coursINTRODUCTION AU FILTRAGE ADAPTATIF ET A L'EGALISATION - Fa - T

INTRODUCTION AU FILTRAGE ADAPTATIF
ET A LEGALISATION
ENSICAEN
Specialite : Electronique
et Physique Appliquee
Majeure : Signal, Automatique, Telecommunications
mathieu.pouliquen@unicaen.fr
Table des matières
1 Quelques rappels et objet du cours

1.1 Notations et rappels . . . . . . . . .
1.1.1 La Transformee de Fourier . .
1.1.2 Limpulsion . . . . . . . . . .
1.1.3 Le filtrage numerique lineaire
1.1.4 Analyse de correlation . . . .
1.2 Objets du cours . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Techniques de filtrage adaptatif
2 Filtrage adaptatif au sens de Wiener

2.1 Principe generaux . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.1 Contexte de signaux aleatoires et deterministes . . . . . .
2.1.2 Formalisme . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Solution globale . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.1 Recherche des paramètres du filtre . . . . . . . . . . . . .
2.2.2 Verification du principe dorthogonalite . . . . . . . . . .
2.2.3 Mise en oeuvre . . . . . . . . . . . . . . . . . . . . . . . .
2.2.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Solution recursive . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.1 Première approche . . . . . . . . . . . . . . . . . . . . . .
2.3.2 Algorithme du gradient deterministe . . . . . . . . . . . .
2.3.3 Propriete de convergence . . . . . . . . . . . . . . . . . .
2.3.4 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.5 Algorithme du gradient stochastique . . . . . . . . . . . .
2.3.6 Mise en oeuvre . . . . . . . . . . . . . . . . . . . . . . . .
2.4 Exemples dapplication . . . . . . . . . . . . . . . . . . . . . . . .
2.4.1 Application de la solution recursive : annulation decho
acoustique . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4.2 Application de la solution globale : debruitage de la parole
5
5
5
6
7
8
11
13
16
16
17
17
18
18
20
20
22
23
23
24
25
27
27
29
30
30
33
3 Filtrage adaptatif au sens des moindres carr

es
36
3.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2 Exemples dapplication . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.1 Exemple numerique . . . . . . . . . . . . . . . . . . . . . 38
3.2.2 Identification dun système de transmission flexible . . . . 39
3.2.3 Retour sur lannulation decho acoustique . . . . . . . . . 41
3.3 Les moindres carres en milieu bruite . . . . . . . . . . . . . . . . 41
3.3.1 Le biais . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3.2 Solutions dans un contexte didentification . . . . . . . . . 44
3.3.3 Retour sur lidentification dun système de transmission
flexible . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4 Filtrage De Kalman
4.1 Principe . . . . . . . . . . . . . . . . .
4.2 Filtre et predicteur de Kalman . . . .
4.2.1 Filtre de Kalman . . . . . . . .
4.2.2 Predicteur de Kalman . . . . .
4.2.3 Mise en oeuvre . . . . . . . . .
4.3 Solution stationnaire . . . . . . . . . .
4.4 Exemples dapplication . . . . . . . . .
4.4.1 Filtrage dun signal decroissant
4.4.2 Position dun mobile . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
51
51
52
52
54
56
56
59
59
61
II Egalisation dans une chane de transmission de linformation

64
5 Le probl`
eme d
egalisation
65
5.1 Modèle equivalent discret du canal . . . . . . . . . . . . . . . . . 65
5.2 Bruit et interference inter symbole . . . . . . . . . . . . . . . . . 68
6 Egaliseur avec connaissance du canal ou s
equence dapprentissage
6.1 Egaliseur lineaire . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Egaliseur zero forcing . . . . . . . . . . . . . . . . . . . .
6.1.2 Egaliseur de Wiener (ou à erreur quadratique moyenne
minimale) . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.3 Egaliseur par retour de decision . . . . . . . . . . . . . . .
6.2 Egaliseur adaptatif . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2.1 Egaliseur de Wiener adaptatif . . . . . . . . . . . . . . . .
6.2.2 Egaliseur par retour de decision adaptatif . . . . . . . . .
72
72
72
79
85
87
88
89
7 Egaliseurs aveugles (ou autodidactes)

92
7.1 Egaliseurs de type Bussgang . . . . . . . . . . . . . . . . . . . . . 92
7.2 Egaliseurs aveugles par identification . . . . . . . . . . . . . . . . 98
A R
esultats divers
100
A.1 Lemme dinversion matricielle . . . . . . . . . . . . . . . . . . . . 100
A.2 Forme quadratique incomplète . . . . . . . . . . . . . . . . . . . 100
Remerciements à Guy Binet, Miloud Frikel, Olivier Gehan et Eric Pigeon pour
les remarques et critiques.
CHAPITRE
Quelques rappels et objet du cours
1.1
Notations et rappels
Dans ce cours, seuls sont traites les signaux discrets cest à dire echantillonnes.
Un signal temporel x(t) sera donc decrit par la valeur xk de ses echantillons
aux instants kTe . Te designe la periode dechantillonnage. On supposera dans la
suite que la periode dechantillonnage a ete judicieusement choisie de manière à
satisfaire la condition du theorème de Shannon.
1.1.1
La Transform
ee de Fourier
Rappelons que la transformee dun signal echantillonne x(t) est definie par :
T F [x(t)] = X(f ) =
+
X
xk ej2f kTe
k=
P+
Cette transformee de Fourier existe si k= |xk |. Dans la suite, lorsquon sera
sera amene à calculer une transformee de Fourier, la condition precedente sera
supposee verifiee par defaut.
De meme, certains calculs necessiteront la permutation dintegrales, de sommes
et de limites. Par defaut, les conditions necessaires à la validite de ces permutations seront supposees satisfaites (voir cours de Mathematiques).
La transformee de Fourier dun signal echantillonne etant periodique de periode
1
ee de Fourier inverse sexprime par :
Te , la transform
Z
xk = Te
X(f )ej2f kTe df
1
Te
Cette propriete de reversibilite est de première importance puisquelle signifie que x(t) et X(f ) contiennent les memes informations, decrivent les memes
comportements mais simplement de manière differente. Ce qui diffère cest simplement la nature des informations directement accessibles. La representation
5
temporelle decrit les variations au cours du temps du signal, la representation

frequentielle decrit la vitesse à laquelle se font ces variations. Ainsi, suivant linformation recherchee, suivant le phenomène observe il peut etre plus interessant
de traiter lune ou lautre des representations.
La representation graphique de la transformee de Fourier se fait la plupart du
temps par lintermediaire du module |X(f )| ou encore du module au carre. Ce
dernier terme |X(f )|2 est appele densite spectrale et est note :
Sxx (f ) = X(f )X (f ) = |X(f )|2
De la meme manière, la densite spectrale interspectre est definie par

Syx (f ) = Y (f )X (f )
1.1.2
Limpulsion
Tout comme lanalyse en temps continu, lanalyse en temps echantillonne utilise couramment la sequence impulsion. Cette sequence est notee (t) et se caracterise par :

1 pour k = 0
k =
0 pour k 6= 0
(t)
6
1
6
- t
Figure 1.1 Representation graphique de limpulsion (t)

Cette impulsion permet une formulation du signal x(t) comme suit :
x(t) =
+
X
k=
xk (t kTe )
La transformee de Fourier de limpulsion est

T F [(t)] =
+
X
k ej2f kTe = 1
k=
Un train dimpulsion de periode T est defini par :

T (t) =
+
X
i=
(t iT )
La transformee de Fourier dun train dimpulsion est :

1
T F [T (t)] = 1/T (f )
T
1.1.3
Le filtrage num
erique lin
eaire
Rappelons ici la notion de filtrage numerique lineaire. On considère pour cela

un filtre H(q) defini par :
H(q) =
+
X
hi q i
i=0
les termes hi definissent les coefficients de la reponse impulsionnelle du filtre et

q 1 est loperateur retard : q 1 x(t) = x(t Te ).
Le filtrage de x(t) par H(q) sexprime comme suit :
y(t) = H(q)x(t)
y(t) =
hi q i x(t)
i=0
y(t) =
X
i=0
hi x(t iTe )
Ainsi la valeur yk de y(t) à linstant t = kTe est :

yk =
hi xki
i=0
Le filtrage lineaire sexprime de manière equivalente par lintermediaire du produit de convolution . Si on definit un signal h(t) à partir des coefficients hi :
h(t) =
+
X
k=0
hk (t kTe )
le produit de convolution entre h(t) et x(t) est :

z(t) = h(t) x(t)
+
X
z(t) =
i=
h(iTe )x(t iTe )
+ X
+
X
z(t) =
i= k=0
z(t) =
+
X
hi x(t iTe )
+
X
hi
i=
z(t) =
hk (iTe kTe )x(t iTe )
i=
+
X
q=
xq (t iTe qTe )
pour t = kTe
z(kTe ) =
+
X
i=
hi
+
X
q=
xq (kTe iTe qTe )

7
zk =
+
X
hi xki
i=
et puisque les hi sont nuls pour i < 0, on a :

zk =
+
X
hi xki = yk
i=0
Ainsi on retrouve bien lexpression precedente sur yk .

Remarquons que la transformee de Fourier de y(t) secrit :
!
+
X
X
T F [y(t)] =
hi xki ej2f kTe
k=
T F [y(t)] =
i=0
X
+
X
hi xki ej2f iTe ej2f (ki)Te
k= i=0
T F [y(t)] = T F [h(t)]T F [x(t)]

La transformee de Fourier du filtre est notee T F [h(t)] :
T F [h(t)] =
+
X
hi ej2f iTe = H(ej2f Te )
i=
En terme danalyse spectrale on a

Syy (f ) = |H(ej2f Te )|2 Sxx (f )
et
Syx (f ) = H(ej2f Te )Sxx (f )
1.1.4
Analyse de corr
elation
Dans ce cours on distingue deux types de signaux : les signaux deterministes et

les signaux aleatoires :
Les signaux deterministes sont les signaux caracterises par leur evolution
temporelle, par exemple lechelon, la rampe, une sinusode, etc. Ces signaux
sont parfaitement connus et pourvu quon connaisse la loi devolution et un
echantillon à un instant donne, il est possible de retrouver lintegralite du
signal. Cette classe de signaux tend à modeliser les signaux type excitation,
entree de système, point de fonctionnement, etc.
Les signaux aleatoire correspondent aux signaux quon va dire incertain.
Ils sont caracterises par une densite de probabilite et la connaissance dun
ou plusieurs echantillons à un instant donne ne suffira jamais à retrouver
lintegralite du signal. Cette classe de signaux tend à modeliser les bruits tels
que les bruits de mesure ou encore les dynamiques negligeables dun système.
Les Signaux d
eterministes
Les signaux deterministes se repartissent en deux classes : les signaux à energie
finie et les signaux à puissance finie. Pour un signal x(t), lenergie Exx et la
puissance Pxx sont definies par
Exx =
xk xk
k=
N
X
1
xk xk
N 2N + 1
Pxx = lim
k=N
Une extension de la notion denergie (puissance) est la fonction dautocorrelation

notee Rxx . Cette fonction est definie de differentes manières suivant quon
considère un signal à energie finie ou à puissance finie :
Signaux a
`
energie finie
Rxx (i) =
xk+i xk
k=
On a ainsi Rxx (0) = Exx .

Signaux a
` puissance finie
N
X
1
xk+i xk
N 2N + 1
Rxx (i) = lim
k=N
On a ainsi Rxx (0) = Pxx .

Si on considère un second signal y(t) on definit la fonction dintercorrelation
comme suit :
Signaux a
`
energie finie
Ryx (i) =
yk+i xk
k=
Signaux a
` puissance finie
N
X
1
yk+i xk
N 2N + 1
Ryx (i) = lim
k=N
On peut montrer que les fonctions de correlation et les spectres sont lies par les
relations suivantes :
T F [Rxx (t)] = Sxx (f )
T F [Ryx (t)] = Syx (f )
do`
u les figures 1.2 et 1.3.
tranformee de Fourier

-
x(t)
X(f )
autocorrelation
module2
?
Rxx (t)
?
Sxx (f )

-
Figure 1.2 relations entre signal, correlation, transformee de Fourier et

spectre
x(t)
y(t)

-
X(f )
Y (f )
intercorrelation
produit et conjugue
?
Ryx (t)
?
Syx (f )

-
Figure 1.3 relations entre signal, correlation, transformee de Fourier et

spectre
Les Signaux al
eatoires
Pour les signaux aleatoires les fonctions dautocorrelation et dintercorrelation
sont definies par :
xx (t1 , t2 ) = E{x(t1 )x(t2 )}
yx (t1 , t2 ) = E{y(t1 )x(t2 )}
Un signal aleatoire ergodique stationnaire est necessairement à puissance finie.
On montre alors que les fonctions de correlations definies ci-dessus sont telles
que
N
X
1
xk+i xk
N 2N + 1
xx (t1 , t2 ) = Rxx (i) = lim
k=N
10
N
X
1
yk+i xk
N 2N + 1
yx (t1 , t2 ) = Rxx (i) = lim
k=N
avec i = t1 t2 .
La transformee de Fourier dun signal aleatoire netant pas definie, les figures
1.2 et 1.3 sont remplacees par les figures 1.4 et 1.5.
x(t)
autocorrelation
?
xx (t)
transformee de Fourier

-
Sxx (f )
Figure 1.4 relations entre signal, correlation et spectre
x(t)
y(t)
intercorrelation
?
yx (t)
transformee de Fourier

-
Syx (f )
Figure 1.5 relations entre signal, correlation et spectre
1.2
Objets du cours
Le filtrage adaptatif regroupe un ensemble de techniques dediees à la resolution

dun problème important en sciences de lingenieur, à savoir :
11
La reconstruction dun signal en milieu bruite.
Nous entendons ici par reconstruction le fait de lisser, filtrer o`

u predire un
signal. Les techniques presentees ici sont basees sur une certaine connaissance
de proprietes du signal et du processus le generant. Le traitement sera realise
par le biais dun filtrage du signal lui-meme ou dun second signal.
Ce document est scinde en deux parties :
Partie 1 : cette partie est dediee à la presentation de plusieurs types de methodes
de filtrage adaptatif : le filtrage au sens de Wiener, le filtrage au sens des
moindres carres et le filtrage de Kalman. La mise en oeuvre de lune ou
lautre technique dependra de lobjectif à atteindre, des informations disponibles et de la manière dont sera mis en oeuvre le filtre.
Partie 2 : cette partie sinteresse plus particulièrement au problème degalisation,
problème pose en telecommunication. Differentes variantes, sexprimant en
terme de filtrage adaptatif, sont proposees et discutees.
12
Premi`
ere partie
Techniques de filtrage
adaptatif
13
Les techniques de filtrage adaptatif trouvent tout leur sens dans les problèmes
pour lesquels la composante de bruit ou le processus ont un comportement
spectral inconnu. Considerons par exemple le cas dun signal perturbe par un
parasite sinusodal à la frequence de 50Hz. Ce signal peut etre filtre efficacement
par un filtre classique coupe bande centre sur 50Hz. En revanche considerons le
cas de la mesure sur electrocardiogramme du rythme cardiaque dun bebe encore
dans le ventre de sa mère. Le signal va etre parasite par le rythme cardiaque
de la mère. Ce signal parasite est a priori de contenu spectral inconnu et il
risque meme de se superposer en partie au signal correspondant au bebe. Le
filtrage classique est donc ici inefficace alors que le filtrage adaptatif va se reveler
performant.
On distingue quatres classes dapplications :
lidentification : La figure 1.6 illustre le contexte du problème didentification.
Celui-ci consiste en la determination dun filtre modelisant au mieux le comportement dun processus inconnu. Seuls sont connus les signaux dentree/sortie
de ce processus. Le filtre representant le modèle sera estime à partir de lobservation de la difference entre la sortie du processus et son estimation à la
sortie du filtre.
sortie
processus ?
entr
ee
filtre adaptatif
Figure 1.6 Principe de lidentification

la prediction : La figure 1.7 illustre le contexte du problème de prediction. Ce
problème consiste en lestimation de la valeur future dun signal à partir des
informations passes. Ce peut etre par exemple pour prevoir la position futur
dun objet, ou pour anticiper levolution future dun grandeur afin de prendre
au plus vite une decision.
signal de r
ef
erence ?
retard
filtre adaptatif
pr
ediction
Figure 1.7 Principe de la prediction

lannulation dinterference : La figure 1.8 illustre le contexte du problème
dannulation dinterference. Le problème de lelectrocardiogramme cite auparavant est un problème typique dannulation dinterference. On dispose
14
dun signal primaire (electrocardiogramme du bebe) parasite par un signal

de reference deforme. Ce signal de reference est lelectrocardiogramme de la
mère. Le filtrage adaptatif va permettre une compensation de linfluence de
lelectrocardiogramme de la mère sur lelectrocardiogramme du bebe.
signal de r
ef
erence d
eform
e
+
signal primaire ?
signal de r
ef
erence
filtre adaptatif
Figure 1.8 Principe de lannulation dinterference

la modelisation inverse : La figure 1.9 illustre le contexte du problème de
modelisation inverse. Il sagit ici de reconstruire au mieux un signal de reference
qui a ete deforme par un processus inconnu. Le filtre adaptatif doit permettre une compensation des deformations induites par le processus. En
Telecom ce problème est designe sous le nom de problème degalisation.
retard
signal de r
ef
erence ?
processus
filtre adaptatif
estimation
Figure 1.9 Principe de la modelisation inverse
15
CHAPITRE
Filtrage adaptatif au sens de Wiener
2.1
Principe g
en
eraux
Le principe de synthèse du filtre est presente sur la figure 2.1. Il est suppose ici
que le signal quon souhaite estimer, y(t), est correle à un second signal u(t).
Cette estimation de y(t) sera notee yb(t) et prendra la forme suivante :
avec
yb(t) = H(q)u(t)
(2.1)
H(q) = h0 + h1 q 1 + h2 q 2 + . . . + hn q n =
n
X
hi q i
i=0
o`
u q est loperateur retard. H(z) est la fonction de transfert du filtre qui est
suppose ici etre un filtre FIR dordre n. Cette fonction de transfert secrit :
H(z) = h0 + h1 z 1 + h2 z 2 + . . . + hn z n =
n
X
hi z i
i=0
Remarque :
Ce type de filtre a lavantage detre toujours stable. Dun point de vue mise
en oeuvre, cest une garantie appreciable.
yb(t) sexprime donc comme suit :
yb(t) =
n
X
i=0
hi u(t iTe )
o`
u Te est la periode dechantillonnage.
16
y(t)
u(t)
y(t)
b
H(z)
+
-?
y(t)
e
Figure 2.1 Principe du filtrage de Wiener
2.1.1
Contexte de signaux al
eatoires et d
eterministes
Dans le cas des signaux aleatoires, le filtrage de Wiener consiste en une

determination des coefficients hi du filtre via la minimisation dune fonction
de co
ut JW faisant intervenir lerreur quadratique moyenne entre y(t) et son
estimation :
JW = E{(y(t) yb(t))2 }
(2.2)
Remarquons que dans le cas des signaux aleatoires stationnaires ergodiques,
ce critère peut etre reformule de la manière suivante en faisant intervenir la
moyenne temporelle :
t
1X
JW = lim
(yk ybk )2
(2.3)
t t
k=1
La minimisation de lune ou lautre des fonctions de co
ut importe peu en
terme de resultat final, neanmoins les ecritures seront plus legères pour le
critère de nature probabiliste, à savoir (2.2)
Dans le cas des signaux deterministes, le critère (2.2) na pas de sens, nest
alors considere que le critère (2.3) :
t
1X
JW = lim
(yk ybk )2
t t
k=1
Dans la suite, afin de ne pas alourdir les ecritures, nous determinerons uniquement le vecteur des paramètres minimisant le critère (2.2), on se placera par
consequent dans un contexte aleatoire. La resolution du second critère etant
analogue à celle du premier, le resultat sera simplement enonce et non demontre.
2.1.2
Formalisme
Dans la suite on notera ye(t) lerreur destimation :

ye(t) = y(t) yb(t)
ye(t) = y(t)
n
X
i=0
hi u(t iTe )
Ceci peut aussi se reecrire sous le formalisme usuel des moindres carres comme
suit :
ye(t) = y(t) (t)T
17
avec
(t) =
u(t)
u(t Te )
..
.
u(t nTe )
et
h0
h1
..
.
hn
Remarque :
Dans certaines situations il peut etre necessaire de faire de la prediction de
signaux (presence de retard, anticipation sur une decision), ceci revient alors
à realiser lestimation dune valeur future y(t + jTe ) à partir des donnees
disponibles jusquà linstant t. Cette estimation prend la forme :
n
X
yb(t + jTe ) =
hi u(t iTe )
i=0
o`
u j designe le pas de prediction. Ceci peut se reecrire comme suit
n
X
yb(t) =
hi u(t iTe jTe ) = H(q)u(t)
i=0
o`
u H(z) est le filtre defini par :
H(z) = z j (h0 + h1 z 1 + h2 z 2 + . . . + hn z n ) = z j
n
X
hi z i
i=0
Le critère de Wiener reste le meme, à savoir (2.2) ou (2.3) suivant le type de

signaux traites.
2.2
Solution globale
2.2.1
Recherche des param`

etres du filtre
Les coefficients du filtre sont obtenus par minimisation de la fonction de co

ut
JW , par consequent ils se caracterisent par lannulation de la derivee de cette
fonction de co
ut :
dJW
=0
d
Dans un contexte aleatoire, JW est de la forme :

