Vous êtes sur la page 1sur 285

LAVOISIER, 2004

LAVOISIER

11, rue Lavoisier


75008 Pmis
Serveur web:

\-V\-VW,

hermes-science.com

[SBN 2-7462-0769-9

Le Code de la proprit intellectuelle n'autorisanl. aux termes de l'article L 112-5, d'une


pari, que les "copies nu reproductions strictement rscrn~cs l'usage priv du copisle ct non
dc.sllnes il une utilisation collective'l ct, d'autre parl, que les analyses cl les COU11C5 claiions
dans un but d'exemple ct d'illustration, "Ioute reprsentation ou reproduction intgrale, uu
parlellc, faite sans le consentement dc l'auteur ou de ses ayants droil ou uY1.-lnls cause, sl

micHe" (article L i 22-4). Cdlc rcprscmton ou reproduction, pur quelque procd que cc
soir, constituerai! donc une contrefaon sanctionne pm'les anldcs L 3352 ct suivants du
Code de la proprit intellectuelle.

Dcision dans le plan


tenlps-frquence

sous la direction de

Nadine Martin
Christian Doncarli

Il a t tir de cet Olwrage


30 exemplaires ltors C0111merce rsaps
aux rm.:mbres du comU scielltiflque,
wlX {U/let/l's el () /'tfditenr
lwmcrots (le j il 30

..................

...

_-----~~~~~~-~~~~~~-

Dcision dans le plan


temps-fTquence
sous la directioJ1 de Nadit/e Marlill el Christian DO!1carli

fait partie de la srie TRAJTEMENT

DU

SIGNAL ET

DE

IJ.MAGE

dirige par Francis Castani et Henri lVlatre

TRAIT
SOUS

ICZ

INFORMATlON - COMMANDE

COMMUNICATION

la direction scientifique de Bernard Dubuisson

Le trait Information, Commande, Con1munCation rpond au besoin


de disposer d'un ensemble complet des connaissances et mthodes
ncessaires Ja 111atrise des systmes technologiques.

Conu volontairemem dans lill esplit d'change disciplinaire, le trait IC2


est j 1tat de ]lart dans les dornaines suivants retenus par le con1it
scientirique:
Rseaux et tlcoms
Traitement du signal et de l'image
Infmmatiquc et systrnes d'information
Systnles automatiss et productjque
Management et gestion des snes
CogniUon et traiten1cnt de l'information.
Chaque ouvrage prsente aussi bien les aspccts fondanlcniaux
qu1explimcntaux. Une dassillcation des diffrents articles contenus
dans chacun, une bibliographie et un index dtall orientent le lecteur
vers ses pojnts d'intrt immdIats: celui-ci dispose ainsi d~un guide pour
ses rflexions ou pour ses choix.

Les savoirs, thoTies et mthodes rassembls dans chaque ouvTage ont


t choisis pour leur pertinence dans Pavancc des connaissances ou pour
la qualit des rsultats obtenus dans le cas d'exprimentations relles.

Liste des auteurs


Piene-Olivier AMBLARD
LIS
CNRS
Grenoble
Eric CHASSANDE-MOTTIN
Laboratoire de Physique
ENS Lyon, CNRS
Lyon
Franois COMBET
LIS
INPG
Grenoble
Manuel DAVY
IRCCyN
CNRS
Nantes

Christian DONCARLI
IRCCyN
Ecole Centrale de Nantes
Matthieu DURNERIN
LIS
CNRS
Grenoble
Patrick FLANDRIN
Laboratoire de Physique
ENS Lyon, CNRS
Lyon
Cyril I-IORY
LIS
INPG
Grenoble
Pierre JAUSSAUD
LIS
INPG
Grenoble

Hlne LAURENT
IRCCyN
Eeole Cemrale de Nantes
Nadine MARTIN
LIS

CNRS
Grenoble
Philippe RAVIER
LIS
INPG
Grenoble
Cdric RICI-IARD
LM2S
Universit de Technologie de Troyes
LotH SENHADJI
LTSI
INSERM
Universit de Rennes 1
Mohammud Bagher SHAMSOLLAHI
LTSI
INSERM
Universit de Rennes 1

Table des matires

Avant-propos . . . . . . . . .
Christian DONCARLI cl Nudinc MARTIN

J5

Chapitre 1. Tcmps-fl"quence ct dcision - une introduction

19

Patrick FLANDRIN

19
22

L L Introduction ...
L~. Rcrire. . . ..
. ..... .
1.3. Adapter . . . . . . . . . . . . .
J.3. L Hypothses comp05ites
13.2. Chirps . . . . . . . .
1.3.3. Rohustesse ... , . ,
1.4. Partir du plan . . . . . . . .
lA.l. Filtrage adapt temps-frquence .

26
26
28

29
31
31
32
33

1.4.2. Apprentlssage , . , ..
1.4.3. Reconnaissance de formes.

35

J.5. Bibliographie . . . . . , , . , .
Chapitre 2. Dtection de Iton~st:ltionnari~s .. , . . . . . . .
Piene-Olivier AMBLARfl, Eric CHASSANDE-MOHIN,
Christian DONCARLl, Matthieu DURNERIN, Patrick FLANDRIN,
Hlne LAURENT, Nadine MARTIN, Philippe RA VIER

1,1. Dtection de non-stationnarits l'ordre 2 , . , , . . . . ..

41

. .....

2.1,1. Test d'hypothse dans le plan temps-frquence . . . . . .


2.1.2. Densit de probabilit du priodogramme sous Ho .. .
2.J.3. Seuil de dlection du lesllemps-frquence ...

41

42
45

48

10

Dcision temps-frquence

2.1 A. Test temps-frquence rcursif. . . . . . . . .

50

2.1.5.1nlluence de l'estimateur temps-frquence.

53
54

2.1.6. RsultaI: sur UI1 signal aad111ique ...... .


2.1.7. Ehlde de signaux rels. , ... , ...... .
2,1.8. Conclusion, . , . . . . . . . , . . . . . .
2.1.9. Bibliographie . . . . , , , . ' , , , '
2.2, Dtection de sauts Ih!quentiels ' . .
. ...... .
2.2.1. Introduction , . . . . , . . . . . . . . . . . . . . .
2.2.1. Principe de la m':thodc . . . . . . . .
2.2,2,1. Surveillance, .. , , , .
2.2.2.2. Segmentation .. , . . . . ..
. ..... , . ,
2.2.2,3. Choix laisss l'utilisateur, , , , . , .
2,2,3. Rsultats ..
2.2,3. L Surveillance ...
:1,,2.3.2. Segmentation,
......... .
2.2.4. Conclusion. . . . .
. ...... .
2,2,5, Bibliographie . , .,
' , , ... ' , , , ,
2.3. Detection de transitoires par ondelettes adaples ...
2.3.1. Sur les signaux transitoires et Jeur dtection.
2.3.1.1. Colltexte de dtee(on , , , , . ,
2,3,1.2. Quelques approches de dtection , .. , ' . . . . ,
2.3.2. Une approche fonde sur un partitionnement du plan
temps-frquence , , .. , .. , , .. , , , . ' , , , , , , , , , , ,
2.3,2, l, Notion sur le dcoupage du plan temps-frquence,
2,3.2.2. Paquets d'ondelettes .. , , , , , , ,
2.32.3, Mlhodologie de dtection, , ,
:U,2.4, J11ustrations
2.3,3. Pour conclure.
. .....
2,3.4, Bibliographie , ,
' , , . , . ' , , , "
",,'"
,2A. Dtection temps-frquence ell'allocation . . . . . . , . . . . . . ,
2.4, J. Introduction ' , , ,. " " " " " " " ' "
2.4.2. Dtection ...
2.4.1.1. Dtecton oplimale, . , . . . . . . . , .
2.4.2.2, Dlection temps-frquence.
2.4.3, Dtecter les chirps linaires, , , "
"",,'
2,4.4. Dtecter Ics chirps en loi de puissance . . . . . , .
2.4.5. L'exemple des ondes gravitationnelles . . . . .
2.4.5.1, Un modle pour la coalescence de binaires.
. .... .
2.4.5.2. Un dtecteur temps-frquence simplifi . . . . . . . . . .

2.4.5.3. Une illust.ration , ,


2.4,6, Conclusion, '
2.4,7, Bibliographie

, ...... .
, , , , , ' , ,

57
60
61
63

63
64

64
68

69
72
72

80
83
83

84
84
86

86
88

89
91

95
97
102
102
103
103

105
105
106
108
109
114
liS
117
121
123

125

Table des matires

Chapitre 3. Dtection pnr reprsentations temps-frtillence discrtes. .

11

127

Cdric RICHARD
3.1. Position du problme . . . . . . . .
.' . . . . . . . . , , , ,
3.2. Dlection structure libre par distributions de Wigner-Ville. . .
3.3, Dtection struclure impose purdistribulions de Wigner-Ville.
3.3.1. Espuces linaires. espaces induits cl bases . . . . . . . . . . .
3.3.2. Comparaison des approches. . .
. . . . . .
. . . .
3.3.3. Innucnce de la maldiction de la dimensionnalit. . . . . . .
3.4. Distribution de Wigner-Ville discrte classique ct redondance .
3.4.1. Familles gnratrices. . . . . . . . . . .
3.4.2. Cas de l'ulItodistribution. . .
3.4.2.1. AUlodislributton de slgnaux complexes.
3.4.2.2. Autodistribution de signaux rels
3.4.3. Consquences en dtection
3.5. Bibliographie. . . . . . . . . . . .

.
.
.
.
.

..
..
..
..
..

Chapitre 4. Classification

127
129
131
132
133
135
J 37
138
140
141
141
143
145

147

Malluel DAVY

4.1. Introduction.
4.1. f. Classer des signaux. pour quoi fnl'c? ,
4.1.2. Un exemple .. . . . . . . . . . . . . .
4.1.3. Elments de classificalion supervise.
4.1.3.1. Contras le de Fisher.
, . , ....
4.1.3.2. Rgle du plus proche reprsenlant.
4.1.3.3. Rgle des k plus proches voisins .. .
4.2. Intrt des approches temps-trquence . . . . . .
4.3. Classifatioll temps-frquence: diffl'entes stratgies ... , ..
4.3.1. Les travaux fondateurs en temps-frquence , , , .. . . . . . . .
4.3.2. Recherche de la reprsenta lion lemps-frquence
ct de la distance optimales. . .
. . . . . .
. ..... .
4.3.3. Classification utilisant le pian des ambiguts. , ... .
4.3.4. Utlisation de techniqus dc traitement d'images
pour la classification. ..,., .... ,., .... ,., . . . . . . . . ,.
4.4. Amliorer les rsultats de classification dans le plan
temps-frquence, . . . . . . . . . . , .
4.4.1. Critres . . . . . . . . .
4.4.1.1. Critre du premier ordre.
4.4.1.2. Critre de lype Fisher. .
. .... .
4.4.1.3. Critre de probabilit d'erreur. . . .
. ...... .
4.4,2. Pertinence des crteres proposs application l'exemple.
4.4.3. Mthode de conception .
. .......... .

147
147
149
149
151
15~

153
154
156
156
156
157

159

159
159
160
160
161
162
163

12

Dcision lemps-frquence

4.5. Conclusion. . . . . . . . . . . . . . . . . . . . . . . . .
4.6. Annexe: distances pour la dcision . . . . . . . . . .
4.6.1. Distances Lq, distance quadratique, corrlation
4.6.2. Distances entre densits de probabilit . . . . .
4.6.3. Distances spectrales . . . . . . . . . . . . . . . .
4.7. Annexe: noyaux paramtriques de rcprsentations temps-frquence.
4.7.1. Noyau radialement gaussien . . . . . . . . . . . . . . .
4.7.2. Noyau de Choi-Williams marginalcs gnralises .
4.7.3. Noyau exponentiel multiforme orientable.
4.8. Bibliographie. . . . . . . . . . . . . . . . . . . . . . . . . . . .

Chapitre 5. Extraction de motifs temps-frquence.

166
168
168
169
171
171
171

17'l
172
173

177

Cyril HORY et Nadine MARTIN


5.1. Scgmcntation par tiltragc non linairc . . . . . . . . . . . . . .
5.1.1. Segmentation morphologique: notions lmcntaires. .
5.1.1.1. Algorithme LPE seuil par seuil . . . . . . . . . . .
5.1.1.2. Prtraitemcnt : modlisation des connaissanccs Cl priori.
5.1.2.LPEetRTF . . . . . . . . . . . . .
5.1.3. Application sur des signaux rels. . . . .
5.1.3.1. Un signal de bioacoustique.
5.1.3.2. Un signal dc cavitation . . . . .
5.1.4. Limite de la fonction gradient. . . . .
5.1.5. Conclusions de l'approche par LPE .
5.1.6. Bibliographie . . . . . . . . . . . . .
5.2. Cosegmentation RTF/cspace de mesures
5.2.1. Vers une interprtation statistique.
5.2.1.1. Modle statistique . . . . . . .
5.2.1.2. Redfinition du problme d'interprtation.
5.2.2. Interprtation dans l'espace des caractristiques.
5.2.2.1. Modle de mlange local. . . . . . . . . . .
5.2.2.2. Momcnts d'ordrc 1 ct 2 dcs caractristiques locales
5.2.2.3. Estimation dcs paramtrcs d'unc loi du X2 centr.
5.2.2.4. Caractrisation.. . . . . . . . . . . . . . . . . . .
5.2.2.5. Choix de la taille de cellule. . . . . . . . . . . . . .
5.2.3. Deux exemples d'application sur des signaux rels. . .
5.2.4. Conclusion sur l'approche par espace des caractristiques.
5.2.5. Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . .

