Академический Документы
Профессиональный Документы
Культура Документы
J.-F. B ERCHER
cole Suprieure dIngnieurs en lectrotechnique et lectronique
C HAPITRE I
Table des matires
Signaux alatoires
1
Description dun signal alatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1
Description complte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Description partielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1
Description un instant . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2
Description deux instants . . . . . . . . . . . . . . . . . . . . . . .
2
Proprits fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1
Stationnarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
Ergodisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3
Le syndrome gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4
Signaux alatoires temps discret . . . . . . . . . . . . . . . . . . . . . . . . .
3
Proprits nergtiques des signaux alatoires stationnaires de puissance moyenne finie .
3.1
Analyse dans le domaine temporel . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1
Dfinitions et proprits . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.2
Notion de bruit blanc . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2
Transformation des fonctions alatoires par filtrage . . . . . . . . . . . . . . . .
3.2.1
Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2
Transformation de la moyenne . . . . . . . . . . . . . . . . . . . . .
3.2.3
Thorme, ou formule des interfrences . . . . . . . . . . . . . . . .
3.3
Analyse dans le domaine frquentiel . . . . . . . . . . . . . . . . . . . . . . . .
3.4
La reprsentation de Cramr . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5
Bruit blanc temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
Un exemple dapplication : le filtrage adapt . . . . . . . . . . . . . . . . . . . . . . . .
4.1
Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2
Maximisation du rapport signal--bruit . . . . . . . . . . . . . . . . . . . . . .
4.3
Approche probabiliste . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4
Notes sur le choix du signal test, signaux pseudo-alatoires . . . . . . . . . . . .
Exercices et problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
5
5
6
6
6
7
7
8
9
11
11
11
11
13
14
14
14
15
17
20
21
21
21
21
23
24
26
C HAPITRE I
SIGNAUX ALATOIRES
quune variable alatoire est un ensemble de valeurs caractris par une loi de
probabilit, on appellera signal alatoire, ou processus alatoire un ensemble de fonctions auquel on
adjoint une loi de probabilit.
Existe-il des signaux naturels qui soient intrinsquement alatoires ? La plupart des phnomnes nonquantiques peuvent tre dcrits laide dquations de la physique : le jeu de pile ou face, si lon connat
les caractristiques physiques de la pice, limpulsion donne, la densit et la composition de lair, la temprature, la pression atmosphrique, la gravit locale, est un jeu dont le rsultat est parfaitement prvisible. De
mme pour le tirage du loto. Simplement le systme dpendant dun trop grand nombre de variables et de
paramtres devient trop compliqu dcrire. Dautres exemples sont le signal de parole, llectromyogramme
ou la mesure de lactivit crbrale, dont on peut esprer quils ne rsultent pas de tirages au hasard , sont
caractriss comme des signaux alatoires. Dautres signaux sont impossibles caractriser a priori . Il
sagit en particulier dun message transmis sur une ligne tlphonique (ou autre) : du point de vue du rcepteur,
ce signal est alatoire jusqu sa rception. En effet si ce signal tait dj connu du rcepteur, son contenu
informationnel serait nul et il serait inutile de le transmettre. Ainsi, on pourra modliser comme des signaux
alatoires les signaux dont le processus de production est trop compliqu dcrire, ou mconnu, ou des signaux
pour lesquels lala provient de la propre incertitude de lobservateur. partir dun modlisation probabiliste,
il faut alors esprer que lon pourra aboutir une caractrisation intressante et des outils de traitement qui
pourront permettre dextraire de linformation des signaux alatoires.
E LA MME MANIRE
Notation :
On notera X(t, ) un signal alatoire X. Il sagit dun ensemble de fonctions de la variable t, cet ensemble
tant index par la variable . Un signal alatoire est une quantit bivarie, dpendant la fois du temps t
et de lpreuve . Lorsque lpreuve est fixe, par exemple = i , on obtient une ralisation du processus
alatoire que lon notera X(t, i ) ou plus simplement xi (t). Lorsque la variable t est fixe, le processus alatoire
se rduit alors une simple variable alatoire. En considrant le processus pour t = ti , on obtient ainsi une
variable alatoire X(ti , ), que lon notera Xi ( ), ou Xi . Enfin, on notera xi les valeurs prises par la variable
alatoire Xi.
1 ,X2 ,...,Xk
(x1 , x2 , . . . , xk ),
o X1 , X2 , . . . , Xk sont les variables alatoires associes aux k instants : X(t1 , ), X(t2 , ), . . . , X(tk , ). En fait,
ceci est quivalent dire que lon connat X(t, ) si lon connat les lois de toutes les variables alatoires
Page 6
X(ti , ), ainsi que toutes les interactions entre ces variables, et ceci i. . . La connaissance avoir est donc
gigantesque, et le plus souvent inaccessible, et lon devra se contenter dune description partielle.
Description un instant
On dit que X(t, ) est connu un instant, si, t1 , on connat la loi de la variable alatoire X(t1 , ). Celle-ci
est simplement une variable alatoire au sens habituel, que lon peut en gnral (si ceux-ci existent et hors
quelques cas de figures exceptionnels) caractriser laide des moments.
Moments : on notera
=
x1 pX (x1 )dx1
mX (t1 ) = E X(t1 , )
1
(t1 ) =
m(n)
X
E X(t1 , )
..
.
(I.1)
(I.2)
Rappelons avec force que E {} dsigne lesprance mathmatique, que lintgrale est prise sur le domaine
de variation de l amplitude de X1 , cest--dire de X(t, ) considr linstant fix t1 . Lcriture
E {X(t, )} =
X(t)p(X(t, )dt,
(trop) souvent rencontre dans des copies, indique une incomprhension attristante et constitue une erreur
impardonnable.
1.2.2
On dit que X(t, ) est connu deux instants, si, t1 ,t2 , on connat la loi conjointe des variables alatoires
X(t1 , ) et X(t2 , ) :
est connue t1 ,t2 .
pX ,X (x1 , x2 )
1
La connaissance deux instants ncessite donc de connatre le lien statistique entre X(t1 , ) et X(t2 , ).
