Analyse des Signatures de Cibles à l’aide du Radar HF – VHF Multifréquence et Multipolarisation MOSAR

Généralités

La reconnaissance de cibles consiste à déterminer des caractéristiques typiques d’objets, permettant leur discrimination. Plusieurs degrés peuvent être considérés, de la classification à l’identification. La classification signifie la détermination du type ou de la classe de l’objet. L’identification, quant à elle, signifie la détermination de l’identité de l’objet. Elle peut être considérée comme le degré le plus élevé de la reconnaissance. Lors de conflits militaires, cette technique est utilisée pour déterminer les appareils ennemis des appareils amis. Mais par le passé, la classification automatique des cibles a conduit à de nombreuses erreurs [2] : Dans la nuit du 31 juillet 1983, un Boeing 747 d’une compagnie sud coréenne, au départ de New-York à destination de la Corée, a été abattu par un chasseur SU-15 de la défense aérienne russe. C’est le résultat d’une erreur de reconnaissance de leur système de défense. Le Boeing 747 a été identifié en tant qu’avion de reconnaissance RC-135. Le bilan est de 269 morts.

Le 3 juin 1988, un Airbus A300B iranien, effectuant la liaison Bender-Abba (Iran) – Dubai (Émirats Arabes Unis), a été détruit par un missile SM-2 sous contrôle du système Aegis du croiseur USS Vincennes (USA) dans le Golfe Persique. L’Airbus a été reconnu comme un chasseur F-14. Le bilan est de 298 morts. Le 14 avril 1994, deux hélicoptères militaires américains, des Black Hawk, ont été abattus au nord de l’Irak par deux chasseurs F-15 américains. Les passagers et l’équipage des hélicoptères participaient à une mission humanitaire. Ils ont été identifiés comme des hélicoptères irakiens volant dans une zone interdite au nord du 36ème parallèle. 12 des 14 passagers sont morts dans l’accident, avec parmi eux, des officiels de l’ONU. Ces lourdes erreurs ont concentré les recherches scientifiques vers l’amélioration des capacités de reconnaissance et à essayer de proposer des solutions plus fiables [3][4][5][6]. Pour cela plusieurs approches ont été envisagées :

utilisation de radar à bande étroite,
utilisation de radar à bande large,
utilisation de radar multifréquence.

Cependant, aucune de ces approches n’apparaît comme plus performante car chacune est régie par des compromis. Malgré cela, la qualité des critères choisis pour discriminer les cibles peut améliorer la reconnaissance.

Analyse multifréquence 

Les techniques présentées précédemment reconstituent la réponse impulsionnelle de la cible afin d’en extraire les résonances. Plusieurs équipes ont utilisé les signaux multifréquences pour enrichir les signatures de cibles, dans un but éventuel de classification [3][11][12]. Des méthodes ont été proposées pour la reconnaissance d’objets telles que les méthodes structurelles, l’analyse des courbes phase/fréquence, etc…. Le critère multifréquence est, dans ces dernières, toujours utilisé pour accroître le potentiel de reconnaissance.

Les méthodes structurelles

Ces méthodes sont principalement utilisées lorsqu’on peut décrire l’objet par une image à deux dimensions. Si l’on considère des données de SER, elles sont basées sur la description de la SER selon une «grammaire» appropriée. On peut plus précisément essayer de reconnaître des motifs afin de classer les cibles. Une base de données est alors définie. Cette librairie sert pour la reconnaissance d’une cible inconnue, en sachant qu’une bonne reconnaissance doit pouvoir dire, pour une cible nouvelle, qu’elle ne se trouve pas dans la librairie. Un algorithme basé sur cette reconnaissance syntaxique peut être décrit de la manière suivante :

codage et approximation des données d’entrée,
séparation des éléments de base, c’est-à-dire les plus simples,
détermination d’une grammaire de la forme de l’objet reconnu,
analyse syntaxique résultant dans la classification des SER sur la base de la grammaire utilisée pour décrire l’objet.

