier. En ce qui concerne les paramtres
de lalgorithme PSO, les valeurs de , sont poss gale 2, [1 1] et est fix
0.2.
51
Optimisation du Seuil de Dtection par Essaims de Particules
Le tableau 5.1 donne les paramtres estims par lalgorithme PSO en utilisant la rgle de
fusion OR pour diffrents systmes selon le nombre de dtecteurs locaux dans chaque
system. Dans ce cas, on peut facilement constater que les meilleurs rsultats sont ceux
obtenus pour le systme qui a le nombre le plus lev de dtecteurs locaux. Aussi les
performances de dtection se dgradent en diminuant la probabilit de fausse alarme dsire.
Pour montrer la diffrence entre les rsultats trouvs, nous traons sur les figures 5.1, 5.2 et
5.3 la variation de la probabilit de dtection en fonction du SNR pour diffrentes valeurs de
la probabilit de fausse alarme dsire. Alors que, Les rsultats prsents dans les figures 5.4
et 5.5 montrent lamlioration des rsultats selon le nombre de dtecteurs locaux OS-CFAR
dans le systme distribu suivant la rgle de fusion utilise.
Tableau 5.1. Les paramtres estims en utilisant lalgorithme PSO pour la rgle de
fusion OR.
52
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.1 La performance dun systme base de 2 dtecteurs pour la rgle de fusion
OR.
Fig. 5.2 La performance dun systme base de 3 dtecteurs pour la rgle de fusion
OR.
53
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.3 La performance dun systme base de 5 dtecteurs pour la rgle de fusion
OR.
54
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.5 Comparaison des probabilits de dtection pour les rgles de fusion AND et OR
pour un systme 2 dtecteurs OS-CFAR dans un environnement homogne
A travers les rsultats de simulation dans les figures 5.1, 5.2 et 5.3, et qui reprsentent la
variation des probabilits de dtection en fonction du rapport signal bruit pour quelques
valeurs de probabilits de fausse alarme dsires, on constate que les probabilits de
dtection sont plus leves lorsque la probabilit de fausse alarme est faible. La figure 5.4
montre, que plus le nombre de dtecteurs dans le systme distribu, est lev plus la
performance de dtection est amliore. On remarque aussi, pour la figure 5.5, la supriorit
des probabilits de dtection rsultantes de la rgle de fusion OR par rapport celles
rsultantes de la rgle de fusion AND.
de cibles interfrentes dans la fentre de rfrence. Lalgorithme PSO utilis est le mme que
celui utilis dans le cas homogne et qui a t trait prcdemment. Les rsultats sont
obtenus pour diffrentes situations suivant le nombre dinterfrences apparues dans les
cellules de rfrences.
55
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.6 La performance de la Pd dans le cas des cibles interfrentes: D1:1 et D2:0
Fig. 5.7 La performance de la Pd dans le cas des cibles interfrentes: D1:2 et D2:2
56
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.8 La performance de la Pd dans le cas des cibles interfrentes: D1:5 et D2:0
Fig. 5.9 La performance de la Pd dans le cas des cibles interfrentes: D1:2 et D2:5
57
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.10 La performance de la Pd dans le cas des cibles interfrentes: D1:5 et D2:5
Fig. 5.11 Comparaison entre diffrents cas de cibles interfrentes pour la rgle de
fusion AND
58
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.12 Comparaison entre diffrents cas de cibles interfrentes pour la rgle de
fusion OR
Lobservation des rsultats montre l'effet ngatif de la prsence de cibles interfrentes dans
les fentres de rfrences sur les performances de la dtection, que ce soit par lutilisation de
la rgle de fusion AND ou OR, comme il est illustr sur les figures 5.6 - 5.12. La seule
exception rside dans le cas de la figure 5.7, o on remarque une lgre amlioration de la
Pd pour la rgle fusion AND sur la Pd pour la rgle fusion OR, pour un SNR infrieur
10dB. Gnralement, la rgle de fusion OR montre une supriorit par rapport la rgle de
fusion AND.
59
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.13 Variation de la fonction fitness pour diffrentes valeurs du facteur dinertie.
60
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.15 La fonction fitness pour fonction linaire dcroissante sur deux intervalles.
61
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.16 La probabilit de dtection pour fonction linaire dcroissante sur deux
intervalles.