Notion de covariance :
On appelle
covariance. 1
fonction de
Il sagit dans le cas gnral dune fonction bivarie qui permet de quantifier un certain
lien statistique entre les variables alatoires X1 et X2 . Dans la mesure o largument de lesprance mathmatique fait intervenir le produit de deux variables alatoires, et est donc homogne un carr , on parlera
de caractrisation lordre 2.
Remarque : En gnral, on ne peut pas exprimer la distribution conjointe pX ,X (x1 , x2 ) en fonction des distri1 2
butions pX (x1 ) et pX (x2 ), sauf dans le cas o les variables sont indpendantes. On a alors
1
pX
1 ,X2
toute rigueur, il faudrait rserver le terme de covariance la formule prcdente applique des signaux centrs, pour lesquels
on a alors simplement une extension de la notion de variance dune variable deux variables alatoires. Il sagit ici dune fonction
puisque ces deux variables dpendent respectivement de t1 et t2 . Lorsque les signaux ne sont pas centrs, on pourrait parler de moment
dordre 2 crois.
2. Proprits fondamentales
Page 7
2 Proprits fondamentales
2.1 Stationnarit
La stationnarit est une proprit particulirement importante pour lanalyse des signaux alatoires.
Dfinition 1 On dit quun signal alatoire est stationnaire si ses proprits statistiques sont invariantes par
translation dans le temps.
En ce qui concerne la description complte, ceci se traduit par
pX(t
1 ),X(t2 ),...,X(tk )
= pX(t
1 ),X(t2 ),...,X(tk )
et si = tk ,
pX(t
1 ),X(t2 ),...,X(tk )
= pX(t
1 tk ),X(t2 tk ),...,X(0)
La distribution conjointe ne dpend plus alors que de k 1 paramtres, au lieu des k paramtres initiaux. Ceci
va se prolonger la description partielle : les moments, qui dpendent dans le cas gnral de linstant considr,
deviennent des quantits indpendantes du temps dans le cas stationnaire. La fonction de covariance CX (t1 ,t2 )
devient quant--elle une quantit dpendant uniquement de lcart entre t1 et t2 .
Pour la description partielle un instant, on a ainsi
pX(t ) = pX(t
1 )
= . . . = pX(0) .
Toutes les variables X(ti , ) possdent ainsi la mme loi un instant. Par suite,
.
E X(t1 )n = E X(t1 )n = . . . = m(n)
X
On en dduit donc que tous les moments sont indpendants du temps.
deux instants, la distribution conjointe ne dpend que de lcart entre les deux instants et non des instants
eux-mmes :
pX(t ),X(t ) = pX(t t ),X(0) .
1
Exercice 1 : Si
X(t, ) = A( ) cos(2 f0 t),
o A( ) est une variable gaussienne centre et de variance 2 , vrifiez que X(t, ) est stationnaire
lordre 1 mais pas lordre 2.
Page 8
2.2 Ergodisme
Lergodisme est une proprit trs souvent employe, mais non vrifiable, lexception de quelques domaines de la physique. En traitement du signal, lergodisme sera le plus souvent un postulat, ncessaire pour
travailler.
On considre un signal alatoire X(t, ). On note xi (t) les diffrentes ralisations de ce signal. On dfinit
1
T + T
xni = lim
[T ]
xi (t)n dt,
la moyenne temporelle prise sur la ralisation i, durant toute son histoire. De la mme manire, on dfinit les
moyennes temporelles du signal alatoire X(t, ) par
1
X(t, ) = lim
T + T
[T ]
X(t, )n dt.
Dans le cas gnral, cette moyenne est une variable alatoire, (n) ( ) dont les ralisations sont les xni . De la
mme faon, on dfinit des moyennes temporelles croises, comme
1
T + T
[T ]
Dfinition 2 Le signal X(t, ) est dit ergodique si les moyennes temporelles sont des nombres certains.
Cette proprit entrane donc, puisque . est une variable certaine, que toutes les ralisations prennent la
mme valeur. En ce qui concerne les moments, on a ainsi X(t, )n qui est un nombre certain, ce qui entrane
xn1 = xn2 = . . . = xnk . On notera (n) ce nombre.
Il est dune grande importance pratique davoir la fois stationnarit et ergodisme. En effet, dans ce cas de
figure, les moyennes densemble (les esprances mathmatique) et les moyennes temporelles sont gales.
Exemple (moments).
On a
1
T + T
X(t, )n = lim
[T ]
X(t, )n dt.
1
E {X(t, )n } dt,
T + T [T ]
1
E {X(t, )n } dt,
= lim
T + T [T ]
(n) = X(t, )n =
lim
,
= E {X(t, )n } = m(n)
X
o la dernire ligne a t crite en utilisant le fait que E {X(t, )n } ne dpend pas du temps si X(t, ) est
stationnaire.
Dans le cas stationnaire et ergodique, on a donc
1
E {X(t, ) } = lim
T + T
[T ]
X(t, )n dt,
ce qui signifie que lon peut calculer les esprances mathmatiques en effectuant des moyennes temporelles
sur des ralisations quelconques du signal. Ceci est dune grande importance pratique, car il est rare que lon
dispose de plusieurs ralisations du processus (et encore moins dune infinit), et de sa distribution de probabilit. Notons cependant quil est au moins aussi rare que lon dispose de ralisations du signal de + ;
2. Proprits fondamentales
Page 9
on ne pourra donc pas calculer exactement la valeur des moyennes par la formule prcdente. On se contentera
dapprocher le rsultat par des moyennes temporelles sur la dure o est connu une ralisation du processus.
On parle alors destimation.
Exemple (covariance).
