Vous êtes sur la page 1sur 197

Air Systems Division

Gomtrie, mdiane et diffusion de


spectres de frquences acoustiques :
Ou Comment " mdianiser" ou
" diffuser" des morceaux de musiques
F. Barbaresco
Air Systems Division 2
LOrateur
Frdric BARBARESCO (frederic.barbaresco@thalesgroup.com)
Expert au dpartement Strategy Technology & Innovation de la BL Surface Radar de la division Air
Systems du groupe THALES (Domaine dexpertise : les senseurs radar cognitifs et le traitement avanc du
signal radar, en particulier la refondation du traitement du signal radar sur la gomtrie de linformation et la
gomtrie des matrices de covariance)
En charge de la coordination des thses au sein de la BL
Membre du THALES KTD PCC (Key Technology Domain, Processing Control & Cognition) prsid par J.F.
Marcotorchino (Directeur scientifique de THALES Land & Joint, enseignant Paris 6)
Animateur du groupe MATHERON des experts THALES en traitement dimage
Membre Senior SEE, mdaille Ampre 2007 et prsident du club SI
2
D (Signal, Image, Information & Dcision) :
www.see.asso.fr
Prsident du comit dorganisation de la confrence SEE Internationale COGIS (COGnitive systems with
Interactive Sensors) avec Daniel Krob (X : Chaire Thales Systmes Complexes ) : www.cogis2009.org
Organisation de la journe 2009 SEE/Acadmie des Sciences Traitement de l'information : avances et
dfis actuels (pour les 125 ans de la SEE) :
http://www.academie-sciences.fr/conferences/colloques/colloque_html/colloque_27_01_09.htm
Membre du comit dorganisation de la confrence internationale MIA (Mathematic & Image Analysis)
sponsorise par THALES et prsid par L. Cohen & G. Peyr (CEREMADE, GDR MSPC), qui aura lieu
lInstitut Henri Poincar en Dcembre 09 : http://www.ceremade.dauphine.fr/~peyre/mia09/
Membre du club des clubs des partenaires industriels des GDRs :
GDR ISIS (Image Signal InformationS) : http://gdr-isis.org/
GDR ONDES : http://gdr-ondes.lss.supelec.fr/
Projet de REI DGA/MRIS Gomtrie de linformation pour le traitement des signaux matriciels (Prof.
Nielsen lX, Prof. Rouchon & Angulo lEcole des Mines ParisTech, Prof. Marc Arnaudon Universit de
Poitiers, Prof. Snoussi lUT Troyes, F. Barbaresco de Thales)
Activit musicale :
Choriste dans formation amateur de 80 chanteurs (La Brenadienne)
prochain concert Parisien Benjamin Britten (Rejoice in the Lamb, Jubilate Deo, Festival Te Deum
op.32, Hymn to Saint Peter)
Air Systems Division
Gomtrie, mdiane et diffusion de
spectres de frquences acoustiques :
Ou Comment " mdianiser" ou
" diffuser" des morceaux de musiques
F. Barbaresco
Air Systems Division 4
Prambule
La thorie de la Gomtrie de l'Information introduite de faon parallle par Rao et
Chentsov, et la Gomtrie Symplectique telle qu'introduite par Carl Ludwig Siegel
permet de dfinir une mtrique entre matrices de covariance d'une srie temporelle
(la matrice de covariance dfinissant le spectre de frquences acoustiques prsentes
dans le signal).
La gomtrie naturelle de ces matrices de covariance symtriques (ou
hermitiennes) dfinies positives est une gomtrie Riemannienne symtrique. Il
s'agit d'un espace mtrique courbure ngative. Il est alors possible de calculer de
faon explicite la godsique (plus court chemin sur la varit) entre matrices de
covariance.
Sur la base de travaux du gomtre allemand Herman Karcher, on dfinit un flot de
gradient qui converge vers la mdiane de N matrices de covariances (appele point
de Fermat-Weber en Physique) en minimisant le critre gale la somme des
distances godsiques l'ensemble des N matrices (ceci tant l'approche classique
du barycentre de Frchet qui converge vers la moyenne lorsque quon prend les
distances aux carrs).
Sur la base de ce flot et par analogie avec l'quation de diffusion de Fourier, on
dfinie une quation de diffusion sur un graphe de matrices de covariances et
cherchons via l'quation de Campbell-Hausdorff remonter l'quation de diffusion
temps continu.
Le problme de la " mdiane dans un espace mtrique" est un problme plus vaste
qui recouvre des liens avec les sciences sociales par exemple (redcouverte des
travaux de Condorcet sur la notion de " vote mdian" par J.F. Marcotorchino et P.
Michaux).
Air Systems Division
Prise de mesure de londe
acoustique
Air Systems Division 6
Prise de mesure de londe acoustique
Spectre dun signal Acoustique
Air Systems Division 7
Prise de mesure de londe acoustique
Spectre dun signal Acoustique
Air Systems Division 8
Prise de mesure de londe acoustique
Spectre dun signal Acoustique
(
(
(

=
n
z
z
Z .
1
| | | |
2
2
1
) 1 (
2
*
0 1 1
*
1
0 1
*
1
*
1 0
2
) (
avec
fk j
n
n k
k
Z
k m m k
n
n
n
e c f S
z z E c
c c c
c
c c
c c c
ZZ E R
t

=
=
(
(
(
(
(

= =

.
.

Air Systems Division 9


Le voisinage des choses
Comment dfinir la distance (et donc la gomtrie
associe) deux spectres de frquences ?
?
Spectre 1
Spectre 2
Air Systems Division 10
Le voisinage des choses
Les animaux se divisent en : a) appartenant lEmpereur, b) embaums,
c)apprivoiss, d) cochon de lait, e) sirnes, f) fabuleux, g) chiens en liberts, h)inclus
dans la prsente classification, i) qui sagitent comme des fous, j) innombrables, k)
dessins avec un pinceau trs fin en poil de chameau, l) et cetera, m) qui viennent de
casser la cruche, n) qui de loin semblent des mouches
Encyclopdie chinoise tir dun texte de Borges
(En prface de louvrage Les mots et les choses de Michel Foucault)
La monstruosit que Borges fait circuler dans son numration consiste en ceci que
lespace commun des rencontres sy trouve ruin. Ce qui est impossible, ce nest pas
le voisinage des choses, cest le site lui-mme o elles pourraient voisiner. Les
choses y sont couches, poses, disposes dans des sites ce point diffrents
quil est impossible de trouver pour eux un espace daccueil , de dfinir au dessous
des uns et des autres un lieu commun . Sur quelle table , selon quel espace
didentits, de similitudes, danalogie, avons nous pris lhabitude de distribuer tant de
choses diffrentes et pareilles ?
Michel Foucault Les mots et les choses
Air Systems Division 11
Archologie Foucaultienne
La trame smantique de la ressemblance au XVIme sicle, est fort riche : Amicitia,
Aequalitas (contractus, consensus, matrimonium, societas, pax et similia), Consonancia,
Concertus, Continuum, Paritas, Proportio, Similitudo, Conjunctio, Copula .
Mais il y en a quatre qui sont, coup sr essentielles :
La CONVENIENTIA : est une ressemblance lie lespace dans la forme du proche en
proche. Elle est de lordre de la conjonction et de lajustement. Elle appartient moins
aux choses quau monde dans lequel elles se trouvent.
LAEMULATIO : sorte de convenance affranchie de la loi du lieu, qui jouerait immobile
dans la distance. Les anneaux ne forment pas une chane comme les lments de la
convenance, mais plutt des cercles concentriques, rflchis et rivaux.
LANALOGIE : affrontement des ressemblances travers lespace.
le JEUX DES SYMPATHIES : nul chemin nest dtermin lavance, nulle distance nest
suppose, nul enchanement prescrit. Elle parcourt en un instant les espaces les plus
vastes. Sa figure jumelle, lantipathie maintient les choses en leur isolement et empche
les assimilations.
Enfin, ll ny a pas de ressemblance sans signature. Le savoir des similitudes
se fonde sur le relev des signatures et sur leur dchiffrement.
Les mots et les choses de Michel Foucault
Air Systems Division 12
Introduction
Problme
Le spectre des frquences dun signal acoustique mesur via une srie
temporelle dchantillons est dcrit via la matrice de covariance de ce vecteur de
mesure.
Cette matrice de covariance est structure et possde les proprits de
symtrie, dfinie positivit et le caractre Toeplitz
Si lon cherche la structure gomtrique inhrente ces matrices de
covariances, les sources sont doubles
Les doubles sources de la gomtrie des matrices de
covariance
Source de la Gomtrie de lInformation (Rao/Chentsov) : Si on
modlise le signal par une loi multivarie gaussienne de moyenne nulle, la
mtrique riemannienne est donne par la matrice dinformation de Fisher. Elle
possde une proprit dinvariance par changement non-singulier de
paramtrisation. Elle permet dinterprter la mtrique comme une prise en
compte de la variance de la matrice de covariance qui dforme lespace.
Source de la Gomtrie Symplectique (C. L. Siegel) : Si on cherche la
gomtrie intrinsque lespace des matrices symtriques (hermitiennes)
dfinies positives, il peut tre introduit naturellement via lespace de Siegel
(gnralisation au cas matriciel de lespace de Poincar). Dans cette approche,
on cherche les automorphismes de cet espace et la mtrique qui est invariante
par ces automorphismes. Nous verrons que la mtrique de la gomtrie de
linformation est un cas particulier.
Air Systems Division 13
Objectifs
Objectifs : Ayant dfinie la mtrique associe ces matrices de
covariances via les 2 sources de la gomtrie de linformation et la
gomtrie intrinsque, on sintresse aux problmes suivants :
Dfinition de la distance entre 2 matrices de covariances
Dfinition de la godsique entre 2 matrices de covariances
Caractrisation du fait quil sagit dun espace symtrique courbure
ngative
Calcul de la moyenne/du barycentre de N matrices de covariance
Calcul de la mdiane (Point de Fermat-Weber) de N matrices de
covariance
quation de diffusion de Fourier dun graphe de Matrices
quation de diffusion anisotrope dun graphe de Matrices
Introduction dune paramtrisation autorgressive pour conserver le
caractre Toeplitz de la matrice de covariance
Modlisation variationnelle de la modlisation autorgressive
Calcul de moyenne et mdiane de N coefficients de rflexion dans
le disque de Poincar
Air Systems Division 14
La gomtrie de linformation pour les lois multivaries
gaussiennes de moyenne nulle et la gomtrie diffrentielle
intrinsque des matrices hermitiennes dfinies positives (cas
particulier de la gomtrie des espaces de Siegel) conduit la
mme mtrique :
Gomtrie de linformation :
Gomtrie du demi-plan suprieur de C.L. Siegel :
Mtrique et gomtrie pour les matrices de covariance
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
{ } 0 Im / ) , ( > = e + = = Y (Z) C n Sym iY X Z SH
n
( ) ( ) ( ) iY X Z Z d Y dZ Y Tr ds
Siegel
+ = =

avec
1 1 2

=
=
n
R i Y
X
.
0
| |
( )( )
| |
n n
n n n n n
R R Tr
n
n
n n
R R E
m Z m Z R
e R R Z p
n n
=
=
=
+

et
.

avec
. . ) ( ) / (
1
.
1
t
(
(

=
*
2
.
) / ( ln
) (
j i
n n
ij
Z p
E g
cu cu
u c
u
0 =
n
m
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
avec
Air Systems Division 15
La mtrique est dfinie :
Avantage vu de la Gomtrie de linformation :
mtrique invariante par changement non singulier de paramtrage
Mtrique tenant compte de la statistique des paramtres
Bonne mtrique au sens de la gomtrie de linformation
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
) ( ) ( ) (
2 2
u u ds w ds W w = =
( )( ) | |
u u u u u
u u u u u
u
u
d R d d I d ds
I E R
. . ). ( . et
Rao - Cramer de borne :

1 2
1
+ +

+
= =
>
(

=

Air Systems Division 16
La mtrique est dfinie :
Avantage vu de la Gomtrie de Siegel :
Les isomtries de lespace de Siegel sont donnes par le
groupe quotient
avec le groupe symplectique :
La seule mtrique invariante par est la mtrique de Siegel :
Bonne mtrique au sens de la gomtrie des matrices
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
n
SH
{ }
n
I R n Sp R n PSp
2
/ ) , ( ) , (
) , ( F n Sp
( )( )
1
) (

+ + =
|
|
.
|

\
|
= D CZ B AZ Z M
D C
B A
M

=
e
|
|
.
|

\
|
=
n
T T
T T
I B C D A
D B C A
F n Sp
D C
B A
M

symtrique et
) , (
{ } ) , 2 (
0
0
, / ) , 2 ( ) , ( R n SL
I
I
J J JM M F n GL M F n Sp
n
n
T
e
|
|
.
|

\
|

= = e
) (Z M
( ) ( ) ( ) Z d Y dZ Y Tr ds
Siegel
1 1 2
=
iY X Z + = avec

=
=
n
R i Y
X
.
0
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
Air Systems Division 17
La mtrique est dfinie :
Distance associe :
Par intgration, on obtient :
Dans le cas gnral, pour lespace de Siegel
De la mtrique la distance
( ) ( ) ( )
2
1 2
dR R Tr ds

=
( ) ( ) ( )

=

= =
n
k
k
R R R R R d
1
2
2
2 / 1
1 2
2 / 1
1 2 1
2
log . . log ,
( ) 0 det
1 2
= R R
Avec
0 avec = e + = X SH iY X Z
n
( )
n
n
k
k
k
Siegel
SH Z Z Z Z d e
|
|
.
|

\
|
|
|
.
|

\
|

+
=

=
2 1
1
2
2 1
2
, avec
1
1
log ,

Avec
( ) 0 . ) , ( det
2 1
= I Z Z R
( ) ( )( ) ( )( )
1
2 1 2 1
1
2 1 2 1 2 1
,

= Z Z Z Z Z Z Z Z Z Z R
Air Systems Division 18
Utilisation dans lart de la gomtrie hyperbolique (Escher )
Air Systems Division 19
Espaces de H. Poincar et de C.L. Siegel
iy x z
dz dzy y
y
dz
y
dy dx
ds
-
+ =
= =
+
=

avec
* 1 1
2
2
2
2 2
2
( )
( ) ( )
*
1
*
1
* 2
2
2
2
2
1 1
1
dz zz dz zz ds
z
dz
ds

=

=
Demi-Plan suprieur de Poincare
Disque de Poincar
Demi-Plan suprieur de Siegel
Disque de Siegel
( )
iY X Z
dZ dZY Y Tr ds
+ =
=

avec
* 1 1 2
( ) ( ) | |
*
1
*
1
* 2
1 1 dZ ZZ dZ ZZ Tr ds

=
Air Systems Division 20
At one point Siegel thought that too many unnecessary things
were being published, so he decided not to publish anything at all
George Polya
The Polya Picture Album, Encounters of a Mathematician, Birkuser
Carl Ludwig Siegel
avec George Polya
( ) ( ) ( ) iY X Z Z d Y dZ Y Tr ds
Siegel
+ = =

avec
1 1 2
Elie Cartan
H. Poincar
M. Gromov
Air Systems Division 21
La gomtrie du demi-plan de Siegel et le cas particulier
{ } 0 Im / ) , ( > = e + = = Y (Z) C n Sym iY X Z SH
n
Demi-Plan de Siegel
X
0 > Y
( ) ( ) ( ) Z d Y dZ Y Tr ds
1 1 2
=
( ) ( ) ( ) ( )

=
+ =
n
i
i i
Z Z d
1
2
2 1
2
1 / 1 log ,
k k k
Y i X Z . + =
1 = k
2 = k
( ) | |
2
1 2
dR R Trace ds

=
( )
k k k k
R N W R i Z , 0 si . =
1 = k
2 = k
( ) ( )

=
=
n
k
k
R R d
1
2
2 1
2
log ,
( ) ( )( ) ( )( )
1
2 1 2 1
1
2 1 2 1 2 1
,

= Z Z Z Z Z Z Z Z Z Z R
( ) 0 . . . det
2 / 1
1 2
2 / 1
1
=

I R R R
( ) ( ) 0 . , det
2 1
= I Z Z R
Air Systems Division 22
La godsique entre 2 matrices X et Y est donne par :
La moyenne est dfinie comme barycentre au sens de Frchet :
X
Y
Godsique et moyenne gomtrique symtrise
( )
( )
2 / 1 2 / 1 2 / 1 2 / 1 2 / 1 log 2 / 1
2 / 1 2 / 1
) ( X YX X X X e X t
t
YX X t
= =

( ) ( )
( )
( ) 2 / 1 log 2 / 1
2 / 1 . . 2 / 1
2 / 1 2 / 1 2 / 1 2 / 1 1
2 / 1 2 / 1
2 / 1 2 / 1
) , ( exp
) , ( exp
log exp ) (
X e X t v
X e X t v
X YX X X V V grad v
YX X t Y
X X
X v X t Y
X X
X
Y
X
Y
X
Y
X


=

=
= = =


( ) ( )
2 / 1
/2 1
2 / 1 2 / 1 2 / 1
2 / 1 X YX X X Y X

= =
Y X = = ) 1 ( et ) 0 (
| | 1 , 0 avec e t
Air Systems Division 23
( ) ( )
2 / 1
2 / 1
2 / 1 2 / 1 2 / 1
2 / 1
2 / 1 2 / 1 2 / 1 2 / 1
2 / 1 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1
2 / 1 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1 1
) )( (
) (
A BA A A X BA A XA A
BA A XA A XA A
BA A A X A XA A B X XA



= =
=
= =
moyenne gomtrique symtrise
La moyenne qui apparat est bien une matrice symtrique ou
hermitienne dfinie positive :
Il sagit bien du barycentre de Frchet, qui minimise :
On peut remarquer que quand les matrices commutent, il sagit de la
moyenne gomtrique classique :
qui nest pas symtrique dfinie positive
Une autre faon de retrouver la moyenne gomtrique symtrise
consiste la trouver comme solution de lquation de Ricatti :
( )
2 / 1
2 / 1
2 / 1 2 / 1 2 / 1
A BA A A B A

=
( ) ( )
|
.
|

\
|
+

2
2 / 1 2 / 1
2
2 / 1 2 / 1
log log XB B XA A Min
X
( )
2 / 1
AB B A =
Air Systems Division 24
En gomtrie riemannienne, un espace localement symtrique
est une varit riemannienne (M,g) telle que, (localement) autour
de chaque point x, il existe une symtrie
x
qui inverse les
godsiques issues de x et qui est une isomtrie (locale).
Un espace localement symtrique est dit symtrique si les
symtries peuvent se prolonger tout l'espace. De manire
quivalente, une varit riemannienne (M,g) est dite symtrique
lorsque, pour tout point x de M, il existe une isomtrie
x
:MM
vrifiant :

x
(x) = x ;
d
x
(x) = Id.
Cette isomtrie x est appele l'involution en x.
Proprits :
Tout espace symtrique est une varit riemannienne
godsiquement complte, donc complte en vertu du thorme de
Hopf-Rinow.
Il existe une et une unique involution en x.
Le tenseur de courbure d'une varit riemannienne est parallle.
Il sagit dun espace Riemannien symtrique
Air Systems Division 25
Pour lespace considr, la godsique entre deux matrices A et B
est donne par :
Pour lespace symtrique des matrices symtriques ou
hermitiennes dfinies positives, pour chaque paire (A,B), il existe
une isomtrie bijective qui vrifie :
et
Cette isomtrie a un unique point fixe Z qui est donn par le milieu
de (A,B), cest dire la moyenne gomtrique prcdemment
dfinie :
avec
Et les proprits : et
Ceci est diffrent de lapproche classique en traitement du signal
qui suppose un espace norm euclidien :
avec et
Il sagit dun espace Riemannien symtrique
( )
( )
| | 1 , 0 avec ) (
2 / 1 log . 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1
2 / 1 2 / 1
e = =


t A e A A BA A A t
BA A t
t

) , ( B A
G

) , (
B A G
B A
=
) , (
A B G
B A
=
( ) ( ) Z X d X X G d
B A
, 2 ,
) , (
=
( ) ) ( X
-1
) , (
B A B A X G
B A
=
( )
2 / 1
2 / 1
2 / 1 2 / 1 2 / 1
A BA A A B A

=
( ) ( ) X -
) , (
B A B A X G
B A
- + - =
2
B A
B A
+
= -
F
B A
( ) ( )
) , (
B A B A G
B A
= ( )
) , (
I B A dG
B A
=
Air Systems Division 26
Godsique et moyenne gomtrique symtrise

) , (
A G B
B A
=
B G A
B A ) , (
= ( ) ( ) B A X B A X G
(A,B)
- + - =
X
( )
2
B A
B A
+
= -
Espace Norm : isomtrie
(approche traitement
du signal Classique)

