Transmission EISTI Guy-Almouzni

Traitement du Signal 2007 / 2008
EISTI Guy Almouzni

TRAITEMENT DU SIGNAL
Traitement du Signal 0. Prambule
0. Guy Almouzni
Oprations - Algorithmes

Plan du cours

1. Signaux dterministes. Signaux alatoires. Systmes stochastiques

SIGNAUX DETERMINISTES
Convolution - Reponse Impulsionnelle. Fonction de Transfert. Dconvolution.
Corrlation : Fonction dintercorrlation - Fonction dautocorrlation

SIGNAUX ALEATOIRES

Lalatoire en thorie du signal

Variables Alatoires
VA discrtes et continues. Moment dordre n . Loi de probabilit conjointe de 2 VA. Indpendance de 2 VA.
Densit de probabilit. Fonction de rpartition. Moyenne dune VA. Variance dune VA. Covariance de 2 VA.
Autocovariance ( variance) dune VA. Corrlation de 2 VA. Autocorrlation dune VA.
Estimation de la densit de probabilit
Lois de probabilit de VA usuelles
Loi de Bernouilli. Loi binomiale. Loi de Poisson. Loi uniforme. Loi normale.
Lois de Rayleigh, de Laplace, de Cauchy

Thorme central limite

Processus alatoires - Processus alatoires Temps Continu et Temps Discret
Trajectoire dun Processus Alatoire. Moyenne dun Processus Alatoire.
Fonction dAutocovariance dun Processus Alatoire. Fonction de Covariance de 2 Processus Alatoires

Stationnarit du 2nd ordre au sens large des processus alatoires TC et TD
Fonction dAutocovariance dun Processus Alatoire SSL. Fonction de Covariance de 2 Processus Alatoires SSL.
Densit Spectrale de Puissance (DSP) dun Processus Alatoire. Bruit blanc. Ergodicit. Stationnarit et ergodicit.
Formule du filtrage

Modles de processus alatoires
Le processus de Wiener. Le processus AR. Le processus MA. Le processus ARMA. Le processus ARMAX.
Le processus de Box et Jenkins (BJ). Le processus Markovien et modle dEtat

ANNEXE

SYSTEMES STOCHASTIQUES
Transmission dun signal alatoire dans un systme linaire (utilisation des transformes)
Valeur moyenne de la sortie. Intercorrlation. Autocorrlation et DSP (Densit Spectrale de Puissance)

Processus gnrateur dun signal alatoire : filtres formeurs du 1er ordre
Processus gnrateur Temps Discret (TD) du 1er ordre. Processus gnrateur Temps Continu (TC) du 1er ordre

Processus gnrateurs : MA, AR, ARMA
Signal MA. Signal AR. Equations de Yule-Walker. Signal ARMA

Conclusion

ESTIMATION DE LA COVARIANCE
Mthode par ergodicit. Mthode des corrlations. Mthode des covariances

RESOLUTION DU SYSTEME DEQUATIONS DE YULE-WALKER PAR INVERSION MATRICIELLE

ALGORITHME DE LEVINSON Rsolution du systme de Yule-Walker

METHODE DE BURG Rsolution du systme de Yule-Walker
0. 1
2. Synthse du signal. Identification

Synthse du signal

SIGNAUX DETERMINISTES
Expression analytique. Modle. Table de look-up. Transformation mathmatique inverse

SIGNAUX ALEATOIRES
Fonction modulo. Gnration dun bruit blanc de loi uniforme, de Rayleigh, de loi normale. Fonction OU exclusif

Identification

MODELES AR, MA ARMA

Processus MA dordre M
Relations entre coefficients du modle et covariances

Processus AR dordre N
Relations entre coefficients du modle et covariances (cas 1 = N )
Relations entre coefficients du modle et covariances (cas N quelconque)
Equations de Yule-Walker

Processus ARMA dordre M N

Remarques

Application : Estimation du spectre dun processus AR (Analyse spectrale - Estimation)
Relations entre coefficients du modle et covariances estimes (cas 1 = N )
Relations entre coefficients du modle et covariances estimes (cas N quelconque)
Estimation du spectre dun processus AR mthode haute rsolution

3. Caractrisation (Analyse - Transformations frquentielles). Estimation

Caractrisation

TRANSFORMATIONS FREQUENTIELLES
Transformation de Fourier Discrte (TFD)
Spectrogramme - Transformation de Fourier Court Terme (TFCT)
Transformation de Wigner-Ville (ondelettes)
Transformation de Hilbert

ANALYSE CEPSTRALE
Cepstre de la rponse dun filtre linaire
Application : Traitement de la parole
Coefficients cepstraux

ANALYSE LPC (Codage Prdiction Linaire)
Mthode dautocorrlation
Mthode de covariance
0. 2
Estimation

ANALYSE SPECTRALE

ELEMENTS DE LA THEORIE CLASSIQUE DE LESTIMATION

Biais et variance dun estimateur
Cas monovariable
Consistance dun estimateur

THEORIE CLASSIQUE DE LESTIMATION SPECTRALE

Estimateurs de corrlation
Estimation de lautocorrlation
Estimation de lintercorrlation

Estimateur de DSP : mthode du priodogramme
Priodogramme
Priodogramme moyenn

Estimateur de DSP : mthode du corrlogramme
Estimation de la DSP partir du modle AR du signal (Thorie moderne de lestimation spectrale base sur les processus gnrateurs de signal)

4. Conditionnement - Filtrage. Dtection

CONDITIONNEMENT - FILTRAGE

Prtraitements (Mise en forme, amplification, fentrage, filtrage ...)
Praccentuation et dsaccentuation (Traitement de la parole)

DETECTION

Filtrage adapt
Position du problme. Remarques. Normalisation.
Solution. Cas particulier important. Remarque

5. Transmission (Codage. Egalisation. Extraction de signal immerg dans du bruit. Filtrage adaptatif)

INTRODUCTION
Objectif. Moyens. Modlisation mathmatique. Donnes aires M . Constellation. Diagramme en oeil ...

CODAGE - DECODAGE (MODULATION - DEMODULATION)

Modulations analogiques
Modulation par multiplication. Modulation d'Amplitude (AM). Modulation Bande Latrale Unique (BLU). Modulation
de Frquence (FM). Modulation de Phase (PM)

Modulations numriques
Les modulations d'impulsions (amplitude, dure, position, densit). La modulation d'impulsions codes (MIC). La
Modulation . Transmission du signal numrique : Bande de base, modulation (ASK, FSK, PSK, DPSK)
Codes dtecteurs et correcteurs d'erreurs (bit de parit, codes parits entrelaces, codes de Hamming, codes
cycliques, codes continus
0. 3
Filtrage optimal au sens des moindres carrs

EGALISATION
Egalisation
Equations de Wiener-Hopf

EXTRACTION DE SIGNAL IMMERGE DANS DU BRUIT
Principe dorthogonalit
Equations de Wiener-Hopf

FILTRAGE ADAPTATIF
Filtre adaptatif de Widrow

6. Prdiction

Prdiction
Lissage - Filtrage - Prdiction

PREDICTION LINEAIRE
Variance minimale
Remarque

7. Filtrage optimal

MOINDRES CARRES
Moindres carrs direct Algorithme LS (Least Squares)
Exemple
Moindres carrs rcursif Algorithme RLS (Recursive Least Squares)
Problme : Identification dun canal de communication
Moindres carrs moyens Algorithme LMS (Least Mean Squares)

7. ANNEXE

FILTRAGE DE WIENER
Algorithme du gradient

FILTRAGE DE KALMAN
Exemple
Filtre de Kalman rcursif
0. 4
ANNEXE

8 Annexe. Dcision (Classification, Reconnaissance des Formes)

CAS BI-CLASSE

Cas o les densits de probabilit du vecteur dobservation conditionnellement chaque classe sont connues
Fonction de cot R
Test du rapport de vraisemblance

Cas o les densits de probabilit du vecteur dobservation conditionnellement chaque classe ne sont pas
connues
Rgle du minimax
Courbe COR

CAS BI-CLASSE AVEC NON-DECISION

Rgle de dcision
Test du rapport de vraisemblance

connues
0. 5
Bibliographie

[1] F. Auger Introduction la thorie du signal et de linformation Technip
[2] G. Blanchet / M. Charbit Traitement numrique du signal : simulation sous Matlab Herms
[3] M. Bouvet Traitement des signaux pour les systmes sonar Masson
[4] J.M. Brossier Signal et communication numrique Herms
[5] M. Charbit Elments de thorie du signal : aspects alatoires Ellipses
[6] P. Duvaut Traitement numrique du signal Herms
[7] M. Gevers / L. Vandendorpe Processus stochastisques : estimation et prdiction UCL
[8] M. Kunt Traitement Numrique des Signaux / Atelier de TNS Dunod / PPR
[9] Y. Thomas Signaux & systmes linaires : cours / exercices Masson
[10] F. Truchetet Traitement linaire du signal numrique Herms

UCL : Universit Catholique de Louvain
PPR : Presses Polytechniques Romandes

__________

Traitement du Signal 1. Signaux dterministes. Signaux alatoires. Systmes stochastiques

1. 1

1. Signaux dterministes. Signaux alatoires. Systmes stochastiques

I. SIGNAUX DETERMINISTES

CONVOLUTION - REPONSE IMPULSIONNELLE (RI)
Un systme linaire stationnaire (SLS) est caractris par sa RI: TC: ) (t h TD: ) (n h

SLS
) (t h ) (t x ) (t y

SLS
) ( h ) (n x ) ( y n n

La rponse y dun SLS dentre x scrit : TC: ) ( * ) ( ) ( t x t h t y = TD: ) ( * ) ( ) ( n x n h n y =
avec la relation de convolution * :
TC:

= d t x h t y ) ( ) ( ) (
TD:
=
=
k
k n x k h n y ) ( ) ( ) (

FONCTION DE TRANSFERT (FT) ( Gain complexe)
La FT dun systme caractrise, de faon duale la RI, un SLS: TC: ) ( H TD: ) (z H

SLS
) ( H ) ( X ) ( Y

SLS
) (z H
) (z X ) (z Y

La rponse Y dun SLS dentre X scrit : TC: ) ( ) ( ) ( X H Y = TD: ) ( ) ( ) ( z X z H z Y =
avec la relation o u dsigne indiffremment un signal x , y ou h :
TC:
[ ]

= = dt e t u t u TF U
t i
2
) ( ) ( ) (
TD:
[ ]

= =
n
n
z n u n u TZ z U ) ( ) ( ) (

DECONVOLUTION : Dtermination de la Rponse Impulsionnelle

u(k)
h(k)
y(k) = h(k)*u(k)

) ( ) ( ) ( k u k y k h = : dconvolution : h k
u
y k h k i u i
i
k
( )
( )
( ) ( ). ( ) =
1
0
1

avec : ) (k u et ) (k h causales et 0 ) 0 ( u .

CORRELATION
Fonction dintercorrlation ) (t
xy
(TC) ou ) (n
xy
(TD) de 2 signaux x t ( ) , y t ( ) (TC) ou x n ( ) , y n ( ) (TD) :
(TC)

+ = d t y x t
xy
) ( ) ( ) ( (TD)
=
+ =
k
xy
k n y k x n ) ( ) ( ) (
(TC)
) ( ) ( t t
yx xy
=
anticommutativit (TD)
) ( ) ( n n
yx xy
=

(TC)
) ( ) ( ) ( t y t x t
xy
=
(TD)
) ( ) ( ) ( n y n x n
xy
=

Fonction dautocorrlation ) (t
xx
(TC) ou ) (n
xx
(TD) dun signal x t ( ) (TC) ou x n ( ) (TD) :
(TC)

+ = d t x x t
xx
) ( ) ( ) ( (TD)
=
+ =
k
xx
k n x k x n ) ( ) ( ) (
(TC) ) (t
xx
maximale pour 0 = t (TD) ) (n
xx
maximale pour 0 = n
(TC) ) ( ) ( t t
xx xx
= ( ) (t
xx
paire) (TD) ) ( ) ( n n
xx xx
= ( ) (n
xx
paire)
(TC) ) ( ) ( ) ( t x t x t
xx
= (TD) ) ( ) ( ) ( n x n x n
xx
=

1. 2

ENERGIE - PUISSANCE - RAPPORT SIGNAL SUR BRUIT
- Energie d'un signal (cas complexe): (TC) E x t dt =

( )
2
(TD)
=
n
n x E
2
) ( ( 0 E )
[unit: le Joule] (cas scalaire): (TC)
= dt t x E ) (
2
(TD)
=
n
n x E ) (
2

Pour un signal nergie infinie (signal priodique par exemple) on prfrera utiliser la puissance (moyenne) pour
caractriser le signal :

- Puissance (moyenne) d'un signal : (TC)
=
T
T T
dt t x
T
P
2
) (
2
1
lim (TD)
+
=
k
k n
k
n x
k
P
2
) (
1 2
1
lim
[unit: le Watt] (cas scalaire): (TC)
=
T
T T
dt t x
T
P ) (
2
1
lim
2
(TD)
+
=
k
k n
k
n x
k
P ) (
1 2
1
lim
2

[unit: le dciBel (dB)]
) log( 10 ) log( 10 P P P
dB
= =
( 0 P )

Ex.:
) ( ) ( n n x =
lnergie diverge ( = E ) mais la puissance moyenne du signal reste finie :
2
1
) 1 (
1 2
1
lim 1
1 2
1
lim ) (
1 2
1
lim
0
2
= +
+
=
+
=
+
=

=

=

k
k k
n x
k
P
k
k
n
k
k
k n
k

- Rapport Signal/Bruit (SNR) : . ) (t s signal utile et ) (t b bruit, sont 2 signaux (TC) causaux, scalaires, de dure T
.
n
s
signal utile et
n
b
bruit, sont 2 signaux (TD) causaux, scalaires, de N chantillons
[unit: le dciBel (dB)] (TC)
dB b dB x
b
x
T
T
dB
P P
P
P
dt t b
dt t x
SNR =
log 10
) (
) (
log 10
0
2
0
2
(TD)
dB b dB x
b
x
N
n
n
N
n
n
dB
P P
P
P
b
x
SNR =
log 10 log 10
1
0
2
1
0
2

Dans le cas de bruit alatoire non ergodique, il faut prendre sa moyenne statistique (esprance) plutt que sa moyenne temporelle (1 seule ralisation du bruit ne suffit
pas) :
Rapport des puissances instantanes linstant T t = (TC) ou n N = (TD) :
Cas alatoire (TC)
[ ]
dB
b
dB
x
b
x
dB
i i
i
i
p p
p
p
T b E
T x
SNR =
log 10
) (
) (
log 10
2
2
(TD)
[ ]
dB
b
dB
x
b
x
N
N
dB
i i
i
i
p p
p
p
b E
x
SNR =
log 10 log 10
2
2

Remarque : . un SNR de 100 dB traduit un excellent Rapport Signal/Bruit (le bruit est rejet)
. un SNR de 10 dB traduit un Rapport Signal/Bruit minimal admissible (le bruit est couvert, il est ngligeable )
. un SNR de 0 dB traduit une mme puissance entre Signal et Bruit.

II. SIGNAUX ALEATOIRES

Dans de nombreux systmes rels, les signaux traiter ne peuvent tre modliss de faon dterministe.

Cest le cas par exemple des signaux de tlcommunications qui, par nature, ne sont pas connus de faon certaine,
sinon ils ne vhiculeraient aucune information (quasiment).

Cest aussi le cas de nombreux signaux qui proviennent de mesures ou dobservations bruites, qui font que le signal
rellement observ est une forme corrompue du signal voulu. De ce fait, de nombreuses oprations de traitement du
signal penses pour des signaux dterministes doivent tre repenses et optimises en fonction de linformation dont on
dispose propos du signal alatoire traiter.

1. Lalatoire en thorie du signal

Dans beaucoup dexpriences pratiques, les phnomnes observs dans des conditions apparemment identiques
semblent prsenter des variations imprvisibles. On dit que ces phnomnes sont alatoires. Par exemple, le bruit de
fond dun rcepteur radiophonique, ou encore le signal sonore produit par un compteur de particules sont des exemples
de signaux alatoires.

Dans le cas particulier dun systme de communication, non seulement le bruit de fond, mais aussi le message mis par
la source, prsentent un caractre alatoire pour le destinataire. Il en est de mme pour un signal de parole qui ne peut
tre dcrit de faon exacte par une expression analytique, mme en labsence de bruit.

1. 3

Pour tudier lvolution des phnomnes alatoires, on a recours des modles probabilistes. Ceux-ci tentent de
reprsenter le signal observ par une famille de Variables Alatoires (VA) indexes par le temps. Chacune de ces VA
dcrit laspect incertain du phnomne un instant donn. Une telle famille porte le nom de processus alatoire.

Un processus alatoire peut tre TD (Temps Discret) ou TC (Temps Continu).

2. Variables Alatoires

Une VA X est une application qui associe chaque preuve, ralisation x possible dune exprience, une valeur
particulire ( x ) : X X = ( ) ( : preuve)

Une image familire nous est donne par lapparition des valeurs 1 6 dans une exprience de lanc dun d 6 faces.

VA discrtes et continues

Une VA est discrte ou continue suivant que lensemble des valeurs possibles de lexprience alatoire est
respectivement discret ou continu.

VA discrte : un exemple du cas discret est donn par lobservation du nombre de personnes prsentes dans une file
dattente : les seules valeurs possibles sont les entiers positifs ou nul.

VA continue : Par contre, le relev de la vitesse des vhicules sur une autoroute fournit un exemple de VA continue
(les valeurs possibles etant les nombres rels compris entre 0 et 130 km/h).

VA discrte

La loi de probabilit dune VA X est compltement caractrise par lensemble dnombrable { } L L , , , ,
2 1 k
a a a
des valeurs possibles et par la suite des valeurs : ( Z k )
( )
k X
a X P k p = = ) (
qui reprsente la probabilit pour que X soit gal llment
k
a . Ces valeurs vrifient :
1 ) ( 0 k p
X
et 1 ) ( =
k
X
k p

Moment dordre n de la VA X : cest le nombre (non alatoire) dfini par : ( N n )
[ ]

=
k
X
n
k
n
k p a X E ) (
cas : 1 = n : on a lesprance mathmatique ou moyenne statistique de la VA X : [ ]

=
k
X k
k p a X E ) (
cas : 2 = n : on a le moment dordre 2 de la VA X : [ ]

=
k
X k
k p a X E ) (
2 2

Les moments dordre 1 et 2 suffisent gnralement caractriser une VA. Cependant, on peut parfois avoir recours aux
moments dordre suprieur : ex. 4 = n : moment dordre 4 : kurtosis.

Loi de probabilit conjointe de 2 VA X et Y :

Elle est caractrise par les ensembles dnombrables { } L L , , , ,
2 1 k
a a a et { } L L , , , ,
2 1 m
b b b des valeurs
possibles de X et Y et par la suite des probabilits : ( )
m k XY
b Y a X P m k p = = = , ) , ( qui vrifient :
1 ) , ( 0 m k p
XY
et 1 ) , ( =
k m
XY
m k p

Indpendance de 2 VA X et Y :
2 VA X et Y sont indpendantes si et seulement si : ( ) ( ) ( )
m k m k
b Y P a X P b Y a X P = = = = = ,

1. 4

VA continue

Densit de probabilit
La VA X prend ses valeurs dans le corps de rels R, et sa loi est caractrise par une fonction appele densit de
probabilit que lon note ) (x p
X
avec x rel, et qui permet le calcul de la probabilit pour X dappartenir un
intervalle ( ) b a, par la relation :
( ) ( )

=
b
a
X
dx x p b a X P ) ( ,
La fonction ) (x p
X
est 0 (pas ncessairement 1 ) et vrifie la relation de normalisation : 1 ) ( =

dx x p
X

Fonction de rpartition
La fonction de rpartition ) (x F
X
dune VA X est dfinie par : ) ( ) ( x X p x F
X
=
On a la relation entre densit de probabilit ) (x p
X
et fonction de rpartition ) (x F
X
:

=
x
X X
du u p x F ) ( ) (

Moment dordre n de la VA X : cest le nombre (non alatoire) dfini par : ( N n )
[ ]

= dx x p x X E
X
n n
) (
cas : 1 = n : on a lesprance mathmatique ou moyenne statistique de la VA X : [ ]

= dx x p x X E
X
) (
cas : 2 = n : on a le moment dordre 2 de la VA X : [ ]

= dx x p x X E
X
) (
2 2

Les moments dordre 1 et 2 suffisent gnralement caractriser une VA. Cependant, on peut parfois avoir recours aux
moments dordre suprieur : ex. : 3 = n : moment dordre 3 : skewness; . 4 = n : moment dordre 4 : kurtosis.

Loi de probabilit conjointe de 2 VA X et Y
De faon analogue, elle est caractrise par sa densit de probabilit ) , ( y x p
XY
, qui, par la formule suivante, autorise
le calcul de la probabilit pour que le couple de VA ( ) Y X, appartienne un domaine du plan :
( ) ( )

= dxdy y x p Y X P
XY
) , ( ,
La fonction ) , ( y x p
XY
est 0 (pas ncessairement 1 ) et vrifie la normalisation : 1 ) , (
2
=
R
dxdy y x p
XY

Indpendance de 2 VA X et Y
2 VA X et Y sont indpendantes si et seulement si : ) ( ) ( ) , ( y p x p y x p
Y X XY
=

VA discrtes et continues

. Moyenne m dune VA X Cette grandeur est dterministe
[ ] X E m
X
= moyenne statistique, esprance mathmatique ou encore moment dordre 1 de X
La moyenne dune VA traduit le centre (le centre de gravit) des preuves.

1. 5

. Variance
2
dune VA X Cette grandeur est dterministe

[ ] [ ] ( )
[ ]
[ ]
[ ]
x
X E X E X E X E X
2
2
2 2
= = = var
En effet :
[ ] ( )
[ ]
[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]
E X E X E X XE X E X E X E X E X E X E X = + = + =
2
2 2 2 2 2 2 2
2 2

La variance est une quantit toujours 0 . Elle peut sinterprter comme la mesure des fluctuations de la VA autour de
sa moyenne : plus elle est grande, plus les valeurs de X sont disperses autour de [ ] X E .

En thorie du signal, la variance a une signification supplmentaire : elle sinterprte come la puissance des fluctuations
(quadratiques) de X autour de sa moyenne.
La variance dune VA traduit sa puissance, sa dispersion. Elle est lie lamplitude des variations de la VA.

Moyenne et variance suffisent dcrire de nombreux phnomnes alatoires de faon suffisante.
On a les proprits :
[ ] [ ]
[ ] [ ]
= +
+ = +
X a b aX
b X aE b aX E
var var
2
o : a et b sont des complexes non alatoires.

. Ecart-type dune VA X Cette grandeur est dterministe
[ ] X
x
var = cart moyen

. Covariance
xy
de 2 VA X et Y Cette grandeur est dterministe Soit
[ ]
X X E X
0

et
[ ]
Y Y E Y
0

:

[ ] [ ] ( ) [ ] ( )
[ ] [ ]
[ ] [ ] [ ]
xy
X Y E X E X Y E Y E X Y E XY E X E Y = = = = cov ,
0 0

. Autocovariance
xx
dune VA X ( variance) Cette grandeur est dterministe
[ ] [ ] ( ) [ ] [ ] [ ]
2 2 2 2
, cov
x xx
X E X E X E X E X X = = = =

. Corrlation
xy
de 2 VA X et Y Cette grandeur est dterministe

[ ]
[ ] [ ] y x
xy
xy
Y X
Y X

= =
var var
, cov

On a la proprit, issue de lingalit de Schwarz : 1 1
xy

Dcorrlation de 2 VA X et Y : si [ ] 0 , cov = = Y X
xy
on dit alors que les VA X et Y sont dcorrles (
0 =
xy
)

On montre que si 2 VA X et Y sont indpendantes alors elles sont dcorrles. Mais en gnral, la rciproque est fausse.
X , Y indpendantes X , Y dcorrles mais X , Y dcorrles X , Y indpendantes

. Autocorrlation
xx
dune VA X Cette grandeur est dterministe

[ ]
[ ]
1
var
, cov
2
= = =
x
xx
xx
X
X X

. Estimation de la densit de probabilit
Loi des grands nombres
( ) X P peut tre approch de faon efficace par le rapport
N
n
: ( )
N
n
X P

=

1. 6

avec : . ( ) X P : probabilit dappartenance de la VA X un intervalle
.
n : nombre de points, de rsultats dexprience observs dans lintervalle

. N : nombre total de points, de ralisations possibles.
.
N
n
: frquence relative

On peut alors estimer la densit de probabilit ) (x p
X
de X au point
1
x , soit ) (
1
x p
X
par :
=
l N
n
x p
X
) (
1

avec : . ) (
1
x p
X
: densit de probabilit de X au point
1
x
.
n : nombre de points, de rsultats dexprience observs dans lintervalle

. N : nombre total de points, de ralisations possibles.
.
l : longueur de lintervalle
En effet, on a : ( )

= dx x p X P
X
) ( et si on suppose que est un intervalle trs petit autour du point
1
x , le terme :

dx x p
X
) ( est approximativement gal :
l x p
X
) (
1
do :
N
n
l x p
X

= ) (
1

La procdure pour estimer la densit de probabilit au point
0
x peut alors suivre lalgorithme :

1. On effectue une exprience de longueur N
2. On partitionne lintervalle des valeurs obtenues en P sous-intervalles
P
I I I , , ,
2 1
L de longueur respective

P
l l l , , ,
2 1
L autour des points
P
x x x , , ,
2 1
L . En gnral, on choisit des sous-intervalles de mme longueur et

p
x est pris au milieu du sous-intervalle
p
I . En pratique P ne dpasse pas 10 / N .
3. Enfin, on estime la densit de probabilit au point
p
x par
p
p
I
I
p X
l N
n
x p
= ) (

3. Lois de probabilit de VA usuelles

Loi de Bernouilli ( loi 2 valeurs)
La VA X peut prendre 2 valeurs a et b avec les probabilits respectives
a
p et
b
p avec 1 = +
b a
p p .
La densit de probabilit est donne par ) ( ) ( ) ( b x p a x p x p
b a X
+ = :
Loi de Bernouilli
x
) (x p
X
a
p
a b
b
p

Moyenne m : [ ]
b a
bp ap X E m + = = Moment dordre n :
[ ]
b
n
a
n n
p b p a X E + =

Variance
2
: [ ] [ ] ( ) ( )
b a b b a a
p abp p p b p p a X E X E 2 1 1
2 2 2 2 2
+ = =
Exemple de VA de loi de Bernouilli : Rsultat pile ou face du lancer dune pice.

Loi binomiale
Soit un vnement e associ une exprience. Cet vnement a une probabilit p de survenir. On reproduit n fois
lexprience et on sintresse la VA X qui donne le nombre de succs de lvnement e au cours des n essais.
La densit de probabilit est donne par
=
=
n
k
k X
k x p x p
0
) ( ) ( avec ( )
k n k k
n k
p p C p

= 1 et
( )! !
!
k n k
n
C
k
n
=

Moyenne m : [ ] np X E m = =
Variance
2
: [ ] [ ] ( ) p np X E X E = = 1
2 2 2


1. 7

Exemple de VA de loi binomiale : On effectue n tirages avec remise dune boule dans une urne contenant
B
n boules
blanches et
N
n boules noires. Lvnement est le tirage dune boule blanche.

Loi de Poisson
La densit de probabilit est du type :
=
=
0
) ( ) (
k
k X
k x p x p avec
! k
e
p
k
k

=

Moyenne m : [ ] = = X E m
Variance
2
: [ ] [ ] = = X E X E
2 2 2

Exemple de VA de loi binomiale : On effectue n tirages avec remise dune boule dans une urne contenant
B
n boules
blanches et
N
n boules noires. Lvnement est le tirage dune boule blanche.

Loi uniforme sur [ ] b a,
Lensemble des valeurs possibles de la VA X se rduit lintervalle [ ] b a, et la probabilit de X dappartenir un
intervalle [ ] [ ] b a d c , , est gale
a b
c d
.
On en dduit que sa densit de probabilit est constante et vaut
a b
1
sur [ ] b a, et 0 ailleurs:
Loi uniforme
x
m a b
a b
1
) (x p
X

Moyenne m : [ ]
2
b a
dx
a b
x
X E m
b
a
+
=
= =

Moment dordre 2 :
[ ]
3
2 2 2
2
b ab a
dx
a b
x
X E
b
a
+ +
=

Variance
2
: [ ] [ ]
( )
12
2
2 2 2
a b
X E X E

= =
Exemple de VA de loi uniforme : Erreur darrondi dans les calculs (bruit de quantification uniforme).
Gnration dune VA Y uniforme sur [ ] b a, partir dune VA X uniforme sur [ ] 1 , 0 : ( ) a X a b Y + =

Loi normale ( gaussienne)
Numriquement, plus de 99% des valeurs de la densit de probabilit ) (x p
X
de la VA X tombent dans lintervalle
[ ] 3 , 3 + m m , dit intervalle de confiance (
[ ] 2 , 2 + m m
donne 95% des valeurs de ) (x p
X
,
[ ] 4 , 4 + m m
pour 99.9%).
La densit de probabilit est dfinie par
( )
2
2
2
2
1
) (

m x
X
e x p

= :
Loi normale
x
m
) (x p
X
2
1
3

Moyenne m : [ ] m X E =
Variance
2
: [ ] [ ]
2 2 2
= X E X E
Exemple de VA de loi normale : Bruit de fond dans les rcepteurs.
Gnration dune VA Y normale ) , (
2
m partir dune VA X normale ) 1 , 0 (
2
0 0
= = m : m X Y + =
La distribution normale est linaire, et elle est la seule loi pour laquelle il y a quivalence entre indpendance et non corrlation.

1. 8

Lois de Rayleigh, de Laplace, de Cauchy

Loi de Rayleigh
x
2
2
) (
x
X
e x x p

=
Loi de Laplace
x
x
X
e x p

= ) (
Loi de Cauchy
x
2
1
1
) (
x
x p
X
+
=

Tableau rcapitulatif
VA discrtes
Loi de distribution
de la VA X
Probabilit
) ( k X p p
k
= =

=
k
k X
k x p x p ) ( ) (

= =
k
k X
k x p x X p x F ) ( ) ( ) (

Moyenne
=
k
k k
p x m

Variance
( )
=
k
k k
p m x
2 2

Bernouilli
( b a, )
) , (
b a
p p
) ( ) ( b x p a x p
b a
+

) ( ) ( b x p a x p
b a
+

b a
bp ap +

( ) ( )
b a b b a a
p abp p p b p p a 2 1 1
2 2
+

binomiale
(
p n,
)
( )
k n k k
n
p p C

1

( )

n
k
k n k k
n
k x p p C
0
) ( 1

( )

n
k
k n k k
n
k x p p C
0
) ( 1
np
( ) p np 1
Poisson ( )
! k
e
k
0
) (
!
k
k
k x
k
e

0
) (
!
k
k
k x
k
e

VA continues
Loi de distribution
de la VA X
Probabilit
) ( ) ( x X p x p = =

dx
x dF
x p
X
X
) (
) ( =


= =
x
X X
du u p x X p x F ) ( ) ( ) (

Moyenne

= dx x xp m
X
) (

Variance
( )

= dx x p m x
X
) (
2 2

uniforme sur
[ ] b a,

ailleurs
si
0
1
) (
1 b X a
a b m x
a b
a b

>

<
b X
b X a
a b
a x
a X
si
si
si
0
0

2
b a +
( )
12
2
a b
normale (
2
, m
)

( )
2
2
2
2
1

m x
e

2 2
1
1
m x
erfc

avec
( )

=
x
t
dt e x erfc
2 2
m
2

4. Thorme central limite

Chaque fois quun phnomne peut tre considr comme la rsultante dun grand nombre de causes alatoires
indpendantes, on peut prsumer que ce phnomne suit une loi de distribution normale: cest le thorme central
limite.

5. Processus alatoires

En thorie du signal, on tudie le plus souvent des grandeurs dpendant du temps et dont lvolution semble
imprvisible. Lcoute du son mis par des vhicules qui passent sur une route nous donne une image concrte et
familire dune telle grandeur (alors que le lancer dun d est une VA statique, indpendante du temps).

Pour les modliser, on utilise la notion de processus alatoire qui associe chaque preuve une ralisation qui nest
plus une valeur comme dans le cas des Variables Alatoires, mais une fonction du temps.

On dfinit un Processus Alatoire (PA) comme une application qui, chaque preuve , fait correspondre une
fonction du temps t . On utilise la notation ) , ( t X , ou plus usuellement, ) (t X , dans laquelle on omet la
dpendance statistique ( vis--vis de lpreuve ), lexemple de ce que lon fait pour les Variables Alatoires que
lon note simplement X .

Trajectoire dun Processus Alatoire

Un processus alatoire peut alors tre vu :

1. 9

. soit, pour une preuve fixe
0
, comme une fonction du temps que lon appelle trajectoire.
. soit, pour un instant fix
0
t , comme une Variable Alatoire.

Ralisations dun processus alatoire (exemple : ralisations dun signal parole)

La dmarche qui consiste modliser une exprience par plusieurs fonctions, ce qui suppose que le temps puisse se
drouler une infinit de fois lidentique, peut choquer, puisquen pratique, on nobserve souvent quune ralisation, et
encore uniquement sur un intervalle de temps fini !

Cette faon de faire se trouve justifie par la pertinence des rsultats quelle permet dobtenir.

Processus alatoires Temps Continu et Temps Discret

Certains processus alatoires ont des trajectoires qui, tout en tant imprvisibles, semblent possder des caractristiques
communes.

Processus Alatoire ) (t X TD et TC
Un Processus Alatoire ) (t X est TC si le temps R t ( t rel).
Un Processus Alatoire ) (t X est TD si le temps Z t ( t entier).

Moyenne ) (t m
X
dun Processus Alatoire ) (t X Cette grandeur est dterministe et dpend de t
[ ] ) ( ) ( t X E t m
X
= moyenne statistique, esprance matmatique ou encore moment dordre 1 de ) (t X

Fonction dAutocovariance ) , (
2 1
t t R
XX
dun Processus Alatoire ) (t X Cette grandeur est dterministe
(appele aussi Fonction dAutocorrlation lorsque le processus est stationnaire)

[ ] [ ] ) ( ) ( ) ( ) ( ) ( ) ( ) , (
2 1 2 1 2
0
1
0
2 1
t m t m t X t X E t X t X E t t R
X X XX
= = ( [ ] ) ( ) (
2 1
t X t X E = si ) (t X centr)

[ ] [ ] ) ( ) ( ) ( ) ( ) ( ) ( ) , (
2
*
1 2
*
1 2
0
1
0
2 1
*
t m t m t X t X E t X t X E t t R
X X XX
= =
dans le cas de PA complexes (
) (
*
t X
: conjugu de
) (t X
)

o : [ ] ) ( ) ( ) (
0
t X E t X t X = dsigne le processus centr

Fonction de Covariance ) , (
2 1
t t R
XY
de 2 Processus Alatoires ) (t X et ) (t Y Cette grandeur est dterministe
(appele aussi Fonction de Corrlation lorsque le(s) processus est (sont) stationnaire(s))

[ ] [ ] ) ( ) ( ) ( ) ( ) ( ) ( ) , (
2 1 2 1 2
0
1
0
2 1
t m t m t Y t X E t Y t X E t t R
Y X XY
= = ( [ ] ) ( ) (
2 1
t Y t X E = si ) (t X ou ) (t Y centr)

[ ] [ ] ) ( ) ( ) ( ) ( ) ( ) ( ) , (
2
*
1 2
*
1 2
0
1
0
2 1
*
t m t m t Y t X E t Y t X E t t R
Y X XY
= =
) (
*
t X
: conjugu de
) (t X
)

o : [ ] ) ( ) ( ) (
0
t X E t X t X = dsigne le processus centr

On se limite aux processus stationnaires au 2nd ordre au sens large (SSL) (cas le plus courant)

1. 10

Stationnarit du 2nd ordre au sens large des processus alatoires TC et TD

Notations : si Processus TC : t , ,
1
t ,
2
t R si Processus TD : t , ,
1
t ,
2
t Z

Un Processus Alatoire stationnaire au 2nd ordre au sens large (SSL) est tel que sa moyenne et sa variance sont
indpendantes de lorigine des temps

Un Processus Alatoire ) (t X est SSL sil vrifie les 2 proprits 1 et 2 :

1. la moyenne du Processus Alatoire SSL est indpendante de t :
X X
m t m = ) (
[ ] ) (t X E m
X
=

Fonction dAutocovariance (=Autocorrlation dans le cas SSL) ) (
XX
R dun Processus Alatoire SSL ) (t X

2. la fonction dautocovariance dun PA SSL ne dpend que de
1 2
t t = : ) ( ) , (
2 1

XX XX
R t t R =
[ ] [ ]
2 0 0
) ( ) ( ) ( ) ( ) (
X XX
m t X t X E t X t X E R = = si ) (t X centr:
[ ] ) ( ) ( ) ( t X t X E R
XX
=

[ ] [ ]
2
* 0 0
) ( ) ( ) ( ) ( ) (
*
X XX
m t X t X E t X t X E R = =
) (
*
t X
: conjugu de
) (t X
)

on a aussi :
[ ] [ ]
2 0 0
) ( ) ( ) ( ) ( ) (
X XX
m t X t X E t X t X E R + = + =
si ) (t X centr:
[ ] ) ( ) ( ) ( + = t X t X E R
XX

[ ] ) ( ) ( ) ( ) (
0 0

XX XX
R t X t X E R = + =
) (
XX
R est paire

on a enfin :
) ( * ) ( ) (
0 0
= X X R
XX
si ) (t X centr: ) ( * ) ( ) ( = X X R
XX

Symtrie hermitienne : la fonction dautocovariance possde la proprit de symtrie hermitique
) ( ) ( =
XX XX
R R parit de lautocovariance
) ( ) (
*
=
XX XX
R R
) (
*
t R
XX
: conjugu de
) (t R
XX
)

Positivit : la fonction dautocovariance possde la proprit de positivit
0 ) (
1
0
1
0

=
N
k
N
m
XX m k
m k R a a pour tout N , pour toute suite de valeurs relles
1 1 0
, , ,
N
a a a L

0 ) (
1
0
1
0
*

=
N
k
N
m
XX m k
m k R a a
pour tout N , pour toute suite de valeurs complexes
1 1 0
, , ,
N
a a a L

que lon peut crire matriciellement : (les exposants , indiquent resp. la transposition et la transposition-conjuguaison)
0
A R A
0
A R A
dans le cas complexe

La matrice R est appele matrice de covariance.

On a la proprit
= R R (

= R R dans le cas complexe) du fait de la symtrie hermitienne.
Exemple pour 3 = N : [ ] 0
) 0 ( ) 1 ( ) 2 (
) 1 ( ) 0 ( ) 1 (
) 2 ( ) 1 ( ) 0 (
2
1
0
2 1 0

a
a
a
R R R
R R R
R R R
a a a
XX XX XX
XX XX XX
XX XX XX
A R A

dans le cas de PA complexe :
[ ] 0
) 0 ( ) 1 ( ) 2 (
) 1 ( ) 0 ( ) 1 (
) 2 ( ) 1 ( ) 0 (
2
1
0
*
2
*
1
*
0

a
a
a
R R R
R R R
R R R
a a a
XX XX XX
XX XX XX
XX XX XX
A R A

En raison de la stationnarit du PA, la matrice R est telle que les parallles la diagonale principale sont constitues
de termes gaux. Cette forme de matrice porte le nom de matrice de Toeplitz.

1. 11

Fonction de Covariance (= Corrlation dans le cas SSL) ) (
XY
R de 2 Processus Alatoires SSL ) (t X et ) (t Y

. la fonction de Covariance de 2 PA SSL ne dpend que de
1 2
t t = : ) ( ) , (
2 1

XY XY
R t t R =
[ ] ) ( ) ( ) (
0 0
t Y t X E R
XY
= si ) (t X et ) (t Y centrs :
[ ] ) ( ) ( ) ( t Y t X E R
XY
=

[ ] ) ( ) ( ) (
*
0 0
t Y t X E R
XX
=
) (
*
t X
: conjugu de
) (t X
)

on a aussi :
[ ] ) ( ) ( ) (
0 0
+ = t Y t X E R
XY
si ) (t X et ) (t Y centrs :
[ ] ) ( ) ( ) ( + = t Y t X E R
XY

[ ] ) ( ) ( ) ( ) (
0 0
= =
XY YX
R t X t Y E R
si ) (t X et ) (t Y centrs :
[ ] ) ( ) ( ) ( ) ( = =
XY YX
R t X t Y E R

on a enfin :
) ( * ) ( ) (
0 0
= Y X R
XY
si ) (t X et ) (t Y centrs : ) ( * ) ( ) ( = Y X R
XY

Densit Spectrale de Puissance (DSP) dun Processus Alatoire ) (t X

Quand un Processus Alatoire est stationnaire au 2nd ordre, on dfinit sa puissance et sa DSP de la faon suivante :

. Puissance P [ ]
2 2
) 0 ( ) (
X XX X
m R t X E P + = =
moyenne statistique de la puissance instantane

[ ]
2 2
) 0 ( ) (
X XX X
m R t X E P + = =
dans le cas de PA complexes

) 0 (
XX X
R P =
dans le cas de PA centrs

. Valeur efficace
eff
X
X eff
P X

=

. DSP S
( ) [ ] ) (
XX X
R TF f S

=
f est la frquence

Thorme de Wiener Kintchine

La DSP de ) (t X est la TF de la fonction dautocovariance de ) (t X (et non la TF de ) (t X !)

Note : ( ) f S
X
est encore not ( ) f S
XX
. ) (
XX
R est encore not ( )
X
R
TC : ( )

d e R f S
f i
XX X
2
) (

= est rel ( R )
TD : ( )

f i
XX X
e R f S
2
) ( est discret ( Z )
Comme dans le cas dterministe, le spectre reprsente la rpartition, la localisation de la puissance le long de laxe des
frquences. Par consquent, la puissance est donne par :
TC :
2 2
) ( ) 0 (
X X X XX X
m df f S m R P + = + =

2 2
) ( ) 0 (
X X X XX X
m df f S m R P + = + =

TD :
2
2 / 1
2 / 1
2
) ( ) 0 (
X X X XX X
m df f S m R P + = + =

2
2 / 1
2 / 1
2
) ( ) 0 (
X X X XX X
m df f S m R P + = + =



1. 12

Bruit blanc

Un bruit blanc ) (t B est un Processus Alatoire stationnaire (SSL) TC ou TD, (gnralement centr), dont la DSP
( ) f S
B
est Constante sur tout laxe des frquences (le nom blanc fait donc rfrence la lumire blanche dont la puissance est
rpartie uniformment sur lensemble des frquences optiques). Du fait de la dfinition de la DSP, un bruit blanc est donc
caractris aussi par une fonction dautocovariance ) (
BB
R impulsionnelle :

Bruit blanc de variance
2
:
Autocovariance : (TC) ) ( ) (
2
=
BB
R (TD)
0 ,
2
) (
k BB
k R =
DSP (TC) (Variance (TD)) : DSP (TC) ( ) [ ]
2
) ( = =
BB B
R TF f S Variance (TD)
( ) [ ]
2
) ( = = k R TF f S
BB B

Autre dfinition : (sens faible) Un bruit blanc est une suite de VA non corrles (ralisations non corrles)
(sens fort) Un bruit blanc est une suite de VA indpendantes (ralisations indpendantes).

Le terme blancheur vient de lanalogie avec la lumire blanche et traduit le fait que toutes les frquences sont prsentes dans un bruit blanc avec la
mme puissance.

Un bruit blanc TD est ralisable en pratique alors quun bruit blanc TC ne lest pas car sa puissance (qui est gale sa fonction dautocovariance
en 0) est infinie (Dirac) !

Loi de distribution : un processus blanc peut avoit une loi de distribution quelconque : normale, uniforme, ...

Ergodicit ( ergodisme) (relativement la moyenne et la fonction de covariance) dun Processus Alatoire
Un Processus Alatoire peut tre vu comme une multitude de trajectoires correspondant autant de ralisations de
lexprience lidentique.

Cependant, dans un grand nombre de cas pratiques, une seule ralisation du processus est accessible la mesure.

Un processus stationnaire ) (t X est ergodique si sa moyenne et sa fonction dautocovariance peuvent tre obtenues en
effectuant une moyenne temporelle sur une seule trajectoire (une seule ralisation) de dure infinie.

Ainsi, les formules de moyenne et de fonction dautocovariance peuvent scrire laide dune moyenne temporelle :

+
+
=
+
=
=
+
=
+
T
T t
T
XX
T
T t
T
X
t X t X
T
R
t X
T
m
) ( ) (
1 2
1
lim
) (
1 2
1
lim
+
+
=
+
=
=
+
=
+
T
T t
T
XX
T
T t
T
X
t X t X
T
R
t X
T
m
) ( ) (
1 2
1
lim
) (
1 2
1
lim
*

Un processus ) (t X ergodique est donc tel que sa moyenne statistique (dont une estimation est :
=
=
K
k
k X
t x
K
t m
1
) (
1
) ( )
est gale sa moyenne temporelle (dont une estimation est :
=
=
1
0
) (
1
T
t
X
t X
T
m ).
Ds lors : . la moyenne dun Processus Alatoire (PA) ergodique est vue comme un offset (dcalage) vertical au cours du temps
. la variance, la puissance dun PA est lie lamplitude du PA (lamplitude de ses ralisations).

Stationnarit et ergodicit dun Processus Alatoire
La quasi totalit des Processus Alatoires rencontrs en pratique satisfait aux conditions de stationnarit et
dergodicit.
Cette hypothse conduit aux formules suivantes destimation de la moyenne et de la fonction dautocovariance :

=
=
=
1
0
0 0
1
0
) ( ) (
1
) (
1
T
t
XX
T
t
X
t X t X
T
R
t X
T
m

=
=
=
1
0
0 0
1
0
) ( ) (
1
) (
1
T
t
XX
T
t
X
t X t X
T
R
t X
T
m
o :
X
m t X t X ) ( ) (
0
=

1. 13

Fonction de covariance et fonction de corrlation dun Processus Alatoire
La Fonction de covariance dun Processus Alatoire devient fonction de corrlation lorsque le processus est stationnaire :

Fonction de Covariance ) , (
2 1
t t R
XY
de 2 Processus Alatoires ) (t X et ) (t Y SSL
[ ] ) ( ) ( ) , (
2
0
1
0
2 1
t t Y t t X E t t R
XY
=

Fonction de Corrlation ) (
2 1
t t R
XY
de 2 Processus Alatoires ) (t X et ) (t Y SSL
[ ] ) , ( ) ( ) ( ) (
2 1 2
0
1
0
2 1
t t R t t Y t t X E t t R
XY XY
= =

Formule du filtrage
Soit ) (t X un Processus Alatoire SSL, de fonction dautocovariance ) (
XX
R et de DSP ( ) f S
X
, entre dun filtre
linaire de RI ) (t h et de gain complexe ) ( f H : (si ) (t X est TC, R t et si ) (t X est TD, Z t , aussi not
k
X , Z k )

TC :
) (t X ) (t Y ) (t h
TD :
) (t X ) (t Y ) (t h

On montre que le processus ) (t Y en sortie du filtre linaire est lui-mme un Processus Alatoire SSL.

TC :
. Moyenne de ) (t Y
X Y
m H m ) 0 ( = ) (t Y est donc centr si ) (t X lest.

. Filtrage de la DSP ( ) ( ) f S f H f S
X Y
2
) ( = Autocorrlation de ) (t Y ) ( * ) ( * ) ( ) (
XX YY
R h h R =

. Interspectre
( ) ( ) f S f H f S
X XY
) ( = Intercorrlation ) ( * ) ( ) (
XX XY
R h R =

De mme TD :
. Moyenne de
k
Y
X Y
m H m ) 0 ( =
k
Y est donc centr si
k
X lest.

. Filtrage de la DSP ( ) ( ) f S f H f S
X Y
2
) ( = Autocorrlation de
k
Y
k k
XX k k YY
R h h R * *

=

. Interspectre
( ) ( ) f S f H f S
X XY
) ( = Intercorrlation
k k
XX k XY
R h R * =

Modles de processus alatoires (PAs)

Le processus de Wiener (processus alatoire non stationnaire)

Il modlise le mouvement Brownien, mouvement irrgulier de particules microscopiques soumises lagitation
thermique dans un fluide. Soit ) (t X une des coordonnes de la particule, et choisissons lorigine telle que 0 ) 0 ( = X .
Le mouvement de la particule sur un intervalle de temps suffisamment long est le rsultat dune srie dimpulsions
provenant dun nombre important de collisions. Il est donc raisonnable de penser que :

. le thorme central limite sapplique : le mouvement Brownien est gaussien : le dplacement obit une loi normale
. les proprits statistiques du dplacement sur un intervalle de temps ( + t t, ) sont indpendantes de celles sur un
intervalle de mme longueur, pour autant que ces intervalles ne se chevauchent pas. De manire axiomatique, le
processus de Wiener est donc dfini par les conditions suivantes :
. 0 ) 0 ( = X
. ) (k X est gaussien de moyenne nulle k
. ) (k X est un processus accroissements indpendants :
soit
n
k k k < < < L
2 1
, les VA
) ( ), ( ) ( , ), ( ) ( ), ( ) (
1 1 2 2 1 1
k X k X k X k X k X k X k X
n n n n

L
sont mutuellement
indpendantes ( indpendantes les unes des autres) (si ces VA sont seulement non corrles entre elles, le processus est dit
accroissements orthogonaux).


1. 14

Ces proprits permettent de se donner un modle pour le processus de Wiener : ) ( ) 1 ( ) ( k W k X k X + =
avec : 0 ) 0 ( = X
) (k W : bruit blanc, gaussien, centr ( moyenne nulle), et de variance
2
W

Il rsulte ce modle que :
. [ ] 0 ) ( = k X E 0 k la moyenne dun processus de Wiener est nulle: 0 =
X
m
.
=
=
k
i
i W k X
1
) ( ) (
. [ ] ) , ( ) ( ) ( ) , ( min
2
l k l X k X E l k C
W XX
= = qui implique que la variance de ) (k X crot linairement avec k :

2 2
) , ( ) (
W XX X
k k k C k = = la variance dun process de Wiener crot linairement:
2 2
) (
W X
k k =
cela signifie que, plus on sloigne de lorigine des temps, plus lamplitude du dplacement peut tre importante.