On a
1
X(t, )X(t , ) = lim
T + T
[T ]
[T ]
et par stationnarit,
E {X(t, )X(t , )} = RX ( )
est indpendant du temps t. Dans ce cas, on obtient
X(t, )X(t , ) = E {X(t, )X(t , )} = RX ( ),
soit finalement
1
RX ( ) = E {X(t, )X(t , )} = lim
T + T
[T ]
Le signal est un processus gaussien si tous les X(ti , ) sont des variables alatoires gaussiennes. Or on sait
quune variable alatoires gaussienne est entirement caractrise par ses deux premiers moments. La description un instant ncessitera donc de connatre mX (t) t, tandis que la description deux instants impose
de connatre CX (t1 ,t2 ) t1 ,t2 . dans le cas dun processus stationnaire, ceci se rduit la connaissance de la
moyenne mX et de la fonction dautocorrlation RX ( ).
En introduisant le vecteur X( ) de dimension k
X( )t = [X(t1 , ), X(t2 , ), . . . , X(tk , )],
la distribution du vecteur gaussien X( ) est
1
t 1
exp
(x mX ) R (x mX ) ,
pX (x) =
2
(2 )k det R
1
o
mX = E {X( )} = [mX (t1 ), mX (t2 ), . . . , mX (tk )]t ,
= mX [1, 1, . . . , 1]t dans le cas stationnaire,
et
R = E {X c ( )X c ( )} =
E Xc (t1 , )Xc (t1 , ) E Xc (t1 , )Xc (t2 , )
E Xc (t2 , )Xc (t2 , )
E Xc (t2 , )Xc (t1 , )
..
.
E Xc (tk , )Xc (t2 , )
E Xc (tk , )Xc (t1 , )
. . . E Xc (t1 , )Xc (tk , )
. . . E Xc (t2 , )Xc (tk , )
..
..
.
.
. . . E Xc (tk , )Xc (tk , )
Page 10
RX (t2 t1 ) . . . RX (tk t1 )
RX (0)
R (t t )
RX (0)
. . . RX (tk t2 )
X 1 2
R=
..
..
..
.
.
.
RX (t1 tk ) RX (t2 tk ) . . .
RX (0)
dans le cas stationnaire. Le terme mX est la moyenne du vecteur gaussien X( ), et R est la matrice de corrlation. La distribution p(X( )) nest autre que la distribution conjointe des k variables alatoires X(t1 , ), X(t2 , ), . . . , X(tk , )
Par consquent, si lon connat la moyenne mX (t) et la fonction de covariance CX (t1 ,t2 ), ou la moyenne mX et
la fonction de corrlation RX ( ) du processus (dans le cas stationnaire), on est capable dcrire la distribution
conjointe, et ceci quelque soient les ti et pour nimporte quelle dimension k. Ainsi, dans le cas gaussien, la
connaissance de la moyenne et de la fonction de covariance suffit caractriser entirement le processus.
Une autre dfinition du processus gaussien est
Dfinition 3 Le processus X(t, ) est un processus gaussien si, quelque soit la fonction g(t),
Z( ) =
g(t)X(t, )dt
+
h(t )X( , )d .
+
+
g(t)h(t )dt,
w( )X( , )d .
Si X( , ) est, par hypothse, un signal alatoire gaussien, alors Z est une variable gaussienne, par dfinition et
daprs la relation prcdente. Z ayant t introduit comme une transformation de Y (t, ), avec g quelconque,
on en dduit que Y (t, ) est un processus alatoire gaussien.
Ainsi, puisque le filtrage dun processus gaussien conserve le caractre gaussien, il nous restera examiner
comment se transforment la moyenne et la fonction de corrlation, ces deux quantits suffisant dcrire un
processus gaussien stationnaire. Nous examinerons ces points dans quelques paragraphes.
Limportance des signaux alatoires gaussiens, outre leur facilit dutilisation lie la manipulation de
seulement deux moments, provient galement de limportance quantitative des signaux gaussiens, lie au(x)
thormes(s) central limite. Il existe en effet un certain nombre de thormes qui indiquent quun mlange de
variables alatoires, tend, lorsque le nombre de variables dans le mlange augmente, vers une distribution gaussienne. Ces thormes se distinguent par les hypothses faites sur les lois des variables, leurs liens statistiques
ou des hypothses sur les conditions de mlange. Une formulation simple est la suivante :
Page 11
Thorme 1 Soit
YN =
1 N
Xi,
N i=1
o Xi sont des variables alatoires indpendantes et de mme loi. Alors, lorsque N +, la variable YN tend
vers une variable alatoire gaussienne de moyenne m et de variance 2 /N, si m et 2 sont les moyenne et
variance commune des variables Xi .
Ceci indique, que comme cest souvent le cas en pratique, lorsquun signal alatoire est compos par la superposition dun grand nombre de signaux lmentaires , alors le signal rsultant est bien approxim par une
distribution gaussienne. Rappelons quil existe dautres thormes limite qui prennent en compte des combinaisons linaires quelconques de variables, qui peuvent tre lis, et dont les distributions peuvent tre diffrentes.
Dfinitions et proprits
Dfinition 4 Si X(t, ) et Y (t, ) sont deux processus alatoires conjointement stationnaires, les fonctions
dintercorrlation et dautocorrlation sont dfinies par
1
X(t, )Y (t , )dt,
RXY ( ) = E {X(t, )Y (t , )} = lim
erg T + T [T ]
1
X(t, )X (t , )dt,
RXX ( ) = E {X(t, )X (t , )} = lim
erg T + T [T ]
Page 12
Notons que si on note Ech loprateur dchantillonnage et Corr loprateur de corrlation, alors on a
Corr[Ech[X(t, )]] = Ech[Corr[X(t, )]];
et cest bien heureux, car les corrlateurs analogiques ne courent pas les rues.
Les fonctions de corrlation jouissent dun certain nombre de proprits que nous rappelons ci-dessous.
1. (Symtrie hermitienne)
RY X ( ) = E {Y (t, )X (t , )} = E {Y (t + , )X (t, )} = E {X(t, )Y (t + , )} = RXY ( ).