) , (
A G B
B A
=
B G A
B A ) , (
=
( ) ) ( X
-1
) , (
B A B A X G
B A
=
X
( )
2 / 1
/2 1
2 / 1 2 / 1 2 / 1
A BA A A B A

=
Espace mtrique : isomtrie
( )
| | 1 , 0
) (
2 / 1 2 / 1 2 / 1 2 / 1
e
=

t
A BA A A t
t

Espace Norm : Godsique


A = ) 0 (
B = ) 1 (
A = ) 0 (
B = ) 1 (
( )
| | 1 , 0
) (
e
+ =
t
A B t A t
Espace mtrique : Godsique
Courbure nulle
Courbure ngative
Air Systems Division 27
La Messe est dite par Marcel Berger
Premier Miracle :
La thorie des espaces symtriques peut tre considre comme le premier miracle de la gomtrie
riemannienne, en fait comme un nud de forte densit dans larbre de toutes les mathmatiques
On doit Elie Cartan dans les annes 1926 davoir dcouvert que ces gomtries sont , dans une
dimension donne, en nombre fini, et en outre toutes classes.
Second Miracle :
Entre les varits localement symtriques et les varits riemanniennes gnrales, il existe une
catgorie intermdiaire, celle des varits khlriennes. On a alors affaire pour dcrire le panorama
des mtriques khlriennes sur notre varit, non pas un espace de formes diffrentielles
quadratiques, trs lourd, mais un espace vectoriel de fonctions numriques. La richesse
Khlrienne fait dire certains que la gomtrie khlrienne est plus importante que la gomtrie
riemannienne.
Pas despoir dautre miracle :
Ne cherchez pas dautres miracles du genre des espaces (localement) symtriques et des varits
khlriennes. En effet, cest un fait depuis 1953 que les seules varits riemanniennes irrductibles
qui admettent un invariant par transport parallle autre que g elle-mme (et sa forme volume) sont les
espaces localement symtriques, les varits khlriennes, les varits khlrienne de Calabi-Yau, et
les varits hyperkhlriennes.
Marcel Berger (IHES), 150 ans de Gomtrie Riemannienne ,
Gomtrie au 20
ime
sicle, Histoire et horizons, Hermann diteur, 2005
Plus de dtail : Marcel Berger, A Panoramic View of Riemannian Geometry , Springer 2003
M. Berger
Air Systems Division 28
Problme rsoudre Barycentre de N matrices :
Moyenne barycentrique
Mediane (Point de Fermat-Weber)
Algorithmes de la moyenne/Mdiane : critre optimiser
( )

=
= =
N
k
k
X X
B X d X f X
1
, arg ) ( arg
min min
o
o
2 = o
( )

=
= =
N
k
k
X X
B X d X f X
1
2
2
, arg ) ( arg
min min
| | ( ) V T B X f grad
X
N
k
k X
e =

=

1
1
2
exp ) (
1 = o
( )

=
= =
N
k
k
A X
B X d X f X
1
1
, arg ) ( arg
min min
| |
( )
( )
V T
B X d
B
X f grad
X
N
k
k
k X
e =

=

1
1
1
,
exp
) (
( ) | | ( )
n X n
X f grad X
n
2 1
. exp c =
+
{ }
N
k
k
B
1 =
( ) | | ( )
n X n
X f grad X
n
1 1
. exp c =
+
Air Systems Division 29
Il sagit dun flot de gradient sur la varit
Algorithme par descente de gradient
La tangente en X la godsique rejoignant X B
k
La somme des tangentes en X des godsiques de X aux
( )
( )
( )
2 / 1 2 / 1 2 / 1 2 / 1
0
2 / 1 log 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1
log
) (
) (
2 / 1 2 / 1
X X B X X
dt
t d
X e X X X B X X t
k t
k
k
X B X t
t
k k
k
k k
k

=

=
= =

( )
2 / 1
1
2 / 1 2 / 1 2 / 1
1
0
log
) (
X X B X X G
dt
t d
G
N
k
k X
N
k
t
k
k
X
|
.
|

\
|
= =

=

=
=

{ }
N
k
k
B
1 =
Air Systems Division 30
Karcher Barycenter & Jacobi Field
( )
( ) 2 / 1 log 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1
2 / 1 2 / 1
) ( X e X X X B X X t
X B X t
t
k k
k

= =

( )
2 / 1 2 / 1 2 / 1 2 / 1
0
log
) (
X X B X X
dt
t d
k t
k

=
=

( )

= =

=
= |
.
|

\
|
=
N
k
N
k
k t
k
X X B X X
dt
t d
1
2 / 1
1
2 / 1 2 / 1 2 / 1
0
0 log
) (
1
B
2
B
3
B
4
B
5
B
6
B
Air Systems Division 31
Mdiane plus robuste que moyenne
X : moyenne
: mdiane
La mdiane est insensible la prsence de points aberrants
tant quils restent minoritaires
La moyenne est immdiatement perturbe par la prsence de
points aberrants
Air Systems Division 32
Mediane et point de Fermat-Weber
Laplace (1774) :
Laplace a appel cette valeur le milieu de probabilit ou la valeur probable . Le
terme mdiane a t introduit par Cournot dans lExposition de la thorie des chances
en 1883.
( ) m x E Min median dx x P
median
m
X
= =
}
5 . 0 ). (
0
Air Systems Division 33
Mdiane de matrice
( ) ( )
2 / 1 2 / 1
2 / 1 2 / 1 2 / 1 2 / 1 1
2 / 1 2 / 1
) ( exp
log exp
X e X V
X UX X X U
VX X
X
X

=
=

( )
( )
( ) ( )
( ) 0 det et
log log avec
1
2 2 / 1 2 / 1
2 / 1
log
log
2 / 1
1
1
2 / 1 2 / 1
2 / 1 2 / 1
=
=

=

+
=


k n
M
i
i
F
n k n
n
X B X
X B X
n n
B X
X B X
X e X X
N
k
F
n k n
n k n

c
1 = o
( )

=
= =
N
k
k
X X
B X d X f X
1
1
, arg ) ( arg
min min
| |
( )
( )
V T
B X d
B
X f grad
X
N
k
k
k X
e =

=

1
1
1
,
exp
) (
( ) | | ( )
n X n
X f grad X
n
1 1
. exp c =
+
Air Systems Division 34
Algorithme de gradient non convergent
Algorithme mdian par descente de gradient
Non diffrentiabilit aux points de donnes : problme de
convergence
En thorie : rgularisation au voisinage des points de donnes et
extraction diagonale (algorithme gnral adapt de Huiling Le, mais
long dexcution)
En pratique :
Assez souvent, les points donns entourent la mdiane :
convergence
Prendre un pas voisin de la prcision voulue (50 itrations
suffisent ici )
( )
( )
( ) ( )
( ) 0 det et
log log avec
1
2 2 / 1 2 / 1
2 / 1
log
log
2 / 1
1
1
2 / 1 2 / 1
2 / 1 2 / 1
=
=

=

+
=


k n
M
i
i
F
n k n
n
X B X
X B X
n n
B X
X B X
X e X X
N
k
F
n k n
n k n

c
Air Systems Division 35
Mediane : autre algorithme de gradient rgularis
Autre Algorithme Rgularis propos
Critre de minimisation rgularis
Rsolution itrative de problmes d'optimisation convexes
rgulariss, dont la suite des solutions converge vers la mdiane.
tape m :
Critre darrt :
( )
( )
( )
converge
converge converge converge
N
k
F
m k m
n m k n m
e convergenc
n m m
F
n m n m n m
n m
X B X
X B X
n m n m
n m m m
X X
X X X
X e X X
X X X
, 1 1
2 / 1
1 , 1 ,
2 / 1
1 , 1
2 / 1
, 1
log
log
2 / 1
, 1 1 , 1
, 0 , 1
alors
log : arrt
1
2 / 1 2 / 1
2 / 1
, 1
2 / 1
, 1
+ +

+ +

+ +
+ + + +
+
=
<

=
= =
=

+
,
c
( )
( )

=
+
=
N
k
k m
k
X
m
B X d
B X d
X
1
2
1
,
,
arg
min
( ) <

+
F
m m m
X X X
2 / 1
1
2 / 1
1
log
Air Systems Division 36
Tests sur donnes simules
Spectre initial
Spectre moyen
Spectre mdian
Air Systems Division 37
Gomtrie de Khler
La gomtrie dErich Khler tend la gomtrie
Riemannienne au domaine complexe :
La forme riemannienne dfinie positive dfinissant la mtrique de
Khler est donne par :
Condition de Khler condition : Il existe localement une fonction
potentielle de Khler, (et les quivalentes Pluri-harmoniques) telle
que :
Le tenseur de est alors donn par :
Et la courbure scalaire :

=
=
n
j i
j i
j i
dz dz g ds
1 ,
2
. 2
j i
j i
z z
g
c c
u c
=
2
( )
j i
l k
j i
z z
g
R
c c
c
=
det log
2

=
=
n
l k
l k
l k
R g R
1 ,
.
u
Air Systems Division 38
Modle Autorgressif Complexe
Modle du signal :
Modle multivari complexe circulaire :
Modle Radar :
Modle autorgressif complexe :
Lien avec lalgorithme de Issai Schurs algorithm (1875-1941)
[Alpay] D. Alpay, Algorithme de Schur, espaces noyau reproduisant et thorie
des systmes , Panoramas et synthse, n6, Socit Mathmatique de France,
1998
| |
( )( ) | |
n n n n n n n
R R Tr
n
n
n n
R R E m Z m Z R
e R R Z p
n n
= =
=
+

et .

avec
. . ) ( ) / (
1
.
1
t
| |
| |
k
i
k k k k
T
n n
n n n
n
e iy x z z z Z
Z Z E R
m
|
= + = =
=
=
+
avec
Positive Dfinie e Hermitienn Toeplitz
nulle moyenne de processus 0
1

| | | |
T
N
N
N
N k k n n
N
k
n k n
N
k n
a a A b b E b z a z
) ( ) (
1
2
0 ,
*
1
) (
... et avec = = + =

=

o o
Air Systems Division 39
Estimation des paramtres autorgressifs rgulariss
Nous utilisons lalgorithme de Burg rgularis (brevet THALES : F. Barbaresco,
Procd et dispositif de dtermination du spectre de frquence dun signal ,
brevet n 95 06983, Juin 1995)

+ =
+ =

=
+ =
=
=
+ +

=
=
=
=
= =

+ =


+ =

) ( . ) 1 ( ) (
) 1 ( . ) ( ) (
1 1 , .
1
) .( ) 2 .( avec
. . 2 ) 1 ( ) (
1
. . . 2 ) 1 ( ). (
2
1 Pour : (n) .
1
) ( .
1
ech.) nb. : (N 1 , ) ( ) ( ) ( f
: tion Initialisa .
1
*
1
1 1
) (
)* 1 ( ) 1 ( ) (
) (
0
2 2
1
) (
1
1
0
2
) 1 ( ) (
2
1
2
1
1
1
1
) 1 ( ) 1 ( ) ( *
1 1
) 0 (
0
1
2
0
0 0
k f k b k b
k b k f k f
a
,...,n- k= a a a
a
n k
a k b k f
n N
a a k b k f
n N
M n Itration
a
k z
N
P
,...,N k= k z k b k
n n n n
n n n n
n
n
n
n
k n n
n
k
n
k
n
n
k
N
n k
n
k
n
k
n
k n n
N
n k
n
k
n
k n
n
k
n
k n n
n
N
k


t |
|
|

Air Systems Division 40


modle autorgressif et matrice de covariance
La matrice de covariance et son inverse peuvent tre
paramtre partir des paramtres du modle autorgressif :
Structure Blocs de la matrice de covariance :
(

+
=
+


+

1 1 1
1
1 1 1
1 1 1 1
. . .
.
n n n n n n
n n n
n
A A R A
A
R
o o
o o
(

+
=

+

+

1 1 1
1 1 1 1 1
1
1
.
. . .
n n n
n n n n n n
n
R A R
R A A R A
R
o
| |
* ) (
) (
1
1 1
1
2
1
.
0 0 1
0 0
1 0 0
o
1
.
0
et . 1 avec V V
A
A
A
n
n
n
n n n n
(
(
(

=
(

+
(

= =

. o o
Air Systems Division 41
Rcursivit sur lordre de la mtrique de Siegel
Si on utilise la structure blocks des matrices, on peut
calculer la mtrique de Siegel lordre n par rapport
lordre n-1
Equation rcursive sur la mtrique de Siegel faisait apparatre la
matrice de Fisher sur les paramtres autorgressifs:
On peut remarquer que le second terme scrit :
Ceci sinterprte en terme de gomtrie de linformation
( ) | |
1 1 1 1
2
1
1
2
1
2
1 2
. . . .

+

+
|
|
.
|

\
|
+ = =
n n n n
n
n
n n n n
dA R dA
d
ds dR R Tr ds o
o
o
(

= +
|
|
.
|

\
|

1
1
1 1 1
1
1 1 1 1
2
1
1
log
0
0 1
.
log
. . .
n
n
n n n
n
n n n n
n
n
A
d
R A
d dA R dA
d
o
o
o
o
o
o
| |
1 1
1 1 1
log

= = E
n n
n n n
A
A
R A I
n
o
o
(

+
(

=

+

1 1 1
1
1
1
0
0 1 log log
n n n
n
n
n
R
i
A A
Z
o
o o
Extension du cas
Gaussien scalaire
(Gomtrie de linformation)
Air Systems Division 42
Mtrique de Khler dun modle autorgressif complexe
Dans le cadre de la gomtrie Affine de linformation, la
mtrique est donne par le Hessien de lentropie qui joue
ici le rle du potentiel de Khler :
Lentropie dun modle multivari gaussien de moyenne nulle :
On peut choisir comme modle de paramtrisation les coefficients de
rflexion
( ) ( ) ( ) e n R R t log det log
~
=
-R H


g
j i
ij
=
c c
c
et
~
2
| | | |
0
1
1
2
. . ln . 1 ln ). (
~
P e n k n ) (R
n
k
k n
t + =

=
| |

= =
=
n
k
k
n n n
z
n
P
1
2
0
1
0
1
1
2
1
1
avec
. 1
o
o o
( ) | |
[ [

=

= =
1
1
2
0
1
0
1
1 det
n
k
k n
k
n
n
k
k n
R o o
| |
( )( )
| |
n n
n n n n n
R R Tr
n
n
n n
R R E
m Z m Z R
e R R Z p
n n
=
=
=
+

et
.

avec
. . ) ( ) / (
1
.
1
t
Air Systems Division 43
Erich Khler

Lentropie U=-logdet[R] , pour les modles autorgressifs complexes, peut tre


considr comme un potentiel de Khler qui est paramtris partir des
coefficients de rflexion. Cette expression est alors la mme que celle propose
par E. Khler
Khler Erich, Mathematical Works , Edited by R. Berndt and O. Riemenschneider,
Berlin, Walter de Gruyter, ix, 2003
Papier initial dErich Khler, 1932, Hambourg
Air Systems Division 44
Mtrique de Khler : cas hyper-Abelian
On retrouve la mtrique propose par E. Khler dans son
papier initial : :
Khler a nomm ce cas hyper-Abelian :
Autre mtrique propose par Khler, appel cas hyper-fuchien :
| | ) , ( ln 1 ln .
1
1
2
z z K z
D
n
k
k k
= =

=
o
( )
{ } ,... 1 1 / et
1 ) , ( Bregman de Noyau
avec
1
1
2
n k z z
z z z : K
k
n
k
k D
k
= <
=
[

=
o
)
`

< |
.
|

\
|
=

= =
1 / with 1 ln .
1 k
2
1
2
n
k
n
k
k
z z z o
Air Systems Division 45
On dfinit une mtrique Doppler metric dans le cas de
modles autorgressifs complexes comme le Hessien dun
potentiel de Khler, o le potentiel est donn comme dans
le cas de la gomtrie affine de linformation par lEntropie:
Le potentiel de Khler paramtr par :
La mtrique associe est alors calcule :
| | | |
1
0
1
1
2
. . ln . 1 ln ). (
~

=
+ =

o t e n k n ) (R
n
k
k n
| | | |
T
n
n
n
T
n
n
P
) ( ) (
1 1 1 0
) (
u u u = =

2
0
2
0 11

= = nP n g o
( )
2
2
1
). (
i
ij
ij
i n
g

=
( )

=

+
|
|
.
|

\
|
=
1
1
2
2
2
2
0
0
2
1
) ( .
n
i
i
i
n
d
i n
P
dP
n ds

Mtrique de Khler dun modle autorgressif complexe


| |
T
n
P
1 1 0

Air Systems Division 46
Courbure scalaire du modle autorgressif complexe
On utilise lexpression du tenseur de Ricci dans le cas de
la gomtrie de Khler :
En gomtrie de Khler, le tenseur de Ricci est donn par :
Pour le cas du modle autorgressif complexe, on obtient alors :
On en dduit le calcul de la courbure scalaire qui est ngative :
( )
j i
l k
j i
z z
g
R
c c
c
=
det log
2
( )

=
=
1 ,..., 2 for
1
2
1
2
2
2
2
0
11
n k R
P
R
k
kl
l k

=
l k
l k
l k
R g R
,
.

(

n
n
j
j n
R
1
0
) (
1
. 2
Air Systems Division 47
Modle autorgressif # mtrique de Khler-Einstein
La mtrique prcdente nest pas une mtrique de type
Khler-Einstein, mais une structure matricielle proche
Une mtrique est dite de Khler-Einstein metric si son tenseur de ricci
est proportionnel la mtrique :
Dans le cas de la mtrique de Khler-Einstein, le potentiel de Khler
est solution de lquation de Monge-Ampre :
Pour un modle autorgressif complexe, on a :
| | | | | |
( ) { } ,.. .., 2 o et
) (
1
. 2 avec
1
) (
1
0
) ( ) (

=
=
(

= = =

i n diag B
j n
B Tr R g B R
n
n
j
n
ij
n
ij
( )
j i
j i
l k
l k
j i
z z
k
z z
g
k g k R
c c
u c
=
c c
c
=
2
0
2
0 0
.
det log
constant : avec .