180
181
182
184
185
188
188
191
192
195
196
198
199
199
200
201
202
203
204
206
207
208
210
211

Table des mntires

Chapitre 6. De la physique la dtection. . . . . . . . . . . . . . . . . .


Franois COMBET, Pierre .IAUSSAUD, Nadine MARTIN, Lofti SENHADJ1,
Mohammad SI-IAMSOLLAI-Il

13

213

6.1. En mcanique: dtection de chocs. .


213
214
6.1.1. Pourquoi un tel modle ? . . . .
6.1.1.1. Dfinition d'un choc. . . .
214
6.1.1.2. Exemples de situation de choc.
215
6.1 .1 .3. Rponse d'un systme mcanique un choc.
216
6.1.1.4. Modle multichoc . . . . . . . . . . . . . .
120
6.1.2. Quel est l'intrt de ce modle? . . . . . . . . . . .
225
225
6.1.2.1. Analyse de Fourier d'une rponse des chocs
6.1.2.2. Analyse de Fourier glissante d'une rponse des chocs.
227
6.1.2.3. Alternatives. . . . . . . . . . . . .
228
6.1.3. Analyse de Prony en stationnaire. . . .
229
6.1.3.1. Historique de l'analyse de Prony
229
230
6.1.3.2. L'analyse de Prony.
6.1.3.3. Le modle exact de Prony. . .
232
6.1.3.4. Le modle approch de Prony
233
6.1.3.5. Prony corrlation. . . . . . . .
234
6.1.3.6. Systmes linaires en jeu. . .
235
6.1.3.7. Conditionnement des matrices C et V
236
6.1.3.8. Autres identifications . . . . . . . . . .
239
6.1.4. Non-stationnarit et modle multichoc . . .
239
6.1.4.1. Rupture de modle sur la fentre d'observation.
240
6.104.2. Dtecti0t: des instants: courbe des amplitudes .
242
6.1.4.3. Prony temps-frquence. . . . . . . . . . . . . . .
246
6.1.5. Application un signal vibratoire de remonte m.an~~. 248
6.1.5.1. Signal de pylne compression synthtis.
~)~ 248
7 S'
l' 1
/-r/ . - "\,\\\ 751
6 1C5 '-'1
Igna ree . . . . . . . . . . . . . . . . . .
\el\ ;53
6. 1..
6 one USlon . . . . . . . . . . . . . . . . . . . . . . . . -G.,. ..
'j"nj1 . . . . . . . . . . . . . . . . . . . '\-:':<\'
. ...;:.<.
' .\.;' . .JO,.' 1754
6 17 B 1'bl'IOgraplie
6.2. Dtection de transitoires et analyse de signatures en pil. epSl .. , ,/'".'.~)/ 256
' \ : .. ' "
J'
/
6.2.1. Dtection par ondelettes en EEG . . . . . . . . . .
260
~:-:-:=-:~
263
6.2.2. Analyse temps-frquence de signaux SEEG .
6.2.3. Mise en correspondance.
269
6.204. Conclusion. .
272
6.2.5. Bibliographie . . . . . . .
273

J:; //:"".

r' .( "(>".(;;" .

>.J':L 1'\(::1';\\'

Tndex . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..

177

Avant-propos

La connaissance d'un phnomne physique passe frquemment par l'acqusition


d'un signal monodimensionnel et, ced, dans divers domaines d'application, Citons
entre autres des signaux d'origine botogque~ mcanique. sismique ou acoustique,
Ces mesures sont exploites il des fins de descriplion, d'analyse ou de dcision. Ce
demicr point. la prise de dcision, constitue l'objet de cet ouvrage,

Plus prcisment, cet ouvrage s'intresse aux signaux non stationnaires, La 11011stationnarit est une proprit trs prsente dans la nature mais difficile matriser
thoriquement. Que peut vouloir dire une frquence volutive au cours du temps
alors que, par essence mme, la dfinition du mot frquence sous-entend une
dmcnson temporelle infinie et, de ce fait, une absence de localit? Nanmons.
mme SI le problme suscite encore des questions captivantcs t nous ne revisiterons
pas les concepts Ihoriques ncessaires l'laboration de mthodes d1analyse de
signaux non stationnaires tels que, par exemple, la frquence instantane. De
nombreux ouvrages Qnt trait et traitent encore de ce sujet. Nous allons considrer
que nous ( matrisons li ces concepts et ces mthodes et nous proposons au 1ecteur de
s'interesser au dornaine temps-frquence ou temps~chelIe. domaine d'observation
pertinent dans un contexte non stationnaire.
Le vocable Dcison )} du titre de cet ouvrage, couramment utilis dans la
communaut nationa1e depuis quelques annes, doit tre pris dans un sens large, il
est d'ailleurs relativement imprcis. II s'agit ici de pot1er un jugement sur la mesure.
de dtenniner queUes en sont les diffrentes parties, structures ou composantes. 11
s'agit d'interprter, de reconnatre. d'cxtmire, de dtecter ou de classifier. Chaque
chapitre de ccl ouvrage mettra en lumire rune ou l'autre de ces problmatiques:
l'objet des chapitres l, 2, 3 et 6 est de dtecter,
l'objet du chapitre 4 est de classifier,
l'objet du chapitre 5 est d'extraire des 1lI01i!"

16

Dcision temps~fi'qucnce

propose des
Pour rsoudr e ces problm es, la thorie de tralleme nt du signal
chapitre 1.
le
dans
ues
parcour
es
approch
ces
de
algorH'hmes optimau x. Nous parlons
dans les
ent
condus
nOlis
aire
stationn
non
approch es dont lS limites en rgime
et par
,
rc~nles
es,
novatric
es
chapitre s suivant s il des contribu tions thoriqu
rer ce
consid
de
lecteur
au
cnt
consqu ent sujettes volutio n. Les auteurs demand
docume nt comme un tat de l'arl au jour de j'dition .
aborde sous
Une prscl1taton succinc te du contenu de cCl ouvrage peut tre
atiol1 a
Inform
de
nature
la
trois angles diftrcn ts : la philoso phie de rapproc he.
priol'i ou les applica tions concem cs.

Philosophie des llppfohes


toutes sur la
Les approch es de dcision propos es dans ce truit ne s'appui ent pas
r il optimis er les
mme philoso phie. Face ce prob1me, une 50Iuton peut consiste
prdfin ie. Cetle
param tres une mthod e d'analy se dans une optique de dcision
4.
chapitre
le
et
1.3
section
philoso phie est mise cn avant dans la
dfini comme
Sous un autre point de vue, le problm e de dcision peut tre vu et
Cette
donne.
se
d'analy
e
mthod
une
pour
un post-tra itement fi l'analys e et cc,
().
et
5
s
chapitre
les
et
2.4
~.2.
2.1,
deuxim e piste est examin e dans les sections
inconto urnable
Les varables temps et frquence tant U valeurs discrtes, il est
rquence
temps-f
tion
distlibu
'une
cl
ation
de donner une dfinition prcise de la discrtis
e.
probJm
ce
ment
dans un context e dcision nel. Le chapitre 3 aborde sreuse

brfOl'll1utiOil il priori
galement par
Quelle que soil la philosophie retenue, les approches se distinguent
connnis sances
leur faon d'appr hender les informa tions ou connais sances a priori:
qui fi gnr
systme
le
sur
,
observ
slgnal
du
modele
le
comple tes ou partiell es sur
un espace
gnre
cas,
notre
dans
qui,
se
d'analy
e
l'observ ation ou SUI' la mthod
grer ces
il
facults
tes
diffren
ns
d'obser vation temps-f rquenc e. NOliS observo
informa tons au cours des chapitres.

priori est partielle et se rsume certaine s pl'Oprts sur le:


s.
signal. les mthod es propos es s'appui eront SHf les propri ts suivante

Si Pinfm mlion

il

A vam-propos

17

En dfectOil
Dans la section 2.l, la non-stationl1arit est quelconque et dteclable par des
variations des moments d'ordre ::, Dans ln section 2<2. la non~stationnarit est une
rupture frquentielle dtectable par la variation d'un indice fonction de dist''lOces
calcules Sur des reprsentations temps-frquence (RTF) il dl!Trents instants ou par
rapport une rfrencc. Dans la section 2.3, la non-stalonnarit est sous fonne de
transitoircs de f0n11e inconnuc et dtectable par un cart il la gaussianit du bruit
dans lequel il est plong, cart mesur par unc variation du moment d'ordre 4. Dans
la section 6.2, les hypothses mises sur les distributions statistiques des vnements
il dtecter ont servi de base la COl1stnlction du dtecteur.
En extractio/1
Dans la seelion 5. i, les proprits connues servent de base i la const111ction de
filtres non linaires pour exlraire les motifs lemps frquence.

Si j'infomlution a priori est plus une exprience acqusc, le problme repose


alors sur la capacit il reprsenter un signal par un nombre restreint de caraclres dits
( discriminants ,j, caractres dtemlins par un ensemble d'apprentissage constitu
de mesures expertises, Le chapitre 4 propose d'optimiser la dassificaton en
recherchant un couple RTF/distance qui minimise Je taux d'erreur.
Une infommllon a priori forte peut lre dcrite sous la fi.l1111C d'un modle de
l'observation. La section 2.4 propose un dtecteur sous tomlC d'un filtrage adapt
par rapport LlIlC fonne d'onde connue de paramtres inconnus, La section 6.1
propose un modle temporel non stationnaire afin e construire ensuite une RTF
discrte, Ce rnodlc PCut tre de plus haut niveau. peu rcstrictif: el s'adresser il un
ensemble large de situation. La secton 5.1 considre un modle probabiliste des
lments du domaine d'observation, la RTF. Un calcul de la vruisembhmce est alors
envisageable, mais la rsolution ncessite la mise en place d'algorithmes adapts,

AppUcatim18 cOJlcernes

Chaque auteur, aprs avoir dvol les secrets de son approche, la teste SUl' des
signaux rels, but ultime de la dmarche: signal vibnttoire dans la sccron :;,1, bml
hydraulique dans les sections 2.1 et 2.3. signal musical dans la section 2.2. ondes
gravitatonnelles dans la section 2.4, signal bioacoustique el signal de caviwtion
dans Je chapitre 5. A l'inverse. le chapitre 6 part dc l'applicaton pour construre lIne
mthodologie adapte: signal vibratoire de remonlcs mcaniques dans la section
6.1, signal biomdical dans la secton 6,2,

1S

Dcision temps-frquence

contucts et
Il est inctmtesttlhle que cet ouvrage a pu prendre fonne grce aux
de ces
cours
aU
e
collaborations fructueuses au sein de la communaut: franais
ent
simplem
tout
dernires annes. Au terme de cette exprience. nous souhait ons
remcrcier les auteurs de leur contribution.
l'espro ns,
L'vent ail des solutil1l1s proposes est plutt large, cc qui nous
certains
de
xit
ntressera le lecleur et lui permettra de triomphcr de la comple
la nafllre en lui
signaux, non pas au sens de Gaston Btlchelard : ( NOlis compre nons
ne triomph e de
rsislcmf h, mais plutt au sens du philoso phe Francis Bacon: a On
la Ilature qu'en Irli obissaHi 1>,

Nadine MARTIN ci Christian DONCARLI

Chapitre 1

Temps-frquence et dcision - une introduction

1.1. Introduction

C' est ulle vidence ct une banalit de drc que le momIe qui nous entoure est

non

stationnaire );. Si s'offrent bien sr notre obscrvution des phnomnes cmprcinL"I


d'une grande rgularit (du moins rapports une chelJe temporelle humaine, comme
par exemple le mouvement des astres), ce par quoi le monde nal noire perception
passe avant tout par le changement. Ja variation, la diffrence, D'une faon tou' rall
fondamentale. 1'nfonnation (dans son sens auss bien commun que technique. il lu
Shannon )~) est indi~;sociable de l'imprvu et donc de la ({ non-stationnarit , cn tant
qu'ide gnrale de non-homognit spatin-temporelle. De plus, si l'on admet que la
nature est en soi non stalionnajre. il apparat aussi qu'ulle cnpacit de suivre ses n011stationnarits esl altache nos sens outils naturels permettant de r apprhender -, et
de celle conjonction rsullc ln possibifit mme (tYinologique) d'une connaissance.
Observateurs impassibles d'un univers immuable. nous serions confronts, non seulement fl un indicible ennui, mais encore l'incapacit mme d'en dire quelque chose,
voire d'en percevoir l'existence.

Au vu de ec pn5ambuie lrs gnral. il semblerail donc raisonnable que les i-'lignaux,


supports physcjuCS de toute information. soient traits par des procdures reposanl
la basc sur des prsupposs de nOIl-stationnarits. c'est-il-dire raide d'outils offrant
un langage naturel pour la descdption de ces dernires. Or. force est de constater que,
si r exprience quotidienne va bien dans ce sen ... (quoique d'une faon csscntieHement perceptucllc). ce n'est que dpuis UI1 pus.s ussez rcenl !:lIIC e tels outils onl l
Chapitre rdg par Patrick FLANDRIN.