La Fonction de Transfert du filtre de Wiener est :
) (k X ) (k W ) (z H
Bruit blanc Filtre de Wiener

1
1
1
) (
) (
) (

= =
z z W
z X
z H [ ] ) ( ) 1 ( ) ( ) ( 1 ) (
1
1
k W k X k X z W z z X
TZ
+ = =

) (z H a un ple juste instable en 1 = z . Il ne sagit donc pas dun filtre stationnaire et sa DSP nest pas dfinie.

Strictement parlant, le processus de Wiener a t dfini comme un processus continu :
=
t
du u W t X
0
) ( ) (
o ) (t W est un bruit blanc gaussien continu centr.
La version discrte du processus de Wiener est appelle random walk .

Le processus auto-rgressif (AR ou encore RII) (AutoRegressive) (processus alatoire stationnaire)

n
W
n
Y ) (z H
Bruit blanc centr Filtre AR

+
= =
N
i
i
i
z a
z W
z Y
z H
1
1
1
) (
) (
) (
(cf. Systmes stochastiques)
On a immdiatement :

=

=
= =
+

N
i
i n i n n
TZ
N
i
i
i
Y a W Y z W z a z Y
1 1
1
) ( 1 ) (

Le processus moyenne mobile (MA ou encore RIF) (Moving Average) (processus alatoire stationnaire)

n
W
n
Y ) (z H
Bruit blanc centr Filtre MA

=
N
i
i
i
z b z H
0
) (
On a immdiatement :

=

=
= = =

N
i
i n i n
TZ
N
i
i
i
W b Y z W z b z W z H z Y
0 0
1
) ( ) ( ) ( ) (

Le processus auto-rgressif moyenne mobile (ARMA) (AutoRegressive with Moving Average) (PA stationnaire)

n
W
n
Y ) (z H
Bruit blanc centr Filtre ARMA

+
=
N
i
i
i
N
i
i
i
z a
z b
z H
1
0
1
) (

=

=

=
+
+
= =

N
i
i n i
N
i
i n i n
TZ
N
i
i
i
N
i
i
i N
i
i
i
N
i
i
i
Y a W b Y z b z W z a z Y
z a
z b
z W
z Y
z H
1 0 0 1
1
0
1
) ( 1 ) (
1
) (
) (
) (


1. 15

Le processus ARMAX (Auto Regressive Moving Average with eXogeneous inputs) (processus alatoire stationnaire)
n
W
n
Y
) (z C Bruit blanc centr
Filtre ARMAX
+
+
n
U ) (z B Commande connue
) (
1
z A
+ =
=
+ =
+ =
stable) (polynme
stable) (polynme
1
0
1
1 ) (
) (
1 ) (
) ( ) ( ) ( ) ( ) ( ) ( avec
P
i
i
i
M
i
i
i
N
i
i
i
z c z C
z b z B
z a z A
z W z C z U z B z Y z A

Contrairement aux prcdents, ce modle nest pas purement stochastique (rponse un bruit blanc) mais la sortie combine
une composante purement alatoire (rponse un bruit blanc) et une rponse un signal dterministe et connu (dans des
applications de contrle, ce signal est lentre de commande).
Les polynmes ) (z A , ) (z C sont stables et moniques ( de coeff. de plus haut degr gal 1) et le polynme ) (z B
quelconque.

Le processus de Box et Jenkins (BJ) (processus alatoire stationnaire)
n
W
n
Y
Bruit blanc centr
Filtre BJ
+
+
n
U Commande connue ) ( ) (
1
z B z A
) ( ) (
1
z C z D
+ =
+ =
=
+ =
+ =
stable) monique (polynme

1
1
0
1
1 ) (
1 ) (
) (
1 ) (
) (
) (
) (
) (
) (
) (
) ( avec
K
i
i
i
P
i
i
i
M
i
i
i
N
i
i
i
z d z D
z c z C
z b z B
z a z A
z W
z D
z C
z U
z A
z B
z Y

Gnralisation du processus ARMAX avec les polynmes ) (z A , ) (z C , ) (z D stables et moniques ( de coeff. de plus
haut degr gal 1) et le polynme ) (z B quelconque.

Le processus Markovien et modle dEtat (cas des processus de Markov linaires stationnaires TD)

Processus Markovien

n
W
n
X
Bruit blanc centr Processus Markovien

Un processus stochastique ) (t X est Markovien si pour tout instant t t t t
k
< < < < L
2 1
, la densit de probabilit
conditionnelle a la proprit suivante : [ ] [ ] ) ( ) ( ) ( , ), ( ), ( ) (
2 1 k X k X
t x t x p t x t x t x t x p = L

Donc, mme si plusieurs valeurs antrieures de la ralisation du processus sont connues, seule la plus rcente apporte
de linformation sur la densit de probabilit de ) (t X .
(Le processus de Wiener dcrit plus haut est un cas particulier de processus de Markov).
Si de plus, ) (t X est une squence alatoire qui ne peut prendre quun nombre fini de valeurs possibles, la squence est
une chane de Markov.
Un processus de Markov linaire stationnaire est dcrit par le modle dEtat : ) ( ) ( ) 1 ( k W k AX k X + = + o :
. ) (k X est un processus stochastique vectoriel :
N
k X R ) (
. A est une matrice carre constante (du fait de la stationnarit) :
N N
A
x
R
. ) (k W est un bruit blanc (variance Q) vectoriel centr indpendant de ) (k X :
N
k W R ) (

. Moyenne ) (k m
X
de ) (k X : ) 0 ( ) (
X
k
X
m A k m =
. Covariance ) , ( k j k C
XX
+ de ) (k X ( 0 j ) : ) , ( ) , ( k k C A k j k C
XX
j
XX
= +
. Covariance ) , ( j k k C
XX
+ de ) (k X ( 0 j ) : ( )
= +
j
XX XX
A k k C j k k C ) , ( ) , (
avec :
( )( ) [ ]
= ) ( ) ( ) ( ) ( ) , ( k m k X k m k X E k k C
X X XX


1. 16

Processus reprsentation Markoviennne

n
W
n
X
Bruit blanc centr Processus Markovien
n
Y
Processus Markovien
Combinaison
linaire

Le processus auquel on sintresse est parfois une combinaison linaire stationnaire bruite dun processus linaire
Markovien.
Un tel processus est dcrit par le modle dEtat :
+ =
+ = +
) ( ) ( ) (
) ( ) ( ) 1 (
k V k CX k Y
k W k AX k X
o :
. ) (k X est un processus stochastique vectoriel :

N
k X R ) (
. ) (k Y est un processus stochastique vectoriel :
M
k Y R ) (
. A est une matrice carre constante (du fait de la stationnarit) :
N N
A
x
R
. C est une matrice constante (du fait de la stationnarit) :
N M
C
x
R
. ) (k W est un bruit blanc (variance Q) vectoriel centr indpendant de ) (k X et non corrl ) (k V :
N
k W R ) (
. ) (k V est un bruit blanc (variance R ) vectoriel centr indpendant de ) (k X et non corrl ) (k W :
M
k V R ) (

. Moyenne ) (k m
Y
de ) (k Y : ) ( ) ( k m C k m
X Y
=
. Covariance ) , ( k j k C
YY
+ de ) (k Y ( 0 j ) :
0 ,
) , ( ) , (
j XX
j
YY
R C k k C A C k j k C + = +

. Covariance ) , ( j k k C
YY
+ de ) (k Y ( 0 j ) : ( )
0 ,
) , ( ) , (
j
j
XX YY
R C A k k C C j k k C + = +


1. 17

1 ANNEXE. Signaux dterministes. Signaux alatoires. Systmes stochastiques

. III. SYSTEMES STOCHASTIQUES

. ESTIMATION DE LA COVARIANCE

. RESOLUTION DU SYSTEME DEQUATIONS DE YULE-WALKER PAR INVERSION MATRICIELLE

. ALGORITHME DE LEVINSON Rsolution itrative du systme de Yule-Walker

. METHODE DE BURG Rsolution itrative du systme de Yule-Walker avec contrainte de stabilit

1. 18

III. SYSTEMES STOCHASTIQUES

Un systme stochastique (ainsi appel abusivement) est un systme dterministe excit par un signal alatoire.

1. Transmission dun signal alatoire dans un systme linaire (utilisation des transformes)

Soit un systme linaire Temps Continu ) (s H (ou Temps Discret ) (z H ) et de Rponse Impulsionnelle ) (t h
(resp.
n
h ) excit par un signal alatoire X , stationnaire et ergodique, de valeur moyenne X et de fonction
dautocorrlation : [ ] ) ( ) ( ) (
0 0
+ = t X t X E
xx
o : X t X t X = ) ( ) (
0

(resp. Temps Discret : [ ] )
0 0
k n n k xx
X X E
+
= ).

TC :
) (t X ) (t Y ) (s H
TD :
n
X
n
Y ) (z H

1.1. Valeur moyenne de la sortie

TC :
On a : ) ( * ) ( ) ( t h t X t Y = do : [ ] [ ] [ ] ) ( * ) ( ) ( * ) ( ) ( t h t X E t h t X E t Y E = = (le systme est dterministe)

) ( * t h X Y =
et : ) ( * ) ( ) (
0 0
t h t X t Y =

car :
[ ]
Y t Y t Y X t h t X h t X t X h t X t h t
0 0
( ) ( ) ( ) * ( ) * ( ) ( ) * ( ) ( ) * ( ) = = = =

TD :
De mme :
[ ]
n n
h X Y E * =

De faon allger les critures, on supposera dans la suite que ) (t X (resp.
n
X ) et ) (t Y (resp.
n
Y ) sont des
signaux alatoires centrs.

1.2. Intercorrlation

TC :
[ ] { } [ ]

= = =

du u t X u h t X E t h t X t X E t Y t X E
xy
) ( ) ( ) ( ) ( * ) ( ) ( ) ( ) ( ) (
[ ] ) ( * ) ( ) ( ) ( ) ( ) ( ) ( ) ( h du u u h du u t X t X E u h
xx xx xy
= = =

) ( * ) ( ) (
xx xy
h =

TL

) ( ) ( ) ( s s H s
XX XY
=

TD :
De mme :
k xx k
k
xy
h * =

TZ

) ( ) ( ) ( z z H z
XX XY
=


1. 19

1.3. Autocorrlation et DSP (Densit Spectrale de Puissance)

TC :

[ ] [ ]

+ =
+ = + = dudv v t X u t X E v h u h dv v t X v h du u t X u h E t Y t Y E
yy
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (

+ = dudv v u v h u h
xx yy
) ( ) ( ) ( ) (
TL

+ =

dudvd e v u v h u h s
s
xx YY
) ( ) ( ) ( ) (
soit, en posant : = + v u :

=

d e dv e v h du e u h s
s
xx
sv su
YY
) ( ) ( ) ( ) (

do :
) ( ) ( ) ( ) ( s s H s H s
XX YY
=
et:
1
TL

) ( * ) ( * ) ( ) (
xx yy
h h =

En prenant : j s = (rgime harmonique), on obtient la relation entre les Densits Spectrales de Puissance (DSP) :

) ( ) ( ) (
2

XX YY
H =
encore not : S f H f S f
Y X
( ) ( ) ( ) =
2
f : frquence

TD :
De mme :

=
=
v u k xx v u
u v
k
yy
h h
TZ

) ( ) ( ) ( ) (
1
z z H z H z
XX YY
=

et : ) ( ) ( ) ( ) (
1
z z H z H z
XX YY
=

1
TZ

k xx k k
k
yy
h h * *

=

En prenant :
j
e z = (rgime harmonique), on obtient la relation entre les Densits Spectrales de Puissance (DSP) :

) ( ) ( ) (
2

XX YY
H =
encore not : S f H f S f
Y X
( ) ( ) ( ) =
2
f : frquence

2. Processus gnrateur dun signal alatoire : filtres formeurs du 1er ordre
Un signal alatoire peut tre synthtis (modlis) comme la rponse dun filtre linaire excit par un bruit blanc :

Exemple : TD
n
X
n
Y ) (z H
Bruit blanc Filtre formeur Signal alatoire

Le filtre linaire en question est appel filtre formeur du signal ou encore processus gnrateur.

La description du signal peut alors consister en les paramtres du modle linaire ( du filtre linaire) et en la variance
du bruit blanc (sa DSP dans le cas continu).

2.1. Processus gnrateur Temps Discret (TD) du 1er ordre
Soit lquation rcurrente stochastique du 1er ordre (correspondant un filtre linaire causal de FT :
a z
z H
=
1
) (
) :

n n n
X aY Y + =
+1
avec 1 < a (filtre stable) o : { }
n
X est une squence indpendante ( bruit blanc)
{ }
n
X bruit blanc centr de variance V :
[ ]
[ ]
[ ] 0 0
0
2
=
=
=
+
k X X E
V X E
X E
k n n
n
n

[ ]
[ ]
0 ,
0
k k n n k xx
n
V X X E
X E
= =
=
+


1. 20

Dautre part, le filtre tant rcursif il faut prciser les CIs :
[ ]
[ ] [ ]
0
2
0 0
2
0
0
0 0
P y Y E Y E
y Y E

= =
=
o :
n n n
y Y Y =
0

On note
n
h la RI du filtre. On a :
1
1
1
1
1
1 ) (
) (
) (

= =

n
n
n
TZ
a h
az
z
z X
z Y
z H . En particulier 0
0
= h .

Analyse : Examen des caractristiques statistiques de la squence{ }
n
Y en rponse un bruit blanc { }
n
X

. Moyenne : { } [ ] ? =
n
Y E (Rappel :
[ ]
E est un oprateur linaire)
[ ] [ ]
n n
Y aE Y E =
+1
( { }
n
X est centre) [ ]
0
y a y Y E
n
n n
= = Comme 1 < a :
0
n
y
quand n

Une fois le rgime transitoire termin, le filtre formeur fournit donc un signal stationnaire (du 1er ordre) centr.

Un signal stationnaire du 1er ordre est tel que sa moyenne est indpendante de lorigine des temps.
Un signal stationnaire du 2nd ordre, dit stationnaire au sens large est tel que sa moyenne et sa variance sont indpendantse de lorigine des temps.

. Variance : { } [ ] ? = =
n n
P Y Var
[ ] [ ] ( ) [ ] [ ]
2 0
2
0 2
2
0
2 2 2
1 1
2
n n n n n n n n n n n n n n
X X aY Y a X aY X y Y a y a X aY y Y + + = + = + = + =
+ +

[ ] [ ] [ ] [ ] ( ) [ ]
n n n n n n n n n n n
X y Y aE X E Y E a X X aY Y a E y Y E + + = + + =
+ +
2 2
2
2
0 2 2 0
2
0 2
2
1 1

[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ]
n n n n n n n n n n n n
Y X aE X E Y E a X E y a Y X aE X E Y E a y Y E 2 2 2
2
2
0 2 2
2
0 2
2
1 1
+ + = + + =
+ +

Or: ( ) ( )
k k k k k k xx k
k
xy
h V h V V h h = = = =
0 , 0 ,
* * * et [ ] 0
0
0
= = = h V Y X E
xy n n
(car 0
0
= h )
[ ] [ ] [ ]
2
2
0 2
2
1 1 n n n n
X E Y E a y Y E + =
+ +
soit :
V P a P
n n
+ =
+
2
1

Cette quation de rcurrence donnant la variance de { }
n
Y est initialise par
0
P . Sa solution est : ( laide de la TZ par ex.)
( )
n n
n
a a V P a P
2 2
0
2
1 + + + + = L do :
2
1 a
V
P
(car 1 < a ).
Une fois le rgime transitoire termin, le filtre formeur fournit donc un signal stationnaire centr, de variance
2
1 a
V

(rgime stationnaire ou encore permanent).

. Autocorrlation de { }
n
Y : ? [ ] ? = =
+k n n
k
yy
Y Y E

n n n
X aY Y + =
+1

1
2
2 + +
+ + =
n n n n
X aX Y a Y
2 1
2 3
3 + + +
+ + + =
n n n n n
X aX X a Y a Y L

1 1
2 1
+ +

+
+ + + + =
k n n
k
n
k
n
k
k n
X X a X a Y a Y L

Donc, pour 0 > k :
[ ] ( ) [ ] [ ]
2
2
1
1
1 a
V
a P a Y E a X X a Y a Y E Y Y E
k k
n
k
k n n
k
n
k
n k n n
k
yy
= = = + + + = =
+
+
L

Lautocorrlation tant une squence paire, on a :
2
1 a
V
a
k
k
yy
=

Synthse : Dduction du filtre formeur en fonction des caractristiques statistiques de la squence{ }
n
Y donne

Inversement, si lon veut gnrer un signal alatoire { }
n
Y stationnaire centr, dautocorrlation
k
k
yy
a P = , il
suffit dutiliser un filtre du 1er ordre, dquation :
n n n
X aY Y + =
+1
excit par une squence blanche { }
n
X
centre, et de variance ( )P a V
2
1 = .

1. 21

2.2. Processus gnrateur Temps Continu (TC) du 1er ordre

La dmarche est identique qu TD.
Soit lquation diffrentielle stochastique du 1er ordre (correspondant un filtre linaire causal de FT :
a s
s H
=
1
) (
) :
) ( ) ( ) ( t X t Y t Y + =
&
avec 0 < (filtre stable) o : ) (t X est un bruit blanc
) (t X bruit blanc centr de DSP V :
[ ]
[ ]
[ ] t Y t X E
Q t X t X E
t X E
xx
< =
= + =
=

0 ) ( ) (
) ( ) ( ) ( ) (
0 ) (

On peut crire que ) (t X est la drive dun processus de Wiener ) (t W :
dt
t dW
t X
) (
) ( =
et lquation ) ( ) ( ) ( t X t Y t Y + =
&
peut se mettre sous la forme : ) ( ) ( ) ( t dW dt t Y t dY + =

Si on discrtise cette dernire relation (au pas dchantillonnage T ), on obtient :
n n n n n
W W T Y Y Y + =
+ + 1 1

Les accroissements
k k
W W
+1
, tant indpendants, constituent une squence indpendante ( blanche) { }
n
B
centre et de variance [ ] QT B E
n
=
2
. La relation prcdente :
n n n n n
W W T Y Y Y + =
+ + 1 1
scrit donc :
( )
n n n
B Y T Y + + =
+
1
1
relation de la mme forme que celle du cas discret avec :
QT V
T a
=
+ = 1

Tous les rsultats du cas discret trait avant sappliquent, et ils sont ensuite ramens TC (en faisant T

0 ) :

Analyse : Examen des caractristiques statistiques de la rponse ) (t Y un bruit blanc ) (t X

. Moyenne : [ ] ? ) ( = t Y E
( )
n n
y T y + =
+
1
1
quand T

0 ) ( ) ( t y t y =
Comme 0 < :
0 ) ( t y
quand t

En rgime permanent, le filtre formeur fournit donc un signal centr.

. Variance : Var de ) (t Y ?
Daprs les rsultats du cas discret :
( ) QT P T P
n n
+ + =
+
2
1
1

Quand T

0 (en ngligeant les termes en
2
T ) : Q t P t P + = ) ( 2 ) (
&

En rgime stationnaire ( 0 P
&
: quilibre atteint :
n n
P P =
+1
) :
2
) (
Q
P =

. Autocorrlation de ) (t Y : ? [ ] ? ) ( ) ( ) ( = + = t Y t Y E
yy

Le rsultat du cas discret donne ici : ( )
( )
2
1 1
1
T
QT
T
k
k
yy

+
+ =

Quand T

0 : ( )
T k k
e T

+ 1 donc:
T k
k
yy
e
Q

2
= et:

e
Q
yy
2
) ( =
(TD TC: kT = )

Synthse : Dduction du filtre formeur en fonction des caractristiques statistiques du signal ) (t Y donn

Inversement, si lon veut gnrer un signal alatoire ) (t Y stationnaire centr, dautocorrlation

Pe
yy
= ) ( ,
il suffit dutiliser un filtre du 1er ordre, dquation : ) ( ) ( ) ( t X t Y t Y + =
&
excit par un bruit blanc ) (t X
centr, et de DSP P Q 2 = .

1. 22

3. Processus gnrateurs : MA, AR, ARMA
Le concept de processus gnrateur de signal a t particulirement dvelopp et appliqu avec des filtres numriques
ayant une Fonction de Transfert en z de la forme :
TD :
+
=
N
i
i
i
N
i
i
i
z a
z b
z H
1
0
1
) (
n
X
n
Y ) (z H
Bruit blanc Filtre MA, AR, ARMA

Lorsque le processus ) (z H est excit par une squence { }
n
X indpendante ( blanche), la sortie { }
n
Y est un signal
dit ARMA (Auto Regressive and Moving Average).
Si
=
N
i
i
i
z b z H
0
) ( , le signal { }
n
Y est MA. (Le filtre ) (z H est RIF ( Rponse Impulsionnelle Finie)
Si
+
=
N
i
i
i
z a
z H
1
1
1
) ( , le signal { }
n
Y est AR. (Le filtre ) (z H est RII ( Rponse Impulsionnelle Infinie)
Nous allons tudier chacun de ces 3 processus gnrateurs. Etant donn les caractristiques statistiques de { }
n
Y (cest-
-dire
k
yy
), il sagit de dterminer les paramtres
i
a et
i
b du filtre ) (z H qui gnre { }
n
Y partir de { }
n
X , dont il
faut aussi connatre la variance.

3.1. Signal MA

n
X
n
Y ) (z H
Bruit blanc Filtre MA

Les hypothses sont :
[ ]
[ ]
[ ] 0 0
0
2
=
=
=
+
k X X E
V X E
X E
k n n
n
n

[ ]
[ ]
0 ,
0
k k n n k xx
n
V X X E
X E
= =
=
+

( { }
n
X bruit blanc centr de variance V )

et :

=
= =
N
i
i
i
N
i
i
i
z h z b z H
0 0
) (
En effet, comme ) (z H est la TZ de la RI
n
h :
=
N
i
i
i
z h z H
0
) ( , on a immdiatement : ] , 0 [ N i b h
i i
= .
On a immdiatement :

=

=
= = =

N
i
i n i n
TZ
N
i
i
i
X h Y z X z h z X z H z Y
0 0
1
) ( ) ( ) ( ) (

. Moyenne de { }
n
Y : ? [ ] 0 = =
n
Y E m puisque le bruit blanc dentre est centr.

n
Y : ? [ ] [ ] ?
k n n n k n
k
yy
Y Y E Y Y E
+
= =
[ ]

=
+
= =
+
=
+
=

= =
=
k N
i
i k i
N
i
N
j
j k n i n j i
N
j
j k n j
N
i
i n i
k
yy
h h V X X E h h X h X h E
0 0 0 0 0
(
N k
k
yy
> = 0
)
car par hypothse [ ]
0 , k k n n
V X X E =
+
do [ ]
j k n i n
X X E
+
est toujours nulle sauf pour i k j + = .
Les quations
=
+
=
k N
i
i k i
k
yy
h h V
0
sont non linaires en les paramtres { }

i
h du filtre. Il faudrait utiliser un
algorithme de Programmation Non Linaire pour obtenir la squence { }
i
h du filtre partir de la squence { }
k
yy
.

1. 23

. Puissance P de { }
n
Y : ?
=
= =
N
i
i yy
h V P
0
2
0

. DSP ) (
YY
de { }
n
Y : ?
2
0
2
) ( ) (

=

= =
N
m
jm
m
j
YY
e h V e H V

ou encore en prenant la TF (Discrte) de la squence de corrlation :
=
k
jk
k
yy YY
e

) (
et comme ) (
YY
est pair quand le signal Y est rel :
=
+ =
1
0
) cos( 2 ) (
k
k
yy yy YY
k

3.2. Signal AR

n
X
n
Y ) (z H
Bruit blanc Filtre AR

Hypothses :
[ ]
[ ]
[ ] 0 0
0
2
=
=
=
+
k X X E
V X E
X E
k n n
n
n

[ ]
[ ]
0 ,
0
k k n n k xx
n
V X X E
X E
= =
=
+
et
) (
) (
1
1
) (
1
z X
z Y
z a
z H
N
i
i
i
=
+
=

( { }
n

On a immdiatement :

=

=
= =
+

N
i
i n i n n
TZ
N
i
i
i
Y a X Y z X z a z Y
1 1
1
) ( 1 ) (

Cette fois, la RI { }
n
h napparat pas directement, mais on sait que :
k xx k
k
xy
h * =
Ici
0 , k k xx
V = donc ( ) ( )
k k k k k
k
xy
h V h V V h = = =
0 , 0 ,
* *
V
h
k
xy
k
=

[ ]
V
Y Y a Y E
V
Y X E
V
h
n
N
i
i k n i k n
n k n k
xy
k
+
= = =

=

car
=

+ =
N
i
i n i n n
Y a Y X
1

V
a
h
i k
yy
N
i
i
k
yy
k
+
=
+
=

1

i k
yy
N
i
i k
k
yy
a h V
+
=
=
1

. Moyenne de { }
n
Y : ? [ ] 0 = =
n
Y E m (car bruit blanc dentre centr) si les CIs sont nulles ou de moyenne
nulle.

n
Y : ? [ ] ? = =
n k n
k
yy
Y Y E
[ ] [ ] [ ] [ ]

=
+
=

=

=
= =
N
i
k n i n i n k n
N
i
k n i n i k n n
N
i
i n i n k n n k n
k
yy
Y Y E a Y X E Y Y a E Y X E Y a X Y E Y Y E
1 1 1
=
N
i
i k
yy i k
k
yy
a h V
1

car :
[ ]
V
Y X E
V
h
n k n k
xy
k

= =

[ ]
V V
Y X E
V
h
k
yx
n k n k
xy
k

= = =
+


1. 24

. 0 = k :

= =

= =
N
i
i
yy i
N
i
i
yy i yy
a h V a h V
1
0
1
0
0
car une autocorrlation est paire.
Comme 1
0
= h (en effet :
=

=
N
i
i n i n n
Y a X Y
1

=

=
N
i
i n i n n
h a h
1
1
0
= h (filtre au repos
initialement))
on a :
i
yy
N
i
i yy
a V

=
=
1
0

. 0 > k :
=

=
N
i
i k
yy i
k
yy
a
1
car 0
k
h pour 0 > k : le filtre
n
h est causal :
=

=
N
i
i n i n n
Y a X Y
1

on a aussi :
=

=
N
i
k i
yy i
k
yy
a
1

car une autocorrlation est paire.

Ces quations peuvent scrire :
0
0
1
1
1
1
1
0
= +
= +
= +
=
=
i N
yy
N
i
i
N
yy
i
yy
N
i
i yy
i
yy
N
i
i yy
a
a
V a

L
pour N k 0 :

=
=
=

N k
k V
a
N
n
n yy
n k
1 0
0
si
si
0
( 1
0
= a ) (
k
yy
paire)
soit, sous forme matricielle : ce sont les quations de Yule-Walker :

0
0
1
1
0 1
1 0 1
1 0
M M
L
M M M M
L
L
V
a
a
N
yy
N
yy
N
yy
N
yy yy yy
N
yy yy yy

ou encore :
v a = R

La matrice dautocorrlation Rde terme gnral
j i
r
,
ne dpendant que de
j i
(
k
yy
paire) est dite matrice de Toeplitz.
(Dans une telle matrice, les parallles la diagonale principale sont constitues de termes gaux).On montre que 0 R .
Exemple de matrice de Toeplitz :
=
1 2 3 4
2 1 2 3
3 2 1 2
4 3 2 1
R

Ainsi, partir de la connaissance de la squence dautocorrlation de { }
n
Y , la relation matricielle permet de dterminer
les 1 + N inconnues : V et les paramtres
i
a du filtre formeur.

Pour raliser ce calcul, une inversion matricielle est possible (cf annexe) mais on utilise gnralement lalgorithme efficace itratif de Levinson ou
encore la mthode de Burg (cf annexe) qui vitent une inversion matricielle en mettant profit le fait que R a le caractre Toeplitz.

3.3. Signal ARMA

n
X
n
Y ) (z H
Bruit blanc Filtre ARMA

Les types classiques de DSP de signaux AR et MA tant les suivants, pour les satisfaire, il pourra tre ncessaire de
modliser certains signaux par un processus ARMA :

1. 25

0 f 0.5
DSP
0 f 0.5
DSP
0 f 0.5
DSP
DSP type d'un signal AR DSP type d'un signal MA DSP type d'un signal ARMA

Les hypothses sont :
[ ]
[ ]
[ ] 0 0
0
2
=
=
=
+
k X X E
V X E
X E
k n n
n
n

[ ]
[ ]
0 ,
0
k k n n k xx
n
V X X E
X E
= ==
=
+

( { }
n

et la FT dun processus ARMA :
+
= =
N
i
i
i
N
i
i
i
z a
z b
z X
z Y
z H
1
0
1
) (
) (
) (
Cette notation suppose que si lordre du numrateur est infrieur N , un certain nombre de coeffs
i
b sont nuls.
Lquation de rcurrence sobtient partir de la FT du processus :

=

=

=
+
+
= =

N
i
i n i
N
i
i n i n
TZ
N
i
i
i
N
i
i
i
N
i
i
i
N
i
i
i
Y a X b Y z b z X z a z Y
z a
z b
z X
z Y
z H
1 0 0 1
1
0
1
) ( 1 ) (
1
) (
) (
) (

. Moyenne de { }
n
Y : ? [ ] 0 = =
n
Y E m (car bruit blanc dentre centr) si les CIs sont nulles ou de moyenne
nulle.

n
Y : ? [ ] ? = =
n k n
k
yy
Y Y E
[ ] [ ] [ ]

=

=

=

=

=

=

+ =
= =
N
i
k n i n i
N
i
k n i n i
N
i
k n i n i
N
i
k n i n i
N
i
i n i
N
i
i n i k n n k n
k
yy
Y X E b Y Y E a Y Y a E Y X b E Y a X b Y E Y Y E
0 1 1 0 1 0
[ ]

=

=

+ =
N
i
k n i n i
N
i
i k
yy i
k
yy
Y X E b a
0 1

Le 2nd terme du membre de droite tant non linaire en
i
a ,
i
b , il nest pas simple dextraire les paramtres du modle
partir d la matrice dautocorrlation.

On peut cependant le faire en 2 tapes en sappuyant sur les rsultats prcdents (MA et AR).
On peut dabord remarquer que pour N k > lquation :
[ ]

=

=

+ =
N
i
k n i n i
N
i
i k
yy i
k
yy
Y X E b a
0 1

se rduit :

=

=
N
i
i k
yy i
k
yy
a
1

si N k > qui a la mme forme que
k
yy
du cas AR :
=

=
N
i
i k
yy i
k
yy
a
1

Si donc on crit :
[ ]

=

=

+ =
N
i
k n i n i
N
i
i k
yy i
k
yy
Y X E b a
0 1

pour N N N k 2 , , 1 , L + = on pourra extraire les coeffs
i
a
(et le terme V b b
N 0
), soit :

1. 26

0
0
1
0
1
1 2 2
1 1
0 1
M M
L
M M M M
L
L
V b b
a
a
N
N
N
yy
N
yy
N
yy
yy
N
yy
N
yy
yy
N
yy
N
yy

Pour la 2nde tape (identification des coeffs
i
b ), introduisons un signal intermdiare { }
n
U pour rcrire lquation de
rcurrence du filtre :

=

=

=
N
i
i n i
N
i
i n i n
Y a X b Y
1 0
:
Soit :
=

+ =
N
i
i n i n n
Y a Y U
1

comme :

=

=

=
N
i
i n i
N
i
i n i n
Y a X b Y
1 0
, on a aussi :
=

+ =
N
i
i n i n n
X b X U
1
(en supposant 1
0
= b )
Cette dernire relation fait apparatre { }
n
U comme un signal MA, donc dautocorrlation (tablie dans le cas MA) :
=
+
=
k N
i
i k i k uu
b b V
0
si N k et : 0 =
k uu
si N k >
A partir du signal { }
n
Y filtr par le filtre :
=

+ =
N
i
i n i n n
Y a Y U
1
, on peut obtenir
k uu
et, par Programmation Non
Linaire sur la relation :
=
+
=
k N
i
i k i k uu
b b V
0
, on peut obtenir les coeffs
i
b .
Ayant maintenant le processus gnrateur ARMA de { }
n
Y :

N
i
i
i
z b
0
{ }
n
X
{ }
n
U
{ }
n
Y
1
1
1

=
N
i
i
i
z a
MA AR

la DSP de ) ( Y scrit :
2
1
0
1
) (
+
=
N
m
m j
m
N
m
m j
m
YY
e a
e b

ou, en tenant compte du cas dja voqu o Y est rel, pour lequel :
=
+ =
1
0
) cos( 2 ) (
k
k
yy yy YY
k
on a encore :
2
1
0
0
1
) cos( 2
) (
=
+
+
=
N
m
m j
m
N
k
k uu uu
YY
e a
k

4. Conclusion
La reprsentation paramtrique dun signal sous forme de processus gnrateur constitue une alternative aux mthodes
classiques de calcul de spectre dun signal. Une application importante des processus gnrateurs est lidentification
(modlisation) de signal, et aussi la compression de signal.

1. 27


Lobjectif est de dterminer la fonction dautocovariance
XX
k
, note aussi souvent R
XX
k
, dun signal alatoire (ou
pas) x
k
partir de la squence { } x
k
des chantillons du signal.

Ergodicit court terme Mthode destimation de la moyenne et de la covariance la plus courante

Soit
n
X un processus alatoire TD.

Lhypothse dergodicit (moyennes statistiques moyennes temporelles) conduit aux formules suivantes destimation
de la moyenne m et de la fonction dautocovariance
k
XX
R :

=
=

=
+
=
1
0
0 0
1
0
* 1
k K
n
n k n XX
K
n
n
X X
K
R
X
K
m
k
soit, dans le cas dun processus
n
X rel :
=
= > < =

=
+
=
1
0
0 0
1
0
1
k K
n
n k n XX
K
n
n
X X
K
R
X
K
X m
k

K est le nombre de points dobservation de
n
X et doit tre le plus lev possible

*
reprsente la conjuguaison complexe

0
n
X est le processus centr (cas rel) : m X X
n n
0
=

Ergodicit long terme
Lorsque le nombre de points du signal est lev, lestimation par ergodicit de lautocovariance peut tenir compte de la
moyenne pour effectuer un recentrage du signal, et corriger la normalisation du support de calcul :

=
=

=
+
=
1
0
0 0
1
0
* 1
k K
n
n k n XX
K
n
n
X X
k K
R
X
K
m
k
soit, dans le cas dun processus
n
X rel :
=
= > < =

=
+
=
1
0
0 0
1
0
1
k K
n
n k n XX
K
n
n
X X
k K
R
X
K
X m
k

K est le nombre de points dobservation de
n
X et doit tre le plus lev possible

*
reprsente la conjuguaison complexe

0
n
X est le processus centr (cas rel) : m X X
n n
0
=

Calcul direct Cas
n
X rel

Dans ltablissement des diffrents rsultats, on a suppos les covariances connues. En pratique, ces dernires sont
estimes partir des chantillons dont on dispose. De plus, on ne dispose souvent que dune seule ralisation
n
x du
processus
n
X . Ainsi, pour obtenir les 1 + N premires valeurs { }
N
XX XX
R R , ,
0
L de lautocovariance, on peut
utiliser les mthodes suivantes :

Mthode des corrlations on doit prendre K N << , mais typiquement on peut aller jusqu 1 = K N ( K N < )

0
0
1
1
0
0
M
M
M
K
XX
XX
x
x
K
R
R
N
D avec :
1 1 0
1 1 0
1 1 0
0 0
0
0 0
0 0
K
K
K
x x x
x x x
x x x
L L
L M L M M M
L L
L L
D
( ) 1 1 x + N ( ) 1 x N K + ( ) ( ) N K N + + x 1

1. 28

Cette faon de procder garantit que la matrice de covariance estime, dfinie par
DD
K
1
, est une matrice de
Toeplitz dfinie positive.

(le caractre Toeplitz dune matrice est intressant car il autorise limplmentation rapide, temps rel, de linversion matricielle)

(Pour tout vecteur a , on peut crire que ( )( )

= a D a D a DD a . On en conclue, en notant que le scalaire ( )( )
a D a D est la somme des modules

au carr des composantes de
a D
, et est donc positif.)

Cette mthode revient border la squence observe, droite et gauche, par N zros. Son inconvnient majeur est
donc dintroduire des donnes fausses, en loccurence des 0, de part et dautre des donnes observes.

Quand la taille K de lobservation est faible, on lui prfre la mthode des covariances.

Mthode des covariances on doit prendre K N << , mais typiquement on peut prendre 10 / K N = ( K N < )

1
0
1
0
N K XX
XX
x
x
K
R
R
N
M M D avec :
=
+

1 1
2 1
1 1 0
K N N
N K
N K
x x x
x x x
x x x
L
M M M M
L
L
D
( ) 1 1 x + N ( ) 1 x N K ( ) ( ) N K N + x 1

La matrice de covariance estime, dfinie par

DD
1
1
N K
, reste bien entendu positive mais elle perd alors son
caractre Toeplitz ncessaire certains algorithmes rapides dinversion matricielle.

Il existe 2 autres variantes de construction de D, suivant que lon borde droite ou gauche par des zros.

Mthode des covariances (variante bordage droite) K N << Typiquement 10 / K N = ( K N < )

Par exemple :
0 0
0
1
1 2 1
1 1 0
L L
M M M M M M
L L
L L L
K N
K
K
x x
x x x
x x x
D

1
0
1
0
K XX
XX
x
x
K
R
R
N
M M D avec :
0 0
0
1
1 2 1
1 1 0
L L
M M M M M M
L L
L L L
K N
K
K
x x
x x x
x x x
D
( ) 1 1 x + N ( ) 1 x K ( ) ( ) K N x 1 +

Il est vident que toutes ces mthodes donnent sensiblement les mmes rsultats si N K >> .

1. 29

RESOLUTION DU SYSTEME DEQUATIONS DE YULE-WALKER PAR INVERSION MATRICIELLE

0
0
1
1
0 1
1 0 1
1 0
M M
L
M M M M
L
L
V
a
a
N
yy
N
yy
N
yy
N
yy yy yy
N
yy yy yy

v a = R

avec :

0 1
1 0 1
1 0
yy
N
yy
N
yy
N
yy yy yy
N
yy yy yy

L
M M M M
L
L
R : ( ) ( ) 1 x 1 + + N N
=
N
a
a
a
M
1
1
: ( ) ( ) 1 x 1 + N
=
0
0
M
V
v : ( ) ( ) 1 x 1 + N

= + + +
= + + +
= + + +
0
0
0
1
1
1
1
0 1
1
1 0
N yy
N
yy
N
yy
N
N
yy yy yy
N
N
yy yy yy
a a
a a
V a a

L
L
L
L

= + + +
= + + +
= + + +
0
0
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
0 1
yy
N
yy
N yy
N
yy
yy
N
yy
yy
yy
N
N
yy yy
yy
yy
N
N
yy yy
yy
yy
V a a
V
V a a
V
a a
V
L
L
L
L

N
yy
yy
yy
N
V
a
a
a
M
M
1
0
1
0
0
R avec :
0
0
1
yy
V
a
N
yy
yy
yy
N
a
a
a
V
M
M
1 1
0
1
0
0
1 1
R
b
yy
1
0
1

= R
avec :
=

N N
a
a
a
V
M M
1
0
1
0
1
et
N
yy
yy
b
M
1
0

Comme :
= =
0
0
0
1
1
yy
V
V V
a
, on en dduit :
1
0
0
0
+
=

yy
yy
V

Puis on obtient les paramtres
i
a ( N i , , 2 , 1 L = ) :
N N
V
a
a
a
M M
2
1
2
1


1. 30

ALGORITHME DE LEVINSON (I) Rsolution itrative du systme de Yule-Walker

La mthode de rsolution des quations de Yule-Walker par inversion matricielle est coteuse en temps calcul et peut
engendrer des erreurs numriques dues linversion matricielle. Lalgorithme de Levinson procure la mme solution
que la mthode directe par inversion matricielle mais avec un algorithme itratif temps rel.

0
0
1
1
0 1
1 0 1
1 0
M M
L
M M M M
L
L
V
a
a
N
yy
N
yy
N
yy
N
yy yy yy
N
yy yy yy

qui peut aussi scrire : v a = R

ou encore :
pour N k 0 :

=
=
=

N k
k V
a
N
i
i yy
i k
1 0
0
si
si
0
( 1
0
= a ) (
k
yy
paire)

Le principe de lalgorithme de Levinson, qui permet de rsoudre efficacement les quations prcdentes, repose sur
une itration sur lordre n du modle : N n L 1 , 0 =

On crit donc les quations prcdentes en plaant un indice [ ] n sur
i
a et V , signifiant que lon utilise le modle n
paramtres et lon va itrer sur N n L 1 , 0 = :
pour n k 0 :
[ ]
[ ]

=
=
=

n k
k V
a
n
n
i
n
i yy
i k
1 0
0
si
si
0
(
[ ]
1
0
=
n
a ) (
k
yy
paire)
Les solutions lordre n :
[ ] n
a
0
,
[ ] n
a
1
, ...,
[ ] n
n
a ,
[ ] n
V sont utilises pour rsoudre lquation du modle dordre 1 + n :
pour 1 0 + n k :
[ ]
[ ]
+
=
=
+
+
=
+

1 1 0
0
si
si
1
1
0
1
n k
k V
a
n
n
i
n
i yy
i k
(
[ ]
1
0
=
n
a ) (
k
yy
paire)

La procdure de Levinson est la suivante : on itre de 1 1 , 0 = N n L :

1. 0 = n ,
[ ]
1
0
=
n
a ,
[ ]
0
yy n
V = (Initialisation)
2.
[ ] [ ]
[ ]
[ ]
+
+
=
n
k
n
k yy n n
a V
k n
0
1
1
1

3.
[ ] [ ]
( )
[ ] n n n
V V
2
1 1
1
+ +
=
4. pour 1 0 + n k :
[ ] [ ]
[ ]
[ ]
[ ]
1
1
0 1
si
si
si
1
1 1
1
+ =
+
=
=
+
+ +
+
n k
n k a a
k
a
n
n
k n n
n
k
n
k

5. 1 + = n n
6. Revenir 2. tant que N n <

Le vecteur rsultat
N
a
a
M
1
1
et le scalaire V cherchs sont obtenus en fin ditrations ( N n = ) :
[ ]
[ ]
N
N
N
N
a
a
a
a
M M
1 1
1 1
(soit :
[ ] N
i i
a a = , N n L 2 , 1 = ) et :
[ ] N
V V = .

1. 31

Lalgorithme de Levinson peut tre crit ainsi : (itration de 1 1 , 0 = N n L ) :

0 = n , 1
0
= a ,
0
yy
V = (Initialisation)
Pour 1 0 N n :
{

+
=
n
k
k yy
a V
k n
0
1
1

( )V V
2
1 =
Pour 1 0 + n k :
1
1
0 1
si
si
si
1
+ =
+
=
=
+
n k
n k a a
k
a
k n k k

}

Le vecteur rsultat
N
a
a
M
1
1
et le scalaire V cherchs sont obtenus en fin ditration.

1. 32

ALGORITHME DE LEVINSON (II) Rsolution itrative du systme de Yule-Walker

0
0
1
1
0 1
1 0 1
1 0
M M
L
M M M M
L
L P
a
a
R R R
R R R
R R R
N N N
N
N
qui peut aussi scrire : v a R =

La matrice de covariance R est une matrice de Toeplitz. Son terme gnral
i
R dsigne lautocovariance du signal
n
x .

Le principe de lalgorithme de Levinson repose sur le calcul de la solution au rang n partir de la solution au rang
1 n . Pour cela, on adopte la notation suivante o lordre n , not en indice [ ] n , doit tre itr de 0 N :
(
[ ] 1 n
P
est la puissance du bruit qui peut tre vu comme lerreur quadratique destimation au rang 1 n )

[ ]
[ ]
[ ]
[ ]
0
0
1
0
0 1
1 0 1
1 0
M M
L
M M M M
L
L
n
n
n
n
n
n n
n
n
P
a
a
a
R R R
R R R
R R R
avec
[ ]
1
0
=
n
a

En posant : [ ]
=
0
R R
n
B
n
L r et [ ]
=
n
F
n
R R L
0
r (B et F signifiant Backward et Forward)
on peut crire le systme de Yule-Walker de faon plus concise :
[ ]
=
0
a R
n F
n n
P

soit, au rang 1 n :
[ ]
=

0
a R
1
1 1
n F
n n
P

En passant au rang n , la matrice de covariance scrit :
1
0
0
1
n
F
n
F
n
B
n
B
n n
n
R
R R r
r
r
r R
R
On a :
[ ]

F
n
B
n
n
F
n
B
n
B
n n
F
n
n
P
R
1
1
1
0
1 1
0 0
a r
0
a
r
r R a
R avec :
[ ] [ ]
[ ]
=
1
1
1
1 1
1
n
n
n F
n
a a L a
On a aussi :
[ ]

1
1
1 1
0
1
0 0
n
B
n
F
n
B
n n
F
n
F
n
B
n
n
P
R
0
a r
a R r
r
a
R avec :
[ ] [ ]
[ ]

= 1
1
1
1
1 1
n n
n
B
n
a a L a
Par combinaison linaire :
[ ]
[ ]
+
+
=
1 1
1 1
1
1
1
0
0
n n
F
n
B
n
B
n
F
n n n
B
n
F
n n
F
n
n
P K
K P
K
a r
0
a r
a
a
a
R

1. 33

En choisissant le coefficient
n
K tel que :
[ ]
0
1 1
= +

n n
F
n
B
n
P K a r , on obtient la solution au rang n qui scrit en
fonction de la solution au rang 1 n :

[ ]
[ ] [ ]
( )
=
=
2
1
1
1
1
1
1
1
0
0
n n n
B
n
F
n n
F
n F
n
n
F
n
B
n
n
K P P
K
P
K
a
a
a
a
a r

[ ] n
P tant positif (il reprsente une erreur quadratique), la dernire quation montre que les coefficients
n
K sont de
module infrieur 1. Les coefficients
n
K portent le nom de coefficients de rflexion.

Algorithme de Levinson
Valeurs initiales :
=
= =
K
n
n
x
K
R P
0
2
0 0
1

[ ]
1
0
0
= a
Pour 1 , , 1 = N n L :
{

[ ] [ ]
[ ]
1
1
1 0
1
0
+ +
=
n
n
n
n
n
n
P
a R a R
K
L

Pour 1 , , 1 = n k L :
{

[ ]
[ ] [ ] [ ]
[ ]
n
n
n
n
k n n
n
k
n
k
n
K a
a K a a
a
=
+ =
=
1 1
0
1

}

[ ] [ ]
( )
2
1
1
n n n
K P P =

}

Vrification ltape 1 = n

[ ]
[ ]
[ ] [ ]
( )
=
=
=
=
2
1 0 1
1
1
1
1
0
0
1
1
1
1
K P P
K a
a
R
R
K


1. 34

METHODE DE BURG Rsolution itrative du systme de Yule-Walker avec contrainte de stabilit

La mthode de rsolution des quations de Yule-Walker par inversion matricielle ou par lalgorithme de Levinson peut
conduire une solution dun filtre non stable. La mthode itrative de Burg pour la rsolution des quations de Yule-
Walker garantit un filtre stable comme solution, mme si cette solution nest pas exactement identique la solution
directe ou de Levinson des quations de Yule-Walker (solution approche - du fait de la contrainte de stabilit ajoute
au systme de Yule-Walker - mais toujours stable).

0
0
1
1
0 1
1 0 1
1 0
M M
L
M M M M
L
L P
a
a
R R R
R R R
R R R
N N N
N
N
qui peut aussi scrire : v a R =

La matrice de covariance R est une matrice de Toeplitz. Son terme gnral
i
R dsigne lautocovariance du signal
n
x .

Lide de Burg fut de calculer directement partir des donnes une estime des coefficients de rflexion
n
K et ce, sans
passer par le calcul des covariances. On en dduit, si ncessaire, par la relation de Levinson :
[ ]
[ ] [ ]
( )
=
=
2
1
1
1
1
1
1
1
0
0
n n n
B
n
F
n n
F
n F
n
n
F
n
B
n
n
K P P
K
P
K
a
a
a
a
a r

les coefficients du modle. Pour cela, on repart de lexpression de lerreur de prdiction au rang N : ( t est discret)
[ ] [ ]
x a

= + + + =
F
n
n
n
n F
n
n t x a t x a t x t ) ( ) 1 ( ) ( ) (
1
L (errreur directe) F Forward
[ ] [ ]
x a

= + + + =
B
n
n
n
n
n
B
n
n t x t x a t x a t ) ( ) 1 ( ) ( ) (
1
L (errreur rtrograde) B Backward

En utilisant les coefficients de rflexion, on a : ) 1 ( ) ( ) (
0
0
) (
1 1
1
1
+ =
t K t t K t
B
n n
F
n B
n
n
F
n F
n
x
a
a

et : ) ( ) 1 ( ) (
0
0
) (
1 1
1
1
t K t t K t
F
n n
B
n
F
n
n B
n
B
n
+ =
= x
a
a

Pour trouver un estimateur de
n
K , Burg propose de minimiser par rapport
n
K , la somme des erreurs :
+
2 2
) ( ) ( t t E
B
n
F
n
. En partant des 2 quations prcdentes, on aboutit une quation du 2nd degr en
n
K qui,
par annulation de sa drive, conduit :
[ ]
=

2
1
2
1
1 1
) 1 ( ) (
) ( ) 1 ( 2
t t E
t t E
K
B
n
F
n
F
n
B
n
n

Dans lalgorithme de calcul des coefficients
n
K , les esprances (moyennes statistiques) sont remplaces par des
moyennes temporelles (ergodicit). Pour un processus AR dordre 1 N , on a :

1. 35

Mthode de Burg
Valeurs initiales :
=
= =
K
n
n
x
K
R P
0
2
0 0
1
1 , , 1 , 0 ) ( ) ( ) (
1 1
= = = K t t x t t
B F
L
Pour 1 , , 1 = N n L :
{

=

+
=
1
2
1
2
1
1
1 1
) 1 ( ) (
) ( ) 1 ( 2
K
n t
B
n
F
n
K
n t
F
n
B
n
n
t t
t t
K

Pour 1 , , 2 = n k L :
{

[ ]
[ ] [ ] [ ]
[ ]
n
n
n
n
k n n
n
k
n
k
n
K a
a K a a
a
=
+ =
=
1 1
0
1

}

[ ] [ ]
( )
2
1
1
n n n
K P P =

1 , , 1 , 0 ) 1 ( ) ( ) (
1 1
= + =

K t t K t t
B
n n
F
n
F
n
L
1 , , 1 , 0 ) ( ) 1 ( ) (
1 1
= + =

K t t K t t
F
n n
B
n
B
n
L
}

Une proprit de lalgorithme de Burg est de garantir que les estimes de coefficients de rflexion sont de module
infrieur 1.