=
u
holomorphe fonction
Khler de Potentiel
avec ) det(
0
2
:
:
e g
k
l k

Air Systems Division 48
Algorithme mdian sur les coefficients de rflexions 1/2
On se donne , o
est un n uplet des coefficients de rflexion tous
les ordres prcds du coefficient de puissance .
On calcule dabord ,
dans R (mthode classique de calcul du mdian pour une valeur
scalaire).
On estime ensuite la mdiane des coefficients de rflexions
complexes algorithmiquement : on ramne ces coefficients du disque
unit dans le demi-plan de Poincar avec :
On note
Les godsiques sont alors des demi-cercles centrs sur laxe des
abscisses
1 ) ( ) (
0
) (
1
) (
1
) (
0
) , ( ) ,..., , (

+
e = =
n k k k
n
k k
k
D R P P u
( )
N
u u ,...
1
H D C

:
1
|
|
.
|

\
|
+
+
=
) (
) (
) ( ) (
1
1
k
j
k
j k
j
k
j
i z


) (
) ( 1 ) ( k k
C z

=
))) log( ),..., log( ), (log( exp(
) (
0
) 2 (
0
) 1 (
0 0
N median
P P P mediane P =
( )
) (
1
) (
1
) (
, ,
k
n
k k

=
) (
0
k
P
c
Air Systems Division 49
Algorithme mdian sur les CR
On initialise lalgorithme un point quelconque Z dans H :
A ltape p, on se dplace selon le gradient:
o Z est lestim courant et c
k
dsigne le centre de la godsique
rejoignant Z z
k
.
Lentier p, initialis 1, dcrot si lcart entre deux itrs est
moindre que 1/p.
Aprs convergence, on retourne :

=
+

=
N
k
k
l
p
l
k
l
p
l
k
l
p
l
p
l Z
p c Z
c Z
z Z signe i t
1
) ( ) (
) ( ) (
) ( ) ( ) (
,
/ 1
) (
) Re( 2
) ( ) (
2
) (
2
) (
) (
p
l
k
l
p
l
k
l
k
l
Z z
Z z
c

=
| |
T
n
Z Z Z
) 0 (
1
) 0 (
1
) 0 (

=
avec
) Im(
) Re(
) Im(
) Re(
) (
) (
,
) (
, ) (
) (
p
l
p
l Z
p
l Z p
l
Z
Z
t
t
Z c
p
l
+ =
) arg(
) (
) ( ) (
p
l
Z
p
l
p
l
c Z = |
(
(
(

|
|
|
.
|

\
|
+

+ =
+
p c Z
c Z
c Z signe
Mk
i c Z c Z
p
l
p
l
p
l
p
l
p
l
Z
p
l
Z
p
l
Z
p
l
p
l
Z
p
l
Z
p
l
/ 1
)) (Re(
2
1
exp
) (
) (
) ( ) ( ) (
) (
) (
) ( ) ( ) ( ) 1 (
|

= =
=
= O
i Z
i Z
) C(Z
P P P mediane P
Z C P
conv
l
conv
l
conv
l
median
l
N median
) (
) (
) (
) (
0
) 2 (
0
) 1 (
0 0
))) log( ),..., log( ), (log( exp(
avec )) ( , (
Air Systems Division 50
Flot de gradient dans le disque unit de Poincar
( )
) ( p
l
Z C
( )
) 1 ( + p
l
Z C
( )
) 1 ( ) 1 (
l l
z C =
( )
) 2 ( ) 2 (
l l
z C =
( )
) 3 ( ) 3 (
l l
z C =
( )
) 4 ( ) 4 (
l l
z C =
Air Systems Division 51
Rsultats sur le premier coefficient de rflexion
Superposition pour toutes
les cases distances des
moyennes et mdianes
locale, avec les points de
donnes
Air Systems Division 52
Equation de la chaleur de Joseph Fourier
Les quations diffrentielles de la propagation de la
chaleur expriment les conditions les plus gnrales, et
ramnent les questions physiques des problmes
danalyse pure, ce qui est proprement lobjet de la thorie ...
Les formes des corps sont varies linfini, la distribution de
la chaleur qui les pntre peut tre arbitraire et confuse;
mais toutes les ingalits seffacent rapidement et
disparaissent mesure que le temps scoule. La marche du
phnomne devenue plus rgulire et plus simple, demeure
enfin assujettie une loi dtermine qui est la mme pour
tous les cas, et qui ne porte plus aucune empreinte sensible
de la disposition initiale ... .Les thories nouvelles,
expliques dans notre ouvrage sont runies pour toujours
aux sciences mathmatiques et reposent comme elles sur
des fondements invariables; elles conserveront tous les
lments quelles possdent aujourdhui, et elles acquerront,
continuellement plus dtendue.
Joseph Fourier (1768-1830), Discours prliminaire la thorie
analytique de la chaleur
J. Fourier
Air Systems Division 53
quation de diffusion & godsique
quation de diffusion sur un graphe 1D de donnes scalaires
Dans un espace vectoriel norm dans le cas unidimensionnel,
lquation de diffusion scrit via le Laplacien discret:
avec la moyenne arithmtique :
Lquation de Fourier discrtise peut galement scrire :
Par analogie sur la base du flot de Karcher, il est possible
dcrire une quation de diffusion sur un graphe 1D de matrices,
via la moyenne gomtrique des voisins :
( )
n n
n n n n
u u
x x
u u
x
u u
x t
u
x
u
t
u

V
=
|
.
|

\
|
V

V
=
c
c

c
c
=
c
c
+

2 1
2
1 1
2
2
( ) 2 /

1 1 +
+ =
n n n
u u u
| |
2
, , , ,
2
, 1
2
avec

. ). 1 (

2
x
t
u u u u
x
t
u u
t n t n t n t n t n n,t
V
V
= + =
V
V
+ =
+

t n
A
,

( )
t n t n
A A
, 1 , 1
,
+
( )
( )
( )
2 / 1
, 1
/2 1
2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, 1 ,
2
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
,
2 / 1
,

log
2
2 / 1
, 1 ,

et
x
t 2
avec

2 / 1
, ,
2 / 1
,
2
t n t n t n t n t n t n
t n t n t n t n t n t n
X X X
x
t
t n t n
X X X X X X
X X X X X X e X X
t n t n t n
+

+ +

V
V
+
=
V
V
=
= =

J. Fourier
Air Systems Division 54
Equation de diffusion sur un graphe 1D scalaire
Equation de diffusion sur un graphe 1D de donnes scalaires
J. Fourier
t n
u
,
t n t n t n
u u u
, 1 2 / 1 , 1 ,

+
- =
t n
u
, 1
t n
u
, 1 +
| | 1 , 0
. ). 1 (
e
+ = -

v u v u
t
t+1
distance
t n
u
, t n
u
, 1 t n
u
, 1 +
t n
u
,

1 + n,t
u
temps
t n t n t n
u u u
, , 1 ,

- =
+
1
0
2

et
2
avec

. ). 1 (
, 1 , 1
,
2
, , 1
t n t n
t n
t n t n n,t
u u
u
x
t
u u u
+
+
+
=
V
V
=
+ =


Air Systems Division 55
Equation de diffusion sur un graphe 1D de matrices
Equation de diffusion sur graphe 1D de matrices SPD
( )
( )
( )
2 / 1
, 1
/2 1
2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, 1 ,
2
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
,
2 / 1
,

log
2
2 / 1
, 1 ,

et
x
t 2
avec

2 / 1
, ,
2 / 1
,
2
t n t n t n t n t n t n
t n t n t n t n t n t n
X X X
x
t
t n t n
X X X X X X
X X X X X X e X X
t n t n t n
+

+ +

V
V
+
=
V
V
=
= =

J. Fourier
t n
X
,
t n t n t n
X X X
, 1 2 / 1 , 1 ,

+
- =
t n
X
, 1
t n
X
, 1 +
( )
| | 1 , 0
2 / 1 2 / 1 2 / 1 2 / 1
e
= -

A BA A A B A
t
t+1
distance
t n
X
, t n
X
, 1 t n
X
, 1 +
t n
X
,

1 + n,t
X
temps
t n t n t n
X X X
, , 1 ,

- =
+
1
0
Air Systems Division 56
quation de diffusion : contrainte de discrtisation
Une premire remarque concernant une contrainte qui apparat :
| |
| |
| |
v f f
f
f
f
T x
t
x
v v
x u u u u
u u u u
u
x
t
u u u u
x
t
u u
E
E
E
E
t n t n t n t n
t n t n t n t n
n,t
t n t n t n t n t n n,t
< < < = = V
V
V
= <
V
<

<
<
e
V
V
= + =
V
V
+ =
+
+
2 4
2
avec
1
Shannon on vrifie Si
posant en
2
soit 1

si ,

si

,
2
avec

. ). 1 (

2
max max
, , , ,
, , , ,
1
2
, , , ,
2
, 1


Air Systems Division 57
quation de diffusion : Du discret au continu
Lquation de diffusion discrte sur un graphe 1D de matrices
symtriques ou hermitiennes dfinies positives est donne par :
Pour remonter lquation continue de diffusion, il faut utiliser
lquation de Campbell-Hausdorff :
( )
( )
( )
2 / 1
, 1
/2 1
2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, 1 ,
2
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
,
2 / 1
,

log
2
2 / 1
, 1 ,

et
x
t 2
avec

2 / 1
, ,
2 / 1
,
2
t n t n t n t n t n t n
t n t n t n t n t n t n
X X X
x
t
t n t n
X X X X X X
X X X X X X e X X
t n t n t n
+

+ +

V
V
+
=
V
V
=
= =

( ) | | | | | | | | | |
| | YX XY Y X
X Y Y Y X X Y X Y X e e
Y X
=
> +
+ + + + =
, avec
4 degr de termes
, ,
12
1
, ,
12
1
,
2
1
log
Air Systems Division 58
quation de diffusion anisotrope
Regardons maintenant le cas anisotrope classique :
Dans le cas gnral diffusion sur une varit, lquation de diffusion
de Laplace-Beltrami scrit :
Mtrique :
quation de diffusion :
Dans le cas 1D isotrope :
Dans le cas 1D anisotrope :
soit :
2
2
2 2
x
u
t
u
dx ds
c
c
=
c
c
=
| |
N
j i
j i
N
k
j i j i
g g dx dx g ds
1 ,
,
1
,
2
avec
=
=
= =

| |
N
j i
j i
j i
j
ij
i
g g
x
u
g g
x
g
t
u
1 ,
, 1
,
avec ) det(
) det(
1
=

=
|
|
.
|

\
|
c
c
c
c
=
c
c

2
2
2 2 2
1 dx
x
u
du dx ds
|
|
.
|

\
|
|
.
|

\
|
c
c
+ = + =
|
|
.
|

\
|
|
.
|

\
|
c
c
+ =
2
1
x
u
g
|
|
|
.
|

\
|
c
c
|
|
.
|

\
|
|
.
|

\
|
c
c
+
c
c
|
|
.
|

\
|
|
.
|

\
|
c
c
+ =
c
c

x
u
x
u
x x
u
t
u
2 / 1
2
2 / 1
2
1 1
Air Systems Division 59
Diffusion anisotrope
Diffusion
isotrope
Diffusion
anisotrope
Air Systems Division 60
diffusion anisotrope sur un graphe de matrices
Dans le cas 1D anisotrope, par analogie sur un graphe de
matrices :
Pour la distance , on prend :
( )
( )
( )
( )
( )
( ) ( )
( ) ( )
2 / 1
2
, 1 ,
,
2 / 1
2
, , 1
,
2 / 1
2
, 1 , 1
,
2
, , ,
, ,
,
2 / 1
, 1
2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, 1
2 / 1
, 1
log
2 / 1
, 1 ,
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
,
2 / 1
,

log
2 / 1
, 1 ,
,
1 et
,
1
,
1 ,
.
,

avec

2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, ,
2 / 1
,

+ +

+
+
+
+
+

+ + + +

+
|
|
.
|

\
|
|
|
.
|

\
|
V
+ =
|
|
.
|

\
|
|
|
.
|

\
|
V
+ =
|
|
.
|

\
|
|
|
.
|

\
|
V
+ =
V
+ V
=
+
=
= =
= =

+

x
X X d
x
X X d
x
X X d
x
t
X X X X X X e X X
X X X X X X e X X
t n t n
t n
t n t n
t n
t n t n
t n
t n t n t n
t n t n
t n
t n t n t n t n t n t n
X X X
t n t n
t n t n t n t n t n t n
X X X
t n t n
t n t n t n
t n t n t n
o o
o
o o o

o o
o
|
|
|

( ) ( ) ( )
( ) 0 det et
log log ,
2 1
1
2 2 / 1
1 2
2 / 1
1 2 1
=
= =

=

X X
X X X X X d
M
i
i
F

Air Systems Division 61


Diffusion Isotrope Simulation
Air Systems Division 62
Diffusion anisotrope Simulation
Air Systems Division 63
Les diffrentes diffusion 50 itrations
Air Systems Division 63
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
Diffusion classique Diffusion mdianage
Diffusion
Isotrope
Diffusion
Anisotrope
Air Systems Division 64
Les diffrentes diffusions
64
Diffusion Isotrope
Diffusion Anisotrope
Medianage Isotrope Medianage Anisotrope
Moyennage Isotrope Moyennage Anisotrope
Air Systems Division 65
Les 2 sources gomtriques
Gomtrie de linformation & Gomtrie des cnes
symtriques
Ces 2 gomtries ont de multiples liens avec les travaux de Carl Ludwig
Siegel (1896-1981) en Gomtrie symplectique :
Gomtrie des domaines
borns symtriques
Thorie des groupes
de Lie semi-simples
Elie Cartan 1930
Thorie des algbres
de Jordan
M. koecher 1960
quivalence
des 2 approches :
Construction
de kantor-Koecher-Tits
(c.f. I. Satake 1980)
Gomtrie de linformation
(Rao/Chentsov)
Gomtrie Symplectique
(Carl Ludwig Siegel)
Air Systems Division 66
Rfrences Bibliographiques
[1] F. Barbaresco & G. Bouyt, " Espace Riemannien symtrique et gomtrie des espaces de matrices de covariance : quations de diffusion et calculs de
mdianes" , colloque GRETSI'09, Dijon, Sept. 2009
[2] F. Barbaresco, " New Foundation of Radar Doppler and Array Processing based on German Mathematical Works: Geometry of Metric Spaces with
negative curvature and Von-Mangoldt-Cartan-Hadamard Manifolds" , IRS'09, Hamburg, Sept. 2009
[3] F. Barbaresco, Interactions between Symmetric Cone and Information Geometries ,LIX Fall Colloquium ETCV08, Ecole Polytechnique,Springer
Lecture Notes in Computer Science, vol.5416, pp. 124-163, 2009, http://www.springerlink.com/content/978-3-642-00825-2
[4] F. Barbaresco, Applications of Information Geometry to Radar Signal Processing , Video Lectures, http://videolectures.net/etvc08_barbaresco_aoigt/
[5] M. Arnaudon and X. Li, Barycentres of measures transported by stochastic flows , Ann. Probab. 33, no. 4, pp.1509-1543, 2005
[6] C.L. Siegel, Symplectic Geometry, Acad. Press, 1964
[7] M. mery, G. Mokobodzki, Sur le barycentre d'une probabilit dans une varit . Sminaire de probabilits de Strasbourg, n 25, p. 220-233, 1991
[8] H. Karcher, Riemannian center of mass and mollifier smoothing , Comm. Pure Applied Math., 30,pp.509-541,1977
[9] A. Terras, Harmonic Analysis on Symmetric Spaces and Applications II, Springer-Verlag, 1988
[10] V. Arsigny Log-Euclidean metrics for fast and simple calculus on diffusion tensors, in Magnetic Resonance in Medicine, Volume 56 Issue 2, Pages
411 - 421, Jun 2006.
[11] M. Calvo, J. Oller, A distance between multivariate normal distributions based in an embedding into the Siegel Group , Journal of Multivariate
Analysis, vol.35, pp. 223-242, 1990
[12] M. Calvo, J. Oller, An explicit solution of information geodesic equations for the multivariate normal model , Statistics and Decisions., vol.9, pp.
119-138, 1991
[13] Huiling Le, Estimation of Riemannian Barycenters , Proc. London Math. Soc., pp. 193-200, 2004
[14] Harris, W. F., The average eye , Ophthalmic Physiol. Opt., n24, pp. 580585, 2004
[15] H.C.F. von Mangoldt, ber diejenigen Punkte auf positiv gekrmmten flchen, welche die eigenschaft haben, dass die von ihnen ausgehenden
geodtischen Linien nie aufhren, krzeste Linien zu sein , J. Reine Angew.Math., n91, pp.23-52, 1881
[16] E. Khler, ber eine bemerkenswerte Hermitesche Metrik , Abh., Math. Sem. Hamburg Univ., n9, pp.173-186, 1933
[17] K. T. Sturm, Probability measures on metric spaces of nonpositive curvature . Contemp. Math. 338 , 357-390, 2003
[18] E. Cartan, " Sur les domaines borns homognes de l'espace de n variables complexes" , Abh. Math. Semin. hamb. Univ., n11, pp.116-162, 1935,
www.numdam.org
[19] C.R. Rao, " Information and Accuracy attainable in the estimation of statistical parameters" , Bull. Calcutta Math. Soc., n37, pp.81-91, 1945
[20] S. Yoshizawa and K. Tanabe, " Dual Differential Geometry associated with the Kullback-Leibler Information on the Gaussian Distributions and its 2-
parameter Deformations" , SUT Journal of Mathematics, vol.35,n1, pp.113-137, 1999
[21] T.Ando and al., " Geometric Means" , Linear Algebra Appl., vol.385, pp.305-334, 2004
[22] F. Bruhat and J. Tits, Groupes rductifs sur un corps local , IHES, n41, pp.5-251, 1972
[23] H. Cartan, " Ouverts fondamentaux pour le groupe modulaire" ,Sminaire Henri Cartan, tome n10, n1, exp.n3, p.1-12, 1957
[24] N.N. Chentsov, " Statistical Decision Rules and Optimal Inferences" , Trans. of Math. Monog., n53, Amer. Math. Society, Providence, 1982
[25] J. Faraut and A. Koranyi, " Analysis on Symmetric Cones" , Oxford University Press, 1994
[26] K. Koufany, " Analyse et Gomtrie des domaines borns symtriques" , HDR, Institut de Mathematiques Elie Cartan, Nancy, Nov. 2006
[27] C. P. Niculescu, An Extension of the Mazur-Ulam Theorem , American Institute of Physics Proc., vol. 729, n248-256, 2004
[28] M. Berger, Panoramic View of Riemannian Geometry , Springer, 2004
Air Systems Division 67
Contributions des mathmaticiens franais
M. Gromov,"Hyperbolic groups". Essays
in group theory. Math. Sci. Res. Inst. Publ.
8. New York: Springer. pp. 75263, 1987
M. Frchet, Lintgrale abstraite dune fonction
abstraite dune variable abstraite et son application la
moyenne dun lment alatoire de nature
quelconque, Revue Scientifique, pp. 483-512, 1944
J. Hadamard, Les surfaces courbures opposes et leurs
lignes godsiques , J. Math, sr. 5, 4, pp.27-73, 1898
E. Cartan, Leons sur la gomtrie des
espaces de Riemann , 2nd dition, revue et
augmente. Paris, Gauthier-Villars, 1946
F. Bruhat and J. Tits, Groupes rductifs sur un
corps local , IHES, n41, pp.5-251, 1972
Air Systems Division 68
Contributions des mathmaticiens allemands
H. Karcher, Riemannian center of mass
and mollifier smoothing, Comm. Pure
Applied Math., 30,pp.509-541,1977
E. Khler, ber eine bemerkenswerte
Hermitesche Metrik, Abh., Math. Sem. Hamburg
Univ., n9, pp.173-186, 1933
K. T. Sturm, Probability measures on metric spaces of
nonpositive curvature. In vol.: Heat kernels and analysis on
manifolds, graphs, and metric spaces, Contemp. Math. 338 ,
357-390, 2003
C.L. Siegel, "Symplectic Geometry",
Academic Press, New York, 1964
H.C.F. von Mangoldt, ber diejenigen Punkte
auf positiv gekrmmten flchen, welche die
eigenschaft haben, dass die von ihnen
ausgehenden geodtischen Linien nie aufhren,
krzeste Linien zu sein, J. Reine Angew.Math.,
n91, pp.23-52, 1881
Air Systems Division 69
Contributions des mathmaticiens italiens
L. Galvani and C. Gini Di talune estensioni dei
concetti di media ai caratteri qualitativi ,
Metron, 8, 3209, 1929
C. Gini, Luomo medio , Giornali degli
economiste e revista de statica, n48, pp.1-24,
1914
C. GINI, Di una formula comprensiva delle
medie , Metron 13 , 322, 1938
E. Torricelli, Opere di Evangelista Torricelli, G. Loria
and G. Vassura (Eds), Vol.I, 2me partie,
pp.90-97, Vol. III, pp.426-431, Faenza, 1919
B.F. Cavalieri, Exercitationes geometricae ,
Bologna, 1647
Air Systems Division 70
Contribution des mathmaticiens anglais
M.G. Kendall, Note on the estimation of a ranking ,
Journal of the Royal Statistical
Society, 105, 119, 1942
M.G. Kendall, Rank Correlation Methods , Londres,
Griffin, 1955
Air Systems Division 71
BOURBAKI Group : 60 years ago
Metric Measure
Space
Air Systems Division 72
M. Gromov, Hyperbolic Groups,
Essays in Group Theory, Math. Sci.
Res. Inst. Publ. 8, Newyork, pp.75-
263, 1987
IHES
Institut des Hautes Etudes
Scientifiques
Bures sur Yvettes
France
Mikhael GROMOV
Air Systems Division 73
QUESTIONS
``Constater que les thories les plus parfaites
sont les guides les plus srs pour rsoudre les
problmes concrets~; avoir assez confiance en
sa science pour prendre des responsabilits
techniques. Puissent beaucoup de
mathmaticiens connatre un jour ces joies trs
saines, quelques humbles qu'ils les jugent !'
Jean LERAY
Carl Ludwig Siegel
avec Georges Polya
Air Systems Division
Planches supplmentaires
Version Longue
Dtails des calculs
Air Systems Division
Introduction de la mtrique la
plus naturelle aux espaces de
matrices de covariance
Air Systems Division 76
La gomtrie de linformation pour les lois multivaries
gaussiennes de moyenne nulle et la gomtrie diffrentielle
intrinsque des matrices hermitiennes dfinies positives (cas
particulier de la gomtrie des espaces de Siegel) conduit la
mme mtrique :
Gomtrie de linformation :
Gomtrie du demi-plan suprieur de C.L. Siegel :
Mtrique et gomtrie pour les matrices de covariance
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
{ } 0 Im / ) , ( > = e + = = Y (Z) C n Sym iY X Z SH
n
( ) ( ) ( ) iY X Z Z d Y dZ Y Tr ds
Siegel
+ = =

avec
1 1 2

=
=
n
R i Y
X
.
0
| |
( )( )
| |
n n
n n n n n
R R Tr
n
n
n n
R R E
m Z m Z R
e R R Z p
n n
=
=
=
+

et
.

avec
. . ) ( ) / (
1
.
1
t
(
(

=
*
2
.
) / ( ln
) (
j i
n n
ij
Z p
E g
cu cu
u c
u
0 =
n
m
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
avec
Air Systems Division 77
La mtrique est dfinie :
Avantage vu de la Gomtrie de linformation :
mtrique invariante par changement non singulier de paramtrage
Mtrique tenant compte de la statistique des paramtres
Bonne mtrique au sens de la gomtrie de linformation
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
) ( ) ( ) (
2 2
u u ds w ds W w = =
( )( ) | |
u u u u u
u u u u u
u
u
d R d d I d ds
I E R
. . ). ( . et
Rao - Cramer de borne :