JW = E (y(t) (t)T )2
Il vient alors

dJW
= 2E (t)(y(t) (t)T ) = 0
d

E {(t)y(t)} = E (t)(t)T
18
(2.4)
(2.5)
Daprès la forme de (t) on a :
u(t)y(t)
u(t Te )y(t)
E {(t)y(t)} = E
..
u(t
nT
e )y(t)
E {u(t)y(t)}
E {u(t Te )y(t)}
=
..
nTe )y(t)}
E {u(t
yu (0)
yu (1)
..
.
yu (n)
o`
u yu (i) est la fonction de correlation entre y(t) et u(t iTe ) dont lexpression
est rappelee à la page 10.
De la meme manière on a :
uu (0) uu (1) uu (n)
..
.

uu (1) uu (0) . .
.
T
=
E (t)(t)
..
.
.
.
.
.
.
.
.
.
.
uu (n)
uu (0)
Dans le cas de signaux reels, la fonction dautocorrelation est paire, par consequent
uu (i) = uu (i) et il vient alors :
uu (0) uu (1) uu (n)
..
.

uu (1) uu (0) . .
.
T
E (t)(t)
=
..
.
.
.
.
.
.
.
.
.
.
uu (n)
uu (0)
On notera dans la suite les matrices :

E (t)(t)T = uu
E {(t)y(t)} = yu
Lequation (2.5), appelee equation de Wiener-Hopf, peut donc etre exprimee de

la manière suivante :
equation de Wiener-Hopf :
yu = uu
(2.6)
Le vecteur des paramètres solutions est alors defini par :

= (uu )1 yu
(2.7)
19
Remarque : si on souhaite faire de la prediction lineaire, cest à dire un filtrage de

la forme y(t) = H(q)y(t 1), on constate que la solution precedente correspond
au système dequations de Yule-Walker vu pour la modelisation AR dun signal
(voir cours de traitement numerique du signal).
2.2.2
V
erification du principe dorthogonalit
e
Daprès (2.4), on constate que la solution de lequation de Wiener-Hopf verifie :

E (t)(y(t) (t)T ) = 0
Ainsi lerreur destimation ye(t) = y(t) (t)T est orthogonale au vecteur des
entrees du filtre (t). Ceci correspond au principe dorthogonalite, principe
general à toute estimation quadratique. Lestimation yb(t) apparat etre ainsi
la projection orthogonale de y(t) sur le plan engendre par (t) comme illustre
sur la figure 2.2.
6
y(t)
e
....
....
....
....
.... y(t)
..
..
..
..
..
..
..
.
y(t)
b

plan (t)
Figure 2.2 Principe dorthogonalite
2.2.3
Mise en oeuvre
Lalgorithme dapplication de la solution globale est presente sur la figure 2.3.
determination de yu et uu
?
= (uu )1 yu
?
Figure 2.3 Solution de Wiener-Hopf
Cet algorithme relativement simple souffre de quelques defauts. Tout dabord
il necessite la connaissance des termes de correlation uu (i) et yu (i) pour i
[0; n], ceci est d
u au fait que la solution (2.9) est obtenu par minimisation du
critère (2.2) de nature probabiliste. En general on ne dispose que de realisations
des signaux aleatoires u(t) et y(t) et non des termes uu (i) et yu (i).
20
Remarquons que lhypothèse dergodicite etant verifiee il est possible de substituer au critère (2.2) le critère (2.3). On peut aisement demontrer que le vecteur
des paramètres minimisant (2.3) est determine par :
= (Ruu )1 Ryu
avec
(2.8)
PN
Ruu (i) = limN N1 k=1 uk+i uk
P
N
Ryu (i) = limN N1 k=1 yk+i uk
Puisque les signaux sont aleatoires stationnaires ergodiques on a

Ruu (i) = uu (i)
Ryu (i) = yu (i)
La solution (2.8) est donc bien equivalente à la solution de lequation de WienerHopf (2.7).
Dun point de vue pratique, ne disposant des donnees que jusquà linstant
t = N Te on notera
(
PN
buu/t (i) = 1
R
N P k=1 uk+i uk
byu/t (i) = 1 N yk+i uk
R
k=1
N
b uu/t et
En substituant respectivement uu (ou Ruu ) et yu (ou Ryu ) par R
b
Ryu/t dans lequation (2.7) on obtient :
b uu/t )1 R
b yu/t
bt = (R
(2.9)
o`
u bt designe une estimation de à partir des donnees jusquà linstant t = N Te .
Lalgorithme de mise en oeuvre est presente sur la figure 2.4.
b yu/t et R
b uu/t
calcul de R
?
b uu/t )1 R
b yu/t
bt = (R
?
Figure 2.4 Algorithme de mise en oeuvre de la solution de Wiener-Hopf

Ensuite, cet algorithme necessite linversion dune matrice uu (ou Ruu ), problème
plus delicat puisquil sagit dune operation co
uteuse en temps de calcul et
risquee en terme de fiabilite.
Enfin, si après une première estimation du vecteur des paramètres, on dispose de
nouvelles donnees que lon veut exploiter pour ameliorer la première estimation,
on est oblige de reprendre tous les calculs depuis le debut.
21
Ces deux derniers problèmes peuvent etre contraignant dans le cas de lutilisation dun calculateur ne permettant pas linversion de la matrice uu (ou
Ruu ) ou encore dans le cas dun problème necessitant une application en temps
reel pour laquelle il est necessaire dactualiser à chaque instant la valeur des
paramètres du filtre. Un algorithme recursif sera propose dans la suite afin de
permettre un contournement intuitive des deux problèmes precedents.
2.2.4
Exemple
Dans le cas dun filtre dordre 0, lestimation yb(t) prend la forme yb(t) = h0 u(t)
et la fonction de co
ut devient :
JW = E{(y(t) h0 u(t))2 }
JW = y (0) 2h0 yu (0) + h20 uu (0)

avec
yy (0) = E{y(t)2 }
uu (0) = E{u(t)2 }
yu (0) = E{y(t)u(t)}
JW correspond à une fonction du second degre en h0 . Sa derivee par rapport à

h0 sexprime somme suit :
dJW
= 2yu (0) + 2h0 uu (0)
dh0
do`
u
dJW
yu (0)
= 0 h0 =
dh0
uu (0)
Pour y(t) et u(t) tels que :
yy (0) = 10
uu (0) = 1
yu (0) = 3
(2.10)
on a h0 = 3.
Les informations sur uu (0) et yu (0) sont generalement estimees à partir de
series de donnees. Afin dillustrer ceci, nous avons utilise des series de donnees
correspondant aux realisations de signaux aleatoires satisfaisants les relations
(2.10). Lhypothèse dergodicite etant par nature verifiee ici, uu (0) et yu (0)
peuvent etre estimes, pour t 1, comme suit :
buu/t (0)
uu (0) R
byu/t (0)
yu (0) R
La figure 2.5 presente lestimation de h0 à partir de ces realisations et en fonction

du nombre de donnees utilisees. Il apparat que cette estimation converge vers
la valeur vraie de h0 .
22
3.04
3.03
estimation de h
3.02
3.01
2.99
2.98
2.97
2.96
2.95
0.5
1.5
2.5
3
nombre de points
3.5
4.5
5
4
x 10
Figure 2.5 Estimation de h0
2.3
Solution r
ecursive
2.3.1
Premi`
ere approche
Considerons le cas envisage dans une des remarques precedentes à savoir : on

suppose disposer dune première estimation du vecteur des paramètres (notee
btTe ) et vouloir ameliorer cette estimation en exploitant de nouvelles informations disponible à linstant t. Ces nouvelles informations sont y(t) et u(t).
La solution recursive propose une actualisation de btTe sans passer par lensemble des calculs necessaires dans la solution globale et notamment sans passer
par linversion de la matrice uu .
Remarque :
Signalons tout de suite que la solution sur proposee par lalgorithme recursif
nest quune approximation de la solution proposee par lequation de WienerHopf. Il sera vu plus loin les conditions necessaires pour que cette approximation ne soit pas trop grossière.
Intuitivement la nouvelle estimation du vecteur des paramètres va prendre la
forme :
bt = btTe + terme correctif
Le terme correctif va prendre en compte la derivee de la fonction de co

ut par
rapport à lancien jeu de paramètres btTe , ceci afin de se deplacer dans le sens
dune erreur la plus faible possible. Ceci est illustre sur la figure 2.6. Notons
JW (t/t Te ) la valeur de la fonction de co
ut à linstant t, connaissant les paramètres estimes à linstant t Te :
JW (t/t Te ) = E{(y(t) (t)T btTe )2 }
Si la derivee
dJW (t/tTe )
dbtTe
est positive (cest le cas sur la figure de gauche) alors
on va diminuer btTe de manière à se deplacer vers le minimum de la fonction

de co
ut. Le terme correctif sera donc choisi negatif.
Si la derivee dJW b(t/tTe ) est negative (cest le cas sur la figure de droite)
dtTe
alors on va augmenter btTe de manière à se deplacer vers le minimum de la

fonction de co
ut. Le terme correctif sera donc choisi positif.
23
JW (t/t Te )
JW (t/t Te )
6
dJW (t/tTe )
b
d
tTe
.
..
.
..
..
..
.

dJW (t/tTe )
b
d
tTe
tTe
..
..
.. w
..
..
tTe
Figure 2.6
Une première version possible de lalgorithme est donc :
!
dJW (t/t Te )
b
b
t = tTe signe
2
dbtT
e
avec > 0.
Le terme signe
dJW (t/tTe )
dbtT
e
va permettre une evolution des paramètres de
manière à minimiser la fonction de co

ut, le terme 2 permet lajustement de
lamplitude du saut de lancienne à la nouvelle estimation. Une difficulte sur
lalgorithme precedent est le fait que cette amplitude est constante, do`
u le
risque de voir lalgorithme osciller au bout dun moment autour de la solution
sans parvenir à se stabiliser.
2.3.2
Algorithme du gradient d
eterministe
Afin de prendre en compte lamplitude de la derivee et eviter dans la mesure

du possible ce phenomène doscillation, une autre forme possible de lalgorithme
est la suivante :
On a
dJW (t/t Te )
bt = btTe
2
dbtTe
dJW (t/t Te )
= 2E{(t)(y(t) (t)T btTe )}
dbtT
e
dJW (t/t Te )
= 2(yu uu btTe )
dbtT
(2.11)
Ceci permet lexpression suivante sur bt :

algorithme du gradient :
bt = btTe + (yu uu btTe )
24
(2.12)
Cet algorithme est aussi appele algorithme du gradient deterministe puisque

les quantites yu et uu sont parfaitement connues et determinees. Dans le
cas de signaux aleatoires stationnaires ergodiques ou dans le cas de signaux
deterministes, cet algorithme senonce de la manière suivante :
algorithme du gradient :
bt = btTe + (Ryu Ruu btTe )
2.3.3
(2.13)
Propri
et
e de convergence
Pour linstant, rien ne garanti la convergence des paramètres de la solution

recursive bt vers les paramètres de la solution globale. Il sagit detablir ici les
conditions sur garantissant une telle convergence.
Notons et = bt lerreur entre le vecteur des paramètres de la solution globale

(fournit par lequation de Wiener-Hopf) et le vecteur des paramètres de la
solution recursive bt (fournit par lalgorithme du gradient). Daprès ce qui a ete
vu auparavant on a :
et = btTe (yu uu btTe )
et yu = uu
Il vient :
do`
u
et = (1 uu )( btTe )
et = (1 uu )etTe
ou encore
et = (1 uu )N e0
o`
u t = N Te et e0 designe lerreur au temps initial t = 0.
uu est une matrice symetrique definie positive, on peut donc la decomposer

comme suit
uu = P DP T
avec D de la forme :
1 0
0
..
.
.
0 2
.
.
D= .
.
.
..
..
..
0
0 0 n+1
o`
u les i designe les valeurs propres de uu . et peut donc etre mis sous la forme
suivante :
et = P (1 D)N P T e0
25
avec
et = P DN P T e0
D =
1 1
0
..
.
1 2
..
.
0
..
..
.
.
..
.
0
0 1 n+1
Il apparat deux cas figure suivant la nature des valeurs propres 1 i :

Si elles sont toutes de valeur absolue inferieure à 1 alors :
lim P DN P 1 = 0
t
do`
u
lim et = 0
t
On a donc convergence du vecteur des paramètres de la solution recursive
vers la solution globale ;
Si au moins une valeur propre est de valeur absolue superieure à 1 alors
lim P DN P 1 =
t
do`
u
lim et =
t
On a donc divergence du vecteur des paramètres bt .
La condition de convergence de lalgorithme apparat donc etre :

1 < 1 i < 1 , i
0<<
2
, i
i
Cette condition est verifiee pourvu que

0<<
2
max
o`
u max designe la valeur propre maximale de uu .
Remarque :
On considère en general que la valeur sur permettant une convergence optimale est donnee par :
2
opt =
max + min
En decà de cette valeur la convergence risque detre lente, au delà elle risque
de presenter des oscillations.
En labsence dinformation sur les valeurs propres de uu , il est possible de
prendre une borne superieur sur max en remarquant que
max <
n+1
X
i = trace(uu )
i=1
et que dans le cas dun filtre FIR on a

trace(uu ) = (n + 1)uu (0)
26
o`
u n est lordre du filtre et uu (0) est la puissance de u(t). Une condition de
convergence de lalgorithme du gradient deterministe est alors donnee par
0<<
2
(n + 1)uu (0)
Afin dintegrer cette condition dans lalgorithme, on note =

gorithme du gradient devient alors :
o
(n+1)uu (0) .
Lal-
algorithme du gradient normalise :

bt = btTe +
o
(n+1)uu (0) (yu
avec 0 < o < 1
uu btTe )
Dans le cas de signaux aleatoires stationnaires ergodiques ou dans le cas de

signaux deterministes on demontre le meme type de resultat, il vient alors :
o
bt = btTe +
(Ryu Ruu btTe )
(n + 1)Ruu (0)
Remarquons que dans le cas de signaux aleatoires stationnaires par morceaux

ou pour des signaux deterministes il se peut que la puissance de u(t) tende vers 0
o
risque alors de devenir trop grand do`
u
à un moment donne, le gain (n+1)R
uu (0)
une divergence sur les paramètres estimes. Afin deviter ce type de singularite,
une variante possible sur lalgorithme dadaptation est la suivante :
o
bt = btTe +
(Ryu Ruu btTe )
a + (n + 1)Ruu (0)
o`
u a est un terme legèrement superieur à 0 ajoute au denominateur afin de ne
pas voir ce dernier tendre vers 0.
2.3.4
Exemple
On realise ici lestimation dun filtre dordre 1 à partir

deserie de donnees u(t) et
1
y(t) pour lesquelles la solution globale donne =
. Il sagit ici dobserver
2
le comportement
du gradient deterministe. La condition initiale
de lalgorithme

0
sur bt est b0 =
. Les figures 2.7, 2.8, 2.9 et 2.10 presentent la trajectoire
0
de bt sur les 10 premières iterations en fonction du gain . On retrouve bien
les differents comportements attendus à savoir : convergence lente sans oscillations, convergence avec oscillations amorties, oscillations non amorties (pour
2
= max
) et enfin divergence.
2.3.5
Algorithme du gradient stochastique
La solution (2.12) evite linversion de la matrice uu , en revanche son application

est toujours conditionnee par la connaissance des termes de correlation uu (i) et
yu (i). Il est possible devaluer ces termes comme cela a ete propose auparavant
27
3.5
3.5
2.5
2.5
h estim
0.5
0.5
0.5
0.5
1
1
0.5
0.5
1.5
h0 estim
2.5
3.5
Figure 2.7 = 0.25
1
1
2
max
0.5
0.5
1.5
h0 estim
2.5
3.5
2
max
Figure 2.8 = 0.75
3.5
3.5
2.5
2.5
2
h estim
1.5
1.5
h estim
1.5
h estim
1.5
0.5
0.5
0.5
0.5
1
1
0.5
0.5
1.5
h0 estim
2.5
Figure 2.9 = 1
3.5
1
1
2
max
0.5
0.5
1.5
h0 estim
2.5
3.5
Figure 2.10 = 1.05
2
max
mais lalgorithme perd alors son aspect adaptatif. En labsence dinformation sur
les uu (i) et yu (i) on remplace la moyenne quadratique E{(y(t)(t)T btTe )2 }
par sa valeur instantanee (y(t) (t)T btTe )2 , on obtient alors lalgorithme
suivant :
algorithme du gradient stochastique :
bt = btTe + (t)(y(t) (t)T btTe )
(2.14)
Cet algorithme est appele algorithme du gradient stochastique puisque dans le

cas de signaux aleatoires les quantites y(t) et (t) sont des variables aleatoires,
elles ne sont donc definies que par leurs proprietes statistiques.
Cet algorithme est une simplification de lalgorithme du gradient deterministe,
son comportement est par consequent different. On montre cependant que dans
le cas de signaux aleatoire cet algorithme du gradient stochastique converge en
moyenne vers la solution globale :
E{ lim bt } =
t
Toutefois, cet algorithme etant base sur lerreur instantanee, meme si à un instant donne il atteint le point il ne sarretera pas pour autant et continuera à
tourner autour.
28
Une variante normalisee de lalgorithme (2.14) est la suivante

o
bt = btTe +
(t)(y(t) (t)T btTe )
a + (n + 1)Ruu (0)
ou encore
o
bt = bt1 +
(t)(y(t) (t)T btTe )
a + (t)T (t)
(2.15)
Cette dernière version est programmee sous MATLAB/SIMULINK sous le nom

