Classification mono-classe pour la discrimination de cibles de radars Doppler pulsés à faible résolution avec faible supervision

Les radars Doppler pulsés (RDP) de surveillance aérienne ont pour mission de discriminer des cibles en se basant sur le signal réfléchi de petites rafales d’impulsions modulées. Les antennes tournantes imposent un faible nombre d’impulsions pour caractériser le contenu de cases distance, celles-ci résultant d’une discrétisation radial et azimutale. Cette caractérisation est tirée de signaux courts échantillonnés à la période de répétition des impulsions (PRI), un échantillon par impulsion étant disponible dans la rafale transmise. Le nombre d’impulsions et la PRF, qui changent constamment dans un radar en opération, définissent donc la résolution et les fréquences extrêmales du spectre Doppler qui définit les cibles à l’échelle d’une case distance. L’avènement de drones petits et bon marché impose l’amélioration de la détection des cibles petites et lentes qui pouvaient auparavant se retrouver rejetées en tant que fouillis. Cette thèse propose une chaîne de traitement branchée après l’étape de détection d’un RDP pour discriminer les hits afin de permettre l’abaissement des seuils de détection. Cette chaîne de traitement se divise en deux étapes: un encodage hit2vec, et une étape de discrimination. L’encodage traite une matrice à valeurs complexes et de taille variable pour produire un vecteur embedding à valeurs réels de taille fixe. Cette représentation d’entrée contient un signal I/Q réfléchi par la case distance porteuse d’une détection enrichi par le signal réfléchi par les cases distance voisines. L’étape de discrimination met en oeuvre une classification mono-classe sur les représentations d’entrée encodées dans le but de séparer les cibles dans un contexte de faible supervision. La chaîne de traitement complète s’appuie donc sur l’hypothèse que le voisinage de spectres Doppler, même à faible résolution, contient l’information nécessaire à la discrimination. Autrement dit, la solution mise en avant se base sur l’apprentissage de représentation pour faire face à l’hétérogénéité des signaux I/Q qui doivent être séparés et pour permettre à une discrimination à faible supervision en aval de produire une distance vis-à-vis de cibles de référence utile à l’opérateur radar.Air surveillance pulse Doppler radars (PDR) need to discriminate targets using the backscatter generated by small bursts of modulated pulses. Rotating antennas constrain the number of pulses available to characterize the content of range cells, the latter resulting from azimuthal and radial discretization. This characterization is based on short signals sampled at the pulse repetition frequency (PRF), one sample being available per pulse in the transmitted burst. The number of pulses and the PRF, which constantly change in an operating radar, thus define the resolution and the maximal frequencies of the Doppler spectrum that defines targets within a range cell. With the advent of small and cheap drones, air surveillance radars are required to improve their detection of small and slow targets that previously had chances to end up discarded as clutter. This thesis proposes a processing pipeline plugged after the detection stage of a PDR to discriminate between hits in order to allow for the lowering of detection thresholds. This processing pipeline is made of two steps: an encoding hit2vec step, and a discrimination step. The encoding handles an input complex-valued matrix of varying size and outputs a real-valued vector embedding of fixed size. This input contains the backscattered I/Q signal of the range cell carrying a detection enriched by the backscatter from the neighboring range cells. The discrimination step applies a one-class classification to the encoded inputs to separate targets representations in a low-supervision context. The complete pipeline is therefore based on the assumption that the neighborhood of Doppler spectrums, even at low resolutions, contains the required discriminatory information. Said in other words, the solution put forward uses representation learning to tackle the sampling heterogeneity of the I/Q signals that ought to be separated, and to enable a subsequent low-supervision discrimination to provide a radar operator with a useful distance to reference radar targets