Aller au contenu
ELECTRONICS ENGINEERINGelectronics-engineering.com
Systèmes radar

Formes d'onde et compression d'impulsion : filtre adapté démontré, chirp, codes de Barker et fonction d'ambiguïté

Le filtre adapté démontré avec Cauchy-Schwarz, le chirp linéaire et le rapport de compression, lobes secondaires et fenêtre de Hamming, codes de Barker, fonction d'ambiguïté de Woodward, avec une analogie simple et la simulation en Python.

https://www.electronics-engineering.com/fr/compression-d-impulsion-filtre-adapte-chirp-barker-fonction-d-ambiguite/

Pas encore de vote : soyez le premier à noter cette page.

L’équation du radar demande de l’énergie pour voir loin ; la résolution en distance demande de la bande, c’est-à-dire des impulsions courtes. Avec une impulsion simple de durée \tau, les deux exigences entrent en conflit : une impulsion courte transporte peu d’énergie, à moins que la puissance de crête ne soit énorme. La compression d’impulsion résout le conflit : on émet une impulsion longue, mais avec une modulation interne qui la rend « large en bande », et à la réception on la comprime avec un filtre adapté. Cette leçon démontre que le filtre adapté est le récepteur optimal, analyse le chirp linéaire et les codes de Barker, et introduit la fonction d’ambiguïté, qui décrit d’un coup la résolution en distance et en vitesse de n’importe quelle forme d’onde.

L’idée en termes simples

Imaginez devoir reconnaître le sifflement d’un ami dans une pièce bruyante. Si le sifflement est un coup bref et sec, il se perd dans le bruit. Si c’est au contraire un long air que vous connaissez bien, vous le reconnaissez même quand il est faible : votre cerveau compare ce qu’il entend à l’air qu’il attend, note après note, et additionne toutes les petites ressemblances. C’est exactement ce que fait le filtre adapté : il compare le signal reçu à une copie du signal émis, instant par instant, et donne un pic quand les deux coïncident.

Le chirp est l’« air » le plus utilisé : un sifflement dont la hauteur monte régulièrement, comme le chant d’un oiseau (d’où le nom). Le radar émet un long chirp, donc avec beaucoup d’énergie ; quand le récepteur le compare à la copie, toute cette énergie se concentre dans un pic très étroit, comme si le radar avait émis une impulsion très courte et très puissante. On obtient ensemble la portée (l’énergie) et la précision (le pic étroit).

Le filtre adapté

Le récepteur reçoit r(t) = s(t) + n(t), avec s(t) l’écho attendu et n(t) un bruit blanc de densité spectrale N_0/2. On cherche le filtre linéaire h(t) qui maximise le rapport signal sur bruit en sortie à un instant t_0.

Théorème (filtre adapté). Le filtre optimal est h(t) = s^*(t_0 - t), la réplique du signal retournée dans le temps et conjuguée, et le rapport signal sur bruit maximal est \frac{2E}{N_0}, avec E l’énergie du signal.

Démonstration. En sortie, dans le domaine fréquentiel, le signal est y_s(t_0) = \int H(f)S(f)e^{j2\pi ft_0}df et la puissance de bruit est \frac{N_0}{2}\int|H(f)|^2df. Par l’inégalité de Cauchy-Schwarz, \big|\int H(f)\,S(f)e^{j2\pi ft_0}df\big|^2 \le \int|H(f)|^2df\cdot\int|S(f)|^2df, donc

    \[ SNR = \frac{|y_s(t_0)|^2}{\frac{N_0}{2}\int|H|^2df} \le \frac{2}{N_0}\int|S(f)|^2df = \frac{2E}{N_0} \]

L’égalité a lieu si H(f) = S^*(f)e^{-j2\pi ft_0}, ce qui dans le temps est h(t) = s^*(t_0 - t). ∎

Le résultat est remarquable : le rapport signal sur bruit optimal ne dépend que de l’énergie du signal, non de sa forme. On peut donc choisir la forme pour obtenir la résolution voulue, sans perdre en sensibilité. Filtrer avec s^*(t_0 - t) revient à calculer la corrélation entre le signal reçu et le signal émis : la sortie a un pic au retard de l’écho.

Le chirp linéaire

Le chirp (modulation linéaire de fréquence, LFM) est une impulsion de durée T dont la fréquence monte linéairement de B : s(t) = e^{j\pi(B/T)t^2} pour |t| \lt  T/2. Après le filtre adapté, l’impulsion comprimée a la forme d’un sinus cardinal large d’environ 1/B (à −3 dB, 0.886/B) : la résolution est celle d’une impulsion de durée 1/B, avec l’énergie d’une impulsion de durée T. Le rapport de compression est BT, le produit durée × bande.

Exemple. T = 20 μs et B = 10 MHz : BT = 200. Le signal comprimé a une largeur à −3 dB de 85 ns (contre 0.886/B = 89 ns en théorie : la petite différence est due à l’échantillonnage) et une résolution de 12,7 m, alors que l’impulsion émise fait 3 km de long. À puissance de crête égale, une impulsion simple de 85 ns transporterait 235 fois moins d’énergie.

Lobes secondaires. Le sinus cardinal a des lobes secondaires à −13,2 dB : un écho fort peut cacher une cible faible voisine. On applique une fenêtre (Hamming, Taylor) au filtre de réception : avec la fenêtre de Hamming, les lobes secondaires tombent à −42 dB, au prix d’un pic plus large (135 ns au lieu de 85, environ 60 % de plus) et d’une petite perte de gain. C’est le même compromis que celui des fenêtres en analyse spectrale.