1 2
1
+ +

+
= =
>
(

=

Air Systems Division 78
La mtrique est dfinie :
Avantage vu de la Gomtrie de Siegel :
Les isomtries de lespace de Siegel sont donnes par le
groupe quotient
avec le groupe symplectique :
La seule mtrique invariante par est la mtrique de Siegel :
Bonne mtrique au sens de la gomtrie des matrices
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
n
SH
{ }
n
I R n Sp R n PSp
2
/ ) , ( ) , (
) , ( F n Sp
( )( )
1
) (

+ + =
|
|
.
|

\
|
= D CZ B AZ Z M
D C
B A
M

=
e
|
|
.
|

\
|
=
n
T T
T T
I B C D A
D B C A
F n Sp
D C
B A
M

symtrique et
) , (
{ } ) , 2 (
0
0
, / ) , 2 ( ) , ( R n SL
I
I
J J JM M F n GL M F n Sp
n
n
T
e
|
|
.
|

\
|

= = e
) (Z M
( ) ( ) ( ) Z d Y dZ Y Tr ds
Siegel
1 1 2
=
iY X Z + = avec

=
=
n
R i Y
X
.
0
( ) ( ) ( )
2
1 2
n n
dR R Tr ds

=
Air Systems Division 79
La mtrique est dfinie :
Distance associe :
Par intgration, on obtient :
Dans le cas gnral, pour lespace de Siegel
De la mtrique la distance
( ) ( ) ( )
2
1 2
dR R Tr ds

=
( ) ( ) ( )

=

= =
n
k
k
R R R R R d
1
2
2
2 / 1
1 2
2 / 1
1 2 1
2
log . . log ,
( ) 0 det
1 2
= R R
Avec
0 avec = e + = X SH iY X Z
n
( )
n
n
k
k
k
Siegel
SH Z Z Z Z d e
|
|
.
|

\
|
|
|
.
|

\
|

+
=

=
2 1
1
2
2 1
2
, avec
1
1
log ,

Avec
( ) 0 . ) , ( det
2 1
= I Z Z R
( ) ( )( ) ( )( )
1
2 1 2 1
1
2 1 2 1 2 1
,

= Z Z Z Z Z Z Z Z Z Z R
Air Systems Division 80
Dans le cas de lespace de Siegel :
Il suffit de remarquer que
la diffrentielle 2nd de en est donne par
lexpression :
De la mtrique la distance (suite)
( ) Z Z R Z ,
1
Z Z =
1
( ) ( )
1 1 1
1
2
. 2 / 1 ) ( 2

= = Y Z d dZY Z Z Z d Z Z dZ R D
( ) ( )( ) ( )( )
1
1 1
1
1 1 1
,

= Z Z Z Z Z Z Z Z Z Z R
( ) ( ) R D Tr Z d dZY Y Tr ds
2 1 1 2
. 2 = =

Air Systems Division 81
Espaces de H. Poincar et de C.L. Siegel
iy x z
dz dzy y
y
dz
y
dy dx
ds
-
+ =
= =
+
=

avec
* 1 1
2
2
2
2 2
2
( )
( ) ( )
*
1
*
1
* 2
2
2
2
2
1 1
1
dz zz dz zz ds
z
dz
ds

=

=
Demi-Plan suprieur de Poincare
Disque de Poincar
Demi-Plan suprieur de Siegel
Disque de Siegel
( )
iY X Z
dZ dZY Y Tr ds
+ =
=

avec
* 1 1 2
( ) ( ) | |
*
1
*
1
* 2
1 1 dZ ZZ dZ ZZ Tr ds

=
Air Systems Division 82
Utilisation dans lart de la gomtrie hyperbolique (Escher )
Air Systems Division 83
La gomtrie du demi-plan de Siegel
{ } 0 Im / ) , ( > = e + = = Y (Z) C n Sym iY X Z SH
n
Demi-Plan de Siegel
X
0 > Y
( ) ( ) ( ) Z d Y dZ Y Tr ds
1 1 2
=
( ) ( ) ( ) ( )

=
+ =
n
i
i i
Z Z d
1
2
2 1
2
1 / 1 log ,
k k k
Y i X Z . + =
1 = k
2 = k
( ) | |
2
1 2
dR R Trace ds

=
( )
k k k k
R N W R i Z , 0 si . =
1 = k
2 = k
( ) ( )

=
=
n
k
k
R R d
1
2
2 1
2
log ,
( ) ( )( ) ( )( )
1
2 1 2 1
1
2 1 2 1 2 1
,

= Z Z Z Z Z Z Z Z Z Z R
( ) 0 . . . det
2 / 1
1 2
2 / 1
1
=

I R R R
( ) ( ) 0 . , det
2 1
= I Z Z R
Air Systems Division
La source de la gomtrie de
linformation
Air Systems Division 85
Gomtrie de Chentsov & mtrique de Siegel
Fondements combinatoire de la divergence de Kullback
La divergence de Kullback peut apparatre naturellement sur des
bases combinatoires en utilisant la formule de Stirling :
( ) | | ) ( log ) , (
|
|
| e E E Sup q p K
q p
=
{ }
i
n
( )
[
=
=
M
i
i
n
i
M M M
n
q
N q q n n n P
i
1
1 2 1
!
! ,..., / ,..., ,
i
q

=
=
M
i
i
N n
1
N
n
p
i
i
=
+ ~

n quand . . 2 . . ! n e n n
n n
t
| | ) , ( log . log
1
1
q p K
q
p
p P
N
Lim
M
i
i
i
i M
N
=
(

=
+
Soit la loi multinomiale de N lments rpartis sur M niveaux
avec les a priori , et
En utilisant la formule de Stirling :
Fondements variationnels de la divergence de Kullback
Donsker et Varadhan ont propos une dfinition variationnelle de la
divergence de Kullback :
Air Systems Division 86
Gomtrie de Chentsov & mtrique de Siegel
Gomtrie de linformation et Divergence de Kullback (Rao, 1945)
La mtrique Riemannienne de linformation peut tre obtenue en faisant un
dveloppement de Taylor lordre 2 de la divergence de Kullback :
| | ( )
3
,
. ). (
! 2
1
) / ( ), / ( u u u u u u u d O d d g d x p x p K
j i
j i ij
+ = +

( ) ( )
( ) ( )
(
(

= =
}
j i j i
ij
.
x p
E .dx
.
x p
x p g
c c
u c
c c
u c
u u
/ log / log
/
2 2
Gomtrie de linformation et matrice de Fisher
La mtrique Riemannienne de linformation sidentifie la matrice
dinformation de Fisher I (u) :
( ) | |
( ) ( )
(
(

= =
j i
ij
j i
ij

x p
.

x p
E g g I
c
u c
c
u c
u u u
/ log / log
) ( et ) (
,
( ) ( ) | | ( ) ( ) | |
2
2
/ log / log . . u u u u u x p d E x p d Var d I d ds
T
= = =
La matrice de Fisher intervient dans la borne de Cramer-Rao :
( )( ) ( )
1


>
(

u u u u u I E
T
) ( ) ( ) (
2 2
u u ds w ds W w = =
Air Systems Division 87
Exemple du cas scalaire : distribution gaussienne
Distribution exponentielle : cas loi Gaussienne
La matrice de linformation de Fisher est donne par :
| |
|
|
.
|

\
|
= >
(

=

o
u u uu o u
m
I E I
T
et ) ( avec
2 0
0 1
. ) (
1 2
( ) ( )
(
(

+
|
.
|

\
|
= + = =

2
2
2
2
2
2
2
2
2
. 2 . 2 . . o o
o
o
o
u u u d
dm d dm
d I d ds
T
Cette matrice dfinit la mtrique dans lespace des paramtres :
.
2
o i
m
z + =
( ) 1 <
+

= e e
i z
i z
( )
2
2
2
2
1
. 8
e
e

=
d
ds
Il sagit du modle de Gomtrie hyperbolique de Poincar :
La gomtrie des
distributions
Gaussiennes est
celle du disque de
Poincar
Air Systems Division 88
Exemple du cas scalaire : distribution gaussienne
Distribution exponentielle : cas loi Gaussienne
La mtrique est donne comme suit avec , et en intgrant sur
une radiale :
On utilise ensuite la transformation suivante pour exprimer la mtrique
entre 2 points du disque unit :
La distance est finalement donne par :
r
r
d
r
dr
ds

+
=
|
.
|

\
|

=
1
1
ln . 2
1
. 8
2
2
2
) ( 0 et .
1
) (
.
t |
e t
t e
e | v
t

t
=

= =
j
e
{ } { } ( )
et .
2
1
) , ( avec
) , ( 1
) , ( 1
ln . 2 , , ,
2
2 2 1 1
2
i z
i z
i
m
z
m m D
+

= + =

=
|
|
.
|

\
|

+
=
e o
t e
t e
t e o
t e o
t e o
o o
e = r
Air Systems Division 89
Mtrique de Rao
| |
( )( ) | |
n n n n n n n
R R Tr
n
n
n n
R R E m X m X R
e R R X p
n n
= =
=
+

et .

avec
. . ) ( ) / (
1
.
1
t
| |
n j n n i n j n i
j i
n n
ij
m R m R R Tr
X p
E g c c c c
cu cu
u c
u . . .
.
) / ( ln
) (
1 1 +
+ =
(
(

=
n n n n n n n
R R R R I R R . . .
1 1
= = c c ( )( ) | |
1 1
. . . ) (

=
n j n n i n ij
R R R R Tr g c c u
(
(

|
|
.
|

\
|
|
.
|

\
|
=


j
j n j n
i
i n i n
d R R d R R Tr ds u c u c u . . . . . ) (
1 1 2
=


i
i n i n
d R dR u c
1 1
comme
( ) | | ( ) | |
2
1
2
1 2
n n n n
dR R Tr dR R Tr ds

= =
On considre le signal suivre une loi multivarie gaussienne circulaire :
La mtrique de Fisher est donne par :
On considre le processus de moyenne nulle :
then
On en dduit la mtrique de Rao :
Air Systems Division 90
Gomtrie diffrentielle duale de linformation
Gaussiennes multivaries de moyenne nulle
Ces distributions sont uniquement paramtres par la matrice de
covariance et la mtrique est celle de Carl Ludwig Siegel
( ) ( ) ( ) ( )
( )
T
AB Tr B A A A A
dRR R R d Tr dR R Tr ds
= =
= = =

, et , avec
log
2
2
2 / 1 2 / 1
2
2
1 2
Mtrique de
Carl Ludwig Siegel
Gaussiennes multivaries de moyenne non nulle
Les isomtries dans le cas de moyenne non nulle sont les
homomorphismes suivants :
( ) ( )
2
1 1 2
dR R Tr dm R dm ds
T
+ =
( ) ( ) ( )
( ) ) , ( x , avec '
isomtrie , ' , ' ,
2 2 2
R n GL R A a ds ds ds
RA A a m A R m R m
n
T T
e =
+ =

2 2
1 1 1
1
Alors
Comme

=
= =

R
R
ds ds
dR R R dR I R R
Invariance par rapport
linversion
( ) ( )
1
2
1
1 2 1
, ,

= R R D R R D
Air Systems Division 91
Gomtrie de Chentsov & mtrique de Siegel
De la mtrique de Siegel la distance de Siegel
la distance de Siegel dduite de sa mtrique est obtenue partir des
valeurs propres tendues dans le cas : { }
2 1
m m =
( ) ( ) ( )
( ) ( ) 0 det . . . det avec
log . . log ,
1 2
2 / 1
1 2
2 / 1
1
1
2
2
2 / 1
1 2
2 / 1
1 2 1
2
= =
= =

=

R R I R R R
R R R R R D
n
k
k

| |
T
AB Tr B A = E E = E , avec ,
2
Thorme de James
Lorsque , alors suit une loi du Khi-2
n.(n+1)/2 degrs de libert.
2 1
E = E
( )

=
n
k
k
n
1
2
log
2

Gnralisation de Swain (fonction de contraste)
Expression de la distance partir dune fonction de contraste C
3
sur
[0,[ :
( )

=
=
n
k
k
v R R D
1
2 1
2
) ( ,
1 , 0 si 0 ) ( et
2 / 1 ) ( ' ' , 0 ) 1 ( ' ) 1 (
= > >
= = =


v
v v v
( ) ( ) ) ( ) ( si , ,
1
2 1
2
2 1
2
= E E = E E v w D D
w v
2
2 / 1 2 / 1 2
= dRR R ds
Mtrique de Siegel
( )

=
+

=
1
1
. ) 1 ( ) log(
n
n
n
n
I A
A
Air Systems Division
La source de la gomtrie
intrinsque de lespace de
Siegel
Air Systems Division 93
Plan hyperbolique de Poincar
Oprations du groupe SL
2
R sur le plan hyperbolique
Les travaux de Carl Ludwig Siegel expos dans son ouvrage
Symplectic Geometry sont une gnralisation de SL
2
R sur le demi-
plan hyperbolique de Poincar
La transformation de Mbius est une action transitive qui transforme le
demi-plan complexe en lui-mme (espace homogne) :
M et M ont la mme action et ont considre laction du groupe
quotient :
Cet espace a galement un autre modle donn par le disque unit via
la transformation de Cayley :
{ } 0 ) Im( : et ) ( ,
2
> e = e
+
+
= e
|
|
.
|

\
|
= z C z H z
d cz
b az
z M R SL
d c
b a
M
2 2 2
/ I R SL R PSL =
{ }

1
1
et
1 :
z
z
i z
H D
i z
i z
z
D H
z C z D

< e =

1 - 1
i
- i
2
2
2
2 2
2
y
dz
y
dy dx
ds =
+
=
x
y
H
D
( )
2
2
2
2
1
4
z
dz
ds

=
Air Systems Division 94
Plan hyperbolique de Poincar
Oprations du groupe SL
2
R sur le plan hyperbolique
Ces modles peuvent tre compactifi (tel que chaque transformation
ait un point fixe) :
Toute matrice de SL
2
R, non gale +/-I
2
est conjugue dans GL
2
R
lune des 3 suivantes (transformations
hyperbolique/elliptique/parabolique) :
( ) { } { } { } 1 : ) ( et 0 ) ( : s e = > e = z C z D Cl z im C z H Cl
|
|
.
|

\
|

=
= = +
+ =
|
|
.
|

\
|
= =
|
|
.
|

\
|
= e =
+

a b
b a
g
b b a
ib a M
g M
g R M
ib a
0 , 1
) (
1 0
1 1
1 ) (
0
0
1 ) (
2 2
1
1
o
o

o

z z
2

1 + z z
a bz
b az
z
+
+

Point(s) fixe(s)
H c e , 0
H c e
H i e
Air Systems Division 95
Gomtrie Symplectique et Espace de Siegel
Dfinition du groupe Symplectique :
Le groupe Symplectique est dfini comme suit :
( )
{ }
n
T T T T
T T
T T
n
n
T
I B C D A D B C A
A C
B D
M F n Sp
D C
B A
M
R n SL
I
I
J J JM M F n GL M F n Sp
C R F F n M F n Sym
=
|
|
.
|

\
|


= e
|
|
.
|

\
|
=
e
|
|
.
|

\
|

= = e
= c

et s symtrique et
) , ( : e quivalent faon de
) , 2 (
0
0
, / ) , 2 ( ) , (
, s symtrique nxn matrices des espace : ) , ( ) , (
1
Siegel a introduit lespace SH
n
n
ime
demi-plan suprieur de Siegel .
SH
1
est le demi-plan suprieur hyperbolic H.
{ } 0 Im / ) , ( > = e + = = Y (Z) C n Sym iY X Z SH
n
Lespace de Siegel est lespace homogne correspondant au groupe
symplectique quotient par le sous-groupe compact
maximal . Le groupe
est une sous varit de
) , ( R n Sp
( ) ( ) n,R SO n,R Sp K
n
2
( )
n
K n,R Sp /
n n
U C n GL X
2 2
/ ) , 2 ( =
Air Systems Division 96
Gomtrie Symplectique et Espace de Siegel
Espace homogne
Le groupe est le groupe des
biholomorphismes de via les transformations de Mbius
gnralises :
n
SH
On montre que M(Z) appartient SH
n
:
{ }
n
I R n Sp R n PSp
2
/ ) , ( ) , (
( )( )
1
) (

+ + =
|
|
.
|

\
|
= D CZ B AZ Z M
D C
B A
M

>
=

> = e
=
(

+
+
=
(

=
(

0 ) Im(
symtrique
invertible
) 0 ) Im( , (
1
1
1
EF
EF
EF M(Z) F
Z Z Z SH Z
J JM M
D CZ
B AZ
F
E
I
Z
M
-
T
n
T
Laction du groupe symplectique sur SH
n
est transitive :
n
SH Z M e ) (
( )
iY X (iI)
X Z Z ZY Y Z
Y
XY Y
Y
Y
I
X I
Z
n
n
+ =

+
|
|
.
|

\
|
=
|
|
.
|

\
|
|
|
.
|

\
|

1
2 / 1 2 / 1
2 / 1
2 / 1 2 / 1
2 / 1
2 / 1
1
et
0 0
0
0
|
|

Air Systems Division 97
Gomtrie Symplectique et Espace de Siegel
Action sur le demi-plan de siegel
Si on utilise que : ( ) 0
2
1
) Im( , alors > = = e Z Z
i
Z Z Z SH Z
T
n
| |
| | | |
( )

>
=

> >
(

=
(

= =
(

=
(

=
(

+
+
=
(

=
(

(2) 0
2
1
(1)
0 Im car 0
2
1
2
1
car 0
et
E F F E
i
E F F E
(Z)
I
Z
J I Z
i F
E
J F E
i
Z Z
I
Z
J I Z J
F
E
J
F
E
J JM M
D CZ
B AZ
F
E
I
Z
M
T T
T T
T
T
( )
0 ) Im( ) 2 ( et symtrique ) 1 (
invertible 0 0 0 0 si
1 1
>
= = = =

EF EF
F v v E F F E v F v Fv
Air Systems Division 98
Gomtrie Symplectique et Espace de Siegel
Algbre Linaire Symplectique
Une matrice symplectique est de dterminant 1 :
Soit ,on appelle (et la transformation associe)
hyperbolique si M na aucune valeur propre sur le cercle unit
complexe :
Soit M une matrice Symplectique sans valeur propre de module unit,
alors M est symplectiquement similaire une matrice de la forme :
Le sous-groupe (matrices symplectiques orthogonales)
est caractris par des matrices de la forme :
( ) 1 det = M
n n
O R Sp
2 2

R Sp M
n 2
e
( ) { } n i M
i i
,..., 1 , 1 et = = = o
|
|
.
|

\
|
T
A
A
0
0
symtrique et avec B A I B B A A
A B
B A
T
n
T T
= +
|
|
.
|

\
|

Air Systems Division 99


Gomtrie Symplectique et Espace de Siegel
Mtrique de Siegel
Le groupe est le groupe des
biholomorphismes de via les transformations de Mbius
gnralises :
agit comme un sous-groupe disomtries :
n
SH
La distance associe est :
{ }
n
I R n Sp R n PSp
2
/ ) , ( ) , (
( )( )
1
) (

+ + =
|
|
.
|

\
|
= D CZ B AZ Z M
D C
B A
M
( ) ( ) ( ) iY X Z Z d Y dZ Y Tr ds
Siegel
+ = =

avec
1 1 2
) , ( R n PSp
( )
2 / 1
1
2
2 1
1
1
log ,
|
|
.
|

\
|
|
|
.
|

\
|

+
=

=
n
k
k
k
Siegel
r
r
Z Z d
Avec les r
k
les valeurs propres du bi-rapport :
( ) ( )( ) ( )( )
1
2 1 2 1
1
2 1 2 1 2 1
,

= Z Z Z Z Z Z Z Z Z Z R
Soit (A,B) et (C,D) deux pairs de points dans , alors il
existe une transformation symplectique qui transforme A en C et B en
D si et seulement si :
K R Sp
n
/
2
( ) ( ) j D C B A
j j
=


1 1
o o
( )( ) ( ) ( ) ( ) ( ) ( ) ( ) Z d Y dZ Y Tr Z d Y dZ Y Tr D CZ B AZ Z
1 1 1 ' 1
1
' ' ' '

= + + =
Air Systems Division 10
0
Gomtrie Symplectique et Espace de Siegel
Invariants diffrentiels dans lespace de Siegel
On cherche des expressions diffrentielles invariantes par le groupe
G=Sp(n,R) :
( )( )
1
'

+ + = D CZ B AZ Z
Etant donn Z=X+iY, les matrices les plus gnrales qui transforment
Z dans le point i.I
n
sont celles de la forme :
(

+

=
(

=
(


2 / 1 2 / 1 2 / 1
2 / 1 2 / 1 2 / 1
2 / 1
2 / 1 2 / 1
0 Y X Y Y
X Y Y Y
Y
X Y Y
D C
B A
o | |
o | o
o |
| o
( ) ( )( )
( ) ( )
n
t t
t
t
I B C D A
D CZ (Z) D Z C (Z')
D CZ dZ D CZ dZ
=

