Étude Comparative d'un Détecteur CFAR Neuronal de Plusieurs Cibles Radar dans un Fouillis de type K-Distribution

This paper presents the development and performance evaluation of a particular Multi-Layer Perceptron neural network (MLP) classifier for radar target detection in a noisy, non-Gaussian environment using CFAR (Constant False Alarm Rate). The Technique, architecture details and principle of working of the MLP-CFAR detector training algorithm are presented. A comparison of the MLP-CFAR performances is also described according to different target scenarios. The principles results show that the detector performances are deteriorating by increasing the number of targets considered. Résumé. Ce présent travail, s'intéresse au développement et l'analyse de performances d'un détecteur classifieur particulier, sous forme d'un Perceptron Multi-Couches (PMC), de cibles radar dans un environnement (Fouillis) nongaussien, en utilisant le modèle CFAR. La technique, le détail de l'architecture et le principe de fonctionnement de l'algorithme d'apprentissage du détecteur MLP-CFAR, sont présentés. Une comparaison de performances du MLP-CFAR selon plusieurs scenarios de nombre de cibles considérées est aussi présentée. Les principaux résultats montrent que les performances du détecteur se dégradent en augmentant le nombre de cibles considérés. Mots-clefs: CFAR, MLP, K-Distribution, Swerling.