20

Dtd5ion temps-frquence

ts, dans le,o..:queHes


forgs pour apprhe nder des dasses trs larges de non-sta uonnari
inant Nu1 beBoin
prdom
rle
UI1
joue
es
spectral
ts
J'volut ion tempore lle de propri
musical e,
notation
la
de
nd
bien-fo
du
justifier
pour
pourtan t de longues explica tions
r) il
locuteu
d'un
(ou
e
mUFiqu
de
enl
instrum
d'un
issance
de l'viden ce de la reconna
J'oreille
pur
motcur
d'un
que
acousti
tic
diagnos
du
os
son tmnre, ou encore de )"~prop
voir merge r (et
experte d'un garagis tc. Il li en fat fallu attendre les annes i 980 pour
temps-f rquenc e
pour accepte r) un paradig me nouveau , selon lequel c'est dans un plan
Si un des l*
qu'il convien t de dcrire cl de manipu ler des signaux non stationn aires,
des ondelet tes )~1
ments dcisifs de ce change ment a certaine ment t la ., rvoluti on
ue pnrLiculire 1 et
le vritabl e bascule ment paradig matique va all-dcl~ d'une techniq
de techniq ues
les approch es qui ont pu tre dvelop pes s'appui ent sur tout un arsenal
ncessa ire souci de
introdu ites prcde mment des Hns essemie lles d'analy se. sans
traitel11enl proprem ent dil.
ssion. chanComme cela peut tre le cas dans des lches d'analy se ou de compre
(dtecti on,
signal
un

quant
n
dch;io
une
ger ct' espace de reprsen tation pour prendre
l'inform ade
r
dispos.e
de
souci
aU
estimation, clnssificaton, reconna issance ) rpond
Lorsqu' Il
on,
eXtracti
son

propice
plus
tion que le signal recle, sous la forme ln
f> al! signal.
adapte

wtiol1
rcpr;en
une
!;'ugit d'analy se, la questio n est de trouver
nologi que, Dans
en accord avec son interpr tation physiqu e el sa descript ion phnom
l'inform alion sur
er~!
concenlr
,(
de
ge
davanta
le cas de la compre ssion, l'object if esl
iiremenl
nCeS5<
prtent
se
ceux-ci
que
sam;
un petit nombre de coeffici ents. mais
souven l
est
l'ide
vise,
est
qui
dcision
une
une nterpr tation particul irc. Si c'est
donc
(ct
plan
le
dans
h
re
signatu
(
d'une
nce
double, rcposan t pour une parl sur l'exlsle
e de
videnc
en
mettre
de
mme

soit
qui
sur ln ncessit de choisir une reprse ntation
aison
compar
de
re
procdu
une
sur
part
une
fnon simple une telle signatur e), et pour
avec une ou des rfrenc es. oprant dans le plan,

couvert dans la
, La thorie de la dcision tant un sujet classjqu c el largeme nt
sur la ncessi t
littratu re [POO 88, TRE 68, WHA 711, il faut bien sr s'interr oger
un tel context e.
qu'il peut y avoir de recouri r des approch es temps-f rquenc e dans
es temps-f rquenc e
D'une manire trs gnral e, la mise en compar aison de stratgi
peut sc symbol iser
avec des approch es usueHc5 (opran l en temps el/OU en frquen ce)
de la faon :mivante.
(J prs ~ cl
Soit .r{t; 6) un signal connu - un vecteur de param tres
ation dispol'observ
de
base
la
Sur
bruite.
tion
1'(t) := :rU) + b(t) une observa
divers cri{)(i").
bruit
au
quant
TI
priori
(/
ues
nible r(f;) et de connais sances statistiq
nnc. de
baysie
e
~tralgi
e,
contrast
de
m
maximu
tres (maxim um de vraisem blance,
sortie
la
dont
optimal
ur
rcepte
un
ire
constru
de
Neym-U1-Pearson ... ) permett ent alors
e au
possibl
dcision
de
prise
re
meilleu
la
ant
Ao(rl:c! ':8) esl une statistique permett
ce
frqucn
tc:mps~
cndre
un
il
he
dmarc
la
Elargir
Mens du crllre d'optim alil choisi.

TCfilj15 frquencc ct dcision


N

une inlroductlon

21

consIste il considrer le diagramme suivant:

(rU). J:{I; fi)}

Ao(rl:r.ll)
?

{p,(/., J). p,(I. j; fJ)}


dans lequel Px(t~ f; O} et Pr(t,.n sont les images temps-frquence respectives de
;1'(1; 0) et 1'(t), et o Ao(p,.lp" 1\) est la statistique de sorlie d'un rcepleur oprant
directement dans le plan.

Un tel diagramme pose videmment plusieurs questions relatives aux nombreux


degrs de libert mis en jeu: quelle reprsentation temps-frquence p choisir? Quel
critre relenir pOlir la construction de la statistique A? Quel lien entre A et A ? li
met aussi en vidence qu'au moins deux approches sont possibles pour aborder ces
questjons: la premire consiste prendre le chemin l' f-.:. A -+
c'est--dire partir de stratgies usuelles et en donner des formulations temps~frquence associes:
la deuxme, qui emprunte cette fOls la route r ~ {Jr
est plus rndicale dans la
mesure o ellc prend son poinldc dpart dans le plan et cherche tt y ancrer sa stratgie.
Dans le premier cas, il est clair que ]a recherche de la commutativit du dagramme
n'est pas une I1n en soi. C'est ben davantage un point de dpart, destin avant tout
garantir l'existence de formulations aHematives de stratgies optimales ct il roumir
une base pour des modifications ventuelles. Dans le deuxime cas, on peut esprer qu'une approche oprant drectement dans le plan permette, grce il une adquation enlre la nalure des donnes et l'espace choisi pour leur reprsentation, d'aborder
des problmes difficiles formuler dans un espace monodimensionnel et d'aHendre
des proprits d'optimalt de faon simple, La situation est en fait ussez analogue
il celle qui prvaut en analyse temps-frquence, En effel, dans le cas de reprsentations continues , 1'lrlc mme de passer d'une description monodimensionnelte
une reprsentation bidimensionnelle peuL paratre cralrice d'une augmentation de
redondance inutile. Il n'en esl cependant pas ncessairement uinsi. comme le montre
l'exemple simple d'un chrp ) linaire, dont lu paramtrisation temps-frquence peut
fi' avrer plus conomique que la donne des chantillons du signal de dpart. La raison
en est que le passage au plan permet une oprution en deux temps: ans un premier
temps. l'augmenlalion pOlcnticl1c de redondance offre en quelque sorte au sgnalla
possibilit de sc dployer de manire structure; dans un dcuxirnc temps, celtc structuration -lorsqu'eHe est correctement identifie et mise il profit- se traclnt alor!'i par
une diminution de la redondance ct'feclive.

Jt

)-.<

L'objectif de ce chapitre n'est pas de fournir un punormna exhaustif el dlaill


de l'ensemble des solutions possibles au problme de la dcision duns le plan
temps-frquence, mais davantage tic roumir quelques cls introductves il quelques

21

Dcision temps-frquence

essentielle
familles d'appro ches dtailles plus avant dans ce volume. La question
tion
l'estima

chant
cas
le
(largie
n
dtectio
la
de
celle
qui est aborde ici est
par
pus
corrom
connue,
moins
ou
plus
[orme
de
signaux
ou la classification) de
tions
des distribu
un bruit d'observation additif. le cadre d'tude choisi tant celui
les bases
connat
lecteur
le
que
ra
suppose
on
dont
}},
temps-frquence la Cohen
deux
moins
au
silence
sous
ainsi
passera
On
98].
MEC
98,
[BOU 96, COH 95, FLAN
s. La premire
grandes catgories de problmatiques complmentaires celles retenue
ruptures (tempoconcerne les o/~ject(fs viss, qui pourraient inclure la dtection de
rquence,
relles et/ou spectrales), telle qu'elle peuL tre revisite dans le plan temps-f
en parlicl
85]
poinl abord en dlail ailleurs [LAU 98, MAL 97, MAL 98, MART
ie
catgor
e
culier dans la suite de cet ouvrage (voir sections 2.1 et 2.2), La deuxim
de
bases
des
sur
concerne les mthod es, qui pourraient inclure les techniques reposant
particulier pour
en
les),
'ondelet
d
paquets
les,
ondelet
(Gabor,
s
linaire
dcompositions
locale de nonla dtection de transitoires, interprts comme une rorme d'introd uction
98, RAY 981
MAL
slalionnaril: l encore, on pourra se reporler il [FR1 91, MAL 97,
questions.
ces
de
ou aux sections 2.3 et 6.1 de cet ouvrage pour un traitement explicite
. Dans
Ce que contient finalement ce chapitre est organis de la faon suivante
e
rquenc
temps-f
es
approch
les
nt
comme
et
i
un premier temps, on discute pourquo
strade
plan,
le
dans
re,
rcritu
de
naturel
cadre
(au sens large) peuvent offrir un
e temps, raptgies optimales de dcision connue s par aiUeurs, Dans un deuxim
au-del de
d'aller
orfre
qu'elle
capacit
la
par
proche temps-frquence est justifie
mment
prcde
dllnis
s
schma
les
adapler
d'
ant
cette simple rcriture, en pennetl
ceradquat
ntation
reprse
de
espace
un
d'offrir
des situations non nominales, ou
prcise,
plus
manire
De
ce,
frquen
en
ou
temps
en
tains problmes difficiles traiter
ier dans le cas
cette partie concerne la dtectio1l hypoth ses composites, en particul
sse, Dans un
robuste
lype
de
s
question
des
que
ainsi
important de la dtection de chi'7Js,
plan tempsle
ent
directem
rant
consid
en
tive
perspec
troisime temps, on renverse la
prcis
sens
un
donner
de
tant
if
l'object
vation,
frquence comme l'espace d'obser
e. On
rquenc
temps-f
re
signalll
d'une
issance
nde intuitive de dtection par reconna
raire
nt
comme
de
question
la
e,
'qlleI1C
te11l{Js,p
discute ainsi l'ide de filtrage adapt
fait)
est
en
qui
l'usage
(et
choix
le
piloter
pour
usage d'une base d'appre ntissage
les
par
offertes
its
possibil
les
sur
rations
consid
s
d'une distribution. avec quelque
s.
d'image
se
d'a1laly
et/ou
formes
de
techniques de reco1lnaissallce

1.2. Rcrire
Soit le problme initial de dtection binaire :

Ho
{ Ih

,.(1.)

= b(t)

rU) = ,1:(t) +

vtt)

Temps-frquence et dcision - une introuction

23

dans lequel il s'agilde dtecter un signal d'nergie linie :1'(1) E L'(JP;), dterministe.
parfaitement connu, partir d'une observation {rU); t E T} corrompue par un bruit
additif b(t).

Dans le cas le plus simple olt le bruit b( est suppos centr et blanc, de densit
spectrale de puissance No, le filtre lillldre dont la sortie (au temps t = 0) maximise
le contraste (ou rapport signallbruit de sortie):

n'est autre que le filtre adapt, de rponse impulsionnelle h(l) =:L (1) := cr( -1.) :
A(r) := (:L,l')

C'est l le prototype de l'intuition selon laquel1e dlecter un signal revient trouver dans }' observation qui en est faite un degr de ressemblance jug sufflsant avec la
rfrence dont on dispose. Au sens du produit scalaire considr (celui des fonctions
de carr sommable), maximiser le degr de ressemblance sc rait en utilisant comme
mesure la corrlation, ce qui est quivalent minimiser la distance quadratique (donc
la norme associe) entre l'observation et la rfrence. La situation qui vient d'tre
voque repose sur une structure linaire impose mais, sous l'hypothse plus restrictive de gaussianit du bruit, le mme rsullat aurait pu tre obtenu par un argument de
maximum de vraisemblance. Dans les deux cas, le caractre linaire du dtecteur est
inlimement li la nature dterministe du signal dtecter.
Les deux approches mentionnes (maximum de vraisemblance et contraste)
offrent plusieurs niveaux de gnralisations si l'on suppose dsormais que le signal
dtecter .1'(1.) est lui-mme alatoire [POO 88]. Si l'on considre ainsi que :I:(t) est
gaussien, centr et noy dans un bruit b( color et centr, le dtecteur maximum
de vraisemblance prend la forme gnrale:

o R,l; et R.II sont les oprateurs de covariance associs au signal et au bruit, respectivement: le dtecteur obtenu est dans ce cas une fonction ql/adratiql/e de l'observation.
Remarquons que l'on aurait l aussi pu imposer ce caractre quadratique sans recourir
l' hypothse de gaussianil, en utilisant le critre de contraste voqu prcdemment.
On aurait alors obtenu comme solution la quantit:

L encore, c'est dans les deux cas la nature alatoire du signal ft dtecter qui fixe
le caractre quadratiqlle des dtecteurs.