__________

Traitement du Signal TP 1. Signaux. Systmes
0 50 100 150
0
0.05
0.1
FFT [BRUIT BLANC]
X
k
k
0 50 100 150
1
0
1
BRUIT BLANC
x
k
k
X CFFT x ( ) :=
c = c c
12 2
2
:=
2
c 0.5 = c
b a
2
:=
L'amplitude (crte) c du signal peut tre dduite de 2:
2= 2 2:=
m= m m:=
La thorie dit qu'une loi uniforme sur [a,b] a pour moyenne et variance :
0. MOYENNE ET COVARIANCE THEORIQUES
les ralisations sont rparties uniformment entre a =-0.5 et b =+0.5
Note : la fonction MathCad "whiten()" produit un bruit blanc centr de distribution uniforme :
b 0.5 := a 0.5 := x whiten K ( ) := k 0 K 1 .. := K 128 :=
ORIGIN 0 :=
N : Fentre coulissante l'intrieur de l'intervalle K ou bordant K gauche ou droite: N<K
K : Nombre d'chantillons du signal observ (ici un bruit blanc)
Faire varier les paramtres K et N pour voir leur influence pour chaque mthode.
TP 1. Signaux dterministes. Signaux alatoires. Systmes stochastiques
TP 1. 1
c 4.243 = c
12 sigma2
2
:=
L'amplitude (crte) c du signal peut tre dduite de 2:
FFT [BRUIT BLANC]
1.782
4.211 10
3
Y
k
127 0 k
Y
BRUIT BLANC
6.2
2.211
y
k
127 0 k
y
Y CFFT y ( ) := y y BruitBlanc K m , sigma2 , ( ) := BruitBlanc sigma2 6 := m 2 := k 0 K 1 .. :=
r submatrix r 0 , 0 , 0 , 0 ,
( )
:= r
RAZ :
BruitBlanc K m , sigma2 , ( ) :=
. Fonction BruitBlanc(K,m,sigma2) :
A partir de la fonction MathCad "whiten()", fabriquer un bruit bruit blanc (de loi de distibution uniforme ) de moyenne
m donne et de variance
2
donne. Vrifier l'aide du calcul de la moyenne et de la covariance par ergodicit.
2. BRUIT BLANC DE MOYENNE m ET DE VARIANCE
2

2= 2 2:=
Variance du bruit blanc : Conclusion :
DSP BB =FFT [COVARIANCE BB]
2.889 10
3
3.431 10
5
k
127 0 k
COVARIANCE BB
0.078
0.043
r
k
127 0 k
r
k

k
:= CFFT r ( ) := r r
k
:=
. Covariance :
m= m m:=
. Moyenne :
1. ESTIMATION DE LA MOYENNE ET DE LA COVARIANCE PAR ERGODICITE
TP 1. 2
2= 2 2:=
Variance du bruit blanc: Conclusion :
0.321
7.621 10
3
k
127 0 k
COVARIANCE BB
5.891
2.779
r
k
127 0 k
r
amplitude= amplitude amplitude max y ( ) m := m
k

k
:= CFFT r ( ) := r r
k
:=
. Covariance :
m= m m:=
. Moyenne :
VERIFICATION. Estimation de la covariance par ergodicit :
TP 1. 3
convcausal x h , ( ) M length x ( )
N length h ( )
y
n
0
n
k
x
k
h
n k
=
n N < if
y
n
0 otherwise
n 0 M 1 .. for
y
Fonction convcausal(x, h) de convolution causale de 2 signaux x et h Convolution causale

0 5 10
0
10
c
n
n
0 5 10
0
2
d
n
n
0 5 10
0
1
n
n
c
n
0
n
k
s
k
d
n k
=
:=
d
n

n
:= s
n

n
:=
n
1 0 n
C
2
if
0 n
C
2
> if
:=
n
n ( ) := n 0 C .. := C 10 :=
n
Convolution d'une transition
n
avec une porte
0. Convolution discrte c
n
de signaux causaux
Un signal TD sera programm comme une fonction s(n), n entier, ou mieux comme un vecteur s
n
Un signal TC sera programm comme une fonction s(t), t rel
TP 1 ANNEXE. Signaux dterministes. Signaux alatoires. Systmes stochastiques
TP 1. 4
2= 2 2:=
Variance du bruit blanc: Conclusion :
k
127 0 k
COVARIANCE BB
0.078
0.013
r
k
127 0 k
r
La matrice R ainsi construite a le caractre Toeplitz
R :=
. Matrice de Covariance :
k

k
:= CFFT r ( ) := r r :=
. Covariance :
D matrix N 1 + K N + , F ,
( )
:= F i j , ( )
x
j i
j i ( ) K < if
0 otherwise
j i if
0 otherwise
:=
r submatrix r 0 , 0 , 0 , 0 ,
( )
:= r
RAZ :
X stack x Nul , ( ) := Nul
n
0 := n 0 N 1 .. := N K 1 :=
2. ESTIMATION DE LA COVARIANCE PAR LA METHODE DES CORRELATIONS
TP 1. 5
[3-VBD]. ESTIMATION DE LA COVARIANCE PAR LA METHODE DES COVARIANCES : Variante Bordage droite
N
K
8
:= k 0 N 1 .. := X submatrix x 0 , K 1 , 0 , 0 ,
( )
:=
RAZ :
r submatrix r 0 , 0 , 0 , 0 ,
( )
:= r
F i j , ( ) := D matrix N 1 + K , F ,
( )
:= F
. Covariance :
r := CFFT r ( ) := r
k

k
:=
R :=
COVARIANCE BB
0.069
9.635 10
3
r
k
16 0 k
r
k
16 0 k
Conclusion : Variance du bruit blanc:

2:= 2= 2
3. ESTIMATION DE LA COVARIANCE PAR LA METHODE DES COVARIANCES
N
K
8
:= k 0 N 1 .. := X submatrix x 0 , K N 1 , 0 , 0 ,
( )
:=
RAZ :
r submatrix r 0 , 0 , 0 , 0 ,
( )
:= r
F i j , ( ) := D:=
. Covariance :
r := CFFT r ( ) := r
k

k
:=
R :=
COVARIANCE BB
0.069
9.635 10
3
r
k
16 0 k
r
k
16 0 k
Conclusion : Variance du bruit blanc:

2:= 2= 2
TP 1. 6
yy
6
3
0
=
yy
2
0 :=
yy
1
3 :=
yy
0
6 :=
Saisie du vecteur autocorrlation yy
i
:
r submatrix r 0 , 0 , 0 , 0 ,
( )
:= r
R submatrix R 0 , 0 , 0 , 0 ,
( )
:= R
yy submatrix yy 0 , 0 , 0 , 0 ,
( )
:=
RAZ :
k 1 N .. := j 0 N .. := i 0 N .. := N 2 :=
1. RESOLUTION DU SYSTEME DE YULE-WALKER Ra =v PAR INVERSION MATRICIELLE
Dterminer les coefficients a
1
et a
2
du filtre formeur AR ainsi que la variance V du bruit
blanc x l'entre du filtre permettant d'avoir yy dsir.
On rsoudra le systme de Yule-Walker par inversion matricielle.
On vrifiera le fait que y possde bien la fonction d'autocovariance escompte en la
calculant par la mthode par ergodicit, aprs avoir dtermin la sortie y sur K =100 points.
yy
2
0 :=
yy
1
3 :=
yy
0
6 :=
On dsire que la fonction d'autocorrlation yy de la sortie y soit telle que :
H z ( )
1
1 a
1
z
1
+ a
2
z
2
+
:= y
n
a
1
y
n 1
a
2
y
n 2
x
n
+ :=
Soit le filtre AR d'ordre N =2 excit par un bruit blanc :
PROCESSUS GENERATEUR DE SIGNAL ALEATOIRE : AR
III. SYSTEMES STOCHASTIQUES
TP 1. 7
0.498
0.499
x
n
1 1 n
x
n 0 K 1 .. := x BruitBlanc K m , V , ( ) := BruitBlanc m 0 := K 100 :=
x submatrix x 0 , 0 , 0 , 0 ,
( )
:=
RAZ :
BruitBlanc K m , V , ( ) :=
2. CALCUL du BRUIT BLANC de VARIANCE V sur K =100 points
a
0.083
0.667
0.333
=
a
k
-0.667
0.333
=
Rsultat :
du vecteur a , il ne faut retenir que les N paramtres cherchs : a
1
, a
2
... a
N
et ignorer a
0
:
a
i
V a
i
:= i 1 N .. :=
V 4 = V
yy
0
yy
0
a
0
1 +
:= a
1
yy
0
R
1
b :=
Calcul du vecteur a et de V :
b
0
3
0
= b
0
0 := b
i
yy
i
:= a
i
0 :=
Rservation du vecteur a (ce n'est pas une initialisation) et Initialisation du vecteur b :
R
6
3
0
3
6
3
0
3
6
=
Exemple, pour N = 2, R =
yy
0
yy
1
yy
2
yy
1
yy
0
yy
1
yy
2
yy
1
yy
0

R
i j ,
yy
i j
:=
Cration de la matrice R :
TP 1. 8
r
0
= r
rapprocher de :
V 4 = r = r
. Signal de sortie y : RAZ :
r submatrix r 0 , 0 , 0 , 0 ,
( )
:= r
. Moyenne :
m
1
K
0
K 1
n
y
n
=
:= y m= m
. Covariance de y :
k 0 N .. := r
k
1
K
0
K k 1
n
y
n k +
y
n
=
:= y
r = r
comparer avec :
yy
6
3
0
=
Conclusion : avec un ordre N plus important pour le filtre AR, les rsultats seraient encore plus proches
des rsultats escompts.
__________
3. CALCUL de la REPONSE y du FILTRE AR au BRUIT BLANC CENTRE de VARIANCE V
RAZ :
y submatrix y 0 , 0 , 0 , 0 ,
( )
:= y n 0 K 1 .. := y
n
0 := y
n
:=
1
1
y
n
99 0 n
y
4. VERIFICATION : CALCUL de la FONCTION d'AUTOCOVARIANCE par ERGODICITE
. Signal d'entre x : RAZ :
r submatrix r 0 , 0 , 0 , 0 ,
( )
:= r
. Moyenne :
m
1
K
0
K 1
n
x
n
=
:= x m= m
. Covariance de x :
k 0 N .. := r
k
1
K
0
K k 1
n
x
n k +
x
n
=
:= x
TP 1. 9
Traitement du Signal 2. Synthse du signal. Identification

2. 1

2. Synthse du signal. Identification

Synthse du signal


La gnration dun signal dterministe peut tre ralise partir :

. de lexpression analytique (formule) du signal
. dun modle (exemple : modle AutoRgressif (AR))
. dune table de look-up (fichier mmoire)
. dune Transformation mathmatique inverse (Fourier, Laplace ...)

Exemple : Gnration dun signal sinusodal (sans phase initiale)

. Expression analytique : Gnration dun signal sinusodal de frquence f et d amplitude A

Lexpression Temps Continu scrit : ) 2 sin( ) ( ft A t x =
Le signal Temps Discret x est gnr en se donnant
f
F
N = chantillons par priode (
f
1
) du signal gnrer.
T
F
1
= est la frquence dchantillonnage.
Elle doit vrifier la condition de Shannon pour crer le signal avec une bonne rsolution : f F 2 car f est la plus
grande frquence (et ici la seule !) contenue dans le spectre de x .

) 2 sin( ) ( fnT A n x = Z n est lindice, gnralement temporel, du signal.

. Modle : Gnration dun signal sinusodal de frquence f et d amplitude 1

Un modle AR dordre 2 peut tre utilis pour gnrer un sinus (et toute suite trigonomtrique) :
(dmonstration par rcurrence, le signal tant rcursif) (obtention du modle par identification par exemple)

) 2 ( ) 1 ( ) ( + = n x n x n x avec :

coefficients :
1
) 2 cos( 2
=
=
fT A

initialisation : ( )
nulle non initiale phase une on veut si
initiale) (phase
2 sin ) 1 (
) 0 (
fT A x
x
=
=
ou
( )
nulle initiale phase une on veut si
initiale) (phase
2 sin ) 1 (
0 ) 0 (
fT A x
x
=
=

et o : ) (n x reprsente le signal sinusodal linstant nT .

. Table de look-up : Fichier mmoire

. Transformation mathmatique inverse (Laplace) : Gnration dun signal sinusodal de frquence f et d amplitude 1

( )
( ) ft t x
f p
f
p X
TL
2 sin ) (
2
2
) (
1
2 2
=
+
=

laide de tables

2. 2


Signaux alatoires par fonction modulo

Une mthode de gnration de signaux alatoires (en fait pseudo-alatoires du fait de la priodicit des signaux
engendrs) consiste utiliser la fonction modulo.

Signal alatoire distribution uniforme. Bruit blanc distribution uniforme

Le signal ) (n x alatoire distribution uniforme est dcrit par (dmonstration par rcurrence, le signal tant rcursif) :
P n x A n x modulo ) 1 ( ) ( = Linitialisation ) 0 ( x devant vrifier : P x < < ) 0 ( 0

(En indexant linitialisation sur une horloge par exemple, on a un signal alatoire gnrant chaque essai une squence
diffrente. Sinon la squence engendre est dterministe dans le sens o lquation dcrivant le signal est analytique,
paramtrique).

On a : P n x < < ) ( 0

(Pour avoir 1 ) ( 0 < < n x , il suffit de diviser chaque terme de la squence par P ).

Le signal gnr est pseudo-alatoire car priodique de priode P . Pour ne pas, lorsque n augmente, retomber vite
sur la mme srie de coefficients de la squence, il vaut mieux choisir P grand.

P doit tre un nombre premier pour que le rsultat du modulo ne soit pas nul.

On peut prendre par exemple : 100 ) 0 ( = x , 281 = A , 357 31 = P .

Les chantillons peuvent tre considrs comme indpendants les uns des autres, conduisant ainsi
fournir un bruit blanc distribution uniforme.

Signal alatoire distribution de Rayleigh

Le signal ) (n y alatoire distribution de Rayleigh peut tre obtenu partir du signal alatoire ) (n x distribution
uniforme : { } ) ( / 1 2 ) ( n x Ln n y =

caractrise la dynamique du signal.

On peut prendre par exemple : 10 = .

Signal alatoire distribution gaussienne

Le signal ) (n w alatoire distribution gaussienne peut tre obtenu partir des signaux alatoires ) (n x distribution
uniforme et ) (n y distribution de Rayleigh : { } ) ( 2 cos ) ( ) ( n x n y n w =

Signaux alatoires par fonction OU exclusif

Une autre mthode de gnration de signaux alatoires consiste utiliser la fonction OU exclusif.

Un chantillon de la squence alatoire est cod sur m bits. Le mot de lchantillon ) 1 ( + n x de la squence est
obtenu partir du mot de lchantillon ) (n x en effectuant un OU exclusif entre les 2 bits de plus faible poids de
) (n x , et en dcalant circulairement vers la droite les bits du mot : le LSB est perdu, et il rentre le rsultat du OU
exclusif pour nouveau MSB.

Un mot a conventionnellement son MSB lextrme gauche et son LSB lextrme droite. Le MSB est le bit de plus fort poids, le LSB celui de poids le
plus faible.

2. 3

Identification (modlisation)

I. IDENTIFICATION PAR FILTRES FORMEURS - MODELES AR, MA ARMA

1. Processus MA (Moving Average - Moyenne mobile) dordre M

Un signal TD
n
x peut tre identifi comme sortie dun filtre MA excit par un bruit blanc (car il y a tout dans un bruit blanc,
un bruit blanc excite tous les modes du processus, il y a toutes les frquences dans un bruit blanc) :
M n M n n
M
k
k n k n
w b w b w b w b x

=

+ + + = =
L
1 1 0
0
avec 1
0
= b (le fait de diviser tous les coefficients par
0
b
conduit
1
0
= b
)
o :

n
w dsigne un processus alatoire rel blanc, centr, stationnaire, de variance
2

et : { }
m
b est une squence de 1 + M coefficients rels.

Le processus ainsi construit a pour RI la squence { }
m
b : { } { }
n n
b h =

Ce filtre a donc pour FT :
[ ]
M
M
M
n
n
n n
z b z b b z b b TZ z H

=
+ + + = = =

L
1
1 0
0
) (

Cette FT ne possde pas de ples. Elle conduit donc un filtre causal stable, facilitant ainsi lidentification du signal
n
x .

Relations entre coefficients du modle et covariances

Malheureusement, les relations entre coefficients du modle et covariances ne sont pas linaires.
Il suffit pour sen convaincre de traiter en exemple le processus MA dordre 2 = M TD engendr par :

2 2 1 1
2
0

=

+ + = =
n n n
k
k n k n
w b w b w w b x

Calculons lautocovariance [ ]
n k n XX
X X E R
k
+
= o :
n
X est la VA dont
n
x est une ralisation

n
W est la VA dont
n
w est une ralisation
(on rappelle quun bruit blanc de variance
2
est tel que : [ ]
k n n k n
W W E
,
2
=
+
et que
k
XX
R est paire)

[ ] [ ] [ ] [ ] ( )
[ ] ( )( ) [ ] ( )
[ ] ( )( ) [ ]
[ ]
+ = =
= + + + + = =
+ = + + + + = =
+ + = + + = =
+
+ + +
+ +

1 0
1
pour
2
2 2 2 1 1 2 1 1 2 2
2
2 1 1 2 2 1 1 1 2 1 1 1
2 2
2
2
1
2
2
2
2
2
1
2
1
2 2
2
1
0
M k X X E R
b W b W b W W b W b W E X X E R
b b b W b W b W W b W b W E X X E R
b b W E b W E b W E X E R
n k n XX
n n n n n n n n XX
n n n n n n n n XX
n n n n XX
k

soit :

( )
( )
+ =
=
+ =
+ + =
1 0
1
pour
2
2
2
2 1 1
2 2
2
2
1
2
1
0
M k R
b R
b b b R
b b R
k
XX
XX
XX
XX

Lorsque lon veut identifier ( modliser) un signal
n
x comme un processus MA dordre donn (ici 2) dentre
n
w :
2 2 1 1
+ + =
n n n n
w b w b w x alors la covariance
k
XX
R est connue (dduite de la squence { } x
k
du signal par une mthode
destimation de la fonction dautocovariance, par exemple, la mthode par ergodicit) et
1
b ,
2
b et
2
sont les inconnues.


2. 4

Le systme dquations est non linaire et pour le rsoudre on fait appel des algorithmes de Programmation Non
Linaire.

2. 5

2. Processus AR (Auto-Regressive - Auto-Rgressif) dordre N

Un signal TD
n
x peut tre vu comme sortie dun filtre modle AR excit par un bruit blanc (car il y a tout dans un bruit blanc,
un bruit blanc excite tous les modes du processus, il y a toutes les frquences dans un bruit blanc) :

n
N
k
k n k
w x a =
=

0
avec 1
0
= a (le fait de diviser tous les coefficients par
0
a
ne change rien et conduit
1
0
= a
)

soit :
n N n N n n
w x a x a x a = + + +

L
1 1 0

o :
n
2

et : { }
n
a est une squence de 1 + N coefficients rels.

Le processus ainsi construit a pour RI la squence { } [ ] ) (
1
z H TZ h
n

= o ) (z H est la FT du filtre :

N
N
N
n
n
n
z a z a a
z a
z H

=
+ + +
= =
L
1
1 0
0
1 1
) ( (filtre tout-ple)

Cette FT possde des ples. Ceux-ci doivent tre de module 1 < pour assurer la stabilit du filtre causal.

Relations entre coefficients du modle et covariances (cas 1 = N )

Prenons pour exemple le processus AR dordre 1 = N TD engendr par :

n n n
w x a x = +
1 1
avec 1
1
< a pour assurer la stabilit du filtre.

En prenant lesprance des 2 membres, et en utilisant lhypothse que
n
w est centr, on en dduit que le processus
n
x
est lui-mme centr.

Calculons sa fonction dautocovariance [ ]
n k n XX
X X E R
k
+
= o :
n
X est la VA dont
n
x est une ralisation

n
W est la VA dont
n
w est une ralisation
(on rappelle quun bruit blanc de variance
2
est tel que : [ ]
k n n k n
W W E
,
2
=
+
et que
k
XX
R est paire)

Comme :
1 1
=
n n n
x a w x
on a : ( )
1 1 1 1
2
1 1 1 1 1 1
2

= = =
n n n n n n n n n n n n n n n
x x a w x a w x x a w x a w x x a w x x
do, comme il ny a pas de dpendance causale entre
1 n
x et
n
w
(
n
x sexprime causalement en fonction de
n
w , ce qui signifie que
1 n
x est fonction de
1 n
w ,
2 n
w , ...
Comme
1 n
w ,
2 n
w , ... sont indpendants de
n
w (bruit blanc), alors
1 n
x et
n
w sont indpendants donc non corrls, ce qui scrit :

[ ] [ ] [ ] 0
1 1
= =
n n n n
W E X E W X E
car le bruit blanc est centr)
on a : [ ] [ ] [ ]
1 1
2 2
=
n n n n
X X E a W E X E soit :
1 0
1
2
XX XX
R a R =

On a aussi :
2
1 1 1 1
=
n n n n n
x a w x x x
do : [ ] [ ]
2
1 1 1
=
n n n
X E a X X E soit :
0 1
1 XX XX
R a R =

On a donc le systme dquations :
= +
= +
0
0 1
1 0
1
2
1
XX XX
XX XX
R a R
R a R


2. 6

Ce systme linaire dquations peut scrire sous forme matricielle : v a R =

avec :
=
0 1
1 0
XX XX
XX XX
R R
R R
R
=
1
0
a
a
a
=
0
2
v 1
0
= a

La solution de ce systme linaire dquations est immdiate :
=
=
0
1
0
0
1
2
2
1
XX
XX
XX
XX
XX
R
R
R
R
R
a

Relations entre coefficients du modle et covariances (cas N quelconque)

Lexpression matricielle permet la gnralisation un modle AR dordre N dont la fonction dautocovariance vrifie
le systme linaire dquations : (ce sont les quations de Yule-Walker )

0
0
2
1
0
0 1
1 0 1
1 0
M M
L
M M M M
L
L

N XX N XX N XX
N XX XX XX
N XX XX XX
a
a
a
R R R
R R R
R R R
ou encore :
v a R =
1
0
= a

La matrice dautocovariance R de terme gnral
j i
r
,
ne dpendant que de
j i
(
k XX
R paire) est dite matrice de Toeplitz.

Pour raliser ce calcul, une inversion matricielle est possible mais on utilise gnralement lalgorithme efficace itratif de
Levinson ou encore de Burg, qui vitent une inversion matricielle en mettant profit le caractre Toeplitz de la matrice
R.

La squence { }
n
a , solution avec
2
, du systme linaire de Yule-Walker partir de la connaissance de la matrice
dautocovariance R, conduit la relation de rcurrence du filtre.

La dtermination de la squence { }
n
a des ples de
) 1 ( ) 1 )( 1 (
1
1
1
) (
1 1
2
1
1
1
1

=
+ + +
=
z a z a z a z a z a
z H
N
N
N
L L

conduit, de faon quivalente celle { }
n
a , lobtention du filtre didentification de la squence
n
x .

Lavantage de la modlisation AR par rapport lidentification par un modle MA est quelle conduit un systme
linaire dquations pour la dtermination des coefficients du filtre.

Applications :
. synthse de signal

. compression de signal (de parole par exemple) :

un signal x
k
de K chantillons dun signal de parole peut tre cod non pas par mmorisation de la squence brute
{ } x
k
mais compresse pour tre ramene aux coefficients a
i
du filtre modle (AR) dordre N et au coefficient
2
,
variance du bruit blanc plac lentre du filtre pour produire, synthtiser le signal x
k
. La dcompression consiste
gnrer, synthtiser x
k
partir du bruit blanc de variance
2
par application de lalgorithme AR du filtre formeur
dordre N au bruit blanc.

2. 7

3. Processus ARMA dordre M N

Un processus ARMA sobtient en mettant en srie une structure AR et une structure MA.

Soit lquation rcurrente :

=

=

=
M
i
i n i
N
k
k n k
w b x a
0 0
avec 1
0
= a (le fait de diviser tous les coefficients par
0
a
ne change rien et conduit
1
0
= a
)

soit :
M n M n n N n N n n
w b w b w b x a x a x a

+ + + = + + + L L
1 1 0 1 1 0

o :

n
2

et : { }
n
a et { }
m
b sont des squences de coefficients rels.

Le processus ainsi construit a pour RI la squence { } [ ] ) (
1
z H TZ h
n

= o ) (z H est la FT du filtre :

N
N
M
M
N
n
n
n
M
m
m
m
z a z a a
z b z b b
z a
z b
z H

=
+ + +
+ + +
= =
L
L
1
1 0
1
1 0
0
0
) (

Cette FT possde des ples. Ceux-ci doivent tre de module 1 < pour assurer la stabilit du filtre causal.

Lquation rcurrente admet une solution unique
n
x , stationnaire au 2nd ordre, unique, qui sexprime causalement en
fonction de
n
w , si et seulement si les racines du dnominateur ( ples de ) (z H ) sont de module 1 < .

4. Remarques

. Il peut paratre rducteur de modliser un processus par un nombre restreint de paramtres. Mais cette modlisation
correspond un processus SLTI (Systme Linaire Temps Invariant), dcrit par une quation aux diffrences linaire
stationnaire ( coefficients constants).

. On montre que tout processus ARMA ou MA peut tre approch par un processus AR dordre suffisamment lev
(lavantage dune modlisation AR est de conduire un systme linaire dquations pour la dtermination des paramtres du modle, mais il faut en
contre-partie veiller la stabilit du filtre).
De mme, tout processus ARMA ou AR peut tre approch par un processus MA dordre suffisamment lev
(lavantage dune modlisation MA est dassurer la stabilit du filtre modle, mais en contre-partie, cette modlisation conduit un systme non
linaire dquations rendant ainsi moins simple la dtermination des paramtres du modle).

Ce rsultat est fondamental en pratique puisque, si lon choisit parmi ces 3 modles, le plus mauvais modle, une
prcision raisonnable peut encore tre obtenue en prenant un ordre assez lev.

Un processus dont le spectre possde des valles profondes ncessite en effet moins de paramtres si on utilise,
pour le reprsenter, un modle MA plutt quun modle AR.
De mme, un processus dont le spectre possde des pics levs ncessite moins de paramtres si on utilise, pour
lidentifier, un modle AR plutt quun modle MA.

. Application de lidentification : Compression de signal
Plutt que de mmoriser le signal brut, on peut stocker les paramtres AR ou MA ou ARMA du modle.
La compression consiste, aprs le choix dun ordre dautant plus lev que la prcision souhaite, en la dtermination
des paramtres du modle et de la variance du bruit blanc.
La dcompression consiste alors en la gnration du signal tant donn le modle choisi.

2. 8

. Autre procd didentification par les modles MA, AR ou ARMA

Exemple : modlisation AR
Plutt que dutiliser un bruit blanc pour lentre du filtre, on prend une constante ( b ), et on dtermine cette constante
ainsi que les paramtres (
n
a ) du modle en minimisant (par application du critre des moindres carrs) (cf. annexe)
lnergie de lerreur entre la squence
n
x identifier et son estimation
n
x dcrite par :

=

+ =
N
k
k n k n
x a b x
1

5. Application : Estimation du spectre dun processus AR (Analyse spectrale - Estimation)

Dans le cas dun processus AR dordre N , la relation entre les paramtres estimer et les covariances ( v a R = ) est
linaire. Elle permet simplement dobtenir une estimation des paramtres { }
n
a du modle et la variance
2
du bruit
blanc dentre, en substituant la matrice de covariance exacte une matrice de covariance estime.

Relations entre coefficients du modle et covariances estimes (cas 1 = N )

On remplace dans lquation obtenue avec les covariances exactes :
= +
= +
0
0 1
1 0
1
2
1
XX XX
XX XX
R a R
R a R

0
XX
R et
1
XX
R par leur estime respective.

Lergodicit toujours suppose nous donne : (
n
X est suppos centr)

( )
( )
+ + +
=
+ + + = =

=
+
2 1 1 2 0 1
2
0
1
2
1
2
1
2
0
1
0
2
1
1
1
1
1 1
1
0
K K
K
n
n n XX
K
K
n
n XX
x x x x x x
K
x x
K
R
x x x
K
x
K
R
L
L

Lestime respective de
0
XX
R et de
1
XX
R est donne par (mthode des corrlations) :

( )
( )
+ + + = =
+ + + = =
=
+
=
K K
K
n
n n XX
K
K
n
n XX
x x x x x x
K
x x
K
R
x x x
K
x
K
R
1 2 1 1 0
1
0
1
2 2
1
2
0
0
2
1 1
1 1
1
0
L
L

On obtient pour matrice de covariance estime :
=
0 1
1 0

XX XX
XX XX
R R
R R
R
Et le coefficient
1
a du modle AR ainsi que la variance
2
du bruit blanc dentre sont :
=
=
0
1
0
0
1
2
2
1
XX
XX
XX
XX
XX
R
R
R
R
R
a


2. 9

Relations entre coefficients du modle et covariances estimes (cas N quelconque)

Un rsultat important est que si la matrice R est de Toeplitz, le polynme dnominateur de la FT ) (z H :
N
N
z a z a

+ + + L
1
1
1 a toutes ses racines lintrieur du cercle unit, assurant ainsi la stabilit du filtre modle.

Estimation du spectre dun processus AR mthode haute rsolution

Une fois les paramtres { }
n
a du modle et la variance
2
du bruit blanc dentre estims (par { }
n
a et
2
), on
dtermine le spectre ) ( f S
X
de la sortie
n
x du filtre AR dentre
n
b (bruit blanc).
On a :
2
2 2
) ( ) ( ) ( ) ( f H f S f H f S
B X
= = car le spectre (DSP) dun bruit blanc est
2
:
2
) ( = f S
B

do :
2
2
2 2
2
) ( ) ( ) (
f i
X
e z H f H f S = = = avec :
N
N
z a z a
z H

+ + +
=
1
1
) (
1
1
L

donc :
2
2 2
1
2
1
) (
f N i
N
f i
X
e a e a
f S

+ + +
=
L

Cette mthode destimation spectrale sappelle mthode haute rsolution.

II. IDENTIFICATION PAR PREDICTION LINEAIRE (Linear Prediction Coding)

[Voir Chapitre sur la Prdiction]

III. IDENTIFICATION PAR MOINDRES CARRES

[Voir Chapitre sur le filtrage optimal]

Remarque

Une identification par la mthode du polynme de Lagrange est inenvisageable en traitement du signal car pour
identifier un signal de n points, n coefficients (les n coefficients du polynme de Lagrange dordre n ) sont
ncessaires, ce qui est norme en comparaison des autres mthodes didentification qui ncessitent un nombre m de
paramtres bien moindre que la taille du signal identifier : n m << .

__________

Traitement du Signal TP 2. Synthse. Identification
p 0.2 =
sec.
frquence :
1
p
5 =
Hertz
2. Signaux alatoires
Gnration d'un Bruit blanc centr de ditribution uniforme
Gnrer un signal alatoire de distribution uniforme, variant entre a = -0.5 et b = +0.5 sur une "dure" (en
nombre de points) N = 100 points. Vrifier qu'il s'agit d'un bien d'un bruit blanc centr en calculant par la mthode
par ergodocit sa moyenne, sa fonction d'autocovariance et sa variance.
Bruit blanc v compris entre 0 et P :
A 281 := P 31357 := N 100 := n 1 N 1 .. := optionnel ( ) WhiteNoise N ( ) :=
Initialisation :
v
0
100 :=
Equation rcurrente :
v
n
:=
Bruit blanc w compris entre a et b :
a 0.5 := b 0.5 := n 0 N 1 .. := w
n
:=
0.495
0.497
w
n
99 0 n
w
TP 2. Synthse du signal. Identification
I. SYNTHESE DE SIGNAL
1. Signaux dterministes
Gnrer par rcurrence un signal sinusodal u d'amplitude 1 et de frquence f = 5 Hz sur une "dure" N = 50 points (dure =
N*T).La frquence d'chantillonnage F = 1/T doit respecter la condition de Shannon : F > 2 Fm avec ici Fm = f.
f 5 := F 100 := T
1
F
:= 2 cos 2 f T
( )
:= 1 := N 50 := n 2 N 1 .. :=
Initialisation :
u
0
:= u
1
:=
Equation rcurrente :
u
n
:= T 0.01 =
seconde
n 0 N 1 .. :=
0.309
0
u
n
1 0 n
u
Visuellement, on vrifie bien :
"priode" :
F
f
20 =
points
priode :
p
F
f
T :=
TP 2. 1
2 = 2
2
0
:= Varance du bruit blanc: Conclusion: la fonction de covariance a l'allure attendue par la thorie:
n
=
2
n ( )
0.077
0.069
n
99 0 n
n
1
N
0
N n 1
i
w
i n +
m
( )
w
i
m
( )
=
:= m
. Covariance :
m = m m
1
N
0
N 1
i
w
i
=
:= w
. Moyenne :
. Estimation de la covariance par ergodicit :
2 0.083 = 2
b a ( )
2
12
:=
m 0 = m
a b + ( )
2
:=
La thorie dit qu'une loi uniforme sur [a,b] a pour moyenne et variance :
. Moyenne et variance thoriques :
Vrification :
TP 2. 2
a
4
0.667
0.333
=
a
i
-0.667
0.333
=
i 1 N .. :=
V 4 = V a
0
:=
a YuleWalker r N , ( ) :=
r
2
0 :=
r
1
3 := N 2 :=
r
0
6 := K 3 :=
Exemple :
YuleWalker xx N ,
( )
R
i j ,
xx
i j
j 0 N .. for
i 0 N .. for
b
0
0
b
i
xx
i
i 1 N .. for
1
xx
0
R
1
b
a
0
xx
0
xx
0

0
1 +
a
i
a
0

i

i 1 N .. for
a
:=
Paramtre de sortie : . le vecteur a (dim N+1) :
a
0
= V : variance du bruit blanc; a
1
, a
2
, ... a
N
: paramtres du filtre formeur AR d'ordre N
Paramtres d'entre : . xx : le vecteur fonction d'autocovariance (dim N) du signal x : xx
0
, xx
1
... xx
N 1

. N : dim de xx et de l'ordre (max) du filtre formeur AR
1. Fonction YuleWalker xx N ,
( )
: Rsolution du systme de Yule-Walker Ra = v par inversion matricielle
L'identification d'un signal s donn consiste le modliser comme rponse d'un filtre AR d'ordre N un bruit blanc de
variance V. Le problme est alors de dterminer les coefficients a
i
du filtre AR modle et la variance V du bruit blanc.
y
k
x
k
1
N
i
a
i
y
k i
=
:=
H z ( )
1
1
1
N
i
a
i
z
i
=
+
:=
Fonction de Transfert correspondante : Equation de rcurrence du filtre AR d'ordre N :
Soit le filtre AR d'ordre N excit par un bruit blanc.
Faire varier l'ordre N du filtre modle AR puis la taille K du signal identifier. Conclusion ?
Essayer ensuite sur un second signal.
II. IDENTIFICATION
TP 2. 3
a
i
= a i 1 N .. :=
Attention : il faut V > 0
V = V V := a := N 2 :=
. Extraction des N paramtres a
1
, a
2
, ... a
N
du filtre AR d'ordre N et de la Variance V du bruit blanc d'entre :
r
k
1
K
0
K k 1
n
s
n k +
s
n
=
:=
. Covariance :
m 3.4 10
3
= m
1
K
0
K 1
n
s
n
=
:=
. Moyenne :
. Calcul de la fonction d'autocovariance r du signal x par la mthode d'ergodicit :
0 10 20 30 40 50 60 70 80
0.5
0
0.5
s
k
k
s
k
2 s
k
maxi mini
:= mini min s ( ) := maxi max s ( ) := s
k
s
k
moy := moy mean s ( ) :=
. Centrage du signal et recadrage d'amplitude dans la gamme [-0.5, +0.5] : (car on synthtisera partir d'un bruit blanc centr)
0 20 40 60 80
10
0
10
s
k
k
s s 128 := s READWAV "a1.wav"
( )
:= k 0 K 1 .. := K 80 :=
. Lecture du fichier de donnes ASCII (1 donne (float) par ligne, 800 colonnes)
. On considre 2 signaux de parole enregistrs dans les fichier a1 et o1 issus de l'enregistrement des voyelles
"a" et "o", chantillonns 8 kHz mono 8 bits et de dure 0.1s -> leur taille est de 800 chantillons.
Signal de parole sur une fentre de K points :
2. Extraction des paramtres a
1
, a
2
, ... a
N
du filtre AR d'ordre N et de la Variance V du bruit blanc d'entre
TP 2. 4
0 10 20 30 40 50 60 70 80
0.5
0
0.5
s
k
k
comparer au signal de parole s (il faudrait couter pour comparer !) :
1
1
y
k
79 0 k
y
Attention : il faut que le filtre soit stable signal synthtis y :
y
k
:= y
k
0 :=
RAZ :
4. Calcul de la rponse y du filtre AR d'ordre N au bruit blanc x centr de variance V
3.442
3.455
x
k
79 0 k
x
x BruitBlanc K m , V , ( ) := V m 0 :=
BruitBlanc K m , V , ( ) 12 V whiten K ( ) m + :=
ou encore :
BruitBlanc K m , V , ( ) 12 V WhiteNoise K ( ) m + := WhiteNoise
3. Gnration du bruit blanc centr de variance V de K points :
TP 2. 5
Rapport Signal sur Bruit :
RSB:= RSB = RSB
dB
APPLICATION :
Synthse, Compression du signal de parole dans sa totalit (K = 800 chantillons, dure 100 ms)
On remplace chaque bloc de P chantillons du signal de parole de K = 800 chantillons (dure 100 ms) par les N
coefficients du modle AR. Ainsi si P = 80 et N = 8 on obtient un taux de compression d'environ 10.
Pour mettre en oeuvre ce traitement, on centre d'abord le signal de K = 800 chantillons et on recadre son amplitude
dans la gamme [-1, +1].
On fentre ensuite ce signal par tranches de P = 80 chantillons (dure 10 ms), en prenant 50% de chevauchement
entre les fentres pour attnuer l'effet des variations ventuellement brutales des coefficients de compression des
coefficients d'une fentre la suivante.
Synthse, Compression du signal image
Selon le mme principe, effectuer la compression d'une image en se ramenant 1D et en traitant l'image colonne
par colonne.
__________
TP 2. 6
Traitement du Signal 3. Caractrisation (Analyse - Transformations frquentielles). Estimation

3. 1

3. Caractrisation (Analyse - Transformations frquentielles). Estimation

Caractrisation (Caractrisation de signal pour la distinction, la reconnaissance de signal)

Le but de la caractrisation dun signal est de trouver une signature, une caractristique pour un signal, autorisant sa
reconnaissance, sa distinction, sa discrimination. La difficult est de trouver, suivant le type de signal, le bon outil de caractrisation,
permettant sa discrimination par rapport des signaux diffrents tout en autorisant une relative variabilit de la signature, dans le cas de ralisations
multiples dun mme type de signal (ex : reconnaissance de parole : plusieurs reproductions du mme mot doivent tre classifies ensemble et
discrimines par rapport la prononciation dautres mots).
Plutt que dutiliser le signal brut comme signature, on prend une transforme de ce signal, ayant lavantage de
compresser, de rduire la quantit dinformations utiles, pertinentes du signal.

Exemple 1 :
TF signal spectre
N N
rduction de l'info
temps frquence
K

Il y a rduction de linformation car le spectre sannule vite quand la frquence augmente (un signal ne peut tre infiniment rapide), linformation
contenue dans les N points du signal temporel se retrouve, pour lessentiel, dans les 1ers points (les K 1ers points, avec K<N) de sa Reprsentation
Frquentielle.

Exemple 2 : Reconnaissance de parole, dimage
La reconnaissance est base sur la corrlation, mais plutt que de corrler les signaux bruts (le signal reconnatre et les enregistrements de rfrence
en Base De Donnes), ce qui est coteux en temps calcul et pas trs efficace pour la reconnaissance, on corrle des primitives, des caractristiques
extraites du signal reconnatre avec les mmes primitives issues des enregistrements de rfrence, ce qui accrot la rapidit et la qualit de la
reconnaissance (exemple de primitive de caractrisation de la parole (reconnaissance de la parole, du locuteur) : le cepstre).

I. TRANSFORMATIONS FREQUENTIELLES outils de caractrisation frquentiels

TRANSFORMATION DE FOURIER DISCRETE (TFD)
Elle permet de caractriser un signal stationnaire en donnant son occupation en frquences.

Rappel : Transformation de Fourier

Un signal x(t) priodique de priode T, dcompos en srie de Fourier s'crit :
) cos( ) (
0
=
+ =
k
k k
t k C t x avec :

=
2
T
T : priode de x(t)

3
/
0

1

2
/
Exemple : Dcomposition en srie de Fourier dun signal priodique triangulaire

TFD :

[ ]
termes
causale et termes
1
0
/ 2
) ( ) (
1
) ( ) (
M
n x TFD e n x
M
k X
M
n x
M
n
M kn i
TFD
= =

n reprsente un indice temporel, k un indice frquentiel.

Restriction : la TFD ne donne pas de localisation (temporelle) des frquences, mais seulement leur rpartition globale.

TFD Inverse (TFDI)
Elle est donne par la relation :
[ ]
termes
termes
1
0
/ 2
) ( ) ( ) (
M
k X TFDI e k X
M
n x
M
k
M kn i
=
=
=


3. 2

Interprtation

t = nT
0 T T = MT
0
x
n
Squence temporelle
f = kF
0 = M.[ 1/T ]
0
X
k
Squence TFD
F
0
=1/
F = 1/T
0
T : Dure d'observation de la squence temporelle
0
T : Priode d'chantillonnage
M : Nombre d'chantillons pendant

Exemple : T = 1 s
0
T = 0.1 s
M = 10 chantillons

F = 1/ = 1 Hz
0
F = 10 Hz
T
0
T
0
T
0
priodicit du spectre
(priode F)

SPECTROGRAMME - TRANSFORMATION DE FOURIER A COURT TERME (TFCT)
(Analyse temps-frquence, comme lanalyse en ondelettes)
Le spectrogramme calcule la TFD sur une fentre ) (n f glissante au cours du temps sur le signal. Les TFDs sur
chaque fentre glissante fournissent le spectrogramme, qui permet dadapter la Transformation de Fourier la
caractrisation des signaux non stationnaires. Le spectrogramme permet de caractriser un signal non stationnaire en
donnant son occupation en frquences en fonction du temps : analyse Temps-Frquence.

n = 0 n = M - 1
m
f(n)
x(m)

(Frquence)
X(k)
(Temps) n
(TFD)
k

Temps
Amplitude du module de la TFCT
Frquence
Frquence Amplitude du module de la TFCT

On obtient pour chaque indice n de fentre f(n) une TFD : X k
M
x m e
i km M
m
M
( ) ( )
/
=

=
1
2
0
1

et au total , non plus un spectre (2D), mais un spectrogramme (3D) (Reprsentation Temps-Frquence) :

On a la relation de dfinition de la TFCT : X n k
M
x m f n m e
m
i km
M
( , ) ( ) ( ) =
=
1
2

f(n) peut tre une fentre de pondration (Blackman, Bartlett ...) plutt qu'une simple fentre rectangulaire de troncature.

Cette analyse temps-frquence prsente lavantage par rapport lanalyse de Fourier simple, de permettre la
localisation temporelle des frquences contenues dans le signal (voir spectrogram of the word READ ).

3. 3

TRANSFORMATION DE WIGNER-VILLE (Analyse temps-frquence, comme lanalyse en ondelettes)
Elle permet de caractriser un signal non stationnaire en donnant son occupation en frquences en fonction du temps :
analyse Temps-Frquence.
La TWV d'un signal x(t) s'crit :
[ ]
TWV x t x t x t e d X t
i
( ) ( , ) = +
2 2
2
( x
: conjugu de x )
Le rsultat, fonction de et t, autorise une analyse dans lespace Temps(t)-Frquence().

TRANSFORMATION DE HILBERT
La Transformation de Hilbert ( TH ) $( ) x t d'un signal ) (t x consiste en la convolution de ) (t x par la fonction
t
1
:
t
t x t x t x
TH
1
* ) ( ) ( ) ( =

ONDELETTES
La plupart des signaux ne sont pas stationnaires, et c'est justement dans lvolution de leurs caractristiques (statistiques,
frquentielles, temporelles, spatiales) que rside lessentiel de linformation qu'ils contiennent (ex. : signaux de parole, dimage).
Avec lanalyse de Fourier (sauf la TFCT, Transforme de Fourier Court Terme, qui consiste en des TF sur des fentres glissantes du signal),
lapproche du signal est globale et toute notion de localisation temporelle (ou spatiale pour des images) disparat dans
lespace de Fourier. La dcomposition dun signal en une somme dondelettes (et non plus en une somme dondes comme avec
lanalyse de Fourier) apporte un contenu frquentiel tout en prservant la localisation afin d'obtenir une reprsentation
temps/frquence ou espace/chelle du signal (ex. en musique : dcomposition en ondelettes dun signal non stationnaire, ayant un dbut
et une fin, comme la frappe dune touche au piano, contrairement la dcomposition en ondes dun signal stationnaire, comme la vibration
maintenue, prolonge dun diapason, mise indfiniment depuis lorigine des temps). La notion dondelette (ondelette de Gabor) intgre (au
moins) 3 informations : un commencement, une fin et entre les deux, une frquence prcise.

Transforme de Fourier continue
Approche de Fourier : signal = somme dondes (= de fonctions sinus) de frquence multiple et translates
La transformation (dcomposition) de Fourier continue F( ) dune fonction ) (t f scrit :
= dt e t f F
t i
2
) ( ) (
note : > < = , ) ( f F o
t i
e t

2
) (

= onde, et : < >=
f g f g d , ( ) ( ) produit scalaire (pour fonctions relles)

= > < d g f g f ) ( ) ( ,
*
produit scalaire (pour fonctions complexes) (
*
g : conjugu de g )
La transformation (dcomposition) de Fourier inverse (reconstruction) scrit : f t F e dv
i t
( ) ( ) =

2

La Transformation de Fourier constitue un outil adapt lanalyse de signaux stationnaires, qui peuvent se dcrire globalement et par une combinaison
linaires dondes. Elle ne peut caractriser efficacement, localement, un signal non stationnaire, qui lui sexprime comme combinaison linaire
dondelettes.

Transforme en ondelettes continue
Approche ondelettes : signal = somme dondelettes (= ondes vanescentes, ondes localises, ondes amorties) rglables en frquence et translation

La transformation (dcomposition) en ondelettes continue ) , ( b a F dune fonction ) (t f suivant londelette ) (t scrit :

+

+

= = dt
a
b t
t f
a
dt t t f b a F
b a
) ( ) (
1
) ( ) ( ) , (
,
note > < =
b a
f b a F
,
, ) , ( R ) , ( b a

Les ondelettes filles ) (
,
t
b a
sobtiennent par dilatation et translation de londelette mre ) (t ( a est le facteur
dchelle (dilatation) et b le paramtre de translation).

La dcomposition dun signal en ondelettes est ainsi paramtrable : les ondelettes filles sont, laide dune fonction
dchelle , rglables en dilatation et en translation de londelette mre.

3. 4

La variable a joue le rle de linverse de la frquence : plus a est petit moins l ondelette est tendue
temporellement, donc plus la frquence centrale de son spectre est leve.

On peut interprter cette expression comme une projection du signal sur une famille de fonctions analysantes
b a,

construite partir d'une fonction mre conformment lquation suivante : ) (
1
) (
,
a
b t
a
t
b a

=

Les premires ondelettes utilises ont t londelette de Morlet, une gaussienne module par une exponentielle
complexe, le chapeau mexicain , drive seconde d'une gaussienne, et celle de Haar, dfinie par morceaux.

Inversion (reconstruction) - Admissibilit
Une ondelette est une onde localise, vanescente. Sa forme nest pas unique (il suffit quelle autorise la reconstruction) :
Reconstruction

= db da t b a F
a
C t f
b a
) ( ) , (
1
) (
,
2
1
avec
d
C
2
) ( 2

=
o ) ( reprsente la TF de ) (t

La condition dexistence de
C est la condition dadmissibilit dune fonction comme ondelette :

Condition dexistence < =

d d
2
0
2
0
) ( ) (
Cette quation se ramne le plus souvent la condition suivante (utilisation du thorme de Parseval), peu
contraignante qui indique seulement que la fonction ondelette soit moyenne nulle :
0 ) ( =
+

dt t

Le choix de londelette est donc en principe trs ouvert. Cependant, la robustesse et la vitesse de convergence de
lalgorithme de reconstruction (ainsi que la compacit de la dcomposition, caractrise par la non redondance de
linformation) sont trs dpendants du choix de londelette.