+ + =
+ + =


car
Im Im
'
1
1
1 1
( ) ( ) ( )
2 / 1 2 / 1
Z et Z , unitaire Y i D C Y i D C i | o | o | o + = + = +
On en dduit :
( ) ( ) ( )
( ) ( )
n
t
t
I (Z)Y Y i (Z)Y Y i Y ) (Z
i Y dZ Y i dZ
= = + = =
=

2 / 1 2 / 1
1
2 / 1 2 / 1
1
1
2 / 1 2 / 1
1
Im Im ' ' Im
'
| o | o
| o | o
ainsi que lidentit :
( ) ( )
( ) ( ) ( ) ( ) Z d dZY Y Tr Y Z d Y dZ Y Tr
Z d dZ Tr Z d Y dZ Y Tr
1 1 2 / 1 1 2 / 1
1 1
' ' ' ' ' '


= =
=
Air Systems Division 10
1
Gomtrie Symplectique et Espace de Siegel
Invariants diffrentiels dans lespace de Siegel
Nous venons de montrer que la formule diffrentielle (quadratique
hermitienne) suivante est invariante par le groupe G=Sp(n,R) :
( ) ( ) ( ) Z d Y dZ Y Tr ds
1 1 2
=
Cette expression dfinit un ds
2
hermitien dfini positif invariant par G.
Cette mtrique ds
2
est une mtrique Khlrienne
( ) ( )
( ) ( ) ( ) ( ) 0
2
1
1 1 1 1
1 1 1 1
= O . = O =
. = . = O


d Y d dX Tr Y d Y dY Y
dX dYY Y Tr Z d Y dZ Y Tr
i
Llment de volume dans lespace de Siegel invariant par G est
donn par:
( )
( )

<

. + . = O

=
=
i j i
ij ij ii ii
j i
ij
j i
ij
y x y x
y Y
x X
' 2 '
'
,
1
,
o o o o
|
|
.
|

\
|
.
|
|
.
|

\
|
[ [
s s j i
ij
j i
ij
y' x
En levant la puissance extrieure dordre n(n+1)/2, le volume
invariant par G est donn par :
Air Systems Division 10
2
Gomtrie Symplectique et Espace de Siegel
Mtrique de Siegel
agit comme un sous-groupe disomtries :
La bijection suivante relie la mtrique de Siegel la mtrique d
2
:
( ) ( ) ( ) iY X Z Z d Y dZ Y Tr ds
Siegel
+ = =

avec
1 1 2
( )
) , ( : avec
1
1
1
R n Sp SH
K Z Z
Sp(n,R)/K :SH
n
n
n n

|
|
) , ( R n PSp
( )
n Siegel
SH W Z W Z d W Z ds e = , ) ( ), ( 2 ) , (
1 1 2
| |
( )
B B A A
A B
B A
O iI Stab K O
T T
n n
= =
|
|
.
|

\
|

= = e
et avec
et
( )
|
|
.
|

\
|
=
|
|
.
|

\
|
|
|
.
|

\
|

2 / 1
2 / 1 2 / 1
2 / 1
2 / 1
1
0 0
0
0
Y
XY Y
Y
Y
I
X I
Z
n
n
|
( ) ( ) ( ) { } B A B A Max B A B A d
p
p
n
i
p
j p
1
1
1
1
/ 1
1
1
log , log log ) , (


=

|
.
|

\
|
=

o o o
Lien avec la mtrique d
p
:
Air Systems Division 10
3
Gomtrie Symplectique et Espace de Siegel
Autres modles de lEspace de Siegel
La compactification naturelle de est donne par le domaine
borne qui est une extension du disque unit de Poincar,
biholomorphe .
n
SH
{ } Z Z Z I Z Sym(n,C)/ Z SD
n
= < e =
2 2
avec
n
SD
La frontire de est appele frontire de Shilov, cest lensemble
des matrices nxn unitaires symtriques .
Les deux espaces sont relis par la transforme de Cayley :
n
SD
n
SH
n
SD
) (n USym
( )( )
1
2

n n
n n
iI Z iI Z Z
SD :SH

( )( )
1
1
2

Z I Z I i Z
SH :SD
n n
n n

Les biholomorphismes de sont donnes par les transformations


de Mbius gnralises induites par le sous-groupe :
n
SD
( ) ( )
{ }
{ }
n n
T
n n n n
SD Z U U UZU Z M
M R n Sp M Stab M
I I diag M I I diag M C n SL M n n SU
n n SU C n Sp R n Sp
e e =
= e e
= e

, , ) (
0 ) 0 ( / )' , ( ) 0 (
) , ( ) , ( / ) , 2 ( ) , (
, , )' , (
*
)' , ( R n Sp
Air Systems Division 10
4
Gomtrie Symplectique et Espace de Siegel
Autre modle de lespace de Siegel
Modle projectif de :
n
SH
(

n
n n
I
Z
Z
SPH :SH

3
(

+ +
=
(

+
+
=
(

|
|
.
|

\
|

n
n
I
D CZ B AZ
D CZ
B AZ
I
Z
D C
B A
1
) )( (
Remarque : matrice triangulaire suprieure
Soit G un sous-groupe de matrices triangulaires suprieures de type
bloks 2x2 dans alors G est gnr par les translations et les
congruences :
) , ( R n Sp
( )
|
|
.
|

\
|
= e =
|
|
.
|

\
|
= e + =
1
0
0
), , ( , ) (
0
), , ( , ) (
T
T
n
n
A
A
Q R n GL A AZA Z Q Z
I
B I
T R n Sym B B Z Z T Z

Air Systems Division 10


5
Gomtrie Symplectique et Espace de Siegel
Lien avec le cne symtrique
Pour nous ramener notre cas dtude, prenons x=0 :
|
|
.
|

\
|

=
0
0
n
n
I
I
J ( )
n
I PJ
2
2
=
|
|
.
|

\
|
=
(

= =
1
0
0
et avec
Y
Y
P
I
iY
L iL PJL
n
( )( ) 1 avec
1
< + =

W W Y I Y I W
n n
( ) ( ) ( ) dY Y dY Y Tr ds
1 1 2
=
0 ) Im( avec 0 > = = = Y Z ) (X iY Z
La correspondance entre les points de lespace de Siegel et les
matrices P symplectiques symtriques et positives :
Autre reprsentation de lespace de Siegel :
ds
2
hermitien dfini positif, dfinit une mtrique Khlrienne invariant
par G =Sp(n,R) :
Air Systems Division
Moyenne (gomtrique
symtrise) & Godsique
Air Systems Division 10
7
Moyenne Gomtrique de matrices dfinies positives
Rappel sur la moyenne gomtrique de nombres rels positifs
Dfinitions de la moyenne gomtrique de nombres rels positifs :
{ } { }
( )
( )
( )
x x F b a x F x
x x t x a b
dt
t dx
t x Lim ab
a
b
e b e a ab e
y x y x ab b ab a b a
b x
x a
x Max
ue) arithmtiq trique et que, gom (harmoni b a
b a
ab
b a
ab
b a
b a
b
b a
b a
a b b a a b Lim a Lim ab
b x xa
omtrique moyenne g ab x
t
y x
y x
n n
n
n n
n n
n n
n
n
n
log ) ( avec / 1 ) )( ( ' ' que tel 0 9)
0 ) 0 ( et ) ( / 1
) (
avec ) ( 8)
0
0
X : Mbius de e transform la de positif fixe point 7)
, avec 6)
/ log ) , ( avec ) , ( 2 ) , ( 2 ) , ( 5)
0 que tel 4)
, max
2
2
, min
2
et
2
et , avec 3)
de solution 2)
) 1
0
1
2
R x
1 1 0 0
1
= = >
> = = =
|
|
.
|

\
|
=
= = =
= = =
>
|
|
.
|

\
|
s
+
s s
+
s
+
=
+
= = = = =
=
=

+
e
+ +

o o o o
Air Systems Division 10
8
Moyenne arithmetico-gomtrique : C.F. Gauss
Gauss ( lge de 20 ans) & Lagrange indpendemment ont prouvs :
Moyenne arithmtico-gomtrique de a et b :
Est relie lintgrale :
La transformation de Landen donne :
( ) ( )
a a a a b b b b n
b a
b a
b a
b a
b a b
b a
a
b a b a b a
n n n n
n n
n n
n n
n n
n n n
n n
n
= s s s s s s s = >
>
|
.
|

\
|

=
|
.
|

\
|
+
=

=
+
=
= > >
+ +
+ +
+
+
0 1 1 0
2 2
2
1
2
1
1
1
0 0
... ... 0
0
2 2
2
et , , , 0
( )

+
=
= =
=
}

2 /
0
2 2 2 2
sin cos
) , (
) , (
avec
) , (
2 /
,
t
t
t b t a
dt
b a I
b Lim a Lim b a M
b a M
b a I
n
n
n
n
( ) ( )
( ) ( ) ( )
( )
|
.
|

\
|
+ =
+ =

+ =
=
|
.
|

\
|
+
=
}
t
a
b
Arc t u
dt t b t a b a J
b a abI b a J b a J
b a I ab
b a
I b a I
tan tan : nsf. Landen tra
sin cos , avec
, , , 2
, ,
2
,
2 /
0
2 2 2 2
1 1
1 1
t
4.J(a,b) : Primtre de lellipse
de demi-axes a et b
Air Systems Division 10
9
Moyenne Gomtrique de matrices dfinies positives
Extension de la moyenne gomtrique des matrices
dfinies positives :
Le procd itratif prsent pour les nombres rels positifs stend aux
matrices symtriques dfinies positives :
( ) ( ) 2 / et 2
, avec
1
1
1 1
1
0 0
n n n n n n
n
n
n
n
B A B B A A
B B A A B Lim A Lim B A
+ = + =
= = = =
+

La moyenne gomtrique est solution de lquation de lEDP :

e
=
= e
+ +


+ +
Sym X
X XA B
dt
dX
t X Lim B A Sym B A
t
) 0 (
avec ) ( , ,
1

La moyenne gomtrique est solution de :


0 t.q. (Loewner) matrice grande plus , , >
|
|
.
|

\
|
e
+ +
B X
X A
B A Sym B A
La moyenne gomtrique est galement donne par :
) det( log ) ( avec ) )( ( ' '
1 1
X X F B AX X A X F = = =

Air Systems Division 11
0
( ) ( )
2 / 1
2 / 1
2 / 1 2 / 1 2 / 1
2 / 1
2 / 1 2 / 1 2 / 1 2 / 1
2 / 1 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1
2 / 1 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1 1
) )( (
) (
A BA A A X BA A XA A
BA A XA A XA A
BA A A X A XA A B X XA



= =
=
= =
moyenne gomtrique symtrise
La moyenne qui apparat est bien une matrice symtrique ou
hermitienne dfinie positive :
Il sagit bien du barycentre de Frchet, qui minimise :
On peut remarquer que quand les matrices commutent, il sagit de la
moyenne gomtrique classique :
qui nest pas symtrique dfinie positive
Une autre faon de retrouver la moyenne gomtrique symtrise
consiste la trouver comme solution de lquation de Ricatti :
( )
2 / 1
2 / 1
2 / 1 2 / 1 2 / 1
A BA A A B A

=
( ) ( )
|
.
|

\
|
+

2
2 / 1 2 / 1
2
2 / 1 2 / 1
log log XB B XA A Min
X
( )
2 / 1
AB B A =
Air Systems Division 11
1
Moyenne de 2 matrices dfinies positives
Pourquoi la moyenne gomtrique plutt que la moyenne
arithmtique :
La Moyenne arithmtique ne tient pas en compte du fait que les
matrices sont des estims statistiques :
Pour un modle de loi multivarie gaussienne, la variance de la
matrice R est proportionnelle R. Pour tenir compte de cette variance
pour la moyenne arithmtique, il faut considrer linverse de cette
matrice qui fait intervenir le dterminant suivant qui na aucune raison
davoir un bon comportement :
En revanche pour la moyenne gomtrique :
Elle tient compte de la variance de la matrice
2

B A
R
ue arithmtiq
+
=
| |
1
2 / ) ( det

+ B A
( ) ( )
2 / 1
commutent B et A
2 / 1
2 / 1
2 / 1 2 / 1 2 / 1
AB B A A BA A A B A = =


( ) ( ) ( )
2 2
2
1 2
) (
u
u
ds ds
w
dR R Tr ds
w
=

O =
=

Air Systems Division 11
2
Godsique
On en dduit lexpression de la godsique
( ) ( )
2
2 / 1 2 / 1
2
) ( log ) ( ,

= A t A t A D
( )
B A
B A
t A BA A A t
t
=
= =
s s =

) 2 / 1 (
) 1 ( et ) 0 (
1 0 avec ) (
2 / 1 2 / 1 2 / 1 2 / 1

) (t t ] 1 , 0 [ e t
) , ( . )) ( , ( B A D t t A D =
) 2 / 1 ( = B A
Air Systems Division 11
3
Mthodes rcursives du calcul de la racine carre
Itration de Denman-Beabers :
Itration de Schultz (sans inversion de matrice) :
Mthode de Bjrk via la dcomposition de Schur :
Racine Carre dune matrices dfinies positives
|
|
.
|

\
|
(

+
(

=
(

+
+
+
0
0
0
0
2
1
0
0
1
1
1
1
1
k
k
k
k
k
k
k
Y
Z
Z
Y
Z
Y
X
(

=
0
0
0
I
A
X avec
alors
(

=


0
0
2 / 1
2 / 1
A
A
X Lim
k
k
) 3 (
2
1
0
0
2
1
1
1 k k
k
k
k
X I X
Z
Y
X =
(

=
+
+
+
T AQ Q =
+
Avec T triangulaire suprieure
Par rcurrence, on calcule :
+
= = QUQ A T U
2 / 1 2
Air Systems Division 11
4
Moyenne Gomtrique de matrices dfinies positives
Moyenne de N matrices symtriques dfinies positives :
Comment tendre les approches prcdentes pour trouver la dfinition
dune moyenne sur N matrices symtriques dfinies positives. Une
approche nave consisterait faire :
( )
( )
( )
non valide e B et
2)
pas commutent ne les si
positives dfinies s symtrique pas sont ne
... ) 1
A
2 / 1
1
2 / 1
2 / 1
1 2
2 / 1
1
2 / 1 2 / log log
/ 1
2 1
1
2 1
B
A A
i
N
N
e A
A A A A A e
A
A A A
> >
=
+
Lextension de la dfinition de la moyenne de N matrices
Symtriques dfinies positives est un problme ouvert
Air Systems Division 11
5
Moyenne Gomtrique de matrices dfinies positives
Moyenne de 3 matrices symtriques dfinies positives :
Une premire ide pour 3 matrices propos par Denes Petz en utilisant
une rcursion interprte comme une procdure de symtrisation :
( )
( )
n
n
n
n
n
n
n n n n n n n n n
C Lim B Lim A Lim C B A G
C B C C A B B A A
C C B B A A
A BA A A B A

+ + +

= = =

= = =
= = =
=
, ,
, ,
, ,
1 1 1
1 1 1
2 / 1
2 / 1
2 / 1 2 / 1 2 / 1

Air Systems Division 11


6
Moyenne Gomtrique de matrices dfinies positives
Moyenne de N matrices symtriques dfinies positives :
Une extension de la moyenne gomtrique N matrices dfinies
positives a t propose rcemment par T. Ando sur la base des
proprits suivantes :
( )
( ) ( )
( )
{ } { } { }
{ }
( ) ( )
( )
( ) ( ) ( )
( ) ( )
( ) ( )
3 / 1
1
1 1 1
2 2 2 1 1 1
2 1 2 1 2 1
* * * *
0 0 0 0 0 0
3 / 1
3 / 1
det . det . det , , det : P9
, , , , : P8
1 0 avec , , 1 , ,
) 1 ( , ) 1 ( , ) 1 ( : P7
, , , , , inversible : P6
) , , ( ) , , (
monotones tes dcroissan squences , , : P5
) , , ( ) , , ( , , Si : P4
) , , ( ) , , ( alors
) , , ( de n permutatio ) , , ( : P3
0 , , avec ) , , ( , , : P2
) , , ( et
) , , ( alors commutent et Si : P1
C B A C B A G
C B A G C B A G
C B A G C B A G
C C B B A A G
S C B A G S CS S BS S AS S G S
C B A G C B A G
C B A
C B A G C B A G C C B B A A
C B A G C B A G
C B A C B A
C B A G C B A G
A A A A G
ABC C B A G C A,B
n
n n n
n n n
=
=
< < +
> + + +
=

> > > >
=

> =
=
=


t
| o o| | o
Air Systems Division 11
7
Moyenne Gomtrique de matrices dfinies positives
Moyenne de N matrices symtriques dfinies positives :
T. Ando, C.K. Li et R. Mathias ont propos la procdure suivantes pour
N matrices :
( ) ( )
( )
( ) { }
( )
( ) ( ) ( ) ( )
( ) ( ) A A A Lim A A A A G
r A G A G A T A
A A A
A G
A A G
A A A A A A A G
r
r
k k
k i
r
i i
r
i
r r
k
l i i
k
~
,...,
~
avec
~
, ,...,
,... 2 , 1 , ) ( ,..., ) (
,...,
connu ) (
,..., : matrices k pour moyenne la t Connaissan
faire N ,..., 3 k Pour
,
) (
1 1
1
) (
1
) ( ) ( ) 1 (
1 1
) 1 (
1 k
1 l
1
2 / 1
1
2 / 1
2 / 1
1 2
2 / 1
1
2 / 1
1 2 1
= =

= = =
=
=
=

+
+ = =
+
+
+
=
=

Air Systems Division
Du Barycentre de Frchet au
Barycentre de Karcher
Air Systems Division 11
9
Problme rsoudre Barycentre de N matrices :
Moyenne barycentrique
Mediane (Point de Fermat-Weber)
Algorithmes de la moyenne/Mdiane : critre optimiser
( )

=
= =
N
k
k
X X
B X d X f X
1
, arg ) ( arg
min min
o
o
2 = o
( )

=
= =
N
k
k
X X
B X d X f X
1
2
2
, arg ) ( arg
min min
| | ( ) V T B X f grad
X
N
k
k X
e =

=

1
1
2
exp ) (
1 = o
( )

=
= =
N
k
k
A X
B X d X f X
1
1
, arg ) ( arg
min min
| |
( )
( )
V T
B X d
B
X f grad
X
N
k
k
k X
e =

=

1
1
1
,
exp
) (
( ) | | ( )
n X n
X f grad X
n
2 1
. exp c =
+
{ }
N
k
k
B
1 =
( ) | | ( )
n X n
X f grad X
n
1 1
. exp c =
+
Air Systems Division 12
0
Flot de gradient sur une varit
Air Systems Division
Moyennage de matrices
Air Systems Division 12
2
Moyenne de matrice
2 = o
( )

=
= =
N
k
k
X X
B X d X f X
1
2
2
, arg ) ( arg
min min
| | ( ) V T B X f grad
X
N
k
k X
e =

=

1
1
2
exp ) ( ( ) | | ( )
n X n
X f grad X
n
2 1
. exp c =
+
( ) ( )
2 / 1 2 / 1
2 / 1 2 / 1 2 / 1 2 / 1 1
2 / 1 2 / 1
) ( exp
log exp
X e X V
X UX X X U
VX X
X
X

=
=

( )
2 / 1
log
2 / 1
1
1
2 / 1 2 / 1
n
X B X
n n
X e X X
N
k
n k n
=
=

+
c
avec
( ) ( ) ( )
2 / 1 2 / 1 2 / 1 2 / 1 2
log , log ,

= X B X X B X B X d
k k k
avec
Air Systems Division 12
3
La godsique entre 2 matrices X et Y est donne par :
La moyenne est dfinie comme barycentre au sens de Frchet :
X
Y
Godsique et moyenne gomtrique symtrise
( )
( )
2 / 1 2 / 1 2 / 1 2 / 1 2 / 1 log 2 / 1
2 / 1 2 / 1
) ( X YX X X X e X t
t
YX X t
= =

( ) ( )
( )
( ) 2 / 1 log 2 / 1
2 / 1 . . 2 / 1
2 / 1 2 / 1 2 / 1 2 / 1 1
2 / 1 2 / 1
2 / 1 2 / 1
) , ( exp
) , ( exp
log exp ) (
X e X t v
X e X t v
X YX X X V V grad v
YX X t Y
X X
X v X t Y
X X
X
Y
X
Y
X
Y
X