24

Dcision temps-frquence

dtectio n d'un
De manire peur-tre plus cxplici e. la solution du problm e de
en dvelop pant les
hruit gaussie n color dans un bruit gaussie n blanc peut s'crire
du process us d'jnoprate urs de covaria nce mis en jeu sur la base de Kahnm cn-Lo ve
lnnL gaussie n
trt[T RE 68]. Si l'on consid re ainsi l signaJ ,r(t) dtecter comme
blanc, la stact
de moyenn e 'iliA 1) cf 0, tout cn supposa nt le hmi! additif II( 1) ccum;
e alors
s.'exprim
tistique d dcsion issue du principe de maximu m de vraisem blance
comlne somme de deux. contrib utions:

les valeurs propres


express ion dans laquelle les /\n cl les 'Pn (t) son l, respecti vement ,
fonction linaire
une
est
lions
conldbu
et fonctions propres de Rx_ La premir e de ces
de la moyenn e
n
dtectio
lu

relative
de robserv ation: on peut l'interp rter comme
tion, quucontribu
e
deuxim
La
.t'(i).
de
ml' (/), con:;idrc comme partie dtermi niste
lions
(fluctua
x(i)
de
e
alatoir
partie
la
de
draUque, s' auache quant i~ cHe il la dteco n
tinairc
ur
rcepte
de
e
slructur
une
ainsi
aulour de la valeur Illoyenne). On obtient
e
problm
le
ement.
gnral
Plus
nts.
quadrat ique, en accord avec les exempl es prcde
r on n'explic itera
gaussie n-gauss ien comple l admet une solution de mme nature, que
pas par souci de simplicit.
, ces premier s
Quoiqu e 11 'puistll1t bien sr pa.r.; wus ie;;, cas intress ants en pratique
es de dtectio n
exempl es illustrenl nanmo ins le fait que de larges classes de problm
ue de dcision
puissent admettr e comme structur e de dtectio n optimal e une stath-,tjq
de la forme:

A[r)

IX

(hCT, :B), r)

+ (L(:r, :B)r, r)

ants du signal
o Il est une fonction ct L un oprate ur linaire. tous deux dpend
addilif.
dtecte r J: et de la connais sance a priori 13 que J'on pem avoir du bruit
expriEn donner une formulation temps-f rquenc e revient donc essentie llement
le plan.
dans
opmnt
ente
mer ls produit s scalaire s mis en jeu sous une forme quival
tel
d'un
attendre

gain
de
On peut remarqu er qu' cc niveau, il n'y a videm ment
plus
ra
reviend
y
On
ation.
pOnt de vue alternatif' que d'lutelll gibiJit . ell10n d'inform

loin.

Clos.\'CS gllrales
96, COH 95,
Soil P,,,.y(t, Il une dislribution lemps-f rqucnc e (croise) LBOU
le de Maya/)
la/amm
vrifie
elle
qu'
FLAN 98]. On dira qu' clic eslunitaire (ou encore
,galit:
l'
si eUe conserv e >} le produit scalaire au ~el1s o

Temps-frquence el dcision - une intl'oduction

25

est sutisfaite pour tous signaux {'''iU) E L'(lR); i = L ... , 4}. Une telle proprit est
vrifie en particulier par la distribution de Wlgner-Vme il';r,!lU, f), avec la consquence que l'on li alors (avec lu notation simplife !Fx := Hf, ..,,):

(il, ri = ((H,,,IV,,.r})/llhlll
et:

IL!'.,.)
= \'j.FL.ll'Yi
\.
,
.
t"
pOllr tout opmteur linaire L de symbole de Weyl [KOZ 92] ussoei TVL(t, f).
Quoique le choix de la distribution de Wigner-Ville ne soit pas unique (dans la
classe de Cohen, pal' exemple, toute distl'hution oc noyau unimodulail'C (duns sa repl'sentatlon dans le plan des ambiguts) convient galement IFLAN 98:1. tout comme la
distribution unitaire de Bertrand dans la classe affine [BER 92, RIO 92]), on pouITa
convenir de Je relenir pour des rai:.olls de simplicit. Cc !llsanL, il devient ds lors
possible de reformuler les sUHistiques de dteeton linaires-quadratiques voql1e_~
plus haut sous la forme:

A ex (W"i.r:B), n,,(.,,'B).,))/ilh(:r, 13)H~

+ (illier/l'j' IV,,))

mettanl en vidence le falt tlue dtecler un signal (non slationnaire) peut sc raire en
comparant la signature temps-frquence de :..on observation (teHe {Ju' clle est donne par la distribution de Wigner-Ville) avec une signature de rfrence associe au
signal dtecter cl au bruit qui le corrompt.
)j.

EXEII:1PLBS.- Deux exemples simples permettent d'illuslrerce pointdc vue alternatif:


celui du callal de Rayleigh el celui de In dtection localemellf oprllale [FLAN 881,
Dans le premier C<l!'i. on suppose que :1:(1) := a.1'd{t). o ,7:r/(t) est une forme
d'onde dterminste et (J une variable alatoire gaussienne, centre, Le dtecteur se
rduit alors sa parUe quadratique et s'crit simplement A(lF,. ) ex: ((fVt,,. rrr)}.
Dans le deuxime cas, on suppose que le signal li dtecter est almoire, centr, cl
que fobscrvalion esl faible fi.lpport signnlfbruit, c'esl--dirc que les valeurs propres
de la covariance sonl telles que Ail 1V(1 pour tout H. On en dduit que:

d'o, par unitarit. A(IF,-} cc ((18W" TV,,)). car:L" ,\" IF",,, (1. f) = EIV, (1. IlDuns les deux cas, la statistique de dtection est construite comme produit scalaire
entrc la signature de l'observalion (donne par sa distribution de Wigner-Ville ou pur
tOlite distribution unitairc) et une signature de rfrence {distribution analogue pour
un signal dterministe ou valeur moyenne ues distributions de ses rali!'atlons pour un
signal alatoire).

26

Dcision temps-frquence

pur compaUne parenth se historiq ue: l'ide de dtecte r ou reconna tre un signal
pour l'anacomme
Tout
e.
ancienn
sr
bien
eSl
e
raison de signatur es lemp.s.-frquenc
de Fourier
muliol1
transfor
fIla

paternit
une
trouver
il
lyse temps-f rquenc e - qui peine
intuifaon
de
s
utilise
tre
pu
ont
nature
cette
de
court terme - des approch es
' traprcmiel1
les
Parmi
.
donne
soit
en
prcse
tive bien avant <lU 'une formula tion
lous
qui
80J,
lAI.:f
el
761
[FLAS
ciler
peul
on
thme,
vaux explicites h sur le
conduis,
gramme
spectro
les
et
e
rquenc
temps-f
tions
deux identifiaient les distribu
importa nt de ces
sant ncessa irement des solutons sous-op timales . Un point trs
on natutravaux lait nanmo ins d'tre guids par k. souci d'offrir une descrip
fres (ct en parrelle )J. qui l'Ioit proche des mcani smes d'auditi on chez les marnmi
avec les stratticulier de la chauve- souris dans les travaux de R.A, AlteR), Le Hen
llement la disgies optimal es usuelles, vill l'unitar it et le rait de recouri r essentie
841, poursuitribution de Wigner-Ville, suit des lravaux fondateurs [KAY 85, KUM
s ultrieurs
vis dans [FLAN 88J, qui sonl la base de la plupart des dveloppement
[ESC 92. FOW 91, MARI 91. MAT 96, PAP 94, SAY 95. SAY 96].

1,3, Adapte r
juslifier qu'une
Les sitmHions voqu es dans la section prcde nte permett ent de
toujours quimais
.
ffrente
di
approch e temps-r rquenc e puisse offrir ulle formulation
de cette
intrt
premier
Le
.
valente. il des structures optimal es connue s par ailleurs
doute
sans
et
simple
e
refol'll1ulntofl est de se prter une interpr tation physiqu
nondes
e
rquenc
lemps-f
re
plus naturelle, ar mettant explicit ement en jeu ]a signatu
en
oJTre
vue
de
point
nouveau
ce
staLionnarits dtecter. Le deuxim e jntrt est que
nomins
simatio
aux
menl
fait un point de dpart ad4ua t pOUl' des variatio ns reiative
e mathm atque ct
nales connues , L encore, c'! est de r assocation entre la structur
ns,
variatio
teUes
de
lntcrprla110n physiqu e que peut natre la pnssibilil

1.3.1. Hypll/hses composites


prLa premir e faon d'largi r le cadre prcde nt - dont on pouna U'ouver une
sentatio n compl te dans [SAY 95, SAY 96]
compos ites:

COI";Slc il considrer le cas

d'hypothses

dt) = 0(1.)

r(i)

:rIt; 0)

+ Ii(t)

8 E 9, inconnu ou
dan!' lequel Je signal dlecte rdepend d'un vecteur de param tres
alatoir e de densl de probabilit 1'(0),
m de vrajsem Dans le premier cas. on peut recourir il unC' approch e de maximu
blance gnralis:

Temps-frquence et csion - une introduction

17

et. dans 1e second, h une statistique de dcision pondre par la connaisl'unce fi prim";
relative au paramtre perturbateur:

Il en est ainsi si l'on considre par exemple que ,1'(1; Il) := ,1:01(1) [jxp{ fO}, avec
{prO)
1/2,,; e = [-71', h)}, c'est-l,-dire que le signal recherch est dtenlliniste,
mais connu une phasc uniforme prs: on montre alors rWHA 7 J l que le dtectcur
devent 1\(1') :x 1 (:r.1, l';?, ce qui rumnc lu clas~e des dteclCurs quadratieJucs.
Duns des cas plus gnraux de paramtres inconnus, il est souvent dfHdlc d'exprmer et d' interprler le dtecleur rsultant d'un lissage par la denst de probabllit,
alors que l'approche temps-frquence peut se rvler bien davantage informative, En
effet, la signature temps-frquence se transforme dans une LeHe situation ~elon:

soit essentiellement un (~ paississement ,) de la signature nominale. De faon exacte


[FLAN 881, si l'incertitude observe est induile pur une gf.iue CIl temps et en frquence, c'est--dire si () := (T,.;), le dtecteur devient ((CL(x,ce)(P), Ir,)), cxpression dans laquelle CLU) f;p) est, mutatis mtllmulis. J'analogue du symbole de Weyl,
mais construit sur la distribution de la classe de Cohen de noyau de lissage pU, 1)
(dans le plan temps-frquence), en lieu et place de la distribution de Wigner-Ville de

noyau <I(t) (f),


11 est intressant de nOler que, suivant la faon dont les incenitudes en temps
ct frquence peuvent varier, ce cadre formel englobe une varil de dtecteurs (1

priori trs diffrents, En effet, si rOll suppose pour simplilier la prsentation que
CL(,,/1J )U./; Jl) 'x C"" (1, f; p), il est facile de se convaincre Ipur raison de eOlWOlution. cl venluellement une symtrie prs) que "on peut permuter les rles dcvolus

la rfrence el l'observation et que la structure gnrale de dcision peut en fait


s'crire:

soil la stratgie initiale de comparaison avec la signature nominale, mais applique


une version lisse de la dstrlbUliofi de Wigner-Vi l1e de l'observation, le lissuge

s'identilant exactement au degr d'incertHude sur la localisation de la rfrence


[FLAN 88, FLAN 981, Prendre ell considration celle incertitude permet donc d'obtenir un dtecteur qui sc situe entre j) les cas limites rpertoris dans le lableau
suivnot

28

Dcision temps-rrquence

r(i,f)-r~ (pl

--_

l}(t! t'l(f) , H,1:~} 'l'll~l


; {!:;;rI!-,!I'I-\
(){t)
1 (lX"I',I RI')
,,(I)

L_l __

lyre de dtecteu r
Filtr~ adapt ~l.- dic~t:ur d' cllvc1!Jppc

COlTclaleurd mtCI1:'ilte
Corrlatcur e densit speclmlc
lIr"IIJJi'JI~L Dl~c",ur d~lle~g~ _ _.......~

flexibilit pour
On voit ainsi que la fonnula tion lemps-f rquenc e offre une f::,ttnude
d'un dtecte ur
suivi
adapt
(mtre
hrcnt
scmi-co
ur
rcepte
passer contimmellt d'un
d'nerg ie, corrlad'envelo p[le) des rcepte urs totalem ent incohr ents (dtecte ur
structur e unifie.
mme
el
seule
une
cl'
ur
rintrie
fi
restant
cn
teurs d'intens its), tout
de Cohen trouve
Que ces variatio ns sOlem constl1lles III fine autour de la classe
nce par les
covarti
de
principe
son origne dans le fait que ceHe dernrc repose sur un
t choisi
avait
0
trcs
lranstal ions en temps et en frquen ce. Si le vecteur de parum
ant que
moyenn
,
obtenus
ins
dffrcmlTIenl, des r:mlaLs analogu es auraien t t nanmo
transde
groupe
au
rappol"l
par
l'on transpo se des dusses de distribu tions covaria ntes
du
cas
le
ier
particul
en
C'est
formUlions induil par le nouvea u paramtre [SAY 961.
des
ft
ce
naissun
donne
qui
le,
couple u'anslatiol1 en tcmps + change ment d'chel
dtecleu rs lemps- chelle bass sur lu classe amne [SAY 95].

1.3.2, Chirps
les-

Une calgor e parlicul ircmen t importa nte de signaux non stationn aires pour
,;., c'est-ii- dire
quels rapproc he temps-frquence est pcrtjncn le esl ce11e des " chirps
GAt) cxp{icp ,,{t)}, pour lesquels on admet que la
des signaux de la forme ,"(1)
e des oscillal ions
variatio n de l'amplit ude n..,(1) ? () esl suffisam ment lente il l'chell

dernir e puisse
induites pur la phase l'.,.(t) pour que lu drive tempore lle de celte
est que. dans ce
sntcrpr h."fco mmc une frquen ce instanta ne I,,(t), L'ide de base
dire se rduire
as, la signatu r temps-f rquenc e du chirp doit tre ( maire ". c'est-ftle plan s'identi fie
esscmie Hement une contribu tion nOn nulle dont le support dans
alors recherc her
fi I~l trajecto ire de frquen ce instanta ne. Dtecle r un chirp n:vicll!
une contribu tion cohren te ct localis e le 10ng de cctte trajecto ire,
y al adquat ion
Pour que ceUe intuiton prenne tout son sens, il faut bien sr qu'il
ible d'cn
suscept
e
rquenc
temps-f
tion
enlre le type de chirp envisag et la distribu
unitaire
tion
distribu
une
existe
s'il
dire
assurer la locaHsation. Si lel est le cas, c'est-crire:
peut
r,(I.)), on
fl telle que 1',,(1, f) = A(I)

oU -.