Transforme en ondelettes discrte N ) , ( n m
> < = =

+

n m
m
m
f dt nb t a t f a n m F
, 0 0
2
0
, ) ( ) ( ) , (
Si on choisit 2
0
= a et 1
0
= b , on parle de transforme dyadique :
= dt n t t f n m F
m
m
) 2 ( ) ( 2 ) , (
2

Reconstruction

= =
m
m
m n
n m
t x t n m F t x ) ( ) ( ) , ( ) (
,
avec
=
n
n m m
t n m F t x ) ( ) , ( ) (
,

Types dondelettes : Ondelettes de Morlet
Ondelette mre
x i
x
e e x
0
2
2
2
1
) (

=
Facteur dchelle : 5
0
=
5 0 5
0.5
0
0.5
Re x ( ) ( )
x
5 0 5
0.5
0
0.5
Im x ( ) ( )
x
5 0 5
0
0.2
0.4
x ( )
x

3. 5

Facteur dchelle : 10
0
=
5 0 5
0.5
0
0.5
0.399
0.378
Re x ( ) ( )
5 5 x
5 0 5
0.5
0
0.5
0.356
0.356
Im x ( ) ( )
5 5 x

5 0 5
0
0.2
0.4
0.399
1.487 10
6
x ( )
5 5 x

Types dondelettes : Chapeau mexicain
Ondelette mre
2
2 4 / 1
2
) 1 (
3
2
) (
x
e x x

= Avec le facteur dchelle a :
a
x

Facteur dchelle : 1 = a

5 0 5
1
0
1
x ( )
x
5 0 5
0
0.5
1
0.867
1.495 10
14
x ( )
5 5 x

Facteur dchelle : 5 . 0 = a

5 0 5
1
0
1
0.867
0.384
x ( )
5 5 x

5 0 5
0
0.5
1
0.867
0
x ( )
5 5 x

Types dondelettes : Ondelettes d'Ingrid Daubechies
Ondelette mre ( ) ( ) [ ]
( )
=
+ =
1 2
1 2
sin cos
5
1
) (
N
N k
kx i kx k x
Facteur dchelle : 2 = N
5 0 5
2
.
10
16
0
2
.
10
16
Re x ( ) ( )
x
5 0 5
4
2
0
2
4
Im x ( ) ( )
x
5 0 5
0
1
2
3
x ( )
x

3. 6

Facteur dchelle : 5 = N
5 0 5
1
.
10
15
0
0
0
Re x ( ) ( )
5 5 x

5 0 5
20
0
20
15.6
15.6
Im x ( ) ( )
5 5 x

5 0 5
0
10
20
15.6
2.025 10
12
x ( )
5 5 x

Types dondelettes : Ondelettes de Gabor
Transforme en ondelettes de Gabor
d e e f t F
i
t
2
2
) (
4
1
2
) ( ) , (
Ondelette mre (Gaborette)
x i
x
e e x

2
2 4
1
2
) (

=
Facteur dchelle : 1 =
5 0 5
1
0
1
0.751
0.663
Re x ( ) ( )
5 5 x
5 0 5
1
0
1
0.7
0.7
Im x ( ) ( )
5 5 x
5 0 5
0
0.5
1
0.751
2.799 10
6
x ( )
5 5 x

Facteur dchelle : 3 =
5 0 5
1
0
1
0.751
0.663
Re x ( ) ( )
5 5 x

5 0 5
1
0
1
0.711
0.711
Im x ( ) ( )
5 5 x
5 0 5
0
0.5
1
0.751
2.799 10
6
x ( )
5 5 x

Ondelettes de Haar
Ondelette mre
<
<
<
=
1 0
1 2 / 1 1
2 / 1 0 1
0 0
) (
si
si
si
si
x
x
x
x
x
5 0 5
1
0
1
1.1
1.1
x ( )
5 5 x

5 0 5
0
0.5
1
1.1
0
x ( )
5 5 x


3. 7

Algorithme de Mallat
Lalgorithme pyramidal de Mallat ralise la dcomposition dun signal en une somme dondelettes ainsi que sa
reconstruction, suivant un processus itratif rapide. Le signal doit avoir une longueur gale une puissance de 2.
La transforme en ondelettes a la mme longueur que le signal.

Le signal dcompos, est constitu [ chaque tape m de la dcomposition (partitionnement) qui compte n
niveaux] de 2 parties :
. la partie analyse ou approximation, constitue des 2 1ers coefficients du signal dcompos,
. la partie dtail, constitue du reste des coefficients du signal dcompos

La partie dtail est elle-mme forme de plusieurs squences, reprsentant linformation diffrentes chelles
(analyse mutirsolution) : le rsultat de la dcomposition du signal est un partitionnement en une partie dite
analyse ( 2 coefficients) et une partie dite dtail (le reste des points) contenant la dcomposition du signal en
ondelettes diffrentes rsolutions.

Analyse en ondelettes (wavelets)

Dcomposition (analyse mutirsolution ondelettes)

Signal d'entre

analyse

dtail

V
1
W
1
analyse dtail

W
2
V
2

V
n
W
n
analyse dtail
V
0

points 2
1 + n
filtres (h,g)
filtres (h,g)
filtres (h,g)
...
Signal dcompos au niveau n points 2
1 + n
V
n
2 points
W
n
W
2
W
1 points 2
n
points 2
1 n
points 2
n
points 2
n
Signal dcompos au niveau 1
Signal dcompos au niveau 2
Signal dcompos au niveau n
2 points

(n : nombre de niveaux de dcomposition, de rsolution)

Reconstruction (synthse)

Signal dcompos

Reconstruction
Reconstruction
Reconstruction
Signal reconstruit au niveau 1
Signal reconstruit au niveau 2
V
n
V
2
V
1
W
n
W
2
W
1
filtres (h,g)
filtres (h,g)
filtres (h,g)
...
points 2
1 n
points 2
n
points 2
1 + n
Signal d'entre

V
0
= Signal reconstruit au niveau n
2 points 2 points
points 2
1 + n


3. 8

Les n tapes de dcomposition et de reconstruction peuvent tre vues comme un filtrage, de RI h et g :

a
m
a
m+1
d
m+1
2
2
signal
dcimation d'ordre 2
dtail
analyse
filtres

a
m
a
m+1
d
m+1
2
2

signal
interpolation d'ordre 2
dtail
analyse
filtres
Reconstruction Dcomposition
h
~
g
~
g
h

Dcomposition :
=
=
l
l m n m
l
l m n m
a n l g d
a n l h a
, 1 ,
, 1 ,
] 2 [
~
] 2 [
~
Reconstruction :

+ =
k
k m
k
k m n m
k n g d k n h a a ] 2 [ ] 2 [
, , , 1

m : indice du niveau de dcomposition ; n, k, l : indices sur les signaux a, d, h, g. h
~
reprsente h renvers dans le
temps. La dcimation d'ordre 2 consiste en la suppression (sous-chantillonnage) dun coefficient sur deux
Linterpolation (ou sur-chantillonnage) dordre 2 s'effectue en intercalant un 0 entre chaque chantillon du signal.

RI des filtres de Dcomposition/Reconstruction
> < =
> < =
haut - passe
bas - passe
, 1 ,
, 1 ,
, ] 2 [
, ] 2 [
n m k m
n m k m
k n g
k n h

. On a
] 1 [ ) 1 ( ] [ n h n g
n
=

avec : : ondelette mre
: fonction dchelle, encore appele ondelette pre, et dfinie par :
) 2 ( 2 ) (
2 /
,
n t t
m m
n m
=

,
o Z n n t ), ( est une base de
0
V ,
j
V constituant une suite de sous-espaces embots de ) ( L
2
R ,
ensemble des fonctions continues dune variable relle et de carr sommable.
Les filtres h et g dpendent donc des ondelettes utilises.
Exemple : Ondelettes de Haar :
= L L , 0 ,
2
1
,
2
1
, 0 , ] [n h
o llment soulign correspond lindice 0 = n

= L L , 0 ,
2
1
,
2
1
, 0 , ] [n g

Ondelettes de Daubechies : ] [n h est tel que :
1 ] 1 [ ] [
2 2
= + + n h n h

Analyse en paquet dondelettes (wavelets packets)

Dcomposition (analyse mutirsolution paquet dondelettes)

Signal d'entre

analyse

dtail

V
1
W
1

analyse dtail

W
2,1
V
2

V
n
W
n,1
analyse dtail
V
0

points 2
1 + n
filtres (h,g)
filtres (h,g)
filtres (h,g)
...
Signal dcompos
points 2
1 + n
V
n
2 points

analyse dtail

W
2,2

W
2,3
analyse dtail
W
n,3
analyse dtail
W
n,2
...
W
n,1
W
n,2
W
n,3 ...
1
2 ,
n
n
W 2
2 ,
n
n
W
1
2 ,
n
n
W 2
2 ,
n
n
W

(n : nombre de niveaux de dcomposition, de rsolution)

Domaines principaux dapplication des ondelettes
lanalyse vocale
lanalyse de signaux radar
la compression des signaux

3. 9

Exemples de rsultats dune analyse en ondelettes

T est dfinie travers tout l'axe rel, mais les ondelettes sont en temps limit.
La valeur de T pour un instant particulier x et une chelle j procure de l'information sur p sur un
intervalle de temps de largeur 2
j+1
centr en x.
Les transformes pour une chelle j large fournit de l'information pour des intervalles de temps
larges.
Les transformes pour une chelle j ngative analyse les caractres de p une petite
rsolution
T p j , x , ( )
x 2
j
x 2
j
+
t p t ( ) W t x j , ( )
d :=
Transforme en ondelettes T(p,j,x) de la fonction p au point x l'chelle 2
j

2 0 2
0 W x 1 , ( )
x
2 0 2
0 W x 1 , ( )
x
Quand j entier varie, les ondelettes W(x,j) changent en chelle d'un facteur gal une
puissance de 2. Exemple :
W x j , ( )
1
2
j
G
x
2
j
:=
Dfinition des ondelettes filles W(x,j) (dyadiques) obtenues partir de l'ondelette mre G(x)
2 1 0 1 2
0 G x ( )
x
x 2 1.99 , 2 .. :=
G x ( ) 0 x 1 > if
F x ( ) x 0 < if
F x ( ) otherwise
otherwise
:=
F x ( ) f1 x ( ) x .5 < if
f2 x ( ) otherwise
:=
f2 x ( )
3
4
3 x
1
2
+
+ 9 x
1
2
+
2
:=
f1 x ( ) 3 x 1 + ( )
2
:=
Dfinition de l'ondelette mre G(x)
ONDELETTES 1D
Transforme en ondelettes de Daubechies 4 coefficients
La longueur du signal d'entre doit tre une puissance de 2, et >=4


3. 10

Exemple : le signal doit avoir une longueur gale une puissance de 2 (algorithme de Mallat).
La transforme en ondelettes a la mme longueur que le signal
Soit la fonction p :
p x ( ) e
10 x 3 + ( )
2
e
x 1 ( )
2
+ :=
Echantillonnons p 512 points autorisant la construction du vecteur signal P :
i 0 511 .. := x
i
5 .02 i + := P
i
p x
i
( ) :=
5 0 5 10
0
1
2
P
i
x
i
Transforme en ondelettes discrte : (par la fonction intgre Mathcad :)
TP dwavelet P ( ) := length TP ( ) 512 = length P ( ) 512 =
Les 2 1ers lments de TP sont appels les coefficients d'approximation.
Les lments restants sont les coefficients de dtail.
La transforme TP contient 8 niveaux de dtail :
Les 256 derniers points representent les informations la plus fine rsolution, les 128
points prcdents representent une chelle 2 fois plus large, etc ...
Les lments 2 and 3 donnent l'information l'chelle la plus large.

TP : longueur 512 2
9
= P : longueur 512 2
9
=
Transforme en ondelettes
256 2
8
=
points
points
points 128 2
7
= 64 2
6
= 32 2
5
= 16 2
4
=
3
2
2
2 2
TP :
analyse (2 coeffs) dtail (reste)
chelle la plus grossire (niveau 1)
1
2
chelle la plus fine (niveau 8)

5 0 5 10
0
1
2
P
i
x
i
0 200 400 600
0
2
4
6
TP
i
i
Les coefficients de la transforme en ondelettes TP sont proches de 0 pour les rsolutions les
plus fines (fin du tableau de coeffs TP).
-> La compression du signal P par troncature de la transforme TP (annulation des derniers
coefficients de la transforme, correspondant la rsolution la plus fine) peut tre envisage.


3. 11

Le graphe montre que S concide avec P.
5 0 5
0
2
S
i
x
i
5 0 5
0
2
P
i
x
i
S idwavelet TP ( ) :=
soit, par la fonction intgre Mathcad :
p t ( )
x j
T p j , x , ( ) W t x j , ( )

:=
L'information dans TP autorise la reconstruction complte du signal P.
Pour reconstruire P, nous appliquons la transformation en ondelettes inverse :
0 100 200 300 400 500
5
0
5
10
15
A
2 i ,
6 +
A
3 i ,
3 +
A
5 i ,
i
6 4 2 0 2 4 6
0
2
P
i
x
i
Pour voir la relation entre les niveaux et le signal original, affichons plusieurs niveaux de dtail
sur le mme graphe, sous le trac du signal original :
0 200 400
0.2
0
0.2
A
6 i ,
i
0 200 400
2
0
2
A
3 i ,
i
r 6 :=
Niveau 6, contenant 64 coefficients :
r 3 :=
Niveau 3, contenant 8 coefficients :
(floor = partie entire)
A
r i ,
TP
2
r
floor
i
2
9 r
+
:=
Information l'chelle
r
:
r 1 8 .. :=
Niveau :
Pour visualiser l'information, il est ainsi pratique d'tendre chaque niveau la mme longueur
que le signal original P. Nous placerons les 8 niveaux tendus dans un tableau unique A :
Pour chaque chelle, la position d'un lment l'intrieur du niveau auquel il appartient
concide avec la localisation dans le temps de la caractristique mesurer du signal.


3. 12

Remarquant que les coefficients l'chelle la plus petite (fin du tableau de coeffs TP) sont
bien infrieurs aux coefficients des rsolutions suprieures, cela suggre que l'on puisse
compresser le signal P par troncature de la transforme (= annulation des derniers
coefficients de la transforme, correspondant la rsolution la plus fine).
Ignorons par exemple les 3 plus petits niveaux, et reconstruisons P partir de la transforme
tronque, ne contenant que 64 lments diffrents de 0.
Les 3 derniers niveaux sont constitus des derniers 256+128+64 = 448 lments deTP.
k 64 511 .. := TP
k
0 := C idwavelet TP ( ) :=
5 0 5
0
2
P
i
x
i
5 0 5
0
2
C
i
x
i
Le graphe montre que C est une assez bonne rplique de P, bien que le fait d'avoir ignor les
dtails les plus fins produise une image assez pauvre du pic troit de P, qui est une
caractristique de dtail assez fin de P (partie rapide de P occupant donc les Hautes Frquences).
Pour visualiser les ondelettes elles-mmes, on peut inverser une squence transforme
contenant seulement un coefficient non nul.
t
t
n
0
n 0 511 .. for
t
100
1
t
:= w idwavelet t ( ) :=
Vue largie :
0 200 400
1
0
1
w
i
i
280 300 320
1
0
1
w
i
i
Le coefficient non nul de t se situe dans le niveau qui dbute l'lment 64, ainsi nous
pouvons situer la localisation temporelle de l'ondelette dmarrant :
100 64
64
512 288 =


3. 13

Application : compression de linformation (exemple avec les ondelettes de Haar)
la transformation en ondelettes ralise une compression temporelle (spatiale dans le cas 2D) du signal
Dcomposition du signal sans pertes

Dcomposition du signal avec pertes (compression avec pertes)
Tout ou partie (coefficients les plus faibles en valeur absolue) du dtail dun ou plusieurs niveaux de dcomposition est annull

Compression & analyse multirsolution

. 1D : la compression consiste supprimer les coefficients danalyse les plus faibles en valeur absolue (filtre Donoho)
. 2D : la compression consiste supprimer les niveaux de rsolution les plus fins.

3. 14

w = analyse | dtail
dtail
analyse
waveHaar v ( ) a analyse v ( )
d detail v ( )
w stack a d , ( )
w
:=
Dcimation(sous-ch.) d'ordre 2 de d
d = gr*v
Coefficients de dtail d :
gr =
0.707
0.707
g reverse
g =
0.707
0.707
RI g (passe-haut) du filtre de Haar

h =
0.707
0.707
RI h (passe-bas) du filtre de Haar

detail v ( )
h
i
1
2
i 0 1 .. for
g
i
h
1 i
1 ( )
i

i 0 rows h ( ) 1 .. for
gr
i
g
rows g ( ) i ( ) 1
i 0 rows g ( ) 1 .. for
d
0
v
0
gr
0
k 0 if
d
k
k 1
k
i
v
i
gr
k i
=
otherwise
k 0 rows v ( ) 1 .. for
ds
k
d
2 k 1 +
k 0
rows d ( )
2
1 .. for
ds
:=
Dcimation(sous-ch.) d'ordre 2 de a
a = hr*v
Coefficients d'analyse a :
hr =
0.707
0.707
h reverse
h =
0.707
0.707
analyse v ( ) h
1
2
1
2
hr
i
h
rows h ( ) i ( ) 1
i 0 rows h ( ) 1 .. for
a
0
v
0
hr
0
k 0 if
a
k
k 1
k
i
v
i
hr
k i
=
otherwise
k 0 rows v ( ) 1 .. for
as
k
a
2 k 1 +
k 0
rows a ( )
2
1 .. for
as
:=
RI h (passe-bas) du filtre de Haar
Transforme en ondelettes de Haar de niveau 1 (longueur du signal length v ( ) 4 )
Ondelettes de Haar 1D & 2D - Compression

3. 15

Reconstruction
Coefficients de dtail d
Coefficients d'analyse a
iwaveHaar w ( ) a submatrix w 0 ,
rows w ( )
2
1 , 0 , 0 ,
d submatrix w
rows w ( )
2
, rows w ( ) 1 , 0 , 0 ,
v reconstruction a d , ( )
v
:=
v = as*h + ds*g
v2 = ds*g
v1 = as*h
donner resp. as & ds
d'ordre 2 de a & d pour
Interpolation (sur-ch.)
g =
0.707
0.707
RI g (passe-haut)
h =
0.707
0.707
reconstruction a d , ( ) h
1
2
1
2
g
i
h
1 i
1 ( )
i

i 0 rows h ( ) 1 .. for
as
2k
a
k
as
2 k 1 +
0
k 0 rows a ( ) 1 .. for
ds
2k
d
k
ds
2 k 1 +
0
k 0 rows d ( ) 1 .. for
v1
0
as
0
h
0
k 0 if
v1
k
k 1
k
i
as
i
h
k i
=
otherwise
k 0 rows as ( ) 1 .. for
v2
0
ds
0
g
0
k 0 if
v2
k
k 1
k
i
ds
i
g
k i
=
otherwise
k 0 rows ds ( ) 1 .. for
v v1 v2 +
v
:=
RI h (passe-bas)
Transforme en ondelettes inverse de Haar de niveau 1

3. 16

Transforme en ondelettes de Haar de niveau n (length(v) =
2
m
;
1 n m
;
m 1
)
wavehaar v n , ( ) a
0
v
a
i
analyse a
i 1
( )
d
i
detail a
i 1
( )
i 1 n .. for
w d
n
w stack w d
i 1
,
( )
i n n 1 , 2 .. for n 1 > if
w stack a
n
w ,
( )
w
:=
Transforme en ondelettes inverse de Haar de niveau n
iwavehaar w n , ( ) a
n
submatrix w 0 ,
rows w ( )
2
n
1 , 0 , 0 ,
d
i
submatrix w
rows w ( )
2
i
,
rows w ( )
2
i 1
1 , 0 , 0 ,
i n n 1 , 1 .. for
a
i
reconstruction a
i 1 +
d
i 1 +
,
( )
i n 1 n 2 , 0 .. for
a
0
:=

Programmation de la dcomposition en ondelettes de Haar 1D de niveau n

signal original v
transforme en ondelettes de v au niveau 1
...
3
a
3
d
2
a
2
d
1
a
1
d
0
a
v
3
w
2
w
1
w
) (
2 3
analyse a a = ) (
2 3
dtail a d =
) (
1 2
analyse a a = ) (
1 2
dtail a d =
) (
0 1
analyse a a = ) (
0 1
dtail a d =
2
d
1
d
1
d


3. 17

v
0
1
2
3
4
5
6
7
= v iwavehaar w 3 , ( ) := w
9.899
5.657
2
2
0.707
0.707
0.707
0.707
= w wavehaar s 3 , ( ) :=
Reconstruction au niveau 3 Dcomposition au niveau 3
v
0
1
2
3
4
5
6
7
3
11
2
2
0.707
0.707
0.707
0.707
v
0
1
2
3
4
5
6
7
0.707
3.536
6.364
9.192
0.707
0.707
0.707
0.707
v
0
1
2
3
4
5
6
7
= v iwaveHaar w ( ) := w
0.707
3.536
6.364
9.192
0.707
0.707
0.707
0.707
= w waveHaar s ( ) := s
0
1
2
3
4
5
6
7
:=
squence
Test sur squence

3. 18

0 50 100
0
200
400
v
k
k
0 50 100
500
0
500
w
k
k
0 50 100
0
200
400
s
k
k
v iwavehaar w 3 , ( ) := w wavehaar s 3 , ( ) :=
Dcomposition au niveau 3 /Reconstruction au niveau 3
0 50 100
0
200
400
v2
k
k
0 50 100
0
200
400
v
k
k
0 50 100
500
0
500
w
k
k
faux mais rigolo car approximation du rsultat ! v2 iwavehaar iwavehaar w 1 , ( ) 1 , ( ) :=
v iwavehaar w 2 , ( ) := w wavehaar s 2 , ( ) :=
0 50 100
0
200
400
v
k
k
0 50 100
500
0
500
w
k
k
0 50 100
0
200
400
s
k
k
length w ( ) 64 = v iwavehaar w 1 , ( ) := w wavehaar s 1 , ( ) :=
signal 1D
0 50 100
0
200
400
s
k
k
length s ( ) 64 = k 0 length s ( ) 1 .. := s READPRNfile ( ) := file "s.txt" :=
on voit la compression temporelle du signal Test sur signal 1D

3. 19

= avec
W=wavehaar2d(I) W=wavehaarx(Wy) Wy=wavehaary(I)
...
...
a d
a d
a
d
a
d
a(a) d(a)
d(d) a(d)
= avec
W=wavehaar2d(I) W=wavehaary(Wx) Wx=wavehaarx(I)
...
...
a d
a d
a
d
a
d
a(a) a(d)
d(d) d(a)
ou encore (cela revient au mme) : ex. niveau 1
Dcomposition en ondelettes de Haar 2D partir de dcompositions de Haar 1D en x wavehaarx() et en y wavehaary()
iwavehaar2d W n , ( ) Iy iwavehaary W n , ( )
I iwavehaarx Iy n , ( )
I
:=
iwavehaar2d W n , ( ) Ix iwavehaarx W n , ( )
I iwavehaary Ix n , ( )
I
:=
ou encore (cela revient au mme) : Transforme Haar inverse 2D de niveau n
wavehaar2d I n , ( ) Wy wavehaary I n , ( )
W wavehaarx Wy n , ( )
W
:= wavehaar2d I n , ( ) Wx wavehaarx I n , ( )
W wavehaary Wx n , ( )
W
:=
Transforme de Haar 2D de niveau n comme Transformes 1D en x et y (sparabilit )
iwavehaary W n , ( )
w W
x

v iwavehaar w n , ( )
I
x

v
x 0 cols W ( ) 1 .. for
I
:= iwavehaarx W n , ( )
w W
T
( )
y

v iwavehaar w n , ( )
I
y

v
y 0 rows W ( ) 1 .. for
I
T
:=
Transforme Haar inverse 1D en y de niveau n Transforme Haar inverse 1D en x de niveau n
wavehaary I n , ( )
v I
x

w wavehaar v n , ( )
W
x

w
x 0 cols I ( ) 1 .. for
W
:= wavehaarx I n , ( )
v I
T
( )
y

w wavehaar v n , ( )
W
y

w
y 0 rows I ( ) 1 .. for
W
T
:=
Transforme de Haar 1D en y de niveau n Transforme de Haar 1D en x de niveau n
signal 2D (image)
I
I READ_IMAGE file ( ) := file "bato2.bmp" := Test sur signal 2D


3. 20

Jy Wy Jx Wx
Wy recdyn Wy ( ) := Wx recdyn Wx ( ) := Recadrage de dynamique
Jy Wy Jx Wx
Jy iwavehaary Wy 1 , ( ) := Wy wavehaary I 1 , ( ) := Jx iwavehaarx Wx 1 , ( ) := Wx wavehaarx I 1 , ( ) :=
Dcomposition/Reconstruction au niveau 1 en y Dcomposition/Reconstruction au niveau 1 en x
on voit la compression spatiale Transforme de Haar 1D en x et en y de niveau n
recdyn I ( ) min I
0 0 ,
max I
0 0 ,
max I
y x ,
I
y x ,
max > if
min I
y x ,
I
y x ,
min < if
x 0 cols I ( ) 1 .. for
y 0 rows I ( ) 1 .. for
J
y x ,
trunc
I
y x ,
min
max min
255
x 0 cols I ( ) 1 .. for
y 0 rows I ( ) 1 .. for max min if
J I otherwise
J
:=
Recadrage de dynamique (pour occuper exactement la plage 0 -> 255) d'une image

3. 21

Dcomposition/Reconstruction 2D au niveau 1 Dcomposition/Reconstruction 2D au niveau 2
W wavehaar2d I 1 , ( ) := Jx iwavehaar2d W 1 , ( ) := W2 wavehaar2d I 2 , ( ) := Jy iwavehaar2d W2 2 , ( ) :=
W Jx W2 Jy
Recadrage de dynamique W recdyn W ( ) := W2 recdyn W2 ( ) :=
W Jx W2 Jy
Dcomposition/Reconstruction au niveau 2 en x Dcomposition/Reconstruction au niveau 2 en y
Wx wavehaarx I 2 , ( ) := Jx iwavehaarx Wx 2 , ( ) := Wy wavehaary I 2 , ( ) := Jy iwavehaary Wy 2 , ( ) :=
Wx Jx Wy Jy
Recadrage de dynamique Wx recdyn Wx ( ) := Wy recdyn Wy ( ) :=
Wx Jx Wy Jy
Transforme de Haar 2D de niveau n comme Transformes 1D en x et en y de niveau n

3. 22

Compression de signal (avec pertes)
effectue ici sur le signal entier alors qu'en ralit on l'effectue 1D par fentres (trames de 20 ms pour la
parole) ou 2D par blocs carrs de pixels ( 8x8 par exemple ) (JPEG2000) ou par bandelettes (zones de pixels).
(de plus les ondelettes de Haar ne soient pas trs adaptes, contrairement celles de Daubechies plus compactes)
Annulation des coefficients de detail de niveau n de la transforme de Haar 1D
cutdetail w n , ( ) a
n
submatrix w 0 ,
rows w ( )
2
n
1 , 0 , 0 ,
d
i
submatrix w
rows w ( )
2
i
,
rows w ( )
2
i 1
1 , 0 , 0 ,
i n n 1 , 1 .. for
d
n
( )
k
0
k 0 length d
n
( )
1 .. for
a
i
stack a
i 1 +
d
i 1 +
,
( )
i n 1 n 2 , 0 .. for
a
0
:=
Annulation des coefficients de detail de niveau n de la transforme de Haar 2D
cutdetailx W n , ( )
w W
T
( )
y

v cutdetail w n , ( )
V
y

v
y 0 rows W ( ) 1 .. for
V
T
:= cutdetaily W n , ( )
w W
x

v cutdetail w n , ( )
V
x

v
x 0 cols W ( ) 1 .. for
V
:=
cutdetail2d W n , ( ) Wx cutdetailx W n , ( )
W cutdetaily Wx n , ( )
W
:=
Rapport signal/bruit (overall et en dB) : indicateur de la qualit de la compression
SNR x u , ( ) 10 log
0
length x ( ) 1
n
x
n
( )
2
=
0
length x ( ) 1
n
x
n
u
n
( )
2
:=
Conversion 1D en 2D
c1D2D i Nx , ( ) Ny
length i ( )
Nx
n y Nx x +
I
y x ,
i
n
x 0 Nx 1 .. for
y 0 Ny 1 .. for
I
:=
Conversion 2D en 1D
c2D1D I ( )
n y cols I ( ) x +
i
n
I
y x ,
x 0 cols I ( ) 1 .. for
y 0 rows I ( ) 1 .. for
i
:=

3. 23

Dcomposition niveau 2 w wavehaar s 2 , ( ) :=
Avec un mme taux de compression, on aurait une bien meilleure qualit en annulant la moiti des coefficients
du dtail de nivau 1 qui sont les plus faibles (en valeur absolue) !
Compression niveau 2 Reconstruction niveau 2
w
3
11
2
2
0.707
0.707
0.707
0.707
= w cutdetail w 2 , ( ) := w
3
11
0
0
0.707
0.707
0.707
0.707
= v iwavehaar w 2 , ( ) := v
1
2
1
2
5
6
5
6
=
SNR s v , ( ) 12.43 =
Annulation dtail niveauw 1 & 2 (compression trs lev 75%) Dcomposition niveau 2 w wavehaar s 2 , ( ) :=
Compression niveaux 1 & 2 Reconstruction au niveau 1
w
3
11
2
2
0.707
0.707
0.707
0.707
= v
1
2
1
2
5
6
5
6
=
w cutdetail w 1 , ( ) := w cutdetail w 2 , ( ) := v iwavehaar w 2 , ( ) :=
SNR s v , ( ) 11.461 =
Compression de squence
squence
Dcomposition au niveau 1 Reconstruction au niveau 1
s
0
1
2
3
4
5
6
7
:= w wavehaar s 1 , ( ) := w
0.707
3.536
6.364
9.192
0.707
0.707
0.707
0.707
0
1
2
3
4
5
6
7
=
Annulation dtail niveau 1 (taux compression lev 50%) Dcomposition niveau 1 w wavehaar s 1 , ( ) :=
Compression niveau 1 Reconstruction au niveau 1
w
0.707
3.536
6.364
9.192
0.707
0.707
0.707
0.707
= w cutdetail w 1 , ( ) := w
0.707
3.536
6.364
9.192
0
0
0
0
0.5
0.5
2.5
2.5
4.5
4.5
6.5
6.5
=
SNR s v , ( ) 18.451 =
Annulation dtail niveau 2 (taux compression faible 25%)

3. 24

0 50 100
0
200
400
v
k
s
k
k
0 50 100
0
200
400
v
k
k
0 50 100
0
200
400
s
k
k
SNR s v , ( ) 12.19 = v iwavehaar w 2 , ( ) := w cutdetail w 2 , ( ) := w cutdetail w 1 , ( ) := w wavehaar s 2 , ( ) :=
Dcomposition niveau 2 /Compression niveaux 1 & 2 /Reconstruction niveau 2
0 50 100
0
200
400
v
k
s
k
k
0 50 100
0
200
400
v
k
k
0 50 100
0
200
400
s
k
k
SNR s v , ( ) 13.296 = v iwavehaar w 2 , ( ) := w cutdetail w 2 , ( ) := w wavehaar s 2 , ( ) :=
Compression signal 1D
file "s.txt" := s READPRNfile ( ) := k 0 length s ( ) 1 .. := length s ( ) 64 =
0 50 100
0
200
400
s
k
k
signal 1D
Dcomposition niveau 1 /Compression niveau 1 /Reconstruction niveau 1
w wavehaar s 1 , ( ) := w cutdetail w 1 , ( ) := v iwavehaar w 1 , ( ) := SNR s v , ( ) 18.672 =
0 50 100
0
200
400
s
k
k
0 50 100
0
200
400
v
k
k
0 50 100
0
200
400
v
k
s
k
k
Dcomposition niveau 2 /Compression niveau 2 /Reconstruction niveau 2

3. 25

w wavehaar i 1 , ( ) := w cutdetail w 1 , ( ) := v iwavehaar w 1 , ( ) := J c1D2D v Nx , ( ) :=
I J
Transforme de Haar 2D de niveau n comme Transformes 1D en x et en y de niveau n
Dcomp.niv.1 /Compr. niv.1 /Reconstr. niv.1 (Taux 75%) Dcomp. niv.2 /Compr.niv.1&2 /Reconstr.niv.2 (Taux 87.5%)
W wavehaar2d I 1 , ( ) := W2 wavehaar2d I 2 , ( ) := W2 cutdetail2d W2 1 , ( ) :=
W cutdetail2d W 1 , ( ) := J iwavehaar2d W 1 , ( ) := W2 cutdetail2d W2 2 , ( ) := J2 iwavehaar2d W2 2 , ( ) :=
W J W2 J2
I
Compression signal 2D file "bato2.bmp" := I READ_IMAGE file ( ) :=
Transforme Haar 1D en x et en y niveau n
Dcomposition niveau 1 /Compression niveau 1 /Reconstruction niveau 1 (Taux 50%)
Wx wavehaarx I 1 , ( ) := Wx cutdetailx Wx 1 , ( ) := Jx iwavehaarx Wx 1 , ( ) :=
Wy wavehaary I 1 , ( ) := Wy cutdetaily Wy 1 , ( ) := Jy iwavehaary Wy 1 , ( ) :=
Wx Jx Wy Jy
Conversion 2D en 1D et Transformee 1D Nx cols I ( ) :=
2D->1D/Dcomposition niveau 1 /Compression niveau 1 /Reconstruction niveau 1/1 D->2D (Taux 50%) : c'est pareil !
i c2D1D I ( ) :=

3. 26

Dcomposition en ondelettes 2D (images)

Dcomposition (1
er
niveau : obtention des 4 quadrants)

Analyse/Dtail Analyse/Dtail

Reconstruction (1
er
niveau : partir des 4 quadrants)

Reconstruction Reconstruction


3. 27

II. ANALYSE CEPSTRALE outil de caractrisation temporel

Le Cepstre complexe de la squence ) (n x est la squence ) (n c
x
ainsi dfinie :
( ) [ ] ) ( ln ) (
1
z X TZ n c
x

=

avec : [ ]

= =
n
n
z n x n x TZ z X ) ( ) ( ) (

La squence des coefficients cepstraux c n
x
( ) dun signal ) (n x fournit une analyse temporelle du signal ) (n x .

La TZ ) (z C
x
du cepstre ) (n c
x
est donne par (si ) (z C
x
converge) : ( )

= =
n
n
x x
z n c z X z C ) ( ) ( ln ) (

En rgime harmonique (
f i i
e e z
2
= = ), on a, en exprimant
) (
) ( ) (
f i
e f X f X

= avec [ ] ) ( ) ( f X Arg f = :

( ) ( ) ) ( ) ( ln ) ( ln ) ( ln ) (
) (
f i f X e f X f X f C
f i
x

+ = = = Cepstre frquentiel [ ]
TF c n C f
x x
( ) ( ) =

En transformant, laide du logarithme, un produit en somme, la reprsentation de ) ( f C
x
des signaux Temps
Discret sapparente au diagramme de Bode des signaux Temps Continu.

Le Cepstre ) (n c
x
peut donc galement tre obtenu par Transformation de Fourier inverse de ) ( f C
x
:
[ ] [ ] [ ]

+ = + = =

df e f i df e f X f TF i f X TF f C TF n c
nf i nf i
x x
2 2 1 1 1
) ( ) ( ln ) ( ) ( ln ) ( ) (

Pour un signal ) (n x rel, les proprits de symtrie de la TF donnent le rsultat simplifi :

=

0 0
) 2 sin( ) ( ) 2 cos( ) ( ln 2 ) ( df nf f df nf f X n c
x

Remarque

Dans certaines applications comme le traitement de la parole, on ne calcule quune partie de Cepstre qui correspond au
module de ) ( f X :

0
) 2 cos( ) ( ln 2 ) ( df nf f X n c
x

Cepstre de la rponse dun filtre linaire

Soit un filtre numrique linaire de FT ) (z H et dentre/sortie respectives ) (n x et ) (n y .

Le Cepstre ) (n c
y
de la sortie sobtient partir de celui ( ) (n c
x
) de lentre et de celui ( ) (n c
h
) de la RI ) (n h du filtre :

( ) [ ] ( ) [ ] ( ) ( ) [ ] ( ) [ ] ( ) [ ] ) ( ln ) ( ln ) ( ln ) ( ln ) ( ) ( ln ) ( ln ) (
1 1 1 1 1
z X TZ z H TZ z X z H TZ z X z H TZ z Y TZ n c
y

+ = + = = =

soit : ) ( ) ( ) ( n c n c n c
x h y
+ =

3. 28

Application : Traitement de la parole

Si lon prend lexemple dune application en traitement de la parole, un modle de production de la parole consiste
dans la relation suivante : ) ( * ) ( ) ( nT e nT h nT f =
o : . ) (nT f est le signal vocal chantillonn la priode T ,
. ) (nT h , la Rponse Impulsionnelle du conduit vocal (caractrisant ce dernier dans un labs de temps) et
. ) (nT e , le signal dexcitation permettant de synthtiser le signal vocal.

La mthode de calcul des coefficients cepstraux conduit effectuer dans la fentre temporelle danalyse une
dconvolution de la relation prcdente afin de sparer les contributions du conduit vocal et de lexcitation.

Lanalyse cepstrale procde de la faon suivante pour transformer le produit de convolution en addition :

- Pour transformer le produit de convolution de la relation prcdente en produit simple, elle opre une TFD
de ) (nT f , soit :

=
= =
1
0
/
1
0
/
) ( ) ( ) (
N
n
N kT i
N
n
N knT i
k
n
e nT f e nT f F

avec : N le nombre de points de la TFD ,
N
2
= , n
n
= , k
k
= .
(On note indiffremment la TFD de ) (nT f par : ) (k F , ) (kT F , ) (
k
F , ) ( T F
k
, ) (
k
e F

...)

On a, en notant ) (
k
H et ) (
k
E , les TFs respectives de ) (nT h et ) (nT e :
) ( ) ( ) (
k k k
E H F =

- Elle applique le logarithme la relation prcdente, pour transformer le produit en addition :
) ( log ) ( log ) ( log
k k k
E H F + =

- Elle revient au domaine temporel pour donner le cepstre caractrisant la signal ) (nT f dfini par :
[ ] ) ( log
1
k
F TF

Lanalyse cepstrale est une analyse temporelle (le cepstre bien quanagramme du mot spectre , nest pas une sorte de spectre).
Elle donne les coefficients cepstraux.

Coefficients cepstraux

Les diffrentes tapes dune analyse cepstrale

3. 29

III. ANALYSE LPC (Codage Prdiction Linaire) outil de caractrisation temporel
(Voir chapitre sur la prdiction pour complments)

Lanalyse LPC est une analyse temporelle, mais de nombreux paramtres peuvent tre tablis dans le domaine
frquentiel. On la dj rencontre avec les filtres formeurs AR.

Lanalyse LPC sappuie sur les coefficients a
i
du filtre formeur AR dordre N qui, excit par un bruit blanc de
variance V dterminer, produit le signal considr, tudier. La squence { } a
i
est donc le rsultat du codage LPC
et sert de base lanalyse LPC.

Dtermination des coefficients a
i
du filtre formeur AR :

Dans une application de traitement de la parole par exemple, la mthode LPC calcule des coefficients sur un chantillon
de parole par prdiction partir dune pondration linaire dun nombre fini dchantillons le prcdant. Cette mthode
utilise le modle suivant de production de la parole : ( T : priode dchantillonnage)

t = nT
0
t = nT
0
Impulsions priodiques
Bruit blanc
e(nT)
e(nT)
s(nT)
G/A(z)
Vois/Non vois
Excitation Conduit vocal Parole

filtre AR

Le conduit vocal, qui filtre le signal dexcitation ) (nT e , peut tre assimil un filtre rcursif. Avec une bonne
approximation, le signal ) (nT s quil met un instant peut tre calcul partir des valeurs quil a prises aux m
instants prcdents.

A linstant nT , le signal ) (nT s peut donc sexprimer comme issu dune combinaison linaire de son pass aux m
instants prcdents, et dun terme derreur ) (nT e cet instant (reprsent par le signal dexcitation du modle de
production de parole) :
[ ] ) ( ) ( ) (
1
nT Ge T i n s a nT s
m
i
i
+ =
=
G : gain de rglage
) (nT Ge : erreur de prdiction
[ ]
=

m
i
i
T i n s a
1
) ( : partie prdite
] .. 1 [ m i a a
i i
: coefficients de prdiction
Le modle de production de la parole (filtre formeur AR) scrit :
) (
) (
) ( z E
z A
G
z S = G : gain de rglage
) ( / z A G : FT du conduit vocal
) (z E : TZ de lexcitation
) (z S : TZ de la sortie du conduit vocal (signal de parole)

Modle :
=
m
i
i
i
z a z A
0
) ( do :
= =
m
i
i
i
z a z S z A z S z GE
0
) ( ) ( ) ( ) ( soit dans le domaine temporel :
[ ]
=
=
m
i
i
T i n s a nT Ge
0
) ( ) ( soit, en fixant 1
0
= a : [ ]
=

=
m
i
i
T i n s a nT s nT Ge
1
) ( ) ( ) (

Le terme ) (nT Ge est lerreur de prdiction, erreur entre lchantillon de parole rel et lchantillon prdit.
La prdiction linaire de ) (nT s est donne par :
[ ]
=
=
m
i
i
T i n s a nT s
1
) ( ) (


3. 30

Pour dterminer les coefficients
i
a , on peut minimiser lnergie W de lerreur sur lintervalle de temps ] , [ rT pT :
[ ]
=
=
r
p n
nT Ge W
2
) (
On a : [ ] [ ] [ ]

= = = = =

=
r
p n
m
j
j
m
i
i
r
p n
m
i
i
T j n s a T i n s a T i n s a W
0 0
2
0
) ( ) ( ) (
soit : [ ] [ ] [ ] [ ]

= = = = = =
= =
m
i
m
j
r
p n
j i
r
p n
m
i
m
j
j i
T j n s T i n s a a T j n s T i n s a a W
0 0 0 0
) ( ) ( ) ( ) (
et :
= =
=
m
i
m
j
ij j i
C a a W
0 0
avec : [ ] [ ]
=
=
r
p n
ij
T j n s T i n s C ) ( ) (

Pour minimiser lnergie W de lerreur, on peut utiliser la mthode des moindres carrs :
En crivant que la drive partielle de W par rapport
k
a est nulle, on a lquation suivante :
0
0 0
= +

= =
m
j
kj j
m
i
ik i
C a C a

Pour la rsolution, lintervalle de sommation ] , [ rT pT peut tre dfini de 2 faons selon que lon utilise lune ou
lautre des 2 mthodes suivantes :

- Mthode dautocorrlation : lintervalle de temps ] , [ rT pT va de + et on considre le signal nul
hors de lintervalle dchantillons ] , 0 [ N o N est le nombre de points considrs pour le signal de parole.

- Mthode de covariance : lintervalle de temps ] , [ rT pT est limit ] ) 1 ( , 0 [ T N .

Les coefficients de prdiction LPC
k
a conduisent une estimation du spectre de parole une fois linfluence de
lexcitation limine. Ce sont les coefficients du filtre formeur AR dont lentre est un bruit blanc de variance V .

(cf. 2.2.3. Estimation de la DSP partir du modle AR du signal du prsent chapitre : spectre =
V
a e
n
jn
n
N
ss
1
1
2
+
=

( )
)
Lanalyse LPC prsente principalement 2 avantages :
- Elle est adapte ltude de phnomnes voluant rapidement au contraire des mthodes frquentielles qui doivent
tre effectues sur une dure suffisamment longue si lon veut que le spectre soit connu avec une prcision convenable.
- La prdiction permet dliminer une part importante de la redondance du signal. La redondance est caractrise
par larrive dchantillons ne fournissant pas dinformations nouvelles; prdire la valeur du signal en fonction de ses
valeurs passes permet de dbarrasser le signal de ses pseudo-informations. Cette redondance nest quphmre
(locale) et les coefficients de prdiction linaire doivent tre rajusts rgulirement.

LPC FFT du signal gnr par le filtre
k
a formeur AR de coefficients

Exemple de filtrage LPC, FFT et Cepstre frquentiel sur la voyelle ei du mot soleil dans la phrase parle :
La bise et le soleil se disputaient .

3. 31

Estimation

La thorie de lestimation est un domaine dapplication important du Traitement du Signal. Il est en effet trs frquent
quune information x que lon cherche connatre ne soit pas directement accessible, mais soit perceptible travers
une autre grandeur observable y . Les mthodes existantes destimation dune information daprs la connaissance
dune mesure se rpartissent en 2 groupes suivant la nature que lon donne cette information :
. si elle est alatoire, ces mthodes relvent de la thorie baysienne de lestimation, tandis que
. si elle est dterministe, on parlera alors de thorie de Fisher.

Le noyau thorique central de la 1re est constitu des techniques destimation baysienne. Ces dernires sont par la
suite compltes du principe dorthogonalit statistique, qui conduit notamment 2 mthodes trs classsiques de
filtrage statistique, que sont le filtrage de Wiener et le filtrage de de Kalman.

Base sur une approche trs diffrente, la thorie de Fisher montre tout dabord que l estimation dune information
dterministe partir de mesures bruites est ncessairement entache derreurs. Une classe particulirement intressante
destimateurs constituent alors les estimateurs de maximum de vraisemblance.

IV. ANALYSE SPECTRALE

Le spectre dun signal dterministe sobtient par Transformation de Fourier.

Pour un signal alatoire, on ne dispose que dune ralisation ncessairement tronque du signal et pour en obtenir le
spectre ou plutt la Densit Spectrale de Puissance, il est indispensable de qualifier le rsultat obtenu (le spectre), en
termes statistiques par rfrence au vritable spectre.

1. ELEMENTS DE LA THEORIE CLASSIQUE DE LESTIMATION

Dans les problmes destimation, on a gnralement affaire 2 catgories de variables :

x : un vecteur de variables inconnues que lon cherche dterminer.
y : un vecteur de variables mesures (observation), dont la valeur dpend dune manire ou dune autre de celle de x .

Dterminer x partir de y (et donc en fonction de y ) consiste traiter de manire dterministe les mesures y pour
obtenir une grandeur x , proche de x , soit : ) ( y f x =

x
y
x
bruit
) (y f

En pratique, il ne suffit pas deffectuer une seule exprience (utilisation dun seul y ) pour apprcier si la fonction f
est satisfaisante. Il faut envisager des rsultats moyens portant sur un grand nombre dexpriences.

Le meilleur moyen deffectuer cette analyse de validit ou de qualit de f est de placer le problme dans un contexte
statistique, en considrant que tout ou partie des variables x , y intervenant dans le problme, sont des ralisations de
variables alatoires.

Exemple : cas monovariable

Soit dterminer lacclration de la pesanteur g partir de lobservation de la vitesse de la chute dun corps :
lacclration g sobtient partir de la vitesse v du corps et du temps t par la relation linaire : gt v = .
En pratique, on na pas accs la vitesse vraie : v est une mesure bruite de la vitesse.
On a la correspondance avec les notations prcdentes :

g x
g x
v y
) ( v f
t
v
g = = ) ( y f x =

3. 32

Si les vecteurs x et y sont considrs tous deux comme des ralisations de Variables Alatoires X et Y , la thorie
de lestimation est dite thorie gnrale de lestimation (de Bayes).
Si x est une grandeur inconnue dtermine ( dterministe) et y une ralisation de la VA Y , on est dans le domaine
de la thorie classique de lestimation (thorie de Fisher).

Cest cette seconde hypothse qui va permettre de traiter de lestimation spectrale.
. ) ( y f x = sera une ralisation de ) (
Y f X =
. X
, vecteur alatoire, est appel estimateur

. x , ralisation de X
, est appel estimation

Biais et variance dun estimateur
On dfinit le biais de lestimateur ) (
Y f X = par : [ ] [ ] [ ] x b x Y f x X b = = = ) (
E E
Selon que 0 b = ou non, on dira que lestimateur est non biais ou biais.

On dfinit la matrice de variance-covariance de lestimateur ) (
Y f X = par:
[ ] ( ) [ ] ( ) [ ] ) (

x X X X X
xx xx
P E E E P = =

Cas monovariable
Dans le cas monovariable, lestimateur f(Y) X =
a pour biais [ ] x X E b =
et pour variance:
[ ] [ ]
2
2

X E X E =

Evidemment, plus b et
2
sont faibles, meilleur est lestimateur. Malheureusement, gnralement, la diminution de
lun provoque laugmentation de lautre. Dans ces conditions, un estimateur biais pourrait tre prfrable, si le biais
est faible, un estimateur non biais mais de trs grande variance.

Le compromis entre biais et variance peut tre tudi et ralis en examinant lEQM de lestimateur: EQM = [ ]
2
x X E :
(EQM : Erreur Quadratique Moyenne)
[ ] [ ] [ ]
2 2
2
2

x X xE X E x X E + = ( [ ] E est un oprateur linaire, et x est une ralisation de X donc
[ ] x x E = )
Comme : [ ] [ ] x X E x X E =

on a : [ ] [ ] ( ) [ ] [ ]
2 2
2
2
2

x X xE X E x X E x X E + = =
Dautre part:
[ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] [ ] X E X E X E X E X E X E X E X X E X E X E

2

2

2 2 2 2 2 2 2
2
= + = + =

donc : [ ] [ ] [ ] [ ] [ ] [ ]
2 2
2
2 2
2
2

2

x X xE X E X E X E x X xE X E x X E + +
= + =
cest--dire : [ ] [ ] [ ] [ ]
2 2 2
2
2

b x X E X E X E x X E + = + = do: [ ]
2
2
2
= x X E b
Le compromis apparat bien car la rduction de la variance
2
par exemple provoque un accroissement du biais b .