On dit que lintercorrlation est symtrie hermitienne.
2. (Parit). En appliquant la proprit de symtrie hermitienne lautocorrlation, on obtient
RXX ( ) = RXX ( ).
3. (Centrage). Si mX est la moyenne de X(t, ), en dfinissant par Xc (t, ) = X(t, ) mX le signal centr,
on a
RXX ( ) = RXc Xc ( ) + m2X .
4. (Autocorrlation et puissance). Pour un retard nul, on a
1
|X(t, )|2 dt = PX .
RXX (0) = E |X(t, )|2 = lim
erg T + T [T ]
La fonction dautocorrlation prise pour le retard nul, RXX (0), est simplement la puissance du signal. On
en dduit dailleurs que RXX (0) > 0.
5. (Maximum). partir de lingalit de Schwartz,
| < x, y > |2 < x, x >< y, y >,
et en utilisant < x1 , x2 >= E X1 (t)X2 (t) comme produit scalaire, on dduit que
(a) |RY X ( )|2 RXX (0)RYY (0), ,
(b) |RXX ( )| RXX (0), ,
Exercice
du produit scalaire dfini ci-dessus, dmontrez lingalit de Schwartz en dvelop 2 : Au sens
pant E |X + Y |2 en un polynme en et en notant que ce polynme est toujours positif. partir de
cette ingalit, retrouvez les deux proprits de maximum.
6. La fonction dautocorrlation est dfinie non ngative :
iRXX (i j ) j 0,
i
i, j.
Ceci stablit en dveloppant E | i i X(i)|2 , qui est une quantit positive.
En reprenant cette dmarche, on peut tudier
2
E | X(t, ) exp ( j2 f t)dt| ,
Page 13
expression qui ncessiterait quelques prcautions dcriture (la transforme de Fourier dun processus
alatoire stationnaire na pas de sens). En dveloppant tout de mme, on a
=
=
RXX (t t
) exp ( j2 f (t t
))dtdt
,
soit, en posant t t
= ,
SXX ( f ) =
RXX ( ) exp ( j2 f )d 0.
On en dduit donc que la transforme de Fourier de la fonction dautocorrlation est toujours positive. On dit aussi que le caractre dfini non ngatif se conserve par transforme de Fourier. Ce rsultat
constitue le thorme de Bochner.
7. (Mmoire). On a vu que |RXX ( )| RXX (0). On appelle
c ( ) =
E {X(t, )X (t , )}
RXX ( )
=
RXX (0)
E {|X(t, )|2 } E {|X (t , )|2 }
le coefficient de corrlation, dont on vrifie aisment quil est compris entre -1 et 1. Il sagit en fait de
la fonction dautocorrlation normalise par rapport son maximum. Lorsquau bout dun temps ct le
coefficient de corrlation devient nul, le processus est dit mmoire finie.
3.1.2
Un bruit blanc est un modle de signal alatoire limite que lon rencontrera trs souvent. Le bruit blanc
est un bruit corrlation microscopique, cest--dire quentre deux instants, si proches soient-ils, c ( ) = 0.
On pose, par dfinition,
N
RXX ( ) = 0 ( ),
2
o ( ) est la distribution de Dirac. On peut noter ds prsent que la transforme de Fourier de cette fonction
dautocorrlation, que lon a dj note SXX ( f ), est une constante, damplitude N0 /2.
N0
.
2
Par ailleurs, en se souvenant que RXX (0) reprsente la puissance moyenne du signal, on constate que le bruit
blanc possde une puissance moyenne infinie. . . Il sagit donc dun modle dlicat manipuler.
On peut distinguer plusieurs types de bruit blanc : si toutes les variables alatoires que lon peut extraire
du signal sont indpendantes, le bruit est blanc, puisque lindpendance entrane la dcorrlation. Par contre,
toutes les variables peuvent tre dcorrles sans tre ncessairement indpendantes. On parlera alors de bruit
blanc au sens fort (ou au sens strict), dans le premier cas et de bruit blanc lordre deux dans le second. Notons
quil existe un certain nombre de situations intermdiaires.
SXX ( f ) = T F[RXX ( )] =
Exercice 3 : Montrez quun bruit blanc est ncessairement de valeur moyenne nulle.
Exercice 4 : On considre un signal alatoire U(t, ) nexistant que sur lintervalle de temps [0, T ] ; et
on sintresse au signal priodique
X(t, ) = RepT [U(t, )] = U(t kT, ).
k
/ [T, T ].
1. Montrez que RUU ( ) = 0 pour
2. Montrez que RXX ( ) est une fonction priodique de priode T et exprimez RXX ( ) en fonction de
RUU ( ).
Page 14
Exercice 5 : On considre le signal alatoire temps discret X(n, ), dautocorrlation RXX (k), et on
dfinit
Z(n, ) = X(n, ) + aX(n n0 , ).
Calculez la fonction dautocorrlation de Z(n, ).
Rappel
On rappelle quun filtre est un systme linaire invariant dans le temps (stationnaire), que lon peut dcrire
par une quation diffrentielle coefficients constants ou par une intgrale de convolution. temps continu, si
X(t, ) est lentre du filtre de rponse impulsionnelle h(t), on a
Y (t, ) = (X h)(t, ) =
h(u)X(t u, )du.
3.2.2
Transformation de la moyenne
La moyenne de la sortie est donc simplement la moyenne du signal dentre affecte du facteurm h(m). Or si
lon considre la transforme de Fourier H( f ) de h(m),
H( f ) = h(m) exp { j2 f m}
m
(transforme de Fourier frquence continue), on note que pour la frquence nulle, on retrouve
H(0) = h(m).
m
mY = mX H(0) = mX h(m).
m
La moyenne de la sortie du filtre est la moyenne de lentre, multiplie par le gain complexe (la fonction de
transfert) pour la frquence nulle.
