Vous êtes sur la page 1sur 2

SICOM 3A Grenoble INP, ENSE3, PHELMA Estimation, Dtection P. Granjon, C. Meillier, O.

Michel

Lobjet de ltude propose est lestimation de lamplitude dun signal harmonique, partir dobservations bruites non ncessairement chantillonnes rgulirement. Ce type de scnario est susceptible de se produire par exemple dans le cas o on observe un phnomne priodique stellaire travers latmosphre : les uctuations mtorologique peuvent conduire ne disposer que dobservations quand le ciel le permet... Le modle retenu pour les observations est : yn = x sin n + wn o n = 2tn + et wn est un bruit dobservation indpendant, i.i.d, de 2 . Ainsi, {tn }n=1,...,N reprsente distribution normale centre et de variance n lensemble des dates auxquelles des observations ont pu tre faites. Noter que le bruit wn nest pas forcment stationnaire (sa variance dpend de n). PREPARATION 1. Dans un premier temps, on suppose tn = nT (on prendra T = 1 sans perte 2 de gnralit). On considre le cas stationnaire, i.e. n = 2 . (a) Quel est lestimateur de maximum de vraisemblance x de x, construit partir des N observations Y = [y1 , . . . , yN ]T ? (b) Quelle est son esprance mathmatique ? Calculer la borne de CramerRao de cet estimateur. Que vaut linformation de Fisher I (x) ? (c) Etablir ln p(Y, x) = I (x)( x x) x x est-il un estimateur non biaise variance minimale (MVUE) ? Estce un estimateur linaire ? (d) Etablir le lien entre x et un estimateur utilisant la transforme de Fourier discrte. 2. On suppose dsormais que les tn ne sont plus rgulirement espacs : n est considr comme une suite de valeurs alatoirement rparties sur [0; A ] (mais ces valeurs sont observes et connues !). Comment les rsultats prcdent sont-ils aects ? MANIPULATION 1. Synthtiser un ensemble dobservations Y pour direntes valeurs de N , par exemple pour x = .5, = 1, T = 1, = .13, pour les cas dobservations rgulirement chantillonnes, puis irrgulirement chantillonnes. On prendra n = 2. Programmer les estimateurs obtenus. Pour N x, reprsenter sous forme dhistogramme les rsultats obtenus en rptant K (comment choisir K ?) expriences indpendantes. 1

3. Comparer les variances empiriques obtenues par simulation, la borne de Cramer Rao. Discuter les rsultats.

PREPARATION Lobjectif de cette partie est de proposer une forme rcursive de lestimateur prcdent, au sens o x n+1 , estimateur de x partir des observations [y1 , . . . , yn+1 ] doit sexprimer partir de yn+1 et de x n une expression, note kn de la variance de x n . Le problme est donc reformul partir des quations dvolution et des observations respectives suivantes : xn+1 = xn yn = bn xn + wn rq : Lquation dvolution correspond lvolution dune cible xe, et bn = sin(n ). 1. Etablir x 1 = et donner lexpression de k1 = E [( x x1 )2 ] 2. On suppose x n et kn connues. On se propose destimer x n+1 suivant lexpression linaire 1 : x n+1 = x n + gn+1 (yn+1 bn+1 x n ) Justier la forme de cette expression. 3. Etablir lexpression de kn+1 = E [(x x n+1 )2 ] :
2 2 kn+1 = kn (1 gn+1 bn+1 )2 + gn +1 bn+1

y1 b1

4. Dterminer la forme de gn+1 qui minimise kn+1 et en dduire : kn+1 = kn (1 gn+1 bn+1 ) 5. Regrouper lensemble des rsultats et donner lalgortihme rcursif destimation. MANIPULATION Eecteur la simulation sous Matlab et comparer pour une longueur dchantillon N donne les performances des direntes approches tudies.

1. On rappelle que dans la cas o wn est gaussien, lestimateur qui minimise lerreur quadratique scrit linairement en fonction des yn