Fig. 5.17 Comparaison des fonctions fitness pour fonction linaire dcroissante sur
lintervalle [0.4-1.4] et =0.5
62
Optimisation du Seuil de Dtection par Essaims de Particules
Nous pouvons remarquer sur la figure 5.14 quune valeur de = 0.5 provoque une
meilleure performance de dtection comparativement = 0.2 et = 1.4. Tandis que
lobservation de la figure 5.13, sur laquelle nous illustrons les variations de la fonction
fitness pour diffrentes valeurs de constante, montre que la convergence est plus rapide
pour une valeur de = 0.2. Daprs les figures 5.15 et 5.16, il est claire que la convergence
vers un optimum de bonne qualit est plus rapide quand [0.4,1.4] par rapport
[0.4,0.9], cette qualit est illustr par les performances de dtection amliores. La
comparaison des rsultats montre que, pour un facteur dinertie constant on trouve que les
meilleures performances sont celles obtenues pour = 0.5. Par contre, en ce qui concerne le
cas pour lequel le facteur dinertie est une fonction dcroissante, comme le montrent les
figures 5.15 et 5.16, on constate que la probabilit de dtection maximale est celle qui a t
obtenue pour [0.4,1.4] et qui reprsente le meilleur rsultat par rapport touts les autres
cas de variation de et qui est clairement reprsent sur les figures 5.17 et 5.18. Grce
tout ce qui prcde, nous pouvons constater que les performances optimaux avec une
probabilit de dtection leve sont lies un facteur dinertie fonction dcroissante sur
l'intervalle [0.4,1.4].
63
Optimisation du Seuil de Dtection par Essaims de Particules
Dans cette partie, nous allons effectuer quelques tests afin d'valuer l'influence du choix de
lintervalle de vitesse des particules v, sur la qualit des rsultats de lalgorithme
doptimisation. Pour cela, nous allons excuter le programme de simulation pour chaque
intervalle de vitesse [-1,1], [-10,10] et [-20,20] et nous allons par la suite prsenter une
comparaison des meilleurs rsultats. Ces comparaisons seront bases sur les rsultats des
probabilits de dtection dun systme deux dtecteurs identiques, avec Ni=32, dans un
environnement homogne et pour une probabilit de fausse alarme dsire gale 10-4. La
rgle de dcision utilise est toujours la rgle de fusion OR.
Fig. 5.19 Comparaison des fonction fitness pour diffrents intervalles de vitesse, avec
fonction dcroissante dans [0.4,1.4].
64
Optimisation du Seuil de Dtection par Essaims de Particules
Les rsultats reprsents sur la figure 5.19, montrent que laugmentation de la vitesse des
particules ( ), provoque une dgradation en termes de convergence de lalgorithme, ce qui
influence invitablement la qualit de dtection du systme distribu, comme cest indiqu
sur la figure 5.20.
Selon les courbes obtenues, on peut dire que les meilleurs rsultats sont ceux qui ont t
obtenus pour un intervalle de vitesse [-1,1]. En outre, nous constatons galement que plus la
vitesse maximale est grande, plus les performances se dgradent, que ce soit en termes de
probabilit de dtection ou de progression de la fonction fitness. Nous utiliserons par la suite,
cet intervalle afin de raliser dautres simulations pour tudi linfluence des autres
paramtres.
Dans cette section, nous allons tudier l'effet de l'espace de recherche sur les rsultats de
simulation, o nous traitons seulement deux cas : [ /2, ] et [3 /4, ], en plus du
cas trait prcdemment pour [1, ]. Puis, nous allons examiner leffet du choix de
lintervalle de variation du paramtre T, en utilisant lintervalle de k qui a donn les
65
Optimisation du Seuil de Dtection par Essaims de Particules
meilleurs rsultats. Dans ce cas nous effectuerons des simulations, en utilisant la rgle de
fusion OR comme rgle de dcision et en choisissant [0.4,0.9], afin de faciliter
lobservation de l'effet du choix de lespace de recherche. Les rsultats de comparaison, pour
diffrents intervalles de variation de k, sont illustrs sur les figures 5.21 et 5.22.