LMS pour Least Mean Square.
2.3.6
Mise en oeuvre
Lalgorithme dapplication de la solution recursive precedente est presente sur

la figure 2.11. La mise en oeuvre de cet algorithme necessite :
une initialisation b0 sur le vecteur des paramètres ;
un gain .
t=0
?
initialisation bt
?
choix de
?
t = t + Te
?
ye(t/t Te ) = y(t) yb(t/t Te )
?
b
b
t = tTe + (t)e
y (t/t Te )
?
Figure 2.11 Algorithme de mise en oeuvre de la solution recursive - algorithme

du gradient stochastique
Le choix de linitialisation nest peut etre pas si contraignant que ca. En effet, si
les signaux sont stationnaires, la fonction de co
ut JW na quun seul minimum.
Par consequent, meme si lestimation initiale nest pas très bien choisie (estimation initiale eloignee de la solution), lalgorithme devrait pouvoir converger
29
vers la solution globale après un certain temps... pourvu que le choix de soit
judicieux...
En effet, le choix sur le gain est plus delicat. Si ce gain est choisi trop faible,
lalgorithme risque de mettre pas mal de temps avant de converger, do`
u un
temps de calcul un peu long. Sil est choisi plus fort, la convergence sera acceleree
mais il y a aussi risque de voir lalgorithme osciller voir meme diverger.
3.5
estim de a
2.5
1.5
0.5
estim avec =0.0001

estim avec =0.001
0
0.5
1.5
2.5
3
nombre de point
3.5
4.5
5
4
x 10
Figure 2.12 Estimation de h0 pour differentes valeurs de

Reprenons lexemple de la page 22 et appliquons à la meme serie de donnees
lalgorithme du gradient (2.14). Ne disposant daucune information a priori sur
la valeur de h0 , la valeur initiale de bt est 0. La figure 2.12 presentent levolution
de bt avec comme choix de respectivement 0.0001 et 0.001. On constate dans
les deux cas une convergence de lalgorithme vers la valeur vraie h0 = 3 mais une
difference dans la vitesse de convergence et une forme doscillation dans le cas
de = 0.001. Pour plus important, loscillation serait encore plus marquee.
2.4
2.4.1
Exemples dapplication
Application de la solution r
ecursive : annulation decho
acoustique
Le schema de principe de leffet decho lors dune teleconference est presente sur
la figure 2.13.
[1]
[2]
y(t)
u(t)
Figure 2.13 Phenomène decho
30

6+
v(t)
Une personne parlant dans une pièce [1] emet un signal u(t). Transmis dans une
autre pièce [2] par lintermediaire dun haut parleur, ce signal apparat deforme
(filtre) et bruite, le bruit v(t) correspondant au signal parole dune seconde
personne dans la pièce [2]. Par lintermediaire dun micro dans la pièce [2], tout
ceci se retrouve dans la pièce [1] pour former le signal y(t). Resultat : la personne
dans la pièce [1] va sentendre parler.
[1]
[2]
y(t)
e

6
y(t)
H(z)
+
6
-

6+
v(t)
u(t)
Figure 2.14 Annulation decho
y(t)
+
u(t)
e
?y(t)
H(z)
Figure 2.15 Principe de lannulation decho
Le problème dannulation de cet echo peut etre resolu par lintermediaire dun
filtrage du signal initial u(t) comme illustre sur les figures 2.14 et 2.15 : il sagit
simplement devaluer la distorsion du signal u(t) lors de ses passages [1] y [2]
et [2] y [1], puis de la compenser. La nature de la distortion etant inconnue,
le problème sera resolu par filtrage adaptatif.
paramtre
1.5
Wiener avec =0.01

Wiener avec =0.004
Wiener avec =0.002
0.5
200
400
600
800
1000
itrations
1200
1400
1600
1800
2000
Figure 2.16 Evolution dun des paramètres estime
31
Lalgorithme du gradient a ete teste sur une serie de donnees pour laquelle
on connat le terme de bruit v(t). La figure 2.16 presente levolution au cours
du temps dun des coefficients du filtre estime (filtre choisi dordre n = 10).
Differentes valeurs du gain ont ete testees. Il apparat que plus ce gain est
fort, plus la convergence est rapide. Cependant cet accroissement de la vitesse
de convergence se traduit par une amplification du bruit sur les coefficients, voir
meme une instabilite de lalgorithme du gradient au delà dun certain seuil.
ecart entre le terme de "bruit" et lerreur a posteriori
4
200
400
600
800
1000
itrations
1200
1400
1600
1800
2000
60
80
100
intercorrlation entre lerreur a posteriori et x

1.5
0.5
0.5
100
80
60
40
20
0
points
20
40
Figure 2.17 Resultat pour = 0.01 et n = 2
ecart entre le terme de "bruit" et lerreur a posteriori

4
200
400
600
800
1000
itrations
1200
1400
1600
1800
2000
60
80
100
intercorrlation entre lerreur a posteriori et x

1.5
0.5
0.5
100
80
60
40
20
0
points
20
40
Figure 2.18 Resultat pour = 0.01 et n = 10

Les figures 2.17 et 2.18 presentent differents resultats avec = 0.01 et respectivement n = 2 et n = 10. La courbe du haut represente la difference entre v(t)
et lerreur ye(t). la difference entre v(t) et lerreur ye(t). Si le filtrage est realise
correctement, cette difference doit etre nulle puisque dans ce cas cela signifie que
toutes influences de u(t) a ete supprimees de y(t), il ny a donc plus decho. La
courbe du bas presente la correlation entre ye(t) et u(t). Ici encore, si le filtrage
est realise correctement, cette correlation doit etre nulle puisque dans ce cas
cela signifie que toutes influences de u(t) a ete supprimees de y(t). Il apparat
ici quun ordre n = 2 est insuffisant pour annuler lecho.
32
2.4.2
Application de la solution globale : d

ebruitage de la
parole
Considerons le cas dun enregistrement bruite de la parole 1 . Ceci se modelise

de la manière suivante :
enregistrement bruite =
u(t)
signal de la parole +
y(t)
bruit
v(t)
On designera par u(t) le signal denregistrement bruite, y(t) le signal de la parole

et v(t) le bruit. Ce bruit sera suppose independant du signal de la parole et de
moyenne nulle.
Les figures 2.19 et 2.20 presente respectivement le signal initial non bruite et
lenregistrement bruite. Remarquons que le signal initial fait apparatre deux
parties : la première correspondante à labsence de parole, la seconde correspondante à la presence de la parole. Lobjectif est bien entendu de filtrer lenregistrement de manière à attenuer le plus possible linfluence du bruit.
2
1.5
signal non bruit
0.5
0.5
1.5
50
100
150
200
250
300
350
400
450
temps
Figure 2.19 signal initial non bruite
1.5
enregistrement bruit
0.5
0.5
1.5
50
100
150
200
250
300
350
400
temps
Figure 2.20 enregistrement bruite
La solution globale du filtre de Wiener est donnee par :

= (uu )1 yu
1. Najim M. - Filtrage optimal, Techniques de ling
enieur
33
450
et lapplication du filtre correspondant doit permettre le calcul dune estimation

yb(t), estimation non bruite de y(t). La mise en oeuvre de la solution globale
necessite la connaissance des matrices contenant les termes :
uu (i) pour i [0; n] ;
yu (i) pour i [0; n].
Les signaux etant a priori non stationnaires (absence et presence de parole),
lestimation de ces termes de correlation a ete realisee sur differents segments
de longueur L (figure 2.21). Sur chaque segment les signaux seront supposes
ergodiques stationnaires, on a alors :
L
X
buu/L (i) = 1
uu (i) R
uk+i uk
L
k=1
x(t) 6 ....
..
..
..
..
..
..
...
..
..
..
..
.
..
...
..
..
..
..
.
- t
Figure 2.21
Daprès ce qui precède on a
u(t) = y(t) + v(t)
il vient alors
byu/L (i) = R
byy/L (i) + R
byv/L (i)
R
byv/L (i) = 0. Ceci donne

y(t) et v(t) etant suppose independant, on a R
byu/L (i) = R
byy/L (i)
R
De la meme manière on montre que
do`
u
buu/L (i) = R
byy/L (i) + R
bvv/L (i)
R
byu/L (i) = R
buu/L (i) R
bvv/L (i)
R
En supposant que la nature du bruit ne change pas en presence ou non de parole,

bvv/L (i) peuvent etre estimes sur les parties de lenregistrement o`
les termes R
u
il ny a pas de signal de la parole.
Les paramètres de synthèse pour la mise en oeuvre de lalgorithme sont lordre
n du filtre et la longueur L des segments. La figure 2.22 rappelle les differentes
etape de lalgorithme. La figure 2.23 presente lenregistrement filtre et fait apparatre plus distinctement que sur la figure 2.20 le signal de la parole.
Remarque :
Ce type de methode a ete utilisee pour la restauration de vieux documents
sonores sur disque vinyl.
34
choix de n et L
?
b
bvv/L (i)
Ruu/L (i) et R
?
byu/L (i) = R
buu/L (i) R
bvv/L (i)
R
?
1
b
b
b yu/L
= Ruu/L R
?
yb(t) = (t)T b
?
Figure 2.22 Algorithme dapplication
1.5
enregistrement filtr
0.5
0.5
1.5
50
100
150
200
250
300
350
400
temps
Figure 2.23 Enregistrement filtre
35
450
CHAPITRE
Filtrage adaptatif au sens des moindres carres
3.1
Principe
Le principe du filtrage adaptatif au sens des moindres carres est similaire au

filtrage adaptatif au sens de Wiener, la difference se situe au niveau de la forme
de la fonction de co
ut utilisee pour la recherche des paramètres du filtre.
Pour simplifier les choses, nous supposerons dans un premier temps que le filtre
H(z) est toujours un FIR dordre n :
H(z) = h0 + h1 z
+ h2 z
+ . . . + hn z
n
X
hi z i
i=0
Pour des signaux aleatoires ergodiques et stationnaires, le critère de Wiener JW

peut etre formule de la manière suivante :
N
1 X
(yk ybk )2
N N
JW = E{(y(t) yb(t))2 } = lim
k=1
Ce meme critère exprime sur un horizon de temps fini t = N Te devient :

JMC (t) =
N
1 X
(yk ybk/t )2
N
k=1
avec
ybk/t = (kTe )T bt
On retrouve ainsi le critère destimation des moindres carres JMC (t) presente
dans le cours de modelisation.
Le critère des moindres carres nest pas de nature probabiliste, par consequent
il est generalisable au contexte des signaux deterministes. Dans la suite on
36
considerera indifferemment les signaux deterministes et les signaux aleatoires

stationnaires ergodiques.
Les solutions globales et recursive sont presentees dans le cours de modelisation,
on va donc se contenter de les rappeler ici :
Solution globale
avec
bt = ((t)(t)T )1 (t)Yt
Yt =
y(Te )
y(2Te )
..
.
y(N Te )
(t)T =
(Te )T
(2Te )T
..
.
(N Te )T
Remarque :
si on developpe le terme (t)Yt on obtient :
PN
1
u(kTe )y(kTe )
k=1
N
1 PN u(kTe Te )y(kTe )
N k=1
(t)Yt =
..
.
PN
1
k=1 u(kTe nTe )y(kTe )
N
Dans le cas de signaux aleatoires stationnaires ergodiques et pour t on
a
E {u(t)y(t)}
E {u(t Te )y(t)}
(t)Yt =
= yu
..
E {u(t nTe )y(t)}

De la meme manière
(t)(t)T = uu
La solution des moindres carres correspond alors à la solution de Wiener-Hopf.
Remarque :
Lapplication de lexpression precedente suppose que la matrice (t)(t)T
soit inversible. Cette condition est appelee condition dexcitation persistante.
Elle est verifiee à partir du moment o`
u il y a suffisamment dinformations
sur les signaux. Par exemple un signal constant est une excitation persistante
dordre 1, un bruit blanc est une excitation persistante dordre infini.
Solution r
ecursive
bt = btTe + Kt ye(t/t Te )
ye(t/t Te ) = y(t) (t)T btTe
Kt = PtTe (t)((t)T PtTe (t) + 1)1

Pt = PtTe Kt (t)T PtTe
37
Remarque :
Cet algorithme a une forme similaire à lalgorithme du gradient developpe
dans le cadre du filtrage de Wiener. En effet, dans les deux cas on a une reactualisation de lancienne valeur des paramètres à partir dun terme correctif,
terme correctif correspondant au produit dun gain avec lerreur a priori :
algorithme des moindres carres :
algorithme du gradient stochastique :
bt = btTe + (t)e
y (t/t Te )
Afin de prendre en compte des variations eventuelles des caracteristiques des
signaux, il est possible dintroduire un facteur doubli [0; 1], terme permettant dattenuer limportance des donnees passees. Lintroduction de ce
facteur doubli se manifeste sur le critère JMC (t) comme suit :
N
1 X N k
(yk ybk/t )2
N
k=1
et la solution recursive devient :
ye(t/t Te ) = y(t) (t)T btTe
Kt = PtTe (t)((t)T PtTe (t) + )1

Pt = 1 (PtTe Kt (t)T PtTe )
3.2
3.2.1
Exemple num
erique
On considère un système variant dans le temps dont le comportement dynamique peut etre decrit par une fonction de transfert G1 (z) pendant une première
periode de temps et par une fonction de transfert G2 (z) pendant une seconde
periode de temps. G1 (z) et G2 (z) sont donnees par :
G1 (z) =
10
X
(0.5)k z k
k=1
G2 (z) =
10
X
(0.9)k z k
k=1
On se propose dappliquer lalgorithme des moindres carres pour lidentification

de ce système.
Le modèle estime a la meme structure que le système, à savoir quil sagit
dun filtre FIR dordre 10. On dispose dune serie de mesure comportant 2000
echantillons. Durant les 1000 premiers instants la dynamique du système est
decrite par G1 (z), durant les 1000 derniers instants elle est decrite par G2 (z).
La figure 3.1 presente levolution de la première composante du vecteur des paramètres estimes avec un facteur doubli = 1. La valeur vraie de ce paramètre
est 0.5 durant les 1000 premiers instants et 0.9 durant les 1000 derniers. On distingue clairement la rupture à linstant 1000 neanmoins lalgorithme parvient
38
difficilement à corriger la valeur du paramètre et à faire tendre son estime vers

0.9.
La figure 3.2 presente ce meme paramètre estime avec les facteurs doubli =
0.995 et = 0.99. Cette fois il y a bien adaptation du paramètre estime, la
dynamique de cette adaptation dependant de .
1
0.9
paramtre estim
0.8
0.7
0.6
0.5
0.4
200
400
600
800
1000
iterations
1200
1400
1600
1800
2000
Figure 3.1 Estimation sans facteur doubli

1
estim pour =0.995

0.5
0.9
estim pour =0.99
0.9
paramtre estim
0.8
0.7
0.6
0.5
0.4
200
400
600
800
1000
iterations
1200
1400
1600
1800
2000
Figure 3.2 Estimation avec facteur doubli
3.2.2
Identification dun syst`

eme de transmission flexible
On se propose ici de modeliser le comportement dun système de transmission flexible represente sur la figure 3.3. Le système de transmission flexible
est compose de trois poulies reliees entre elles par deux courroies metalliques
comportant chacune deux ressorts comme le montre la figure. Le mouvement de
la première poulie est genere par un moteur à courant continu. Linertie de la
troisième poulie peut etre modifiee en y ajoutant des masses. Les positions des
poulies sont mesurees par de simples potentiomètres.
Le problème didentification considere ici est la determination dun modèle entre
la tension appliquee sur la première poulie et la position de la troisième poulie.
Deux experiences sont considerees.
Dans le première experience aucune charge nest placee sur la troisième poulie.
Dans la seconde experience une masse est rajoutee sur la troisième poulie à
linstant t 600.
Pour chacune de ses experiences, le signal dentree est une sequence binaire
pseudo aleatoire permettant de verifier la condition dexcitation persistante.
39
Figure 3.3 Système de transmission flexible

Bien que ce système ne puisse etre modèlise correctement par un FIR dordre
finie, nous avons teste lalgorithme des moindres carre avec et sans facteur doubli.
Les figures 3.4 et 3.5 presentent lerreur destimation respectivement sans et
avec facteur doubli. Dans les premiers instants les deux version de lalgorithme
affiche des performances similaires, ensuite quand vient la rupture on constate
que lalgorithme sans facteur doubli decroche et ne parvient pas à minimiser
lerreur destimation.
1
0.8
0.6
erreur destimation
0.4
0.2
0.2
0.4
0.6
0.8
1
400
500
600
700
itrations
800
900
1000
Figure 3.4 Erreur destimation sans facteur doubli