Exercice 6 : Montrez que pour un signal alatoire temps continu, on a les formules analogues :
mY = mX H(0) = mX
h(u)du.
3.2.3
Page 15
La trs importante formule des interfrences permet de relier lintercorrlation entre les sorties de deux
filtres, aux intercorrlations des entres de ces filtres. La figureI.1 dcrit le dispositif exprimental.
Y1 (n, ) = (X1 h1 )(n, ),
Y2 (n, ) = (X2 h2 )(n, ),
X1 (n)
X2 (n)
Y1 (n)
h1 (n)
Y2 (n)
h2 (n)
X1(u, )h1 (n u)
u
X2(v, ))h2 (n m v)
(X2 h2 )(n m, )) =
=
=
h1 (u, )X1 (n u, ),
u
h2 (v)X2 (n m v, ),
v
et
RY Y (m) = E{ X1 (n u, )h1 (u) X2 (n m v, )h2 (v)}
1 2
h1 (u)RX X (m + v u)h2(v).
u
1 2
En effectuant la somme sur u, on voit apparatre un produit de convolution entre h1 et RX X , exprim en (m+v) :
1 2
RY Y (m) =
1 2
1 2
(v),
(h1 RX X )(m + v)h()
2
v
1 2
(v) = h2 (v). Dans cette relation apparat nouveau un produit de convolution, cette fois-ci
o lon a pos h()
2
:
entre (h1 RX X ) et h()
2
1 2
RY Y (m) =
1 2
(v)
(h1 RX X )(m + v)h()
2
v
1 2
(v
)
(h1 RX X )(m v
)h()
2
v
1 2
(m).
=
h1 RX X h()
2
1 2
Page 16
1 X2
1 2
h()
(m) .
2
X (n, )
Y (n, )
h(n)
X = X2 = X,
1
Y1 = Y,
Y2 = X, h1 = h,
h2 = .
Dans ce cas, lapplication de la formule des interfrences fournit :
RY X (m) = (h RXX ) (m) .
Lintercorrlation sortie-entre sexprime donc comme un filtrage de lautocorrlation de lentre, ce
filtrage tant analogue celui-qui lie la sortie et lentre du filtre.
Application : identification de rponse impulsionnelle
La manire classique didentifier une rponse impulsionnelle consiste recueillir la sortie du filtre une
impulsion de Dirac. . . Ceci ncessite donc dtre capable de gnrer une impulsion de Dirac ; or il nest videmment pas possible de gnrer une telle impulsion, qui devrait tre de largeur nulle et damplitude infinie.
Par ailleurs, si la sortie du filtre est bruite, la rponse impulsionnelle ainsi identifie sera inexploitable.
Si lon prend pour X(t, ) un bruit blanc, il est possible didentifier la rponse impulsionnelle : en effet, si
X(t, ) est blanc, RXX ( , ) = N0 /2 ( ), et
N0
N
RY X ( ) = h ( ) = 0 h( ).
2
2
X (t, )
Y (t, )
- +n
h(t)
Z(t, )
Page 17
B(t, )
F IG . I.3: Mesure de la rponse impulsionnelle dun filtre bruit
Lorsque la sortie est bruite, par exemple par un bruit B(t, ) tel que
Z(t, ) = Y (t, ) + B(t, ),
o lon supposera B(t, ) non corrl lentre X(t, ) (ces deux quantits nont pas de raison particulire
dtre corrles entre elles, dautant plus quon est matre de lentre), on peut appliquer la mme dmarche :
RZX ( ) = E {Z(t, )X (t ,
)} = E {(Y
(t, ) + B(t, ))X (t , )}
= RY X ( ) + RBX ( ) = h
N0
2
( ) =
N0
2 h( );
puisque RBX ( ) = 0 (non corrlation). Les rsultats restent donc inchangs en dpit de la prsence dun bruit
additif non corrl lentre. La mthode didentification de rponse impulsionnelle par intercorrlation sortieentre est insensible un bruit dobservation. Par ailleurs, elle ne ncessite pas lapplication dune impulsion
de Dirac impossible raliser. Il restera cependant gnrer un bruit blanc, ce qui peut tre aussi difficile (i.e.
impossible) que la gnration dune impulsion de Dirac. Il est possible de se contenter dun bruit blanc dans
la bande du filtre (nous donnerons plus loin la signification de cette expression), o on peut travailler temps
discret, o, comme nous le verrons galement, il est possible de gnrer un bruit blanc discret.
Exercice 8 : Considrez le problme de lidentification dun filtre dans lequel la sortie et lentre sont
perturbes par un bruit additif : si on applique X(t, ) au filtre, lentre relle est X1 (t, ) = X(t, ) +
B1 (t, ) , et la sortie observe est Z(t, ) = Y (t, ) + B2 (t, ), o Y (t, ) est la sortie lie X1 (t, )
et B2 (t, ) est un bruit dobservation. Vous supposerez que X(t, ) est blanc, que X(t, ), B1 (t, ) et
B2 (t, ) sont non corrls. Dans ces conditions, montrez que lidentification de la rponse impulsionnelle
par intercorrlation est possible.
1 X2
h()
(m),
2
1 X2
( f )H2 ( f ) ,
Page 18
On en dduit que
1 2
si les filtres sont disjoints en frquence, lintercorrlation des sorties est nulle.
Application Considrons deux filtres parfaits autour de deux frquences pures f1 et f2 , de mme entre X(t, ). On a Y1 (t, ) = X( f1 , ) exp ( j2 f1 t), et Y2 (t, ) = X( f2 , ) exp ( j2 f2 t)3 . Dans ces
conditions,
RY Y (0) = E X( f1 , )X ( f2 , ) exp ( j2 ( f1 f2 )t) = 0,
1 2
soit
E X( f1 , )X ( f2 , ) = 0.
x
2
x1
pX (x)dx.