({Pd), }) =

.1

A(I) {J,(U,(i)) dt

de la trajecto ire de
d'ott un dtecte ur qui sc rduit une intgrat ion de chcmn Je long
!rquen ce instanla ne,

Tmp,,~frfqucnce

et dcision - une introduction

29

Tl en est ainsi pour les chirps unimodulaires (1",,(I.)i = 1) de phase quudratique <Ptt) := 27f(at"/2 + Iut + 1/;), lorsqu'on les analyse par la distribution
de Wigner-Ville, puisque l'on sail qu'alors W,,(t,.f) = ,lU - (Iu ~ ul)). Par
raison d'quivalence unitaire. il est facile d'obtenir un rsultat identique pour les
chirps hyperboliques [PAP 94] cn faisant usuge de la distribution d'Altcs-Marinovic
[BOU 96, FLAN 98, PAP 98] en lieu ct place de celle de Wigner- Ville. Moyennant
quelques amnagements. le mme argument s'applique au coupl~ (( chirps en lois de
puissance + distribL1110n unitaire de Berlrand )' {CHA 99a, CHA 99b-1 et peut, suivant
les besoins, tre tendu d'au ires disfrihutions (comme les spectrogrammes raltous
[CHA 99a, CHA 99b] ou les artes de scalogrummes [CAR 98]) ou d'aUlres rOmleS
spcifiques de lois de modulation. Ce problme de 1a dtection temps-frquence de
chirps est dtuin plus avant dans ia section 1.4.

1.3.3. Robustesse
La dtecIon de chirps offre un exemple simple de situation dans laquelle une
approche temps~ffquencc offre un cadre conceptuel particulirement bien adapt
pour modWcr un I-cepteur optimal lorsque l'on s'carte des conditions nominales
pour lesquelles il il t coou.

Tolrance il

/"~fJet

Doppler

Considrons dans un premier Lemps un chirp de temps d'arrive inconnu.


1.,,). et une distribution temps-frquence (l, covariante par les transImions temporelles. La stratgie d'jntgration de chemin peut dans ce cas permettre
cl' aborder le problme conjoint de la dtection de cr( t) el de l'estimation de 10, selon:

,,'(i.) := l'o(f

io fU.gm;"cI A(l} (1. (1 + T,!,.,(t)) dl


Dans ceUe perspective, la formulation lemps-frquence de J'estimation optimale
d'un retard permet une interprtation particulirement simple lorsque l'ohscrvation
est affecte d'effet Doppler (large bande). On !'uiL en effet que, dans le cas gnraJ.lcs
estimations de Laux Doppler cl e retard ne sonl pus dcouples. ce qui conduit un
biais slir l'estimation de ce demier si le Doppler est inconnu [TRE 68, WHA 71j.
Par suite, la question se pose naturellement de concevoir des signaux qui soient
tolrants. il l'effet Doppler, au sens o un taux quelconque de Doppler ne biaise
pus l'estimation du retard, De tels signaux existent et sont caractriss par tille frquence instantane (ou llll retard de groupe) hyperbolique [ALT 70. RIH 68]: l'approche temps-frquence permel d'en donner une juslilcmion gomtrique trs simple
[FLAN 86, FLAN 94, FLAN 98]. En effet. un effel Doppler de taux 1) correspond"
la lransfonnation du plan dfinie par i.I, f) ~ (1)1. fl11). Il s'ensuit qu'une estimation non biaise du retard est tllors possible en utilisant la strategie mentionne plu!'!
haut (intgration de chemin) condition que hl distribution utilise soil (i) covaran{c

30

Dcision temps-frquence

par tnmslatlons, (ii) unit,tire (pour assurer l'optimalit) et {iiij IocaHse sur la courbe
laisse invariante par la transfonnution Doppler. Cette courbe tant une hyperbole.
les trois conditions requises sont satisfaites univoquement par la distribution unitaire
de Berlrand, grce" laquelle le problme de lu tolrance" l'cffel Doppler reoit une
solution temps-frquence purement gomtrique.

Gabarit
L'intgration de chemin est une fuon intuitive de rneUre en uvre un flltre adapt,
le degr de ressemblance entre l'observalion et la rfrence t<:lnt mesur par le plus ou
moins grand niveau de recouvrement des trajectoires associes. Duns le cas idalis
d'une localisation parfaite, on voit que la rponse d'un tel dtecteur est ., en tout ou
rien ", le support d'intersection de deux courbes tant de mesure nulle ds que les
courbes ne sont pas exactement superposes, el intinj lorsqu'clIcs le sont. Snns aller
jusqu' cette situation idalise, le point de vue tcmps-frquence illustre de faon
claire la chute de perfommnce du filtre adupl lorsque la rfrence est mal connue ou
)orsclue le modle d'observation s'carte des conditions nominales prvucs. Rendre
rolmsle un dtecteur de tels carts esl donc souhaitable, ce qui n'esl pas facilement
fonnnlisablc au sens des stratgies usuelles (opr.mt en temps ou en frquenc) mais
s'envisage de faon trs nuturcHe dans le plan.
Considrons en erfet, pour Ilxcr les ides, le cas d'une phase quadratique
T)2/2 + ((1 - T) + 'lM. avec ft = 0 111 ou, T
Tp ) ()T, ou
-encore E = m {jE., o 1)[1: E An', bT E Ar et E ~ mesurent des carts possibles au modle nomnal (ct Il1 , rm , Hl)' Balayant J'ensemble des valeurs possibles
de (\0. OT, o() E ilo X ilT X il;;. on Oblien[ en fait pour la frquence instantane
v;(t)/21r un faisceau de droiles possibles pour la rfrence, en lieu ct place de la droite
nomina1c unique f = {-If + . Assurer la dtec[jon revcm donc il remplacer le chemin d'intgrLlton nominal par le dOITILline dfini par l'ensemble des chemins possibles
dans le plan. Ce faisant, on largit en failla rfrence d'une quantit reprsentative du degr d'incertitude que l'on fi sur les paramtres mis en jeu, cc qui ramne, au
moins conceplucllcmenL HU cas des hypothses composites et LlUX dtecteurs rcposunl
sur des distrihutions lis~es,

tpU) = 2l(nU

llrUn /max

D'une manire plus gnrale. 11 est raisonnable de penser que rapproche tempsfrquence puisse offrir un cadre adquat pour rendre des dtecteurs vritahlement
robustes, au sens pur exemple d'un critre minimnx IKAS 85],
Quoique la tholie n'en soit encore qu'bauche, on peut. pour en soutenir l'lntuition. reprendre le cas simple ludi en [FLAN 89]. Le problme considr eRt celui
de la dtcction (dans un bruit blanc, gaussien, centr, de densit spectrale de pussancc No) d'llll lransitoire :dt) := n, cxp{-AI, + i27flot} 1 1"'00;(1), d'amplitude

Temps~frqucncc

cl dcision - une introduction

31

([ E N(Or (T2) alatoire, de frquence centrale Jo connue mais de facteur <1' amortissement n > 0 inconnu, celui-ci tant distribu selon une loi de densit p(n) au voisinage
d'une va1cur nominale an. Utilisant pOlir lu dtection une smllstique simplifie d'jnt~
h,'TIition sur la droite l = .IiI (slmtgie extensible aux chirps linaires), on obtient:
A(lY,.) =

r'" P(tlF,(t,

Jo

,Ni) dl.;

P(i):=

r~ p(n) exp{ 2l} ,1"

Jo

Evaluant le contraste D(A) en sortie de ce dtecteur, on peut alors muacher le


problme pos celui considr dans lKUZ 76] et montrer que;

si le domujoc de variiJtion possible du facleur d'amortissement

(1"

est dfinI par:

Ce faisant, on voit que la prise en considration d'un uomaine maximal de variaton du pummtre fluctuant dfinit implicitement la runction de poids P",(i) ft utiliser
de faon optimule dans le dtecteur temps-frquence, celui~ci hritant de fait des proprits de robustesse de rapproche mnimax.

1,4. Partir du plan


Comme cela a t dit dans r introduction. on peut imaginer, plUlt que de
construire des dtecteurs optimaux oprant sur le signal pour cn donner ensuite seulement une formulation lemps-frquence quivalente, de prendre comme espace de
reprsentation de dpart le plan temps-frquence lui~l1'lmc,
1.4.1. Filtrage adapt temps-frquence
En se plaant dans le cus o H s'agit de dtecter un signal dterministe :r(t) dans
un bruit lJ(l). formuler le problme dans le plan lemps-frquence revient crire

[FLAN 89]:

Ho
{ H,

p,(iJ)

= (l/,(t, f)

f!,.(i, f) = !h . {,(t. f)

Par analogie avec la thorie classique du filtrage adapt, l'ide est alors de
construire une ~tafislique de dcision base sur un iiltre temps-frqu'l1ce GU f).
selon:
t

32

Dcision

remps-ffL~uencc

de sorte qu'en SOil maxim; Je contraste (ou rapport sigl1allbrul de sortie). Le problme ainsi pos se heurte il plusieur~ degrs de dillkulls et d'arbitraire. Il faul d'une
part choisir, a priori, quelle: distribution ou classe de distribulions utiliser, dont il serail
souhaitable d'autre part de matriser les proprits statistiques,
Bien que quelques rsultats existent en ce qui concerne le deuxime point
rDUV 99]. l'tat de l'art acluel ne pennet pas de faire une lhorie aussi aboulie que
uns le domaine temporel (ou frquentiel), On se contentera ici de signaler quclques
rsultats ct quelquc-s pistes, dans le CilS particulier de la classe de Cohen et d'un
hruil d'observation blanc, Sur la hase de telles hypothses, on peut en Fail montrer
[FLAN Sg[ que:

argm'L"A(C,.;G) = C\
L

cc qui s'accorde avec l'intuition scIon laquenc le contraste est maxjmis lorsque la
rponse du filire temps-frquence s'identifie la distrbution du ~ignal dtecter
(concepl de .filtre adapt tCl1/fJ:i:/i'qucnce).
Ayant trouv la rponse optimale pour une distribution donne l'intrieur de
lu classe de Cohen, il est possible d'envlsager un deuxime niveau d'optimisilton
relativement au noyau ;p( ~l 7), Explicitant le conlrasle maximal ( y Hx), on montre

alors que:

avec l'galit pour toutes les distributlons (unitaires) caractrises pHI' ulle fonction
de paramtrisation tcHe que 19{~, T)) = }, Dans de tels ca};, le conlraste maximal est
exactement gn1 celui que l'on obtiendrait par un filtrage adapt (classjque) suivi
d'une dtection d'enveloppe, On peUL noter que ks speclmgrammes Sl: trouvenl de
faH exc1u$ de cette situation d'optimalit, ce qui rejoint des remarques l'aites prcdminent et explique qu'une dtection temps-frquence il base de spectrogrammes
nccK"Hc des procdures uuxiUaires de dcol1volulion lALT SOJ,

1.4.2. Apprelllissage
Lorsque le signai dtecter ne peul tre considr comme dterministe, on a dit
prcdemment que divers points de vue (contraste, maximum de vraisembiance) pouvaienl conduire II des statlsques de dcision de la forme \ {th) ,x {(IEp.T' PI'J), e' est-din~ ln comparaison d'une dislribution relative J'obscrvatlon avec la moyenne
d'ensemble de celles assoclcs au signaL Les difficults souleves par ce poiot de vue
sont alors d'ordre lhorique (dispose-I-on d'un modle pour lu statistiquc es donnes,
el de leurs distrbutions 7) el pratique fco1l1mcntcslmcr la moyenne d'ensemble sur la
base d'un nombre souvent rduit de sHuulons pouvant servir ft l'apprentissage?).