1
0.8
0.6
erreur destimation
0.4
0.2
0.2
0.4
0.6
0.8
1
400
500
600
700
itrations
800
900
1000
Figure 3.5 Erreur destimation avec facteur doubli
40
3.2.3
Retour sur lannulation decho acoustique
Reprenons ici lexemple de la page 30. Cet exemple a ete traite par le biais
du filtrage de Wiener, mis en oeuvre à partir de lalgorithme du gradient stochastique. Ici nous souhaitons appliquer lalgorithme des moindres carres sans
facteur doubli. Les deux algorithmes presentent des similitudes, à savoir quils
necessitent tout deux :
le choix de lordre du filtre ;
une initialisation du vecteur des paramètres bt .
Lalgorithme du gradient stochastique necessite ensuite le choix du gain alors
que lalgorithme des moindres carres necessite un choix dinitialisation sur Pt .
Le choix de est difficile a priori puisque son influence sur les conditions de
convergence depend du signal dexcitation u(t) pour lequel on ne dispose pas
forcement de beaucoup dinformations. Le choix de Pt est en revanche beaucoup
plus aise ici. En labsence de connaissance a priori sur les paramètres, il est
conseille de prendre Pt important, ici nous prendrons Pt sous forme diagonale
avec 1000 sur la diagonale.
La figure 3.6 presente levolution au cours du temps dun des coefficients du
filtre estime (filtre choisi dordre n = 10), ceci pour deux valeur de dans le
cas de lalgorithme du gradient stochastique ainsi que pour lalgorithme des
moindres carres. Il apparat que ce dernier permet une convergence rapide des
paramètres tout en preservant une variance faible, contraintes incompatibles
dans le cas de lalgorithme du gradient stochastique. Lalgorithme des moindres
carres na til alors que des avantages dans cette application ? Non puisquil
necessite beaucoup plus de calcul que lalgorithme du gradient stochastique. Il
est possible de mettre en oeuvre une version normalisee de ce dernier pour ce
rapprocher des performances des moindres carres, mais ceci au prix dun nombre
plus important doperation a` realiser.
paramtre
1.5
Wiener avec =0.01

moindres carrs
Wiener avec =0.002
0.5
200
400
600
800
1000
itrations
1200
1400
1600
1800
2000
Figure 3.6 Evolution dun des paramètres estime
3.3
Les moindres carr

es en milieu bruit
e
3.3.1
Le biais
Jusquici a ete considere la synthèse dun filtre H(z) pour lestimation du signal
y(t) :
yb(t) = H(q)u(t)
41
Peu dhypothèses ont ete faites sur la nature de la relation entre y(t) et u(t).
Nous allons à present supposer quil existe une fonction de transfert G(z) telle
que la relation entre y(t) et u(t) sexprime comme suit :
y(t) = G(q)u(t) + v(t)
o`
u G(z) et v(t) sont tels que :
G(z) est suppose avoir la meme structure que H(z), cest à dire que G(z) est
aussi un filtre FIR dordre n et sexprime de la manière suivante :
n
X
G(z) = g0 + g1 z 1 + g2 z 2 + . . . + gn z n =
gi z i
i=0
v(t) est un terme que nous appellerons bruit bien que cette denomination soit
reductrice dans certains cas. Nous verrons par la suite quelques interpretations
donner à ce terme.
Daprès ce qui precède y(t) peut alors se reecrire comme suit :
y(t) = (t)T + v(t)
(3.1)
avec
(t) =
u(t)
u(t Te )
..
.
u(t nTe )
et
g0
g1
..
.
gn
La question posee ici est : quelles sont les conditions sur les signaux pour lesquelles on a limt bt = ? En dautre terme, quelles sont les conditions sur
lentree u(t) et le bruit v(t) permettant une determination exacte, à partir de
la methode des moindres carres, du vecteur ? Le problème considere ici est
celui de la validite dune solution.
Lexpression (3.1) peut etre formulee pour differents temps de la manière suivante :
Yt = (t)T + Vt
avec
Yt =
y(Te )
y(2Te )
..
.
y(N Te )
, (t)T =
(Te )T
(2Te )T
..
.
(N Te )T
et Vt =
v(Te )
v(2Te )
..
.
v(N Te )
Pourvu que la condition dexcitation persistante soit verifiee, on a :

=
((t)(t)T )1 (t)Yt
|
{z
[1]
On distingue deux termes :
((t)(t)T )1 (t)Vt
|
42
{z
[2]
[1] : la solution globale des moindres carres :

bt = ((t)(t)T )1 (t)Yt
[2] : un terme dependant du bruit :

((t)(t)T )1 (t)Vt
Le second terme exprime un biais entre le vecteur des paramètres et son

estime bt . Ce biais est nul si :
(t)Vt = 0
cest a` dire, pour t ,
Rvu (0)
Rvu (1)
=0
..
.
Rvu (n)
Il vient alors
Rvu (i) = 0 i
Ceci est verifie si les deux conditions suivantes sont satisfaites :
les signaux v(t) et u(t) sont independant lun de lautre :
Rvu (i) = mv mu i
o`
u mv et mu designe les moyennes de respectivement v(t) et u(t).
le bruit v(t) est centre :
mv = 0
En resume, il est possible de retrouver le vecteur à partir de lalgorithme des
moindres carres si le terme de bruit est de moyenne nulle et est independant des
termes contenus dans le vecteur dobservation (t).
Afin de mettre en perspective ce resultat considerons les quelques exemples
suivants.
Exemple :
Supposons que la relation vraie entre y(t) et u(t) est de la forme :
y(t) = u(t) + 0.5u(t Te ) + e(t)
o`
u e(t) est la realisation dun bruit blanc de moyenne nulle et independant de
u(t). Cette relation peut etre exprimee comme suit :
y(t) = (t) + v(t)
avec

u(t)
1
(t) =
=
u(t Te )
0.5
v(t) = e(t)
Il apparat donc quen choisissant le filtre H(z) dordre 1 il est possible destimer sans biais le vecteur .
Exemple :
Supposons à present que la relation vraie entre y(t) et u(t) est de la forme :
y(t) + 0.9y(t Te ) = u(t) + 0.5u(t Te ) + e(t)
(3.2)
43
o`
u(t). Cette relation peut etre exprimee comme suit :
y(t) = (t) + v(t)
avec

u(t)
1
(t) =
=
u(t Te )
0.5
v(t) = e(t) 0.9y(t Te )
Ici inutile despere estimer le vecteur sans biais en choisissant pour H(z)
un simple filtre FIR. En effet (t) et v(t) sont correles par lintermediaire du
terme y(t 1) : (t) contient u(t Te ) et y(t Te ) sexprime en fonction de
u(t Te )...
Exemple :
Supposons enfin ici que la relation entre y(t) et u(t) est de la forme :
y(t) = 0.5 + 0.2eu(t) + e(t)
(3.3)
o`
u(t). Après developpement limite on a
(u(t))2
(u(t))3
y(t) = 0.7 + 0.2u(t) + 0.2
+ 0.2
+ . . . + e(t)
2!
3!
Cette relation peut etre exprimee comme suit :
y(t) = (t) + v(t)
avec

1
0.7
(t) =
et
=
u(t)
0.2
et
(u(t))3
(u(t))2
v(t) = 0.2
+ 0.2
+ . . . + e(t)
2!
3!
La modelisation de la relation entre y(t) et u(t) par un filtre H(z) apparat
insuffisante puisque le terme v(t) est correle au vecteur (t). Il napparat
donc pas possible destimer sans biais le vecteur .
Si en revanche on exprime la relation (3.3) sous la forme
y(t) = (t) + v(t)
avec

1
0.7
(t) =
=
0.2
eu(t)
v(t) = e(t)
Il est possible destimer sans biais.
Les trois exemples qui precèdent nous portent à la constatation suivante : si on
veut estimer sans biais un vecteur de paramètres tel quil peut etre defini
auparavant, il est indispensable de choisir de manière judicieuse la structure du
vecteur (t) et le contenu du terme de bruit.
3.3.2
Solutions dans un contexte didentification
La theorie de lidentification traite du problème de modelisation de procede et

les techniques des moindres carres y occupe une place de choix. Les problèmes
du choix de structure du modèle et du traitement du bruit sont ici fondamentaux
puisquils conditionnent la consistance de lidentification.
44
Nous allons considerer ici uniquement le cas des systèmes lineaires. La theorie de
lidentification propose differentes structures de modèle incluant une modelisation
des dynamiques de lentree et une modelisation du bruit. Pour chacune de ses
structures, y(t) peut etre exprime à partir dun vecteur de paramètres comme
suit :
y(t) = (t)T + e(t)
(3.4)
o`
u e(t) est le bruit. Bien entendu, le contenu des vecteurs et (t) depend de
la structure et le but du jeu est lidentification de .
Cette identification peut etre realisee via lapplication de lalgorithme des moindres
carres avec ou sans facteur doubli. Suivant les cas, suivant le système considere,
telle ou telle structure sera plus appropriee pour decrire le comportement du
système et la forme du bruit. Les structures les plus communes sont les suivantes :
modèle FIR :
On retrouve ici le cas etudie dans le paragraphe precedent : on suppose que
le système peut etre modelise par lintermedaire dun filtre FIR. Pour ce qui
est du bruit, celui-ci est suppose etre un bruit blanc additif de moyenne nulle.
On a alors :
y(t) = B(q)u(t) + e(t)
avec
n
X
B(z) =
bi z i
i=0
et e(t) le bruit.
on a :
Pour cette structure

b0
u(t)
..
et
= ...
(t) =
.
bn
u(t nTe )
modèle ARX :
ARX signifie Auto Regressif and with eXogenous input (on parle aussi de
modèle derreur dequation). La relation entre lentree et la sortie du système
est donnee par :
A(q)y(t) = B(q)u(t) + e(t)
avec
n
X
A(z) =
ai z i
o`
u a0 = 1
B(z) =
i=0
n
X
bi z i
i=0
et e(t) un bruit
on a :
blanc de moyenne
nulle. Pour cette
structure
u(t)
b0
..
..
.
.
u(t nTe )
bn
(t) =
et
=
y(t Te )
a1
.
..
..
.
y(t nTe )
an
45
modèle ARMAX :
ARMAX signifie Auto Regressif Moving Average and with eXogenous input.
La relation entre lentree et la sortie du système est donnee par :
A(q)y(t) = B(q)u(t) + C(q)e(t)
avec
n
X
A(z) =
ai z i
o`
u a0 = 1
B(z) =
i=0
n
X
bi z i
i=0
C(z) =
n
X
ci z i
i=0
o`
u c0 = 1 et e(t)
un bruit blancde moyenne nulle.
Pourcette structure on a :
u(t)
b0
..
..
.
.
u(t nTe )
bn
y(t Te )
a1
..
(t) =
et
= ...
y(t nTe )
an
e(t Te )
c1
.
..
.
.
.
e(t nTe )
cn
Remarquons ici quune difficulte pour lidentification du système à partir de
cette structure, est la non connaissance des termes e(t iTe) (termes de bruit
par definition inconnus). Cette difficulte peut etre contournee en substituant
e(t iTe ) parlerreur destimation aposteriori ye(t iTe /t iTe ). On a alors
u(t)
..
u(t
nT
)
e
y(t
T
)
e
.
b =
..
(t)
y(t nTe )
ye(t Te /t Te )
..
avec
ye(t nTe /t nTe )
b iTe )T btiT
ye(t iTe /t iTe ) = y(t) (t
e
o`
u btiTe est lestimation de à linstant t iTe .
Dans le cas de lidentification dun système à partir de lalgorithme des
moindres carres applique `
a cette structure on parle de lalgorithme des moindres
carres etendus.
modèle OE :
OE signifie Output Error (on parle aussi de modèle derreur de sortie). La
46
relation entre lentree et la sortie du système est donnee par :

A(q)y(t) = B(q)u(t) + A(q)e(t)
avec
n
X
A(z) =
ai z i
o`
u a0 = 1
B(z) =
i=0
n
X
bi z i
i=0
et e(t) un bruit
on a :
blanc de moyenne
nulle. Pour cette
structure
u(t)
b0
..
..
.
.
u(t nTe )
bn
(t) =
et
=
y(t Te )
b
a1
.
..
..
.
b
y(t nTe )
an
avec yb(t iTe ) = y(t iTe ) e(t iTe ).
Comme dans le cas de la structure ARMAX, remarquons que les termes yb(t
iTe ) sont par nature inaccessibles. La mise en oeuvre de cette structure est
alors realisee via la substitution de yb(t iTe ) par lestimation a posteriori
yb(t iTe /t
iTe ). On a alors
u(t)
..
u(t
nT
)
e
b
(t) =
y
b
(t
T
/t
T
)
e
e
..
.
yb(t nTe /t nTe )
avec
b iTe )T btiT
yb(t iTe /t iTe ) = (t
e
o`
u btiT est lestimation de à linstant t iTe .
e
Les differences entre ces structures sont resumees dans les tableaux 3.7 et 3.8
ci-dessous.
Il est important de remarquer que si le bruit est bien un bruit blanc, alors chaque
echantillon e(t) est decorrele des termes e(t iTe ) avec i > 0. Par suite, pour
chacune des structures precedentes on a bien
(t)Vt = 0
le biais didentification est par consequent nul.
Realiser lidentification dun système à partir dune des structure precedente
cest bien, savoir si le resultat est coherent cest encore mieux ! Cest meme
indispensable. A cette fin il est possible de realiser quelques tests simples. Remarquons tout dabord quune fois lidenfication realisee on se retrouve avec un
vecteur des paramètres estimes bt et une estimation de la sortie :
yb(t/t) = (t)T bt
47
FIR
u(t)
..
.
u(t nTe )
ARX
u(t)
..
.
u(t n)
y(t Te )
..
y(t nTe )
ARMAX
u(t)
..
u(t nTe )
y(t Te )
..
y(t nTe )
e(t Te )
..
e(t nTe )
OE
u(t)
..
.
u(t nTe )
y(t Te )
b
..
b
y(t nTe )
avec
yb(t iTe ) =
y(t iTe ) e(t iTe )

Figure 3.7 contenu de (t)
do`
u
ye(t/t) = y(t) yb(t/t)
Toutes les structures FIR, ARX, ARMAX et OE ne sont que des modèles, on
ignore sils sont capables de decrire la realite du système. Neanmoins, si cest
le cas cela signifie quil existe une vecteur tel que
y(t) = (t)T + e(t)
De plus, si lidentification a ete correctement realise, on a alors bt = , par
suite
ye(t/t) = e(t)
Ainsi, les tests de validation dun modèle sont le test de blancheur et le test
de decorrelation. Le premier consiste à verifier que lerreur destimation ye(t/t)
est bien un bruit blanc (pour les modèles FIR, ARX et ARMAX), le second
consiste à verifier que lerreur destimation ye(t/t) est independante du signal
dentree u(t) (pour le modèle OE). Ces tests sont à realiser si possible sur une
serie de donnees differente de celle utilisee pour le calcul de bt .
3.3.3
Retour sur lidentification dun syst`

eme de transmission flexible
Dans lexemple de la page 39, nous avions tente de modeliser le comportement

du système de transmission flexible à partir dun modèle FIR dordre 80. Ici cette
modelisation est realisee sur un modèle de type ARMAX dordre 4. La figure 3.9
48
FIR
ARX
b
0
..
.
bn
b0
..
.
bn
a1
..
.
an
ARMAX
b0
..
.
bn
a1
..
.
an
c1
..
.
cn
OE
b0
..
.
bn
a1
..
.
an
Figure 3.8 contenu de
presente lerreur destimation avec facteur doubli. En comparaison de la figure

3.5, il semble que la structure ARMAX soit plus adaptee. Pour confirmer ceci,
nous avons calcule la fonction dautocorrelation de lerreur a posteriori pour les
deux type de modèle. La figure 3.10 presente les resultats : sur le trace du haut
apparat la fonction dautocorrelation pour le modèle FIR, sur le trace du bas
apparat la fonction dautocorrelation pour le modèle ARMAX. Il apparat que
dans le cas du modèle FIR, la fonction de correlation de correspond pas du tout
à celle dun bruit blanc, le modèle FIR nest donc pas valide. En revanche, pour
le modèle ARMAX , la fonction de correlation est semblable à celle dun bruit
blanc ce qui semble confirmer la validite du modèle.
1
0.8
0.6
erreur destimation
0.4
0.2
0.2
0.4
0.6
0.8
1
400
500
600
700
itrations
800
900
1000
Figure 3.9 Erreur destimation avec facteur doubli pour le modèle ARMAX
49
autocorrlation normalise
1.5
1
0.5
0
0.5
1
200
150
100
50
0
itrations
50
100
150
200
150
100
50
0
itrations
50
100
150
200
autocorrlation normalise
1.5
1
0.5
0
0.5
1
200
Figure 3.10 auto correlation des erreurs destimation
50
CHAPITRE
Filtrage De Kalman
4.1
Principe
Le filtrage au sens de Wiener permet lestimation du signal y(t) par filtrage

dun signal u(t). Ce filtre est etabli à partir de la minimisation dun critère et sa
mise en oeuvre necessite la connaissance de coefficients de correlation definissant
la relation entre les deux signaux. Le filtrage de Kalman est une extension du
filtrage de Wiener dans le sens que lestimation est basee sur le meme critère à
minimiser, à savoir :
JW (t) = E{(y(t) yb(t))2 }
Une difference importante reside dans le fait quon dispose à present dun modèle
decrivant la manière dont est genere le signal y(t). Ce signal subit linfluence du
signal u(t) (le meme que pour le filtrage de Wiener) mais aussi linfluence de
signaux aleatoires (cette information netait pas disponible et netait donc pas
utilisee dans le cas du filtrage de Wiener).
Le signal y(t) est ainsi ici modelise par la representation detat dordre n suivante :

X(t + Te ) = AX(t) + Bu(t) + w(t)
(4.1)
y(t)
= CX(t) + Du(t) + v(t)
o`
u X(t) Rn1 designe la variable detat. Les signaux w(t) Rn1 et v(t) sont
des bruits blancs gaussiens independants lun de lautre tels que :
E{w(t)}
E{v(t)}
E{w(t)v(t )}
E{w(t)w(t )}
E{v(t)v(t )}
=
=
=
=
=
0
0
0
Q(t t )
R(t t )
Les matrices A Rnn , B Rn1 , C R1n et D sont les matrices de la

representation detat. Ces matrices peuvent etre deduites dune modelisation du
51
processus (equations de la mecanique, de lelectronique, etc.) ou peuvent aussi

etre estimees à partir de methode didentification (voir le cours de modelisation).
Remarquons ici que la connaissance de cette representation detat permet lestimation des termes de correlation yu (i) necessaire dans Wiener. Notons aussi
que le filtrage de Kalman est adapte au processus non stationnaire, ce qui nest
pas le cas du filtrage de Wiener.
Tout comme le filtrage de Wiener, le filtrage de Kalman consiste en une estimation du signal utile y(t) via la minimisation de lerreur quadratique moyenne
entre y(t) et son estimation :
JK (t) = E{(y(t) yb(t))2 }
Dans la suite, nous adopterons les notations suivantes :

b
X(t/t)
designera lestimation de letat à linstant t, à partir des donnees de
sorties disponibles jusquà linstant t (on parle destimation a posteriori).
e
b
X(t/t)
= X(t) X(t/t)
designera lerreur destimation (on parle derreur a
posteriori).
b
X(t/t
Te ) designera lestimation de letat à linstant t, à partir des donnees
de sorties disponibles jusquà linstant t Te , il sagira donc dune prediction
(on parle destimation a priori).
e
b
X(t/t
Te ) = X(t) X(t/t
Te ) designera lerreur destimation (on parle
derreur a priori).
Bien que le filtrage de Kalman ait deja ete aborde dans un autre cours, nous
ferons ici une rapide description de son principe et de sa mise en oeuvre.
4.2
Filtre et pr
edicteur de Kalman
4.2.1
Filtre de Kalman
Considerons les differents etats decrit sur la figure 4.1. On suppose etre à linsb
tant t et vouloir determiner X(t/t).
A cette fin on suppose disposer de lestimab Te /t Te ) ainsi que dune nouvelle mesure de la sortie y(t). Cette
tion X(t
b
estimation de X(t/t)
est realisee en deux etapes :
b
b Te /t Te )
etape 1 : Estimation de X(t/t