=

=
= = =


( ) ( )
2 / 1
/2 1
2 / 1 2 / 1 2 / 1
2 / 1 X YX X X Y X

= =
Y X = = ) 1 ( et ) 0 (
| | 1 , 0 avec e t
Air Systems Division 12
4
Il sagit dun flot de gradient sur la varit
Algorithme par descente de gradient
La tangente en X la godsique rejoignant X B
k
La somme des tangentes en X des godsiques de X aux
( )
( )
( )
2 / 1 2 / 1 2 / 1 2 / 1
0
2 / 1 log 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1
log
) (
) (
2 / 1 2 / 1
X X B X X
dt
t d
X e X X X B X X t
k t
k
k
X B X t
t
k k
k
k k
k

=

=
= =

( )
2 / 1
1
2 / 1 2 / 1 2 / 1
1
0
log
) (
X X B X X G
dt
t d
G
N
k
k X
N
k
t
k
k
X
|
.
|

\
|
= =

=

=
=

{ }
N
k
k
B
1 =
Air Systems Division 12
5
Karcher Barycenter & Jacobi Field
( )
( ) 2 / 1 log 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1
2 / 1 2 / 1
) ( X e X X X B X X t
X B X t
t
k k
k

= =

( )
2 / 1 2 / 1 2 / 1 2 / 1
0
log
) (
X X B X X
dt
t d
k t
k

=
=

( )

= =

=
= |
.
|

\
|
=
N
k
N
k
k t
k
X X B X X
dt
t d
1
2 / 1
1
2 / 1 2 / 1 2 / 1
0
0 log
) (
1
B
2
B
3
B
4
B
5
B
6
B
Air Systems Division 12
6
Notations
Soit une godsique et on introduit une famille de
geodesiques , o y est fix.
soit et . Alors est une famille
de champ de Jacobi.
De plus, .
Ceci permet de calculer
et correspondent aux drives cocvariantes

)) ( exp ( exp ) , (
1
t s t s c
y y

=
) , ( t s c s
`

) , ( ' t s c
ds
d
c =
) , ( ' )) ( , ( t s c t y d =
) , ( ' ), , ( ' t s c t s c
dt
d
) , ( t s c
dt
d
c = `
dt
D
ds
D
Air Systems Division 12
7
Calcul du gradient
Par bilinarit, on trouve
En utilisant le fait que , et que (quation
godsique),
du au fait que ne dpend pas de s.
Alors,
comme
}
= =
1
0
) , ( ' ), , ( 2 ) , ( ' ), , ( ' 2 ) , ( ' ), , ( ' ds t s c t s c
ds
D
t s c t s c
dt
D
t s c t s c
dt
d
`
c
ds
D
c
dt
D
`
= ' 0 '= c
ds
D
' c
) , 1 ( ' ), , 1 ( ) , ( ' ), , ( 2 ) , ( ' ), , ( 2
1
0
1
0
t c t c ds t s c t s c
ds
d
ds t s c t s c
ds
D
` ` `
= =
} }
0 ) , 0 ( ' = t c
Air Systems Division 12
8
Calcul du gradient
Par dfinition de c, et
On conclue que
Ceci est valide pour tout chemin godsique , aussi
avec et , on obtient le rsultat final
) ( ) , 1 ( t t c
` `
=
) ( exp ) , 1 ( '
1
) (
y t c
t

=

) ( exp ), ( 2 ) , ( ' ), , ( '
1
) (
y t t s c t s c
dt
d
t

) ( exp 2 ) , (
1 2
y y x dist
x
x

= V
x = ) 0 ( 0 = t
Air Systems Division
Notion despace symtrique
Air Systems Division 13
0
En gomtrie riemannienne, un espace localement symtrique
est une varit riemannienne (M,g) telle que, (localement) autour
de chaque point x, il existe une symtrie
x
qui inverse les
godsiques issues de x et qui est une isomtrie (locale).
Un espace localement symtrique est dit symtrique si les
symtries peuvent se prolonger tout l'espace. De manire
quivalente, une varit riemannienne (M,g) est dite symtrique
lorsque, pour tout point x de M, il existe une isomtrie
x
:MM
vrifiant :

x
(x) = x ;
d
x
(x) = Id.
Cette isomtrie x est appele l'involution en x.
Proprits :
Tout espace symtrique est une varit riemannienne
godsiquement complte, donc complte en vertu du thorme de
Hopf-Rinow.
Il existe une et une unique involution en x.
Le tenseur de courbure d'une varit riemannienne est parallle.
Il sagit dun espace Riemannien symtrique
Air Systems Division 13
1
Pour lespace considr, la godsique entre deux matrices A et B
est donne par :
Pour lespace symtrique des matrices symtriques ou
hermitiennes dfinies positives, pour chaque paire (A,B), il existe
une isomtrie bijective qui vrifie :
et
Cette isomtrie a un unique point fixe Z qui est donn par le milieu
de (A,B), cest dire la moyenne gomtrique prcdemment
dfinie :
avec
Et les proprits : et
Ceci est diffrent de lapproche classique en traitement du signal
qui suppose un espace norm euclidien :
avec et
Il sagit dun espace Riemannien symtrique
( )
( )
| | 1 , 0 avec ) (
2 / 1 log . 2 / 1 2 / 1 2 / 1 2 / 1 2 / 1
2 / 1 2 / 1
e = =


t A e A A BA A A t
BA A t
t

) , ( B A
G

) , (
B A G
B A
=
) , (
A B G
B A
=
( ) ( ) Z X d X X G d
B A
, 2 ,
) , (
=
( ) ) ( X
-1
) , (
B A B A X G
B A
=
( )
2 / 1
2 / 1
2 / 1 2 / 1 2 / 1
A BA A A B A

=
( ) ( ) X -
) , (
B A B A X G
B A
- + - =
2
B A
B A
+
= -
F
B A
( ) ( )
) , (
B A B A G
B A
= ( )
) , (
I B A dG
B A
=
Air Systems Division 13
2
Godsique et moyenne gomtrique symtrise

) , (
A G B
B A
=
B G A
B A ) , (
= ( ) ( ) B A X B A X G
(A,B)
- + - =
X
( )
2
B A
B A
+
= -
Espace Norm : isomtrie
(approche traitement
du signal Classique)

) , (
A G B
B A
=
B G A
B A ) , (
=
( ) ) ( X
-1
) , (
B A B A X G
B A
=
X
( )
2 / 1
/2 1
2 / 1 2 / 1 2 / 1
A BA A A B A

=
Espace mtrique : isomtrie
( )
| | 1 , 0
) (
2 / 1 2 / 1 2 / 1 2 / 1
e
=

t
A BA A A t
t

Espace Norm : Godsique


A = ) 0 (
B = ) 1 (
A = ) 0 (
B = ) 1 (
( )
| | 1 , 0
) (
e
+ =
t
A B t A t
Espace mtrique : Godsique
Courbure nulle
Courbure ngative
Air Systems Division 13
3
La Messe est dite par Marcel Berger
Premier Miracle :
La thorie des espaces symtriques peut tre considre comme le premier miracle de la gomtrie
riemannienne, en fait comme un nud de forte densit dans larbre de toutes les mathmatiques.
On doit Elie Cartan dans les annes 1926 davoir dcouvert que ces gomtries sont , dans une
dimension donne, en nombre fini, et en outre toutes classes.
Second Miracle :
Entre les varits localement symtriques et les varits riemanniennes gnrales, il existe une
catgorie intermdiaire, celle des varits khlriennes. On a alors affaire pour dcrire le
panorama des mtriques khlriennes sur notre varit, non pas un espace de formes
diffrentielles quadratiques, trs lourd, mais un espace vectoriel de fonctions numriques (le
potentiel de Khler). La richesse Khlrienne fait dire certains que la gomtrie khlrienne est
plus importante que la gomtrie riemannienne.
Pas despoir dautre miracle :
Ne cherchez pas dautres miracles du genre des espaces (localement) symtriques et des varits
khlriennes. En effet, cest un fait depuis 1953 que les seules varits riemanniennes irrductibles
qui admettent un invariant par transport parallle autre que g elle-mme (et sa forme volume) sont
les espaces localement symtriques, les varits khlriennes, les varits khlrienne de Calabi-
Yau, et les varits hyperkhlriennes.
Marcel Berger (IHES), 150 ans de Gomtrie Riemannienne ,
Gomtrie au 20
ime
sicle, Histoire et horizons, Hermann diteur, 2005
Read More : Marcel Berger, A Panoramic View of Riemannian Geometry , Springer 2003
M. Berger
Air Systems Division
Mdianage de matrices
Air Systems Division 13
5
Mdiane de matrice
( ) ( )
2 / 1 2 / 1
2 / 1 2 / 1 2 / 1 2 / 1 1
2 / 1 2 / 1
) ( exp
log exp
X e X V
X UX X X U
VX X
X
X

=
=

( )
( )
( ) ( )
( ) 0 det et
log log avec
1
2 2 / 1 2 / 1
2 / 1
log
log
2 / 1
1
1
2 / 1 2 / 1
2 / 1 2 / 1
=
=

=

+
=


k n
M
i
i
F
n k n
n
X B X
X B X
n n
B X
X B X
X e X X
N
k
F
n k n
n k n

c
1 = o
( )

=
= =
N
k
k
X X
B X d X f X
1
1
, arg ) ( arg
min min
| |
( )
( )
V T
B X d
B
X f grad
X
N
k
k
k X
e =

=

1
1
1
,
exp
) (
( ) | | ( )
n X n
X f grad X
n
1 1
. exp c =
+
Air Systems Division 13
6
Mdiane plus robuste que moyenne
X : moyenne
: mdiane
La mdiane est insensible la prsence de points aberrants
tant quils restent minoritaires
La moyenne est immdiatement perturbe par la prsence de
points aberrants
Air Systems Division 13
7
Mediane et point de Fermat-Weber
Laplace (1774) :
Laplace a appele cette valeur le milieu de probabilit ou la valeur probable . Le
terme mediane a t introduit par Cournot dans lExposition de la thorie des chances
en 1883.
( ) m x E Min median dx x P
median
m
X
= =
}
5 . 0 ). (
0
Air Systems Division 13
8
Algorithme de gradient non convergent
Algorithme mdian par descente de gradient
Non diffrentiabilit aux points de donnes : problme de
convergence
En thorie : rgularisation au voisinage des points de donnes et
extraction diagonale (algorithme gnral adapt de Huiling Le, mais
long dexcution)
En pratique :
Assez souvent, les points donns entourent la mdiane :
convergence
Prendre un pas voisin de la prcision voulue (50 itrations
suffisent ici )
( )
( )
( ) ( )
( ) 0 det et
log log avec
1
2 2 / 1 2 / 1
2 / 1
log
log
2 / 1
1
1
2 / 1 2 / 1
2 / 1 2 / 1
=
=

=

+
=


k n
M
i
i
F
n k n
n
X B X
X B X
n n
B X
X B X
X e X X
N
k
F
n k n
n k n

c
Air Systems Division 13
9
Mediane : autre algorithme de gradient rgularis
Autre Algorithme Rgularis propos
Critre de minimisation rgularis
Rsolution itrative de problmes d'optimisation convexes
rgulariss, dont la suite des solutions converge vers la mdiane.
tape m :
Critre darrt :
( )
( )
( )
converge
converge converge converge
N
k
F
m k m
n m k n m
e convergenc
n m m
F
n m n m n m
n m
X B X
X B X
n m n m
n m m m
X X
X X X
X e X X
X X X
, 1 1
2 / 1
1 , 1 ,
2 / 1
1 , 1
2 / 1
, 1
log
log
2 / 1
, 1 1 , 1
, 0 , 1
alors
log : arrt
1
2 / 1 2 / 1
2 / 1
, 1
2 / 1
, 1
+ +

+ +

+ +
+ + + +
+
=
<

=
= =
=

+
,
c
( )
( )

=
+
=
N
k
k m
k
X
m
B X d
B X d
X
1
2
1
,
,
arg
min
( ) <

+
F
m m m
X X X
2 / 1
1
2 / 1
1
log
Air Systems Division
Equation de diffusion sur un
graphe de matrices
Air Systems Division 14
1
Equation de la chaleur de Joseph Fourier
Les quations diffrentielles de la propagation de la
chaleur expriment les conditions les plus gnrales, et
ramnent les questions physiques des problmes
danalyse pure, ce qui est proprement lobjet de la thorie ...
Les formes des corps sont varies linfini, la distribution de
la chaleur qui les pntre peut tre arbitraire et confuse;
mais toutes les ingalits seffacent rapidement et
disparaissent mesure que le temps scoule. La marche du
phnomne devenue plus rgulire et plus simple, demeure
enfin assujettie une loi dtermine qui est la mme pour
tous les cas, et qui ne porte plus aucune empreinte sensible
de la disposition initiale ... .Les thories nouvelles,
expliques dans notre ouvrage sont runies pour toujours
aux sciences mathmatiques et reposent comme elles sur
des fondements invariables; elles conserveront tous les
lments quelles possdent aujourdhui, et elles acquerront,
continuellement plus dtendue.
Joseph Fourier (1768-1830), Discours prliminaire la thorie
analytique de la chaleur
J. Fourier
Air Systems Division 14
2
quation de diffusion & godsique
quation de diffusion sur un graphe 1D de donnes scalaires
Dans un espace vectoriel norm dans le cas unidimensionnel,
lquation de diffusion scrit via le Laplacien discret:
avec la moyenne arithmtique :
Lquation de Fourier discrtise peut galement scrire :
Par analogie sur la base du flot de Karcher, il est possible
dcrire une quation de diffusion sur un graphe 1D de matrices,
via la moyenne gomtrique des voisins :
( )
n n
n n n n
u u
x x
u u
x
u u
x t
u
x
u
t
u

V
=
|
.
|

\
|
V

V
=
c
c

c
c
=
c
c
+

2 1
2
1 1
2
2
( ) 2 /

1 1 +
+ =
n n n
u u u
| |
2
, , , ,
2
, 1
2
avec

. ). 1 (

2
x
t
u u u u
x
t
u u
t n t n t n t n t n n,t
V
V
= + =
V
V
+ =
+

t n
A
,

( )
t n t n
A A
, 1 , 1
,
+
( )
( )
( )
2 / 1
, 1
/2 1
2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, 1 ,
2
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
,
2 / 1
,

log
2
2 / 1
, 1 ,

et
x
t 2
avec

2 / 1
, ,
2 / 1
,
2
t n t n t n t n t n t n
t n t n t n t n t n t n
X X X
x
t
t n t n
X X X X X X
X X X X X X e X X
t n t n t n
+

+ +

V
V
+
=
V
V
=
= =

J. Fourier
Air Systems Division 14
3
Diffusion isotrope par lquation de la chaleur de Fourier
2
2
2
2
y
u
x
u
u
t
u
c
c
+
c
c
= A =
c
c
Air Systems Division 14
4
quation de diffusion & godsique
quation de diffusion sur un graphe 1D de matrices
Interprtation gomtrique : A partir des godsiques
et entre , et :
Comme dans le cas euclidien
on remplace la moyenne pondre par un barycentre pondr
godsique :
( )
( )
( )
2 / 1
, 1
/2 1
2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, 1 ,
2
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
,
2 / 1
,

log
2
2 / 1
, 1 ,

et
x
t 2
avec

2 / 1
, ,
2 / 1
,
2
t n t n t n t n t n t n
t n t n t n t n t n t n
X X X
x
t
t n t n
X X X X X X
X X X X X X e X X
t n t n t n
+

+ +

V
V
+
=
V
V
=
= =

) (
1 ,
,

+ t n
t n
X
X
) (
,
,


t n
t n
X
X
t n
X
, 1 , + t n
X
t n
X
,

( ) ( )
2 / 1
, ,
2 / 1
,
2
2 / 1
, 1 ,
2 / 1
,

log
2
log

+

V
V
=
t n t n t n t n t n t n
X X X
x
t
X X X
t n
t n
t n
X
t n
X
t n
t n
t n
t n
X
X
X
X
X
X
T T
d
d
x
t
d
d
,
,
1 ,
,
,
,
1 ,
,

2
0
//
) (
.
2
) (

+
+

V
V
=
=
=
y x y x ) 1 ( . | |
|
+ = -
( )
2 / 1 2 / 1 2 / 1 2 / 1
A BA A A B A
|
|

= -
J. Fourier
Air Systems Division 14
5
quation de diffusion : contrainte de discrtisation
Une premire remarque concernant une contrainte qui apparat :
| |
| |
| |
v f f
f
f
f
T x
t
x
v v
x u u u u
u u u u
u
x
t
u u u u
x
t
u u
E
E
E
E
t n t n t n t n
t n t n t n t n
n,t
t n t n t n t n t n n,t
< < < = = V
V
V
= <
V
<

<
<
e
V
V
= + =
V
V
+ =
+
+
2 4
2
avec
1
Shannon on vrifie Si
posant en
2
soit 1

si ,

si

,
2
avec

. ). 1 (

2
max max
, , , ,
, , , ,
1
2
, , , ,
2
, 1


Air Systems Division 14
6
quation de diffusion : Du discret au continu
Lquation de diffusion discrte sur un graphe 1D de matrices
symtriques ou hermitiennes dfinies positives est donne par :
Pour remonter lquation continue de diffusion, il faut utiliser
lquation de Campbell-Hausdorff :
( )
( )
( )
2 / 1
, 1
/2 1
2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, 1 ,
2
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
,
2 / 1
,

log
2
2 / 1
, 1 ,

et
x
t 2
avec

2 / 1
, ,
2 / 1
,
2
t n t n t n t n t n t n
t n t n t n t n t n t n
X X X
x
t
t n t n
X X X X X X
X X X X X X e X X
t n t n t n
+

+ +

V
V
+
=
V
V
=
= =

( ) | | | | | | | | | |
| | YX XY Y X
X Y Y Y X X Y X Y X e e
Y X
=
> +
+ + + + =
, avec
4 degr de termes
, ,
12
1
, ,
12
1
,
2
1
log
Air Systems Division 14
7
quation de diffusion : Du discret au continu
Lquation de diffusion discrte r-crite via lquation de
Campbell-Hausdorff :
( ) ( ) ( ) ( )
( )
( ) ( )
( ) ( ) | |
( )
( )
( ) ( ) | |
2 / 1
, ,
2 / 1
,
2 / 1
, 1 ,
2 / 1
,
2
2 / 1
, ,
2 / 1
,
2
2 / 1
, 1 ,
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
, 1 ,
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
, 1 ,
2 / 1
,

log log

log log

log , log
1

log
2
log
0

log , log
2
1

log log
0 log
2 / 1
, ,
2 / 1
,
2 / 1
, 1 ,
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
, 1 ,
2 / 1
,

+


V
+
V
=
V

= +

= =

+

+

t n t n t n t n t n t n
t n t n t n
t n t n t n
t n t n t n t n t n t n
t n t n t n t n t n t n
X X X X X X X X X X X X
X X X X X X
x
X X X
x t
X X X
X X X X X X
X X X X X X
e e I e e
t n t n t n t n t n t n t n t n t n t n t n t n

c
c
c
c
+
c
c
=
c
c
2
2
2
2
log
,
log
2
log log
x
X
t
X dt
x
X
t
X
Air Systems Division 14
8
quation de diffusion anisotrope
Regardons maintenant le cas anisotrope classique :
Dans le cas gnral diffusion sur une varit, lquation de diffusion
de Laplace-Beltrami scrit :
Mtrique :
quation de diffusion :
Dans le cas 1D isotrope :
Dans le cas 1D anisotrope :
soit :
2
2
2 2
x
u
t
u
dx ds
c
c
=
c
c
=
| |
N
j i
j i
N
k
j i j i
g g dx dx g ds
1 ,
,
1
,
2
avec
=
=
= =

| |
N
j i
j i
j i
j
ij
i
g g
x
u
g g
x
g
t
u
1 ,
, 1
,
avec ) det(
) det(
1
=

=
|
|
.
|

\
|
c
c
c
c
=
c
c

2
2
2 2 2
1 dx
x
u
du dx ds
|
|
.
|

\
|
|
.
|

\
|
c
c
+ = + =
|
|
.
|

\
|
|
.
|

\
|
c
c
+ =
2
1
x
u
g
|
|
|
.
|

\
|
c
c
|
|
.
|

\
|
|
.
|

\
|
c
c
+
c
c
|
|
.
|

\
|
|
.
|

\
|
c
c
+ =
c
c

x
u
x
u
x x
u
t
u
2 / 1
2
2 / 1
2
1 1
Air Systems Division 14
9
quation de diffusion anisotrope : cas scalaire 1D
Dans le cas 1D anistrope :
Si on discrtise :
avec
|
|
|
.
|

\
|
c
c
|
|
.
|

\
|
|
.
|

\
|
c
c
+
c
c
|
|
.
|

\
|
|
.
|

\
|
c
c
+ =
c
c

x
u
x
u
x x
u
t
u
2 / 1
2
2 / 1
2
1 1
(

|
|
.
|

\
|
V

|
|
.
|

\
|
V

V
V
+ =

+
+
+
x
u u
x
u u
x
t
u u
t n t n
t n
t n t n
t n
t n
t n n,t
, 1 ,
,
, , 1
,
,
, 1
.
o o
o
|
|
.
|