66
Optimisation du Seuil de Dtection par Essaims de Particules
Dans cette partie, nous allons tester leffet des coefficients dacclration sur les rsultats de
lalgorithme PSO et lamlioration que peut apporter la variation de ces coefficients. Pour
cela, nous allons choisir certaines des valeurs de et avec [0.4,0.9] et [0,200].
67
Optimisation du Seuil de Dtection par Essaims de Particules
Les rsultats de comparaisons dans la figure 5.23, montrent que malgr la convergence de la
fonction fitness vers des valeurs relativement faibles pour les trois cas des coefficients
dacclration traits, lalgorithme PSO ne prsente pas la caractristique de converger vers
un optimum de mme qualit. Nous constatons aussi que lalgorithme converge vers le
meilleur optimum dans le cas de = 1 et = 3, alors que dans le cas o = 1 et =2
l'algorithme converge vers un optimum mdiocre, malgr sa rapidit de convergence par
rapport aux autres cas. La comparaison des performances pour chaque cas est illustre sur la
figure 5.24. Par consquent, les valeurs initiales de 2.0 pour les deux coefficients et la
fois dont la somme vaut 4.0 sont galement un bon choix pour lalgorithme de PSO, sauf que
lutilisation de = 1 et = 3 amliore la capacit de recherche de cet algorithme, ce qui
permet dobtenir de meilleures performances de dtection.
Daprs les rsultats obtenus pour diffrents paramtres, nous avons constater que
lutilisation dun algorithme PSO, bas sur la mise jour dynamique du facteur dinertie, et
qui a t prit dans notre cas pour [0.4,0.9], avec un intervalle de vitesse [-1,1], permet un
dplacement rapide au niveau de lespace de recherche qui doit tre choisi de manire
approprie, selon le problme trait et que la connaissance apriori de cet espace garantira une
meilleure estimation des paramtres du systme distribu OS-CFAR, assurant ainsi de
bonnes performances de dtection.
A fin de vrifier la robustesse de notre algorithme, nous avons opt tester les rsultats
prcdents dans dautres conditions pour le cas dun environnement non homogne. Pour
cela, nous avons suppos un systme deux dtecteurs non identiques, avec 12 cellules pour
le premier dtecteur et 16 cellules pour le deuxime. Pour ce qui est de lintervalle de
variation de Ti et ki, nous avons suppos [1,200] et ki [1, Ni] respectivement. Les
simulations sont effectues pour = 2, = 2, [1,1] et [0.4,0.9]. Dans ce cas,
nous avons suppos la prsence de deux et cinq cibles interfrentes au niveau des cellules de
rfrences dans chaque dtecteur, pour une dtection suivant la rgle de fusion OR.
68
Optimisation du Seuil de Dtection par Essaims de Particules
Fig. 5.25 Les probabilits de dtection pour diffrents cas de cibles interfrentes aprs
changement des paramtres de lalgorithme PSO.
Daprs les rsultats prsents sur la figure 5.25, nous pouvons remarquer une amlioration
des performances de dtection, aprs changement des paramtres, en comparaison avec les
rsultats obtenus pour lalgorithme PSO avec les paramtres initiaux (figure 5.12).
5.6 Conclusion :
Dans ce chapitre, nous avons examin les performances de la dtection du systme distribu
OS-CFAR, dont le seuil a t optimis par lutilisation de lalgorithme PSO, dans un
environnement homogne et non homogne. Au dbut, nous avons prsent la difficult
destimation du seuil de dtection, lie lutilisation de plusieurs dtecteurs pour un systme
distribu CFAR, ainsi que la possibilit datteindre un optimum qui soit loin de loptimum
global, en utilisant la rsolution analytique. Pour contourner ce problme, nous avons
propos un algorithme PSO afin destimer les paramtres du systme, qui permettent
doptimiser le seuil de dtection. Les systmes considrs, diffrent selon le nombre de
cellules dans chaque dtecteur, selon le nombre de dtecteurs dans chaque systme et aussi
selon les rgles utilises dans le centre de fusion. A travers une srie de simulations en
utilisant lalgorithme PSO, o tous les paramtres du systme sont optimiss simultanment
sans ncessit de codage, nous avons examin le mcanisme dexploration et dexploitation
69
Optimisation du Seuil de Dtection par Essaims de Particules
de lespace de recherche conditionn par les paramtres de lalgorithme, qui sont le nombre
ditrations, lattraction vers la meilleure position et vers la meilleure voisine, le facteur
dinertie, les coefficients dacclration et la fitness, et par des conditions initiales des
paramtres, tenant compte des valeurs limites. Les rsultats de simulation ont t prsents
pour les diffrents cas dtude et nous pouvons ainsi conclure quun choix appropri des
diffrents paramtres de lalgorithme avec un nombre lev de dtecteurs locaux dans le
systme distribu permet dobtenir de meilleures performances pour la dtection.
