Académique Documents
Professionnel Documents
Culture Documents
SimulationsMATLABsurlescoursdelUVF4101
Travaileffectuer
Gnrerunsignal/imagesynthtiqueoulireunfichierexistant
CrerunprogrammeMatlabensappuyantsurlesalgorithmesducours
Analyserlesrsultatsexprimentauxdunemanirequantitativeetqualitative.
Remisedesrapportsetsimulations
Datelimite:(casier:JMBoucher)
Nepasenvoyerlesprogrammesourapportsparmail(risquedesaturation
dumail)
Fournirunrapportpapieretsousformelectronique,ainsiqueles
programmes,soitsurCD,soitsurunsitepersonnel.
Listedessimulations
1.s_12
Filtraged'unesinusodebruite
2.s_13
Estimationdesparamtresd'unmodleautorgressif
3.s_14
EstimationdetrajectoireparfiltragedeKalman
4.s_15
Estimationdesparamtresdunmlangedegaussiennesparlalgorithme
EMetSEM
5.s_16
EtudedufiltredeKalmanendbruitage
6.s_17
Analysetempsfrquenced'unsignaldeparole(TransformedeFourier
courtterme)
7.s_18
Modlisationautorgressived'unsignaldeparole
8.s_19
Filtragedunsignalbruitpardcompositionenondelettesorthogonales
9.s_20
Dcompositiondunsignalenondelettesorthogonales
14.s_21
Dtectionstatistiquedecontour
15.s_22
Filtraged'imageradar
16.s_23
Compressionsimplified'imagepartransformeenondelettes
17.s_24
Dtectiondecontoursenimagerieradar
Simulationn1
Sujetn12
Filtraged'unesinusodebruite
ComparaisonentrefiltragedeWiener,Kalmanetmoindrescarrs
Simulationn2
Sujetn13
Estimationdesparamtresd'unmodleautorgressif
ComparaisonentreprdictionlinaireetKalman
Lesignaltudierestunprocessusautorgressifdusecondordreobtenuparpassaged'un
bruitblancdansunfiltrenumriquercursifdusecondordre.Crercesignal.(vousavezlechoix
desvaleursdescoefficients)
1)Onchercheensuitemodlisercesignalparprdictionlinairedordre1,puisdeux,puis
trois,puisquatre.Exprimerlescoefficientsdumodlelaidedesfonctionsdautocorrlationdu
signal (mthode de YuleWalker) Effectuer la simulation en estimant ces fonctions
dautocorrlation directement partir dune trame de L chantillons de signal. Commenter le
rsultatobtenusuivantlordreetL.
2)OneffectuecettemmemodlisationparunfiltragedeKalman.Ecrirelemodledtatet
lesquationsdufiltredeKalman.Discuterlersultatetcompareraucasprcdent.(mesurerle
biaisetlavariancedesestimesdescoefficientsdanslesdeuxcas)
Simulationn3
Sujetn14
EstimationdetrajectoireparfiltragedeKalman
OnutiliselefiltredeKalmanpourestimerlapositiond'unmobile,dontonmesureposition
etvitesseparl'intermdiaired'unradar,maisavecunbruitlev.
crerartificiellementunetrajectoireenprenantpourvariablesd'taten(x,y)lapositionet
lavitesse.Cettedernireestassimileunbruitd'tatfiltrparunfiltrercursifdupremierordre
(fixerlavariancedecebruitetleparamtredufiltre,quiindiquelacorrlationentrelesvaleurs
devitesse)
ajouterunbruitblanc(indpendantdupremier)laposition(mesures)
crirelefiltredeKalman
tracersurlemmegraphelatrajectoirerelle,latrajectoiremesure,latrajectoireestime.
mesurer la variance de l'erreur d'estimation sur ces courbes et comparer aux valeurs
fourniesparlefiltre.