\
|
|
|
.
|

\
|
V

+ =
+
2
, 1 , 1
,
1
x
u u
t n t n
t n
o
|
|
.
|

\
|
|
|
.
|

\
|
V

+ =
+ +
2
, , 1
,
1
x
u u
t n t n
t n
o
|
|
.
|

\
|
|
|
.
|

\
|
V

+ =

2
, 1 ,
,
1
x
u u
t n t n
t n
o
Air Systems Division 15
0
Diffusion anisotrope
Diffusion
isotrope
Diffusion
anisotrope
Air Systems Division 15
1
Diffusion anisotrope
En bleu, signal soumis
la diffision anisotrope
En vert, diffrence entre
le signal original auquel
est soustrait le signal
diffus
anisotropiquement au
cours de la diffusion
(apparition des cibles)
Air Systems Division 15
2
diffusion anisotrope sur un graphe de matrices
Dans le cas 1D anisotrope, par analogie sur un graphe de
matrices :
Pour la distance , on prend :
( )
( )
( )
( )
( )
( ) ( )
( ) ( )
2 / 1
2
, 1 ,
,
2 / 1
2
, , 1
,
2 / 1
2
, 1 , 1
,
2
, , ,
, ,
,
2 / 1
, 1
2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, 1
2 / 1
, 1
log
2 / 1
, 1 ,
2 / 1
,
2 / 1
, ,
2 / 1
,
2 / 1
,
2 / 1
,

log
2 / 1
, 1 ,
,
1 et
,
1
,
1 ,
.
,

avec

2 / 1
, 1 , 1
2 / 1
, 1
2 / 1
, ,
2 / 1
,

+ +

+
+
+
+
+

+ + + +

+
|
|
.
|

\
|
|
|
.
|

\
|
V
+ =
|
|
.
|

\
|
|
|
.
|

\
|
V
+ =
|
|
.
|

\
|
|
|
.
|

\
|
V
+ =
V
+ V
=
+
=
= =
= =

+

x
X X d
x
X X d
x
X X d
x
t
X X X X X X e X X
X X X X X X e X X
t n t n
t n
t n t n
t n
t n t n
t n
t n t n t n
t n t n
t n
t n t n t n t n t n t n
X X X
t n t n
t n t n t n t n t n t n
X X X
t n t n
t n t n t n
t n t n t n
o o
o
o o o

o o
o
|
|
|

( ) ( ) ( )
( ) 0 det et
log log ,
2 1
1
2 2 / 1
1 2
2 / 1
1 2 1
=
= =

=

X X
X X X X X d
M
i
i
F

Air Systems Division 15


3
Diffusion Isotrope Simulation
Air Systems Division 15
4
Diffusion anisotrope Simulation
Air Systems Division 15
5
Les diffrentes diffusion 50 itrations
Air Systems Division 15
5
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
Diffusion classique Diffusion mdianage
Diffusion
Isotrope
Diffusion
Anisotrope
Air Systems Division 15
6
Les diffrentes diffusions
15
6
Diffusion Isotrope
Diffusion Anisotrope
Medianage Isotrope Medianage Anisotrope
Moyennage Isotrope Moyennage Anisotrope
Air Systems Division
Mtrique de Siegel pour les
modles autorgressifs
complexes
Air Systems Division 15
8
Modle Multivari Gaussien Complexe Circulaire
Modle du signal Radar :
Modle Multivari Gaussien Complexe Circulaire :
Modle Radar :
Utilisation dun modle autorgressif complexe :
Littrature mathmatique + lien avec lalgorithme dIssai Schur (1875-1941)
[Alpay] D. Alpay, Algorithme de Schur, espaces noyau reproduisant et
thorie des systmes , Panoramas et synthse, n6, Socit Mathmatique
de France, 1998
| |
( )( ) | |
n n n n n n n
R R Tr
n
n
n n
R R E m Y m Y R
e R R Y p
n n
= =
=
+

et .

avec
. . ) ( ) / (
1
.
1
t
| |
k
i
k k k k
n
n
n n n
n
e ib a y
y
y
Y
Y Y E R
m
|
= + =
(
(
(

=
=
=
+
avec
positive dfinie Toeplitz e hermitienn
nulle moyenne de processus 0
1
.
| | | |
T
N
N
N
N k k n n
N
k
n k n
N
k n
a a A b b E b y a y
) ( ) (
1
2
0 ,
*
1
) (
... et avec = = + =

=

o o
Air Systems Division 15
9
Structures blocks des modles CAR
Les modles autorgressifs complexe modlise le signal
radar multivari gaussien complexe circulaire de
moyenne nulle.
Rappel : Mtrique de Rao-Siegel dans le cas Hermitien dfini positif :
La matrice de covariance a une structure blocks :
( ) ( ) ( )
T
AB Tr B A A A A dRR R dR R Tr ds = = = =

, et , avec
2
2
2 / 1 2 / 1
2
1 2
( ) ( ) ( ) ( ) 0 det et log log ,
2 / 1
1 2
2 / 1
1
1
2
2
2 / 1
1 2
2 / 1
1 2 1
2
= = =

=

I R R R R R R R R D
n
k
k

(

+
=
+


+

1 1 1
1
1 1 1
1 1 1 1
. . .
.
n n n n n n
n n n
n
A A R A
A
R
o o
o o
(

+
=

+

+

1 1 1
1 1 1 1 1
1
1
.
. . .
n n n
n n n n n n
n
R A R
R A A R A
R
o
| |
* ) (
) (
1
1 1
1
2
1
.
0 0 1
0 0
1 0 0
o
1
.
0
et . 1 avec V V
A
A
A
n
n
n
n n n n
(
(
(

=
(

+
(

= =

. o o
Air Systems Division 16
0
Gomtrie du demi-plan/disque de siegel
Etude du domaine fondamental de Minkowski :
Domaine fondamental tudi par Minkowski (utilisation du systme de coordonnes
partielles dIwasawa) (lien avec lalgorithme de Goldberg : inversion dune matrice de
covariance avec modle autorgressif)
Domaine fondamental par Grenier, il utilise le systme de coordonnes :
Air Systems Division 16
1
Structures blocks des modles CAR
La matrice ou qui
intervient dans la mtrique de Siegel conserve la
structure Blocks
Conservation de la structure Blocks :
On en dduit que les valeurs propres tendues sont zros de la
fonction :
2 / 1 ) 1 ( 1 ) 2 ( 2 / 1 ) 1 (
. .
n n n
R R R
+ 2 / 1 ) 1 ( ) 2 ( 2 / 1 ) 1 (
. .
+
n n n
R R R
| |
) 1 (
1
) 2 (
1
1 - n
) 1 (
1
) 2 (
1
2 / 1 ) 1 (
1
) 1 (
1 1
1 1 1 1 1 1
1 1 1 2 / 1 ) 1 ( 1 ) 2 ( 2 / 1 ) 1 (
et . . avec
. . .
.
. .


+

+

+
+
= =
(

+ O
= = O
n
n
n n n n n-
n n n n n n
n n n
n n n n
A A R W
W W W
W
R R R
o
o
| o
| |
| |
( )
( )
( )

A
=
=

+ =

=

+


1 1
1
1
) (
1 1
) ( ) (
1 ,
) (
1
1
) ( ) 1 (
2
) 1 (
1
) (
1 1
) ( ) ( ) (
. . . . .
1
0
.
. .
n n n
n
k n n
n
k
n
k
n
k
n
i
n
k
n
i
n
i n
n
k n n
n
k
n
k
n
W U I U X
X
X W
F


| |
Air Systems Division 16
2
Structures blocks des modles CAR
On en dduit un algorithme rcursif sur lordre et
paralllisable pour chaque valeur propre tendue :
( )
( )
( )

A
=
=

+ =

=

+


1 1
1
1
) (
1 1
) ( ) (
1 ,
) (
1
1
) ( ) 1 (
2
) 1 (
1
) (
1 1
) ( ) ( ) (
. . . . .
1
0
.
. .
n n n
n
k n n
n
k
n
k
n
k
n
i
n
k
n
i
n
i n
n
k n n
n
k
n
k
n
W U I U X
X
X W
F


| |
( )
.
.
. 1
) (
1 ,
) (
2 / 1
1
1
2
) ( ) 1 (
2
) 1 (
1
2 ) (
) (
1 ,
) (
n
k
n
k
n
i
n
k
n
i
n
i n
n
k
n
k
n
k
X
X
X W
X
X

=

+

|
|
|
.
|

\
|

( )
( )

=

+

>

+ = =
1
1
2
) 1 (
2
) 1 (
1
) 1 (
1
2
) (
1 ,
) (
1
) (
1
. .
. 1
.
n
k
n
k
n
k n
n
k
n
n
k
n
k
n
n
X A
X
F
q q
q
o
q
o
cq
q c
| |
n
n n n n
n
n
n
n
n
Tr O < < < < < < < <

) (
1
) 1 (
1
) (
2
) (
1
) 1 (
1
) (
... 0
| | | |
(

+ O = O


1 1
1 1
1 1
.
n n
n n n
A A
Tr Tr o
) (
) 4 (
F
Courbe strictement croissante sur chaque intervalle :
) 3 (
1

) 3 (
2

) 3 (
3

| |
4
O Tr
) 4 (
1

Renormalisation chaque itration :


avec
) 4 (
3

) 4 (
2

) 4 (
4

( )
( )

.
A
1
1
n
1 = k
) (
1 ,
) (
1
) ( ) (
1 - n
1
1
) ( ) (

|
|
.
|

\
|
=
(

=
|
|
.
|

\
|

n
k
n
k
n
k
n
n
k
n
k
n
X
X F
F
cq
c
cq
c
Interprtation en terme de projection
:
0
Air Systems Division 16
3
Rcursivit sur lordre de la mtrique de Siegel
Si on utilise la structure blocks des matrices, on peut
calculer la mtrique de Siegel lordre n par rapport
lordre n-1
Equation rcursive sur la mtrique de Siegel faisait apparatre la
matrice de Fisher sur les paramtres autorgressifs:
On peut remarquer que le second terme scrit :
Ceci sinterprte en terme de gomtrie de linformation
( ) | |
1 1 1 1
2
1
1
2
1
2
1 2
. . . .

+

+
|
|
.
|

\
|
+ = =
n n n n
n
n
n n n n
dA R dA
d
ds dR R Tr ds o
o
o
(

= +
|
|
.
|

\
|

1
1
1 1 1
1
1 1 1 1
2
1
1
log
0
0 1
.
log
. . .
n
n
n n n
n
n n n n
n
n
A
d
R A
d dA R dA
d
o
o
o
o
o
o
| |
1 1
1 1 1
log

= = E
n n
n n n
A
A
R A I
n
o
o
(

+
(

=

+

1 1 1
1
1
1
0
0 1 log log
n n n
n
n
n
R
i
A A
Z
o
o o
Extension du cas
Gaussien scalaire
(Gomtrie de linformation)
Air Systems Division 16
4
Racine carr non-symtrique du groupe de Siegel
On sintresse la dcomposition de Cholesky de la
matrice :
En faisant intervenir les racine carre des matrices dfinies positives :
Toute distribution de variable n-dimensionnel est associe
naturellement au groupe Affine : cest llment tel que son action sur
le vecteur le transforme en vecteur alatoire :
On peut considrer cette reprsentation des lments du groupe affine
comme la racine carre non-symtrique dun lment du groupe de
Siegel :
( ) ( )
+


+

+
+

O O = O
(

O
=
(

+ O
= = = O
2 / 1
1
2 / 1
1 1
2 / 1
1 1
2
n
1 1 1 1
1
2
1
. et
0 1
1 avec

.
1
. 1 . .
n n n
n n
n
n n n n
n
n n n n n n
A
W
A A A
A
W W R

o
) , 0 ( ~
n n
I N Z
) , ( ~
n n n
A N X O
(

=
(

+ O
=
(

O

X A Z Z A
n n n n
1
.
1 1
.
0 1
1
2 / 1
1
2 / 1
1 1
(

+ O
+

+

1 1 1 1
1
.
1
n n n n
n
A A A
A
Air Systems Division 16
5
Expression rcursive de la divergence de Kullback
On sintresse lexpression rcursive de la divergence de
Kullback :
La structure de la divergence de Kullback est donne par :
Si on utilise de plus les relations suivantes :
On obtient lexpression rcursive sur lordre de la divergence de
Kullback :
( ) | | | | n Tr R R K
n n n n
E E = ln
2
1
,
) 2 ( ) 1 (
| |
(

=
= = =
(

+ E
= = E

+

+
+
) 1 (
1
1
) 1 (
1
2
) 1 (
) 1 (
) 1 ( ) 1 ( ) 1 ( ) 1 (
) 1 (
1
) 2 (
1
1 - n
) 1 (
1
) 2 (
1
) 1 (
1 1 - n
1 1 1 1 1 1
1 1 1 2 / 1 ) 1 ( 1 ) 2 ( 2 / 1 ) 1 (
0
0 1
0
1
1
1
. . avec et . V o
. . .
.
. .
n
n
n
n
n
n n n n
n
n
n n n
n n n n n n
n n n
n n n n
F
I
A
F
F F R A A F
V V V
V
R R R

o
o
o
|
| |
| |
1 1
.

E = E
n n n
|
| | | | | |
1 1 1 1
. 1 .

+

+ + E = E
n n n n n
V V Tr Tr |
( ) ( ) ( ) ( ) | |
1 1 1 1 1
) 2 (
1
) 1 (
1
) 2 ( ) 1 (
ln . . 1
2
1
, ,

+

+ + =
n n n n n n n n n
V V R R K R R K | | |
Air Systems Division
Modlisation variationnelle de
lanalyse autorgressive
complexe et le flot de la chaleur
sur ces modles
Air Systems Division 16
7
Formalisation variationelle de lanalyse AR
Le thorme de Parseval permet de modliser lanalyse
autorgressive complexe sous forme variationnelle :
Le thorme de Parseval nous dit que :
Si on rajoute un terme de rgularisation ( a priori de douceur spectrale)
:
Grce lisomorphisme canonique entre le plan Euclidien et le plan
complexe, nous formalisons le problme de rgularisation de la
prdiction linaire sous langle du calcul des variations.
| |
2
1
0
2
) (
) ( ) (

) ( k e E df f S f A
n z
n
=
}

=

= =
n
k
k n
n
k k k n
z a z z k e
0
) (
) (
| | ( )
( ) ( ) ) ( ) (

) ( , ,
avec , , ) (
) (
2
) ( ) ( ) (
1
0
) ( ) ( ) (
f A f S f A A A f L
df A A f L f A S
n
f z
n n
f
n
n
f
n n
V u + = V
V =
}

( ) | |
* 2
0
) (
0
2 ) ( ) (

et

) (

, 1 et ) (
k m m k
k
fk j
k z
n
k
n fk i n
k
n
z z E r e r f S a e a f A

+
=

= = = =

t t
( )
2
X X
tique cas quadra
= u
Air Systems Division 16
8
Formalisation variationelle de lanalyse AR
La solution variationnelle de lanalyse autorgressive ,
donne par lquation dEuler-Lagrange Complexe, est
solution de lEDP de type Schrdinger :
Equation dEuler-Lagrange complexe (rgularisation quadratique) :
Solution de lEDP :
Dans le cas non rgularis, le Cepstre volue comme suit :
)* ( )* ( n n
f
A
L
A
L
df
d
c
c
=
(
(

cV
c
) (

). (
) (
.
) (
) (
2
) ( 2 ) (
f S f A
f
f A
t
f A
z
n
n n

c
c
=
c
c

( )
2
) (
2
) ( ) ( ) (
) ( ) (

) ( , , f A f S f A A A f L
n
f z
n n
f
n
V + = V
) (
) (
) ( ln ) (
) (
) ( ) (
f S
t
f C
f A f C
z
n
n n
=
c
c
=
Air Systems Division 16
9
Formalisation variationelle de lanalyse AR
Le thorme de Kolmogorov-Szeg-Krein devient alors
une consquence du thorme dEmmy Noether :
La fonctionnelle est invariante selon :
Le thorme de Noether nous indique alors que :
Ce qui est lobjet du thorme de Kolmogorov-Szeg-Krein :
( ) ( )
( )
N n s
n f f f A e f A f A
f A S f A S
n
n s i n
s
n
s
n
n
n
s
e 9 e
+ = = = -
= -
et o
) ( et ) ( . ) ( ) ( avec
) ( )) ( (
) ( . ) ( ) (
) ( ) (
| |
|
( ) f cste f .S (f) A
f
(f) .S (f) A
z
(n)
z
(n)
= =
c
(

c
0
2
2
}
=

}

2 / 1
2 / 1
) (
). ( log
2 / 1
2 / 1
2
) (
). ( . ) (
df f S
z
n
A
z
n
e df f S f A Inf
2
) (
2
) (
) (
f A
f S
n
z
o
=
Air Systems Division 17
0
Rgularisation variationnelle dun modle AR
Exemple de rgularisation :
On observe la disparition des pics parasites sur une analyse
Autorgressive trs faible nombre dchantillon :
Air Systems Division
Procd par
Mdiane de modles
autorgressifs complexes
Air Systems Division 17
2
Gomtrie de Khler
La gomtrie dErich Khler tend la gomtrie
Riemannienne au domaine complexe :
La forme riemannienne dfinie positive dfinissant la mtrique de
Khler est donne par :
Condition de Khler condition : Il existe localement une fonction
potentielle de Khler, (et les quivalentes Pluri-harmoniques) telle
que :
Le tenseur de est alors donn par :
Et la courbure scalaire :

=
=
n
j i
j i
j i
dz dz g ds
1 ,
2
. 2
j i
j i
z z
g
c c
u c
=
2
( )
j i
l k
j i
z z
g
R
c c
c
=
det log
2

=
=
n
l k
l k
l k
R g R
1 ,
.
u
Air Systems Division 17
3
Modle Autorgressif Complexe
Modle du signal radar :
Modle multivari complexe circulaire :
Modle Radar :
Modle autorgressif complexe :
Lien avec lalgorithme de Issai Schurs algorithm (1875-1941)
[Alpay] D. Alpay, Algorithme de Schur, espaces noyau reproduisant et thorie
des systmes , Panoramas et synthse, n6, Socit Mathmatique de France,
1998
| |
( )( ) | |
n n n n n n n
R R Tr
n
n
n n
R R E m Z m Z R
e R R Z p
n n
= =
=
+

et .

avec
. . ) ( ) / (
1
.
1
t
| |
| |
k
i
k k k k
T
n n
n n n
n
e iy x z z z Z
Z Z E R
m
|
= + = =
=
=
+
avec
Positive Dfinie e Hermitienn Toeplitz
nulle moyenne de processus 0
1

| | | |
T
N
N
N
N k k n n
N
k
n k n
N
k n
a a A b b E b z a z
) ( ) (
1
2
0 ,
*
1
) (
... et avec = = + =

=

o o
Air Systems Division 17
4
Estimation des paramtres autorgressifs rgulariss
Nous utilisons lalgorithme de Burg rgularis (brevet THALES : F. Barbaresco,
Procd et dispositif de dtermination du spectre de frquence dun signal ,
brevet n 95 06983, Juin 1995)

+ =
+ =

=
+ =
=
=
+ +

=
=
=
=
= =

+ =


+ =

) ( . ) 1 ( ) (
) 1 ( . ) ( ) (
1 1 , .
1
) .( ) 2 .( avec
. . 2 ) 1 ( ) (
1
. . . 2 ) 1 ( ). (
2
1 Pour : (n) .
1
) ( .
1
ech.) nb. : (N 1 , ) ( ) ( ) ( f
: tion Initialisa .
1
*
1
1 1
) (
)* 1 ( ) 1 ( ) (
) (
0
2 2
1
) (
1
1
0
2
) 1 ( ) (
2
1
2
1
1
1
1
) 1 ( ) 1 ( ) ( *
1 1
) 0 (
0
1
2
0
0 0
k f k b k b
k b k f k f
a
,...,n- k= a a a
a
n k
a k b k f
n N
a a k b k f
n N
M n Itration
a
k z
N
P
,...,N k= k z k b k
n n n n
n n n n
n
n
n
n
k n n
n
k
n
k
n
n
k
N
n k
n
k
n
k
n
k n n
N
n k
n
k
n
k n
n
k
n
k n n
n
N
k


t |
|
|

Air Systems Division 17


5
modle autorgressif et matrice de covariance
La matrice de covariance et son inverse peuvent tre
paramtre partir des paramtres du modle autorgressif :
Structure Blocs de la matrice de covariance :
(

+
=
+


+

1 1 1
1
1 1 1
1 1 1 1
. . .
.
n n n n n n
n n n
n
A A R A
A
R
o o
o o
(

+
=

+

+

1 1 1
1 1 1 1 1
1
1
.
. . .
n n n
n n n n n n
n
R A R
R A A R A
R
o
| |
* ) (
) (
1
1 1
1
2
1
.
0 0 1
0 0
1 0 0
o
1
.
0
et . 1 avec V V
A
A
A
n
n
n
n n n n
(
(
(