Le chirp après le filtre adapté
En bleu la sortie du filtre adapté, en décibels, autour du pic : un sinus cardinal avec des lobes secondaires à moins 13 dB. En orange la même sortie avec la fenêtre de Hamming : un pic un peu plus large mais des lobes secondaires inférieurs à moins 40 dB.

Le chirp a deux précieuses propriétés pratiques : il est facile à générer (avec des oscillateurs commandés en tension ou par synthèse numérique directe) et il est tolérant au Doppler : l’écho d’une cible mobile est encore bien comprimé, seulement un peu décalé en distance (le couplage distance-Doppler). C’est la forme d’onde des radars automobiles FMCW (leçon sur les radars FMCW).

Les codes de phase

Autrement, l’impulsion est divisée en N sous-impulsions (« chips ») de phase 0 ou π selon un code. Les codes de Barker ont l’autocorrélation idéale pour des suites binaires : un pic N et des lobes secondaires de module au plus 1. Le plus long connu a une longueur de 13 :

    \[ +1\ +1\ +1\ +1\ +1\ -1\ -1\ +1\ +1\ -1\ +1\ -1\ +1 \]

avec l’autocorrélation 1, 0, 1, 0, \dots, 13, \dots, 0, 1 et donc un rapport pic sur lobes secondaires de 20\log_{10}13 = 22.3 dB. Pour de plus grands rapports de compression, on utilise des codes polyphasés (Frank, P4) ou de longues suites pseudo-aléatoires, et dans les radars numériques modernes des formes d’onde conçues par ordinateur.

La fonction d’ambiguïté

Le filtre adapté est adapté à un écho de retard donné et de Doppler donné. Si l’écho a un Doppler \nu différent, la sortie change. La fonction d’ambiguïté de Woodward décrit la sortie en fonction des deux :

    \[ \chi(\tau, \nu) = \int s(t)\,s^*(t - \tau)\,e^{j2\pi\nu t}\,dt \]

|\chi(\tau, 0)| est la réponse en distance (la compression), |\chi(0, \nu)| la réponse en vitesse. Un théorème de Woodward affirme que le volume \iint|\chi|^2d\tau\,d\nu est le même pour toutes les formes d’onde de même énergie : l’ambiguïté ne peut pas être comprimée en un seul point, seulement déplacée ailleurs. Le chirp a une fonction à « crête inclinée » (le couplage distance-Doppler) ; un train d’impulsions a une fonction en « planche à clous », avec les ambiguïtés en distance et en vitesse des leçons sur l’équation du radar et sur le Doppler. Choisir la forme d’onde, c’est donc choisir quelles ambiguïtés sont acceptables pour l’application.

Résumé

  • Le filtre adapté est le meilleur récepteur possible pour un signal connu dans du bruit : il compare ce qui est reçu à la copie de ce qui a été émis (corrélation).
  • Le rapport signal sur bruit qu’il atteint ne dépend que de l’énergie du signal, non de sa forme.
  • Une longue impulsion modulée (chirp ou code de phase) transporte beaucoup d’énergie et, après compression, donne la résolution d’une impulsion courte : \Delta R \approx c/2B.
  • Les lobes secondaires du pic comprimé s’abaissent avec une fenêtre, au prix d’un pic un peu plus large.
  • La fonction d’ambiguïté montre comment chaque forme d’onde répond aux erreurs de distance et de vitesse ensemble ; l’ambiguïté totale ne peut pas être supprimée, seulement déplacée.

Le code

import numpy as np

fs, T, B = 200e6, 20e-6, 10e6                       # sampling rate, chirp duration and bandwidth
t = np.arange(0, T, 1 / fs)
chirp = np.exp(1j * np.pi * B / T * (t - T / 2) ** 2)
received = np.r_[np.zeros(4000), chirp, np.zeros(4000)]          # isolated echo, no noise

def compress(window):
    y = np.abs(np.correlate(received, chirp * window, mode="same"))   # matched filter = correlation
    return y / y.max()

for name, w in (("rectangular", np.ones(len(chirp))), ("Hamming", np.hamming(len(chirp)))):
    p = compress(w)
    k = np.argmax(p)
    above = np.where(p >= 1 / np.sqrt(2))[0]                       # samples above -3 dB
    width = (above[-1] - above[0] + 1) / fs
    guard = int((1.5 if name == "rectangular" else 2.5) * fs / B)
    lobes = np.r_[p[:k - guard], p[k + guard:]]
    print(f"{name:12s}: -3 dB width {width * 1e9:.0f} ns, first sidelobe {20 * np.log10(lobes.max()):.1f} dB")
print(f"compression ratio BT = {B * T:.0f}, resolution c/(2B) = {3e8 / (2 * B):.0f} m")

barker = np.array([1, 1, 1, 1, 1, -1, -1, 1, 1, -1, 1, -1, 1])
print("Barker 13:", np.correlate(barker, barker, "full"), f"peak/sidelobe = {20 * np.log10(13):.1f} dB")

L’exécution affiche 85 ns et −13,5 dB (rectangulaire), 135 ns et −42,2 dB (Hamming), BT = 200 et 15 m, et l’autocorrélation du code de Barker avec un pic de 13 et des lobes secondaires 0 et 1.

S’abonner
Notifier de
guest
1 commentaire
Le plus ancien
Plus récent Les plus votés
1
0
Vous avez apprécié cet article ? Merci de laisser un commentaire.x