Le principe pour l’application de cette méthode à l’identification est décrit par C. Baum [3]. Dans un premier temps, le paramètre à prendre en compte pour la reconnaissance est la mise en forme des signatures. En effet, il faut pouvoir caractériser la cible par un ensemble de données. Des expressions mathématiques exactes ou approximatives, existent pour représenter la rétrodiffusion sur les cibles pour des bandes de fréquence données. On peut donc définir une signature type par un ensemble de paramètres associé à un modèle de rétrodiffusion. Les paramètres n’ont de valeurs spécifiques, qu’à partir du moment où le modèle est appliqué à une cible particulière. La signature de la cible correspond alors à la série de paramètres. Le modèle SEM introduit précédemment peut servir, par exemple, pour la description de la rétrodiffusion sur la cible.

Cependant, la sélection des éléments de base pour décrire les cibles est faite de manière heuristique [3] en tenant compte des critères suivants : le matériel pour la séparation et la reconnaissance des éléments doit être relativement simple, les éléments doivent fournir une description compacte et adéquate des cibles à reconnaître. Sand et Garber [13] ont utilisé cette classification syntaxique sur des données de SER d’avions commerciaux. Ils ont montré l’intérêt de tels développements pour l’identification de cibles. Cependant, pour une efficacité maximale, une base de données complète des différentes cibles est nécessaire. Des problèmes importants apparaissent donc pour la reconnaissance d’avions militaires récents, qui est rendue difficile à cause des motifs de SER mal connus [2].

Autres méthodes 

Analyse des courbes phase/fréquence

Cette méthode est basée sur l’analyse des courbes phase/fréquence de la cible [2]. Le système radar émet dans la zone de résonance des cibles, c’est-à-dire à des longueurs d’onde de l’ordre de leurs dimensions principales. En effet, sur des surfaces métalliques, des pics de résonance et des changements de phase rapides, associés à ces pics, apparaissent en fonction de la fréquence. Les variations rapides de phase sont seulement observées sur des cibles métalliques près des dimensions de résonance (dimensions des cibles de l’ordre de λ/2). Les cibles du fouillis de sol (arbres, bosquets, etc.) ne possèdent que des changements de phase relativement lents. Il est donc possible par cette méthode de différencier les cibles métalliques, du fouillis et des cibles non métalliques. Les cibles sont reconnues par leurs changements spécifiques de phase en fonction de la fréquence. Les différentes fréquences sont donc sélectionnées sur la base de la connaissance approximative de la taille de la cible afin d’émettre dans la zone de résonance de l’objet. L’inconvénient est que le nombre de fréquences étant souvent limité, il faut que les variations de taille entre les différentes cibles ne soient pas trop importantes.

Analyse des fluctuations de la SER

D’autres approches sont basées sur l’amplitude et la phase des échos reçus sur les différentes fréquences émises [11]. L’analyse de la SER sur plusieurs fréquences est effectuée dans la zone de Rayleigh, celle-ci contenant les informations sur la forme approximative des cibles [12]. L’amplitude et la phase du signal rétrodiffusé par la cible sont recueillies et utilisées pour discriminer les cibles. Dans le but de comparaison, des bases de données ont été constituées en effectuant des mesures sur des maquettes à échelle réduite d’avions de chasse. Lin et Kiensky [11] ont montré les possibilités de classification sur ce type de données, en insistant particulièrement sur l’évolution favorable de la probabilité d’erreur avec l’ajout d’informations supplémentaires comme la phase et la polarisation. Cependant, l’amplitude et la phase du signal reçu dépendant des angles d’observation (élévation et azimut), il faut constituer une base de données conséquente permettant de prendre en compte correctement ces aspects.