Tcmps-frqucnce et dcision - ulle inlroclucLon

]:)

Dans le cns de la distribution de Wigner-Ville, une solution il cc problme est de


partir d'une structure linaire impose. sembl~lble cene prvalant dnns le cas du 111tmge adnpt (emp~-frquencc. On montre alors lruC 97\ que la rnaxirnisation de totlt
critre (contraste. Fisher... ) ne faisant usage que de proprjts de premcr et second
ordres de A conduil il une solution oplmale G(a), qui est paramtre par un nombre
D: E [0.1] ne dpendant que du critre choisi. L'approche retenue est alors de choisir la valeur Ct._ qui rninjmise la probabilit d'erreur du t.llccteur. Cette optimisation
n'est cependant pas satisfaisante clic seule, caT on sail que les performances d'un
dtecleur construit pur appfel1ti~sage imposent d'adapter Si-l compJexH il la laille des
donnes disponibles (faihle capacit d'apprentissuge si la complcxt n'est pas assez
grande, faible capacit de gnralisation si elle l'est tfOp). En d'autres termes, J'objectif vrilablc est d'optimiser conjoinlement le critre de dtcclion clin complexl1
du dtecteur, de telle sorte que la prohabilit d'erreur SOil minimise. ft taille fixe de
la basc d'apprentissage. Plu~icnrs stratgies sont possibles pour alleimlre cet objectif
[RIC 98,,_ RIC 98bj, tlont Une consiste, conceptuellemcnt, i, tronquer un dveloppement propre de G(O') de telle sorte que les composantes mises h zro soient prfren-

tiellement celles qui induisent les plus faibles carts par rapport il G(n,),
L'ide de piloter une slatiSltque de dcison dans le plan par apprentissage est
rcente et peut sc dclner de diffrentes manires [ATL 97.1. On peut par exemple,
plutt que de fixer le choix de la rcprsematJn cl nplirniser la mesure Lie performances. prTrer fixer cette dernire tout en faisanl porler l'optimisation sur le choix
de la reprsenlation. 11 en es! ainsi dans le problme de classification ( deux classes)
considr en [DAV 981 J o choix est fah d'utiliser un critre de contraste de type
Fisher ct des di~lributions de la clusse de Cohen, De manire plus prcise, le critre
choisi consiste minimiser une distance ntraclasse moyenne lmlt en maximisanlla
distance interclasse correspondante. la distance ri tant de lype Kolmogorov et l'optimisation oprant sur la fonction de paramtrisation :y(', i) des di;.;Ldbutions de Cohen
(normalises) CAf: f; v) d'un ensemble d'appreniissuge Xl ~< ~y~:

Une faon efficace d'assurer cette optimisation est de choisir pour :p(~. T) un
modle gaussien radialement symtrique.

1.4.3. RecOIwassouce de formes


Le dnominaleur commun de la plupufl des slratgies lemps-frquence de dtection tant de trouver dans lu reprsentation d'une observation un degr de ressem~
blancc avec une signalure )) du signal il dtecter, utilise comme rfrence, il est
tentant d'aborder le prohlemc en lermes de reconnasHunce de formes..

:14

Ddsion temps-frquence

rquencc
D'une manire gnral e, il s'agit e rduire une reprse ntation temps~f
tre compar s il ceux
de rfrenc e un certain nombre d'ultribul<:; qui puissen t ensuite
un Hssez gr'lUd
extraits de la reprsen tation d'une observa tion.ll y a ncessa irement
meUre en relation,
arbitrnire dans la sJec-lon de ces attribut;.; ct dans la fuon de lef>
large mesure les
rendant difficile une mthod ologie uuHie et eondtio nnant dans une
som ddies.
solution s propos es aux applica tions particul ires auxque lles cnes

chirps, pour
Le premier exempl e que l'on peut ciler est celuI (dj rencont r) des
e, elles
rquenc
temps-f
ire
trajecto
lesquels la signatu re}) naturelle est celle d'une
Illtrage
de
termes
En
lo.
la
dcrire
attributs associs les param tres permett ant d'en
intune

rduire
se
pouvait
chirp
un
adapt, on a vu prcde mment que dtecter
issance
reconna
de
termes
En
chirp.
du
e
gration de chemin le long de la loi suppos
consid rer chaque
de formeR. on peUl adopler une perspec tive inverse, qui consiste
toutes les lois
pour
passage
de
l
potentie
ponl du plan lemps-f rquenc e comme lieu
e la peme
exempt
(pur
tres
param
dc.';
plan
de chirp poss.bles, puis attribuer. danK le
chirp
d'un
CUH
le
dans
ne,
instanta
ce
frquen
et Pordon ne il l'origjn e de la droite de
c'est
tion:
dlstribu
la
de
r
consid
locale
linaire), un poids corresp ondant la valeur
tempsplan
le
dans
Hough
de
mal:lnn
transfor
la transfor mation de Hough. ApplitJucr iu
uvec un avanfrt"Cj1.lence fi t propos pour diffren ts types de distributions [BAR 95 J,
sr leur
bien
li
96J,
[BAR
s
rallou
s
"'ge tout particul ier pour les spectro gramme
filaires.
es
structur
grande capacit de locnlisntion sur des
pararntrDans les cas o ]es struclllreK lilalfes ne sont pas adaptes, d'autres
nergie s.
des
e
sutions de surface s temps-f rquenc e sont po~sibles, via par exempl
e
rquenc
temps-f
des dates cl/ou des frquen ces cenlnt1cs, vn]ues dans des fentres
les
lres
param
des
locales. Etant donn une hasc ct' apprent issage. )a slectio n du jeu
a)or~ sur une optimis ation du
repose
)
pre5icrit
critre
d'un
sens
(au
inants
plus discrim
un exempl e d'une
choix de la rcntre (Cmrs~frquen: on trouver a dans LGRA 98]
d'nform ation
telle approche as:;:odanl la distribution de \Vigner-Ville ct le critre
mutuelle.
est lroiOn peuL enfin remarq uer que l'approche: plr reconna issance de fonnes
tempstons
distribu
aux
rclatir
image)}

lemeol lic 11 l'adopti on d'un point de vue


e
premir
La
ues.
ft11Urq
deux
moins
au
frquence IABE 91]. Cc point de vue appelle
teur
l'utilisa

Nouvent
effet
en
e
prsenl
se
e
est que. si une distribu tion lemps-f rquenc
images du monde
sous l'aspect d'une image. celle-ci compor te, par opposit ion des
maiion sous~
transfor
la
de
trace
porlant
ation,
physiqu e. un degr importa nt de slructur
s et qui,
itcment
post-trn
les
duns
rer
d-intg
difficile
jacemc ulilise. qu'il est souvent
d du
standar
outil;;;
des
it
l'efficac
irement
ncessa
ans le cas ol 00 l'ignore . limite
qualiesl
)
image}

l'aspect
si
que.
est
e
remarqu
lnlitement d'image s. La deuxim e
par celle dernire
tativem ent parlant pour une analy:>e hmnuine, la lishiHt demand e
point de vue
D'un
,
dcision
d'tille
lit
l'optima
avec
ne va pus ncessa ircment de pair
tions de la
distribu
des
entiels
interfr
lennes
aux
lmen taire. il n'est que de songer
sont h la
qui
ViHe),
\Vigncrde
tion
dlstribu
la
e
dasse de Cohen (comme par exempl

Temp ... ~frquence ct dcision - une introduction

35

fois rputs altrer lu lisibilit et connus pour tre nc-essalres l'unitarit garantissant
t'optimalit. Moyennant la prise en considration des spcificits du prohlrnc, considrer une distribution temps-frquence comme une image est nanmoins possible et
ouvre ln voie il des procdures de dcision bases sur des outils comme la dtection de
contours, Pcxtructton de lignes de crte, de pmtage des eaux. etc., qui peuvenl alors
s'avrer trs cflicaces d'un point de vue nigurithmlflue.

1.5. Bibliographie
[ABE91J ABEYSEKERA R.. BOASI-IASH B"
!vlctboJs of signal dassilkaLiol1 u!-.tng the
images prodllced hy the Wjgl1er~ Ville dislribution j,. Paf(enJ Rec(lgllirio}l L('J{t'rs. vol. 12,
p. 717-729,1991.
H

[ALT 70J ALTES R.A" TITLEBAL!M E.L, " Bal siglmls as optmaHy Doppler tolcrant wavcforms , lOI/mal oflhe Acous,'jco! Suciery 1!{Amcrica. vol. 48, n" 1, pHrtle:2, p. 101-i-1O:.!O.
1970.

fALT 801 ALTES R.A.. (, Detection. estimation and clussilkalion with spcclrog-nuns
,-~rlhc

. lOHrna

AcolIsJcal Society of America. vol, 67. nn 4, p, 123J~1]A6, 19RO.

[ATL 97J ATLAS L.. DROPPOJ .. MCLAUGHL1N J . q Oplimizing tin1e-fn':i.lucncy dislributions


for aUlOmalic classification 1', dan:; Pmcc('dings of.)'PIE, vol. 3162, 1997,

(BAR 95J BARBAROSSA S., Analysis ur nonlncar LrM signais by a combiued \Vigncrl-Inugh lransfom j"~ IEEE Trtlll,H1ctioIlS 011 Signa! Processing. \'01. 43. n'-' 6, 1995,
[BAR 961 BARBA ROSSA S., LMOINE O., Analysis of nonlinear FM signal:.. hy paHem
recognition of the!r Lil1le~frcqllcncy represenl:l!ion >l, IEEE Signai Processiug Lelters, voL 3,
n" 4,
112-115, J996.

r.

[BER 91J BERTRA~fJ J., BERTRAND PH f, A dass of affine Wigner fanction~ with extcndcJ
eovmiance propcrtics " . .lormwf q{Marlwmaticai Physics. voL 33. il" 7, p. 2515-:2527. 1992.

!BOU 961 BOUDREAUX-BARTELS G.E. ,;; Mixcd time-frequency sgnal trHnsformmiol1s ",
dans Poularik:ls A.D. (dr.), Ille Tramfnrws wul Appficmioll.;- [Jaudll(Jo!o:. CRe Press, Boea
Raton. Floride, p. 8:29-8&5, 1996,
ICAR 9Rj Ct\f(MONA R., HWANG H.L.. TorUfESANI
ACl.ldemc Press, San Diego. Californie, 1998.
fCHA 99uJ CHASSANDE-MOTTIN E.. fLANDt\!N P.

chil'ps )'./ipp'.

COllljJ. Hl/l'm. AlUl/..

B"

Pract;ca17mc-Frcqucllcy Alla/ysis.
On (hl' ljmc~freqllency dc!cctl0n of

vol. 6. n 1, p, :!51-281, 1999.

lCHA 99111 CHASSANDE-l'v10TTlN E" FLAl"DRTN P., ., On the time-fre{IUem:y delcctllln of


cl1irps an ts applil..'lIlion to graviwtional w~lves dans }'mcecdiugs of tIlt: Second HhrksflOp on Gnll'itaJiOlWl Hhve Data Aualysis, Editions' Frontires. Pari::;. p. 47-52. 1999,
j'.

rCOH YII COHEN ES .. KADAMBE S" BOUDREAUX-BARTELS G.F.. ,'{ Tracking of unkown
nonslationtlI)' chirp signais usng ul1sUperViNeu dustcring in the Wigner di~ttibutiol1 sp<1ce )',
IF:EE Tnmsactiolls 011 Signa! Pmcessing. vol. -+ J. p. 2085-3001. 1993,
[COI-1951 COHEN L., Timc-FrcqucJJcy Aurtly:';i..
1995.

Prcntkc~Hall.

Englcwoo-d Clirrs. New Jersey.

36

Dcision temps-frquence

[DAY 98[ DAVY M., DONCARLI C, ( Optimal kcrncls of Lme-frequency representations for
signal classillcation ll. dans Procccdings (?lrhe IEEE-SP IlIrcmatiO/wl SYlllposi/l1ll 01/ TilllcP'rcljllcllcy (//u/ Time-Scalc il/la!ysis (TFTS'98), Pittsburgh, Pennsylvanie, p. 585-588, 199H.
[ORO 9R[ DROPPO 1., ATLAS L.. ( Application of classifler-optimal time-frequency Jistributions to speech signais , dans Prneeedillgs cd" the IEEE-SP I/Irematiolllll Symposilllll 0/1
Time-Freqllcllcy al/d 7lllc-Scalc Anolysis (TFTS'98). Pittsburgh, Pennsylvanie. p. 581-584,
1998.
[OUY 99J DUVAUT P., DECLERCQ D .. ( Statistical properties of the pseudo-Wigner-Yille
represe11lation ofnonnal nmJom processes ll, Signal Pmcessing, vol. 75, p. 93-98,1999.
rESC 91[ ESCUDI B., Wavelet analysis of asymptotic signais-Part Il: A tentative 11lodcJ
for bat sonar receivcr , Jans Meyer Y. (dir.) Wal'c!ets al/d Applicatio/ls, Masson, Paris,
vol. RMA-10, p.18-37, 1992.
[FLAN 86-1 FLANDRIN P., Time-frequency intcrpretation of matched fllLering l', Jans Proceet/illgs (~rthc IEEE-Acadelllia Sil/ica Workslwp Oll Aco/lstic.l', Speech al/(l Sigllal Pmccssi/lg (WASSP'86), Pkin, Rpublique populaire de Chine. p. 287-290.1986.
[FLAN 88] FLANDRIN P.. H A lme-frequency formulation of oplimum detcction . IEEE
Trallsacriolls 011 Acoustics, Speech and Signa! Processing. vol. 36. n" 9. p. 1377-1384. 1988.
lFLAN 89] FLANDRIN P.. Signal detection in the time-frequency plane )_', dans Proceedings (~r the lfi\C Workslwp 011 Ad"lIIlccd Inforll/arion Proces.I'ing il1 Alltoll/atic COllfrol
(AIPAC'89). Nancy. France, p. 131-134, \989.
[FLAN 94[ FLANDRIN P.. GONALVS P., From waveJets to time-scale energy distributions H, dans Schumaker L.L., Webb G. (di!'.), Recel/t At/Fal/cCS in Wm'clet Allalysis, Academie Press, New York. p. 309-334. 1994.
[FLAN 98] FLANDRIN P., Temps~rrqllcl/ce (deuxime dition). Herms. Paris, 1998. Traduction anglaise: FLANDRIN P., Timc-FreqllcllcylTill/c-Scale Allalysis. Academic Press. San
Diego, Californie, 1999.
[FLAS 76] FLASKA M.D .. ({ Cross-correlation of short-lime spectral histories l). JOl/mal oftile
Acol/srica! Society (~r;\lIIeriC{/, vol. 59. n" 2, p. 381-388. 1976.
[FOW 91"1 FowLER M.L., SIBUL L.B., ( A unifled formulation for detection using limefrequency and lme-scale methods H, dans P/'Oceedings of thc Asilolllar Cml/erel/cc 011
Sigl/als, Systellls (/Jul ComjJlflers. Pacifie Grave. Californie. p. 637-642, 1991.