Consistance dun estimateur
On peut galement sintresser aux proprits asymptotiques des estimateurs. Pour une inconnue x estimer, on
considre des vecteurs dobservation Y de dimension croissante correspondant une accumulation des mesures do
une suite destimateurs
N
x ,
1
+ N
x , L et des proprits asymptotiques des biais
N
b et des variances
N
.
Si 0 lim lim = =

N
N
N
N
b lestimateur est dit consistant.

3. 33

Exemple 1

Si { }
n
X est une squence indpendante gaussienne, de moyenne m et dcart-type ( de variance
2
),
stationnaire et ergodique, on peut en estimer la valeur moyenne laide de lestimation :

=
=
1
0
1
N
i
i
x
N
m
On peut calculer le biais et la variance de lestimateur
=
=
1
0
1
N
i
i
X
N
M :
biais b
[ ] [ ] m m
N
X E
N
X E
N
M E
N
i
N
i
i
N
i
i
= = =
=

=
=
1
0
1
0
1
0
1 1 1
: le biais [ ] [ ] m M E m M E b = =

est nul
0 = b

variance
2
N

[ ] [ ] [ ]
( )
N i
i
N
i
i
N
i
i
N
E M E M E M m E
N
X
N
N
m
N
E X Nm
N
E X m
2
2 2
0
1
2
2
0
1
2
2
0
1
2
1 1 1
= = =

$ $ $

or la squence { }
n
X est indpendante : ( )( ) [ ]
j i j i
m X m X E
,
2
= et loprateur
[ ]
E linaire,
donc : ( ) ( ) [ ]

N i
i
N
i
i
N
i
i
N
N
E X m
N
E X m
N
E X m
N
N
N
2
2
0
1
2
2
2
0
1
2
2
0
1
2
2 2
1 1 1 1 1
=
= = =
=

2 2
1

N
N
=

Comme 0 = b et que 0 lim =

N
N
, lestimateur est consistant.

Exemple 2

Sous les mme hypothses que lexemple 1, on peut estimer cette fois la variance
2
de{ }
n
X laide de
lestimation
2
:
estimateur 1 :
=
=
1
0
2 2
) (
1
N
i
i
m x
N
si m est connu
ou estimateur 2 :
=
=
1
0
2 2
) (
1
N
i
i
m x
N
si m doit tre estim simultanment.

On peut calculer le biais,
1
b , de lestimateur 1,
=
=
1
0
2 2
) (
1
N
i
i
m X
N
:

biais
1
b
[ ] [ ]
2 2
1
0
2
1
0
2 2
1 1
) (
1
= = =
=

=
=
N
N
m X E
N
m X E
N
E
N
i
i
N
i
i
:
le biais [ ] [ ]
2 2 2 2
1

= = E E b est nul
0
1
= b

On peut calculer le biais,
2
b , de lestimateur 2,
=
=
1
0
2 2
)
(
1
N
i
i
M X
N
:

3. 34

biais
2
b
[ ]

=
=
1
0
2
1
0
1
0
2
1
0
1
0
2 2
1 1 1 1
)
(
1
N
i
N
i
i i
N
i
N
i
i i
N
i
i
X
N
X E
N
X
N
X E
N
M X E
N
E
[ ] ( ) ( ) ( ) ( )

=
+ =
=
1
0
2
2 2
1
0
2
1
0
2
2 1 1 1
N
i
i i
N
i
N
i
i i
N
m X
N
m X E
N
m X
N
m X E
N
E

[ ] [ ] [ ] [ ] [ ]

=
=
+ =
+ =
1
0
2 1
0
2
2
1
0
2
1
0
2
2 2 2
1 2 1 2 1
N
i
N
i
i
N
i
i
N
i
i i
N N
m X E
N
m X E
N N
m X E
N
m X E
N
E

[ ]

= = + =
N N N
N
N
N
N
E
1
1
1 1 2 1
2 2 2 2 2
2
2 2
:
le biais [ ] [ ]
2 2 2 2
2

= = E E b est non nul
N
b
2
2

=

On peut cependant lannuler en prenant pour estimation :
=
1
0
2 2
) (
1
1
N
i
i
m x
N

2. THEORIE CLASSIQUE DE LESTIMATION SPECTRALE

2.1. Estimateurs de corrlation

La squence dintercorrlation de 2 signaux { }
n
X et { }
n
Y scrit : [ ]
k n n xy
Y X E
k
+
=
Avec lhypothse ergodique (moyenne statistique moyenne temporelle), on a :
=
+

+
=
N
N n
k n n
N
xy
y x
N
k
1 2
1
lim
De mme le signal dautocorrlation scrit :
=
+

+
=
N
N n
k n n
N
xx
x x
N
k
1 2
1
lim

Estimation de lautocorrlation

Cela revient pour un k donn, une estimation de la moyenne sur n du signal { }
k n n
x x
+
.
Dans la pratique, on ne dispose videmment pas dune infinit dchantillons temporels dune squence ralisation
{ }
n
x de { }
n
X , mais seulement de N chantillons.
On ne peut alors effectuer cette moyenne que sur k N chantillons de { }
n
x :
en effet : le calcul des termes
k n n
x x
+
est soumis :
+

+
1 0
1 0
pour dfini
et
pour dfini
N k n x
N n x
k n
n
et il ne peut donc se
faire que sur lintervalle intersection de :

1
1 0
et
k N n k
N n
soit :
<

0 1
0 1 0
si
si
k N n k
k k N n

mais en remarquant quune autocorrlation est paire, on a :
xx xx xx
k k k < >
= =
0 0

do les expressions de lestimation
k
xx
et de lestimateur
k
xx
de lautocorrlation:

=
+
=
1
0
1
k N
n
k n n xx
x x
k N
k

=
+
=
1
0
1
k N
n
k n n xx
X X
k N
k


3. 35

Comme [ ] [ ] ( )
k k k
xx xx
k N
n
k n n xx
k N
k N
X X E
k N
E =
=

=
+
1 1
1
0
, le biais de lestimateur est nul :
[ ] [ ] 0

= = =
k k k k
xx xx xx xx
E E b
On montre que la variance de lestimateur est proportionnelle
k N
1
. Lestimateur est donc consistant.

Comme on la dj dit, le calcul direct de lautocorrlation
k
xx
nest pas reprsentatif car on ne dispose que dune ralisation { }
n
x .
Cest lestimation
k
xx
de lautocorrlation qui en donne un rsultat fiable.

Lalgorithme le plus souvent utilis pour le calcul de lestimation
k
xx
fait appel la Transformation de Fourier car on
a la relation : ( )
k k xx
x x
k N
k

= *
1
, et la proprit suivante, o :
{ } { } ( )
k k
n k
X X
x TFD X
de conjugu le est
*
=
:
( )
k k xx
x x
k N
k

= *
1

TFD
( )
2
*
1 1
) (
k k k xx
X
k N
X X
k N
=
=

Lalgorithme du calcul de lestimation
k
xx
peut donc tre celui-ci :
1. Calcul de { } { } ( )
n k
x TFD X = 1 , , 0 = N k L ; 1 , , 0 = N n L
2. Calcul de { }
2
k
X 1 , , 0 = N k L
3. Calcul de { } ( )
2
1
1
k xx
X TFD
k N
k
= 1 , , 0 = N k L

Estimation de lintercorrlation
Lintercorrlation n est pas une squence paire. On peut transposer le cas prcdent pour des signaux
n
X ,
n
Y
stationnaires, ergodiques et valeur moyenne nulle :

+
=

=
+
0 N -
1
0
1
si
si
1
0
1
0
k y x
k N
N k y x
k N
k N
n
n k n xy
k N
n
k n n xy
k
k

On peut montrer que cette estimation est sans biais et consistante.

2.2. Estimateurs de DSP

Rappels : . Fonction dautocorrlation Fonction dautocovariance (abus de langage)
. DSP de
n
x = TF [fonction dautocovariance de
n
x ]

2.2.1. Estimateur de DSP : mthode du priodogramme

Priodogramme
Soit { }
n
x le signal caractriser ) (t x chantillonn au pas 1 = T , et une fentre { }
n
f de largeur N , fentre
dobservation de{ }
n
x .
Soit :
n n n
x f y = (signal observ sur une certaine dure). On a : { } ( ) ) (
1
0

Y e x f y TF
N
n
n j
n n n
= =


3. 36

On appelle priodogramme :
2
) (
1
) (
Y
N
S =

$
( ) ( ) ( ) S
N
Y Y =
1

Dans le cas { }
n
y rel : rappel : si { }
n
y rel, on a k : { } ( )) ( et de conjugu
n k k
k k
k
y TFD Y Y Y Y Y = =

$
( ) ( ) ( ) S
N
Y Y =
1

=
= =
1
0
1
0
1
0
1 1
) (
N
n
n j
n
m
m j
m
N
n
n j
n
N
m
m j
m
e y e y
N
e y e y
N
S

soit, en posant : n m k = : [ ]
k k
yy
k
k j
yy
k
N
n
k j
k n n
TF
N
e
N
e y y
N
S

1 1 1
) (
1
0
= = =

=
+

o :
yy n n k
n
N k
n n n k n k
n
N k
k
y y x f x f = =
+
=

+ +
=

0
1
0
1

Le priodogramme ) (
S du signal x
n
est la TF de la squence dautocorrlation
k
yy
du signal fentr :

[ ]
$
( ) S
N
TF
yy
k
=
1
avec : y f x
n n n
= = signal x
n
fentr

algorithme du calcul de la DSP de
n
x par priodogramme

n
x
fentrage
n n n
x f y =
Autocorrlation
TF
yy
TF ) (
S
DSP
2
) (
1
) (
Y
N
S =
N / 1
) ( Y
N / 1

biais de lestimateur (biais du priodogramme)
On montre que lestimateur est biais, sauf si la fentre { }
n
f est infiniment large ( = N ).

variance de lestimateur (variance du priodogramme)
On montre par contre que la variance de lestimateur ne diminue pas quand N augmente.

Le priodogramme est donc inconsistant (sauf pour quelques cas particuliers de signaux { }
n
x ).

Priodogramme moyenn
Du fait de son inconsistance, en pratique, la mthode du priodogramme simple est peu satisfaisante. On prfre
gnralement le priodogramme moyenn, qui consiste calculer M priodogrammes partir de M sous-suites du
signal { }
n
x et en effectuer la moyenne, rduisant ainsi, si les M priodogrammes sont indpendants, la variance de
lestimateur (dans le rapport M ).
Cest la mthode de Welch. On a :

=
1
0
2
1
0
1 1
) (
M
m
L
k
jk
k m M
e f x
L M
S
k

o les { }
k
m
x sont M parties (de dure L ) se chevauchant de la squence { }
n
x (de dure N ) :

D
0
x
1 L
x
LLL
LLL
L
L
D
x
+ 0
LLL
LLL
L
L N
x
1 N
x
D L
x
+ 1
{ }
k
M
x
1
k
x
0 { }
k
x
1 } {


3. 37

avec :

.
k
m
x : dure L 1 0 M k M : nombre de sous-suites { }
k
m
x de { }
n
x
. D : dcalage de chaque sous-suite :
. si L D = : le chevauchement ( C ) des sous-suites { }
k
m
x est nul : 0 = C
. sinon ( L D < < 0 ) : il y a chevauchement ( C ) des sous-suites { }
k
m
x : D L C =
(. si L D > on perd des chantillons de
{ }
n
x
, et si 0 = D on ne peut balayer
{ }
n
x
).
. Nombre M de sous-suites :
. si ( ) L N est divisible par D, on a : 1 +
=
D
L N
M
. sinon ( ( ) L N non divisible par D) :
1 +

=
D
L N
E M
ou ( ) . E reprsente la partie entire.

Si D est grand (proche de L ) le chevauchement des squences { }
k
m
x est faible et celles-ci peuvent donc tre
consisres comme relativement indpendantes : on a alors M priodogrammes indpendants.

Le compromis entre biais et variance apparat clairement : pour un N donn, le biais sera dautant plus faible que L est
grand (large fentre), et la variance sera dautant plus faible que M est grand. Il est clair que laccroissement de M et
L rend les sous-suites non indpendantes, et la variance ne sera pas rduite. (Welch suggre le compromis:
L
N
M
2
).

2.2.2. Estimateur de DSP : mthode du corrlogramme (ou encore mthode de Blackman-Tukey)

On a vu dune part quil existe un estimateur consistant des squences dautocorrlation et dautre part, que le
priodogramme est la Transforme de Fourier de cette squence dautocorrlation.

On peut donc dabord estimer lautocorrlation puis en prendre la Transforme de Fourier. Cest le principe du
corrlogramme :

[ ]
n xx
N
N k
k j
k xx
f TF
N
e f
N
S
n k

1
) (
= =

=

On a plac une fentre { }
k
f de largeur 1 2 + M pour viter de fausser lestimation de ) (
S .
En effet pour k lev,
k
xx
peut avoir des valeurs disperses.
Dautre part, { }
k
xx
tant paire, { }
k
f doit ltre galement, sinon ) (
S ne le sera pas.

On montre que lestimateur corrlogramme est consistant.

algorithme du calcul de la DSP de
n
x par corrlogramme

n
x
fentrage
Estimation de l'
TF ) (
S
DSP
Autocorrlation
xx
n
f
N / 1


3. 38

2.2.3. Estimation de la DSP partir du modle AR du signal analyse LPC
(THEORIE MODERNE DE LESTIMATION SPECTRALE base sur les processus gnrateurs de signal)

On a vu quun signal peut tre reprsent par un modle gnrateur (filtre formeur) excit par un bruit blanc. Le modle
pouvant tre du type AR, MA, ARMA ou dEtat (Gauss-Markov).

A partir de la connaissance des paramtres du modle, on pourra alors calculer la DSP du signal.

Lavantage par rapport aux techniques classiques prcdentes est une meilleure rsolution spectrale et la possibilit
didentification en temps rel des paramtres du signal par filtrage adptatif.

On sait que la Fonction de Transfert dun filtre AR est :
+
= =
N
n
n
n
z a
z X
z Y
z H
1
1
1
) (
) (
) (
correspondant lquation rcurrente :
=

=
N
k
k n k n n
y a X Y
1

Prenons 1 = T pour priode dchantillonnage pour simplifier les critures.

Les DSPs dentre et de sortie sont relies par la relation : ) ( ) ( ) (
2

XX YY
H =
o :
[ ]
XX xx
TF
n
( ) = et
[ ]
YY yy
TF
n
( ) = avec :
xx
n
et
yy
n
: autocorrlations.
soit :
2
1
1
) (
) (
=
N
n
jn
n
XX
YY
e a

Si { }
n
X est une squence blanche de variance V ( V
XX
= ) ( ) :
2
1
1
) (
+
=
N
n
jn
n
YY
e a
V

) (
YY
est obtenu partir de V et des N paramtres
n
a du modle AR ( N nest videmment pas connu priori).
Il faut donc pralablement identifier les N paramtres, qui sont avec V , les solutions des 1 + N quations
linaires de Yule-Walker :

0
0
1
1
1
1
1
0
= +
= +
= +
=
=
i N
yy
N
i
i
N
yy
i
yy
N
i
i yy
i
yy
N
i
i yy
a
a
V a

L
pour N k 0 :

=
=
=

N k
k V
a
N
n
n yy
n k
1 0
0
si
si
0
( 1
0
= a ) (
k
yy
paire)


0
0
1
1
0 1
1 0 1
1 0
M M
L
M M M M
L
L
V
a
a
N
yy
N
yy
N
yy
N
yy yy yy
N
yy yy yy

ou encore :
v a = R


3. 39

Pour raliser ce calcul, une inversion matricielle est possible mais on utilise gnralement lalgorithme efficace itratif
de Levinson, ou encore la mthode de Burg, qui vitent une inversion matricielle.
En rsum, la calcul de la DSP de la squence { }
n
Y requiert :

. lestimation de squence dautocorrlation
{ }
yy
k
, insrer dans le systme :
0
0
1
1
0 1
1 0 1
1 0
M M
L
M M M M
L
L
V
a
a
N yy
N
yy
N
yy
N
yy yy yy
N
yy yy yy

. le calcul des paramtres
n
a ( N n 1 ) et de V laide de lalgorithme de Levinson (ou par inversion matricielle).

. lutilisation de la relation :
2
1
1
) (
+
=
N
n
jn
n
YY
e a
V
pour obtenir la DSP cherche.

3. CONCLUSION

Comme toujours en Traitement du Signal, plus on a dinformations sur le signal traiter, meilleur est le traitement
ralis. Ainsi, des mthodes plus puissantes danalyse spectrale (Pisarenko, Prony, ...) mettent profit la connaissance
de la structure du signal caractriser, ou plus gnralement, traiter.

__________

Traitement du Signal TP 3. Caractrisation. Estimation
0 200 400 600
20
0
20
x2
n
n
0 100 200 300 400 500 600
2
0
2
X2
n
n
X2
M 1
0 := X2:= x2 submatrix x 0 , M 1 , 0 , 0 ,
( )
:= n 0 M 1 .. := M 512 :=
Le nombre de points M doit tre une puissance de 2, soit ici 512 points.
Du fait de la priodicit de M/2 de la Transforme, le calcul de la FFT est limit M/2.
Transforme de Fourier rapide : FFT
Conclusion :
6
14
Re y
n
( )
799 0 n
y
1.927
8.257 10
4
X
k
799 0 k
X
y TFDI X ( ) := X
<- Fonctions utilisateur ->
k 0 M 1 .. :=
TP 3. Caractrisation. Estimation
CARACTERISATION
I. TRANSFORMATIONS FREQUENTIELLES
TFD (signaux stationnaires)
x
n
=x(nT) : Signal TD, chantillonn la cadence T, et d'une certaine dure T
0
M T :=
Il s'agit d'un signal de parole (enregistrement de la voyelle "a").
La frquence d'chantillonnage est : F =1/T =8 kHz.
Le nombre d'chantillons est : M =800.
La dure de l'enregistrement est : T
0
=0.1 s.
Chaque chantillon est cod en mono sur 1 octet.
. Fichier :
M 800 := n 0 M 1 .. := x READWAV "o1.wav"
( )
:= x x 128 :=
0 100 200 300 400 500 600 700 800
20
0
20
x
n
n
X :=
TP 3. 1
Conclusion :
8.461
15.418
iw2
n
511 0 n
iw2
2.949
3.582
w
n
w2
n
511 0 n
w
iw2 iwave w2 ( ) := w2 w2:=
0 100 200 300 400 500 600
20
0
20
x2
n
n
w
n
On peut utiliser seulement les M/3 premiers points de w =Transfo en ondelettes de x2 pour caractriser x2. Pour le
voir, annuler la transforme en ondelettes sur M/3 <n <M pour fabriquer le signal w2 et prendre ensuite la
transforme en ondelettes inverse iw2 et comparer iw2 x2 en traant la diffrence iw2-x2. Conclusion.
Exemple : compression d'un facteur 3 Compression par ondelettes
Conclusion :
1.954 10
14
1.332 10
14
iw
n
x2
n
511 0 n
iw
7
13
iw
n
511 0 n
iw
22.555
22.714
w
n
511 0 n
w
0 100 200 300 400 500 600
20
0
20
x2
n
n
^- Fonctions intgres MathCad (1er niveau de dcomposition)
iw:=
Transforme en ondelettes inverse :
w:=
Transforme en ondelettes :
x2
x2
n
x
n
n 0 M 1 .. for
x2
:= n 0 M 1 .. := M 512 :=
La fonction de Transforme rapide en ondelettes requiert un nombre d'chantillonns gal une puissance de 2 :
on prend donc les 512 1ers points du signal original comptant 800 points.
ONDELETTES (caractrisation de signaux non stationnaires)
TP 3. 2
Compress1D u ( ) := N 2 :=
Compression d'un facteur N :
LL KK I
Image ondelettes inverse Image ondelettes Image originale
L IWave2D K ( ) := K
IWave2D I ( ) := IWave1D f ( ) g iwave f ( )
g
:=
Traitement 1D (colonne)
Transforme en ondelettes inverse de chaque colonne de l'image : Transforme en ondelettes inverse :
K Wave2D I ( ) := Wave2D
Wave2D I ( ) := Wave1D f ( ) g wavef ( )
g
:=
Traitement 1D (colonne)
Transforme en ondelettes de chaque colonne de l'image : Transforme en ondelettes :
Ny 128 = Nx 128 =
Ny rows I ( ) :=
Nombre de lignes :
Nx cols I ( ) :=
Nombre de colonnes :
I READ_IMAGE "bato2.bmp"
( )
:=
Visualisation de la compression : compression d'images :
TP 3. 3
13.249
8.984
h
n
799 0 n
h
0 200 400 600 800
20
0
20
x
n
n
<- Fonction intgre MathCad car la fonction utilisateur Hilbert() est trop lente.
h:=
n 0 M 1 .. := M 800 :=
TRANSFORMEE DE HILBERT (Transformation temporelle)
LL KK I
Image ondelettes inverse Image ondelettes Image originale
L IWave2D K ( ) := K K Wave2Dcomp I ( ) := Wave2Dcomp
Wave2Dcomp I ( )
J
x

Wave1Dcomp I
x 0 cols I ( ) 1 .. for
J return
:=
Wave1Dcomp
Wave1Dcomp f ( ) g wavef ( )
g Compress1D g ( )
g
:=
Compress1D
Compression 1D (colonne)
Transforme en ondelettes de chaque colonne de l'image Transforme en ondelettes :
TP 3. 4
6.039
5.502
a
n
150 0 n
a
0 100 200 300
20
10
0
10
x3
n
n
^- Nombre de points limit car sinon les fonctions utilisateur r() et YuleWalker() sont trop lentes.
V = V V a
0
:= a
(coeffs du filtre formeur) (vecteur autocovariance)
a:= N 80 := xx:= x3
x3
n
x
n
n 0 M 1 .. for
x3
:= n 0 M 1 .. := M 300 :=
III. ANALYSE LPC (Transformation temporelle)
Conclusion :
6.006
10.271
c
n
799 0 n
c
0 100 200 300 400 500 600
20
0
20
x2
n
n
<- Fonction intgre MathCad
c:=
Cepstre :
n 0 M 1 .. := M 512 :=
CEPSTRE
II. ANALYSE CEPSTRALE (Transformation temporelle)
TP 3. 5
ESTIMATION
IV. ANALYSE SPECTRALE (Transformation frquentielle)
Priodogramme
M 512 := n 0 M 1 .. := cor :=
Priodogramme :
p:=
0 200 400 600
20
0
20
x2
n
n
757.182
0.242
p
n
511 0 n
p
Spectre du signal alatoire dans sa globalit, comparer au spectre direct de x2 sur 1 seule ralisation : X2 FFT x2 ( ) :=
0 50 100 150 200 250 300
0
1
2
X2
n
n
__________
TP 3. 6
a
4
0.667
0.333
=
a
i
-0.667
0.333
=
i 1 N .. :=
V 4 = V a
0
:=
r
2
0 :=
r
1
3 := N 2 :=
r
0
6 := K 3 :=
Exemple :
YuleWalker xx N ,
( )
R
i j ,
xx
i j
j 0 N .. for
i 0 N .. for
b
0
0
b
i
xx
i
i 1 N .. for
1
xx
0
R
1
b
a
0
xx
0
xx
0

0
1 +
a
i
a
0

i

i 1 N .. for
a

a
0
=V: variance (du bruit blanc si filtre formeur); a
1
, a
2
, ... a
N
: paramtres du filtre (formeur/LPC) AR d'ordre N
Paramtres d'entre : . xx : vecteur fonction d'autocovariance (dim K) du signal x (dim K) : xx
0
, xx
1
... xx
K 1
. N : dim de l'ordre du filtre (formeur/LPC) AR
Fonction YuleWalker xx N ,
( )
: Rsolution du systme de Yule-Walker Ra =v par inversion matricielle
Var x ( ) vautocov x ( )
0
vautocov x ( ) K length x ( )
m moy x ( )
r
k
1
K
0
K k 1
n
x
n k +
m
( )
x
n
m
( )
=

k 0 K 1 .. for
r
moy x ( ) K length x ( )
m
1
K
0
K 1
n
x
n
=

m
. Variance : . Vecteur d'AutoCovariance : . Moyenne :

Moyenne m, Fonction d'Autocovariance r et Variance V du signal x de dim K par la mthode d'ergodicit :
Fonctions Bibliothque :
TP 3. 7
Fonction YuleW x N , ( ) : Rsolution du systme de Yule-Walker Ra =v par inversion matricielle
Paramtres d'entre : . x : signal x (dim K) : x
0
, x
1
... x
K 1

a
0
1
, a
2
, ... a
N
YuleW x N , ( ) r vautocov x ( )
a YuleWalker r N , ( )
a
Bruit blanc de K points de moyenne m et de variance V :

Bruit blanc de K points centr de variance 0.083 :
WhiteNoise K ( ) A 281
P 31357
v
0
100
v
n
mod A v
n 1
P ,
( )
n 1 N 1 .. for
w
n
1
P
v
n
0.5
n 0 N 1 .. for
w

BruitBlanc K m , V , ( ) 12 V whiten K ( ) m +
BruitBlanc2 K m , V , ( ) 12 V WhiteNoise K ( ) m +
Rponse reponse (vecteur dim. K) du filtre AR d'ordre N (coeffs a
i
0 i N ) au signal x(vecteur dim. K)
reponsex a , N , ( ) K length x ( )
y
k
x
k
k 0 = if
y
k
x
k
0
k
i
a
i
y
k i
=
1 k N < if
y
k
x
k
0
N
i
a
i
y
k i
=
k N if
k 0 K 1 .. for
y
TP 3. 8
TFD
TFD x ( ) M length x ( )
X
k
1
M
0
M 1
n
x
n
e
i 2 k
n
M
=

k 0 M 1 .. for
X
ou encore :
TFD2 x ( ) M length x ( )
R 0
I 0
R R x
n
cos 2 k
n
M
+
I I x
n
sin 2 k
n
M

X
k
1
M
R i I +
( )

n 0 M 1 .. for
k 0 M 1 .. for
X return
TFDI
TFDI X ( ) M length X ( )
x
n
0
M 1
k
X
k
e
i 2 k
n
M
n 0 M 1 .. for
x
Convolution causale (signaux de mme longueur) Convolution causale (signaux de longueur diffrente)
convcausal2 x h , ( ) M length x ( )
y
n
0
n
k
x
k
h
n k
n 0 M 1 .. for
y
N length h ( )
y
n
0
n
k
x
k
h
n k
=
n N < if
y
n
0 otherwise
n 0 M 1 .. for
y
Transforme de Hilbert
Hilbert x ( ) M length x ( )
f
0
0
f
n
1
n
n 1 M 1 .. for
TH convcausal x f , ( )
TH
__________
TP 3. 9
Traitement du Signal 4. Conditionnement - Filtrage. Dtection

4. 1

4. Conditionnement - Filtrage. Dtection

I. CONDITIONNEMENT - FILTRAGE

1. Prtraitements (Mise en forme, amplification, fentrage, filtrage ...)

Praccentuation et dsaccentuation (Dbruitage - Tlcommunications - Traitement de la parole)

Le principe du dbruitage par praccentuation-dsaccentuation consiste amliorer le Rapport Signal sur Bruit.

Lors de la transmission dun signal travers un canal soumis un bruit, on amliore le Rapport Signal sur Bruit (SNR)
en utilisant lmission un filtre dit de praccentuation de FT ) ( f H
p
et la rception le filtre inverse de
dsaccentuation de FT ) ( ) (
1
f H f H
p d

= .

Soit un signal alatoire TD
n
X , suppos stationnaire au 2nd ordre, centr, de DSP connue ) ( f S
X
. Ce signal est
transmis travers un canal soumis un bruit
n
B stationnaire au 2nd ordre, centr, de DSP ) ( f S
B
connue.
On effectue lmission le fitrage ) ( f H
p
et, afin que lopration laisse le signal utile X
n
inchang, on effectue la
rception le filtrage inverse ) ( ) (
1
f H f H
p d

= :

n
X
n
B
n n
W X +
) ( f H
p
) ( f H
d
+
+
Praccentuation - dsaccentuation
Y
n

Par consquent, le signal reu a pour expression :
n n
W X + o
n
W reprsente le bruit obtenu par filtrage du bruit
n
B .
Le but est de dterminer le couple { } ) ( ), ( f H f H
d p
qui minimise la puissance de
n
W . Mais il faut simposer une
contrainte. En effet, on pourrait rendre aussi petite que lon veut la puissance de
n
W en multipliant ) ( f H
p
par un
facteur A lev et en divisant ) ( f H
d
par le mme facteur. Cela marcherait mais conduirait tt ou tard une
saturation, une distorsion. La contrainte choisie consiste fixer la puissance P
Y
en sortie du filtre dmission
) ( f H
p
, ce qui est raisonnable en pratique.

Remarque : Une simple soustraction du bruit, supposer que celui-ci soit connu, ne marche videmment pas, du fait
de son caractre alatoire.

Dtermination des filtres ) ( f H
p
et ) ( f H
d

La DSP du signal Y
n
en sortie du filtre ) ( f H
p
donne la puissance P
Y
de Y
n
: (cf. chapitre 1)

[ ] [ ]
P E Y R TF S f S f df
Y n YY Y Y
= = = =
2 1
0 0
( ) ( )
en
P H f S f df
Y p X
=
( ) ( )
2

Un mme calcul appliqu au filtre H f
d
( ) excit par le bruit
n
B seul donne pour la puissance P
W
de
n
W :
P
W
= [ ]

= df f S f H W E
B d n
) ( ) (
2
2


4. 2

Il faut minimiser P
W
avec la contrainte de fixer la puissance P
Y
une valeur P
0
.

Une mthode classique de minimisation sous contrainte est la technique des multiplicateurs de Lagrange. Dans cette
mthode, on additionne lexpression minimiser, fois la contrainte, ce qui conduit minimiser
Y W
P P + ou, ce
qui revient au mme, minimiser ( )
0
P P P
Y W
+ : (en fixant
Y
P la valeur
0
P
, est un multiplicateur de Lagrange)

Il faut donc minimiser : H f S f df H f S f df P
d B p X
( ) ( ) ( ) ( )
2
2
0

En remplaant H f
p
( ) par H f
d
1
( ) , cette expression scrit : H f S f
S f
H f
df P
d B
X
d
( ) ( )
( )
( )
2
2 0
+

Pour en obtenir le minimum, il faut choisir
2
) ( f H
d
qui rend minimum lexpression sous le signe de lintgrale :
2
2
) (
) (
) ( ) (
f H
f S
f S f H
d
X
B d
+ et donc qui annule sa drive par rapport
2
) ( f H
d
.

Il vient : H f
S f
S f
d
X
B
( )
( )
( )
2
=

Le calcul de se fait en exprimant la contrainte :
P H f S f df
S f
H f
df S f S f df
p X
X
d
B X 0
2
2
1
= = =

( ) ( )
( )
( )
( ) ( )

Finalement, il vient pour le filtre de dsaccentuation :

H f
S f
S f
S f S f df
P
S f
S f
d
X
B
B X
X
B
( )
( )
( )
( ) ( )
( )
( )
2
0
= =

) (
) (
) ( ) (
1
) (
0
2
f S
f S
df f S f S
P
f H
B
X
X B d

=

et pour le filtre de praccentuation :

) (
) (
) ( ) (
1
) ( ) (
0
2
1
2
f S
f S
df f S f S
P f H f H
X
B
X B
d p
= =


4. 3

II. DETECTION

1. Filtrage adapt (matched filtering)

Dans le cadre du filtrage adapt, le problme est de dtecter la prsence dun signal, connu, dans du bruit (et non le
dbruitage de ce signal).

Nous allons traiter ce problme dans le cas discret, le plus important pour les applications.

Position du problme

On dispose de la mesure bruite { }
n
x qui, selon la prsence ou non du signal { }
n
s dtecter, ml au bruit { }
n
b ,
peut prendre 2 formes :

.
n n n
b s x + = (prsence)
.
n n
b x = (absence)

o : . { }
n
s est un signal dterministe de dure N +1
. { }
n
B est un signal (VA) alatoire centr, stationnaire au 2nd ordre (moments dordre 1 (moyenne) et 2 (variance)
stationnaires), dont { }
n
b est une observation, une preuve, une ralisation.

Il sagit de dterminer un filtre linaire (causal), de RI { }
n
h , dentre/sortie respective { }
n
x et { }
n
y , qui
rend maximal le Rapport Signal sur Bruit (SNR : Signal to Noise Ratio), not
(le but nest pas dliminer le bruit mais de dtecter la prsence du signal utile dans le signal bruit) .
Le filtre adapt (h) constitue donc une aide la dcision. Il consiste en accroissement du Rapport
Signal/Bruit.

En notant :
=

=
= =
N
n
n n N
N n
n n N
h s h s s y
0
* ) ( : Rponse du filtre { }
n
s linstant n N =
et :
=

=
= =
N
n
n n N
N n
n n N
h b h b b y
0
* ) ( : Rponse du filtre { }
n
b linstant n N =
on a pour le SNR :
[ ]
=
y s
E Y B
N
N
2
2
( )
( )

{ } ( )
= N h
n
, : Rapport des puissances instantanes linstant n N =

{ }
n
Y
prsence
absence
Filtre
{ }
n
h
Dtecteur
{ }
n
X
de
n
s dans
n
X
de
n
s dans
n
X
Filtre adapt Dcision

On note
*
( ( ) N
*
= ) la valeur maximale de ( { } ( )
n
h N, = ) et { }
*
n
h la RI optimale correspondante (
fournissant
*
) du filtre cherch : { } ( )
* *
,
n
h N = .

Remarques

. Afin de faciliter la tche du dtecteur, on a choisi un critre de cot ( ) qui correspond lapparition dun pic sur
n
y pour N n = .
. On a suppos implicitement que le signal { }
n
s apparat linstant 0 = n . Cette hypothse nest nullement
restrictive puisque le bruit est suppos stationnaire.
. La valeur du maximum
*
de est libre de choix : on peut laisser sa valeur indfinie, auquel cas la RI { }
n
h
est alors dfinie une Constante prs, ou bien fixer sa valeur par normalisation :

Normalisation
1 ) (
*
= s y
N
soit : 1 ) (
0
* *
= =
=

N
n
n n N N
h s s y

4. 4

Solution
Afin de simplifier les notations et les calculs, on pose (o lindice R signifie Reverse):

=

0
1
s
s
s
N
N
R
L
s
=

0
1
b
b
b
N
N
R
L
b
=
N
h
h
h
L
1
0
h

Les quations:
=
=
=
=

=

=

1
) (
) (
0
*
0
0
N
n
n n N
N
n
n n N N
N
n
n n N N
h s
h b b y
h s s y
peuvent alors tre rcrites (la convolution est commutative) :
=
= =
= =

1
) (
) (
*
h s
b h h b
s h h s
R
R R N
R R N
b y
s y

Dans ces conditions (en tenant compte du fait que h est dterministe) :

( )
( ) [ ] [ ] [ ]
= = = = =
= =

h h h B B h h B B h h b b h h b
h s s h h s
BB R R R R N R R R N
R R R N
E E B Y E b y
s y
) ( ) (
) (
2
2
2
2
2

o : [ ]
=
R R BB
E B B est la matrice ) 1 ( ) 1 ( x + + N N dautocorrlation ( dautocovariance dans le cas
stationnaire) du bruit { }
n
B (le terme gnral de
BB
est
j i
BB

(matrice de Toeplitz))
Ainsi :
[ ]
h h
h s s h
BB
R R
N
N
B Y E
s y

= =
) (
) (
2
2

*
* *
* *
=
h s s h
h h
R R
BB

Comme
*
est maximal par rapport h, on a ncessairement :
*
donc :
h h h h s s h h =

0 ) (
*
BB R R
a car : ( ) 0
2
=

h s h s s h
R R R
et [ ] 0 ) (
2
=
B Y E
N BB
h h
et :
*
pour 0 ) ( h h h = = a

) (h a tant une fonction (de plusieurs variables) qui passe par un maximum pour
*
h h = , on a :
0 h a =
) (
*
o :
N
h
a
h
a
h
a
L
1
0
a
On rappelle les rgles de drivation matricielle:
( )
h
h
h
2
2
=
d
d
,
( )
R
R
d
d
s
h
h s
=
,
( ) [ ]
h s s
h
h s

=
R R
R
d
d
2
2
et
( )
h
h
h h
BB
BB
d
d
2 =

do : h h s s h a
BB R R

*
2 2 ) ( =

et comme : 0 h a =
) (
*
et : 1
*
=
h s
R

on a : 0 h h s s h a = =
* * * *
2 2 ) (
BB R R

* *
h s
BB R
=

4. 5

Si
1
BB
existe (
BB
rgulire de dterminant non nul), on a donc :
R BB
s h
1
*
*
1

=

On peut calculer
*
daprs la relation : 1
*
=
h s
R
et en utilisant la relation prcdente : 1
1
1
*
*
= =

R BB R R
s s h s

soit :
R BB R
s s
1 *
=

Cas particulier important : { }
n
B est un bruit blanc de variance
2
:

Pour un bruit blanc de variance
2
, on a : I
2
=
BB

Et les formules tablies :
R BB R
s s
1 *
= et :
R BB
s h
1
*
*
1

=
deviennent :

2
0
2
2
*

= =
N
n
n
R R
s
s s
et :
R
N
n
n
s
s h
=
=
0
2
*
1

Comme
*
h est dfini une Constante prs, on peut prendre :
R
s h =
*
soit :
N n s h
n N n
, , 0
*
L = =

ce qui revient prendre : 1
0
2
=
=
N
n
n
s .

Le filtre adapt au signal { }
n
s (au sens de la maximisation du Rapport Signal sur Bruit linstant N ) a donc pour RI
limage (dans un miroir) du signal { }
n
s (image obtenue en effectuant un renversement du temps).

{ }
n
Y
prsence
absence
Dtecteur
{ }
n N
s

Filtre adapt
de
n
s dans
n
X
de
n
s dans
n
X
{ }
n
X

Remarques

La connaissance du signal { }
n
s dtecter est ncessaire, ainsi que lestimation de lautocovariance du bruit.
Le filtre adapt effectue la convolution :
=

=
N
i
i N i n n
s X Y
0
soit en posant : i N m = :

=
+
=
N
m
m N n m n
s X Y
0

A un coefficient prs multiplicateur
N
1
, cette relation a la structure dun corrlateur, qui effectuerait lintercorrlation
entre { }
n
X et { }
n
s . Cest pourquoi le filtre adapt est parfois assimil un intercorrlateur.

Il faut cependant bien noter les diffrences de fonctionnement :
. dans un intercorrlateur, N est grand et N n << alors que :
. pour un filtre adapt, N peut tre faible et N n 0 .

__________

Traitement du Signal TP 4. Conditionner.Filtrer.Dtecter
2. Praccentuation / dsaccentuation :
P0 1 := X fft vautocov x ( ) ( ) := B fft vautocov b ( ) ( ) :=
L length X ( ) :=
m 0 L 1 .. := FT filtre dsaccentuation: Hd
m
:= FT filtre praccentuation: Hp
m
:=
RI filtre dsaccentuation: hd:= RI filtre praccentuation: hp:=
y:= r
n
:= s:=
0 100 200
2
0
2
x
n
n
5.45 10
4
5.299 10
4
s
n
N 0 n
s
Conclusion :
TP 4. Conditionnement - Filtrage. Dtection
CONDITIONNEMENT - FILTRAGE
N 255 := n 0 N .. :=
Types de bruit :
b1 5gaussn N 1 +
( )
:= b2 5 whiten N 1 +
( )
:=
Signal mis (non bruit) :
x
n
sin
n
15
:=
Bruitage (canal de transmission) :
b b1 :=
+
+
n
x
n
b
Filtre d'mission Filtre de rception
n
y
n
s
n
r
Ampli. Ampli.
K K / 1
1. Amplification (amont) / attnuation (aval) :
K 1 := y
n
:= r
n
:= s
n
:=
0 100 200
2
0
2
x
n
n
12.698
14.669
s
n
N 0 n
s
Conclusion :
+
+
n
x
n
b
Filtre d'mission Filtre de rception
n
y
n
s
n
r
Praccentuation Dsaccentuation
) ( f H
p
) ( f H
d
TP 4. 1
SNR :
sr
n
s
N n
:= := h:= y1 convol x1 h , ( ) := h y2 convol x2 h , ( ) := h
1.179
0.513
y1
n
N 0 n
y1
0.225
0.068
y2
n
N 0 n
y2
Conclusion:
Cas particulier : bruit blanc de variance V :
Signal reu :
b b2 := x1
n
s
n
b
n
+ := x2
n
b
n
:=
sr
n
s
N n
:= h:= y1 convol x1 h , ( ) := h y2 convol x2 h , ( ) := h
:=
131.728
107.578
y1
n
N 0 n
y1
11.09
15.239
y2
n
N 0 n
y2
_________
DETECTION RAZ :
s submatrix s 0 , 0 , 0 , 0 ,
( )
:= s
1. Filtrage adapt :
N 255 := n 0 N .. :=
Signal non bruit :
s
n
sin
n
15
:=
Types de bruit :
b1 gaussn N 1 +
( )
:= V 1 := b2 BruitBlanc N 1 + 0 , V ,
( )
:=
Mthode gnrale :
Signal reu :
b b1 := x1
n
s
n
b
n
+ := x2
n
b
n
:=
0 100 200
5
0
5
x1
n
n
Matrice d'autocorrlation du bruit :
br
n
b
N n
:= :=
RI du filtre adapt : Sortie du filtre adapt :
TP 4. 2
a
4
0.667
0.333
=
a
i
-0.667
0.333
=
i 1 N .. :=
V 4 = V a
0
:=
r
2
0 :=
r
1
3 := N 2 :=
r
0
6 := K 3 :=
Exemple :
YuleWalker xx N ,
( )
R
i j ,
xx
i j
j 0 N .. for
i 0 N .. for
b
0
0
b
i
xx
i
i 1 N .. for
1
xx
0
R
1
b
a
0
xx
0
xx
0

0
1 +
a
i
a
0

i

i 1 N .. for
a

a
0
1
, a
2
, ... a
N
0
, xx
1
... xx
K 1
( )
0
. Variance :
mautocov x ( ) K length x ( )
r vautocov x ( )
R
i j ,
r
i j
j 0 K .. for
i 0 K .. for
R
m moy x ( )
r
k
1
K
0
K k 1
n
x
n k +
m
( )
x
n
m
( )
=

k 0 K 1 .. for
r
m
1
K
0
K 1
n
x
n
=

m
. Matrice d'AutoCovariance : . Vecteur d'AutoCovariance : . Moyenne :

Moyenne m, Vecteur r et Matrice d'Autocovariance r et Variance V du signal x de dim K (par ergodicit) :
TP 4. 3
0
, x
1
... x
K 1

a
0
1
, a
2
, ... a
N
a

P 31357
v
0
100
v
n
mod A v
n 1
P ,
( )
n 1 N 1 .. for
w
n
1
P
v
n
0.5
n 0 N 1 .. for
w

BruitBlanc K m , V , ( ) 12 V whiten K ( ) m +
BruitBlanc2 K m , V , ( ) 12 V WhiteNoise K ( ) m +
i
y
k
x
k
k 0 = if
y
k
x
k
0
k
i
a
i
y
k i
=
1 k N < if
y
k
x
k
0
N
i
a
i
y
k i
=
k N if
k 0 K 1 .. for
y
TP 4. 4
TFD
X
k
1
M
0
M 1
n
x
n
e
i 2 k
n
M
=

k 0 M 1 .. for
X
ou encore :
R 0
I 0
R R x
n
cos 2 k
n
M
+
I I x
n
sin 2 k
n
M

X
k
1
M
R i I +
( )

n 0 M 1 .. for
k 0 M 1 .. for
X return
TFDI
x
n
0
M 1
k
X
k
e
i 2 k
n
M
n 0 M 1 .. for
x
y
n
0
n
k
x
k
h
n k
n 0 M 1 .. for
y
N length h ( )
y
n
0
n
k
x
k
h
n k
=
n N < if
y
n
0 otherwise
n 0 M 1 .. for
y
f
0
0
f
n
1
n
n 1 M 1 .. for
TH
__________
TP 4. 5
Traitement du Signal 5. Transmission (Codage. Egalisation. Extraction de signal immerg dans du bruit. Filtrage adaptatif)

5. 1

5. Transmission
Codage. Egalisation. Extraction de signal immerg dans du bruit. Filtrage adaptatif

INTRODUCTION

Objectif

Le but est de transmettre un message porteur dinformation dun dispositif de dpart appel metteur vers un dispositif
darrive appel rcepteur par lintermdiaire dun canal de transmission.

Les dgradations que peut subir le signal dans le canal de transmission sont multiples : distorsions, dformations
spectrales, bruit, cho, ...

La figure suivante illustre un cas concret de canal introduisant un cho : la transmission dun message dune tour
mettrice vers un vhicule :

Dans cette situation , londe mise peut emprunter 2 chemins pour atteindre le rcepteur : un trajet direct et un trajet
rflchi sur un btiment. Les temps de propagation tant diffrents sur ces 2 trajets, le rcepteur observe la
superposition de 2 versions dcales du signal mis.

Par exemple, si lon met une suite de symboles
k
a ( k est entier et dsigne le temps), on reoit :
m k k
a a

+
( , sont rels et m dsigne un retard en nombre dchantillons) : il y a interfrence entre les symboles
k
a et
m k
a

.

Lobjectif de lgalisation est de restituer le message mis partir de cette observation (qui est un version filtre de la
squence transmise) : cest lannulation dcho.

Moyens

Dans le vide, les ondes lectromagntiques se propagent trs bien et les sons trs mal. Dans leau, cest linverse.

Il est ainsi vident que la propagation dpend essentiellement du milieu : il est gnralement plus facile de transmettre
un message par un cble coaxial de 1 m de long quentre la terre et la lune !
Dans tous les cas, il est impratif dadapter le message au canal de communication et de traiter le signal brut reu
pour en extraire le message originel.

Pour ce faire, de nombreux dispositifs intermdiaires sont ncessaires un systme de tlcommunications :

Emetteur
. Un dispositif de numrisation des donnes.
. Un dispositif de compression et de codage: la redondance du message mis autorise la compression (avec ou sans perte) :
. codage de source : suppression de la redondance du message transmettre
. codage canal : introduction dune redondance du message transmettre (si le canal perturbe la transmission)
en vue de la dtection et correction des erreurs de transmission au niveau du rcepteur.
. Un modulateur : son rle est dadapter le signal aux proprits spectrales du canal de transmission.
Par exemple, les frquences audio (de 20 Hz 20 kHz) se propagent trs mal sous la forme dondes lectromagntiques
et il est ncessaire de translater le spectre dun message audio autour dune frquence plus leve pour en assurer la
transmission. Cette translation doit naturellement seffectuer sans altrer linformation porte par le signal. La
modulation est galement justifie par le fait quun mme canal de transmission peut tre utilis par plusieurs systmes
de communication (multiplexage).
. Une antenne : elle rayonne et diffuse le signal issu du modulateur dans le milieu pour lui permettre de se propager
(antennes paraboliques pour les ondes Hertziennes, hauts-parleurs ou hydrophones pour les ondes acoustiques, ...).

5. 2

Rcepteur
. Une antenne dont le rle est de capter le message.
. Un dmodulateur destin ramener le signal reu vers la bande de base (bande spectrale du message avant
modulation).
. Un dispositif de rcupration de porteuse permettant de compenser un ventuel dcalage entre la frquence porteuse
utilise par le modulateur et celle utilise par le dmodulateur.
. Un dispositif dchantillonnage, prliminaire ncessaire tout traitement numrique. Cet chantillonnage doit en
gnral tre command par un dispositif de synchronisation symbole permettant de synchroniser chantillonnage en
rception avec le rythme dmission des symboles.
. Un galiseur dont le rle est de compenser les distorsions introduites par le canal et les diffrents dispositifs
lectroniques de transmission. Sa structure exacte dpend de la complexit de lapplication considre.
. Des systmes de dcodage et de dcompression.

Il est clair que la description prcdente ne donne quune image grossire de ce que peut tre un systme concret. En
particulier, la dcomposition du traitement global en modules indpendants est souvent artificielle. Nombre de
dispositifs efficaces estiment conjointement plusieurs des paramtres ncessaires au bon fonctionnement du rcepteur.

Modlisation mathmatique

Du point de vue mathmatique, les oprations dcrites prcdemment scrivent grossirement de la manire suivante :

Les symboles porteurs dinformation

Le signal transmettre est une suite { }
k
a de valeurs complexes appartenant un ensemble fini.

Exemple : Modulation de phase (PSK Phase Shift Keying)

{ } 1 , 1 +
k
a pour une modulation MDP2, Modulation par Dplacement de Phase 2 tats (BPSK Binary Phase
Shift Keying). { } i i a
k
+ + , , 1 , 1 pour une modulation MDP4 4 tats.

Exemple : Modulation de 2 porteuses en quadrature (QAM Quadrature Amplitude Modulation)

{ } i i i i a
k
2 1 , 2 2 , 2 , 1 pour une modulation QAM 16 tats. Lorsquune seule des 2 porteuses
est utilise, la modulation QAM se rduit une simple modulation damplitude. Par exemple,
{ } 2 , 1 , 1 , 2 + +
k
a correspond une modulation damplitude (AM Amplitude Modulation, ASK Amplitude Shift
Keying) 4 tats.

Donnes aires M . Constellation

En gnral, les
k
a peuvent prendre M valeurs diffrentes. On parle de donnes aires M . Les diffrents tats
possibles peuvent tre reprsents dans le plan complexe. La reprsentation dans le plan complexe des diffrentes
valeurs prises par le signal au cours du temps sappelle une constellation.

Constellation dun signal : reprsentation dans le plan complexe des diffrentes valeurs prises (alphabet) par ce signal.