Te ) à partir de X(t
b
b Te /t Te ) dans
X(t/t
Te ) est simplement obtenue en injectant X(t
lequation detat. Les seules informations sur les bruits w(t) et v(t) etant
leur esperance nulle et leur variance, on a :
(
b
b Te /t Te ) + Bu(t Te )
X(t/t
Te ) = AX(t
b
yb(t/t Te ) = C X(t/t
Te ) + Du(t)
Lerreur destimation sur X(t) est alors :
e
b
X(t/t
Te ) = X(t) X(t/t
Te )
e
b Te /t Te )) + w(t Te )
X(t/t
Te ) = A(X(t Te ) X(t
52
temps
information disponible
etat estime
6
b
y(t)
X(t/t)
................................................................................................. 6 etape 2
b
X(t/t
Te )
6
etape 1
t Te
b Te /t Te )
y(t Te )
X(t
.................................................................................................
Figure 4.1
e
e Te /t Te ) + w(t Te )
X(t/t
Te ) = AX(t
e
e
Notons Pt/tTe = E{X(t/t
Te )X(t/t
Te )T } la variance de cette erreur
destimation, il vient :
Pt/tTe = APtTe /tTe AT + Q
e Te /t Te )X(t
e Te /t Te )T }
avec PtTe /tTe = E{X(t
b
b
etape 2 : Estimation de X(t/t)

à partir de X(t/t
Te )
b
A linstant t, la mesure y(t) est disponible. Lestimation X(t/t
Te ) obtenue à letape precedente peut donc etre corrigee en fonction de limportance de lerreur destimation sur la sortie y(t) yb(t/t Te ) :
b
b
X(t/t)
= X(t/t
Te ) + Kt (y(t) yb(t/t Te ))
Le gain Kt de correction est determine de manière à minimiser la variance

e
b
de lerreur X(t/t)
= X(t) X(t/t).
Cette erreur peut secrire comme suit :
e
e
b
X(t/t)
= X(t/t
Te ) + Kt (CX(t) + Du(t) + v(t) C X(t/t
Te ) Du(t))
e
e
X(t/t)
= (In Kt C)X(t/t
Te ) + Kt v(t)
La variance de cette erreur est donnee par :
Pt/t = (In Kt C)Pt/tTe (In Kt C)T + Kt RKtT

Pt/t = Pt/tTe Pt/tTe C T KtT Kt CPt/tTe + Kt CPt/tTe C T KtT + Kt RKtT
Cette expression est une forme quadatique incomplète (annexe A)

Pt/t = Kt W1 KtT Kt W2T W2 KtT + W3
avec
W1 =
W2 =
W3 =
R + CPt/tTe C T
Pt/tTe C T
Pt/tTe
Le gain Kt minimisant Pt/t est donc donnee par :

Kt = W2 W11
53
Kt = Pt/tTe C T (CPt/tTe C T + R)1

et
Pt/t = Pt/tTe Pt/tTe C T (CPt/tTe C T + R)1 CPt/tTe
Le filtre de Kalman consiste en une combinaison des 2 paragraphes precedents
b
realisant une lestimation de X(t/t)
puis en la determination de yb(t/t) comme
suit :
b
yb(t/t) = C X(t/t)
+ Du(t)
filtre de Kalman :
b
yb(t/t) = C X(t/t)
+ Du(t)
b
b
X(t/t)
= X(t/t
b
b Te /t Te ) + Bu(t Te )
X(t/t
Te ) = AX(t
b
Te ) + Du(t)

Pt+Te /t = APt/tTe AT APt/tTe C T (CPt/tTe C T + R)1 CPt/tTe AT + Q
Remarque :
En automatique on utilise plus communement le terme dobservateur de
Kalman pour decrire ce type dalgorithme.
4.2.2
Pr
edicteur de Kalman
Considerons les differents etats decrit sur la figure 4.2. On suppose etre juste
après linstant t et vouloir predire la valeur de letat y(t + 1). A cette fin on supb
pose disposer dune prediction X(t/t
Te ) à linstant precedent et de la mesure
b
y(t). La determination de la prediction X(t+T
ecedemment
e /t) se fait comme pr
en deux etapes :
b
b
etape 1 : Estimation de X(t/t)

à partir de X(t/t
Te )
b
A linstant t, la mesure y(t) est disponible. Lestimation X(t/t)
est obtenu
b
par correction de lestimation X(t/t Te ) en fonction de lerreur y(t)
yb(t/t Te ) :
b
b
X(t/t)
= X(t/t
Le gain Kt de correction est determine de manière à minimiser la variance

e
de lerreur X(t/t).
Cette variance est notee Pt/t . Il a ete vu auparavant
que ce gain est donne par
54
temps
information disponible
etat estime
6
t + Te
.................................................................................................
b + Te /t)
X(t
6
etape 2
b
y(t)
X(t/t)
.................................................................................................
b
X(t/t
Te )
Figure 4.2
et la variance minimale correspondante est la suivante
Pt/t = Pt/tTe Pt/tTe C T (CPt/tTe C T + R)1 CPt/tTe
b + Te /t) à partir de X(t/t)
b
etape 2 : Estimation de X(t

b
Afin de determiner X(t + Te /t) il ne reste plus quà actualiser la valeur
b
X(t/t)
via les equations detat, on a alors :
(
b + Te /t) = AX(t/t)
b
X(t
+ Bu(t)
b
yb(t + Te /t) = C X(t + Te /t) + Du(t + Te )
e + Te /t) est notee Pt+T /t est
La variance de lerreur de prediction X(t
e
sexprime comme suit :
Pt+Te /t = APt/t AT + Q
Le predicteur de Kalman consiste en une combinaison des 2 paragraphes precedents

b + Te /t) puis en la determination de yb(t + Te /t)
realisant une lestimation de X(t
comme suit :
b + Te /t) + D(t + Te )
yb(t + Te /t) = C X(t
55
etape 1
predicteur de Kalman :
b + Te /t) + Du(t + Te )
yb(t + Te /t) = C X(t
b + Te /t) = AX(t/t)
b
X(t
+ Bu(t)
b
b
X(t/t)
= X(t/t
b
Te ) + Du(t)

4.2.3
Mise en oeuvre
Les algorithmes de mise en oeuvre des filtres et predicteurs sont presentes sur
les figures 4.3 et 4.4.
Remarque :
Le filtre de Kalman est plus evolue que le filtre de Wiener dans le sens quil
permet un filtrage sur mesure des signaux. Neanmoins, ceci se paie par
le biais dune inflation dans la qualite des informations necessaires pour le
mettre en oeuvre (connaissance dune realisation de la representation detat)
et le nombre de paramètres de synthèse (R, Q, valeur initiale de letat estime
et de Pt/tTe ).
4.3
Solution stationnaire
Daprès ce qui precède on a :

Il est montre que cette matrice Pt+Te /t converge vers une matrice P definie
positive. Cette limite permet la determination dun gain K, solution stationnaire
des problèmes de filtrage et de prediction de Kalman. K est definie par :
lim Kt = K = P C T (CP C T + R)1
et P est solution de lequation de Riccati suivante :

lim Pt+Te /t = P = AP AT AP C T (CP C T + R)1 CP AT + Q
(4.2)
Il est etablit dans la litterature que cette equation de Riccati a une solution
unique sym
etrique et definie positive si la paire (A, C) est detectable et si la
paire (A, Q) est stabilisable (voir cours de systèmes echantillonnes pour la
definition de ces termes).
56
t=0
?
initialisation de Pt/tTe
?
b
initialisation de X(t/t)
?
t = t + Te
?
?
b
X(t/t Te )
?
b
X(t/t)
Pt+Te /t
?
= APt/tTe A AKt CPt/tTe AT + Q
T
?
b
yb(t/t) = C X(t/t) + Du(t)
Figure 4.3 Algorithme du filtre de Kalman
Solution stationnaire :
P = AP AT AP C T (CP C T + R)1 CP AT + Q
K = P C T (CP C T + R)1
Remarque :
La solution de lequation de Riccati est fournie par tout bon logiciel de trai57
t=0
?
initialisation de Pt+Te /t
?
b + Te /t)
initialisation de X(t
?
t = t + Te
?
?
b
X(t/t)
?
b
X(t + Te /t)
Pt+Te /t
?
= APt/tTe A AKt CPt/tTe AT + Q
T
?
b
yb(t + Te /t) = C X(t + Te /t) + Du(t + Te )
Figure 4.4 Algorithme du predicteur de Kalman
tement du signal qui se respecte.
Cette solution stationnaire du problème de Kalman permet la synthèse dun
filtre permettant le filtrage ou la prediction de letat :
Filtrage :
Les equations
detat du filtre sont :
(
b
b Te /t Te ) + (In KC)Bu(t Te ) KDu(t) + Ky(t)
X(t/t) = (In KC)AX(t
b
y(t/t) = C X(t/t) + Du(t)
58
do`
u
KD + (In KC)Bq 1
K
b
X(t/t)
=
u(t) +
y(t)
1
In (In KC)Aq
In (In KC)Aq 1
Prediction :
Les equations
detat du predicteur sont :
(
b
b
X(t + Te /t) = A(In KC)X(t/t
Te ) + AKy(t) + (B AKD)u(t)
b
yb(t/t Te ) = C X(t/t Te ) + Du(t)
do`
u
AKq 1
(B AKD)q 1
b
X(t/t
Te ) =
y(t)
u(t)
1
In A(In KC)q
In A(In KC)q 1
Remarque :
Pour Q = 0, une solution de lequation de Riccati (4.2) est P = 0, do`
u K = 0.
La solution stationnaire du filtre de Kalman na donc aucun interet dans ce
cas.
4.4
4.4.1
Filtrage dun signal d

ecroissant
Considerons le cas dun signal decroissant exponentiellement 1 dont on ne connat

quune mesure bruitee (figure 4.5) y(t) :

X(t + Te ) = X(t)
y(t)
= X(t) + v(t)
o`
u 0 < a < 1.
1.5
y(t)
x(t)
0.5
0.5
50
100
150
itration
Figure 4.5 Signal à estimer X(t) et sa mesure bruitee y(t)

Nous souhaitons filtrer le signal y(t) de manière à retrouver sa version non
bruitee X(t). A cette fin nous allons appliquer le filtre de Kalman. La structure
de ce filtre est donne par :
b
b Te /t Te ) + k(y(t) aX(t
b Te /t Te ))
X(t/t)
= aX(t
Pour lapplication de ce filtre il apparat deux possibilite : soit utiliser une version
avec gain variable, soit utiliser une version avec un gain constant.
1. S
oderstr
om - Discrete-time stochastic systems : estimation and control, Prentice hall
International, 1994
59
Si on considère la version avec un gain k constant, lerreur de filtrage X(t)

b
X(t/t)
sexprime comme suit :
b
b Te /t Te ) k(y(t) aX(t
b Te /t Te ))
u(t) X(t/t)
= X(t) aX(t
dou
e
b Te /t Te ) k(aX(t Te ) + v(t) aX(t
b Te /t Te ))
X(t/t)
= aX(t Te ) aX(t
e
e Te /t Te ) kv(t)
X(t/t)
= a(1 k)X(t
(4.3)
La limite de la variance de lerreur de filtrage est alors donnee par :

2
e
lim E{X(t/t)
}=
k2 R
1 a(1 k)2
(4.4)
Les expressions (4.3) et (4.4) nous permettent les deux remarques suivantes :
Soit on souhaite une variance minimale, dans ce cas on prendra k = 0
(equation (4.4)) ;
Soit on souhaite une convergence rapide, dans ce cas on prendra k = 1
(equation (4.3)).
Ainsi, ces deux conditions apparaissent difficile à reunir dans le cas dun gain k
constant. Ceci est illustre sur la figure 4.6.
1.5
x(t)
estim
estim
estim
estim
de
de
de
de
x
x
x
x
pour
pour
pour
pour
k=0.01
k=0.05
k=0.1
k=0.5
0.5
0.5
50
100
150
itration
Figure 4.6 Filtage de Kalman à gain constant

Si on considère à present la structure avec gain variable vu plus haut on a :
avec
b
b Te /t Te ) + kt (y(t) aX(t
b Te /t Te ))
X(t/t)
= aX(t
kt =
Pt/tTe
Pt/tTe +R
et Pt+T /t = a2 Pt/tT
e
e
2
a2 Pt/tT
e
Pt/tTe +R
On remarque que :
lim
Pt/tTe
kt = 1
Par consequent, si on choisi initialement Pt/tTe important, la convergence sera

rapide puisque kt sera proche de 1. Ensuite, il apparat que
lim Pt/tTe = 0
60
donc
lim kt = 0
et par consequent, daprès lequation (4.4), on va tendre vers une variance minimale de lerreur de filtrage. Le filtre de Kalman non stationnaire permet donc
une combinaison des deux contraintes precedentes : une convergence rapide et
une variance minimale. Ceci est illustre sur la figure 4.7.
1.5
x(t)
estim de x(t) avec gain variable
0.5
0.5
50
100
150
itration
Figure 4.7 Filtage de Kalman à gain variable

Lapplication de lalgorithme à gain variable implique un choix initial sur la
matrice de variance Pt/tTe et sur R. On peut reprendre lexpression de kt pour
juger de limpact de ces choix :
kt =
Pt/tTe
Pt/tTe + R
Par exemple, remarquons que si R est grand, kt sera faible des les premières
iterations do`
u une convergence lente. De la meme manière si la valeur initial
de Pt/tTe est faible, le gain sera ici aussi faible des les premières iterations.
Remarque :
Bien que ses performances semblent interessantes, la solution non stationnaire
a un inconvenient majeur : elle necessite une re-actualisation de la valeur du
gain à chaque instant do`
u une charge de calcul supplementaire par rapport
à la version avec gain constant.
4.4.2
Position dun mobile
La position dun mobile en mouvement est mesuree par un capteur de precision

connue R. Le filtrage de Kalman peut nous apporter deux choses :
une amelioration de la precision sur la mesure de la position
une estimation de la vitesse pour laquelle nous supposons ne pas disposer de
capteur ou disposer dun capteur peu performant.
En prenant un vecteur detat constitue de

position
X(t) =
vitesse
61
un modèle detat simple peut etre etabli

X(t + Te ) = AX(t) + w(t)
y(t)
= CX(t) + v(t)
avec
A=
C=
1
0
Ts
1
w(t) =
Ts2
2
Ts
Ts est la periode dechantillonnage, v(t) est le bruit de mesure de variance R

et est lacceleration du mobile. Nous navons aucune idee sur celle-ci mais
le mobile subit des accelerations et decelerations et sera modelise comme un
bruit centre. Il est à lorigine du vecteur de bruit w(t) et Q sera dans ce problème
un paramètre de synthèse inconnu et donc à regler. Q sera pris de la forme :
!
2

Ts2
T
2
Ts
2
Q = w(t)w(t) =
T
s
2
Ts
Pour ajuster Q on ajustera = 2 .
Les figures 4.8 et 4.9 presentent la position filtre par le biais de la solution non
stationnaire pour respectivement = 104 et = 107 . Il apparat que le choix
de permet un ajustement de la dynamique de filtrage.
La figure 4.10 compare la difference de comportement entre la solution stationnaire et la solution non stationnaire pour = 104 . Il apparat une difference
dans les premiers instants, difference qui sestompe petit à petit.
Afin destimer la vitesse, on peut proceder de 2 manières differentes. Soit derivee
linformation sur la position, soit observe la seconde composante de letat estime.
La figure 4.11 presente les 2 versions. On distingue nettement lamplification du
bruit dans le cas de la derivation, ce qui nest pas le cas de lestimation par
filtrage.
Remarque :
Dun point de vue mise en oeuvre, la matrice Q ne correspond pas toujours
à la variance dun bruit blanc. Il sagit alors plus dun paramètre de synthèse
permettant un ajustement de la dynamique du filtre. Cest le cas de lexemple
qui precède. Dans ce cas, il est conseille de faire plusieurs essais avec differentes
valeur de Q et de choisir ensuite en fonction des performances souhaitees.
62
10
non filtr
filtr
5
position
10
15
20
100
200
300
400
500
600
700
itration
Figure 4.8 Filtrage avec = 104

10
position non filtr

position filtr
5
position
10
15
20
100
200
300
400
500
600
700
itrations
Figure 4.9 Filtrage avec = 107

3
solution non stationnaire

solution stationnaire
2
position filtre
50
100
150
itration
Figure 4.10 Comparaison solution stationnaire et non stationnaire

1
drive de la position
seconde composante de ltat
0.8
0.6
vitesse estim
0.4
0.2
0.2
0.4
0.6
0.8
100
200
300
400
500
600
itration
Figure 4.11 Estimation de la vitesse

63
700
Deuxi`
eme partie
Egalisation dans une chane

de transmission de
linformation
64
CHAPITRE
Le problème degalisation
5.1
Mod`
ele
equivalent discret du canal
On considère ici un système de communication dont lobjet est la transmission

de symboles de lemetteur vers le recepteur. Cette transmission est realisee par
le biais de differentes etapes sommairement resumees sur la figure 5.1.
-
emission
y(t)
modulation num.
emetteur
bruit
r
eception
d
emodulation num.
r
ecepteur
milieu
u(t)
Figure 5.1 Chane de transmission

Les principales etapes de la transmission sont les suivantes :
Modulation numerique : initialement, le message à emettre est un message
binaire cest à dire une suite de 0 et de 1. Letape de modulation numerique
(modulation BPSK, QPSK, QAM, etc.) va permettre une remise en forme
de ce message, il en resulte alors une suite de symboles representee par le
signal y(t). Ces symboles appartiennent à une constellation propre au type
de modulation. Ils peuvent etre à valeurs reelles ou complexes. Les figures
suivantes donnent des exemples de modulation.
Lemission : cette etape consiste à filtrer et transposer le signal initial y(t)
(signal en bande de base) à la frequence de la porteuse fo ( il sagit ici en
fait de preparer le signal a` emettre), vient ensuite letape proprement dite de
65
6
-
2-PAM
6
-
4-QAM
16-QAM
Figure 5.2 Exemples de modulation

transmission par quelque moyen que ce soit (acoustique, hertzien, etc.).
La reception : cette etape combine retour en bande de base, synchronisation,
echantillonnage, bref linverse des etapes de lemission. A lissu de cette etape
on dispose dun signal u(t).
La demodulation numerique : il sagit ici de revenir à une suite de 0 et de 1.
Dans lideal celle-ci doit etre identique au message binaire initial.
Dans des condition ideales u(t) = y(t), malheureusement le cas ideal est loin
detre une generalite et lors de sa traversee du milieu le message sera perturbe
par du bruit. De plus, par le biais de trajets multiples, le signal propage interfère
avec des repliques retardees et attenuees de lui meme comme lillustre la figure
ci-dessous.
Il en resulte la possibilite que le message recupere en sortie de la chane de

transmission soit bien different du message dentree.
Dans la suite nous designerons par canal lensemble emetteur / milieu / recepteur.
Il representera ainsi la relation entre le signal y(t) et le signal u(t). On peut
distinguer plusieurs modèles mathematiques de canaux. Les modèles les plus
frequemment utilises dans la pratique (et aussi les plus simples) sont les suivants :
Le canal retarde et attenue à bruit additif gaussien (figure 5.3).
Il sagit du modèle le plus simple. Dans ce modèle le signal y(t) est corrompu
par un bruit additif note v(t). Physiquement, ce bruit peut etre d
u à un
66
v(t)
- cq d
y(t)
- u(t)
Figure 5.3 Canal retarde et attenue à bruit additif gaussien

problème dinstrumentation (composants electroniques, amplificateurs, etc.)
ou à linterference avec dautres signaux. Ce bruit sera suppose etre un bruit
blanc gaussien de moyenne nulle. Du fait de la dynamique des differents composants, de la dynamique du milieu et de letape dechantillonnage il apparat
un retard sur le signal u(t) ainsi quun facteur dattenuation c. Le retard
sera suppose etre multiple de la periode symbole Ts (cest à dire le temps
consacre à la transmission dun symbole) on a donc = dTs . Il en resulte la
forme suivante sur u(t) :
u(t) = cy(t dTs ) + v(t)
u(t) = cq d y(t) + v(t)
Le canal filtre et bruite (figure 5.4).
Dans certains cas, il peut etre necessaire de rajouter des filtres ne serait ce
que pour eviter de sortir de la bande passante accordee. De tel canaux sont
modèlises par un filtre lineaire. Cette representation inclue la modelisation
precedente. Pour un symbole donne, du fait de linfluence des symboles precedents
et des symboles suivants
on considera la forme suivante sur u(t) :
X
d
i
u(t) = q
ci q y(t) + v(t)
i
u(t) = q d C(q)y(t) + v(t)