Simulationn4
Sujetn15
Estimationdesparamtresd'unmlangedegaussiennesparlesalgorithmes
EMetSEM
Simulationn5
Sujetn16
EtudedufiltredeKalmanendbruitage
Ongnreunprocessusautorgressifd'ordre2(AR2).(Passaged'unbruitblancdansun
filtrercursifd'ordre2).Onajoutecesignalalatoireunbruitblancdevarianceconnueapriori.
1)Oncherchefiltrercesignalbruitl'aided'unfiltredeKalman.Onsupposeconnules
coefficientsdumodleetlavariancedubruitgnrateur.EcrirelesquationsdufiltredeKalman.
Effectuerlasimulationdedbruitage.FaireensuiteunmodleAR2dusignalbruitetdusignal
dbruit.Comparerlesdensitsspectralesdepuissancedessignauxnonbruit,bruitsetdbruits.
2)Oncherchefiltrercesignalbruitl'aided'unfiltredeKalman,maisonsupposene
connatrenilescoefficients duprocessusautorgressif,nilavariancedubruitgnrateur.(La
simulationestenfaitunesimplificationducaspratiquededbruitaged'unsignaldeparole,donton
ignorelemodleAR).L'ordreduprdicteurestconnu.
Pourcela,onestimedabordlescoefficientsARsurlesignalbruit(mthodedeYule
WalkeroudeBurg),ainsiquelavariancedubruitgnrateur.Oneffectuealorsunpremierfiltrage
deKalmanaveccescoefficients.Surlesignalfiltr,onitrelamthodeplusieursfois.
crireleprogrammed'estimationdesparamtresAR.Ecrirelemodled'tatetleprogramme
defiltragedeKalman.
Simulationn6
Sujetn17
Analysetempsfrquenced'unsignaldeparole
Lesignaldeparolesetrouvedanslefichier"signal_parole"lisibleparlacommande
Lire_fichier_parole.m. Il s'agit d'une matrice 4096.1 (Ces fichiers se trouvent ladresse
http://perso.enstbretagne.fr/~boucher/Projets/sim9)
ImplmenterlatransformedeFouriercourttermepouranalyserlesignal.
Effectuerl'oprationinverse(synthsepartirdesspectresobtenus)parlamthode
OLA(overlapadd)
fentre.
Evaluerladgradationlareconstructionenfonctiondutauxderecouvrementde
Document:AppendixAImplementationofthealgorithms(shorttimeFouriertransformandOLA
method) (tir dela thseSpeech dereverberation applied to automatic speechrecognition and
hearingaidssoutenueparKatiaLebart(universitdeRennes1,2108)
Speechanalysis/synthesisandmodificationusingananalysisbysynthesis/overlapaddsinusodal
model,B.George,M.Smith,IEEETrans.OnSpeechandAudioprocessing,vol5,n5,september
1997,p389405
Simulationn7
Sujetn18
Modlisationautorgressivedunsignaldeparole
Lesignaldeparolesetrouvedanslefichier"signal_parole"lisibleparlacommande
Lire_fichier_parole.m. Il s'agit d'une matrice 4096.1 (Ces fichiers se trouvent ladresse
http://perso.enstbretagne.fr/~boucher/Projets/sim9)
Simulationn8
Sujetn19
Filtraged'unsignalbruitpardcompositionenondelettesorthogonales
Simulationn9
Sujetn20
Dcompositiondunsignalenondelettesorthogonales
Ecrirel'algorithmedeMallataveclesondelettesdeDaubechiesquipermetl'analyseetla
synthseavecreconstructionsanserreurd'unsignaletvrifiersonfonctionnementsurquelques
signauxtestscommelasuccessiontemporelledesignauxsinusodauxdesfrquencesdiffrentes
ouunsignalcarrpriodique.
