Modélisation du clutter de mer à haute résolution utilisant les distributions Gaussiennes composées

Abstract

La conception des détecteurs de cibles radar impose l’identification exacte des modèles statistiques caractérisant les échos de l’environnement. L’objectif principal de ce travail concerne la recherche d’un modèle statistique qui s’adapte mieux aux données du clutter de mer IPIX à haute résolution. A cet effet, nous avons utilisé des distributions Gaussiennes composées avec des composantes textures de distributions gamma, inverse gamma et inverse Gaussienne. C’est le cas de la modélisation par les modèles K, GP (Generalized Pareto) et CIG (compound inverse Gaussian). L’incorporation du bruit thermique dans la composante speckle est introduite pour avoir une meilleure description de ce type du clutter. Les approches [zlog(z)] et PCFE (parametric curve fitting estimation) sont utilisées pour l’estimation des paramètres des modèles K, GP et CIG sans et avec bruit. Le critère MSE est considéré comme un test d’approximation de la queue des distributions théoriques par rapport aux courbes réelles. A partir des résultats de modélisation illustrés, on a remarqué que les modèles Gaussiens composés avec bruit en général offrent des meilleures approximations aux échos de la mer IPIX