[FRT 911 FRIEDLANDER B.. PORAT 8., Detection of transienl signais by the Gabor represenlation , IEEE Trall.sactcms 011 Acollsties, Spccch {Ind Signal Proccssillg, vol. 37. n" l,
p. 169-180. 1991.
rORA 98[ GRALL-MAi:s E., BEAUSEROY P., ({ Features extraction for signal classiflcation
based on Wigner-Ville distribution and l11utual information critcrion ", dans Procccdillgs
{~r the IEEE-SP llIleJ'//atiol1al SymposiulII 011 Time-Frequcl/cy and Till/e-Scate Analysis
(TFTS'98). Pittsburgh, Pennsylvanie, p. 589-592,1998.
[HLA 92[ }-}LAWATSCH F., BOUDREAUX-BARTELS G.E. Linear and quadratic tmefrequency signal rcpresentalions ". r:E' Sigllal Proccssil/g Magazine. vol. 9. p. 11-27,
1992.

Temps-frquence et dcision - une introduction

37

[HLA 98a[ IILAWATSCI-I E, Time-FfequellCY Allalysis and Synthes.\ (!(Lineaf Spaces: Till/cFfeq/lel/c)' Fil/crs, Signal Detection and ESlill1a/iolT alld Range-Doppler Estimation, Klu\Ver. Boston, Massachussets, 1998.
[HLA 98bJ HLAWATSCH E, FLANDRIN P., ,( The inLcrference structure of the Wigner distribution and related time-freqllency signal representations l', dans MecklenbrlIker W.F.G.,
Hlawatsch E (die). The Wigl/cr Distribmion-TheO/y and App/ic(/tJ1l.l' in Sigllal Proccssing,
Elsevier, Amsterdam, Pays-Bas, p. 59-133. 199H.
flON 951 JONES D.L, SAYEED AM . H Blind quadratic and time-frequency based deLectors
l'rom training data H, dans Proceedillgs t?FIf/C IEEE Internatiollal COI!rcrellce on ACOllstics,
Speech and Signal Processing (ICASSP'95), Detroit, Michigan. p. 1767-1770. 1995.
[KAS 85J KASSAl'vl S.A .. POOf{ H.V., "Robust techniques for signal processing: A survey ),
Procredil/gs IEEE, vol. 73. p. 433-481. 1985.
[KAY 85] KAY S., BOUDREAUX-BARTELS G.F., On the opLimality of the Wigner distribution for delection )), dans Proceedillgs (~r Ihe IEEE llIfcnwtiO/wl CO/l/rellcc 0/1 Aco/fstics,
Speech and Sigl/al Pmcessil/g (ICASSP'85), Tampa. Floride, p. 27.2.1-27.2.4, 1985.
tKOZ 921 KOZEK W., (( Time-frequency signal processing bascd on lhe Wigner-Weyl
work)), Signal Processing, vol. 29, n l, p. 77-91,1992.

frall1c~

rKUM 841 KUl\.IAR B. Y.K.V.. CARROLL C.W., Performance of Wigner distribution funeton
based de Lect ion I1lclhods )'. Op" Engineering, voL 23, n" 6, p. 732-737,1984.
[KUZ 761 KUZNETSOV Y.P., Stable detcction when the signal and spectrum ofnorrnal noise
are inaccuraLely known lI, Telecoll1ll11lllications Radio Engineering. vol. 30:31, p. 58-64,
1976.
[LAU 981 LAURENT H., DONCARLI C, i( Slalionarity index for abrupt changes deteclon in
the Iime-frequency plane ,IEEE Signal Processng Leuers. voL 5. n" 1. p. 43-45. 1998.
rLEM 95J LEM OlNE 0 .. Dtection de signaux non stationnaires par reprsentation lempsfrquence. Thse de doctoral. Universit de Nice, 1995.
[LI87] LI W.. Wigner distribution Illethod equivalent ln dechirp Illelhod for detecting a chirp
signal )j, IEEE Transactions 011 ACO/lSfCS, Speech (/lu! Sigl/al ProCCSSlIg, voL 35,1987.
lMAL 971 MALLAT S., A Wm'e!et T/lr of Signal Pmcessillg, Academie Press, San Diego.
Californie. 1997.
lMAL 981 MALLAT S .. PAPANICOLAOU G., ZHANG Z., Adaptive covariance estimation of
loeally stationary proccsses ),AlI1w/s (~rSI(/tislic.\', vol. 26,1998.
[MARI 91 J MARINOVICH N.M .. ROYTlvlAN L.M., Signal/noise subspace decomposition for
random transient deteetion . dans Vaccaro RJ. (di!'.). SVD wul Sigl/al Processillg-Il: AlgoralllllS, Analysis alld Applications, Elsevier. Amsteram. Pays-Bas, p. 391-401. 1991.
lMART RSI MARTIN W., FLANDRIN P., Detection of changes or signal structure by using
the Wigner-Ville speelrul11 ), Signal Processil/g, vol. 8. n"1, p.115-233, 1985.
[MAT 96J MATZ G., HLAWATSCH E, H Time-frequency formulation and design of optimal
deteetors , dans Proceedings t?f'rl!e IEEE-SP Ime/1/{/tol/a/ SymposiulII 01/ TilJ/e-Frequew:y
li/ill Time-Scale Al1l1lys;s (TFTS'96), Paris, p. 113-216. 1996.

38

Dcl~ion lcmps~frqtlent:e

[MAT 99] MATZ G., HLAWATSCH F"

<<:

Minimax robust time-frequcncy proccssing ". doms

oI

Pmcecdings
llie IEEE lrt1e/1/afionaf Cm!{crencc Oll ACOlfStiCS, Specch amI Signal Pm~
ccsslIg {lCASSP'99). Phoc!lIx. Arizona. 1999.

[MEC 981 MECKLENBIivRER WYG., [-ILAW/o.TSCH E (ir.). The Wigner Di.I'T/'/mtionTI/cury antl Applications in Signal Pmccs,Yng, Elsevier, Amsterdam, Pays-Ba:-. 1998.

fPAP 94J PAI'ANDnEOV A.. KAY S.M .. BOVIJREAVX-BAHTELSG.E." llIe u;;c ofhypcrbolic
limc~ffCqucny rcprescnLiltlon;; for optimum dctcction and panunclCr estimation ofhypcrblie chirps 'f, i.lans P/'occedings a/fiu: IEEE-SP {wC/'IJ(f{ifJIw} Symposium on Time-Fn'C}lIeJfc)'
{/Ild Tiuw-Scale tlualysis (TFTS'9..f.), Philadelpbie. P(~nnsylvnnc. p. 369-372. 1994.

rPAP98J P'\PANDREO!J-SUPPAPPOl.A A.. I1LAWATSCI-I F" BOL"DREAUX-BARTELS G.E.


"QlIudratc time-frequency reprcsenhltions wilh sCille covariance and genenllized timc-shif!
covarance: A ullil1cd fmmewrk for Ihe ilflnc. byperbolic, and power classes ", Digital
Sigllai Proccssing. vol. 8. p. 3-48. 199ft
LPOO 881 POOR J-J.V. An bumducfioll {o Sigmd [)c/ecr/rm l1Iul Estima/hm, Springer~ VerIag.

Ne\\' York, 1988.


fRAV 981 RAVlEI{ Ph .. AMBLARD P.-O., {( Denoising using wavclcl pnckets und the kUrlo_"is:

Applicmon to trnnsicnt detection ", dnns Pmccedil1Jj,Y (~f'thc /EEE-SP fJJten!atioua/ 5'111[1OS!UI/I (ln Tif1T,,-Fn-'fIUell(V aud Time-5J'cale AlltJ/ysis fTFTS'98). Piushmgh, P\.~nnsylvanic.
p, 625-628, 1998,

c..

[RTC 91'1 RICH ARD


LENGELLE R.. " Une nouvelle approche pour la dtection linaire optimale dans le plan Lemps-frquen"e ji, dUlls ACf(!s dH sd:iclIU! colloque GRETS'I. Grenohle,
p, 659-662, 1997,

[RTC 98<1] RICHARD C., lENGELL R.," Structural ri:;:k minimilation for redui..'ed-bis IlllJe~
fn::quency basc detcctors design ~', ans Proccctlings q{l!W IEEE lntcnlamw! COllference
on ACOllstics, Speech and Sigl/al Processl1lJ (ICASSP'98). Phoenix.. Arizonn, p. 2397~2400,
1~98,

[RIC 98b! RICHARD

c., LENGELLE R. (, Two algorithms for dcsignng optimal rcduccd~bias

data-drivcn tilllc-frequcncy dctectors )', dans Pmcecdiugs (~r the IEEE-Sr lntcmarmal
Symposium on Tilllc-Frcql/CI/cy al/d Time-Scalc Amiiysis (TFTS'9ln. Pittsburgh. Pennsyl~
Vill1ic. p. 60160-+, 1998.
lR1H 681 RIHACZEK kW.. Princip/es q{' High-Reso!wioll Radar. ML'GrmvHiIl, New York.
1968,
tRIO 921 RIOL O., FI.ANDRIN p., {( Time-:;:cale energy distrihutions: A gcneral lass c:xlending wavclel1ransforms h, IEEE Transactions {)II Sigllal Proccssing. vol. 40. Jl" 7. p. 1746~
1757.1991.
(SAY 95J SA YEE)) A.M . JONES D.L. "Optmal dctcction using hilincar Limc~rrequcm:y and
lime-,>cale rcprescntaLions if, IEEE Transactions 0/1 Signal P/'oct'ssing, voL 43. n" 12:,
p. 2871-2883. 1995. EITalUI11: IEeE 7/Ymsacriolls 011 Sigllal Proccssj,!};, val. 45, n" 3,
p, 761-762, 1997.
rSAY 96J SAYEED A,M., JONES D.L.. " Optimal quudrmic de!ection amI estimation u;;Jng
gcncrulizcjoint signal rcprcsentations ".IEEE n'(lIIsactirms 011 SigmA PlVcf!ssing. vol. 44,
p,2:959-2970, 1996.

Temps-frquence et dCclsion -

tille

introduction

39

tSEN 031 SENHADJ! L. SHAMSOLLAHr M"

" Une upplkalion en biontdical: signaux


SEEG )), dans OOHeurii C, :Vlartin N. {die'l, Dicision daIM 1(' fllolltcmfJs-frqllcliCt', Herms.
Pari'i. 2003 (ce volume).

[TRE 68.1 VAN TREES HL .. Detectioll, EstimOIio!l (lfIll Modllimioll T!m)'-PfII1 1. John Wile)'
und Sorts. New York. 19h15.
rWAN 981 WANG!'v1" CHAN A,K,. CHU! C,K., " Lincar frcqucncy-modulmcd signal deh:t:!lon
using Radon-amhiguity lmTisform )'.IEEE hausacthms ou S(l(llal Proas:dllg, voL 46.n 3.

p.571-586.1998,
rWHA 71 J WHALF.N A.D., Signal DeJecfiU!r in Noe, AC<ldcnc Pres::>. New 'York. 197!,

ChapitTe 2

Dtection de non-stationnarits

2.1. Dteetion de non-stationnarits il l'ordre 2 1


Dtecter Wl phnom~nc 110n stationnaire dans un signal est un problme courant
dans de nombreux domaines, la nature tant plus frquemment 110n stationnaire que
stationnaire. Le problme pos par le traitement e ce type de signuux Il 'est pas simple

et chaque mthode propose tiendra compte d'une proprit plutt que d'une autre,
Un processus est stationnaire au sens strict si la loi de ce processus est invariante
quelles que soient les translations temporelles. CeHe dfinition est cependant trs
svre et nons nous limiterons une stationnarit d'ordre Il fini, condion plus faible

qui ncessite la stablit des moments d'ordre 1 il ri U processus par rapport au


temps. Nous sous-entendons par ces dtnlons l'ergodisme du processus, soit
l'galit des moyennes temporelles et des moyennes d'ensemble. proprit que nous
admettrons a priori [ROU 70J,
La proprit de stationnarit est, par dfinition, adapte aux signaux alatoires.
Une application slricte de cette d(jnitl011 sur un signal dtenninistc conduit li des
ronctions constantes, ce qui n'a pas beaucoup d'ntrt. Brillinger [BRi 81] propose
une dtniton de <( stationnarlt6 plus souple. JI ne s'agit plus d'une invariance
temporelle mais de l'existence d'une relation simple. analytique et non divergente
entre les diffrentes dates du signal. Cette d6rinition tradul le fait qu'un signal
dterministe sera considr comme ( s{ationnaire ) si les paramtres qu dfinissent
celte rclnton sont invariants, Les vuratons de la fonction d'uutocorrlnlion sont
reprsentatives de certaines de ces variations.
!. Section rdige par Nadine

f\/lAlfnN

et Muuhicu Dt;RNER1N.