Exemple : Constellation dune modulation 4 tats de phase { } i i i i a
k
+ + 1 , 1 , 1 , 1

* *
* *
Im
Re
1
i


5. 3

La mise en forme

La suite { }
k
a des symboles transmettre doit tre squence dans le temps. On met les symboles
k
a un rythme
rgulier. La dure sparant lmission de 2 symboles successifs est note
0
T . Elle sappelle la dure symbole. A partir
de la suite des valeurs complexes { }
k
a , on construit le signal TC ) (t a :

=
k
k
kT t a t a ) ( ) (
0

La convolution de ) (t a par une impulsion de mise en forme ) (t fournit le signal TC :

=
k
k
kT t a t d ) ( ) (
0

La fonction de mise en forme la plus simple est la porte :
( )
<
=
sinon
pour
0
0 1
0
0
T x
x
T

Exemple : Mise en forme, par une fonction porte, de 8 symboles conscutifs dune modulation 2 tats ( 1 ) :

) (t a
) (t d
-1 +1 -1 -1 +1 -1 +1 -1
Mise en forme d'un message numrique
k
a
{ }
1 , 1 , 1 , 1 , 1 , 1 , 1 , 1 + + +

Remarque :
Il est en gnral prfrable dutiliser une impulsion de mise en forme ) (t plus douce que la porte, afin de limiter
lencombrement spectral. En effet, plus une fonction est lisse (absence de transitions rapides, de fronts raides, de
marches descalier), plus sa Transforme de Fourier (donc son spectre) dcrot rapidement, limitant ainsi
lencombrement spectral.

La modulation

La modulation vise translater le spectre du signal Basse-Frquence (BF) mettre ) (t d (signal modulant) autour
dune frquence plus leve
0
(porteuse) tout en prservant linformation supporte par ce signal.
La translation du spectre de ) (t d autour dune frquence porteuse
0
conduit au signal Haute-Frquence (HF) ) (t e
effectivement transmis dans le milieu physique.

Partant dune fonction sinusodale porteuse ) 2 cos(
0
+ t A , lide de base dune modulation consiste faire
varier lentement par rapport
0
(variation comme le signal transmettre), lun des paramtres A,
0
ou . On
parle respectivement de modulation damplitude, de frquence ou de phase.

Lorsque les variations du paramtre choisi sont effectivement lentes par rapport la frquence de la porteuse
0
, le
signal obtenu (signal modul) est bande troite autour de
0
.

Les modulations sont gnralement linaires car alors lgalisation est facilite. Dans ce cas, la translation en frquence
(convolution par un Dirac) seffectue en multipliant ) (t d par une exponentielle complexe en temps. Le signal rellement
mis sobtient en prenant la partie relle (ce qui a pour effet de symtriser le spectre du signal rellement mis).
Ainsi le signal HF mis scrit : { }
t i
e t d Re t e
0
2
) ( ) (

=

5. 4

En rsum :

) (t d est un signal BF transmettre
t i
e t d
0
2
) (

est bande troite autour de
0

) (t e comporte 2 bandes de frquences : lune autour de
0
et lautre autour de
0
.

{ }
) (t d TF
{ }
t i
e t d TF
0
2
) (

{ }
) ( 2 t e TF

Spectres du signal modulant, du signal analytique et du signal modul
0
0
0 0 0

On note P et Q les parties relle et imaginaire du signal transmis :

k k k
iQ P a + = k entier

t t
iQ P t d + = ) ( t rel

Le signal modul ) (t e scrit :
{ }
+ + = = =
t
t
t t t t
t i
P
Q
t Q P t Q t P e t d Re t e arctan 2 cos ) 2 sin( ) 2 cos( ) ( ) (
0
2 2
0 0
2
0

Cette relation montre que ) (t e peut tre vu :
. comme la modulation de 2 porteuses en quadrature
. comme une modulation de phase et damplitude.

Evidemment, il est possible de nexploiter que lune de ces 2 possibilits pour raliser une modulation damplitude ou
une modulation de phase. (Par exemple, si le signal ) (t d est rel, seule lamplitude est module).
Pour une modulation de frquence,
t
t
P
Q
arctan peut tre pris comme fonction linaire non stationnaire du temps :
t R
P
Q
t
t
t
=
arctan

Le canal de transmission

Le signal ) (t e se propage dans le canal de transmission. Ce canal est presque toujours suppos linaire. Ainsi, sa sortie
sexprime comme convolution de son entre par sa RI. Un canal linaire peut tre caractris de manire quivalente
par sa Rponse en Frquence (TF de sa RI). Le signal ) (t e inject dans le canal tant bande troite autour de
0
, le
signal ) (t r arrivant au niveau du rcepteur lest aussi lorsque lhypothse de linarit est vrifie. Il scrit :
{ }
t i
e t r Re t r
0
2
) (
~
) (

= o ) (
~
t r est un signal BF complexe.

La dmodulation

La dmodulation est lopration inverse de la modulation. Le but est de restituer au mieux le signal modulant, BF,
partir du signal modul. Pour cela, il est ncessaire de translater ) (t r vers la bande de base (bande de frquence initiale
avant modulation). En notant
t i
a
e t r t r
0
2
) (
~
) (

= le signal analytique associ ) (t r , la dmodulation produit le signal
:
( )
t
t i
a
e t r t x
+
=
0
2
) ( ) ( o la phase
t
traduit le dphasage entre les porteuses de lmetteur et du rcepteur
(
t
varie linairement au cours du temps).

5. 5

Les traitements en bande de base

Lchantillonnage du signal dmodul ) (t x conduit une suite de valeurs ) (
0
kT x
k
+ .
Lorsque le canal et tous les systmes de traitement sont quasi parfaits, le signal na subi que peu de distorsions.
De ce fait, lestimation du message mis dcoule immdiatement de :
) ( ) ( t d t x do :
k k
a kT x + ) (
0

En pratique, ce nest jamais le cas. Les principales sources derreur sont les suivantes :

1. La RI du canal nest pas idale (RI idale gale une impulsion de Dirac)
2. Lchantillonneur la rception nest pas synchrone avec celui utilis lors de lmission ou une priode
dchantillonnage diffrente de celle (
0
T ) de lchantillonneur dmission (
k
non constant).
3. La frquence porteuse utilise par le dmodulateur diffre de la frquence
0
utilise par le modulateur (fading).

Il est donc impratif de traiter le signal de manire estimer au mieux les symboles mis. Les principaux systmes
permettant de compenser les distorsions sont les suivants, dont le numro indique le dfaut prcdent correspondant :

1. Lgalisation rduit les distorsions lies essentiellement aux imperfections du canal de transmission.
2. La synchronisation ou rcupration de rythme compense la dsynchronisation entre les chantillonneurs metteur et
rcepteur.
3. La rcupration de porteuse lutte contre le fait que la frquence porteuse utilise par le modulateur diffre de celle
quutilise le dmodulateur. Le systme de rcupration de porteuse permet galement de compenser les dphasages lis
leffet Doppler (leffet Doppler apparat quand lmetteur ou le rcepteur ou les deux sont en mouvement : exemple : son (de frquence variable
pour un piton) mis par une voiture dpassant le piton).

k
a

) (t d ) (t e
) (t b
) (t r ) (t x
0
kT
k
+
k
y
k
c
Modulateur Canal + Dmodulateur Traitement continu Traitement discret
Bruit
Chane de Transmission

Egalisation

Dans le domaine des tlcommunications, les donnes mises traversent un canal de transmission et les diffrents
dispositifs lectroniques associs lmetteur et au rcepteur. Le rle de lgaliseur est alors de rduire au mieux les
distorsions apportes par ces lments.

Aspect frquentiel

En labsence de bruit, lgaliseur est simplement un filtre inverse dont le rle est de rendre plate la Rponse
Frquentielle (RF) de lensemble canal-galiseur.

Lorsque le canal de transmission est bruit, un simple filtre inverse amplifie considrablement le bruit (le bruit occupe les
Hautes Frquences et comme le canal a une RF du type passe-bas, son inverse est passe-haut amplifiant ainsi le bruit) et un autre critre est
utilis dans le mme but (un critre quadratique (moindres carrs) minimisant lnergie de lerreur entre la rponse du canal-galiseur rel et
celle du canal-galiseur idal).

C ) (
RF du canal

E ) (
RF de l'galiseur

H ) (
RF de l'ensemble
x =

Aspect temporel

Lors dune transmission, des symboles lmentaires sont mis rgulirement (toutes les
0
T secondes). Si par exemple,
la dure de la RI du canal est infrieure lcart de temps entre 2 symboles conscutifs, ceux-ci restent temporellement
disjoints en sortie du canal de transmission. Dans le cas contraire, on ne peut plus les distinguer simplement les uns des
autres : un traitement du signal (galisation) simpose.

5. 6

Diagramme en oeil

Considrons un exemple cas dcole : le signal mis se compose dune suite alatoire blanche de 1 et de -1. La
reprsentation adopte ici utilise 16 points par dure symbole. La FT du canal comporte 1 ple et scrit :
1
1
1
) (

=
z
z H
o
1
z reprsente ici un retard de 1/16 de symbole.
La valeur de utilise est complexe :
i
e 95 . 0 = , induisant un comportement oscillant de la rponse.

La RI du canal est trs oscillante, traduisant une rsonance marque de la RF.

La reprsentation temporelle des signaux dentre et de sortie du canal et celle des constellations (constellation dun
signal reprsentation dans le plan complexe des diffrentes valeurs prises par ce signal) permettent de se faire une
premire ide de la nature du problme.

Par exemple, si la constellation en sortie se comporte de 2 tches distinctes, il est clair quil sera facile de restituer le
signal mis. Il suffit pour cela dutiliser une fonction non-linaire instantane de type seuillage. Cette situation se
traduit galement par le fait que la reprsentation temporelle du signal de sortie est trs proche de celle du signal
dentre.

Il savre souvent utile de disposer dautre modes de reprsentation des signaux. En particulier, il faut noter que lun
des dfauts majeurs de la reprsentation sous la forme de constellation rside dans la totale disparition de laspect
temporel.

Une manire commode de visualiser le taux dinterfrences entre symboles consiste reprsenter sur la dure de 1 ou 2
symboles, toutes les configurations possibles de la sortie, associes aux diffrentes suites de symboles possibles en
entre. Une telle reprsentation porte le nom de diagramme en oeil.

Diagramme en oeil : reprsentation sur la dure de 1 ou 2 symboles de toutes les configurations possibles de la
sortie, associes aux diffrentes suites de symboles possibles en entre.

En pratique, louverture de loeil constitue un bon indicateur du degr dinterfrences entre symboles : plus loeil est
ferm, plus le taux dinterfrences entre symboles est important.

RI du canal Spectre damplitude du canal

0 50 100
2
0
2
0.889
0.752
RI
n
100 0 n
0 100 200
0
0.02
0.04
0.023
8.348 10
5
.
FT
k
199 0 k
Entre du canal (16 points/symbole) Sortie du canal (partie relle)

0 200 400
0
2
2
Entree
n
400 0 n
0 100 200 300 400
0
5
5
Re Sortie
n
400 0 n
Constellation du signal dentre du canal Constellation du signal de sortie du canal

0
2
0
2
1
1
Im Entree
n
4 4 Re Entree
n
0
5
0
5
3.212
2.877
Im Sortie
n
4 4 Re Sortie
n
Diagramme en oeil

0 5 10 15 20 25 30
20
15
10
5
0
5
10
15
20 20
20
y1n
y2n
y3n
y4n
y5n
y6n
y7n
y8n
y9n
y10n
y11n
y12n
y13n
y14n
y15n
y16n
30 0 n

5. 7

I. CODAGE - DECODAGE (MODULATION - DEMODULATION)

Modulations analogiques

Pour que loccupation en frquence soit minimale, on utilise gnralement une porteuse sinusodale (la porteuse
noccupe alors quune seule frquence : la frquence de la sinusode).

3 faons d'insrer le signal mettre BF (Basse Frquence) dans la porteuse HF (Haute Frquence) :
On insre : - la BF dans l'amplitude de la porteuse : Modulation d'amplitude AM (Amplitude Modulation)
ou encore ASK (Amplitude Shift Keying)
- la BF dans la frquence de la porteuse : Modulation de frquence FM (Frequency Modulation)
ou encore FSK (Frequency Shift Keying)
- la BF dans la phase de la porteuse : Modulation de phase PM (Phase Modulation)
ou encore PSK (Phase Shift Keying)

Ex. Transmission dun signal numrique : (porteuse sinusodale : )

Signal transmettre :
Niveau 1
Niveau 0
0 0 1 1 0 1 0 0 0 1 0

Modulation d'amplitude AM :
0 0 1 1 0 1 0 0 0 1 0

Remarque : Porte dmission importante (rflexion sur les couches hautes de latmosphre) mais au prix dune
moindre qualit (le bruit se greffe directement sur le signal utile, enveloppe du signal modul)

Modulation de frquence FM :
0 0 1 1 0 1 0 0 0 1 0

Avantage : Excellente immunit au bruit (le bruit ne se greffe pas directement sur le signal utile mais sur lenveloppe
du signal modul)

Modulation de phase PM :
0 0 1 1 0 1 0 0 0 1 0

Avantages : Meilleur dbit de transmission en plus dune excellente immunit au bruit (le bruit ne se greffe pas
directement sur le signal utile mais sur lenveloppe du signal modul)

porteuse : ) 2 cos( ) ( + = t f A t s
p p
la porteuse est quasi-toujours sinusodale
) ( ) ( t s A t A A
m
+ = : cest la modulation AM ( ) (t s
m
: signal transmettre)
) ( ) ( t s f t f f
m p p p
+ = : cest la modulation FM
) ( ) ( ) (
0
t s t t
m
+ = : cest la modulation PM ( + = t f t
p
2 ) (
0
)

3 types de modulation :

- Modulation analogique continue
- Modulation analogique par impulsions
- Modulation par impulsions codes (Modulation Numrique)
HF : signal porteur, not ) (t s
p

BF : signal utile, signal modulant, signal transmettre not ) (t s
m

Pour la modulation d'amplitude : ) (t s
p
sinusodale de frquence allant de qq. 100 kHz qq. MHz.
Pour la modulation de frquence : ) (t s
p
sinusodale de frquence de l'ordre de 100 MHz.
Avec une porteuse de frquence 1 MHz, l'encombrement spectral du signal audio de l'exemple prcdent
occupant de 20 Hz 20 kHz, est translat de 1 MHz et devient maintenant :
de 1.00005 MHz 1.02 MHz l'antenne est alors adapte toute la plage (et une dimension raisonnable).

5. 8

Il suffit la rception de s'accorder sur la frquence porteuse, autour de laquelle la variation de frquence relative est
faible diffrenciation aise, sans modulation : la dtection, ou dmodulation, consiste alors en un simple filtrage
frquentiel (passe-bas, pour liminer la porteuse HF et ne conserver que le signal utile BF).

Exemple : Emission sans modulation de 2 signaux de musique (leur spectre va de 20 Hz 20 kHz) :

Spectre damplitude Spectre occup (occupation en frquence)

) ( f S
f
20 Hz 20 kHz

20 Hz 20 kHz

Les 2 signaux se mlangent si on les transmet tels quels car, la rception, il est imposiible de les sparer.

Le principe de la sparation consiste en un filtrage frquentiel : le rcepteur se cale sur (slectionne) la frquence
(ou la gamme de frquences) du signal dtecter et limine le reste des frquences. Si des signaux occupent la
mme plage de frquences, il est donc impossible de les sparer la rception.

La modulation consiste effectuer une transposition de frquences du signal mettre autour de la frquence
p
f de la
porteuse (porteuse sinusodale de frquence
p
f ~ 1 MHz).

Ainsi, la variation relative de frquence du signal modul est trs faible et autorise une dtection (dmodulation, filtrage
frquentiel) permettant de rcuprer le signal original en se calant sur la frquence de la porteuse. Pour transmettre
plusieurs signaux BF, il suffit alors dutiliser pour chacun une frquence de porteuse diffrente autour de laquelle le
rcepteur se calera pour la dtection.

Exemple : Emission avec modulation dun signal de musique (spectre allant de 20 Hz 20 kHz) (
p
f ~ 1 MHz) :

Spectre damplitude Spectre occup (occupation en frquence)

) ( f S
f
p
f = 1 MHz
p
f + 20 kHz
p
f - 20 Hz

p
f + 20 kHz
p
f - 20 Hz

2 porteuses ne peuvent donc avoir la mme frquence sinon on ne peut dmoduler ( lespace des frquences est
rglement).

La porteuse constitue donc une enveloppe (au sens du courrier postal ) dans laquelle on insre le signal transmettre
(cest la modulation) pour ne pas que les signaux mettre se mlangent durant le transport. (Lenveloppe est elle-mme
un signal, le signal porteur, de frquence unique et de HF). La dmodulation doit se charger dliminer cette
enveloppe par filtrage frquentiel passe-bas (les HF sont limines).

Si le signal transmettre est caractris par un spectre trs troit (mme BF), il est clair quil na pas besoin de
porteuse. Mais la plupart des informations ont pour support un signal BF de spectre de frquences large en valeur relative
et doivent donc tre moduls.

Modulation par multiplication (encore appele modulation sans porteuse car
p
f f f S = = 0 ) (
)

Porteuse: ( ) t f A t s
p p p
2 cos ) ( = Signal BF (suppos sinusodal dans un 1
er
temps): ( ) t f A t s
m m m
2 cos ) ( =

Graphe de ) (t s
m
:
t
0
) (t s
m
Spectre de ) (t s
m
:
0
f
A
m
m
f
) ( f S
m


5. 9

Reprsentation temporelle du signal modul s(t) : (signal mis)

( ) ( ) ( ) ( ) ( ) t f t f A A k t s t s k t s
m p m p m p
2 cos 2 cos = =

s t ( )
sBF t ( )
t
<--- s(t)
<--- sBF(t)

Le signal ) (t s
m
est, au facteur k A
p
prs, le signal s
BF
(t), qui est lenveloppe, au sens graphique, de ) (t s .

Spectre S(f) de s(t)
( ) ( ) { } ( ) { } [ ] t f f t f f
A A
k t s
m p m p
m p
+ + = 2 cos 2 cos
2

do le spectre damplitude ) ( f S de ) (t s (dcomposition en srie de Fourier rduite ici une simple linarisation
du produit de cosinus) : 0
f
k
A
p
A
m
2
) (
m p
f f + ) (
m p
f f
p
f
) ( f S

Dmodulation du signal : ( ) ( ) t s t s
m

Elle peut tre obtenue en multipliant s(t) par une porteuse locale ( la rception): ( ) t s
p
avec :
( ) t s
p
( ) t f A
p p
2 cos = puis en filtrant

( ) ( ) ( ) ( ) ( ) [ ] ( ) t f t f A
A A k k
t f t f A A A k k t s t s k t s
m p m
p p
m p m p p p
2 cos 4 cos 1
2
2 cos 2 cos ) (
2
1
+

= = =
( ) ( ) ( ) ( ) { } ( ) { } [ ] t f f t f f
A A k k
A t f A
A A k k
t s t s k t s
m p m p
p p
m m m
p p
p
+ +

+

= = 2 2 cos 2 2 cos
4
2 cos
2
) (
1

14444244443 1444444444442444444444443
v(t) limin par un filtre passe-bas

v(t) = ( ) t s
m
au facteur
m
p p
A
A A k k

2
prs. Spectre de ) (
1
t s :
0
f

m
f
m p
f f 2
m p
f f + 2

Multiplicateur
k'
s'
p
( )
t
s ( )
t
Filtre passe-bas
f
f
m
2 f
p
v ( )
t
Amplificateur
m
p p
A
A A k k

2
1
( )
t s
m

) (
1
t s


5. 10

Modulation d'Amplitude (AM)

Reprsentation temporelle du signal modul : s(t)

Ex. : ( ) t s
m
sinusodal : ( ) t f A t s
m m m
2 cos ) ( =

( ) ( ) [ ] ( ) ( ) [ ] ( ) t f t f A A t f t s A t s
p m m p p m p
2 cos 2 cos 2 cos + = + =

En posant :
p
m
A
A
m =
: indice, ou taux de modulation (en %)
m
A k m = avec :
p
A
k
1
=
on a :
( ) ( ) [ ] ( ) t f t f m A t s
p m p
2 cos 2 cos 1 + =

( )
s t s A t A f t s t s A t t A t A s t
p p p p p p p m
( ) ( , , ) cos ( ) ( ( ), , ) ( ) ( ) = = + = = + 2 0 avec

Rglage du taux de modulation m :

1 0 < < m : Lenveloppe > 0 du signal s t ( ) est le signal transmettre ( ) t s
m
( un facteur prs et un offset prs) :
A m
p
( ) 1 enveloppe positive de s t ( ) A m
p
( ) 1+ . La modulation est correctement ralise.

s t ( )
sBF t ( )
t
Ap(1+m)
<--- sBF(t)
<--- s(t)
-Ap(1-m)

0 = m : Lenveloppe > 0 du signal s t ( ) ne tmoigne pas suffisamment du signal transmettre ( ) t s
m
:
il y a sous-modulation (linformation utile est indtectable)

s t ( )
sBF t ( )
t
<--- sBF(t)
<--- s(t)

1 = m : Lenveloppe > 0 du signal s t ( ) est le signal transmettre ( ) t s
m
( un facteur prs et un offset prs) :
on est la limite de la surmodulation : 0 enveloppe positive de s t ( ) 2A
p

s t ( )
sBF t ( )
t
<--- sBF(t)
<--- s(t)


5. 11

1 > m : Lenveloppe > 0 du signal s t ( ) ne tmoigne plus fidlement du signal transmettre ( ) t s
m

(perte dinformations la transmission, donc la rception) : il y a surmodulation

s t ( )
sBF t ( )
t
<--- sBF(t)
<--- s(t)

Spectre du signal modul AM

Ex. : ( ) t s
m
sinusodal : ( ) t f A t s
m m m
2 cos ) ( =

( ) ( ) [ ] ( ) ( ) [ ] ( ) t f t f A A t f t s A t s
p m m p p m p
2 cos 2 cos 2 cos + = + =

En linarisant le produit de cosinus, on a : (avec :
p
m
A
A
m = )

( ) ( ) [ ] [ ] { } t f f t f f
A m
t f A t s
m p m p
p
p p
) ( 2 cos ) ( 2 cos
2
2 cos + + + = do les spectres :

0
f
A
m
m
f
) ( f S
m

0
f
A
p
) (
m p
f f +

) (
m p
f f
p
f
) ( f S

2 2
m
p
A
A m
=

Dmodulation du signal AM

Dtection synchrone

On utilise un oscillateur local la rception, oscillant exactement la frquence f
p
et dlivrant le signal :

( ) ( ) t f A t s
p p p
2 cos =

Multiplicateur
k
s'
p
( )
t
s ( )
t
Filtre passe-bas
f
f
m
2 f
p
v ( )
t

En effet : ( ) ( ) ( ) [ ] ( ) t f t f m A A k t s t s k
p m p p p
2 cos 2 cos 1
2
+ = do :

( ) ( ) ( ) ( ) ( ) [ ] ( ) [ ]
+ + + + +
= t f f
m
t f f
m
t f t f m
A A k
t s t s k
m p m p p m
p p
p
2 2 cos
2
2 2 cos
2
4 cos 2 cos 1
2

14444244443 144444444444424444444444443
v(t) limin par le filtre passe-bas

v(t) est bien proportionnel ( ) t s
m
aprs limination de la composante continue.

5. 12

Boucle Verrouillage de Phase (Phase Locked Loop : PLL)

Pour viter le problme de fading (dcalage entre les oscillateurs lmission et la rception), on utilise de prfrence un
asservissement PLL pour reconstituer ( ) t s
p
partir de s(t) (pour la dtection synchrone) :

VCO
u ( ) t
Multiplieur
k
Filtre passe-bas
f
f
m
2 f
p
s ( ) t
p ( ) t

Schma synoptique dune PLL

L'oscillateur command en tension (VCO) (Voltage Controlled Oscillator) dlivre le signal: ( ) ( ) [ ] t t f A t u
p p
= 2 sin
avec ( ) t dpendant de la tension de commande ( ) t p par la relation :

( )
( ) t p a
dt
t d
=
avec : a : C
te
et
( )
p
f
dt
t d
2 <<

Signal dmodul
(si on limine la composante continue)
u ( ) t
Multiplieur
k
Filtre passe-bas
f
f
m
2 f
p
s ( ) t
p ( ) t
PLL
s ( ) t
VCO

Dphaseur
+ / 2
u ( ) t
s'
p
( )
t
(avance)

Dtection synchrone PLL

Modulation Bande Latrale Unique par multiplication (BLU)

On a vu que la multiplication du signal utile ( ) ( ) t f A t s
m m m
2 cos = par la porteuse ( ) t f A s
p p p
2 cos = provoque 2
composantes frquentielles sinusodales d'amplitudes
2
m p
A A
k et de frquences (
m p
f f + ) et ( f f
p m
).
La modulation BLU ne conserve qu'une seule de ces 2 composantes :

Ex. : la Bande Latrale Suprieure (BLS) signal mis : ( ) ( ) [ ] t f f
A A k
t s
m p
m p
+ = 2 cos
2

Avantage : La BLU occupe ainsi une bande de frquences limite par rapport la modulation par multiplication
(occupation frquentielle rduite).

Reprsentation Temporelle de la BLU

Si ( ) s t
m
est sinusodal de frquence f
m
s(t) : sinusode d'amplitude C
te
de frquence f f
p m
+
Modulation BLU Translation du signal dans le domaine frquentiel (translation du spectre, dcalage,
transposition de frquences).

5. 13

Spectre du signal BLU

Si ( ) s t
m
occupe la bande de frquences
[ ]
f f
m M
, le signal modul BLU occupe la bande
[ ]
f f f f
p m p M
+ + , :

Spectres :
A
m
A
M
f
f
m
f
M
) ( f S
m

A
p
A
m
2
k
A
p
A
M
2
k f
0
f
p
) ( f S
) (
m p
f f +
) (
M p
f f +

En ne conservant qu'une seule Bande Latrale, on limite la bande de frquences ncessaire la transmission.

Dmodulation de la BLU

Signal dmodul
u t ( ) Multiplieur
k
s t ( )
s t
p
( )
Filtre passe-bas
f
f
m
2 f
p

s t
p
( ) : oscillateur local :
( )
= s t A f t
p p p
( ) cos 2
[ ]
s t k A A f f t
p m p m
( ) cos ( ) = = + BLU
0
2
[ ] [ ] { }
= + =

+ + u t k kA A A f f t f t
k kA A A
f f t f t
p m p p m p
p m p
p m m
( ) cos ( ) cos ( ) cos ( ) cos ( )
0
0
2 2
2
2 2 2
144424443
terme liminer (filtrage)

Modulation de Frquence (FM) et Modulation de Phase (PM)

On insre le signal BF dans la frquence de la porteuse.

Avantage : La FM est moins sensible que la modulation d'amplitude aux bruits parasites car ceux-ci agissent
directement sur l'amplitude du signal modul (bruit additif) donc du signal utile la rception, et
quasiment pas sur sa frquence.

Modulation de Phase et Modulation de Frquence (PM et FM)

Le signal modul ( signal mis) peut scrire :
s t A t t ( ) ( ) cos ( ) =
avec : ( ) t : phase de s t ( ) .
En modulation AM : s t
m
( ) intervient dans A t ( ) Ex. :
( ) A t kA A f t kA s t
t f t
p m m p m
p
( ) cos ( )
( )
= =
=
2
2

En modulation PM et FM : s t
m
( ) intervient dans( ) t :
( ) ( ) t f t t
p
= + 2
et : A t A
p
( ) =

- en PM:
( ) ( ) t k s t
m
=

( )
s t A f t ks t
p p m
( ) cos ( ) = + 2 s t s A t t
p p
( ) ( , ( ), ) = avec ( ) ( ) t ks t
m
=

- en FM:
d t
dt
k s t
m
( )
( ) =

s t A f t k s d
p p m
t
( ) cos ( ) = +
2
0

s t s A t t
p p
( ) ( , ( ), ) = avec
( ) ( ) t k s d
m
t
=

0

Rappel :
( )
s t s A t A f t
p p p p p
( ) ( , , ) cos = = + 2
et
( ) s t A f t
m m m
( ) cos = 2
si le signal modulant est sinusodal.

5. 14

Dans le cas o le signal utile ( signal transmettre, encore appel signal modulant) s t
m
( ) est sinusodal (cas
intressant pour une tude lmentaire) : ( ) s t A f t
m m m
( ) cos = 2 , on a, pour expression du signal modul s t ( ) :

- en FM : ( ) ( )
[ ]
s t A f t
kA
f
f t A f t m f t
p p
m
m
m p p m
( ) cos sin cos sin = +
= + 2
2
2 2 2

avec : m
kA
f
m
m
=
2
: indice de modulation.

- en PM : ( ) ( ) ( ) ( )
s t A f t kA f t A f t m f t
p p m m p p m
( ) cos cos cos cos = + = + 2 2 2 2
avec : m kA
m
= : indice de modulation.

Forme du signal FM

Pour s t
m
( ) sinusodal :

modulation correctement ralise : ( mfaible et 0)

s t ( )
t

surmodulation (perte dinformations) : ( mlev)

s t ( )
t

Spectre du signal FM

Cas simple o m << 1

{ } ( ) ( ) { } ) 2 sin( sin ) 2 ( sin ) 2 sin( cos ) 2 ( cos ) 2 ( sin 2 cos ) ( t f m t f t f m t f A t f m t f A t s
m p m p p m p p
= + =
14243 14243
0 0
( ) ) 2 ( sin ) 2 sin( ) 2 cos( t f m t f A t f A t s
m p p p p

( ) { } { } t f f
A m
t f f
A m
t f A t s
m p
p
m p
p
p p
) ( 2 cos
2
) ( 2 cos
2
) 2 cos( + +

porteuse BLS BLI

Spectres :

0
f
A
m
m
f
) ( f S
m

0
f
A
p
) (
m p
f f +

) (
m p
f f
p
f
) ( f S

2
p
A m


5. 15

m quelconque

( ) { }
{ }
] [ Re ) 2 sin( 2 cos
) 2 sin( 2 t f m t f i
p m p p
m p
e A t f m t f A t s

+
= + = (formule dEuler)

Dcomposition de Bessel :
=
=
n
t f n i
n
t f m i
m m
e m J e
2 ) 2 sin(
) ( o ) (m J
n
sont les fonctions de Bessel (relles)

( )

=
+
n
t f n f i
n p
m p
e m J A t s
) ( 2
Re ) (

( ) ( ) ( ) [ ]
=
+ =
n
m p n p
t f n f m J A t s ) ( 2 cos

Le spectre de ) (t s est infini ( : n ) : spectre doublement infini si ) (t s
m
nest pas sinusodal.

Fonctions de Bessel :

J0 m ( )
J1 m ( )
J2 m ( )
J3 m ( )
m
0 5 10 15 20 25
0.5
0
0.5
1
J0(m) --->
J1(m) --->
J2(m) --->
J3(m) --->

Dmodulation de Frquence

On transforme la variation de frquence en variation d'amplitude A On peut ensuite effectuer une
dmodulation d'amplitude ( PLL par exemple).

5. 16

Modulations numriques (Transmissions Numriques)

Les modulations d'impulsions

En tlcommunications, le signal reprsentant l'information transmettre subit une transposition de frquence de faon
occuper une bande de frquence de largeur relativement faible autour d'une porteuse HF.

Cette transposition est effectue par modulation d'un des paramtres caractrisant la porteuse : amplitude, frquence ou
phase.

Si la porteuse est constitue d'impulsions, la modulation prsente l'avantage de pouvoir transporter plusieurs signaux
la fois : c'est le multiplexage temporel (multiplexage slection, commutation de 1 signal parmi N).

Les impulsions de la porteuse ont pour frquence
e
F : frquence des chantillons du signal numrique. A la rception,
il suffit de se caler sur la frquence dchantillonnage F
e
pour dmoduler.

La modulation d'impulsions en amplitude
On utilise un chantillonneur rythm par une horloge H de priode
e
T (priode dchantillonnage
e
e
F
T
1
=
) et
fournissant des impulsions de largeur . Un chantillonneur interrupteur, commutateur analogique K command par
l'horloge H)

H
K
s
m
( ) t
( ) BF (signal mis)
s
m
( ) t
*
s ( ) t
=

t
s
m
( ) t
H
s ( ) t
t
t
0 T
e
T
e

Spectre de ) (t s :

On montre l'aide de la Transforme de Fourier que l'chantillonnage temporel a pour effet de priodiser le spectre de
( ) t s
m
: ( la priode (frquentielle)
e
F ) :

f
- F
m
F
m
0
|
S
m
( ) f
|
f
- F
m F
m
0
|
S ( ) f
|
F
e
F
e
F
e
2
-
F
e
F
m
-
F
e
+ F
m


5. 17

La porteuse ( l'horloge) doit respecter la condition de Shannon : (thorme de Shannon) :

m e
F F 2 o
m
F est la frquence maximale contenue dans le spectre de ( ) t s
m
,

sans quoi il y a recouvrement des lobes du spectre de ( ) t s et impossibilit, la rception, de reconstituer ( ) t s
m

partir des chantillons ( ) t s
m
.

Ex. : Signal de musique : kHz 40 kHz 20 kHz 20 Hz 20 = < <
e m
F F f
Signal de parole : kHz 8 kHz 4 kHz 4 Hz 300 = < <
e m
F F f .

Dmodulation

La dmodulation se fait simplement par filtrage passe-bas de ( ) t s avec
m
F pour frquence de coupure.

Multiplexage

On peut, sur un mme canal de transmission ( une mme porteuse (quivalent dune ligne de transmission pour les transmissions
filaires)) transporter plusieurs messages en mme temps par multiplexage temporel ( slection dun signal parmi N).

A la rception, il faut sparer les messages par dmultiplexage ( rcupration des N signaux partir d1 signal).

s
m
( ) t
1
t
s
m
1
s
m
1
*
s
m
( ) t
2
t
s
m
2
s
m
2
*
MUX
Multiplexeur temporel Echantillonneurs
s
*
0 T
e
t
s
*
DEMUX
Dmultiplexeur temporel
s
m
1
*
Filtre
Passe-bas
s
m
1
s
m
2
s
m
2
*
Filtre
Passe-bas

Ce systme de multiplexage est utilis en tlphonie : la frquence suprieure de la voix est de l'ordre de F
m
= 4 kHz.

L'chantillonnage se fait F
e
= 8 kHz. On arrive transporter plusieurs dizaines de voies tlphoniques sur la mme
ligne de transmission.

5. 18

La modulation d'impulsions en dure (PWM : Power Width Modulation)

Les impulsions ont toutes la mme amplitude, mais c'est leur dure qui est fonction du signal ( ) t s
m
transporter.

t
s
m
( ) t
t
s ( ) t
T
e
T
e
0
0
E
signal mis

La modulation d'impulsions en position

Les impulsions ont toutes la mme amplitude et la mme dure, mais leurs fronts montants napparaissent tous les
e
T
secondes, comme dans les cas prcdents. Ils sont retards d'un temps qui est fonction du signal ( ) t s
m
transmettre :

s
m
t
( ) t
t
s ( ) t
T
e
T
e
0
0
E
signal mis

La modulation d'impulsions en densit (moins utilise car
e
F est variable)

Les impulsions ont toutes la mme amplitude et la mme dure, mais leur densit ( frquence) est fonction du signal
( ) t s
m
transmettre :

t
s
m
( ) t
t
s ( ) t
0
E


5. 19

La modulation d'impulsions codes (MIC) 1 impulsion est code par 1 mot binaire

Les chantillons successifs du signal mettre ne sont pas utiliss directement mais sont quantifis et cods
numriquement en un mot binaire l'aide d'un convertisseur analogique-numrique (CAN).

La quantification va arrondir l'amplitude de l'chantillon (cas de la modulation en amplitude) ou sa dure (cas de la
modulation en dure) etc ..., une valeur discrte parmi N = 2
m
valeurs possibles

(m : nombre de bits de quantification, N : dynamique de quantification, de codage).

(L'chantillonnage discrtise le temps la priode dchantillonnage
e
T , alors que la quantification discrtise la valeur, lamplitude de l'chantillon).

Le but du codage peut tre de limiter loccupation spectrale du signal mettre, ou limmunisation au bruit, ou encore
le compactage, la compression des donnes ...

Les principaux codages utiliss sont les suivants :

- code binaire biphas
- code diffrentiel biphas
- code RZ (Retour Zro)
- code NRZ (Non Retour Zro)
- code modulation de dlai (DM ou Miller)
- codes FM
- codes multiniveaux

Code Binaire initial t
V
+
0
0 1 1 0 0 0 1 1 0 0 1
-
Code Biphas t
V
+
0
Code Biphas diffrentiel t
V
+
0
H
Horloge t
T
+
0
Code RZ t
V
+
0
-
Code Bipolaire t
V
+
0
-
-
Code NRZ t
V
+
0

Le signal numris ( chantillonn, quantifi et cod) est parfois cod directement suivant le code binaire pur
( code binaire initial) ou mieux, suivant le code binaire rflchi (code de Gray) par exemple, pour autoriser la
dtection et la correction des erreurs de transmission.

Le code biphas prsente, quant lui, lavantage de limiter le spectre de frquences occup par le signal mettre par
rapport au code binaire pur.

La Modulation :

Plutt que de transmettre le mot binaire de chaque chantillon, on ne transmet que la diffrence damplitude entre 2
chantillons conscutifs et pouvant souvent tre code sur un seul bit si la valeur des chantillons ne varie pas trop
brutalement.

Avantage : Compression ( rduction) de la quantit d'informations transmettre.

5. 20

Transmission du signal binaire ( numrique)

Transmission en Bande de Base

Les impulsions de courant matrialisant les 0 et les 1 sont appliques directement pour l'mission, on dit dans ce cas
que la transmission se fait en bande de base.

Compte tenu du thorme de Shannon, un signal dont la bande de frquence utile ( occupe) est B ncessite un canal
de largeur 2B.

Transmission par modulation

Le plus souvent, la transmission en bande de base n'est pas possible du fait de la faible Bande Passante du canal de
transmission, et il faut adapter le mode de reprsentation de l'information au canal disponible : c'est la modulation.

- Modulation ASK (Amplitude Shift Keying) : Modulation d'amplitude

Un oscillateur de frquence leve est modul en tout ou rien par le signal binaire transmettre. Le spectre du signal
utile est transpos autour de la frquence porteuse.

- Modulation FSK (Frequency Shift Keying) : Saut de frquence

Aux 2 valeurs 0 et1 des bits successifs correspondent 2 frquences diffrentes de l'oscillateur pilote ( porteuse).

- Modulation PSK (Phase Shift Keying) : Saut de phase

Le signal transmettre est constitu d'impulsions polaires qui commandent une variation de 2 / de la phase de
l'oscillateur pilote. Ce procd ncessite de connatre la phase de rfrence transmission ncessairement synchrone.

- Modulation DPSK (Differential Phase Shift Keying) : Saut de phase diffrentiel

Pour viter d'avoir transmettre une phase de rfrence, l'information est transmise sous forme de variations de phase.

Transmission dun signal numrique : (porteuse sinusodale : )

Signal transmettre :
Niveau 1
Niveau 0
0 0 1 1 0 1 0 0 0 1 0

Modulation d'amplitude ASK :
0 0 1 1 0 1 0 0 0 1 0

Modulation de frquence FSK :
0 0 1 1 0 1 0 0 0 1 0

Modulation de phase PSK :
0 0 1 1 0 1 0 0 0 1 0


5. 21

Codes dtecteurs et correcteurs d'erreurs

Le bruit dans les systmes de transmission binaire peut modifier un bit du mot. Plusieurs codes de dtection et de
correction existent :

Utilisation d'un bit supplmentaire de parit
(parit d'un mot binaire parit du nombre de bits 1contenus dans le mot)

A chaque mot du message transmettre, est ajout un bit choisi de telle sorte que le mot rsultant ait une parit paire
(ce bit ajout est appel bit de parit) :

Code dtecteur d'erreurs par test de parit la rception.

Inconvnient : pas de correction possible car on ne peut pas localiser le bit erronn. De plus, un nombre pair derreurs
simultanes sur un mot passent inaperues.

Codes parits entrelaces

Un tableau 2D ( 2 Dimensions) est construit avec les mots (tableau de taille N N
x y
). La parit est contrle
horizontalement et verticalement : code dtecteur plus puissant que le prcdent car il y a localisation du bit derreur et
donc correction possible. Comme le prcdent, seul un nombre impair derreurs simultanes peut tre dtect.

Codes de Hamming

Codes dtecteurs et correcteurs. Ils ajoutent plusieurs bits des emplacements bien dtermins dans le mot (chacun de
ces bits contrle un groupe de bits du mot avec recoupements des groupes) pour dtecter la position des erreurs et ainsi
les corriger plus efficacement

Codes cycliques

Pour une transmission sre 100 % le Codage Redondance Cyclique (CRC) peut tre utilis, pour lequel les donnes
sont codes sous forme polynomiale.

Ce contrle consiste comparer les restes des divisions d'un polynme par un polynme fixe pour la donne initiale et
pour la donne aprs transmission (les donnes tant reprsentes sous forme de polynmes dont la longueur
conditionne le choix des polynmes diviseurs).

Plusieurs codes redondance cyclique sont dfinis suivant la longueur des mots transmettre.

Codes continus (correction d'erreurs en paquets)

La plupart des codes dtectent des erreurs rparties individuellement. Malheureusement, les erreurs sont parfois (mme
si c'est rare) groupes en paquets. (ex.: poussire sur un Compact Disc plusieurs dizaine de bits disparaissent d'un
coup).

Pour combattre ce phnomne, une solution simple mais efficace consiste effectuer un entrelacement ( criture des
mots dans un ordre diffrent de celui de la lecture).

Exemple : entre horizontale des mots dans une matrice et lecture verticale de ces mots.

Code dtecteur et correcteur derreur.

5. 22

Filtrage optimal au sens des moindres carrs
Le fitre galiseur (equalizer) et lextracteur de signal partir dune mesure bruite sont 2 problmes diffrents menant
la mme solution formelle. Le premier est pos de manire dterministe, le second de manire stochastique. Les deux se
basent sur un critre quadratique (minimisation de lnergie de lerreur).

II. EGALISATION
{ }
n
u
{ }
n
y
) (z G ) (z F
{ }
n
v Dgradation Restauration
canal
o ) ( ) ( z F z G est la FT du canal de transmission dgrad-restaur.
Etant donne la dgradation ) (z G , il sagit de dterminer le filtre de restauration ) (z F tel que : ) (
) (
) (
z D
z U
z Y
= ,
soit : ) ( ) ( ) ( z D z G z F = . Le terme galiseur provient du cas particulier 1 ) ( = z D . On a alors : 1 ) ( ) ( = z G z F
(La dgradation est connue par modlisation ou identification). (Le rle de lgaliseur ) (z F est de compenser la dgradation).
La solution immdiate :
) (
) (
) (
z G
z D
z F = est gnralement non ralisable.
En effet, si ) (z G sannule pour certaines frquences, ) (z F est infini. Ou bien si ) (z G comporte des zros instables , ) (z F est alors instable.
Ou encore, ) (z F doit tre passe-haut si comme cest gnralement le cas en physique, ) (z G est passe-bas, et un filtre physique passe-haut ne peut
tre passe-haut pour des frquences infiniment leves.
Enfin, si ) (z G provoque un retard (cas des filtres causaux), ) (z F est non causal car il doit provoquer une avance.

On prfre ainsi se limiter la classe des filtres ) (z F du type MA ( RIF : Rponse Impulsionnelle Finie) et
minimiser le critre quadratique ( moindres carrs) pour signaux dterministes :
{ } ( )
=
=
n
n n n
d d f V
2
) (
o : { }
n
d , { }
n
f et { }
n
g sont les RIs de ) (z D , ) (z F et ) (z G et
{ }
$
d
n
la RI du canal restaur.
Comme
n n n
f g d *
= (du fait de la relation dgalisation : F z G z D z ( ) ( ) ( ) = ) , on a :

{ } ( )
=
=
n
n n n n
f g d f V
2
* ) ( avec 0 =
n
f pour 0 < n et N n > (filtre RIF causal de support de longueur N +1)
{ }

= =
=

=
= =

+ =
=
N
i
N
j n
j n i n j i
N
k n
k n n k
n
n
n
N
k
k n k n n
g g f f g d f d g f d f V
0 0 0
2
2
0
2 ) (
(on rappelle que :

= + = =
= + = = =
+ = + =
1
0 1 0
2
1
0 1 0
2
2
0
2 2
N
i
N
i j
j i
N
i
i
N
i
N
i j
j i
N
i
i
N
i
i
a a a a a a a
)
or :
k
dg
n
k n n
g d

=
=

et en posant n j = :
i j
gg i j
j n
n
j n i n
g g g g

= =

=
+
=
=

0

gg
: autocorrlation de g
n

dg
: intercorrlation entre d
n
et g
n

donc : { }

= = =
=

+ =
N
i
N
j
gg j i
N
k
dg k
n
n n
i j k
f f f d f V
0 0 0
2
2 ) (
Posons :
2 2
=
= n
n
d
=
N
f
f
f
L
1
0
f
dg
dg
dg
dg
N
=
0
1
L

gg gg
i j j i ,
=

gg
: matrice dautocorrlation (Toeplitz)
Alors f f f f
gg
dg
V

+ = 2 ) (
2
dont le minimum est donn par lannulation du gradient 0 f V
f
= + =
gg
dg
2 2

5. 23

Donc :
dg
gg
= f

5. 24

Egalisation
Dans le cas o 1 ) ( = z D : { }
n n
d = et
dg n n k
n
k
k
d g g
= =

on a, en posant
N
g
g
g
L
1
0
:
(on retrouve une forme proche du systme dquations de Yule-Walker. Ce sont les quations de Wiener-Hopf)

= f
gg

dont la solution peut tre obtenue par inversion matricielle :

1
=
gg
f

De plus, dans le cas causal ( g
n
causale), lgalisation conduit au systme (Yule-Walker) :

gg
f = avec =
g
0
0
0
M

Conclusion

Le principe de lgalisation traite ici fait partie de lgalisation supervise : on la connaissance de la dgradation,
directement comme ici, par identification par exemple, ou par apprentissage (rseaux de neurones artificiels
(apprentissage numrique), chanes de Markov (apprentissage numrique), algorithmes gntiques, apprentissage
symbolique).

Lorsque la dgradation nest pas connue priori, il ne sagit plus rellement de restauration de signal et on parle alors
dgalisation non supervise encore appele galisation aveugle.

5. 25

III. EXTRACTION DE SIGNAL IMMERGE DANS DU BRUIT
Le problme de lextraction de signal immerg dans du bruit est lanalogue en stochastique du problme prcdent dterministe de lgalisation.

Ce type de dbruitage est bas sur un critre quadratique (minimisation de lnergie de lerreur) dans un contexte
stochastique.

) (z F { } { } { }
n n n
b s u + =
{ }
n
s

A partir de la mesure u
n
=
n n
b s + (signal + bruit), il sagit de dterminer la FT ) (z F (ou la squence RI
{ } [ ] ) (
1
z F TZ f
n

= ) satisfaisant au critre quadratique pour signaux alatoires (on passe en Esprance) :

{ } [ ]
2
) (
n n n
S S E f V = minimum avec : { }
n
S VA dont une ralisation est { }
n
s

Comme :
n n n
U f S *
= pour quil y ait extraction du bruit. On a donc : { } [ ]

2
* ) (
n n n n
U f S E f V =
( { }
n
U VA dont une ralisation est { }
n
u )
Le filtre { }
n
f tant pris comme un filtre RIF ( MA) de support de longueur N +1, on a :
{ }
2
0
* ) (

=

=

N
k
k n k n n
U f S E f V

En posant :

=
N
f
f
f
L
1
0
f et
N n
n
n
U
U
U
L
1
U il vient : { } [ ]
2
) ( ) ( U f f

= =
n n
S E V f V

Principe dorthogonalit : lerreur est orthogonale lobservation :

Le gradient ( drive) de V donne le minimum de ) (f V pour : ( ) [ ] 0 U U f V
f
= =

n
S E 2

Cette relation exprime le fait que, linstant n , lerreur destimation ( U f
n
S ) est orthogonale toutes les donnes
prsentes et passes ( U ) (le produit scalaire ( matriciel) est nul). Cest le principe dorthogonalit.

On a : ( ) [ ] ( ) [ ] [ ] [ ] { } 0 f U U U f U U U U f V
f
= = = =

E S E S E S E
n n n
2 2 2

Comme le terme gnral de la matrice
U U est le terme dautocorrlation

j i
uu

, [ ]
U U E est la matrice
dautocorrlation
uu
, note R : [ ]
= U U R E : matrice de Toeplitz.

De mme, si on note [ ] U
n
su
S E = le vecteur dintercorrlation, on retrouve une forme proche du systme
dquations de Yule-Walker (sous forme matricielle).

Le gradient de V scrit donc : { } 0 f R V
f
= =
su
2

Ce sont les quations de Wiener-Hopf :
su
= f R

dont la solution peut tre obtenue par inversion matricielle :
su
1
= R f

Lintrt de cette approche est de ne pas ncessiter la connaissance du bruit mais seulement celle du signal extraire
(cest un minimum !) Pour filtrer un signal bruit, il faut la connaissance : soit du bruit, soit du signal non bruit !

Dans un contexte dautoadaptation (filtrage adaptatif), la contrainte Temps Rel (calcul en ligne) impose dviter
linversion matricielle en approchant R et
su
en utilisant les donnes passes (cf. filtrage adaptatif (Widrow)).

5. 26

IV. FILTRAGE ADAPTATIF

Filtre adaptatif de Widrow version rcurrente (temps rel) du filtre extracteur de signal immerg dans du bruit vu avant

Le filtre adaptatif de Widrow reprsente lexemple le plus connu de filtre adaptatif : il sagit dun filtre MA ( RIF)
optimal au sens des moindres carrs. Lajustement des paramtres du filtre ( les coefficients
i
a , les chantillons
i
f
de RI) se fait en ligne, cest--dire que les paramtres du filtre varient au cours du temps pour sadapter la contrainte
(filtrage optimal : pour le filtre de Widrow, la contrainte est quadratique (moindres carrs)) spcifie.