Table des matières

Introduction
Chapitre 1 Généralités
1.1. Signaux multifréquences pour la classification de cibles
1.1.1. Synthèse d’impulsions
1.1.2. Analyse multifréquence
1.1.2.1. Les méthodes structurelles
1.1.2.2. Autres méthodes
1.1.2.2.1. Analyse des courbes phase/fréquence
1.1.2.2.2. Analyse des fluctuations de la SER
1.1.3. Conclusion
1.2. Projet MOSAR
Chapitre 2 Système radar MOSAR
2.1. Revue d’ensemble des études et résultats antérieurs
2.2. Amélioration des performances du système
2.2.1. Introduction
2.2.2. Système antennaire
2.2.3. Systèmes d’émission/réception
2.2.3.1. Système d’émission
2.2.3.2. Système de réception
2.2.4. Système informatique
2.2.4.1. Acquisition des données
2.2.4.2. Gestion du système
2.3. Caractérisation du système
2.3.1. Description
2.3.2. Limitations et potentiels
2.4. Conclusion
Chapitre 3 Détermination expérimentale de la SER
3.1. Traitement des signaux et extraction des paramètres
3.1.1. Formation de voie
3.1.2. Analyse spectrale
3.2. Description des expérimentations
3.2.1. Station expérimentale de Monterfil
3.2.2. Conditions de mesures
3.3. Analyse des données
3.3.1. Estimation de la cohérence des signaux
3.3.1.1. Étude temporelle du signal
3.3.1.1.1. Notion de case distance
3.3.1.1.2. Temps d’observation de la cible
3.3.1.1.3. Extraction du signal temporel
3.3.1.1.4. Influence de la variation de l’angle d’observation
3.3.1.1.5. Temps d’intégration
3.3.1.2. Cohérence fréquentielle
3.3.1.2.1. Notion de cohérence
3.3.1.2.2. Application aux signaux mesurés
3.3.1.3. Conclusion
3.3.2. Résultats des campagnes de mesures
3.3.2.1. Analyse des résultats
3.3.2.2. Comparaison de profils mesurés
3.3.2.3. Profils de phase
3.3.3. Conclusion
Chapitre 4 Détermination analytique de la SER
4.1. Introduction
4.2. Présentation des méthodes de résolutions
4.2.1. Les méthodes asymptotiques
4.2.1.1. Méthode de l’optique géométrique
4.2.1.2. Théorie géométrique de la diffraction
4.2.1.3. Méthode de l’optique physique
4.2.1.4. Théorie physique de la diffraction
4.2.2. La méthode des moments
4.3. Développement de modèles numériques – Exemple du Boeing 747-200
4.3.1. Introduction au logiciel de simulation électromagnétique NEC2
4.3.2. Maillage de la structure
4.3.2.1. Modélisation filaire du Boeing 747-200
4.3.2.2. Contraintes de maillage
4.3.2.2.1. Longueur des segments
4.3.2.2.2. Diamètre des fils
4.3.2.3. Influence des différents éléments constituant l’avion
4.3.2.4. Exemple de simulation
4.4. Évaluation de la modélisation
4.4.1. Présentation des expérimentations de l’ONERA
4.4.2. Comparaisons azimutales
4.4.3. Comparaisons fréquentielles
4.4.3.1. La réponse impulsionnelle
4.4.3.2. Holographie
4.4.3.2.1. Principe
4.4.3.2.2. Focalisation de l’image
4.4.3.2.3. Comparaisons entre les simulations de NEC et les mesures de l’ONERA
4.4.4. Conclusion
4.5. Application à l’interprétation des expérimentations
4.6. Conclusion
Chapitre 5 Classification de cibles
5.1. Introduction
5.2. Critères d’identification
5.3. Méthodes de classification
5.3.1. Discrimination linéaire
5.3.2. Critère de Bayes
5.3.3. Règle du plus proche voisin
5.3.3.1. Principe
5.3.3.2. Pondération des paramètres de classification
5.3.4. Réseaux de neurones
5.3.4.1. Généralités
5.3.4.2. Le classifieur Perceptron Multicouche (MLP)
5.3.4.2.1 Principe
5.3.4.2.2 Phase d’apprentissage
5.4. Génération de la base de données
5.5. Évaluation des méthodes
5.5.1. Modèle de bruit
5.5.2. Définition de la probabilité d’erreur
5.5.3. Classification sur les avions
5.5.3.1. Influence du paramètre de classification
5.5.3.2. Influence du nombre de fréquences
5.5.3.3. Influence de la trajectoire
5.5.3.4. Influence de l’utilisation du terme différentiel de phase θ au lieu de la phase intrinsèque φ sur la classification
5.5.4. Comparaison entre les deux méthodes de classification
5.6. Conclusion
Conclusion

Lire le rapport complet