70
Chapitre 6
Conclusion Gnrale
et Perspectives
Rsum
Dans ce chapitre, nous allons rappeler lessentiel de notre travail pour mettre en vidence
notre contribution, par la suite nous donnerons quelques suggestions pour une ventuelle
extension de notre tude.
6.2. Perspectives.
Conclusion Gnrale et Perspectives
Dans cette tude, une tentative de prouver l'efficacit dune approche fonde sur l'intelligence
des essaims, est prsente pour loptimisation du seuil de dtection dans les systmes
distribus CFAR. Dans ce contexte, nous avons utilis une variante de l'algorithme PSO
standard, qui consiste appliquer un facteur dinertie pour contrler la vitesse des particules,
afin de dfinir les paramtres K et T du systme distribu OS-CFAR, et qui permettrons par la
suite de dterminer un seuil de dtection optimum. cet objectif, et afin de mettre en
vidence la qualit des rsultats obtenus en utilisant cette technique, diffrentes simulations
ont t effectues et les performances de dtection obtenues, pour les cas tudis, ont t
compares et analyses.
Dans nos applications, nous avons propos un algorithme PSO adapt au problme trait, de
sorte que les composantes de chaque particule de lessaim reprsentent les paramtres du
systme distribu CFAR, que nous voulons dfinir. Le critre de Neyman-Pearson a t
adopt comme fonction d'valuation et les paramtres initiaux ont t choisis de manire
empirique. Ainsi, dans la premire partie de ce travail, nous avons tudi linfluence dun
certain nombre de facteurs susceptibles de modifier les proprits du systme. O, nous avons
pris en considration l'effet du nombre de dtecteurs OS-CFAR locaux dans chaque systme
distribu, leffet de la variation du SNR, de mme que leffet de la Pfa. Nous avons galement
abord l'impact des deux rgles de fusion AND et OR. En comparant les rsultats obtenus
dans un environnement homogne, nous avons constat que les meilleures performances de
dtection ont t obtenues pour le systme qui contient un nombre lev de dtecteurs, pour
une rgle de fusion OR dans la majorit des situations. Quant aux rsultats trouvs dans le cas
dun environnement non homogne, la comparaison des performances pour diffrentes
situations avec prsence de cibles interfrentes, a montr une dgradation des performances
de dtection, qui peut provoquer un effet nfaste sur le fonctionnement du systme avec
laugmentation du nombre de cibles interfrentes. Cependant, et malgr cette dgradation, le
systme a donn des rsultats acceptables dans une certaine mesure. Daprs ce qui prcde, il
est clair quil est plus simple daccomplir une dtection dans un milieu homogne que de la
faire dans un milieu non homogne o la dtection est perturbe par la prsence de cibles
interfrentes, qui troublent la dtermination du seuil de dtection.
Le reste de notre tude a t consacr pour prsenter linfluence du choix et du rglage des
paramtres de lalgorithme PSO sur la qualit des rsultats. Il est noter, que la slection des
72
Conclusion Gnrale et Perspectives
paramtres de l'algorithme PSO est l'un des facteurs cls qui influe sur la capacit de
recherche globale de lalgorithme. Dans ce sens, et pour valuer les effets de choix des
diffrents paramtres, nous avons propos quelques changements dans les valeurs de ses
paramtres. A travers les rsultats de comparaison, nous avons remarqu que l'espace de
recherche doit tre aussi faible que possible, en tenant compte des intervalles adquats et
suffisants pour le problme traiter. Nous avons remarqu aussi que les meilleurs rsultats
sont obtenus pour le cas o le facteur dinertie diminue linairement au cours du processus
doptimisation. En outre, il faut trouver la combinaison optimale des paramtres de la vitesse
maximale des particules et les coefficients dacclrations qui permettra de garantir la
convergence vers le voisinage de loptimum global autant que possible. Les performances de
dtection ont t examines et compares et les rsultats de simulation ont montr lefficacit
de lalgorithme PSO propos amliorer la performance de notre systme.