Lescoefficientsdesfiltrespassebasetpassehautd'analysesontrespectivementh33eth44.
ordre10(N=9)
h33=[.16.6.72.138.242.032.077.006.012.003];%passebas
h44=[.003.012.006.077.032.242.138.72.6.16];%passehaut
ordre6(N=5)(filtrephaseminimaledeDaubechies)
h33=[0.3326705542950 0.806891509311 0.459877502118 0.1350110230010 0.0854412723882
0.035226291882];
h44=[0.035226291882 0.085441273882 0.1350110230010 0.459877502118 0.806891509311
0.3326705542950];
ordre6(N=5)(filtreCoiflet)
h33=[0.051429728471 0.238929728471 0.602859456942 0.272140543058 0.051429972847
0.011070271529];
h44=[0.011070271529 0.051429972847 0.272140543058 0.602859456942 0.238929728471
0.051429728471];
Simulationn14
Sujetn21
Dtectionstatistiquedecontour
Onchercheraliserundtecteurdecontourbassurladiffrencedesvaleursmoyennesde
partetd'autreducontour.
Programmerlamthode.
L'appliquer une image de synthse (ex: un disque dont les pixels possdent une
distributiongaussiennesurunfonddepixelsayantuneautredistributiongaussienne)
L'appliqueruneimagerelle(quevouspouvezchoisir)
Discuterlesperformances(c'estdireaussiquelscritresdeperformancechoisirpour
valuerlersultat)
Comparerdesdtecteursdecontourclassiquesbasssurlesdrives,puisseuillage.
Rfrence:TraitementnumriquedesimagesKuntchapitreextractiondecontoursp
299304
Simulationn15
Sujetn22
Filtraged'imageradar
Creruneimagesynthtiqueconstituedeplusieurszonesdiffrentesdeniveaudegris,
accompagnesd'unbruitmultiplicatifdenaturegaussienne (danslecasd'uneimage
radar,lebruitsuituneloidetypeexponentiel,maisonn'appliquepascemodleici)
EcrireleprogrammedefiltragedeLeeetKuan etal.amliorenMatlab(cfarticle)
(groupe1)
EcrireleprogrammedefiltragedeFrostamliorenmatlab(cfarticle)(groupe2)
Appliquerl'imageprcdente.Comparerunfiltremoyenneuretunfiltremdianen
terme de coefficient de variation (rapport carttype sur moyenne) sur les zones
homognesetentermedeprservationdescontours.
Appliquer une vritable image radar (elle se trouve sur http://perso.enst
bretagne.fr/~boucher/Projets/sim2224)
Examinersubjectivementlersultat.
Article 1: Adaptive speckle filters and scene heterogeneity Lopes, Touzi et Nezry IEEE on
geoscienceandremotesensing,vol28,n6,nov90,p9921000
Simulationn16
Sujetn23
Compressionsimplified'imagepartransformeenondelette
Article:ImagecompressionusingtheHaarwavelettransform(ColmMulcahy)
Simulationn17
Dtectiondecontoursenimagerieradar
Sujetn24
Ils'agitd'estimerlafrontireentredeuxrgionsquisontvuescommelaralisationdedeux
processusalatoiresdcritspardeuxdensitsGamma.Pourcrerdesvariablesalatoiressuivant
cetteloi,ilsuffitdeprendrelaracinecarredevariablesalatoiressuivantlaloidu 2.(somme
d'ordreNducarrdevariablesalatoiresgaussiennes)
Programmerl'algorithmedeTouzi
Creruneimagedesynthseavecdeuxrgionsetsurchaquergionunetexturediffrente,
latexturetantobtenuepargnrationdepixelssuivantuneloiGamma.
Rappel:unevariablealatoireobtenuecommelaracinecarredelasommeducarrde
NvariablesgaussiennesindpendantessuituneloiGammad'ordreN.
Appliqueruneimagedesynthse,ainsiqu'uneimagerelle.(quisetrouvesurhttp://perso.enst
bretagne.fr/~boucher/Projets/sim2224
Article1:AstatisticalandgeometricaledgedetectorforSARimagesTouzi,LopesIEEETrans.
onGRSvol26,n6,nov88