Si on appelle DXX ( f ) la densit spectrale de puissance dun signal alatoire X(t, ), alors la puissance du signal
porte par les composantes frquentielles comprises entre f1 et f2 scrit
PXX ( f [ f1 , f2 ]) =
f
2
f1
DXX ( f )d f .
+
DXX ( f )d f .
1
T + 2T
Par ailleurs,
RXX ( ) =
+T
T
SXX ( f ) exp ( j2 f ) d f ,
soit, pour = 0,
RXX (0) = PXX =
SXX ( f ) d f .
La transforme de Fourier SXX ( f ) de la fonction dautocorrlation est ainsi une bonne candidate pour tre la
densit spectrale de puissance. Notons cependant, cette dernire relation ne prouve pas quelle le soit.
3 Cette criture nest pas rigoureuse, car la transforme de Fourier nest pas dfinie pour des signaux alatoires stationnaires. Il
faudrait ici utiliser la reprsentation de C RAMR voir 3.4.
Page 19
Considrons un filtre parfait, dont le module de la fonction de transfert est damplitude un dans une bande
f centre sur une frquence f0 , et nul ailleurs :
|H(h)| = 1 pour f [ f0 2f , f0 + 2f ]
|H(h)| = 0 ailleurs.
Notons Y (t, ) = (h X)(t, ) la rponse de ce filtre une entre X(t, ). La puissance de la sortie est donne
par
PYY = RYY (0) =
SYY ( f ) d f ,
f
f
, f0 +
]) =
2
2
f + f
0
2
f0 2f
SXX ( f ) d f ,
ce qui correspond bien la dfinition de la densit spectrale de puissance : la puissance pour les composantes
spectrales comprises dans un intervalle est bien gale lintgrale de la densit spectrale de puissance sur cet
intervalle. Si f est suffisamment faible, on pourra considrer la densit spectrale de puissance SXX ( f ) comme
approximativement constante sur lintervalle, et
PYY ( f [ f0
f
f
,f +
]) SXX ( f0 ) f .
2 0
2
Cette dernire relation indique que la densit spectrale de puissance doit sexprimer en Watts par Hertz. Par
ailleurs, lorsque f tend vers 0, la puissance recueillie est de plus en plus faible. Pour f = 0, la puissance
obtenue est ainsi normalement nulle, sauf si la densit spectrale elle-mme est constitue par une masse de
Dirac (de largeur nulle mais damplitude infinie) la frquence considre.
Notons que le filtre que nous avons dfini ci-dessus nest dfini, par commodit de prsentation, que pour
les frquences positives. Sa fonction de transfert ne vrifie donc pas la proprit de symtrie hermitienne des
signaux rels : la rponse impulsionnelle associe est donc complexe et la sortie Y (t, ) galement complexe.
En restaurant cette symtrie, cest--dire en imposant H( f ) = H ( f ), ce qui entrane (notez le module de f )
|H( f )| = 1 pour | f | [ f0 2f , f0 + 2f ]
|H( f )| = 0 ailleurs,
la puissance en sortie est
PYY =
f + f
0
2
f0 2f
SXX ( f ) d f +
f + f
0
2
f0 2f
SXX ( f ) d f .
La densit spectrale de puissance dun signal alatoire rel est une fonction paire, ce qui conduit enfin
PYY = 2
f + f
0
2
f0 2f
SXX ( f ) d f ,
relation qui indique que la puissance se partage quitablement dans les frquences positives et ngatives.
Exemple :
Considrons le cas dune sinusode amplitude et phase alatoire
X(t, ) = A( ) sin(2 f0 t + ( )),
o A( ) est une variable alatoire centre de variance 2 et ( ) uniformment rpartie sur [0, 2 ], indpendante de A( ). La fonction dautocorrlation de ce signal vaut
RXX ( ) =
2
cos(2 f0 ).
2
Page 20
2
[ ( f + f0 ) + ( f f0 )].
4
2
2
[ ( f + f0 ) + ( f f0 )]d f =
,
4
2
RXX ( ),
SXY ( f )
RXY ( ),
o SXX ( f ), SXY ( f ) sont les densits spectrale de puissance et de puissance dinteraction, respectivement. Ces
relations constituent le thorme de Wiener-Kintchine-Einstein.
La quantit dZ( f , ) est appele incrment spectral. On notera quil sagit dun signal alatoire dpendant de
la variable f . Lorsque le processus est stationnaire au sens large, lincrment spectral possde les proprits
suivantes :
1. lincrment est moyenne nulle
E {dZ( f , )} = 0,
2. les incrments des frquences diffrentes sont dcorrls
E dZ( f1 , )dZ( f2 , ) = 0
si f1 = f2 ,
3. la densit spectrale de puissance est lie la valeur moyenne du module carr de lincrment spectral
E |dZ( f , )|2 = SXX ( f )d f .
Lincrment spectral dZ( f , ) est ainsi un processus de moyenne nulle et dcorrl. On peut le considrer
comme un bruit blanc ( lordre 2) dans le domaine frquentiel (pas de corrlation, sauf pour le retard nul).
La seconde proprit constitue la formulation rigoureuse indiquant la proprit de dcorrlation des composantes spectrales.
On retrouve le lien entre puissance et densit spectrale de puissance en calculant E |X(t, |2 en terme
des incrments spectraux :
+
+
2
exp ( j2 f1 t) dZ( f1 , )
exp ( j2 f2 t) dZ( f2 , )
= E
E |X(t, |
=
+
+
exp ( j2 ( f1 f2 )t) E dZ( f1 , )dZ( f2 , ) .
En tenant compte de la proprit de dcorrlation, lintgrande nest non nul que pour f = f1 = f2 , et
E |X(t, |2 =
E |dZ( f , )|2 =
SXX ( f )d f .
Page 21
Page 22
(T ) =
(T ) =
+
2
h(u)x(T u)du|
+
.