6.2. Perspectives :
73
Bibliographie
Bibliographie:
[2] Skolnik, M. I., Radar Handbook", 2ndEd, McGraw- Hill, New York, 1990.
[3] Mahafza, B. R., "Radar Signal Analysis and Processing Using MATLAB", Chapman &
Hall, Boca Raton, 2008.
[4] Kolawole, M. O., "Radar Systems, Peak Detection and Tracking", PhD, Elsevier,
Oxford, 2002.
[5] Skolnik, M. I., "Radar Handbook", 3rd Ed, McGraw-Hill, New York, 2008.
[6] Minkoff, J., "Signal Processing: Fundamentals and Applications for Communications
and Sensing Systems", Artech House, Boston, 2002.
[7] Haykin S., "Adaptive Radar Signal Processing", Wiley-Interscience, Canada, 2007.
[8] Richard, G. C., "Radar System Performance Modeling", Snd Ed, Artech House, Boston,
2002.
[9] Unnikrishna, S., Pillai, Ke Yong Li, Himed, B., "Space Based Radar Theory &
Applications", McGraw-Hill, New York, 2008
[10] David K. B., Sergey A. L., "Encyclopedia of Radar Technology", Norwood, MA: Artech
House, Boston, 1998.
[11] Shirman, Y. D., "Computer Simulation of Aerial Target Radar Scattering, Recognition,.
Detection, and Tracking", Artech House, Boston, 2002.
[13] Barkat, M., " Signal Detection and Estimation", Norwood, MA: Artech House, Boston,
2005.
[15] Finn, H. M., Johnson, R. S., "Adaptive detection mode with threshold control as a
function of spatially sampled clutter estimation", RCA reviewer, vol. 29, No. 3, 1968,
pp.414-464.
74
Bibliographie
[16] Hansen, V. G., Sawyers, J. H., "Detectability Loss Due to Greatest of Selection in a
Cell-Averaging CFAR", IEEE Transactions on Aerospace and Electronic Systems, Vol.
AES-16, No. 1, January 1980, pp. 115-118.
[17] Trunk, G. V., "Range Resolution of Targets Using Automatic Detection", IEEE
Transactions on Aerospace and Electronic Systems, Vol. AES-14, No. 5, 1978, pp. 750-
755.
[18] Rohling, H., "Radar CFAR Thresholding in Clutter and Multiple Target Situations",
IEEE Transactions on Aerospace and Electronic Systems, Vol. AES-19, No. 4, July
1983, pp. 608-616.
[20] Gandhi, P. P., Kassam, S. A., "An adaptive order statistic constant false alarm
detector", IEEE International Conference on Systems Engineering, 24-26 Aug 1989, pp.
85-88.
[21] Srinivasan, R., "Distributed radar detection theory", IEE Proceedings F Communicat-
ions, Radar and Signal Processing, Vol. 133, No. 1,1986, pp 55-60.
[22] Barkat, M., Varshney, P. K., "Decentralized CFAR Signal Detection", IEEE
Transactions on Aerospace and Electronic Systems, Vol. AES-25, March 1989, pp. 141-
149.
[23] Barkat, M., Varshney, P. K., "Adaptive Cell-Averaging CFAR Detection in Distributed
Sensor Networks", IEEE Transactions on Aerospace and Electronic Systems, Vol. AES-
27, No. 3, May 1991, pp. 424429.
[24] Elias-Fust, A. E., Broquetas, A., Antequera, J. P., and Yuste, J. C. M., "CFAR Data
Fusion Center with Inhomogeneous Receivers", IEEE Transactions on Aerospace and
Electronic Systems, Vol. 28, No. 1, January 1992, pp.276-285.
[25] ner, M. K., Varshney, P. K., "Distributed CFAR Detection in Homogenous and
Nonhomogenous Backgrounds", IEEE Transactions on Aerospace and Electronic
Systems, Vol. 32, No. 1, January 1996, pp. 84-97.
75
Bibliographie
[27] Gowda, C. H., Viswanathan, R., "Performance of Distributed CFAR Test under Various
Clutter Amplitudes", IEEE Transactions on Aerospace and Electronic Systems, Vol. 35,
No. 4, October 1999, pp. 1410-1418.