=
(

+
(

= =

. o o
Air Systems Division 17
6
Mtrique de Khler dun modle autorgressif complexe
Dans le cadre de la gomtrie Affine de linformation, la
mtrique est donne par le Hessien de lentropie qui joue
ici le rle du potentiel de Khler :
Lentropie dun modle multivari gaussien de moyenne nulle :
On peut choisir comme modle de paramtrisation les coefficients de
rflexion
( ) ( ) ( ) e n R R t log det log
~
=
-R H


g
j i
ij
=
c c
c
et
~
2
| | | |
0
1
1
2
. . ln . 1 ln ). (
~
P e n k n ) (R
n
k
k n
t + =

=
| |

= =
=
n
k
k
n n n
z
n
P
1
2
0
1
0
1
1
2
1
1
avec
. 1
o
o o
( ) | |
[ [

=

= =
1
1
2
0
1
0
1
1 det
n
k
k n
k
n
n
k
k n
R o o
| |
( )( )
| |
n n
n n n n n
R R Tr
n
n
n n
R R E
m Z m Z R
e R R Z p
n n
=
=
=
+

et
.

avec
. . ) ( ) / (
1
.
1
t
Air Systems Division 17
7
Erich Khler

Lentropie U=-logdet[R] , pour les modles autorgressifs complexes, peut tre


considr comme un potentiel de Khler qui est paramtris partir des
coefficients de rflexion. Cette expression est alors la mme que celle propose
par E. Khler
Khler Erich, Mathematical Works , Edited by R. Berndt and O. Riemenschneider,
Berlin, Walter de Gruyter, ix, 2003
Papier initial dErich Khler, 1932, Hambourg
Air Systems Division 17
8
Mtrique de Khler : cas hyper-Abelian
On retrouve la mtrique propose par E. Khler dans son
papier initial : :
Khler a nomm ce cas hyper-Abelian :
Autre mtrique propose par Khler, appel cas hyper-fuchien :
| | ) , ( ln 1 ln .
1
1
2
z z K z
D
n
k
k k
= =

=
o
( )
{ } ,... 1 1 / et
1 ) , ( Bregman de Noyau
avec
1
1
2
n k z z
z z z : K
k
n
k
k D
k
= <
=
[

=
o
)
`

< |
.
|

\
|
=

= =
1 / with 1 ln .
1 k
2
1
2
n
k
n
k
k
z z z o
Air Systems Division 17
9
On dfinit une mtrique Doppler metric dans le cas de
modles autorgressifs complexes comme le Hessien dun
potentiel de Khler, o le potentiel est donn comme dans
le cas de la gomtrie affine de linformation par lEntropie:
Le potentiel de Khler paramtr par :
La mtrique associe est alors calcule :
| | | |
1
0
1
1
2
. . ln . 1 ln ). (
~

=
+ =

o t e n k n ) (R
n
k
k n
| | | |
T
n
n
n
T
n
n
P
) ( ) (
1 1 1 0
) (
u u u = =

2
0
2
0 11

= = nP n g o
( )
2
2
1
). (
i
ij
ij
i n
g

=
( )

=

+
|
|
.
|

\
|
=
1
1
2
2
2
2
0
0
2
1
) ( .
n
i
i
i
n
d
i n
P
dP
n ds

Mtrique de Khler dun modle autorgressif complexe


| |
T
n
P
1 1 0

Air Systems Division 18
0
Courbure scalaire du modle autorgressif complexe
On utilise lexpression du tenseur de Ricci dans le cas de
la gomtrie de Khler :
En gomtrie de Khler, le tenseur de Ricci est donn par :
Pour le cas du modle autorgressif complexe, on obtient alors :
On en dduit le calcul de la courbure scalaire qui est ngative :
( )
j i
l k
j i
z z
g
R
c c
c
=
det log
2
( )

=
=
1 ,..., 2 for
1
2
1
2
2
2
2
0
11
n k R
P
R
k
kl
l k

=
l k
l k
l k
R g R
,
.

(

n
n
j
j n
R
1
0
) (
1
. 2
Air Systems Division 18
1
Modle autorgressif # mtrique de Khler-Einstein
La mtrique prcdente nest pas une mtrique de type
Khler-Einstein, mais une structure matricielle proche
Une mtrique est dite de Khler-Einstein metric si son tenseur de ricci
est proportionnel la mtrique :
Dans le cas de la mtrique de Khler-Einstein, le potentiel de Khler
est solution de lquation de Monge-Ampre :
Pour un modle autorgressif complexe, on a :
| | | | | |
( ) { } ,.. .., 2 o et
) (
1
. 2 avec
1
) (
1
0
) ( ) (

=
=
(

= = =

i n diag B
j n
B Tr R g B R
n
n
j
n
ij
n
ij
( )
j i
j i
l k
l k
j i
z z
k
z z
g
k g k R
c c
u c
=
c c
c
=
2
0
2
0 0
.
det log
constant : avec .

=
u
holomorphe fonction
Khler de Potentiel
avec ) det(
0
2
:
:
e g
k
l k

Air Systems Division 18
2
Flot de Calabi & Khler-Einstein
Il existe 2 flots particuliers qui sont dduit de fonctionnelles
dpendant uniquement de la courbure scalaire intgre sur
la varit
Le flot de Khler-Einstein est donn par :
Le flot de Calabi est donn par (il agit directement sur le potentiel) :
Lingalit entre les deux fonctionnelles est donne par :
Action de Hilbert
Flot de Ricci
}
}
=
M
M
g dV
g dV g R
R
) (
) ( ) (
}
M
g dV g R ) ( ) (
j i j i
j i
g
n
R
R
t
g
+ =
c
c
Action de Calabi
Flot de Calabi
( )
*
* 2
,
j i
j i
z z
z z
g
c c
c
=
| Flot de Calabi
}
=
M
g dV g R g S ) ( ) ( ) (
2
*
2
j i
j i
z z
R
t
g
c c
c
=
c
c
R R
t
=
c
c|
} }
|
|
.
|

\
|
>
M M
g dV g dV g R g S ) ( / ) ( ) ( ) (
2
Air Systems Division 18
3
En dimension 2 de la variable complexe, les deux flots sont
relis lun lautre :
Ionnas Bakas a montr le lien entre les 2 flots en remarquant que :
Si la drive seconde par rapport au temps du flot de Khler-Ricci est
identifie loppose de la drive premire du temps du flot de Calabi
, alors les 2 flots sont quivalents :
Ionnas Bakas : Relation entre les 2 flots
( )
( )
( )

= =
c
c
|
.
|

\
|
c
c
c c
c
=
c
c

c c
c
=
c
c
=
c
c
=
c
c

R R g
t
g
t
g
z z t
g
z z
g
R
t
R
t
g
R
t
g
j i
j i
j i
j i
j i
j i
j i
j i j i
j i
j i
,
*
2
2
2
*
2
2
2
) det( log
) det( log
) det( log
C R
t
t
t c
c
=
c
c
2
2
*
2
2
2
j i
j i
z z
R
t
g
c c
c
=
c
c

Air Systems Division 18


4
Bakas a tablie les relation suivante :
Ionnas Bakas : flots agissant sur le potentiel
* ) , , ( 2
. 2
*
dz dz e ds
t z z u
=
*
2
*
z z
R
zz
c c
u c
=
( )
et
) det( log
* *
*
2
u
=
c c
c
= e g
z z
g
R
zz zz
*
2
*
2
*
2
.
. avec
z z
e
t
z z t
e
z z t
e
R
t
g
j i
j i
c c
c
= A Au =
c
u c

c c
u c
=
c
u c

c c
u c
=
c
c
=
c
c
u
u
u
Flot de Khler-Ricci
AAu =
c
u c

c c
Au c
=
c
c

Au =
c c
u c
= =
c c
c
=
c
c
u
u

t
z z t
e
z z
e R g R
z z
R
t
g
j i
j i
j i
j i
*
2
,
*
2
*
2
et
Flot de Calabi
Air Systems Division 18
5
Si on tudie sur la base de la mtrique de Siegel (donn
par le Hessien de lEntropie du processus AR), la mtrique
est dforme comme suit :
Flot de Khler-Ricci sur les coefficients de rflexion :
Flot de Calabi sur les coefficients de rflexion :
flots de khler-Ricci et Calabi sur les modle AR
ij
ij
R
t
g
=
c
c
( )

+ = =
= =

) ( ) 0 ( ) (
1 ) ( . ) 0 ( 1 1 ) (
0 0 0
2
) (
2 2
P e P t P
e t
t
n
t
i
t
i n
t
i i

=
=
c
c
) ( ) , 0 (
) (
t t
R R
t
|
|
|
( )

+ = =
= =

) ( ) 0 ( ) (
1 ) ( . ) 0 ( 1 1 ) (
0
2
0 0
2
) (
2
2 2
2
2
P e P t P
e t
t
n
t
i
t
i n
t
i i

Air Systems Division 18
6
Algorithme mdian sur les coefficients de rflexions 1/2
On se donne , o
est un n uplet des coefficients de rflexion tous
les ordres prcds du coefficient de puissance .
On calcule dabord ,
dans R (mthode classique de calcul du mdian pour une valeur
scalaire).
On estime ensuite la mdiane des coefficients de rflexions
complexes algorithmiquement : on ramne ces coefficients du disque
unit dans le demi-plan de Poincar avec :
On note
Les godsiques sont alors des demi-cercles centrs sur laxe des
abscisses
1 ) ( ) (
0
) (
1
) (
1
) (
0
) , ( ) ,..., , (

+
e = =
n k k k
n
k k
k
D R P P u
( )
N
u u ,...
1
H D C

:
1
|
|
.
|

\
|
+
+
=
) (
) (
) ( ) (
1
1
k
j
k
j k
j
k
j
i z


) (
) ( 1 ) ( k k
C z

=
))) log( ),..., log( ), (log( exp(
) (
0
) 2 (
0
) 1 (
0 0
N median
P P P mediane P =
( )
) (
1
) (
1
) (
, ,
k
n
k k

=
) (
0
k
P
c
Air Systems Division 18
7
Algorithme mdian sur les CR
On initialise lalgorithme un point quelconque Z dans H :
A ltape p, on se dplace selon le gradient:
o Z est lestim courant et c
k
dsigne le centre de la godsique
rejoignant Z z
k
.
Lentier p, initialis 1, dcrot si lcart entre deux itrs est
moindre que 1/p.
Aprs convergence, on retourne :

=
+

=
N
k
k
l
p
l
k
l
p
l
k
l
p
l
p
l Z
p c Z
c Z
z Z signe i t
1
) ( ) (
) ( ) (
) ( ) ( ) (
,
/ 1
) (
) Re( 2
) ( ) (
2
) (
2
) (
) (
p
l
k
l
p
l
k
l
k
l
Z z
Z z
c

=
| |
T
n
Z Z Z
) 0 (
1
) 0 (
1
) 0 (

=
avec
) Im(
) Re(
) Im(
) Re(
) (
) (
,
) (
, ) (
) (
p
l
p
l Z
p
l Z p
l
Z
Z
t
t
Z c
p
l
+ =
) arg(
) (
) ( ) (
p
l
Z
p
l
p
l
c Z = |
(
(
(

|
|
|
.
|

\
|
+

+ =
+
p c Z
c Z
c Z signe
Mk
i c Z c Z
p
l
p
l
p
l
p
l
p
l
Z
p
l
Z
p
l
Z
p
l
p
l
Z
p
l
Z
p
l
/ 1
)) (Re(
2
1
exp
) (
) (
) ( ) ( ) (
) (
) (
) ( ) ( ) ( ) 1 (
|

= =
=
= O
i Z
i Z
) C(Z
P P P mediane P
Z C P
conv
l
conv
l
conv
l
median
l
N median
) (
) (
) (
) (
0
) 2 (
0
) 1 (
0 0
))) log( ),..., log( ), (log( exp(
avec )) ( , (
Air Systems Division 18
8
Flot de gradient dans le disque unit de Poincar
( )
) ( p
l
Z C
( )
) 1 ( + p
l
Z C
( )
) 1 ( ) 1 (
l l
z C =
( )
) 2 ( ) 2 (
l l
z C =
( )
) 3 ( ) 3 (
l l
z C =
( )
) 4 ( ) 4 (
l l
z C =
Air Systems Division 18
9
Rsultats sur le premier coefficient de rflexion
Superposition pour toutes
les cases distances des
moyennes et mdianes
locale, avec les points de
donnes
Air Systems Division
Flot de la chaleur & Gomtrie
de linformation
Air Systems Division 19
1
Lquation de la chaleur fait intervenir une moyenne :
Oprateur de Laplace intervenant dans le Flot de Fourier de la chaleur:
Ceci reste vrai avec le Laplacien en dimension suprieure :
quation de la chaleur et Gomtrie de linformation
( ) ( ) | | ( ) ( ) | |
( )
2
0
2
2
x
x x x x x x
Lim
x
x
V
V V +
=
c
c
V
u u u u u

( )
( ) | |
( ) ( )
2
) (

avec ) (

2
2 2
2
x x x x
x x x
x
x
V + V +
=
V
~
c
c u u
u u u
u
( )
( ) | |
( ) ( ) ( ) ( )
n
n n
n
n
x x x x x x x x
x
x x
x
x x
div
2
...
) (

avec
) (

2
... ) (
1 1
2 2
2
2
1
2
V + V + + + V + V +
=

V
~
c
c
+ +
c
c
= V = A
u u u u
u
u u
u u
u u
Air Systems Division 19
2
Lquation de la chaleur fait intervenir une moyenne :
Oprateur de Laplace-Beltrami intervenant dans le Flot de Beltrami sur
une varit :
Lquation de la chaleur se met donc sous la forme gnrale :

|
|
.
|

\
|
c
c
c
c
= A
j i
j
ij
i
g
x
g g
x
g ,
1 u
u
( )
( ) | |
( ) ( )
n
n
g
x x x x
g
g
x x x x
x
x x
x
g
g
V = = V = V = V =
|
|
.
|

\
|
V + V +
=

V
= c = A

... et o
2
) (

avec
) (

2
2 1
,
,
2
,
,
2
2

o
u u
o u
u u u u
( ) | | x x
t
u u u
u
= A =
c
c
) (

quation de la chaleur et Gomtrie de linformation


Air Systems Division 19
3
( ) | | x x
t
u u u
u
= A =
c
c
) (

Equation de la chaleur
( )( )
+
+
= u u u u
u u

2
dt
d
dt
d
( )
1
> u
u
I R
| | ( )
2
1
2 2 2
. dt I dt R d d E

+
> = u u u
u
( ) ( ) ( )
+ +
+
=
(

u u u u u u u u

.

d d d d E d d E
( ) ( ) ( ) ( )
( )
( )
2
2 2 2

2 2
. .
. .

. .

.

u
u
u
u u u
u u u u u u u u
u u
n
dt
d
I
dt
d
dt n ds d I d
dt n d I d d d E I Tr
I
=
= =
> +
(


+
+
+
+

quation de la chaleur et Gomtrie de linformation


Air Systems Division 19
4
quation de la chaleur et godsique :
La godsique est donne par :
Pour une courbe godsique , son vecteur tangent
est de longueur constante par rapport la mtrique , soit :
La constante peut tre choisie pour tre de valeur unit quand le
paramtre t est choisi comme tant le paramtre darc curviligne s .
Interpretation of Heat Equation by Information Geometry
) (t u u =
) (t
dt
du
u =
`
I
ds
2
,

u
u
n
dt
d
dt
d
g
j i
j
i
ij
=
( ) | | ( )
2
. . ) (


u
u
u
u u u
u
n
dt
d
I
dt
d
x x
t
= = A =
c
c
+
Air Systems Division
Conclusion
Air Systems Division 19
6
Rfrences Bibliographiques
[1] F. Barbaresco & G. Bouyt, " Espace Riemannien symtrique et gomtrie des espaces de matrices de covariance : quations de diffusion et calculs de
mdianes" , colloque GRETSI'09, Dijon, Sept. 2009
[2] F. Barbaresco, " New Foundation of Radar Doppler and Array Processing based on German Mathematical Works: Geometry of Metric Spaces with
negative curvature and Von-Mangoldt-Cartan-Hadamard Manifolds" , IRS'09, Hamburg, Sept. 2009
[3] F. Barbaresco, Interactions between Symmetric Cone and Information Geometries ,LIX Fall Colloquium ETCV08, Ecole Polytechnique,Springer
Lecture Notes in Computer Science, vol.5416, pp. 124-163, 2009, http://www.springerlink.com/content/978-3-642-00825-2
[4] F. Barbaresco, Applications of Information Geometry to Radar Signal Processing , Video Lectures, http://videolectures.net/etvc08_barbaresco_aoigt/
[5] M. Arnaudon and X. Li, Barycentres of measures transported by stochastic flows , Ann. Probab. 33, no. 4, pp.1509-1543, 2005
[6] C.L. Siegel, Symplectic Geometry, Acad. Press, 1964
[7] M. mery, G. Mokobodzki, Sur le barycentre d'une probabilit dans une varit . Sminaire de probabilits de Strasbourg, n 25, p. 220-233, 1991
[8] H. Karcher, Riemannian center of mass and mollifier smoothing , Comm. Pure Applied Math., 30,pp.509-541,1977
[9] A. Terras, Harmonic Analysis on Symmetric Spaces and Applications II, Springer-Verlag, 1988
[10] V. Arsigny Log-Euclidean metrics for fast and simple calculus on diffusion tensors, in Magnetic Resonance in Medicine, Volume 56 Issue 2, Pages
411 - 421, Jun 2006.
[11] M. Calvo, J. Oller, A distance between multivariate normal distributions based in an embedding into the Siegel Group , Journal of Multivariate
Analysis, vol.35, pp. 223-242, 1990
[12] M. Calvo, J. Oller, An explicit solution of information geodesic equations for the multivariate normal model , Statistics and Decisions., vol.9, pp.
119-138, 1991
[13] Huiling Le, Estimation of Riemannian Barycenters , Proc. London Math. Soc., pp. 193-200, 2004
[14] Harris, W. F., The average eye , Ophthalmic Physiol. Opt., n24, pp. 580585, 2004
[15] H.C.F. von Mangoldt, ber diejenigen Punkte auf positiv gekrmmten flchen, welche die eigenschaft haben, dass die von ihnen ausgehenden
geodtischen Linien nie aufhren, krzeste Linien zu sein , J. Reine Angew.Math., n91, pp.23-52, 1881
[16] E. Khler, ber eine bemerkenswerte Hermitesche Metrik , Abh., Math. Sem. Hamburg Univ., n9, pp.173-186, 1933
[17] K. T. Sturm, Probability measures on metric spaces of nonpositive curvature . Contemp. Math. 338 , 357-390, 2003
[18] E. Cartan, " Sur les domaines borns homognes de l'espace de n variables complexes" , Abh. Math. Semin. hamb. Univ., n11, pp.116-162, 1935,
www.numdam.org
[19] C.R. Rao, " Information and Accuracy attainable in the estimation of statistical parameters" , Bull. Calcutta Math. Soc., n37, pp.81-91, 1945
[20] S. Yoshizawa and K. Tanabe, " Dual Differential Geometry associated with the Kullback-Leibler Information on the Gaussian Distributions and its 2-
parameter Deformations" , SUT Journal of Mathematics, vol.35,n1, pp.113-137, 1999
[21] T.Ando and al., " Geometric Means" , Linear Algebra Appl., vol.385, pp.305-334, 2004
[22] F. Bruhat and J. Tits, Groupes rductifs sur un corps local , IHES, n41, pp.5-251, 1972
[23] H. Cartan, " Ouverts fondamentaux pour le groupe modulaire" ,Sminaire Henri Cartan, tome n10, n1, exp.n3, p.1-12, 1957
[24] N.N. Chentsov, " Statistical Decision Rules and Optimal Inferences" , Trans. of Math. Monog., n53, Amer. Math. Society, Providence, 1982
[25] J. Faraut and A. Koranyi, " Analysis on Symmetric Cones" , Oxford University Press, 1994
[26] K. Koufany, " Analyse et Gomtrie des domaines borns symtriques" , HDR, Institut de Mathematiques Elie Cartan, Nancy, Nov. 2006
[27] C. P. Niculescu, An Extension of the Mazur-Ulam Theorem , American Institute of Physics Proc., vol. 729, n248-256, 2004
[28] M. Berger, Panoramic View of Riemannian Geometry , Springer, 2004
Air Systems Division 19
7
QUESTIONS
``Constater que les thories les plus parfaites
sont les guides les plus srs pour rsoudre les
problmes concrets~; avoir assez confiance en
sa science pour prendre des responsabilits
techniques. Puissent beaucoup de
mathmaticiens connatre un jour ces joies trs
saines, quelques humbles qu'ils les jugent !'
Jean LERAY
Carl Ludwig Siegel
avec Georges Polya