E | h(u)B(T u, )du|2 ]
En ce qui concerne tout dabord le dnominateur, il sagit l de la puissance dun signal alatoire la sortie
dun filtre, et lon a donc
2
E |(h B)(t, )| ] =
SB
B
( f )d f =
+
|H( f )|2 d f ,
+
h(u)x(T u)du|2
+
|h(u)|2 du
+
|x (T u)|2 du,
avec galit lorsque les vecteurs h(u) et x (T u) sont colinaires. Lgalit de Parseval-Plancherel, qui exprime
la conservation du produit scalaire entrane que
+
|h(u)| du =
2
+
|H( f )|2 d f .
(T )
+
2
|x (T u)| du
Ex
,
2
o Ex est lnergie du signal x(t). Lgalit est atteinte lorsque h(u) et x (T u) sont colinaires, cest--dire
h(u) = kx (T u) ,
o k est une constante arbitraire. Le filtre optimal maximisant le rapport signal--bruit en sortie, linstant T ,
est ainsi le filtre dont la rponse impulsionnelle la copie retourne et dcale dans le temps du signal que lon
cherche retrouver. En ce sens, le filtre est adapt au signal.
La relation de filtrage de Y (t, ) avec une copie retourne quivaut en fait effectuer une intercorrlation
(au sens dterministe). En effet,
z(t) =
=
+
+
h(u)y(t u)du =
+
x (T + v)y(t + v)dv =
x (T u)y(t u)du
+
x (T t + v)y(v)dv,
soit
z(t) = Ryx (T t).
Page 23
Le rcepteur optimal consiste donc calculer lintercorrlation entre le signal reu y(t) et le signal attendu x(t).
On parle alors souvent de rcepteur corrlation.
Application en Sonar-Radar
Dans le dveloppement prcdent, on a suppos connatre x(t). Or, dans le contexte sonar-radar, le signal
dtecter est as(t t0 ), o a et t0 sont inconnus. On utilisera alors comme filtre adapt le filtre adapt s(t), soit
h(t) = ks (T t).
Dans ce cas, la sortie du filtre est, en terme dintercorrlation, Rys (T t). En reprenant avec
y(t) = as(t t0 ) + b(t),
on obtient
z(t) = Rys (T t) = aRss (T + t0 t) + Rbs(T t).
Leffet du filtrage est alors de minimiser le terme de bruit Rbs (T t). Par ailleurs, on sait que lautocorrlation est maximale en 0. Dans notre cas de figure, la sortie z(t) sera maximale pour t = T + t0 . partir de ce
maximum, on peut alors dduire la valeur du retard t0 et la valeur du facteur dchelle a. Le choix du signal
s est important : on cherchera ce quil prsente un pic dautocorrlation Rss trs prononc, afin de localiser
facilement le maximum et permettre ventuellement la dtection simultane de plusieurs chos.
(I.3)
(I.6)
N1
i=0
(I.8)
Page 24
On reconnat dans cette dernire relation lexpression de lintercorrlation entre y et s, pour le retard r.
La distribution a posteriori du retard sexprime donc comme
Rys (r)
.
p(r|y) exp
2
(I.9)
La distribution du retard, compte tenu des observations, est donc lexponentielle de lintercorrlation, pondre
par linverse de la variance du bruit additif gaussien. Pour tracer cette distribution a posteriori, il faudra donc
calculer cette intercorrlation pour tous les retards possibles, puis en prendre lexponentielle.
On peut aller un peu plus loin. En effet, dans une exprience de sonar, on rpte lmission avec une
priode T = MTe , o M est le nombre de points obtenus sur la dure T avec un chantillonnage la priode
Te . En collectant les donnes sous la forme de K vecteurs de M points, on peut penser intuitivement que lon
amliorera le rsultat de lestimation en moyennant les intercorrlations calcules sur les diffrentes tranches.
Ceci se formule ainsi :
(I.10)
p(y1 , y2 , . . . , yK |r) = p(y1 |r)p(y2 |r) . . . p(yK |r),
en supposant que les bruits sont indpendants de tranche tranche. On en dduit alors que
p(r|y1 , y2 , . . . , yK ) p(y1 |r)p(y2 |r) . . . p(yK |r)p(r)
Compte tenu de la forme exponentielle de p(yi |r), on obtient finalement
K R (r)
yi s
,
p(r|y1 , y2 , . . . , yK ) exp
2
i=1
(I.11)
(I.12)
relation qui indique bien que lon a intrt moyenner, ou plus exactement sommer les intercorrlations calcules sur les diffrentes tranches. Le processus est constructif, et la distribution a posteriori devient alors de plus
en plus pique.
(13,4,3,1,0)
...
On montre que la corrlation calcule sur une priode complte vaut Rxx (0) =
Page 25
A2
N,
et Rxx (k) =
N+1 2
A .
N2
Page 26
EXERCICES ET PROBLMES
Exercice 1 :
On considre le processus alatoire x(t) dfini par x(t) = B( ) + A( ) cos 2 f0 t + ( ) o A( ), B( ),
( ) est
uniformment distribue entre 0
et ( ) sont des variables alatoires
2 indpendantes,
une
variable
2
2
2
et 2 , et on note E {A} = mA , E A = eA , E {B} = mB , E B = eB . Calculez la moyenne et la fonction
dautocorrlation de x(t). Le signal x(t) est-il faiblement stationnaire lordre 2 ?
Exercice 2 :
Soit x(n) un signal alatoire temps discret faiblement stationnaire du second ordre. On dfinit
y(n) = x(n) cos 2 f0 n + ( ) ,
z(n) = x(n) cos 2 ( f0 + )n + ( )
o ( ) est une variable uniformment distribue entre 0 et 2 , indpendante de x(n). On note mX et RXX (k)
la moyenne et la fonction dautocorrlation de x(n).
Montrez que y(n) et z(n) sont faiblement stationnaires dordre deux, et que y(n) + z(n) nest par contre pas
stationnaire dordre 2.
Exercice 3 :
On cherche prdire lvolution dun signal stationnaire discret x(n) partir de ses valeurs prcdentes
x(n 1), en formant lestimation x(n)
= ax(n 1).