[30] Kennedy, J., Eberhart, R. C., "Particle swarm optimization", Proceedings of the IEEE
International Conference on Neural Networks, vol.4, 1995, pp. 1942-1948.
[31] Eberhart, R. C., and Kennedy, J., "A new optimizer using particle swarm theory",
Proceedings of the Sixth International Symposium on Micro Machine and Human
Science, Nagoya, Japan, 1995, 39-43.
[32] Kennedy, J., Eberhart, R. C., with Yuhui Shi, "Swarm Intelligence", the Morgan
Kaufmann Series in Evolutionary Computation, 2001
[33] Angeline Peter J., "Evolutionary Optimization Versus Particle Swarm Optimization:
Philosophy and Performance Differences", In V.W. Porto, Saravanan, N., Waagen, D.,
and Eiben, A. E., editors, Evolutionary Programming VII: Proc. EP98, New York:
Springer-Verlag, pp.601-610.
[34] Yong-Ling Zheng, Long-Hua Ma, Li-Yan Zhang, Ji-Xin Qian, "On the convergence
analysis and parameter selection in particle swarm optimization", in Proc. IEEE Of
International Conference on Machine Learning and Cybernetics, Vol. 3, 2-5 Nov. 2003,
pp 1802 1807.
[35] Clerc, M., Kennedy, J., "The particle swarm-explosion, stability, and convergence in a
multidimensional complex space", IEEE Transactions on Evolutionary Computation
2002, Vol. 6, pp 5873.
76
Bibliographie
[36] Kennedy, J., Mendes, R., "Population structure and particle swarm performance", In
Proceedings of the IEEE Congress on Evolutionary Computation (CEC), 2002, pp
1671-1676.
[37] Lane, J., Engelbrecht, A., Gain, J., "Particle swarm optimization with spatially
meaningful neighbours". In Proceedings of the IEEE Swarm Intelligence Symposium
St. Louis MO USA, 21-23 September, 2008 pp 1-8.
[38] Shi, Y., Eberhart, R. C., "Empirical study of particle swarm optimization", In
Proceedings of the IEEE congress on evolutionary computation, 1999, pp 19451950.
[39] Shi, Y., Eberhart, R. C., "Parameter selection in particle swarm optimization", In
Evolutionary Programming VII: Proc. EP98, New York: Springer-Verlag, 1998,
pp.591-600.
[40] Shi, Y., Eberhart, R. C., "A modified particle swarm optimizer", In Proceedings of IEEE
International Conference on Evolutionary Computation, 1998, pp. 6973.
[42] Kennedy, J., "Stereotyping: Improving particle swarm performance with cluster
analysis", In Proceedings of the IEEE Congress on Evolutionary Computation, 2000, pp
15071512.
[43] Dai, Y. T., Liu, L. Q., Li, Y., "An intelligent parameter selection method for particle
swarm optimization algorithm", In Proceedings of the 4th International Joint
Conference on Computational Sciences and Optimization, CSO, 2011, IEEE, pp. 960-
964.
[44] Ratnaweera, A., Halgamuge, S., Watson, H., "Self Organizing Hierarchical Particle
Swarm Optimizer with time varying acceleration coefficients", IEEE transactions on
Evolutionary Transactions, vol. 8, 2004, pp. 240-255.
[45] Shi, Y., Eberhart, R., C., "Parameter selection in particle swarm optimization",
Lecture Notes in Computer ScienceEvolutionary Programming VII, Vol. 1447, In
77
Bibliographie
[46] Clerc, M., Kennedy, J., "The particle swarm - explosion, stability, and convergence in a
multidimensional complex space", IEEE Transactions on Evolutionary Computation,
Vol. 6, No.1, February 2002, pp.58-73.
[47] Kennedy, J., Eberhart, R. C., "A discrete binary version of the particle swarm
algorithm", In IEEE International Conference on Computational Cybernetics and
Simulation., Vol. 5, 12-15 Oct 1997, pp. 4104-4109.
[48] Abdou, L., Soltani, F., "Improvement of the performance of distributed OS-CFAR system
by (+)-ES optimization", IEEE 5th International Multi-Conference on Systems,
Signals and Devices, 2008, pp.1-6.
78