Les coefficients ci representent les influences des symboles passes et futurs.
Une caracteristique typique est donnee sur la figure 5.5.
Dans le cas dun canal
X variant dans le temps ceci devient
d(t)
u(t) = q
ci (t)q i y(t) + v(t)
i
v(t)
y(t)
q d C(z)
? u(t)
-
Figure 5.4 Le canal filtre et bruite
67
ci
6
- i
Figure 5.5 Exemple de caracteritique dun canal : coefficients ci
5.2
Bruit et interf
erence inter symbole
Le signal u(t), correspondant à la sortie du canal, est de la forme :

X
u(t) = q d
ci q i y(t) + v(t)
i
A linstant t = kTs , il vient :

X
xk =
ci ykid + vk
i
xk = c0 ykd +
ci ykid + vk
i
i 6= 0
Le symbole xk apparat etre la combinaison de trois termes :
P
c0 ykd +
ci ykid
+ vk
i
i 6= 0
|{z}
[1]
{z
[2]
(5.1)
|{z}
[3]
[1] : correspondant au symbole transmis, à un facteur c0 et un retard d près ;

[2] : correspondant à une interference appelee interference inter symbole ;
[3] : correspondant au bruit.
Du fait de la presence du bruit, on place en aval de la chane de transmission un
bloc de decision permettant une determination du symbole recu. Par exemple,
si le signal y(t) est une suite de 1 et de 1 (modulation à deux niveaux), pour
un canal ideal et en labsence de bruit, la sortie u(t) devrait etre aussi une meme
suite de 1 et de 1. En presence de bruit ceci nest pas forcement le cas (figure
5.6). Le bloc de decision correspond alors à un comparateur avec un seuil : par
exemple toute composante du signal de sortie positive sera consideree comme
68

emission
r
eception
bruit
y(t)
u(t)
..........
.
-? -
.....
d
ecision
..........
.. ..
.. ..
.......
.....
Figure 5.6
un 1 recu, toute composante du signal de sortie negative sera consideree comme
un 1 recu.
On notera r(t) la sortie de ce bloc de decision. La figure 5.7 intègre cette
modelisation.
v(t)
y(t)
qd C(q)
u(t)
-? -
r(t)
Figure 5.7 Canal et decision

Pour illustrer linfluence de linterference inter symbole prenons lexemple dun
signal dentree constitue dune serie de 4 symboles complexes distribues de
manière aleatoire : 1, 1, j et j (modulation MDP-4). La figure 5.8 presente
la constellation de la modulation.
Ce signal est envoye en entree dun premier canal non ideal, la constellation du
signal resultant est presentee sur la figure 5.9. Il apparat quon ne retrouve plus
le meme type de symbole, neanmoins lobservation du plan complexe permet
la distinction de 4 zones dappartenance. Chacune delle va correspondre à un
type de symbole emis : 1, 1, j ou j. Ainsi lutilisation dun bloc de decision
devrait suffire à retrouver les symboles initiaux.
Ce meme signal dentree est envoye sur un second canal test. Cette fois ci on
ne retrouve plus les 4 zones dappartenance (figure 5.10), il y a ambigute dans
certains cas. Ainsi lutilisation dun bloc de decision à la fin de la chane de
reception ne suffira pas.
Afin de limiter les effets du canal et du bruit et donc le nombre derreurs,
on place un dispositif appele egaliseur dans la chane de reception du signal.
Plusieurs types degalisation peuvent etre proposes. Ce cours presente quelques
egaliseurs à base de filtre lineaire place en aval de la chane de transmission
juste avant le bloc de decision. Nous noterons H(z) la fonction de transfert du
filtre correspondant à legaliseur et yb(t) la sortie de legaliseur correspondant à
lestime du signal y(t).
Du fait du retard sur le procede de transmission, lestimation des symboles
dentree se fera elle meme avec un temps de retard, on notera alors :
yb(t dTs ) = H(q)u(t)
ou encore
yb(t) = q d H(q)u(t)
69
plan complexe
2
1.5
0.5
0.5
1.5
2
2
1.5
0.5
0.5
1.5
Figure 5.8 Constellation des symboles dentree
plan complexe
2
1.5
0.5
0.5
1.5
2
2
1.5
0.5
0.5
1.5
Figure 5.9 Signal de sortie sur le premier canal
plan complexe
2
1.5
0.5
0.5
1.5
2
2
1.5
0.5
0.5
1.5
Figure 5.10 Signal de sortie sur le second canal
70
v(t)
+
- ? -
d
ecision
canal
y(t)
egaliseur
y(t
b
dTs )
u(t)
r(t dTs )
Figure 5.11 Canal avec egaliseur

La figure 5.11 presente la configuration de lensemble canal/egaliseur/decision
Dans la suite nous prendrons le modèle de canal ci-dessous
u(t) = q d C(q)y(t) + v(t)
avec v(t) un bruit blanc gaussien de moyenne nulle et
C(q) =
m
X
ci q i
i=0
On considère donc ici un canal retarde de d echantillons et de reponse impulsionnelle de longueur m. La condition de blancheur sur le bruit peut etre satisfaite
par la realisation dun filtrage de blanchiement. Pour ce qui est du modèle du
canal C(q) on le suppose en general normalise cest à dire tel que
m
X
c2i = 1
i=0
Les deux chapitres suivant presentent deux types degaliseur :

les egaliseurs avec connaissance du canal ou sequence dapprentissage ;
les egaliseurs aveugles.
71
CHAPITRE
Egaliseur avec connaissance du canal ou sequence

dapprentissage
6.1
Egaliseur lin
eaire
6.1.1
Egaliseur zero forcing
Principe
Cette approche suppose que la reponse impulsionnelle du canal est connue,
ce qui est dejà en soit une limitation non negligeable. Cette connaissance est
accessible par le biais dune modelisation physique de la trajectoire du signal
ou bien par le biais de methodes didentification usuelles telles que les moindres
carres, les moindres carres etendus, etc. La methode degalisation consiste alors
simplement à essayer de compenser les distorsions du canal et donc faire en sorte
que lensemble canal/egaliseur se comporte comme un canal ideal.
yb(tdTs ) designe lestimation du signal dentree à la sortie de legaliseur. Daprès
ce qui precède, en labsence de bruit on a
u(t) = C(q)y(t dTs )
On souhaite donc avoir

yb(t dTs ) = H(q)C(q)y(t dTs ) = y(t dTs )
On cherche donc un filtre H(z) qui dans lideal verifie

H(z)C(z) = 1
principe de legaliseur zero forcing :

H(z) =
1
C(z)
(6.1)
72
Remarque :
Cette approche ne prend absolument pas en compte la presence de bruit sur la
mesure y(t). Ainsi, si le gain du canal est faible sur une gamme de frequences,
linversion de C(z) risque damplifier le bruit sur cette gamme de frequences
do`
u une degradation du rapport signal/bruit et une augmentation du nombre
derreurs dinterpretations à la sortie du bloc de decision.
Faisabilit
e du filtre
En terme de mise en oeuvre, plusieurs solutions sont possibles. Si la fonction
de transfert C(z) est inversement stable alors le filtre decrit par lequation (6.1)
est directement realisable comme montre par la figure 6.1 ou sous une forme
recursive comme montre sur la figure 6.2.
-
u(t)
1
C(q)
y(t
b
dTs )
Figure 6.1 Forme directe
u(t)
- y(t
b
dTs )
1
c0
C(q) c0
Figure 6.2 Forme recursive

En revanche, il y a un problème dans le cas o`
u C(z) est non inversement stable.
Afin de realiser le filtrage nous allons faire une approximation par le biais dun
developpement en serie. Considerons ici, pour lexemple, la fonction de transfert
suivante :
1
1
=
C(z)
1 az 1
avec a > 1. Cette fonction de transfert est instable puisque son pole est hors
du cercle unite. Neanmoins lexpression precedente peut etre developpee comme
suit :

1
1
z
z2
z3
=
=
+
+
+
C(z)
1 az 1
a a2
a3
En tronquant ceci à lordre m on obtient lapproximation suivante :
m
X
1
zi
C(z)
ai
i=1
m 1
X
1
z m
aim z i
C(z)
i=0
73
u(t)
qd
Hn (q)
Hd (q)
y(t
b
dTs )
Figure 6.3 Forme mixte directe
u(t)
qd Hn (q)
6
Hd (q) 1
y(t
b
dTs )
Figure 6.4 Forme mixte recursive
1
C(z)
peut etre approxime par le produit dun terme davance z m

P 1 im i
z . Il en est de meme pour toute fonction de
avec un filtre FIR m
i=0 a
1
transfert C(z)
instable :
Ainsi, le terme
1
z m C (z)
C(z)
o`
u C (z) est un filtre FIR.
Dans le cas o`
u C(z) se decompose en deux fonctions de transfert, la première
inversement stable et la seconde non inversement stable, le filtre H(z) defini par
lequation (6.1) peut etre approxime de la manière suivante :
H(z) z d
Hn (z)
Hd (z)
o`
u z d Hn (z) correspond au developpement en serie de la composante non inversement stable de C(z) et Hd (z) correspond à la composante inversement stable.
La mise en oeuvre de cette approximation est donc :
yb(t dTs ) = q d Hn (q)u(t) (Hd (q) 1)b

y(t dTs )
(6.2)
et ceci est illustre sur les figures 6.3 et 6.4.
n (q)
Lexpression yb(t dTs ) = q d H
tre deux retards d et d . ils
Hd (q) u(t) fait appara
nont pas le meme role :
d correspond au retard du canal. On ne matrise pas ce temps de retard, il
nous est impose par le canal, par la distance que doit parcourir le signal. La
presence de ce terme dans (6.2) permet simplement une compensation de ce
retard.
d est un delai quon se donne. y(tdTs ) influe sur u(t) mais aussi sur u(t+Ts ),
u(t + 2Ts ), etc. Ceci est illustre sur la figure 6.5. On trouve ainsi des traces de
y(t dTs ) de u(t) jusquà u(t + mTs ), par consequent pour estimer y(t dTs )
on va filtrer u(t) mais aussi u(t + Ts ), u(t + 2Ts), etc. Ceci justifie lutilisation
du terme davance d dans (6.2).
74
75
Figure 6.5 Influence entre les termes traites
y(t dTs 2Ts )

y(t dTs )
y(t dTs 3Ts )

y(t dTs Ts )
y(t dTs + Ts )
{z
|
{z
}
{z
?
u(t)
?
y(t
b
dTs )
u(t + Ts ) u(t + 2Ts ) u(t + 3Ts )
{z
Mise en oeuvre sous forme de FIR

Pour des raisons de robustesse numerique (risque dinstabilite d
u à des problèmes
numeriques) il peut etre preferable de realiser un egaliseur constitue dun filtre
FIR. Si tel est le cas, le filtre egaliseur prendra la forme generale suivante :
avec
yb(t d Ts ) = q d H(q)u(t)
H(z) = h0 + h1 z 1 + h2 z 2 + . . . + hn z n =
n
X
hi z i
i=0
et n lordre du filtre. On retrouve le terme de retard d du canal et le terme

davance d dont le role a ete precise ci-dessus.
Afin deviter un fastidieux developpement en serie (quil sera dailleurs necessaire
de tronquer) il est possible de determiner assez simplement les coefficients du
filtre. Daprès ce qui precède on a :
yb(t d Ts ) = q d
n
X
hi q i u(t)
i=0
En labsence de bruit u(t) sexprime comme suit

u(t) = q
m
X
i=0
ci y(t iTs )
Pour simplifier les lignes suivantes faisons abstraction du terme de retard d (il
se compense), les deux expressions precedentes se reecrivent alors comme ceci
u(t) =
m
X
i=0
ci y(t iTs )
yb(t d Ts ) =
n
X
(6.3)
hi q i u(t)
(6.4)
i=0
Pour differents instants, lequation (6.3) peut se mettre sous la forme matricielle
u[t:tnTs ] = y[t:tmTs nTs ] C
avec
u[t:tnTs ] =
u(t) u(t Ts )
y[t:tmTs nTs ] =
u(t nTs )
y(t) y(t Ts ) y(t mTs nTs )
76
et
C=
c0
c1
c0
c2
..
.
..
.
c1
..
.
c0
..
.
..
..
..
..
..
cm
0
..
.
..
.
0
..
..
..
..
..
.
..
.
..
.
..
.
..
.
..
.
..
.
..
.
. cm
0
0
..
.
..
.
0
c0
c1
c2
..
.
..
.
cm
Les coefficients hi du filtre H(z) peuvent etre integres dans une vecteur de la
manière suivante
h0
h1
= .
..
hn
Lestimation yb(t d ) sexprime alors comme suit

yb(t d Ts ) = u[t:tnTs ]
yb(t d Ts ) = y[t:tmTs nTs ] C
On souhaite avoir yb(t d Ts ) = y(t d Ts ) cest à dire

yb(t d Ts ) = y[t:tmTs nTs ] J
avec J de la forme suivante
0
..
.
J=
1
0
..
.
0
Le 1 etant place à la (d + 1)ème ligne.

Il vient alors
y[t:tmTs nTs ] J = y[t:tmTs nTs ] C
(6.5)
Cette egalite devant etre verifiee pour tout echantillon de y(t), le vecteur
solution de (6.5) est tel que
J = C
77
do`
u
1
= (C C)
C J
(6.6)
Remarque :
Independamment des coefficients du modèle du canal, le vecteur des paramètres de legaliseur depend de 2 termes : le retard d et lordre n. Ces
deux paramètres sont à choisir par lutilisateur.
Afin de juger des performances de la methode, nous lavons appliquee sur deux
canaux tests. Les coefficients ci de ces canaux sont presentes dans le tableau
6.19. Leur gain en frequence est donne à la figure 6.7.
canal 1
canal 2
c0
c1
c2
c3
c4
c5
c6
0.04
-0.05
0.07
-0.21
-0.5
0.72
0.36
0.407
0.815
0.407
c7
0
c8
c9
c1 0
0.21
0.03
0.07
Figure 6.6 Coefficients des reponses impulsionnelles
Bode Diagram
10
Magnitude (dB)
10
15
20
25
30
35
40
1
10
canal1
canal2
0
10
10
Frequency (rad/sec)
Figure 6.7 Gain des canaux tests

Pour chaque canal, differents essais ont ete realises pour differentes puissances du
bruit. Le resultat de chaque essai est un taux derreur sur la reconnaissance des
symboles emis. La figure 6.8 presente levolution du taux derreur en fonction du
rapport signal/bruit. Pour ces differents essais, lordre du filtre etait de n = 10. Il
apparat que suivant le type de canal, les performances diffèrent. Cette methode
donne de bon resultat pour le premier canal pour un rapport signal sur bruit
faible, meme en presence de bruit les performances restent interessantes. Pour
ce qui est du second canal, cest beaucoup plus laborieux meme pour un bruit
relativement faible. Ceci est d
u à lamplification du bruit consecutive au faible
gain de la fonction de transfert du canal en hautes frequences.
Mise en oeuvre sans connaissance du canal
En labsence de connaissance des paramètres du canal, une version recursive de
legaliseur zero forcing a ete developpe. La synthèse du filtre egaliseur est alors
realisee par le biais de la connaissance du comportement de signaux dentree/sortie
du canal sur un intervalle de temps. Lidee est simplement denvoyer pendant
quelques instants une sequence connue à la fois de lemetteur et du recepteur (on
78
40
canal 1
canal 2
35
30
taux derreur (%)
25
20
15
10
10
15
20
25
30
rapport signal/bruit (db)
35
40
45
50
Figure 6.8 Performances de legaliseur zero forcing (canaux 1 et 2)

parle de sequence dapprentissage) et de corriger le vecteur des paramètres du
filtre en temps reel en fonction des donnees recoltees. Lalgorithme dadaptation
propose dans la litterature est le suivant :
version recursive de legaliseur zero forcing :
bt = btTs + P y (t)(y(t dTs d Ts ) yb(t dTs d Ts /t Ts ))
yb(t dTs d Ts /t Ts ) = (t)T btTs
(t) =
u(t)
..
.
(6.7)
u(t nTs )
y(t dTs )
..
y (t) =
.
P =
y(t mTs nTs dTs )

In+1 0
Lanalyse de cet algorithme est relativement delicate, remarquons neanmoins sa

structure semblable à celle de lalgorithme du gradient stochastique et ainsi la
presence du gain permettant un ajustement de la dynamique dadaptation.
6.1.2
Egaliseur de Wiener (ou `

a erreur quadratique moyenne
minimale)
Principe
Legaliseur de Wiener est aussi appele egaliseur à erreur quadratique moyenne
minimale (egaliseur MMSE). Il a lavantage, par rapport à legaliseur precedent,
de prendre en compte la composante de bruit. Le filtre realisant legalisation est
determine par la minimisation du critère de Wiener applique à lerreur entre
lentree du canal et la sortie du filtre :
JW = E{(y(t) yb(t))2 }
79
On considère ici un filtre egaliseur de meme structure que celui utilise pour
legalisation zero forcing :
yb(t dTs ) = q d H(q)u(t)
Il vient :
yb(t dTs ) = q d H(q)(C(q)y(t dTs ) + v(t))
Lerreur degalisation ye(t dTs ) est donc
ye(t dTs ) = (1 q d H(q)C(q))y(t dTs ) q d H(q)v(t)
Designons par Syeye (f ) la densite spectrale de ye(t) : Syeye (f ) = T F [Ryeye (i)].
Si y(t) et v(t) sont independants alors Syeye (f ) secrit
Syeye (f ) = |1 ej2f Ts d H(ej2f Ts )C(ej2f Ts )|2 Syy (f )
+|ej2f Ts d H(ej2f Ts )|2 Svv (f )
v(t) est un bruit blanc, par consequent sa densite spectrale est constante
Svv (f ) = v2
Pour ce qui est de la sequence emise, elle sera consideree comme une suite
de symboles independants et identiquement distribues (cette sequence est donc
stationnaire). On utilisera dans la suite le terme abrege de sequence iid. La
fonction de correlation Ryy (i) est alors la suivante
Ryy (i) = y2 (i)
et donc
Syy (f ) = y2
Daprès ce qui precède, Syeye (f ) devient alors :
Syeye (f ) = |1 ej2f Ts d H(ej2f Ts )C(ej2f Ts )|2 y2 + |H(ej2f Ts )|2 v2
Daprès le theorème de Parseval on a