Dterminez la valeur optimale de a qui minimise lerreur quadratique moyenne E |x(n)
x(n)|2 ?. De la
p
ai x(n i).
mme manire, on pourra chercher prdire x(n) partir de p valeurs prcdentes selon x(n)
=i=1
Exercice 4 : Soit un filtre RC passif passe-bas du premier ordre, avec R la rsistance et C la capacit. Lentre
du filtre est un signal alatoire blanc, centr, de densit spectrale de puissance No/2. Calculez la moyenne,
la densit spectrale de puissance, et la puissance du signal de sortie y(t). Donnez galement la bande de bruit
quivalente.
On utilisera le fait que la primitive de 1/(a2 + x2 ) est 1a arctg(x/a).
Exercice 5 :
Soit un processus alatoire discret x(n) blanc et centr, de variance 2 . On dfinit deux nouveaux signaux
alatoires y(n) et z(n) par les relations
y(n) = x(n) + bx(n 1),
z(n) = x(n) + az(n 1),
avec a < 1. Calculez les moments dordre 1 et 2 de y(n) et z(n). On pourra admettre que E {x(n)z(n k)} = 0
pour k > 0.
Page 27
Exercice 6 : Soit un filtre passe-bas idal de fonction de transfert H( f ), H( f ) = 1 pour | f | B/4 et 0 ailleurs.
Lentre du filtre est un processus alatoire gaussien x(t) de moyenne mX et de densit spectrale de puissance
SXX ( f ), avec SXX ( f ) = 1 pour | f | B/2 et 0 ailleurs. Calculez la variance de x(t), la moyenne, la variance et
la fonction dautocorrlation de la sortie du filtre y(t). Donnez la loi de y(t).
Rappels :
cos a cos b = 12 [cos a + b + cos a b]
jx
jx
cos x = e +e
2
n
N1
n=0 q =
1qN
1q
Problme II :
On considre le schma de la figure 1, o X(t, ) est un signal alatoire stationnaire et ergodique, fT (t) une
fonction dterministe (certaine), et h(t) la rponse impulsionnelle du systme. On notera XT (t, ) le produit
fT (t)X(t, ).
Question 1 :
1-a Donnez lautocorrlation de la sortie, RYY ( ), et lintercorrlation sortie-entre RY X ( ) en fonction de
lautocorrlation de lentreRXX et de
la rponse impulsionnelle h.
1-b Dans le cas o h(t) = exp j2 f0 t , donnez lexpression de la sortie Y (t, ), et montrez que Y (0, ) =
XT ( f0 , ), la transforme de Fourier de XT (t, ) la frquence f0 .
1-c Toujours dans le cas o h(t) = exp
j2 f0 t , donnez lexpression de lautocorrlation de la sortie,
RYY ( ) et montrez que RYY (0) = E |XT ( f0 )|2 .
Page 28
X (t, )
X1 (t, )
- +n
Y (t, )
- +n
h(t)
Z(t, )
B1 (t, )
B2 (t, )
F IG . I.4: Filtre bruit en entre et en sortie
Question 2 :
En notant toujours XT (t, ) = fT (t)X(t, ), et en dfinissant
R XX ( ) =
2-a montrez que
E R XX ( ) = g( )RXX ( ),
o g( ) est une fonction dont vous donnerez lexpression. Reprsentez g( ) lorsque fT (t) = rectT (t/T ).
2-b En utilisant lgalit de Plancherel-Parseval, montrez que
x(t)y (t )dt =
X( f )Y ( f )e j2 f d f ,
et dduisez en que la transforme de Fourier de Rxy ( ) vaut X( f )Y ( f ), o X( f ) et Y ( f ), sont respectivement les transformes de Fourier de x(t) et y(t). 4
2-c Dduisez en que
SXX ( f ) = TF R XX ( ) = |XT ( f )2 .
2-d Montrez que
E SXX ( f ) = TF E R XX ( ) = G( f ) SXX ( f ),
(cf 1-b)
(cf 2-c)
dans lequel on peut faire varier la frquence f1 ? Quel serait lintrt dajouter une intgration supplmentaire en sortie ?
4 Les x et y donns
dans les deux dernires relations sont des signaux gnraux : ce ne sont pas ncessairement X(t, ) et Y (t, ).
Page 29
X (t, )
- x
-
Y (t, )
h(t)
6
fT (t)
F IG . I.5: Systme considr
1
(ak ) + (ak 1) ,
2
E ak ,
Var{ak }
ak (t kTb ),
k=
o Tb est la priode bit . On supposera que les ak sont indpendants entre eux.
Reprsentez une ralisation (quelconque) de ce signal alatoire.
3 On considre un filtre de rponse impulsionnelle s(t), o s(t) est une fonction dterministe dfinie sur
[0, Tb ]. On note y(t) la sortie de ce filtre soumis lentre x(t).
Donnez lexpression gnrale de y(t).
titre dillustration, on considrera s(t) = rectT /2 (t Tb /4) rectT /2 (t 3Tb /4), cest--dire
(I.13)
k=
ak s(t kTb + ),
Page 30
o est une variable alatoire uniforme sur [0, Tb ]. On considrera que les {ak } et sont indpendants. On
notera quune somme infiniedintgrales
dfinies
sur des intervalles conscutifs est une intgrale dfinie sur
[, ], et on notera ma = E ak , et ms = s(u)du. Calculez la moyenne statistique de x(t). Ce signal est-il
stationnaire ?
6 En utilisant le mme modle de signal que pour la question prcdente, montrez que
RYY ( ) =
1
Raa (k)RSS( kTb),
Tb k=
o Raa (k) reprsente la lautocorrlation ventuelle des ak . Cette expression de la fonction de corrlation pour
un code en ligne rendu stationnaire par lintroduction de la variable , est appel formule de B ENETT.
plain
Page 32
plain
INDEX