Dans lapproche de Widrow, le minimum du critre de performance ) ( f V [
f f f f
gg
dg
V

+ = 2 ) (
2
(pour le
problme de lgalisation) ou
[ ]
2
) ( U f f

=
n
S E V
(pour le problme de lextraction de signal immerg dans du bruit)] est obtenu de
manire itrative par une mthode de gradient.

Le vecteur gradient est perpendiculaire aux hypersurfaces ) ( f V =
te
C : en effet, si lon suppose que f est fonction
du temps (filtrage adaptatif), on a, sur une isosurface, dt dV = =

f V
f
&
0 , donc ) ( f V est perpendiculaire f
&
,
qui est le vecteur tangent lisosurface.

Dans ces conditions, si on itre sur f proportionnellement au gradient de ) ( f V (le gradient de
) ( f V
est
{ } f R V
f
=
su
2
) on ira vers le minimum de ) ( f V selon la plus grande pente .

Si k est lindice ditration, on choisit : (il ne reprsente absolument pas llvation une puissance)
( )
su
k k k
=
+
f R f f
1
o est un paramtre fixant la pas ditration.

Comme toujours avec la mthode du gradient, si est faible, la convergence est lente et si est grand, il ya risque
de divergence. Pour tre plus prcis,sur la valeur maximale de on peut rcrire la relation prcdente :

[ ]
su
k k
+ =
+
f R I f
1

Cest une quation vectorielle du 1er ordre, dont la solution converge vers
su
1
R si toutes les valeurs propres de
[ ] R I sont de module infrieur 1, cest--dire si :
1 1 <
i
o :
i
sont les valeurs propres de R =
uu

do une contrainte pour le choix de :

max
2
0
< < o :
max
est la plus grande valeur propre
i
de R

Il reste affiner la relation itrative : ( )
su
k k k
=
+
f R f f
1
en vitant le calcul, la connaissance de R et
su
.

Pour cela, au lieu du critre de performance ) ( f V [
{ } ( ) f f f f
gg
dg
n
n n n
d d f V V

=
+ = = =

2
) ( ) (
2
2
(pour le
problme de lgalisation) ou
{ } [ ] [ ]
2 2
) ( ) ( U f f

= = =
n n n n
S E S S E f V V
(pour le problme de lextraction de signal immerg dans du
bruit)] , on utilise un autre critre de performance, constitu de lerreur quadratique instantane :

( )
2
2
) (
n n
e s V = =

U f f dont le gradient est : ( ) U U U f V f
n n
e s = =

Lalgorithme dautoadaptation peut donc scrire : (il a prouv exprimentalemnt son efficacit)

U f f
n
k k
e =
+1
soit, pour la i -ime composante de f :
i n n
n
i
n
i
u e f f

+
=
1
avec N i 0 .
__________
Traitement du Signal TP 5. Transmission
s t ( ) :=
Signal modul
0.5
0.5
s t ( )
2 0 t
s
Modulation d'amplitude (AM)
A t ( ) := s t ( ) sp A t ( ) 0 , t , ( ) := A m
Am
Ap
:= m 0.5 =
1.5
1.494
s t ( )
2 0 t
s
Modulation de phase (PM)
k 20 := t ( ) := s t ( ) sp Ap t ( ) , t ,
( )
:= m k Am := m 10 =
1
1
s t ( )
2 0 t
s
TP 5. Transmission
I. CODAGE - DECODAGE
Signal transmettre (Signal modulant) :
Am 0.5 := fm 1 := sm1 t ( ) Amcos 2 fm t
( )
:= sm2 t ( ) Am 1 t < 1. if
0 otherwise
:=
t 0 10
3
, 2 .. := smt ( ) sm1 t ( ) :=
Porteuse :
Ap 1 := fp 20 := sp Ap , t ,
( )
Apcos 2 fp t +
( )
:=
0 2
1
0
1
smt ( )
t
0 0.5 1 1.5 2
2
0
2
sp Ap fp , t , ( )
t
Modulation par multiplication k 1 :=
TP 5. 1
455.027
501.181
y
n
50 1 n
y
0.641
0.644
v
n
50 1 n
v
0 50
2
0
2
u
n
n
y:=
Signal restaur :
f :=
0
g
0
:=
n
0 := :=
RI de la restauration :
v:=
Signal dgrad :
g
n
1 ( )
n
:=
RI de la dgradation :
u
n
sin
n
2
:=
Signal d'entre :
n 0 N .. := N 50 :=
{ }
n
u
{ }
n
y
) (z G ) (z F
{ }
n
v
II. EGALISATION (1)
m 11.937 =
1
1
s t ( )
2 0 t
s
m
k Am
2 fm
:= s t ( ) sp Ap t ( ) , t ,
( )
:= t ( ) := k 150 := Modulation de frquence (FM)
TP 5. 2
__________
0.114
0.129
y
n
130 0 n
y
y:=
Signal dbruit :
f := su:= R :=
RI du dbruitage :
0 50 100 150
2
0
2
u
n
n
ub
n
u
N n
:=
u reverse :
u s b + :=
Signal bruit :
b whiten N 1 + ( ) :=
Bruit :
0 50 100 150
2
0
2
s
n
n
s
n
sin
n
2
:=
Signal d'entre non bruit :
n 0 N .. := N 130 :=
) (z F { } { } { }
n n n
b s u + =
{ }
n
y =
{ }
n
s
III. EXTRACTION DE SIGNAL IMMERGE DANS DU BRUIT
TP 5. 3
a
4
0.667
0.333
=
a
i
-0.667
0.333
=
i 1 N .. :=
V 4 = V a
0
:=
r
2
0 :=
r
1
3 := N 2 :=
r
0
6 := K 3 :=
Exemple :
YuleWalker xx N ,
( )
R
i j ,
xx
i j
j 0 N .. for
i 0 N .. for
b
0
0
b
i
xx
i
i 1 N .. for
1
xx
0
R
1
b
a
0
xx
0
xx
0
0
1 +
a
i
a
0
i

i 1 N .. for
a

a
0
1
, a
2
, ... a
N
0
, xx
1
... xx
K 1

( )
0
. Variance :
r vautocov x ( )
R
i j ,
r
i j
j 0 K .. for
i 0 K 1 .. for
R
m moy x ( )
r
k
1
K
0
K k 1
n
x
n k +
m
( )
x
n
m
( )
=

k 0 K 1 .. for
r
m
1
K
0
K 1
n
x
n
=

m

TP 5. 4
0
, x
1
... x
K 1

a
0
1
, a
2
, ... a
N
a

P 31357
v
0
100
v
n
mod A v
n 1
P ,
( )
n 1 N 1 .. for
w
n
1
P
v
n
0.5
n 0 N 1 .. for
w

BruitBlanc K m , V , ( ) 12V whiten K ( ) m +
BruitBlanc2 K m , V , ( ) 12V WhiteNoise K ( ) m +
i
y
k
x
k
k 0 = if
y
k
x
k
0
k
i
a
i
y
k i
=
1 k N < if
y
k
x
k
0
N
i
a
i
y
k i
=
k N if
k 0 K 1 .. for
y
TP 5. 5
TFD
X
k
1
M
0
M 1
n
x
n
e
i 2 k
n
M
=

k 0 M 1 .. for
X
ou encore :
R 0
I 0
R R x
n
cos 2 k
n
M
+
I I x
n
sin 2 k
n
M

X
k
1
M
R i I + ( )
n 0 M 1 .. for
k 0 M 1 .. for
X return
TFDI
x
n
0
M 1
k
X
k
e
i 2 k
n
M
n 0 M 1 .. for
x
y
n
0
n
k
x
k
h
n k
n 0 M 1 .. for
y
N length h ( )
y
n
0
n
k
x
k
h
n k
=
n N < if
y
n
0 otherwise
n 0 M 1 .. for
y
TP 5. 6
f
0
0
f
n
1
n
n 1 M 1 .. for
TH
Vecteur r de covariance des signaux x et y de dim K (par ergodicit) :

. Vecteur de Covariance :
vcov y x , ( ) K length x ( )
v
k
1
K
0
K 1
n
y
k
x
n
=

k 0 K 1 .. for
v
vcovtermegeneral x y , ( ) K length x ( )
mx moy x ( )
my moy y ( )
r
k
1
K k
0
K k 1
n
x
n k +
mx
( )
y
n
my
( )
=

k 0 K 1 .. for
r
Vecteur et Matrice nuls :

VecteurNul N ( )
Nul
k
0
k 0 N 1 .. for
Nul
MatriceNul Nlignes Ncols , ( )
Nul
l c ,
0
c 0 Ncols 1 .. for
l 0 Nlignes 1 .. for
Nul
__________
TP 5. 7
Traitement du Signal 6. Prdiction

6. 1

6. Prdiction

Prdiction

Lissage - Filtrage - Prdiction

Soit n mesures dun signal. Le traitemement de la mesure au temps :

. 1 n ( k n en gnral, avec 0 > k ) (pass) : sappelle le lissage
. n (prsent) : sappelle le filtrage
. 1 + n ( k n + en gnral, avec 0 > k ) (futur) : sappelle la prdiction

PREDICTION LINEAIRE (Codage LPC Linear Prediction Coding)

Etant donn les N chantillons passs dun signal comportant M points ( M N ) :
N n n n
y y y

, ,
2 1
L ,
il sagit den prdire lchantillon prsent :
n
y .
Le plus simple est deffectuer une prdiction linaire : $ y a y a y a y
n n n N n N
=
1 1 2 2
L
$ y a y
n i n i
i
N
=

=
1

Le filtre de prdiction est donc un filtre AR (AutoRgressif) pur ( sans entre).

Cela induit que, du fait de la stationnarit du modle adopt (AR), la prdiction ne sera fiable que si le signal prdire est relativement stationnaire.

On peut dfinir lerreur de prdiction :
n n n
y y e =
soit
N n N n n n n
y a y a y a y e

+ + + + = L
2 2 1 1

do :
=

=
N
i
i n i n
y a e
0
(avec 1
0
= a )
TZ

=
N
i
i
i
z Y z a z E
0
) ( ) (
cest lquation du filtre erreur de prdiction :

=
+ = =
N
i
i
i
N
i
i
i
z a z a
z Y
z E
1 0
1
) (
) (
:

n
e
n
y

=
+
N
i
i
i
z a
1
1

il sagit dun filtre (MA) inverse (au sens de FT inverse) du filtre AR de FT :
+
N
i
i
i
z a
1
1
1
.

Posant le problme de prdiction en termes stochastiques (vu le nombre important de paramtres en jeu) , le filtre erreur de
prdiction prcdent :
=

=
N
i
i n i n
y a e
0
scrit :
=

=
N
i
i n i n
Y a E
0
o les signaux
n
E et
n
Y sont alatoires, et on se
propose de calculer, pour ce filtre, les paramtres
i
a qui minimisent la puissance ( la variance) de
n
E .

Rappel : . Puissance de X
n
:
[ ]
P E X
X n
=
2
. Variance de X
n
:
[ ] [ ]
V E X E X
X n n
=
2 2

Puissance P
E
de E
n
: P
E
= [ ] ?
2
=
n
E E
[ ] [ ]

= =

=

=

=
=
N
i
N
j
j n i n j i
N
j
j n j
N
i
i n i n
Y Y E a a Y a Y a E E E
0 0 0 0
2

[ ]

= =

=
N
i
N
j
yy j i n
i j
a a E E
0 0
2

o
yy
k
est la fonction (vecteur) dautocovariance ( dautocorrlation dans le cas stationnaire) du signal y .

6. 2

Puissance minimale: (on peut en calculant la drive 2
nde
de
P
E
sassurer que lannulation de la drive 1
re
de
P
E
conduit bien un minimum de
P
E
)
[ ]
0 2 2 2
0 0
2
2
0 0
pas contenant ne termes = + =
=

+
N
n m
m
yy m yy n n
N
n m
m
yy m n yy n
n n
n
m n m n
a a a a a a
a a
E E

soit (condition doptimalit) :
a a
n N
a
n yy m yy
m
m n
N
n m

0
0 0
0
0
1
+ =
=
=
, , L

a a
a n N
a
n yy m yy
m
m n
N
yy
n
n m
n

0
1
0
0
0
0
0
1
+ + =
=
=
, , L

a
a n N
a
m yy
m
N
yy
n
n m
n
+ =
=
=
1
0
0
0
0
0
1
, , L

a
n N
a
m yy
m
N
yy
n m n

=
=
=
1 0
1
1
, , L

ou encore :
0
0
=
=

N
m
yy m
m n
a

=
=
1
, , 1
0
a
N n L

Du fait que
yy
k
est paire, on a :
[ ]
E E a a a a a a
n i j yy
j
N
i
N
i j yy
j
N
i
N
i yy
i
N
j i j i i
2
0 0 1 0
0
0
= = +

= = = = =

( ) a
0
1 =

[ ]
E E a a a a
n j i yy
i
N
j
N
i yy
i
N
j i i
2
0 1
0
0
= +
= = =

( ) a
0
1 =
En utilisant: 0
0
=
=

N
m
yy m
m n
a
=
=
1
, , 1
0
a
N n L
dans la relation prcdente, il vient: [ ] V a E E
N
i
yy i n
i
=
= =
0
min
2

( ) 1
0
= a

On a donc :
0
0
=
=

N
m
yy m
m n
a

=
=
1
, , 1
0
a
N n L
et [ ] V a E E
N
i
yy i n
i
=
= =
0
min
2

( ) 1
0
= a
.

Ces quations peuvent scrire :
0
0
1
1
1
1
1
0
= +
= +
= +
=
=
i N
yy
N
i
i
N
yy
i
yy
N
i
i yy
i
yy
N
i
i yy
a
a
V a

L
pour N k 0 :

=
=
=

N k
k V
a
N
n
n yy
n k
1 0
0
si
si
0
( 1
0
= a ) (
k
yy
paire)


0
0
1
1
0 1
1 0 1
1 0
M M
L
M M M M
L
L
V
a
a
N
yy
N
yy
N
yy
N
yy yy yy
N
yy yy yy

ou encore :
v a = R

La matrice dautocorrlation R de terme gnral
j i
r
,
ne dpendant que de
j i
(
k
yy
paire) est dite matrice de Toeplitz.
Ainsi, partir de la connaissance de la squence dautocorrlation de { }
n
Y , la relation matricielle permet de dterminer
les 1 + N inconnues : V et les paramtres
i
a du filtre prdicteur.

Pour rsoudre le systme de Yule-Walker, une inversion matricielle est possible mais on utilise gnralement
lalgorithme efficace itratif de Levinson, ou la mthode de Burg, qui vitent une inversion matricielle.
(La mthode de Burg, introduisant la contrainte supplmentaire de stabilit du filtre de prdiction au systme de Yule-Walker, garantit ainsi un filtre
AR de prdiction stable).

6. 3

Remarque :
Dun point de vue algorithmique, les 2 problmes de filtre prdicteur et de synthse AR par filtre formeur sont
quivalents. On montre dailleurs que, pour N suffisamment grand, { }
n
E est un bruit blanc.

Application

Compression de signal par codage LPC

On considre un signal que lon souhaite compresser par codage LPC.

Le principe du codage LPC consiste modliser un signal x comme sortie dun filtre AR dordre N (modle
tout ple, sans entre, tournant sur ses seules conditions initiales) :

=

=
N
k
k n k n
x a x
1

k
a : N coefficients du filtre AR

La minimisation de lerreur (dite erreur de prdiction) entre le signal original et le signal issu du filtre AR
conduit la dtermination des coefficients
1
a ,
2
a ...
N
a du filtre AR.

Cette dtermination met en oeuvre un systme dquations linaires (systme de Yule-Walker), dont la
rsolution peut se faire de plusieurs faons :
- directement (mthode itrative de Yule-Walker)
- par la mthode itrative de Burg
o s est une fentre glissante (sans recouvrement) sur le signal original x compresser, et N lordre dsir
pour le filtre AR ( M N < < 1 , avec ) ( length s M = )
(lavantage de la mthode de Burg est de garantir un filtre AR stable).

Ainsi, pour une fentre s donne (de M points), aprs avoir dtermin les N coefficients
k
a du filtre AR
prdicteur, on peut reconstruire une approximation s de s par lquation :
1 = M N n L :
=

=
N
k
k n k n
s a s
1
avec linitialisation :
n n
s s = pour 1 0 = N n L

Taux de compression

Pour compresser une fentre de M points, on a besoin de N coefficients
k
a et de N points dinitialisation.
Le taux de compression peut donc tre dcrit par lvaluation du rapport : M N / 2 .

Taux de distorsion

Lvaluation du taux de distorsion entre le signal dcompress (ou encore prdit) x et le signal original x peut se
dcrire par lvaluation du rapport Signal sur Bruit global sur tout le signal x (SNROV) (Signal to Noise Ratio OVerall)
( )

=
1 ) (
0
2
1 ) (
0
2
1 ) (
0
2
1 ) (
0
2
log 10 log 10 SNROV

x length
n
n n
x length
n
n
x length
n
n
x length
n
n
x x
x
b
x
avec
n n n
x x b = ( SNROV en dB)

Caractrisation : Analyse spectrale par codage LPC [Voir Chapitre Caractrisation]

__________

Traitement du Signal TP 6. Prdiction
ou encore (fonction intgre Mathcad) :
a yulew y N , ( ) := a
1
1.722
0.766
=
Filtre AR de LPC :
y
K
:= n 0 1 , K .. := y y m + := y
1
0.996
y
n
40 0 n
y
Fonction Prdiction 1 pas : Predict1pas(v,N)
y predict1pas y N , ( ) := y n 0 1 , K .. :=
1
0.996
y
n
40 0 n
y
Fonction Prdiction Npas pas : PredictNpas(v,N,Npas)
Npas 10 :=
y predictNpas y N , Npas , ( ) := y n 0 1 , K 1 Npas + .. :=
1
0.996
y
n
39 0 n
y
Conclusion :
TP 6. Prdiction
1. Prdiction (sur signal trs stationnaire)
Signal prdire :
K 30 := n 0 1 , K 1 .. := y
n
sin
n
5
:=
Ordre du filtre AR (taille du pass pour la prdiction) :
N:=
0 10 20 30 40
2
0
2
y
n
n
Centrer le signal avant prdiction et le dcentrer aprs
m moy y ( ) := y y m :=
Prdiction 1 pas :
Coefficients adu filtre AR de LPC :
:= a:= a= a
ou :
a YuleW y N , ( ) := a
0.01
1.722
0.766
=
TP 6. 1
a yulew s N , ( ) :=
Burg
a2 burg s N , ( ) :=
(2 mthodes Yule-Walker et Burg)
Signal S issu du filtre AR de prediction
Initialisation
n 0 N 1 .. := S
n
:= S2
n
:=
Calcul
n N M 1 .. := S
n
:= S2
n
:=
Comparaison entre le signal original s et le signal predit S
n 0 M 1 .. :=
1.145
1.043
s
n
S
n
29 0 n
S
1.145
1.043
s
n
S2
n
29 0 n
S2
2. Application (sur signal peu stationnaire) : Compression de signal par LPC : 2 mthodes : YuleWalker & Burg
Signal x original (L points)
L 100 := n 0 L 1 .. := x
n
cos
2 n
12
rnd 2 ( ) + .2 :=
0 20 40 60 80 100
5
0
5
x
n
n
Fentrage s du signal original (M points) + Centrage
M 30 := n 0 M 1 .. := s
n
x
n
:= m moy s ( ) := s s :=
0 5 10 15 20 25 30
5
0
5
s
n
n
Ordre N du filtre AR de prediction
N trunc
M
2
5
:= N 10 =
Coefficients a du filtre AR de prediction Yule-Walker
TP 6. 2
__________
. Methode de Yule-Walker :
. Methode de Burg :
Conclusions
2N 20 =
Nombre de points du signal compress, prdit, pour une fentre :
M 30 =
Nombre d'chantillons de la fentre du signal original :
Taux de compression
SNROV2dB = SNROV2dB SNROVdB = SNROVdB
SNROV2dB := SNROVdB:=
Rapport Signal/Bruit sur une fentre
TP 6. 3
a
4
0.667
0.333
=
a
i
-0.667
0.333
=
i 1 N .. :=
V 4 = V a
0
:=
r
2
0 :=
r
1
3 := N 2 :=
r
0
6 := K 3 :=
Exemple :
YuleWalker xx N ,
( )
R
i j ,
xx
i j
j 0 N .. for
i 0 N .. for
b
0
0
b
i
xx
i
i 1 N .. for
1
xx
0
R
1
b
a
0
xx
0
xx
0
0
1 +
a
i
a
0
i

i 1 N .. for
a

a
0
1
, a
2
, ... a
N
0
, xx
1
... xx
K 1

( )
0
. Variance :
r vautocov x ( )
R
i j ,
r
i j
j 0 K .. for
i 0 K 1 .. for
R
m moy x ( )
r
k
1
K
0
K k 1
n
x
n k +
m
( )
x
n
m
( )
=

k 0 K 1 .. for
r
m
1
K
0
K 1
n
x
n
=

m

TP 6. 4
0
, x
1
... x
K 1

a
0
1
, a
2
, ... a
N
a

P 31357
v
0
100
v
n
mod A v
n 1
P ,
( )
n 1 N 1 .. for
w
n
1
P
v
n
0.5
n 0 N 1 .. for
w

i
y
k
x
k
k 0 = if
y
k
x
k
0
k
i
a
i
y
k i
=
1 k N < if
y
k
x
k
0
N
i
a
i
y
k i
=
k N if
k 0 K 1 .. for
y
TP 6. 5
TFD
X
k
1
M
0
M 1
n
x
n
e
i 2 k
n
M
=

k 0 M 1 .. for
X
ou encore :
R 0
I 0
R R x
n
cos 2 k
n
M
+
I I x
n
sin 2 k
n
M

X
k
1
M
R i I + ( )
n 0 M 1 .. for
k 0 M 1 .. for
X return
TFDI
x
n
0
M 1
k
X
k
e
i 2 k
n
M
n 0 M 1 .. for
x
y
n
0
n
k
x
k
h
n k
n 0 M 1 .. for
y
N length h ( )
y
n
0
n
k
x
k
h
n k
=
n N < if
y
n
0 otherwise
n 0 M 1 .. for
y
TP 6. 6
f
0
0
f
n
1
n
n 1 M 1 .. for
TH

v
k
1
K
0
K 1
n
y
k
x
n
=

k 0 K 1 .. for
v
mx moy x ( )
my moy y ( )
r
k
1
K k
0
K k 1
n
x
n k +
mx
( )
y
n
my
( )
=

k 0 K 1 .. for
r

VecteurNul N ( )
Nul
k
0
k 0 N 1 .. for
Nul
Nul
l c ,
0
c 0 Ncols 1 .. for
Nul
Prdiction 1 pas
predict1pas v N , ( )
Prdiction Npas pas
predictNpas v N , Npas , ( )
__________
TP 6. 7
Traitement du Signal 7. Filtrage optimal

7. 1

7. Filtrage optimal

Filtrage optimal (Filtrage sous contrainte)

Il existe 3 grandes mthodes de filtrage optimal, cest--dire de filtrage sous contrainte dun signal altr par un bruit :

. le filtrage par moindres carrs
Il consiste en une minimisation de lnergie de lerreur entre le signal mesur et lestimation (par un modle) du signal
non bruit. Le modle adopt pour le signal non altr est un modle linaire et assez gnral. Il y a lissage du bruit
plus que sa rjection. Le filtrage des moindres carrs se place dun point de vue dterministe. Il y a contrainte de
stationnarit.

. le filtrage de Wiener
Il sappuie sur la mthode des moindres carrs : le filtrage de Wiener est lanalogue en stochastique du filtrage des
moindres carrs qui lui, se place dans un contexte dterministe. Il y a contrainte de stationnarit.

. le filtrage de Kalman
Il consiste en la poursuite dun modle dEtat (modle de Gauss-Markov) ncessaire et relativement prcis du signal
non bruit. Il ny a pas de contrainte de stationnarit. Si le modle est correct, il y a vritable rjection du bruit et non
pas un lissage. Si le modle nest pas raliste, les rsultats peuvent tre trs mauvais.

I. MOINDRES CARRES

Moindres carrs direct Algorithme LS (Least Squares)

Un systme linaire de n quations n inconnues : y h X =
o :
X dsigne une matrice carre de dimension n nx
h dsigne un vecteur de dimension 1 x n inconnu
y dsigne un vecteur de dimension 1 x n
possde une solution unique : y X h
1
=
si et seulement si X est inversible ( non singulire) cest--dire ( ) 0 det X ( matrice rgulire).

Errreur (ou cart) : h X y = (cart entre la solution vraie et la solution estime, calcule) : 0 =

Notons que dans ce cas, lcart quadratique, dfini par : ( ) ( ) h X y h X y =
2

(plus gnralement : ( ) ( ) h X y h X y =
2
dans le cas complexe, o lindice signifie la transposition-conjuguaison)

est juste gal 0 : 0
2
=

(Si la matrice X nest pas carre, on dfinit sa pseudo-inverse X en minimisant un critre quadratique (moindres carrs)).

Lutilisation dapproximations linaires fait que, en traitement du signal, de nombreux signaux peuvent se modliser
sous la forme h X o :
X dsigne une matrice connue
et h dsigne un vecteur inconnu.

7. 2

Exemple : Filtre RIF de RI h inconnue.

Dans ce cas : X est une matrice obtenue partir de valeurs de lentre,
et le produit h X reprsente le signal de sortie (le produit scalaire de vecteurs ralise la convolution).

En labsence de bruit, lobservation de n valeurs du signal de sortie suffit donc estimer h:

y X h
1
=
(dconvolution)

En pratique, il nen est jamais ainsi et on se donne plus dobservations ( k ) que dinconnues ( n ) (du fait de la
prsence dun bruit de mesure) : il y a alors une infinit de solutions non exactes et la mthode des moindres carrs
fournit alors le vecteur estimer (de dimension n ) optimal au sens quadratique partir des k observations.

En notant y le vecteur dobservation et en supposant le bruit w additif, on a : w h X y + =

On montre en statistique, que lestimateur de h, construit partir des observations y et de la matrice X, est dautant
meilleur que le nombre k de points observations est grand, par consquent :
n k

alors la matrice X est de dimension n k x
et les vecteurs h de dimension 1 x n
y de dimension 1 x k

On a donc plus dquations k que dinconnues n : on dit que le systme est surdtermin.

La consquence est quil nexiste pas en gnral de vecteur h tel que h X soit parfaitement gal lobservation y .

Une autre faon de le dire est que le vecteur y , de dimension 1 x k , nappartient pas au sous-espace vectoriel engendr
par les n vecteurs-colonnes de X. Ce sous-espace appel image de X sera not ) ( Img X .

Le problme est de trouver un vecteur h, de dimension 1 x n , tel que llment h X (qui appartient videmment
) ( Img X ) soit le plus proche possible de y , ce qui se traduit ici par la minimisation de lerreur quadratique
(minimisation de lnergie de lerreur ) :
( ) ( ) ( ) h X y h X y h = =

J
2
(plus gnralement : ( ) ( ) h X y h X y =
2
)

La solution est donne par le thorme de projection (principe dorthogonalit), qui dit que le vecteur h est tel que
lcart : h X y = est orthogonal ) ( Img X et donc en particulier aux n vecteurs-colonnes de la matrice X :

( ) ( ) h X y h X y =
2

Minimisation de lnergie de lerreur Dtermination de h tel que 0
2
=

(pour effectivement vrifier que lon a un minimum de
2
et non un maximum, il suffit de regarder le signe des drives secondes :
0
2
2 2
>
)
( ) 0 2
2
= =

h X y X
h
(produit scalaire nul) ( ) 0 =
h X y X
{ }

= X h X y ) (
(lerreur est orthogonale lobservation
X (et comme h X colinaire
X h X ) :

y
) ( Img X
Thorme de projection
h X
y h X =


7. 3

En exprimant cette condition dorthogonalit, on obtient :
( ) 0 h X y X =
(plus gnralement : ( ) 0 h X y X =
)

soit : h X X y X

= (plus gnralement : h X X y X

= )

Si la matrice X est de rang plein ( les n vecteurs-colonnes de X sont indpendants), la matrice X X
(plus gnralement : X X
)
de dimension n nx , est inversible et la solution cherche est lestimateur des moindres carrs (Gauss) :

( ) y X X X h

=
1
(plus gnralement : ( ) y X X X h

=
1
)

A lorigine, lestimateur des moindres carrs nest pas proprement parler de nature probabiliste.

Le filtrage des moindres carrs est lanalogue en dterministe du filtrage de Wiener qui lui, se place dans un contexte
stochastique.

De plus, on montre que, sous lhypothse que le bruit w est blanc, lestimateur des moindres carrs de h est linaire,
sans biais et de variance minimale (estimateur optimal).

Enfin, la mthode des moindres carrs stend sans difficult un modle dobservation non linaire. Il suffit de remplacer
dans le problme prcdent h X par lexpression suppose de forme connue ( ) h X dpendant de faon non linaire du
paramtre h estimer. Malheureusement, il nest alors plus possible de donner une expression analytique de largument
du minimum de la fonction de cot ( ) ( ) [ ] ( ) [ ] h X y h X y h =

J (plus gnralement
( ) ( ) [ ] ( ) [ ] h X y h X y h =

J
)
et on se contente dalgorithmes classiques de minimisation numrique. Ces algorithmes souffrent en gnral de
lexistence de minima locaux et posent le problme de la vitesse de convergence. En outre, ces minima ne possdent
pas le caractre optimal prcdent.

Moindres carrs rcursif Algorithme RLS (Recursive Least Squares)

La relation des moindres carrs direct : ( ) y X X X h

=
1
fait que le calcul de h ncessite la manipulation
dune matrice X de dimension n kx .

Si cette matrice est construite partir dun flux continu de donnes et que lon veut effectuer le calcul en temps rel, le fait
que la taille de X crot de faon illimite rend impossible un calcul direct partir de la relation ( ) y X X X h

=
1
.

Heureusement, lalgorithme des moindres carrs rcursif fournit une solution pouvant tre implmente en temps rel et
qui prsente en outre lavantage de ne pas recourir une inversion matricielle. Il fonctionne par mise jour de la valeur
h au fur et mesure que les donnes arrivent.

Indexons par i les valeurs obtenues ltape i :
i i i i
y X P h

= avec : ( )
1
=
i i i
X X P

En notant :
=

+
+
1
1
i
i
i
x
X
X o :
+1 i
x dsigne la ( )
ime
i 1 + ligne de la matrice
1 + i
X
on dduit : [ ]

+ +
+
+
+
+ =
=
1 1
1
1 1 1 i i i i
i
i
i i i i
x x X X
x
X
x X X X
et donc : ( )
1
1 1
1
1

+
+
+ =
i i i i
x x P P

7. 4

En appliquant
1 + i
P lidentit suivante pour une matrice R et un vecteur u: ( )

+
= +
u R u
R u u R
R u u R
1
1 1
1
1
1

on a :
1 1
1 1
1
1
+
+ +
+
+
=
i i i
i i i i
i i
x P x
P x x P
P P
En reportant dans lexpression de
1 + i
h donne par : [ ] ( )
1 1 1
1
1 1 1 + +
+
+
+
+ +
+ =
=
i i i i i
i
i
i i i i
y
y
x y X P
y
x X P h
il vient finalement : ( )
i i i i i i
y h x K h h

+ + +
+ =
1 1 1
avec :
1 1
1
1
+
+
+
+
=
i i i
i i
i
x P x
x P
K (vecteur dim. 1 x n )

Dans cette expression, le terme
i i i
y h x
1 1 + +
apparat comme lerreur entre la valeur observe
1 + i
y et la valeur
i i
h x
1 +
que lon aurait d observer si
i
h tait exacte.

Lalgorithme des moindres carrs rcursifs scrit donc :

. Valeurs initiales : 1 = i
( ) ( )
1 x 1 + +
=
n n
i
I
P avec
( ) ( ) 1 x 1 + + n n
I : matrice identit dim. ( ) ( ) 1 1 x + + n n
et 1 << ( 0 > ) ( coefficient rel)
0 h =
i

. Pour 1 , , 1 = k i L Rpter :
1 1
1
1
+
+
+
+
=
i i i
i i
i
x P x
x P
K avec [ ]
i n i n i i
x x x L
1 + +
= x
( )
i i i i i i
y h x K h h

+ + +
+ =
1 1 1

1 1
1 1
1
1
+
+ +
+
+
=
i i i
i i i i
i i
x P x
P x x P
P P

A condition davoir k grand, il est inutile de partir des Conditions Initiales exactes faisant intervenir le calcul de
1
P et
1
h partir de la relation :
i i i i
y X P h

= .


Lalgorithme des Moindres carrs moyens (algorithme LMS), encore appel gradient stochastique, nest autre que la
version rcursive du filtre de Wiener (voir Filtrage de Wiener).

Identification par la mthode des moindres carrs

Cas monovariable ( 1 = n )

Soient k observations
i
y , ] 1 [ k i L , dun signal dpendant linairement dun paramtre a estimer et de variable
connue
i
x (exemple le temps :
i
x = instants de prises de mesures, pour un signal y
i
fonction du temps) : a X y =
Lestim de a au sens dun critre dcart quadratique ( moindres carrs) est donn par a .

. Si nombre dobservations k < nombre n (n=1 si cas monovariable) de paramtres estimer Solution impossible dterminer
. Si nombre dobservations k = nombre n (n=1 si cas monovariable) de paramtres estimer Solution exacte : pas de moindres carrs appliquer
. Si nombre dobservations k >= nombre n (n=1 si cas monovariable) de paramtres estimer Solution minimisant lerreur quadratique = Moindres
carrs.

a peut tre dtermin directement (moindres carrs direct LS) ou rcursivement (moindres carrs rcursif RLS) :

7. 5

Calcul direct - Moindres Carrs Direct - Algorithme LS (Least Squares)
[ ] y X X X
X X
y X
=
= =

=
=
1
1
2
1
k
i
i
k
i
i i
x
y x
a
avec :
[ ]
a
k k
y
y
y
k x x x
a
k
x
x
x
k
k
k
X y
y
X
X
=
=
=
=
ns observatio : vecteur
: vecteur
estimer paramtre : scalaire
variable : vecteur
: ) 1 , (
...
) , 1 ( ...
1 : ) 1 , 1 (
: ) 1 , (
...
2
1
2 1
2
1

Le calcul direct, dans le cas multivariable, va impliquer une inversion de matrice.

Calcul rcursif Temps Rel - Moindres Carrs Rcursif - Algorithme RLS (Recursive Least Squares)

On itre sur les k observations ] 1 [ k i L :

Pour i = 1 k :

[ ]
i i i i i i
i i i i i
i i
i i
i
x a y K a a
x P K P P
x P
x P
K
1 1
1 1
2
1
1

1

+ =
=
+

=
avec :
X X
= =

=
1 1
) 1 , 1 ( " , ,
1
2
: scalaires"
k
i
i
k
i i i
x
P
P K a

[ ]
k k k k k k k
k k k
x a y x P a a
x P K
1 1

+ =
=

On peut implmenter la rcurrence sans les indices car il nest pas ncessaire de mmoriser les rsultats intermdiaires :

Pour i = 1 k :

[ ]
i i
i
i
i
x a y K a a
x P K P P
x P
x P
K

1
2
+ =
=
+

=
avec : ) 1 , 1 ( , , : scalaires P K a

Un calcul rcursif ncessite dtre initialis. On peut initialiser principalement de 2 faons :

Initialisation

1) On initialise partir de la mesure dindice m i = :
On effectue un calcul direct partir des m premires observations, et ensuite on rcure partir de 1 + m jusqu k :
Calcul direct : Q P a a
m m
= = avec :
k m
y
y
y
y x Q
k m
x
x
x
x
P
m
m
i
i i
m
m
i
i
m
<
= = =
<
= =
et avec
et avec
2
1
1
2
1
1
2
1 1
M
M
y y X
X
X X
) 1 , 1 ( : scalaire Q
ou :

7. 6

2) On initialise partir de la mesure dindice 0 = = m i :
On choisit une valeur de
m
P suffisamment grande partir dun certain nombre dobservations, lestimation est
indpendante de la Condition Initiale
m
a que lon peut choisir arbitrairement (en particulier 0 =
m
a ).
(
m
P est une mesure de lerreur de lestimation effectue avec les m 1res observations).
(Une valeur faible de
i
P indique que
1
i
a converge vers
i
a ).

Avec cette initialisation, il faut suffisamment dobservations pour pouvoir converger avec prcision vers la solution
exacte
k
a fournie par le calcul direct.

Le calcul rcursif, par nature, implique une propagation derreur de troncature.

Cas multivariable

Soient k observations
i
y , ] 1 [ k i L , dun signal dpendant linairement de n paramtres a estimer, avec
n k (systme surdtermin) ( [ ]
n
a a a ...
2 1
=
a ) et de variables connues
i
x :
a X y = avec [ ] [ ] k i
i
L 1 =

x X .
Lestim de a au sens dun critre dcart quadratique ( moindres carrs) est donn par a .

. Si nombre dobservations k < nombre n (n=1 si cas monovariable) de paramtres estimer Solution impossible dterminer
. Si nombre dobservations k = nombre n (n=1 si cas monovariable) de paramtres estimer Solution exacte : pas de moindres carrs appliquer
. Si nombre dobservations k >= nombre n (n=1 si cas monovariable) de paramtres estimer Solution minimisant lereur quadratique = Moindres
carrs.

a peut tre dtermin directement (moindres carrs direct) ou rcursivement (moindres carrs rcursif) :

Calcul direct - Moindres Carrs Direct - Algorithme LS (Least Squares)

[ ] y X X X a =

avec :
[ ]
[ ]
[ ]
[ ]
a X y
y y
a a
x X
x
=
=
=
=
=
= =
ns observatio : vecteur
estimer paramtres : vecteur
variables : matrice
]) [1, intervalle l' dans valeur variables : vecteur
: ) 1 , ( : ...
: ) 1 , ( : ...
: ) , ( ] , 1 [
( : ) , 1 ( ...
2 1
2 1
2 1
2 1
1 12 11
2 1
k k y y y
n n a a a
n k k i
x x x
x x x
x x x
i n x x x
k
n
i
kn k k
in i i
n
n i
k une
L
M L M M
L
M L M M
L

Le calcul direct, dans le cas multivariable, implique une inversion de matrice.

Calcul rcursif Temps Rel - Moindres Carrs Rcursif - Algorithme RLS (Recursive Least Squares)

On itre sur les k observations ] 1 [ k i L :

Pour i = 1 k :
( )
[ ]
1 1
1 1
1
1 1

1
+ =
=
+ =
i i i i i i
i i i i i
i i i i i i
y a x K a a
P x K P P
x P x x P K
avec :
( )
[ ]
[ ] estimer paramtres vecteur :
ns observatio d' nombre : 1 ns observatio : scalaire" :
:
variables :
:
matrice) de inversion d' (pas scalaire :
: )" 1 , ( " ... ) 1 , (
" ) 1 , 1 (
) 1 , (
: ... ) 1 , (
) , (
) 1 , 1 ( 1
2 1
2 1
1
n n a a a n
k k
n
n x x x n
n n
n i i
i
i
n i i
i
i i i
k i y
=
=
+

a a
x
P
x P x
K
x


7. 7

On peut implmenter la rcurrence sans les indices car il nest pas ncessaire de mmoriser les rsultats intermdiaires :

Pour i = 1 k :
( )
[ ] a x K a a
P x K P P
x P x x P K

1
1
+ =
=
+ =
i i
i
i i i
y

Un calcul rcursif ncessite dtre initialis. On peut initialiser principalement de 2 faons :

Initialisation

1) On initialise partir de la mesure dindice m i = :
On effectue un calcul direct partir des m premires observations :
on obtient
m
a (n,1),
m
P (n,n) et Q (n,1), et ensuite on rcure partir de 1 + m jusqu k :
Calcul direct : Q P a a = =
m m
avec :
[ ]
[ ]
m
mn m m
in i i
n
m
y y y
x x x
x x x
x x x
...
2 1
2 1
2 1
1 12 11
1
avec
avec
= =

= =

y y X Q
X X X P
L
M L M M
L
M L M M
L

ou :

2) On initialise partir de la mesure dindice 0 = = m i :
On choisit la matrice
m
P avec des valeurs grandes sur la diagonale et 0 sinon (
m
P prise diagonale).
A partir dun certain nombre dobservations, lestimation est indpendante de la Condition Initiale
m
a que lon peut
choisir arbitrairement (en particulier 0 a =
m
).
(
m
P est une mesure de lerreur de lestimation effectue avec les m 1res observations).
(Une valeur faible de
i
P indique que
1
i
a converge vers
i
a ).

Avec cette initialisation, il faut suffisamment dobservations pour pouvoir converger avec prcision vers la solution
exacte
k
a fournie par le calcul direct.

Le calcul rcursif, par nature, implique une propagation derreur de troncature.

Application : Identification de processus
Lidentification par la mthode des moindres carrs permet didentifier les chantillons de sortie ) (i y du systme
considr, comme issus dun processus ARMA (modle gnral).
Lintrt est videmment de pouvoir ainsi disposer de la FT du processus considr.
(sil ny a pas dentre ) (i u (ou si elle est non ou mal connue), on se limite un modle AR purement rcursif) :

) (i u
) (i y
) (i
) ( i y
+
-
Processus rel
Modle
Entre
Sortie
Erreur
Prdiction
) (z G

Modle : Processus ARMA :
q
q
p
p
z a z a z a
z b z b z b b
z G

+ + + +
+ + + +
=
L
L
2
2
1
1
2
2
1
1 0
1
) ( .

7. 8

Les paramtres estimer sont :
p q
b b b a a a , , , , , , ,
1 0 2 1
L L ( 1 + + = q p n paramtres estimer).
On suppose que la squence dentre ) (i u applique excite tous les modes du processus.

- squence dentre : ) 0 ( u , ) 1 ( u L ) 1 ( k u : k observations
- squence observe : ) 0 ( y , ) 1 ( y L ) 1 ( k y
Les squences dentre et de sortie sont observes sur ] 1 0 [ k i L . On va appliquer le critre quadratique de
moindres carrs pour minimiser lnergie de lerreur.

On a :
) (
) (
1
) (
2
2
1
1
2
2
1
1 0
z U
z Y
z a z a z a
z b z b z b b
z G
q
q
p
p
=
+ + + +
+ + + +
=

L
L
do, par
1
TZ :
) ( ) 1 ( ) ( ) ( ) 2 ( ) 1 ( ) (
1 0 2 1
p i u b i u b i u b q i y a i y a i y a i y
p q
+ + + + = L L (0)

) ( i y est lestime de ) (i y , ou encore sa prdiction, son modle calcul partir des observations prcdentes.

Pour calculer ) ( i y il faut bien dmarrer la rcurrence et utiliser les observations. Lquation (0) devient ainsi :
) ( ) 1 ( ) ( ) ( ) 2 ( ) 1 ( ) (
1 0 2 1
p i u b i u b i u b q i y a i y a i y a i y
p q
+ + + + = L L
et lerreur ) (i scrit :
) ( ) 1 ( ) ( ) ( ) 2 ( ) 1 ( ) ( ) ( ) ( ) (
1 0 2 1
p i u b i u b i u b q i y a i y a i y a i y i y i y i
p q
+ + + + = = L L

do on tire lobservation :
) ( ) ( ) 1 ( ) ( ) ( ) 2 ( ) 1 ( ) (
1 0 2 1
i p i u b i u b i u b q i y a i y a i y a i y
p q
+ + + + + = L L
(1)

Les squences dentre et de sortie tant observes sur ] 1 0 [ k i L , on a le systme dquations :
{ }
{ }
{ }
+ + + + + + + =
+ + + + + + =
+ + + + =
+ + =
+ =
) 1 ( ) 1 ( ) 3 ( ) 2 ( ) 1 ( ) 2 ( ) 1 ( ) 1 (
) 3 ( ) 0 ( ) 1 ( ) 2 ( ) 0 ( ) 1 ( ) 2 ( ) 3 ( ) 3 (
) 2 ( ) 0 ( ) 1 ( ) 0 ( ) 1 ( ) 2 ( ) 2 (
) 1 ( ) 0 ( ) 0 ( ) 1 ( ) 1 (
) 0 ( ) 0 ( ) 0 (
2 1 1 0
3 2 1 3 2 1 0
2 1 2 1 0
1 1 0
0
k q k y a k y a k y a p k u b k u b k u b k y
y a y a y a u b u b u b u b y
y a y a u b u b u b y
y a u b u b y
u b y
q p

L L
M

Do la relation matricielle :
) 1 (
) 1 (
) 0 (
) 1 ( ) 3 ( ) 2 ( ) 1 ( ) 2 ( ) 1 (
0 0 ) 0 ( ) 1 ( 0 ) 0 ( ) 1 ( ) 2 (
0 0 ) 0 ( 0 0 ) 0 ( ) 1 (
0 0 0 0 ) 0 (
) 1 (
) 1 (
) 0 (
2
1
1
0
k
a
a
a
b
b
b
q k y k y k y p k u k u k u
y y u u u
y u u
u
k y
y
y
q
p
M
M
L
M
L M L
M M M M M M M M
M
L M
L L M L
M
(2)
1444442444443 1444442444443
1 + p q
(kx1) (kxn) (nx1) (kx1)

soit :

7. 9

+ = a X y (3) avec
=
) 1 ( ) 3 ( ) 2 ( ) 1 ( ) 2 ( ) 1 (
0 0 ) 0 ( ) 1 ( 0 ) 0 ( ) 1 ( ) 2 (
0 0 ) 0 ( 0 0 ) 0 ( ) 1 (
0 0 0 0 ) 0 (
q k y k y k y p k u k u k u
y y u u u
y u u
u
L M L
M M M M M M M M M
M
L M
L L M L
X

Soit le critre quadratique : = =

2
1
) (
2
1
1
0
2
k
i
i J
La solution qui minimise J conduit la relation des moindres carrs : (calcul direct) : [ ] y X X X a =

1

Application : Identification dun canal de communication
x
i
y
i
h
i

On modlise un canal de communication par un filtre RIF de RI : { }
1 1 0
, , ,
n
h h h L
Le problme de lidentification de ce canal est destimer la RI { }
i
h ( n inconnues)

La mthode la plus simple consiste envoyer une squence connue { }
i
x de k symboles ( 1 , , 0 = k i L ) ( n k ),
dite squence dapprentissage, et dobserver la sortie { }
i
y du canal.

En pratique, comme le canal nest gnralement pas stationnaire (il varie dans le temps), on est conduit refaire
rgulirement cette opration en faisant prcder chaque trame de symboles par une squence dapprentissage.

Lobservation en sortie du canal scrit : (la squence dapprentissage et la RI du filtre sont supposes causales)

i n i n i i i
n
j
j i j i i i i
w x h x h x h w x h w x h y + + + + = + = + =
+
=
1 1 1 1 0
1
0
* L
o : { }
i
w reprsente un bruit additif qui vient se superposer au signal transmis.

En crivant la suite des k observations sous forme matricielle, pour i allant de n 1 + k n , on a :

+
+
+ 1 1
0
1 2
1 2
0 1 1
1 k n
n
n
k k k n
n
n
k n
n
w
w
h
h
x x x
x x x
x x x
y
y
M M
L
M M M M
L
L
M

Le vecteur h qui minimise lcart quadratique ( ) ( ) ( ) h X y h X y h = =

J
2
est donn par :
( ) y X X X h

=
1
(moindres carrs direct)

On peut se demander sil existe des squences dapprentissage meilleures que dautres.

La rponse est oui.

Ainsi, si on considre que la squence { }
i
x est une ralisation dun processus alatoire stationnaire ergodique, on peut
montrer que les performances sont optimales lorsque ce processus est blanc (ce rsultat tait prvisible, car il y a tout
dans un bruit blanc, ce dernier excite donc tous les modes, toutes les frquences du canal).

On sefforcera donc mettre des squences dapprentissage qui ressemblent autant que possible du bruit blanc.

7. 10

7 ANNEXE. Filtrage optimal

II. FILTRAGE DE WIENER

Considrons un systme S dont lentre
n
x et la sortie
n
y sont 2 processus alatoires, rels, centrs, stationnaires au
2nd ordre.
On suppose connues la fonction dautocovariance
k
XX
R de
n
x et la fonction de covariance [ ]
n k n
X Y E
+

(les signaux
n
x
et
n
y
sont une ralisation des VA
n
X
et
n
Y
).
On suppose que
n
y et
n
x sont de covariance stationnaire, ce qui signifie que [ ]
n k n
X Y E
+
ne dpend que de k et peut
scrire
k
YX
R .

On se propose de dterminer le filtre linaire de RI Finie (MA) ( N points) : { } { }
1 1 0
, , ,

=
N n
h h h h L qui soit la
meilleure approximation du systme S .

On pose :
1 1 1 1 0
1
0
*
+
=

+ + + = = =
N n N n n
N
k
k n k n n n
x h x h x h x h x h y L
et :
n n n
y y =

On cherche la squence { }
n
h qui minimise lnergie ( moyenne statistique de la puissance) de lerreur
n
(critre
quadratique) : [ ]
2
n
E

n
n
y
n
y
n
x
S
n
h
+
-

Daprs le thorme de projection (vu plus haut, avec les moindres carrs), les coefficients qui minimisent lcart quadratique
entre
n
y et
n
y sont tels que lerreur
n
(= y y
n n
$ ) est orthogonale tout lment de lespace de projection. Or cet
espace est engendr par les variables alatoires
k n
x

o { } 1 , , 1 , 0 N k L .