Z +1/2Ts
E{e
y (t)2 } = Ts
Syeye (f )df
1/2Ts
par consequent minimiser E{e

y (t)2 } revient à minimiser la densite spectrale
Syeye (f ).
On peut reecrire Syeye (f ) comme suit :

Syeye (f ) =
1 ej2f Ts d H (ej2f Ts )C (ej2f Ts ) 1 ej2f Ts d H(ej2f Ts )C(ej2f Ts ) y2
+H (ej2f Ts )H(ej2f Ts )v2
Syeye (f ) = y2 ej2f Ts d H (ej2f Ts )C (ej2f Ts )y2 C(ej2f Ts )H(ej2f Ts )ej2f Ts d y2
+ej2f Ts d H (ej2f Ts )C (ej2f Ts )C(ej2f Ts )H(ej2f Ts )ej2f Ts d y2

+H (ej2f Ts )H(ej2f Ts )v2
80
Ceci peut sexprimer comme une forme quadratique incomplète :
avec
Syeye (f ) = ej2f Ts d H (ej2f Ts )W1 H(ej2f Ts )ej2f Ts d
ej2f Ts d H (ej2f Ts )W2 W2 H(ej2f Ts )ej2f Ts d + W3

W1 = v2 + C (ej2f Ts )C(ej2f Ts )y2
W2 = C (ej2f Ts )y2
W3 = y2

Syeye (f ) =
ej2f Ts d H(ej2f Ts ) W11 W2
W2 W11 W2 + W3

W1 ej2f Ts d H(ej2f Ts ) W11 W2
La reponse frequentielle du filtre minimisant Syeye (f ) est donc donnee par :
ej2f Ts d H(ej2f Ts ) = W11 W2

H(ej2f Ts ) = ej2f Ts d
Si on note N =
donne par :
v
y ,
C (ej2f Ts )y2
C (ej2f Ts )C(ej2f Ts )y2 + v2
le filtre H(z) minimisant lerreur quadratique moyenne est
egaliseur de Wiener :
z d H(z) =
C (1/z)
C (1/z)C(z) + N 2
(6.8)
Remarque :
En labsence de bruit, cest à dire pour N = 0, on obtient :
1
z d H(z) =
C(z)
On retrouve alors legaliseur zero forcing.
Exemple
Considerons le cas dun canal dordre 1 :
C(q) = c0 + c1 q 1
avec c20 + c21 = 1. Le filtre egaliseur H(z) solution du critère de Wiener est
q d H(q) =
q d H(q) =
q d H(q) =
c0 + c1 q
(c0 + c1 q)(c0 + c1 q 1 ) + N 2
c0 + c1 q
c0 c1 q + 1 + c0 c1 q 1 + N 2
c1 + c0 q 1
c0 c1 + (1 + N 2 )q 1 + c0 c1 q 2
81
do`
u, pour d = 0, la solution suivante sur H(z)
c1 + c0 q 1
c0 c1 + (1 + N 2 )q 1 + c0 c1 q 2
H(q) =
Pour c0 = 0.8 et c1 = 0.6, la figure 6.9 presente les gains de legaliseur zero
forcing et legaliseur de Wiener pour plusieurs valeurs du rapport N = vy . Il
apparat clairement que pour un N faible on retrouve legaliseur zero forcing,
en revanche en presence de bruit important on a une attenuation du gain de
legaliseur de manière à ne pas amplifier le bruit.
gain
Zero forcing
Wiener (N=0.25)
Wiener (N=0.5)
Wiener (N=0.75)
10
10
10
10
10
frequence
Figure 6.9 Allure des gains suivant le niveau de bruit

Comme dans le cas de legaliseur zero forcing, il est possible dapproximer la
solution optimale precedente par un filtre FIR. Dans cette optique remarquons
que si on fait abstraction du retard d on a :
yb(t d Ts ) = u[t:tnTs ]
avec en presence de bruit
u[t:tnTs ] = y[t:tmTs nTs ] C + v[t:tnTs ]

Le critère de Wiener JW consiste en la minimisation de
JW = E{(y(t) yb(t))2 }
Ceci conduit à la solution de Wiener-Hopf :

E (u[t:tnTs ] )T (u[t:tnTs ] ) = E (u[t:tnTs ] )T y(t)
do`
u
(6.9)
T
o
y[t:tmTs nTs ] C + v[t:tnTs ]
y[t:tmTs nTs ] C + v[t:tnTs ] =
n
o
T
E y[t:tmTs nTs ] C + v[t:tnTs ] y[t:tmTs nTs ] J
82
ce qui devient

y2 CT C + v2 In+1 = y2 CT J
et donc
= CT C + N 2 In+1
avec N =
v
y .
1
CT J
(6.10)
Mise en oeuvre sans connaissance du canal

Cette version du filtre de Wiener necessite la connaissance de la fonction de
transfert du canal, connaissance pas toujours evidente. Afin de saffranchir de
cette difficulte, il est possible de realiser le critère de Wiener par le biais de
la connaissance du comportement de signaux. Considerons pour cela les deux
modes de fonctionnement suivant :
le mode apprentissage ;
le mode operationnel.
Lors de la periode dapprentissage une sequence test, connue du recepteur est
injectee en entree du canal. Le but de cette sequence test est de faire une mise
à jour sur la connaissance du canal cest à dire permettre une estimation du
vecteur des paramètres en prenant en compte les changements eventuellement
intervenus sur le canal et les effets du bruit. Ce vecteur est estime par minimisation de lerreur quadratique moyenne entre lentree du canal retardee et la
sortie du filtre. La figure 6.10 illustre le principe destimation des paramètres
du filtre lors de cette phase dapprentissage.
v(t)
+
-? +
canal
y(t)
egaliseur
u(t)
-qdd
-
+
d
ecision
T
y(t
b dTs dr(t
s ) dTs d Ts )
Figure 6.10 Egaliseur de Wiener
La resolution de ce critère peut etre realise hors ligne, cest à dire par lintermediaire de la solution globale (equation de Wiener-Hopf), ou bien en ligne
par lintermediaire dun algorithme recursif. Lalgorithme du gradient stochastique applique à ce problème degalisation est le suivant :
83
version recursive de legaliseur de Wiener :

bt = btTs + (t)(y(t dTs d Ts ) yb(t dTs d Ts /t Ts ))
(t) =
(6.11)
u(t)
..
.
u(t nTs )
Il est possible de remplacer cet algorithme par celui des moindres carres. En
mode apprentissage ceci donne :
bt = btTs + Kt (y(t dTs d Ts ) yb(t dTs d Ts /t Ts ))
Kt = PtTs (t)((t)T PtTs (t) + 1)1
Pt = PtTs Kt (t)T PtTs
Cette solution permet une convergence plus rapide des paramètres mais ceci au
prix dune complexite accrue.
40
galiseur zero forcing

galiseur de Wiener (globale)
35
30
taux derreur (%)
25
20
15
10
10
15
20
25
30
35
40
45
50
Figure 6.11 Performances de legaliseur de Wiener par rapport à celle de

legaliseur zero forcing (canal 2)
Lors de la phase operationnel, les paramètres du filtre estime lors de la phase
dapprentissage sont figes puis appliques afin de permettre la transmission de
sequences autres que la sequence test. On retrouve alors la configuration de la
figure 5.11
Un des interets de ce type degaliseur est la prise en compte du bruit, neanmoins
si le canal de transmission fluctue dans le temps il sera necessaire de passer
regulièrement en mode apprentissage do`
u une reduction du debit de transmission des donnees.
Cette methode a ete appliquee au second canal test avec un meme ordre de filtre
n = 10. La duree dapprentissage etait de 2000 echantillons et les paramètres
84

coefficients
6
chantillons
10
11
Figure 6.12 Reponse impulsionnelle de legaliseur de Wiener (en milieu non

bruite) et de legaliseur zero forcing (canal 2)
ont ete estimes via la version globale de Wiener-Hopf. La figure 6.11 presente
levolution du taux derreur en fonction du rapport signal/bruit. Les performances apparaissent plus interessantes que dans le cas du zero-forcing, notamment en milieu bruite. En milieu non bruite, les performances se rejoignent. Ceci
se verifie sur la figure 6.12 qui presente la reponse impulsionnelle de legaliseur
zero forcing et legaliseur de Wiener estime en milieu non bruite : les deux
reponses se confondent.
6.1.3
Egaliseur par retour de d

ecision
Principe
Legaliseur par retour de decision (DFE - Decision Feedback Equalizer) est dans
le meme esprit que legaliseur de Wiener. Sa structure est proche de celle de la
figure 6.4 à la difference que le filtre Hd (z) 1 nest plus applique sur yb(t dTs )
mais sur r(t dTs ) (donc en sortie du bloc de decision). Ceci est illustre sur la
figure 6.13 et se traduit par la relation :
yb(t dTs ) = q d Hn (q)u(t) (Hd (q) 1)r(t dTs )
qui remplace yb(t dTs ) = q d Hn (q)u(t) (Hd (q) 1)b

y (t dTs ) pour Wiener.
u(t)
d
ecision
y(t
b
dTs )
qd Hn (q)
r(t dTs )
Hd (q) 1
Figure 6.13 Egaliseur par retour de decision
Les filtres Hn (z) et Hd (z) sont en general choisis de telle sorte que z d Hn (z) est
anti-causal :
(n)
(n)
(n)
z d Hn (z) = h0 q d + h1 q d 1 + ... + hd
et Hd (z) est causal et du meme ordre m que le canal :

(d)
m
Hd (z) = 1 + h1 q 1 + ... + h(d)
m q
85

Pour ce qui est de la determination des paramètres de ces filtres, le critère
à minimiser est ici encore le critère de Wiener JW = E{(y(t) yb(t))2 }. La
minimisation de ce critère conduit à la solution de Wiener-Hopf suivante :
(
!
)

uT[t+d Ts :t]
(n)
u[t+d Ts :t] r[tTs :tmTs ]
E
=
T
r[tT
(d)
s :tmTs ]
(
!
)
(6.12)
uT[t+d Ts :t]
E
y(t)
T
r[tT
s :tmTs ]
avec
(n)
hn0
hn1
..
.
hnd
d
h1
..
(d)
et = .
hdm
On peut montrer que si on suppose les decisions bonnes, cest à dire si r(tiTs ) =
y(t iTs ) alors lexpression (6.12) devient :
2 T
(n)
y Csup Csup + y2 CTinf Cinf + v2 Id +1 y2 CTinf
=
2
y2 Cinf
I
(d)
m
y

y2 CTsup Jsup
0m
avec
et
c0
c1
c
2
.
..
c
d
C=
cd +1
.
.
.
cm
..
.
..
.
0
Jsup
c0
c1
..
.
c0
..
.
cd 1
..
..
..
..
..
cd
..
.
..
.
..
.
..
.
..
..
.
..
.
..
.
..
.
..
.
..
.
..
.
..
.
. cm
0
0
..
.
..
.
c0

Csup
=
c1
Cinf
..
..
.
..
.
..
.
cm
0
..
= .
0
1
86
do`
u les solutions suivantes sur (n) et (d) :
(d) = Cinf (n)
et
(n) = CTsup Csup + N 2 Id +1
1
CTsup Jsup
(6.13)
Une autre solution pour la recherche des paramètres est lutilisation dune
sequence dapprentissage comme pour legaliseur de Wiener. Cette version de
lalgorithme sera presentee plus loin.
Remarque :
Supposons que r(t dTs ) = yb(t dTs ), on a alors :
yb(t dTs ) = q d Hn (q)u(t) (Hd (q) 1)b

y(t dTs )
do`
u
Hn (q)
yb(t dTs ) = q d
u(t)
Hd (q)
Lavantage dun filtre egaliseur de type FIR est sa stabilite intrinsèque, ainsi
lors dun procedure dadaptation de ses paramètres un tel filtre sera toujours
stable. Ceci nest plus le cas pour legaliseur par retour de decision puisque
H(z) comporte un certain nombre de poles. Les algorithmes dadaptation des
paramètres presentes dans ce document ne peuvent pas garantir à tout instant
la stabilite du filtre estime.
La figure 6.14 presente les performances de 3 egaliseurs relativement au second
canal test. Il sagit des egaliseurs zeros forcing, de Wiener (version global) et
par retour de decision. Lordre du filtre degalisation est n = 10. Il apparat que
legaliseur par retour de decision presente des performances plus interessantes
que les deux premiers.
zf:bleu wiener:rouge dfe:noir
40

galiseur par retour de dcision
35
30
taux derreur (%)
25
20
15
10
10
15
20
25
30
35
40
45
50
Figure 6.14 Performances de legaliseur par retour de decision (canal 2)
6.2
Egaliseur adaptatif
En norme GSM (pour les mobiles) les donnees sont transmises par paquets successifs dune duree de 0.577ms (figure 6.15). Dans chaque paquet une partie des
bits est reservee à la synchronisation (6 bits), une autre partie est reservee aux
donnees à transmettre (2 58 bits), une troisième partie dediee à la specification
87
des temps de montee et de descente des signaux et enfin une dernière partie
(26 bits du milieu) est reservee à lapprentissage. Cette dernière partie est une
sequence pseudo-aleatoire connue du recepteur.
apprentissage
bits de donn
ees

-
-

3bits
57bits
1bits
-

26bits
garde
bits de donn
ees
1bits
-
- 57bits
3bits
8bits
0.577ms
Figure 6.15 Transmission par paquets

La duree dun paquet etant relativement courte, il semble raisonnable de considerer
que la fonction de transfert du canal naura pas le temps de varier entre deux
sequences dapprentissage. En revanche, pour dautre système la duree dun paquet peut etre plus importante : 6.8ms pour le système D-AMPS en amerique
du nord, do`
u une possible derive du canal entre deux sequences dapprentissage.
Un des inconvenients des egaliseurs precedents est leur non adaptation dans le
cas de canaux à caracteristiques variables dans le temps. Lobjet des egaliseurs
presentes ci-dessous est de permettre une adaptation tout en etant en mode
operationnel.
6.2.1
Egaliseur de Wiener adaptatif
Legaliseur presente ici fonctionne sur les deux modes : apprentissage et operationnel.
En mode apprentissage, une sequence de symbole connue est injectee en entree
du canal permettant une initialisation de lalgorithme et donc un ajustement
des paramètres du filtre.
En mode operationnel, la sequence emise est à priori inconnue du recepteur.
Afin de permettre tout de meme une adaptation des paramètres du filtre, le
vecteur des paramètres est re-actualise via lalgorithme (6.11) en remplacant le
signal dentree y(t dTs d Ts ) par son estime en sortie du bloc de decision :
egaliseur de Wiener adaptatif en mode operationnel :
bt = btTs + (t)(r(t dTs d Ts /t Ts ) yb(t dTs d Ts /t Ts ))
r(t dTs d Ts /t Ts ) = dec(b

y (t dTs d Ts /t Ts ))
(t) =
u(t)
..
.
u(t nTs )
La figure 6.16 illustre le principe de fonctionnement lors du mode operationnel.

88
(6.14)
v(t)
+
-? +
canal
y(t)
egaliseur
d
ecision
y(t
b
dTs dr(t
s ) dTs d Ts )
u(t)
-
Figure 6.16 Egaliseur adaptatif : mode operationnel
Cet egaliseur a lavantage de ne necessite quune seule phase dapprentissage

puisquen mode operationnel il continue à adapter les paramètres, de plus cette
phase dapprentissage peut etre plus courte que celle de legaliseur precedent.
La phase dapprentissage ne sert quà initialiser lalgorithme. Remarquons que
ladaptation au canal sera dautant plus correcte que les variations du canal
seront lentes.
6.2.2
Egaliseur par retour de d

ecision adaptatif
Legaliseur par retour de decision a lui aussi sa formulation recursive. Celle-ci

prendra deux aspects suivant quon fonctionne en mode apprentissage o`
u en
mode operationnel :
en mode apprentissage une sequence test est appliquee et le vecteur des paramètres adapte en fonction de lerreur y(t dTs d Ts ) yb(t dTs d Ts ).
La figure 6.17 illustre le fonctionnement de ce mode.
v(t)
canal
-? +
egaliseur
u(t)
y(t)
-qdd
-
+
d
ecision
y(t
b
dTs dr(t
s ) dTs d Ts )
Figure 6.17 Egaliseur par retour de decision : mode apprentissage

En terme de mise en oeuvre, la version adaptative de legaliseur est la suivante :
89
egaliseur par retour de decision en mode apprentissage :

bt = btTs + (t)(y(t dTs d Ts ) yb(t dTs d Ts /t Ts ))
(t) =
u(t)
..
.
u(t d Ts )
r(t dTs d Ts Ts /t Ts )
..
.
r(t dTs d Ts mTs /t mTs )
(6.15)
r(t dTs d Ts iTs /t iTs ) = dec(b

y (t dTs d Ts iTs /t iTs ))
yb(t dTs d Ts iTs /t iTs ) = (t iTs )btiTs
en mode operationnel le vecteur des paramètres est adapte en fonction de

lerreur r(t dTs d Ts ) yb(t dTs d Ts ). La figure 6.18 illustre le fonctionnement de ce mode.
Dun point de vue mise en oeuvre, ceci se traduit de la manière suivante :
egaliseur par retour de decision en mode operationnel :
bt = btTs + (t)(r(t dTs d Ts /t Ts ) yb(t dTs d Ts /t Ts ))
r(t dTs d Ts /t Ts ) = dec(b
y (t dTs d Ts /t Ts ))

v(t)
y(t)
-? +
canal
u(t)
7
egaliseur
d
ecision
y(t
b
dTs dr(t
s ) dTs d Ts )
-
Figure 6.18 Egaliseur par retour de decision : mode operationnel

Afin de mettre en evidence la capacite dadaptation de legaliseur de Wiener adaptatif et de legaliseur par retour de decision une initialisation de ces
egaliseurs a ete realisee sur le premier canal test. Après un temps dattente le
canal commute sur une seconde forme dont les coefficients de la fonction de
transfert sont les suivant :
La figure 6.20 presente le taux derreur en fonction du rapport signal sur bruit,
ceci pour differentes methodes degalisation. Il apparat que les methodes non
adaptatives voient leurs performances se degrader, meme en milieu non bruite,
ceci du fait du changement de dynamique du canal. En revanche les methodes
90
(6.16)
canal 1
c0
c1
c2
c3
c4
c5
c6
0.01
-0.05
0.17
-0.01
-0.5
0.85
0.01
c7
0
c8
c9
c1 0
0.01
0.03
0.07
Figure 6.19 Coefficients des reponses impulsionnelles
adaptatives affichent des performances interessantes.

