Detection and Estimation in non Gaussian Noise - Archive ouverte HAL Access content directly
Theses Year : 2006

Detection and Estimation in non Gaussian Noise

Détection et Estimation en Environnement non Gaussien

(1, 2)
1
2

Abstract

This thesis deals with radar detection in impulsive noise contexts. Indeed, under Gaussian assumptions, classical detectors, like Optimum Gaussian Detector, present several failures when the background scatterers are heterogeneous and non Gaussian, which is the case for ground or sea clutter. Clutter physical models based on compound noise modeling (SIRP, Compound Gaussian Processes) allow to correctly describe the reality (range power variations or clutter transitions areas). However, these models depend on several unknown parameters (covariance matrix, statistical distribution of the texture, disturbance parameters) which have to be estimated. When this estimation scheme is carried out, it is possible to build optimum radar detectors (Generalized Likelihood Ratio Test - Linear Quadratic) associated to this non Gaussian background. Based on these noise models, this thesis presents a complete analysis of several estimation schemes of the noise covariance matrix, associated to the detection problem. A statistical study of the main covariance matrix estimates which are used in the literature, is performed. Moreover, an improved estimate is proposed: the Fixed Point estimate, very attractive thanks to its good statistical and detection properties.
This thesis also describes detection performance and theoretical properties (texture-CFAR and matrix-CFAR) of the GLRT-LQ detector built with the studied covariance matrix estimates. In particular, the detector invariance to the texture distribution and to the covariance matrix structure is shown. Finally, these detectors are analyzed with simulated data and then, experimented on real ground clutter data.
Dans le contexte très général de la détection radar, les détecteurs classiques, basés sur l'hypothèse d'un bruit Gaussien, sont souvent mis en défaut dès lors que l'environnement (fouillis de sol, de mer) devient inhomogène, voire impulsionnel, s'écartant très vite du modèle Gaussien. Des modèles physiques de fouillis basés sur les modèles de bruit composé (SIRP, Compound Gaussian Processes) permettent de mieux représenter la réalité (variations spatiales de puissance et nature de fouillis, transitions, ...). Ces modèles dépendent cependant de paramètres (matrice de covariance, loi de texture, paramètres de "disturbance") qu'il devient nécessaire d'estimer. Une fois ces paramètres estimés, il est possible de construire des détecteurs radar optimaux (Generalized Likelihood Ratio Test - Linear Quadratic) pour ces environnements. Cette thèse, qui s'appuie sur ces modèles, propose une analyse complète de diverses procédures d'estimation de matrices de covariance, associées à ce problème de détection. Une étude statistique des principaux estimateurs de matrice de covariance, utilisés actuellement, est réalisée. De plus, un nouvel estimateur est proposé: l'estimateur du point fixe, très attractif grâce à ses bonnes propriétés statistiques et "radaristiques".
Elle décrit également les performances et les propriétés théoriques (SIRV-CFAR) du détecteur GLRT-LQ construits avec ces nouveaux estimateurs. En particulier, on montre l'invariance du détecteur à la loi de la texture mais également à la matrice de covariance régissant les propriétés spectrales du fouillis. Ces nouveaux détecteurs sont ensuite analysés sur des données simulées mais également testés sur des données réelles de fouillis de sol.
Fichier principal
Vignette du fichier
these-der-version-F-Pascal.pdf (2.83 Mo) Télécharger le fichier
Loading...

Dates and versions

tel-00128438 , version 1 (01-02-2007)

Identifiers

  • HAL Id : tel-00128438 , version 1

Cite

Frédéric Pascal. Détection et Estimation en Environnement non Gaussien. Traitement du signal et de l'image [eess.SP]. Université de Nanterre - Paris X, 2006. Français. ⟨NNT : ⟩. ⟨tel-00128438⟩
357 View
1361 Download

Share

Gmail Facebook Twitter LinkedIn More