Par consquent, au sens de lorthogonalit dans lespace de Hilbert des VAs de carr sommable, on a, pour tout
{ } 1 , , 1 , 0 N k L : ( ) [ ] ( ) [ ] 0
1 1 1 1 0
= =
+ k n N n N n n n k n n n
x x h x h x h y E x y y E L

soit : { } 1 , , 1 , 0 N k L : ( ) [ ] [ ]
k n n k n N n N n n
x y E x x h x h x h E
+
= + + +
1 1 1 1 0
L

Cette relation peut scrire sous forme matricielle (quation de Wiener-Hopf) : r h R =

en posant : et o par dfinition :
[ ]
+
=
1 N n n n
x x L x [ ]
=
n n
E x x R
[ ]
=
1 0 N
h h L h [ ]
n n
y E x r =

R et r scrivent partir des fonctions de covariance
k
XX
R et
k
YX
R :

0 1
1 0
XX XX
XX XX
R R
R R
N
N
L
M L M
L
R
=
1
0
N
YX
YX
R
R
M r
Le filtre de Wiener , solution de lquation de Wiener-Hopf, sobtient aisment :
r R h
1
=


7. 11

Evidemment, dans le cas o le systme S est un filtre linaire RIF de RI
n
g , de dure finie N ,
n
h est exactement
gale
n
g et le minimum de [ ]
2
n
E est gal 0.
(On peut le montrer en rappelant que, pour un filtre linaire, la fonction de covariance
k
YX
R
entre lentre et la sortie est donne par
:
k k
XX k YX
R h R * =
)

La solution trouve : r R h
1
= ncessite une inversion matricielle. On peut toutefois lviter par mise en oeuvre
de lalgorithme du gradient.

Algorithme du gradient (version rcurrente du filtre de Wiener)

Considrons lquation rcurrente : [ ] ) 1 ( ) 1 ( ) ( + = n n n h R r h h
o : ) (n h dsigne le vecteur obtenu au pas ditration n . Le coefficient rel est appel le pas du gradient.

A condition de choisir :
) ( max
2
0
i i

< < (
i
dsignent les valeurs propres de R)
on montre que ) (n h converge vers le filtre de Wiener.

(En effet la solution de lquation rcurrente : [ ] ) 1 ( ) 1 ( ) ( + = n n n h R r h h est donne par : ( ) ) 0 ( ) (
1
h A r R A I h
n n
n + =

o on a pos : ( ) R I A = et utilis lidentit : ( )( )
n n
A I A I A A I = + + +
1
L )


Si on connat R et r , lalgorithme du gradient fournit une solution au problme pos.

Malheureusement, R et r sont gnralement inconnus et doivent tre estims partir des donnes observes.

Lalgorithme des moindres carrs moyens (algorithme gradient stochastique ou encore LMS - Least Mean Squares),
algorithme adaptatif imagin par Widrow (1985), vite le calcul de ces estimations.

Posons : [ ]
+
=
1 N n n n
x x L x et : ) 1 ( ) ( =

n y n e
n n
h x

On peut crire : [ ] [ ] [ ] ) ( ) 1 ( ) 1 ( n e E n E y E n
n n n n n
x h x x x h R r = =

Notons que ) (n e reprsente la diffrence entre la valeur
n
y linstant n en sortie du systme S et la valeur calcule
avec les coefficients obtenus linstant 1 n .

Si ) (n e est nulle, on peut considrer que les coefficients ont la bonne valeur, sinon il faut les corriger. Lerreur ) (n e
est diffrente de lerreur
n n n
y y = dfinie plus haut et qui fait intervenir la limite cherche.

En consquence, lquation rcurrente a pour expression : [ ] ) ( ) 1 ( ) ( n e E n n
n
x h h + =

7. 12

Une ide, dont le mrite revient Widrow, est de remplacer dans lquation rcurrente, lestime de [ ] ) (n e E
n
x par
sa valeur instantane ) (n e
n
x . Et a marche ! A condition daccepter une oscillation rsiduelle autour de la
solution.

On obtient 2 quations qui constituent lalgorithme du gradient stochastique ou algorithme LMS :

Algorithme LMS

. Valeur initiale : 0 h = ) 0 (
. Rpter :
) 1 ( ) ( =

n y n e
n n
h x
) ( ) 1 ( ) ( n e n n
n
x h h + =

III. FILTRAGE DE KALMAN

Lapproche de Kalman permet de saffranchir de lhypothse de stationnarit des signaux. Elle met profit la
Reprsentation dEtat.

Exemple :

Soit un vhicule se dplaant sur une droite avec une vitesse v constante.

Partant de la position initiale
0
d , sa position linstant t est donne par : vt d t d + =
0
) (

Cette quation de mouvement peut encore scrire ( t est discret) :
= = +
+ = +
) ( ) ( ) 1 (
) ( ) ( ) 1 (
v t v t v
t v t d t d

avec comme CIs (Conditions Initiales) :
=
=
v v
d d
) 0 (
) 0 (
0

En fait, on na pas vraiment confiance dans lhypothse selon laquelle la vitesse est constante (le modle dvolution de
la vitesse dont on dispose est imprcis). Pour prendre en compte dventuelles variations, on suppose que :

+ = +
+ + = +
) ( ) ( ) 1 (
) ( ) ( ) ( ) 1 (
2
1
t b t v t v
t b t v t d t d

o : ) (
1
t b et ) (
2
t b sont 2 processus alatoires figurant un bruit de modle.

Lquation dvolution a donc pour expression matricielle :
+
+
) (
) (
) (
) (
1 0
1 1
) 1 (
) 1 (
2
1
t b
t b
t v
t d
t v
t d

Supposons prsent que la position ) (t d soit observe la sortie dun dispositif bruit qui dlivre la valeur :
) ( ) ( ) ( t u t d t y + =
o : ) (t u est un processus alatoire figurant un bruit dobservation, un bruit de mesure.

7. 13

Le problme se ramne donc alors au systme dquations :
[ ]
+
+
) (
) (
) (
0 1 ) (
) (
) (
) (
) (
1 0
1 1
) 1 (
) 1 (
2
1
t u
t v
t d
t y
t b
t b
t v
t d
t v
t d

En passant une criture matricielle, on a :
+ =
+ = +
n observatio d' quation
Etat d' quation
t t t
t t t
) ( ) ( ) (
) ( ) ( ) 1 (
u x C y
b x A x

en posant : . Etat ( ) 1 x n :
=
) (
) (
) (
t v
t d
t x
. Observation vectorielle ( ) 1 x p : ) (t y
.
=
1 0
1 1
A ( ) n nx
.
=
) (
) (
) (
2
1
t b
t b
t b ( ) 1 x n
. [ ] 0 1 = C ( ) n p x
. ) ( ) ( t u t = u ( ) 1 x p

Le filtre de Kalman fournit la meilleure estimation en moyenne quadratique de ) (t x partir de lobservation ) (t y .

Dans sa forme la plus simple, on fait les hypothses suivantes (bruits de modle et dobservation les pires possibles :
bruits blancs) :

. les composantes de ) (t b et ) (t u sont des processus alatoires centrs, blancs et non corrls entre eux.

Leurs matrices de covariance respectives ont pour expression : ( t et sont discrets)

[ ] ) (
0 0
0
0 0
0 0
) ( ) ( ) (
2
2
2
2
1

= + =

n
b
b
b
t t E
L
M M M
M
L
b b R
b

[ ] ) (
0 0
0
0 0
0 0
) ( ) ( ) (
2
2
2
2
1

= + =

p
u
u
u
t t E
L
M M M
M
L
u u R
u

et :
[ ]
E t t u b ( ) ( ) + =

0

Le filtre de Kalman fournit chaque instant t lestimation ) ( t x , fonction linaire de ) ( , ), 2 ( ), 1 ( t y y y L qui
minimise lerreur quadratique [ ]
2
) ( ) ( t t E x x .

Dans le cas gaussien, cette estimation linaire est la meilleure parmi toutes les fonctions de ) ( , ), 2 ( ), 1 ( t y y y L .

7. 14

Filtre de Kalman rcursif

Le calcul direct fait intervenir linverse dune matrice de covariance de dimension t . Par consquent, quand t crot, la
dimension de cette matrice crot de faon explosive .

Lavantage du filtre de Kalman est dtre un algorithme rcursif.

Il effectue le calcul de ) ( t x linstant t par une mise jour de la valeur ) 1 ( t x obtenue linstant 1 t en tenant
compte de la dernire valeur observe ) (t y .

Algorithme du filtre rcursif de Kalman

. Valeurs initiales : [ ] ) 0 ( ) 0 ( x x E =
[ ]
K x x ( ) ( ) ( ) 0 0 0 = E

. Rpter pour 1 t :
[ ]
1
) 0 ( ) 1 ( ) 1 ( ) (

+ =
u
R C K C C K G t t t (1)
[ ] ) 1 ( ) ( ) ( ) 1 ( ) ( + = t t t t t x A C y G x A x (2)

[ ]
K A K G CK A R
b
( ) ( ) ( ) ( ) ( ) t t t t = + 1 1 0
(3)

Lexpression de cet algorithme appelle quelques remarques :

. ) (t G sappelle le gain de Kalman. Il peut tre calcul lavance. En effet les quations qui le dterminent ((1) et (3))
ne dpendent pas des donnes observes. Toutefois, part dans le cas scalaire (tat de dimension 1), la dtermination
de ) (t G requiert la rsolution dune quation rcurrente complexe.

. La signification de lquation (2) est claire. Daprs lquation dEtat, sil ny avait pas de bruit, la valeur de ) (t x
linstant t serait ) 1 ( t x A . Cest le 1er terme de lquation (2). Mais cause du bruit, il faut corriger cette valeur par
une quantit proportionnelle lcart entre la valeur observe ) (t y et la valeur que lon aurait d avoir si lquation
dobservation ntait pas bruite, savoir ) 1 ( ) ( = t t x A C x C .

. Le filtre de Kalman ncessite la connaissance de ) 0 (
b
R et ) 0 (
u
R . Cependant la thorie peut tre gnralise et
inclure la situation o il faut estimer ces quantits partir des donnes observes. Dans ce cas la suite des gains nest
plus pr-calculable.

. En rsum, le filtre de Kalman conduit lerreur quadratique minimale. Il ncessite une description dtaille du
modle de signal sans toutefois imposer de contraintes de stationnarit. Lorsque lon scarte de ce modle, les rsultats
obtenus peuvent tre trs mauvais. Le filtre de Kalman est linaire et rcursif. Le nombre doprations par point (
chantillon) est important, conduisant un temps de calcul coteux qui a parfois limit sa mise en oeuvre.

__________

Traitement du Signal TD 7. Filtrage optimal

TD 7. 1
TD 7. Filtrage optimal

I. MOINDRES CARRES

Identification par la mthode des moindres carrs

1. Rsolution dun systme dquations surdtermin au sens dun critre dcart quadratique [Voir TP]

Considrons le systme dquations :

2 3 6
3 4 7
2

+ =
+ =
+ =

Dterminer les paramtres
a par la mthode des moindres carrs direct (LS).

2. Approximation polynomiale [Voir TP]

On cherche approcher une srie de k mesures (temprature de 10 jours du mois dernier) par un polynme dordre n-1.

z
i
y
i

z
i
(abscisse) 1 2 4 7 9 12 13 16 17 19
y
i
(ordonne) 3 5 10 6 9 11 15 18 21 19

0. On choisit pour commencer un polynme dordre 0 (droite moyenne, n=1) pour approcher la srie de mesures.

Rechercher le paramtre a (ordonne lorigine de la droite moyenne) : - par LS
- par RLS
- A laide de ce modle, prdire la temprature du 20
me
jour, du 30
me
jour.

1. On choisit maintenant pour modle une droite passant par lorigine (n=1) pour identifier la srie de mesures.

Rechercher le paramtre a (pente de la droite passant par lorigine) : - par LS
- par RLS
me
jour, du 30
me
jour.

1bis. On choisit ici pour modle un polynme du 1
er
ordre (droite de rgression linaire, n=2) pour lidentification.

Rechercher le paramtre
=
1
0
a
a
a (
0
a ordonne lorigine et
1
a pente de la droite) : - par LS
- par RLS
me
jour, du 30
me
jour.

2. On choisit ici pour modle un polynme du 2nd degr (n=3) pour lidentification.
Rechercher les paramtres
=
2
1
0
a
a
a
a de la courbe qui passe par lensemble des points ( , ) z y
i i
: - par LS
- par RLS
me
jour, du 30
me
jour.

3. On choisit ici pour modle un polynme dordre n pour lidentification.
Rechercher les paramtres [ ]
1 1 0

=
n
a a a L a du polynme : - par LS
- par RLS
me
jour, du 30
me
jour.

TD 7. 2
3. Identification de processus [Voir TP]

Considrons un processus chantillonn et son modle :

) (i u
) (i y
) (i
) ( i y
+
-
Processus rel
Modle
Entre
Sortie
Erreur
Prdiction
) (z G

1. On prend comme modle : G z b b z ( ) = +

0 1
1
Filtre MA dordre 2 = n

On a donc : ) 1 ( ) ( ) (
1 0
+ = i u b i u b i y et ) 1 ( ) ( ) ( ) ( ) ( ) (
1 0
= = i u b i u b i y i y i y i

On enregistre les k donnes suivantes :

i 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
u(i) 1.0 0.8 0.6 0.4 0.2 0.0 0.2 0.4 0.6 0.8 1.0 0.8 0.6 0.4 0.2
y(i) 0.9 2.5 2.4 1.3 1.2 0.8 0.0 0.9 1.4 1.9 2.3 2.4 2.3 1.3 1.2

- En utilisant la mthode des moindres carrs, dterminer les paramtres optimaux du modle
$
b
0
et
$
b
1
.
- Tracer les rponses ) (i y et ) ( i y ainsi que la commande ) (i u sur un mme graphe.

2. Mmes questions en prenant un modle plus gnral :
q
q
p
p
z a z a
z b z b b
z G

+ + +
+ + +
=
... 1
...
) (
1
1
1
1 0
Filtre ARMA dordre
1 + + = q p n


TD 7. 3
TD 7 Annexe. Filtrage optimal

I. MOINDRES CARRES - II. FILTRAGE DE WIENER - III. FILTRAGE DE KALMAN

Dtermination de l'inverse stable d'un fitre RIF - Egalisation - Moindres carrs -
Dbruitage dun signal par filtrage de Kalman

On considre un fitre linaire causal RIF de RI
n
h 1 + N coefficients et de FT
=
N
i
i
i
z h z H
0
) ( .
Son inverse de FT : ) ( ) (
1
z H z G

= est un filtre RII (de RI
n
g ) pouvant tre instable ( ) (z G a des ples) sil est
implment sous forme causale.

On peut toutefois assurer sa stabilit quitte en prendre une forme non causale. On perd alors limplmentation temps
rel (calcul en ligne) du filtre (le filtrage se fait alors en temps diffr).

Une autre solution consiste approcher
n
g par un filtre RIF de support de longueur 1 + L pris causal gnralement.

Application
On considre le filtre RIF de RI
n
h 1 + N coefficients : ( 2 = N ) :
=
=
=
1
2
5
1
2
1
0
h
h
h
. Sa FT est ) (z H .

Dtermination de l'inverse stable d'un filtre RIF

1. Mettre en vidence le caractre instable de la RI [ ] ) ( ) (
1 1
z H z G TZ g
n

= = prise causale.

2. Dterminer la RI [ ] ) ( ) (
1 1
z H z G TZ g
n

= = stable mais non causale.

Egalisation

3. Dans le cas o on limite le support de
n
g une longueur 1 + L (filtre RIF) :
L
g g g , , ,
1 0
L
(filtre causal) montrer que le problme peut se mettre sous la forme dun systme linaire, en crivant la relation
dgalisation :

n n n n
N
k
k n k n n
g h g h g h g h h g = + + = =

=
2 2 1 1 0
0
* pour n allant de 0 = n jusqu L n = .

On implmentera la mthode avec 3 = L .

Moindres carrs

4. Implmenter la mthode des moindres carrs pour dterminer le filtre restaurateur { } { }
L n
g g g g , , ,
1 0
L = :
. moindres carrs direct (LS)
. moindres carrs rcursifs (RLS)

TD 7. 4
Dbruitage dun signal par filtrage de Kalman

On observe le signal : ) ( ) ( ) ( t u t x t y + = o Z t .

On dispose du modle suivant dvolution du signal (modle AR du 1er ordre) :
. quation dEtat : ) ( ) 1 ( ) ( t b t x a t x + = avec : 9 . 0 = a
. quation dobservation : ) ( ) ( ) ( t u t x t y + =

Les bruits de modle ) (t b et dobservation ) (t u sont centrs, blancs et non corrls entre eux.
Leur variance respective est : 1
2
=
b
9
2
=
u

On pose :
2
2
u
b
=

5.1. Dterminer lexpression de la puissance
0
P correspondant la solution stationnaire de lquation dEtat. On
prendra cette valeur comme expression initiale de [ ] ) 0 (
2
x E .

5.2. Ecrire un programme qui met en oeuvre le filtre de Kalman sur la trajectoire propose.

__________

Traitement du Signal TP 7. Filtrage optimal
0 10 20
0
10
20
30
y
x
y
T 0 1 2 3 4 5 6 7 8 9
0 3 5 10 6 9 11 15 18 21 19
=
x
T 0 1 2 3 4 5 6 7 8 9
0 1 2 4 7 9 12 13 16 17 19
=
k 10 = k length x ( ) := y data
1

:= x data
0

:=
data
1 3
2 5
4 10
7 6
9 9
12 11
13 15
16 18
17 21
19 19
:=
y(x) x Donnes
2. Modlisation d'une srie de k donnes par un polynme d'ordre n [Voir TD]
(La mthode des Moindres Carrs requiert toujours une surdtermination : k n .
Si k=n, ce n'est plus un problme d'optimisation et la solution est exacte :
il s'agit du polynme de Lagrange d'ordre n=k, ou encore une courbe spline, Bzier ...).
Y = Y Y X a := a
Vrification : prdiction Y :
a= a a:= y:= X := LS
(cas multivariable)
1. Rsolution d'un systme de k quations n inconnues [Voir TD]
Si k=n, ce n'est plus un problme d'optimisation et la solution est exacte, obtenue par inversion matricielle
(alors qu'on a une pseudo-inverse en ce qui concerne le systme surdtermin)).
I. MOINDRES CARRES
TP 7. Filtrage optimal
TP 7. 1
yk = yk yk f xk ( ) := f xk 20 := Prdiction
21
3
y
f x ( )
19 1 x
y
f x ( ) 0x a + := a a= a a:= RLS
a= a a mean y ( ) := y
Vrification : Fonction intgre Mathcad
21
3
y
f x ( )
19 1 x
y
y
T
= y
x
T 0 1 2 3 4 5 6 7 8 9
0 1 2 4 7 9 12 13 16 17 19
=
f x ( ) 0x a + := a a= a
a a
0
:= a a= a a:= y:= X := LS
0. Polynme d'ordre 0 (droite moyenne) (cas monovariable)
TP 7. 2
21
1.1
y
f x ( )
19 1 x
y
f x ( ) ax := a a= a a:= RLS
21
1.101
y
f x ( )
19 1 x
y
y
T
= y
X
T
= X
f x ( ) ax := a a= a a a
0
:= a a:= y:= X := LS
1. Droite passant par l'origine (cas monovariable)
TP 7. 3
21
3
y
f x ( )
19 1 x
y
f x ( ) a
1
x a
0
+ := a a= a a:= RLS
a= a
a
1
slopeX
1

y ,
( )
:= y
a
0
intercept X
1

y ,
( )
:= y
Vrification : Fonctions intgres Mathcad
21
3
y
f x ( )
19 1 x
y
y
T
= y
X
T
= X
f x ( ) a
1
x a
0
+ := a a= a
a:= y:= X
1

:= X
0

:= LS
1bis. Polynme du 1er ordre (droite de rgression linaire) (cas multivariable)
TP 7. 4
21.332
3
y
f x ( )
19 1 x
y
f x ( ) a
2
x
2
a
1
x + a
0
+ := a a= a a:= RLS
y
T
= y
21.059
3
y
f x ( )
19 1 x
y
X
T
= X
f x ( ) a
2
x
2
a
1
x + a
0
+ := a a= a
a:= y:= X := LS
2. Polynme du 2nd ordre (cas multivariable)
TP 7. 5
21
1.018
y
f x ( )
19 1 x
y
f x ( )
0
n
i
a
i
x
i
=
:= a
a
T
= a
a:= RLS
21
2.477
y
f x ( )
19 1 x
y
y
T
= y
a
T
= a
f x ( )
0
n
i
a
i
x
i
=
:= a
a:= y:= X := LS
k 10 = n 5 := 3. Polynme d'ordre n (cas multivariable)
TP 7. 6
2.657
0
u
y
Y
14 0 i
y
Y
y
i
b
0
u
i
i 0 = if
y
i
b
0
u
i
b
1
u
i 1
+ otherwise
i 0 k 1 .. for
y
:=
b
Vrification : Sortie prdite Y :
b= b b a := a
Coeffs du filtre :
a= a a:= y:= X := LS
1. FT n=2 coeffs (cas multivariable)
0 5 10 15
0
2
4
u
y
i
k 15 = k length u ( ) :=
y data
2

:= u data
1

:= i data
0

:=
data
0 1 0.9
1 0.8 2.5
2 0.6 2.4
3 0.4 1.3
4 0.2 1.2
5 0 0.8
6 0.2 0
7 0.4 0.9
8 0.6 1.4
9 0.8 1.9
10 1 2.3
11 0.8 2.4
12 0.6 2.3
13 0.4 1.3
14 0.2 1.2
:=
y(k) u(k) k Donnes
3. Identification de la Fonction de Transfert n coeffs d'un processus [Voir
TD]
partir de k mesures de sa sortie (et de k valeurs de l'entre correspondante)
Si k=n, ce n'est plus un problme d'optimisation, la solution est exacte,obtenue par dconvolution).
TP 7. 7
2.657
0
u
y
Y
14 0 i
y
Y
y
i
0
min p i , ( )
j
b
j
u
i j
= 1
min q i , ( )
j
a
j
y
i j
=
min q i , ( ) 1 if
y
i
0
min p i , ( )
j
b
j
u
i j
=
otherwise
i 0 k 1 .. for
y
:=
y
Vrification : Sortie prdite Y :
a
T
= a b
T
= b
a
c
j p
a
j
j p 1 + p q + .. for p q + p 1 + if
c
:=
a
b
b
j
a
j
j 0 p .. for
b
:=
a
Coeffs du filtre :
a
T
= a a:= y:=
n 2 =
n p q + 1 + :=
X := q 0 := p 1 := LS
2. FT n=p+q+1 coeffs (cas multivariable)
TP 7. 8
Y
i
0 :=
Exemple de signal d'entre :
x whiten n k + 1 ( ) := Bruit blanc d'entre =meilleur apprentissage possible
Exemple de RI (vraie) du canal :
j 0 n 1 .. := h
j
j := h
T
0 1 2 ( ) =
Sortie :
p 0 n k + 2 .. := y
p
y
p
y
p
h
m
x
p m
+ m p if
m 0 n 1 .. for :=
Bruitage de la sortie (canal) :
w
p
rnd 0.2 ( ) := y
p
y
p
w
p
+ :=
Constitution de la matrice X : Rservation mmoire :
Conclusion: . pour k = n :
. pour k > n :
h
T
0.137 1.031 1.882 ( ) = h X
1
Y :=
X submatrix X 0 , n 1 , 0 , n 1 , ( ) := Y submatrix Y 0 , n 1 , 0 , 0 , ( ) :=
Mthode directe (dconvolution)
(seulement si k = n) :
h
T
= h h:=
Moindres carrs (direct) :
Y submatrix y n 1 , n k + 2 , 0 , 0 , ( ) :=
RAZ :
ou encore : Y
i
Y
i
y
i n + 1
i 0 k 1 .. for :=
Constitution du vecteur Y[0->k-1] = y[n->n+k-1] :
X
i j ,
X
i j ,
x
n 1 i + j
j 0 n 1 .. for
i 0 k 1 .. for := X
i j ,
0 :=
TP 7 ANNEXE. Filtrage optimal
I. MOINDRES CARRES 1. Filtrage LS (Least Squares - moindres carrs direct)
Identification de la RI h (dim. n) d'un canal partir de la mesure bruite de sa rponse y (dim. k)
un signal x (dim. k)
y
n
..
y
n k + 1
=
x
n 1
x
n
..
x
n k + 2
..
..
..
..
x
1
x
2
..
x
k
x
0
x
1
..
x
k 1
.
h
0
..
h
n 1
+
w
n
..
w
n k + 1
Y Sortie vecteur kx1 X matrice kxn hRI vecteur nx1 W Bruit vecteur kx1
y
p
0 := Rservation mmoire : p 0 n k + 2 .. := j 0 n 1 .. := i 0 k 1 .. := n 3 := k 3 :=
Faire crotre k partir de la valeur k =n et comparer la RI vraie du canal avec celle obtenue par identification
Y submatrix Y 0 , 0 , 0 , 0 , ( ) := Y n : nombre de points inconnus de h
X submatrix X 0 , 0 , 0 , 0 , ( ) := X
RAZ : k : nombre de points d'observation de y Programmation :
Il faut le systme surdtermin:k n
h X
T
X
( )
1
X
T
Y :=
Solution : (Moindres carrs direct)
TP 7. 9
t 0 N .. :=
mb 0 := Vb 1 := b BruitBlanc N 1 + mb , Vb , ( ) :=
Bruit de modle
mu 0 := Vu 9 := u BruitBlanc N 1 + mu , Vu , ( ) :=
Bruit d'observation
a 0.9 :=
Vb
Vu
:=
Etat initial :
x0 20 :=
Signal bruit : Signal non bruit :
x
x
t
x0 t 0 = if
x
t
x
0
b
t
+ t 1 = if
x
t
ax
t 1
b
t
+ t 1 > if
t 0 N .. for
x
:= xnb
xnb
t
x0 t 0 = if
xnb
t
xnb
0
t 1 = if
xnb
t
axnb
t 1
t 1 > if
t 0 N .. for
xnb
:=
y
t
x
t
u
t
+ := ynb
t
xnb
t
:=
0 50 100
20
0
20
40
Signal bruit
y
t
t
0 50 100
0
20
Signal non bruit
ynb
t
t
II. FILTRAGE DE WIENER
Identification de la RI h (dim. n) d'un canal partir de la mesure bruite de sa rponse y (dim. k)
un signal x (dim. k)
1. Filtrage de Wiener
P n 1 := N P 1 + :=
Nombre de points de la RI inconnue
n N 1 :=
entre 0 et N-1
x whiten N ( ) := k 0 N 1 .. := xr
k
x
N 1 k
:= x
0.489
0.381
0.491
= xr
0.491
0.381
0.489
=
r vcov y xr , ( ) := R mautocov x ( ) := R
0.192
0.021
0.075
0.021
0.192
0.021
0.075
0.021
0.192
=
r
4.452 10
3
0.046
0.159
=
h:= h
T
= h
III. FILTRAGE DE KALMAN
1. Filtrage de Kalman
N 100 :=
TP 7. 10
Filtre de Kalman : Matrices :
A a := C 1 :=
y K
0
Vb
1 a
2
t 0 N .. for
x
:=
Signal bruit filtr (Kalman)
20
2.229
y
t
100 0 t
y
__________
TP 7. 11
a
4
0.667
0.333
=
a
i
-0.667
0.333
=
i 1 N .. :=
V 4 = V a
0
:=
r
2
0 :=
r
1
3 := N 2 :=
r
0
6 := K 3 :=
Exemple :
YuleWalker xx N ,
( )
R
i j ,
xx
i j
j 0 N .. for
i 0 N .. for
b
0
0
b
i
xx
i
i 1 N .. for
1
xx
0
R
1
b
a
0
xx
0
xx
0
0
1 +
a
i
a
0
i

i 1 N .. for
a

a
0
1
, a
2
, ... a
N
0
, xx
1
... xx
K 1

( )
0
. Variance :
r vautocov x ( )
R
i j ,
r
i j
j 0 K .. for
i 0 K 1 .. for
R
m moy x ( )
r
k
1
K
0
K k 1
n
x
n k +
m
( )
x
n
m
( )
=

k 0 K 1 .. for
r
m
1
K
0
K 1
n
x
n
=

m

TP 7. 12
0
, x
1
... x
K 1

a
0
1
, a
2
, ... a
N
a

P 31357
v
0
100
v
n
mod A v
n 1
P ,
( )
n 1 N 1 .. for
w
n
1
P
v
n
0.5
n 0 N 1 .. for
w

i
y
k
x
k
k 0 = if
y
k
x
k
0
k
i
a
i
y
k i
=
1 k N < if
y
k
x
k
0
N
i
a
i
y
k i
=
k N if
k 0 K 1 .. for
y
TP 7. 13
TFD
X
k
1
M
0
M 1
n
x
n
e
i 2 k
n
M
=

k 0 M 1 .. for
X
ou encore :
R 0
I 0
R R x
n
cos 2 k
n
M
+
I I x
n
sin 2 k
n
M

X
k
1
M
R i I + ( )
n 0 M 1 .. for
k 0 M 1 .. for
X return
TFDI
x
n
0
M 1
k
X
k
e
i 2 k
n
M
n 0 M 1 .. for
x
y
n
0
n
k
x
k
h
n k
n 0 M 1 .. for
y
N length h ( )
y
n
0
n
k
x
k
h
n k
=
n N < if
y
n
0 otherwise
n 0 M 1 .. for
y
TP 7. 14
f
0
0
f
n
1
n
n 1 M 1 .. for
TH

v
k
1
K
0
K 1
n
y
k
x
n
=

k 0 K 1 .. for
v
mx moy x ( )
my moy y ( )
r
k
1
K k
0
K k 1
n
x
n k +
mx
( )
y
n
my
( )
=

k 0 K 1 .. for
r

VecteurNul N ( )
Nul
k
0
k 0 N 1 .. for
Nul
Nul
l c ,
0
c 0 Ncols 1 .. for
Nul
Prdiction 1 pas
predict1pas v N , ( ) L length v ( )
m moy v ( )
v v m
vautocov v ( )
a YuleWalker N ,
( )
v
L
1
N
i
a
i
v
L i
=

v v m +
v
Prdiction Npas pas

predictNpas v N , Npas , ( )
v predict1pas v N , ( )
n 1 Npas .. for
v
__________
TP 7. 15
Traitement du Signal
Annexe


ANNEXE

Traitement du Signal 8 Annexe. Dcision (Classification, Reconnaissance des Formes)

8 Annexe. 1

8 ANNEXE. Dcision (Classification, Reconnaissance des Formes)

I. CAS BI-CLASSE

Dans certains cas, la finalit de la mesure dun signal est la reconnaissance du phnomne physique qui en est la source.

Lorsque celui-ci fait partie dun ensemble de situations dj connues priori, le problme se ramne la
Reconnaissance Des Formes (RDF) et relve de la thorie de la dcision.

Un cas simple, frquemment rencontr et particulirement tudi correspond au cas de la dcision entre 2 classes.

Lobservateur est alors en prsence dune source qui gnre une sortie caractristique dun phnomne parmi 2
possibles, que lon appelle des classes (ou hypothses)
1
H et
2
H .

Cette source est alors perturbe par un canal de transmission qui rend impossible une dtermination sre des
hypothses.

Le signal mesur est alors utilis pour construire un lment X dun espace de reprsentation (ou dobservation)
du phnomne observ. Cet espace de reprsentation doit correspondre une statistique suffisante du phnomne
observ, cest--dire que la connaissance du vecteur dobservation X doit permettre davoir tous les lments pour
prendre une dcision correcte. Dans la mesure du possible, aucune variable de dcision ne doit donc tre
volontairement occulte.

La constitution de cet espace permet ensuite de concevoir et de qualifier une rgle de dcision, dont la fonction est de
dterminer au mieux quelle hypothse correspond llment X construit partir du signal observ.

Cette rgle de dcision ralise donc une partition de lespace de reprsentation en 2 sous-espaces disjoints et
complmentaires
1
et
2
, cest--dire un dcoupage de lespace de reprsentation en 2 sous-espaces tels que :
=
2 1
et =
2 1

Une fois cette rgle de dcision constitue, il ne reste alors plus qu lappliquer aux individus, pour dterminer la
classe laquelle ils appartiennent.


Lorsque les densits de probabilit ( )
1
H X et ( )
2
H X du vecteur dobservation conditionnellement chaque
classe sont connues, il est possible de les utiliser pour dterminer la rgle de dcision.

Il faut pour cela considrer les 4 cas possibles de dcisions et dhypothses, et leurs probabilits respectives :

Dcider 1 Dcider 2
dans la classe
1
H
( ) ( )
=
1
1 1 1
dX H X H D P ( ) ( )
=
2
1 1 2
dX H X H D P
dans la classe
2
H
( ) ( )
=
1
2 2 1
dX H X H D P ( ) ( )
=
2
2 2 2
dX H X H D P

Par exemple, si lhypothse
1
H correspond un systme en bon tat, et lhypothse
2
H un dysfonctionnement de ce
systme, alors ( )
2 2
H D P correspond la probabilit de dtecter le dfaut, ( )
1 2
H D P correspond la probabilit de
fausse alarme, et ( )
2 1
H D P la probabilit de ne pas dtecter un dfaut.

8 Annexe. 2

Fonction de cot R

Ces 4 probabilits sont ensuite utilises pour construire une fonction de risque (ou de cot) R gale une somme
pondre de chacune des hypothses, et que lon souhaite rendre la plus petite possible :
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2 2 2 22 1 1 2 21 2 2 1 12 1 1 1 11
H P H D P C H P H D P C H P H D P C H P H D P C R + + + =

Comme les dcisions errones sont plus pnalises que les dcisions correctes, les coefficients de pondration doivent
tre choisis de faon vrifier les 2 relations dordre suivantes :
0
11 21
> > C C et 0
22 12
> > C C

Cette fonction de risque admet un minimum absolu, car elle peut tre minore par la valeur :
( ) ( )
2 22 1 11 min
H P C H P C R + = car, pour
min
R
, on a le cas idal :
( ) ( )
( ) ( ) 0
1
1 2 2 1
2 2 1 1
= =
= =
H D P H D P
H D P H D P

De plus, elle peut galement scrire sous une nouvelle forme, obtenue partir des densits de probabilits
conditionnelles, dcrites plus haut :
( ) ( )
1 1 1 2
1 H D P H D P = et ( ) ( )
2 1 2 2
1 H D P H D P =

( ) ( ) ( ) ( ) ( ) [ ] ( ) ( ) [ ] ( )
2 2 1 22 1 1 1 21 2 2 1 12 1 1 1 11
1 1 H P H D P C H P H D P C H P H D P C H P H D P C R + + + =
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1 1 1 21 11 2 1 2 22 12 2 22 1 21
H D P H P C C H D P H P C C H P C H P C R + + + =
( ) ( ) + + =
2 22 1 21
H P C H P C R en posant :
( ) ( ) ( ) ( ) ( ) ( )
1 1 1 21 11 2 1 2 22 12
H D P H P C C H D P H P C C + =

avec :
( ) ( ) ( ) ( ) ( ) ( ) { }
=
1
1 1 11 21 2 2 22 12
dX H X H P C C H X H P C C

En comparant les expressions de R et de
min
R , on a :
( ) ( ) + + =
2 22 1 21
H P C H P C R avec 0
11 21
> > C C
et ( ) ( )
2 22 1 11 min
H P C H P C R + =

soit, pour que
min
R R = , il faut : 0 < (une probabilit lintervalle [ ] 1 , 0 )

R est donc minimale lorsque la quantit intgre :
( ) ( ) ( ) ( ) ( ) ( ) { }
1 1 11 21 2 2 22 12
H X H P C C H X H P C C
est 0 <
dans la totalit du domaine
1
.

Ceci amne donc choisir lensemble
1
des valeurs de X pour lesquelles on dcide de choisir le cas 1, comme
lensemble de toutes les observations pour lesquelles :

( )
( )
( )
( ) ) (
) (
2 22 12
1 11 21
1
2
H P C C
H P C C
H X
H X
<
( car
22 12
C C > et 0 (probabilit
0
1
=

dX
) )

Dans le cas contraire, le vecteur X correspond un lment de
2
, et donc la dcision du cas 2.

Le critre baysien conduit donc une rgle de dcision appel le test du rapport de vraisemblance :

Test du rapport de vraisemblance Dcider 1 si < ) ( X L
Dcider 2 si > ) ( X L

avec :
( )
( )
1
2
) (
H X
H X
X L
= et
( )
( ) ) (
) (
2 22 12
1 11 21
H P C C
H P C C
=

8 Annexe. 3

Cette rgle de dcision consiste donc comparer une fonction du vecteur dobservation ) (X L , appele rcepteur,
un seuil de dcision qui dpend des probabilits a priori des hypothses et des cots fixs par lutilisateur.

Dans certains cas, notamment lorsque les densits de probabilit correspondant aux 2 hypothses sont gaussiennes, on
prfrera utiliser le logarithme du rapport de vraisemblance, qui devra tre compar au logarithme de .

Si les 2 hypothses sont considres comme symtriques et si le risque correspond la probabilit derreur totale, alors :
0
22 11
= = C C et 1
21 12
= = C C

soit ( ) ( ) ( ) ( )
1 1 2 2 2 1
H P H D P H P H D P R + =

Le critre de vraisemblance correspond alors choisir lhypothse dont la probabilit a posteriori est la plus leve :

Dcider 1 si
( )
( ) ) (
) (
2
1
1
2
H P
H P
H X
H X
<

Dcider 2 si
( )
( ) ) (
) (
2
1
1
2
H P
H P
H X
H X
>

Cette rgle de dcision correspond donc choisir lhypothse qui, compte tenu du vecteur dobservation X obtenu, se
rvle tre la plus probable.

Cas o les densits de probabilit du vecteur dobservation conditionnellement chaque classe ne sont pas connues

Enfin, si les probabilits a priori des 2 hypothses ne sont pas connues, on peut cependant fixer exprimentalement le
seuil dune rgle de dcision construite empiriquement en suivant lapproche baysienne.

En exprimant le critre de risque en fonction de la probabilit de lhypothse 2, ( )
2
H P , de la probabilit de fausse
alarme , ( )
1 2
H D P , et de la probabilit de dtection, ( )
2 2
H D P , on montre que le risque dpend linairement de la
probabilit ( )
2
H P :
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) { }
1 2 11 21 2 2 22 12 11 12 2 1 2 11 21 11
H D P C C H D P C C C C H P H D P C C C R + + =

Rgle du minimax

La rgle de dcision qui minimise le risque maximum est donc celle pour laquelle le coefficient de ( )
2
H P est nul :
( ) ( ) ( ) ( ) ( ) 0
1 2 11 21 2 2 22 12 11 12
= H D P C C H D P C C C C
( ) ( )
1 2
22 12
11 21
22 12
11 12
2 2
H D P
C C
C C
C C
C C
H D P
=

Ce choix est appel rgle du minimax. Elle exprime le compromis admissible entre la probabilit de dtection et la
probabilit de fausse alarme.

Courbe COR

Dans la pratique, on estime les frquences relatives des cas de dtection et de fausse alarme en fonction du seuil de
dcision . On obtient alors une courbe, appele courbe COR (caractristique de loprateur de rception ) ( X L ) :
( ) ( ) [ ]
1 2 2 2
H D P f H D P =

8 Annexe. 4

Cette courbe passe ncessairement par les points ( ) 0 , 0 et ( ) 1 , 1 puisque, lorsque 0 , le cas 2 est toujours retenu,
tandis que, lorsque , le cas 2 nest jamais retenu :
( ) 1 lim
1 2
0
=
H D P
( ) 0 lim
1 2
=

H D P

( ) 1 lim
2 2
0
=
H D P
( ) 0 lim
2 2
=

H D P

De plus, lexpression du dtecteur permet de dduire 2 ingalits :

( ) ( )
( ) ( )
>
<
1 2 2 1
1 1 2 1
H D P H D P
H D P H D P

( ) ( )
( ) ( )
>
>
1 2 2 2
1 2 2 2
1
H D P H D P
H D P H D P

II. CAS BI-CLASSE AVEC NON-DECISION

Pour certains problmes de Reconnaissance Des Formes, il est possible (ou prfrable) de ne pas attribuer une prise de
dcision chaque valeur du vecteur dobservation, afin dobtenir une dtection plus sre.

Par rapport au cas bi-classe avec dcision prcdent, cela revient ajouter une possibilit supplmentaire de non
dcision parmi les cas possibles de dcisions et dhypothses :

Ne rien dcider Dcider 1 Dcider 2
dans la classe
1
H ( )
1 0
H D P ( )
1 1
H D P ( )
1 2
H D P
dans la classe
2
H ( )
2 0
H D P ( )
2 1
H D P ( )
2 2
H D P

Cette nouvelle situation entrane donc une modification de lexpression de la fonction de risque R :
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2 2 2 22 2 2 1 12 2 2 0 02 1 1 2 21 1 1 1 11 1 1 0 01
H P H D P C H P H D P C H P H D P C H P H D P C H P H D P C H P H D P C R + + + + + =

Puisquune dcision errone prsente un cot plus lev quune non-dcision, les diffrents coefficients de pnalit sont
choisis de faon vrifier les relations dordre suivantes :
0
11 01 21
> > > C C C et 0
22 02 12
> > > C C C


Lexpression des probabilits de non-dcision en fonction des pobabilits de dcision :
( ) ( ) ( )
1 2 1 1 1 0
1 H D P H D P H D P = et ( ) ( ) ( )
2 2 2 1 2 0
1 H D P H D P H D P =

conduit alors une nouvelle expression de la fonction de cot R :
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
2 2 2 02 22 2 2 1 02 12 2 02 1 1 2 01 21 1 1 1 01 11 1 01
H P H D P C C H P H D P C C H P C H P H D P C C H P H D P C C H P C R + + + + + =

( ) ( )
2 1 2 02 1 01
+ + + = H P C H P C R en posant :

( ) ( ) ( ) ( ) ( ) ( ) { }
=
1
1 1 11 01 2 2 02 12 1

et
( ) ( ) ( ) ( ) ( ) ( ) { }
=
2
2 2 22 02 1 1 01 21 2

La minimisation de R conduit la dfinition de 2 sous-espaces de dcision
1
et
2
, qui ne sont plus complmentaires:
( ) ( ) ( ) ( ) ( ) ( ) { } 0 ,
1 1 11 01 2 2 02 12 1
< = H X H P C C H X H P C C X
( ) ( ) ( ) ( ) ( ) ( ) { } 0 ,
2 2 22 02 1 1 01 21 2
< = H X H P C C H X H P C C X

8 Annexe. 5

Rgle de dcision

On en dduit la rgle de dcision :

Test du rapport de vraisemblance Dcider 1 si
1
) ( < X
Dcider 2 si
2
) ( > X
Dcider 0 sinon

avec :
( )
( )
1
2
) (
H X
H X
X
= ,
( )
( ) ) (
) (
2 02 12
1 11 01
1
H P C C
H P C C
= et
( )
( ) ) (
) (
2 02 22
1 21 01
2
H P C C
H P C C
=

Cette rgle de dcision consiste donc comparer une fonction du vecteur dobservation 2 seuils, aucune dcision
ntant prise lorsquaucune de ces 2 ingalits nest vrifie.

connues

Enfin, lorsque lon ne dispose pas des expressions analytiques des densits de probabilit conditionnelles, on peut
chercher minimiser la fonction de risque en fonction des probabilits a priori des hypothses
1
H et
2
H :
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) [ ]
1 1 11 01 2 1 02 12 01 02 2 1 01 1 2 01 21 1 1 01 11
H D P C C H D P C C C C H P H P C H D P C C H D P C C R + + + + + + =

( ) ( ) ( ) ( ) ( ) [ ]
2 2 22 02 1 2 01 21 2
H D P C C H D P C C H P +

Ceci conduit alors prendre le terme en facteur de ( )
2
H P gal 0. Les 2 seuils de dcision peuvent alors tre
dtermins indpendamment en prenant les intersections des 2 courbes COR : ( ) ( ) [ ]
2 1 1 1
H D P f H D P = et
( ) ( ) [ ]
1 2 2 2
H D P f H D P = des 2 droites dduites du minimax :

( ) ( )
2 1
21 01
02 12
11 01
1
1 1
H D P
C C
C C
C C
H D P
= et ( ) ( )
1 2
22 02
01 21
12 02
2
2 2
H D P
C C
C C
C C
H D P
=
avec : ( ) ( )
12 21 02 12 1
C C C C + = et ( ) ( )
21 12 01 21 2
C C C C + =
o : ( ) x reprsente lchelon de Heaviside.
__________

Traitement du Signal TD 8 Annexe. Dcision (Classification, Reconnaissance des Formes)

TD 8 Annexe. 1

TD 8 ANNEXE. Dcision (Classification, Reconnaissance des Formes)

I. CAS BI-CLASSE

1. Canal de transmission

Une source qui met soit une tension nulle (hypothse 1
1
H ), soit une tension constante V 0 (hypothse 2
2
H ),
est observe la sortie ) (t y dun canal de transmission, qui introduit un bruit ) (t n additif gaussien, blanc et centr :

1
H : ) ( ) ( t n t y =
2
H : ) ( ) ( t n V t y + =
avec : [ ] 0 ) ( = t n E et : [ ]
2
) ( = t n Var

Construire le rcepteur bas sur lobservation de N valeurs de ) (t y .

__________

Traitement du Signal Projets
Projets. 0


PROJETS

Signaux & systmes 0. Prambule
0. 1
Les noncs de projet dtaills se trouvent dans le rpertoire : CORRIGES\GA\TS\TSPROJET
- Le travail demand est programmer sous Mathcad, par groupe de 3 lves maximum.
- Le travail rendre (sous la forme dun fichier zip dnomm avec lintitul du sujet et tous les noms des
membres du groupe de projet, fichier dposer sur Arelv2) doit contenir le programme Mathcad avec toutes les
donnes ncessaires, les commentaires et rapport intgrs au document Mathcad.
Des questions de cours individuelles seront poses lors de la soutenance du projet.

Traitement du Signal - Projets

Enoncs de projet dtaills se trouvant dans le rpertoire : CORRIGES/GA/TS/TSPROJET

01. Implementation of discrete-time systems - Parole & image
02. Speech signal compression with FFT
03. Image signal compression with FFT
04. Compression parole-image par ondelettes Daubechies
05. Compression parole-image par filtres formeurs
06. Compression parole-image par prediction lineaire (LPC)
07. Transformee en ondelettes Haar - Compression parole
08. Transformee en ondelettes Haar - Compression image
09. Estimation des formants d'un signal parole par LPC
10. Fractal image compression
11. Segmentation parole en mots (detection activite vocale)
12. Repliement de spectre
13. Transformations 1D et 2D - Separabilite
14. Detection de fin de mots par mesure d'energie
15. Suppression d'echo par transformee cepstrale complexe
16. Estimation des formants d'un signal parole par cepstre
17. Methodes d'inversion de transformee de cepstre reel
18. Projet finance - Estimation par les moindres carres

Bioinformatique
1 Analyse de signaux ECG (Electro-CardioGramme) et EEG (Electro-EncphaloGramme) (analyse FFT et
Ondelettes).

__________

Transmission EISTI Guy-Almouzni

Transféré par

Droits d'auteur :

Formats disponibles

Transmission EISTI Guy-Almouzni

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Transmission EISTI Guy-Almouzni

Transféré par

Droits d'auteur :

Formats disponibles

Traitement du Signal 2007 / 2008

EISTI Guy Almouzni

n : nombre de points, de rsultats dexprience observs dans lintervalle

n : nombre de points, de rsultats dexprience observs dans lintervalle

moyenne statistique de la puissance instantane

dans le cas de PA complexes

dans le cas de PA complexes

dans le cas de PA complexes

stable) monique (polynme

sont non linaires en les paramtres { }

a D a D est la somme des modules

Fonction convcausal(x, h) de convolution causale de 2 signaux x et h Convolution causale

Conclusion : Variance du bruit blanc:

Conclusion : Variance du bruit blanc:

f g f g d , ( ) ( ) produit scalaire (pour fonctions relles)

C est la condition dadmissibilit dune fonction comme ondelette :

= Avec le facteur dchelle a :

RI g (passe-haut) du filtre de Haar

RI h (passe-bas) du filtre de Haar

, vecteur alatoire, est appel estimateur

, est appel estimation

pour obtenir la DSP cherche.

Paramtre de sortie : . le vecteur a (dim N+1) :

. Variance : . Vecteur d'AutoCovariance : . Moyenne :

Bruit blanc de K points de moyenne m et de variance V :

Bruit blanc de K points de moyenne m et de variance V :

Paramtre de sortie : . le vecteur a (dim N+1) :

. Matrice d'AutoCovariance : . Vecteur d'AutoCovariance : . Moyenne :

Bruit blanc de K points de moyenne m et de variance V :

Bruit blanc de K points de moyenne m et de variance V :

= (du fait de la relation dgalisation : F z G z D z ( ) ( ) ( ) = ) , on a :

= pour quil y ait extraction du bruit. On a donc : { } [ ]

U U est le terme dautocorrlation

Paramtre de sortie : . le vecteur a (dim N+1) :

. Matrice d'AutoCovariance : . Vecteur d'AutoCovariance : . Moyenne :

Bruit blanc de K points de moyenne m et de variance V :

Bruit blanc de K points de moyenne m et de variance V :

Vecteur r de covariance des signaux x et y de dim K (par ergodicit) :

Vecteur et Matrice nuls :

log 10 log 10 SNROV

Paramtre de sortie : . le vecteur a (dim N+1) :

. Matrice d'AutoCovariance : . Vecteur d'AutoCovariance : . Moyenne :

Bruit blanc de K points de moyenne m et de variance V :

Bruit blanc de K points de moyenne m et de variance V :

Vecteur r de covariance des signaux x et y de dim K (par ergodicit) :

Vecteur et Matrice nuls :

(produit scalaire nul) ( ) 0 =

X (et comme h X colinaire

a par la mthode des moindres carrs direct (LS).

Paramtre de sortie : . le vecteur a (dim N+1) :

. Matrice d'AutoCovariance : . Vecteur d'AutoCovariance : . Moyenne :

Bruit blanc de K points de moyenne m et de variance V :

Bruit blanc de K points de moyenne m et de variance V :

Vecteur r de covariance des signaux x et y de dim K (par ergodicit) :

Vecteur et Matrice nuls :

Prdiction Npas pas

Vous aimerez peut-être aussi