16
galiseur
galiseur
galiseur
galiseur
14
zero forcing
de Wiener (globale)
de Wiener (rcursive)
par retour de dcision
12
taux derreur (%)
10
10
15
20
25
30
35
40
45
50
Figure 6.20 Performances des egaliseurs adaptatifs dans le cas dun chagement de dynamique du canal
91
CHAPITRE
Egaliseurs aveugles (ou autodidactes)
La mise en oeuvre des methodes precedentes necessitent lintroduction dune

phase dapprentissage monopolisant ainsi les ressources du système de transmission et reduisant le debit. Les methodes degalisation basees sur un ajustement
des coefficients du filtre en labsence de sequence dapprentissage sont appelees
egalisation aveugle ou autodidacte. Ces egaliseurs utilisent des informations sur
la nature de la sequence emise et non plus sur son contenu. Cette sequence sera
supposee
1. etre constituee dune serie de symboles iid non gaussienne.
2. appartenir à un alphabet connu.
7.1
Egaliseurs de type Bussgang
Principe
Comme precedemment lestimation de la sequence emise est notee yb(t) et correspond à la sortie dun filtre FIR H(z) :
yb(t) = H(q)u(t)
Remarque :
Comme il ny a plus de comparaison par rapport à la sequence emise, on ne
fait plus apparatre le retard d.
Les egaliseurs de type Bussgang sont bases sur la propriete suivante : considerons
une sequence s(t) iid de distribution non gaussienne et F (z) un filtre FIR. La
sortie filtree F (q)s(t) possède la meme distribution que s(t) si et seulement si
le filtre F (z) possède un unique coefficient non nul.
Pour interpreter cette propriete, considerons la sortie u(t) du canal en labsence
de bruit :
u(t) = C(q)y(t)
92
et la sortie de legaliseur
yb(t) = H(q)u(t)
yb(t) = H(q)C(q)y(t)
yb(t) = F (q)y(t)
avec F (q) = H(q)C(q). Daprès lenonce precedente, la synthèse dun filtre H(z)
tel que le produit H(z)C(z) comporte plusieurs coefficients non nuls gaussiannise lestimation yb(t). Le principe de lalgorithme de Bussgang consiste alors
en la synthèse dun filtre H(z) tel que la sequence estimee yb(t) soit forcee à
avoir les memes caracteristiques que le signal emis y(t) (cest à dire etre une
serie de symboles iid non gaussienne). Il en resultera un filtre F (z) = H(z)C(z)
comportant un seul coefficient non nul do`
u:
H(q)C(q) = aq d
La figure 7.1 illustre la forme generale de ce type degalisation. Il consiste en

lapplication dun filtre H(z) et dune fonction non lineaire f (.) judicieusement
choisie. Cette fonction permet la generation dun signal derreur traduisant lerreur degalisation
ye(t) = f (b
y (t)) yb(t)
v(t)
+
-? +
canal
7
egaliseur
u(t)
y(t)
d
ecision
y(t)
b
r(t)
?
f (.)
Figure 7.1 Egaliseur aveugle de Bussgang

La mise en oeuvre peut etre realisee à partir dun algorithme de type gradient
stochastique comme suit :
egaliseur de Bussgang :
bt = btTs + (t)(f (b
y (t/t Ts )) yb(t/t Ts ))
yb(t/t Ts ) = (t)T btTs
(t) =
u(t)
..
.
u(t nTs )
(7.1)
93
Le choix de f (.) est discute ci-dessous, remarquons cependant quen substituant

f (b
y(t/t Ts )) par y(t) on retrouve legaliseur de Wiener adaptatif en mode
apprentissage et en substituant f (b
y (t/t Ts )) par dec(b
y(t/t Ts )) on retrouve
ce meme egaliseur en mode operationnel. Dailleurs, quelque soit la fonction
f (.) choisie il est conseille de commuter après un certain temps sur legaliseur
de Wiener en mode operationnel.
Choix de f (.) et mise en oeuvre

La fonction de co
ut JBussgang correspondant à lalgorithme dadaptation des
paramètres precedent depend de la fonction f (.). Celle-ci est une fonction non
lineaire, par consequent JBussgang est une fonction non convexe des paramètres,
cest à dire quelle admet plusieurs minima locaux et non pas un seul minimum
global. Il en resulte un risque de convergence de lalgorithme vers une solution
ne realisant pas une bonne egalisation.
Avec lalgorithme du gradient on a :
bt = btTs + (t)(f (b
y (t/t Ts )) yb(t/t Ts ))
La convergence de lalgorithme en moyenne sous entend la convergence du vecteur des paramètres bt du filtre après un certain nombre diterations. Cette
convergence se traduit par la relation
E{bt } = E{btTs }
Il vient alors
E{(t)(f (b
y (t)) yb(t))} = 0
On peut montrer que ceci implique la relation suivante :

E{b
y (t kTs )f (b
y (t))} = E{b
y (t kTs )b
y (t)}
(7.2)
Cette expression etablit que la fonction f (.) doit etre telle que la fonction dautocorrelation de yb(t) soit egale à la fonction dintercorrelation de yb(t) avec f (b
y(t)).
Cette condition est appelee condition de Bussgang. Ce resultat est etabli pour
H(z) de la forme
H(z) =
n
X
hi z i
i=n
et pour n 1. Neanmoins, on considère dans la pratique que ce resultat est

valable pour H(z) de la forme
H(z) =
n
X
hi z i
i=0
et pour n suffisamment grand.

Differentes formes sur f (.) ont ete proposees. Le tableau suivant presente quelques
cas particuliers sur f (.) de lalgorithme de Bussgang. Ces cas particuliers sont
les plus repandus et mettent en oeuvre des formes simples sur f (.).
94
algorithme
f (b
y)
Sato (signal reel)
f (b
y ) = 1 signe(b
y)
Godard
f (b
y) =
+ p |b
y|p1 |b
y |2p1 )
f (b
y) = yb(1 + 2 |b
y |2 )
module constant
o`
u p est defini par :
p =
y
b
y|
|b
y| (|b
E{|y(t)|2p }
E{|y(t)|p }
Remarque :
Lalgorithme à module constant (note souvent CMA pour Constant Modulus
Algorithm) est un cas particulier de lalgorithme de Godard pour p = 2.
Il a ete montre dans la litterature que les algorithmes utilisant ces fonctions
convergent pourvu que les conditions suivantes soient satisfaites :
[1] : y(t) satisfait (7.2) ;
[2] : le kurtosis de y(t) est negatif
Ky = E{|y(t)|4 } 3E{y(t)2 }2 < 0
(on dit alors que la sequence y(t) est sous-gaussienne)
La mise en oeuvre de lalgorithme de Godard est donne ci-dessous :
egaliseur aveugle de Godard :

bt = btTs + (t)b
y (t/t Ts )|b
y (t/t Ts )|p2 (p |b
y (t/t Ts )|p )
yb(t/t Ts ) = (t)T btTs
(t) =
u(t)
..
.
u(t nTs )
(7.3)
Il apparat que cet algorithme est construit de telle manière à penaliser les sorties
yb(t) seloignant du module constant p .
Exemple
La fonction de co
ut associee à lalgorithme de Godard est la suivante :
JGodard = E{((b
y (t))p p )2 }
Afin dillustrer la capacite de cet algorithme à estimer un filtre F (z) ne comportant quun coefficient non nul, on etudie ici la fonction de co
ut JGodard pour
95
lalgorithme à module constant (p = 2) et pour yb(t) = F (q)y(t) correspondant

a` la sortie dun filtre F (z) dordre 1 :
F (z) = f0 + f1 z 1
La sequence dentree y(t) choisie ici est une suite de +1 et 1, on a alors 2 = 1

et JGodard devient :
JGodard = E{((f0 y(t) + f1 y(t Ts ))2 1)2 }
JGodard = E{(f02 + f12 1 + 2f0 f1 y(t)y(t Ts ))2 }
JGodard = (f02 + f12 1)2 + 4f02 f12
Il apparat que cette fonction de co
ut sannule en 4 points
f0 = 0 et f1 = 1
f0 = 0 et f1 = 1
f0 = 1 et f1 = 0
f0 = 1 et f1 = 0
Cette fonction est trace sur la figure 7.2 o`
u on retrouve ces 4 minima locaux. Ces
minima correspondent aux solutions pour lesquelles le filtre F (z) ne comporte
quun coefficient non nul, le principe enonce au debut de ce paragraphe est par
consequent respecte.
Dans les memes conditions, la figure 7.3 presente la fonction de co
ut associee à
lalgorithme de Sato :
JSato = E{(b
y (t) 1 signe(b
y(t)))2 }
Il apparat que cette fonction de co
ut admet les memes minima locaux que celle
correspondant à lalgorithme à module constant. Ces minima correspondent aux
points pour lesquels le produit H(z)C(z) ne comporte quun seul coefficient non
nul.
2
1.5
f1
0.5
0.5
1.5
2
2
1.5
0.5
0
f0
0.5
1.5
Figure 7.2 Fonction de co

ut JGodard pour p = 2
96
1.5
0.5
0.5
1.5
2
2
1.5
0.5
0
f
0.5
1.5
Figure 7.3 Fonction de co

ut JSato
Legaliseur CMA a ete applique sur le premier canal test. La figure 7.4 presente
le taux derreur en fonction du rapport signal sur bruit. Les performances
de legaliseur sont mises en perspectives avec les performances des egaliseurs
presentes auparavant. Hors presence de bruit, les performances sont equivalentes
à celles des egaliseurs zero forcing et de Wiener. En revanche, en presence de
bruit, ces performances se degradent.
Remarque :
La faible complexite de ces algorithmes et leur capacite à sadapter meme en
labsence de connaissance sur le contenu de la sequence dentree se traduit
par un temps de convergence juge long et une sensibilite excessive vis à vis
du bruit comme illustre sur lessai precedent.
30

galiseur aveugle module constant
25
taux derreur (%)
20
15
10
10
15
20
25
30
35
40
45
50
Figure 7.4 Performance de legaliseur aveugle à module constant (canal 1)
97
7.2
Egaliseurs aveugles par identification
La methode degalisation presentee ici consiste en une estimation de la reponse

impulsionnelle du canal cest à dire une estimation de C(q), ceci sans connaissance de la sequence dentree. Legaliseur est ensuite synthetise sur la base de
cette estimation.
La methode repose sur le calcul du cumulant dordre 4 et est consistante à
condition que le signal dentree soit une sequence non gaussienne de symboles independants et identiquement distribues. Pour un signal aleatoire u(t)
de moyenne nulle, le cumulant dordre 4 Ku (o, p, q) est defini par
Ku (o, p, q)
E{u(t)u(t + oTs )u(t + pTs )u(t + qTs )}

E{u(t)u(t + oTs )}E{u(t + pTs )u(t + qTs )}
E{u(t)u(t + pTs )}E{u(t + oTs )u(t + qTs )}
E{u(t)u(t + qTs )}E{u(t + oTs )u(t + pTs )}
Remarquons que pour o = p = q = 0 on retrouve le Kurtosis Ku (0, 0, 0) = Ku

On peut montrer que pour u(t) tel que
u(t) = C(q)y(t) + v(t)
avec y(t) independant de v(t), on a
Ku (o, p, q) = KC(q)y(t) (o, p, q) + Kv (o, p, q)
Il est possible de montrer que ceci devient
Ku (o, p, q) = Ky (o, p, q)
m
X
i=0
ci ci+o ci+p ci+q + Kv (o, p, q)
si y(t) est une sequence iid on a Ky (o, p, q) = Ky (0, 0, 0) =kurtosis. En outre si

v(t) est un bruit blanc gaussien de moyenne nulle on a Kv (o, p, q) = 0. Il vient
ainsi :
Ku (o, p, q) = Ky
m
X
ci ci+o ci+p ci+q
i=0
Cette relation est vrai pour tout indice o, p et q, on peut donc considerer les 2
cas suivant :
Pour o = p = q = m on a
m
X
Ku (m, m, m) = Ky
ci cim cim cim
i=0
Ku (m, m, m) = Ky cm c30
Pour o = 0 et p = m on a
m
X
Ku (0, m, q) = Ky
ci ci ci+m ci+q
i=0
Ku (0, m, q) = Ky cm c20 cq
Il vient alors :
cq = c0
Ku (0, m, q)
Ku (m, m, m)
98
1.6
valeur vrai et son estimation
1.4
1.2
1
0.8
0.6
0.4
0.2
0
4
5
chantillons
9
4
x 10
Figure 7.5 Illustration estimation aveugle

pour q [1; m]. Ainsi la connaissance des cumulants dordre 4, connaissance
accessible par le calcul, permet une estimation des paramètres de la reponse
impulsionnelle.
Cette methode didentification necessite une grand nombre de donnees pour une
estimation consistante des cumulants dordre 4. De plus son application repose
sur lhypothèse que le modèle canal est de structure FIR.
La figure 7.5 presente lestimation du second coefficient du second canal test.
Cette estimation est realisee en labsence de bruit. On constate clairement la
convergence de lestimation vers la valeur vrai du coefficient (0.815) mais on
observe aussi la lenteur de cette convergence : lessai a ete realise sur 90000
donnees.
99
ANNEXE
Resultats divers
A.1
Lemme dinversion matricielle
Soient 4 matrices A, B, C, D telles que :

A est inversible ;
C est inversible ;
les dimensions des matrices soient telles que le produit A + BCD existe et
quil soit inversible
On a alors
(A + BCD)1 = A1 A1 B(DA1 B + C 1 )1 DA1
A.2
(A.1)
Forme quadratique incompl`

ete
Considerons la fonction de co
ut suivante :
J(x) = x W1 x x W2 W2 x + W3
(A.2)
Cette expression peut etre reformulee comme suit : :

J(x) = (x W11 W2 ) W1 (x W11 W2 ) + W3 W2T W11 W2
Sur cette expression il apparat que seul le premier terme depend de x et ce
premier terme est minimal pour :
x = W11 W2
Le minimum de la fonction J(x) est donc obtenu pour x = W11 W2 .
Ce principe peut aussi etre applique sur la forme symetrique suivante :
J(x) = xW1 x xW2 W2 x + W3
Il vient alors :
x = W2 W11
100
Bibliographie
[1] J. G. Proakis - Digital Communications. 4th ed., McGraw Hill

[2] J. G. Proakis and M. Salehi and G. Bauch - Contemporary Communication
Systems Using MATLAB and Simulink. 2nd ed., CL-Engineering
[3] S. Haykin - Adaptive Filter Theory. 4th ed., Prentice Hall
[4] L. Ljung - System identification : theory for the user. 2nd ed., Prentice Hall
[5] F. Michaut and M. Bellanger - Filtrage adaptatif : theorie et algorithmes.
Hermès science publications,2005
101

coursINTRODUCTION AU FILTRAGE ADAPTATIF ET A L'EGALISATION - Fa - T

Transféré par

Informations du document

Titre original

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

coursINTRODUCTION AU FILTRAGE ADAPTATIF ET A L'EGALISATION - Fa - T

Transféré par

Droits d'auteur :

Formats disponibles

INTRODUCTION AU FILTRAGE ADAPTATIF

Table des mati`eres

1 Quelques rappels et objet du cours

Techniques de filtrage adaptatif

2 Filtrage adaptatif au sens de Wiener

3 Filtrage adaptatif au sens des moindres carr

II Egalisation dans une chane de transmission de linformation

7 Egaliseurs aveugles (ou autodidactes)

Quelques rappels et objet du cours

temporelle decrit les variations au cours du temps du signal, la representation

De la meme mani`ere, la densite spectrale interspectre est definie par

Figure 1.1 Representation graphique de limpulsion (t)

La transformee de Fourier de limpulsion est

Un train dimpulsion de periode T est defini par :

La transformee de Fourier dun train dimpulsion est :

Rappelons ici la notion de filtrage numerique lineaire. On consid`ere pour cela

les termes hi definissent les coefficients de la reponse impulsionnelle du filtre et

Ainsi la valeur yk de y(t) `a linstant t = kTe est :

le produit de convolution entre h(t) et x(t) est :

h(iTe )x(t iTe )

hk (iTe kTe )x(t iTe )

xq (kTe iTe qTe )

et puisque les hi sont nuls pour i < 0, on a :

Ainsi on retrouve bien lexpression precedente sur yk .

hi xki ej2f iTe ej2f (ki)Te

T F [y(t)] = T F [h(t)]T F [x(t)]

hi ej2f iTe = H(ej2f Te )

En terme danalyse spectrale on a

Dans ce cours on distingue deux types de signaux : les signaux deterministes et

Une extension de la notion denergie (puissance) est la fonction dautocorrelation

On a ainsi Rxx (0) = Exx .

Rxx (i) = lim

On a ainsi Rxx (0) = Pxx .

Ryx (i) = lim

Figure 1.2 relations entre signal, correlation, transformee de Fourier et

Figure 1.3 relations entre signal, correlation, transformee de Fourier et

xx (t1 , t2 ) = Rxx (i) = lim

yx (t1 , t2 ) = Rxx (i) = lim

Figure 1.4 relations entre signal, correlation et spectre

Figure 1.5 relations entre signal, correlation et spectre

Le filtrage adaptatif regroupe un ensemble de techniques dediees `a la resolution

La reconstruction dun signal en milieu bruite.

Nous entendons ici par reconstruction le fait de lisser, filtrer o`

Figure 1.6 Principe de lidentification

Figure 1.7 Principe de la prediction

dun signal primaire (electrocardiogramme du bebe) parasite par un signal

Figure 1.8 Principe de lannulation dinterference

Figure 1.9 Principe de la modelisation inverse

Filtrage adaptatif au sens de Wiener

Figure 2.1 Principe du filtrage de Wiener

Dans le cas des signaux aleatoires, le filtrage de Wiener consiste en une

Dans la suite on notera ye(t) lerreur destimation :

Le crit`ere de Wiener reste le meme, `a savoir (2.2) ou (2.3) suivant le type de

Recherche des param`

Les coefficients du filtre sont obtenus par minimisation de la fonction de co

Dapr`es la forme de (t) on a :

uu (0) uu (1) uu (n)

uu (0) uu (1) uu (n)

Lequation (2.5), appelee equation de Wiener-Hopf, peut donc etre exprimee de

Le vecteur des param`etres solutions est alors defini par :

Remarque : si on souhaite faire de la prediction lineaire, cest `a dire un filtrage de

Dapr`es (2.4), on constate que la solution de lequation de Wiener-Hopf verifie :

Figure 2.2 Principe dorthogonalite