42

Dcision telTlps-frquence

contrl e de
Dans ce context e. une mesure de la stationnarit se rsume ,[lU
Cependunt.
temps.
au
rapport
par
L';
proCCSSt
rinvaria nce des proprits statistiques du
moyen de
un
dfinir
de
et
l cst ncessaire de Jxel' une chelle d'obser vation
consiste
souhait
if
contrle de l'invari ance des momen ts. Dans ce chapitre, l'object
le signal
dans
es
connatre la localisation tempore lle des non-stationnarits prsent
bas sur
est
ainsi que leur locaHsation frquentielle. A cette tin, le dtecteu r propos
rquence. Se
une vuriation du momen t d'ordre :: du signal dans le domain e temps-f
compl te par
lmer au seul ordre .2 est restrict if et la mthod e propos e doit tre
Nous en dirons
des dtecteurs construits sur des momen ts d'ordre supreur 2.
quelque s mots en fin de chapitre.
phnom ne
Lu melhod e propos e ne s'appui e pas sur un modle du signal ou du
J'avantage
a
dIe
prcis.
non stationnaire recherch, Dans le contexte qui vent d~tre
le type
soit
que
d'tre sensible aux volutions du signal au cours du temps quel
la rsolution de
d'volu tion et quelle que soit sa dure, punir du momen t o
modul s en
l'estima teur temps-f rquenc e chois est suffisante. Tral1sitoires~ sgnaux
niste
dtermi
ante
compos
d'une
on
dispariti
ou
lrqucncc. ruptun."S frquentielles, an1vc
tions
modula
Les
e.
approch
cette
par
ou alatoire sont des vnem ents dtectables
e s'appliq ue
d'ampli tude seronl par contre mal dtectes. La lT'Ithode propos
t insuffisunl.
rvlen
se
lorsqu'u n simple lest du Cusum ou un dtecteu r d'nerg ie
optimale,
tre
pas
ne
Robuste et automatique. cette mthod e a pour inconv nient de
aucune nfonna tion fi priori n'tant disponible.
rquenc e
Le dtecte ur propos est dfini partir d'une reprsentation temps-f
. Tl est
glissant
ramme
corrlog
d'un
estime partir d'un spectro gramme ou
ons
rsoluti
Les
connue.
est
adaptable il tout estimat eur dont la loi d'estim ation
en
nt
intervie
r
l.:!1TIporeHes et frquentielles sont celles choisies li priori. Le dtecteu
teur
l'estima
de
post-tra itement aprs l'tape d'analy se et exploite les proprits
propos dans le
lemps-f rquenc e choisi sans interagi r sur celu-ci. Ce dlecteu r a t
arit d'un sigl1al il
context e de l'oprat ion Aspect dans le but de cenll'ler la stationn
analyseurs. de
des
chOIX
le
justifie
qui
ce
.
une chelle d'obser vation non critique
Fourier glissants [DUR 99, MAR 02].

2.1.1. Test d'!typotilse tians le phm temps-:frq/lcllce


l'hypoth se
La thol'le de la dtection binaire consiste li accepte r ou rejeter
basc repose sur
d'appar tenance d'une observation un espace donn. La thorie de
risque ou cot
le
laquelle
pour
e
optimal
e
la stratgie de Bayes [TRE 68], stratgi
du sigml.l, les
nt
traileme
au
es
Appliqu
.
moyen des situations possible s est minimis
[ARQ 82].
lles
tempore
s
donne
hypothses ont d'abord t fonmtles partir de
ant de
intress
tre
peut
il
,
Lorsque l'hypoth se de statimmuril n'esl pas vrifie

Dtectlon de nDn-stationnarits

43

construire un modle de dcision dans un espace plus adapt la dcision de


phnomnes non stationnaires. Une formulation du dtecteur binaire~ quivalente en
fut au principe du I1ltrage adapt. a et lnborc partir du spectrogramme par Alls
en 1980 [ALT 80] cl partir de la distribution de Wigncr-Ville par KUl11ur el Carroll
en 1984 [KUM 84]. Les conclusions de ces derniers sont dj trs explicHes quant
l'galit des perfoffi1unces entre un dk'Cteur temps-frquence et un dtecteur temporel.
Kay et Boodreaux-Burtels [KA Y ES] el Flandrin [FLA 861 ont repris ces trnvuox en
1985 et 1986. Marinovich [MAR 91] il propos one formulation qui repose sur une
dcomposition en valeurs singulires d'une reprsentation temps-frquence dans le
but d'ex1raire~ dans le plan temps-frquence, les composantes associes au bruit.
Lcmoinc a montr les limites du dtecteur temps-frquence optimal [LEM 95].
Matz et Hlawatsch [MAT 99] proposent un dtecteur" hypothses composites
formul dans une rgion du plan temps-frquence. Les connaissances CI priori
ncessaires sont obtenues C:l partir d'un ensemble d'apprentissage, Richard et LengcH
[RIC 98J proposent un dtecteur linaire performant qui limine la redondancc
prsente dans une reprsentation de W igner~ ViB;;;.
Friedlander et Poral [l'RI 89, POR 93] ont propos lin dtecteur de transitoires
bas sur un test du maximum de vraisemblrmcc. Ce lest csl localis }) dans le sens
o il examine une partie des coeflicents de la reprsentation tcrnps-frquence (RTF),
Ces stmctures non optimales ont l'avantage d"tre adaptes la nature des transitoires
et d'exploiter le plan temps-frquencl! contrJirement aux dtecteurs temporels.

Dans cette section, base sur k mme principe, nous proposons un dtecteur qui
tente d+exploiter la localit du plan temps-frquence. Par contre, le contexte est
diffrent tant donn que nous souhaitons dfinir C~ dtecteur il partir d'un minimum
d'informations ({ priori que cc soit sur le signal stationnaire ou sur le signal non
stationnaire dtecter. Ce lypc de situations est fh!quent dans les applications et il
nous a semhl importunt de proposer un dtecteur ncessairement moins performant
qu'un dtecteur ad hoc mais qui a, par contre, l'avantage d'tre plus gnral avec
nanmoins des performances intressantes.
Le signal observ vrifie rune des deux hypothses suivantes:
- hypothse Ho : le signal est ulatore et stationnare puissance moyenne finie~
ventuellement additionn d'un signal dterministe stationnaire H. sa densit de
probabilit es! note Po;
~ hypothse Hl: rejet de l'hypothse Ho. le signal est non stationnaire par
morceaux. sa densit de probabilil cs! nOle Pt.

L'absence d~inrormation sur la nature des composantes non slationnaires ne


penm::t pas de calculer ln structure optimale d'un dtecteur au sens de Bayes

44

Dcision

temps~frqucnce

[PRO 89, SAP 90, SPA 73, TRE 68, WHA 71], la densit de probabilit Iddp) de
l'observation sous l'hypolhse HJ, PI, est inconnue. SOliS l'hypothse Ho o le
signal est stationnain:, la forme de la ddp du signal. Po- est connue mais ses
paramtres sont inconnus. Nous proposons un dtecteur rcursif bas sur une
estimation itmtive des paramtres de Pu et constntit dans un espace des observations
dfini dans le plan temps-lrqueoce.
Afin de prserver la localit temps-frquence. la statIstIque du dtecteur est
dfinie partir d'un seul coefficient de la RTF. Le dtecteur propos sera donc non
optimal cl double titre~ il a par contre J'avantage d'extraire en temps et en frquence
des composantes quelconques non stationnaires par morceaux en fournissant la
localisation temporelle et frquentielle de ccs non-stationnarits.
Les los a prior des observations et les foncions de cot de chacune des
dcisions tanl inconnues, il est nanmoins possible de calculer le seuil de dtection
parlir d'une probabilit de fausse alannc fixe. Seule la 101 sous Ho cst alors
ncessaire. Cc seuil est adapt chaque itration. Pour viter une sensibilit au
choix de celle probabilit, le dtecteur est appliqu pour plusieurs valeors de la
probabilit, ce qui fournit en fin de compte une classification des points dtects.
ConsidroDs un sigoal temporel discret rel r[k], de N points, de RTF Pr[k.vJ,
lment de 1(2. \' tant la frquence nonnaiise par la frquence d'chantHonnage
fc> L'espace d'observation, not Liv) est un ensemble de poiuts de coordonnes
(k,v) tcl que Pr[k,vJ exisle et v est gale a une constante. C(v) est donc dtini dans
l'espace lemps~frquence par une coupe de la RTF d la frquence v.
Sous l'hypothse Ho. l'espace des observations nol CHo (v) est dfini par:

avec PPriHo la ddp de l'observation Pr [k, v] sous I~hypothse Ho


L'espace d'observation sous l'hypothse HI, not C1I,(v), est le complmentaire
de 1:11,,(V) dans 1:(v). Nous pouvons remarquer 'lue les coefficients de CHo(V) Ile
conespondent pas forcment des segments du signal conscutifs temporellement.
A la frquence v, la slfitistique de dcision entre les hypothses Ho ct H, est
dfinie par:
HI

>
Pr[k,v] < 11pli'[V]

Ho

[2.2]

Dtection de

non~sl<llionnarits

45

Si l'hypothse Ho est rclenue. le coeflicienl Pe[k.v] "ppartient fi Lrr,,(V) et dcrit


une punie stationnaire du signal. Si l'hypothse Hl es retenue, le coefficient Prfk,v]
appartient CUi(\') et dcrit une partie non slationnuire du signal. Le seuil de
dtection l1Pl[V], fonction de la probabilit de fausse alarme Pfa choisie. est
calcul par inversion de llquation :
+;;c

J Pu(,) ds

pfa =

111'1;,f

[1.31

vJ

Le seuil Il!lfafv] et respace LHo{v} dcpendent de Po. Nous verrons dans le


paragraphe suivanl que celte loi dpend de la quantit E(Prfk,\'JJ qui est inconnue. A
partir d'une estimation initiale de E(Pr[k,v, nous proposons une application
itrative du dtecteur dfini en [2.IJ. A chaque itration, respace d'observation
LH,,(V) ct le seuil 11Pn,[V] sont mis jour en fonction du rsultaI du tesl. Le test
converge lorsque l'espace Lllo(v) se stahilise.
Pour expliquer le test, nous dfinissons les hypothses restreintes suivantes:

- hypothse H~l : signal alatoire stationnaire gaussien il puissance moyenne tlnie :


- hypothse

H; : rejet de l'hypothse H~.

Le paragraphe 2.1.2 explicire la ddp du signal sous l'hypothse H puis sous


l'hypothse Ho. Dans le paragraphe 2.1.3, il esl propos un calcul du scuill1rll,[V]
qui justifie le dtecteur itratif dtaill dans le paragraphe 1.L4. L'algorithme est
ensuite i11ustr sur un signal acadmique dans le paragraphe 2.1.5, Dans le
paragraphe 2.1.6 son1 prsentes des appHcations sur des signaux rels,

2.1.2~

Densit (le pro!JabWt tlu priodograml1lt! SOli,,)' Hf!

Sous l 'Ilypothsc Ho- le signa 1 r[k] est un processus stationnaire, gaussien. blanc.
not b[k], de moyenne nulle ei de variance cr1, ventuellement additionn d'un
signal clterm;nisle discret d[k] :
k:I,N

[2.4]

La RTF Pr[k,vJ. calcule parlir d'un spectrogramme ou priodogrummc


gHssant, s'c-rt:

Decision temps-frquence

46

Pr[k,vl~

[2.5]

Nr

avec fIm] I"ntre temporelle de Nrchantillons. N r < N.


S011S l'hJlmthse H, le signal est gal b[k] et suit une loi norma\e /Il (0, al). Si
la tntre h,:mporellc d'analyse tIm] du spectrogramme cst une rentre rectrmgulaire.
le coctlicielll lemps-lrqucnce de b[k] la frquence v, not Pb[k,\'l ct dfini
comme dans [2.5], est une vari.abl alatoire proportionnelle une variable alatoire,
X7" qui suit une 10i du X'2 ( degrs de libert, avec un coefflcent de
proportionnalit gal a. (32/L La loi de pb[k,v] est ainsi une loi gamma:
r( e/2, cr 2/e, Ol [JOH 95].

Nous pouvons crire:


pour v if; 0 et \' 7:--1/2

[2.6J

Celle quation dtermine la ddp Po' du signal sous rhypothse Ho:

Po' ( p)=
avec

gxi

[2,7J

la ddp de la Ini du

Connalssunt la loi, nous pouvons ddure l'expression de tous les moments du


processus Pb[k,v] et, en particulier, la moyenne E(Pr[k,v]), la variance Var(Pb[k,v])
et la variance normalise Vam(Pr[k;v]) qui s'crivent:

[2.81
[2.9]

1
(

[1.10]

Dtection de non-slationnurites

L'quation [2.8] pennel d'exprimer le coefficient de proportionnalit a


fonction de la moyenne de l'estimateur:

47

cn

[2.1 1]

Ho;

Sous
la variance n0011ullse de Pblk,v] est une camctristi{)ue de Pestnaleur
indpendante de la variance du bruit b[k]. Pour le spectrogramme non moyenn,
Vam(Ph[k.v]l vaut toujonrs 1 quelle que soit la lentre d'analyse [DUR 99]. D'aprs
[2,J 0], le degr de libert { de la loi du coefficient du spectrogramrne vaut2 quelle
que soit la fentre d'nnalyse fIk], d'ou a = (j212. Nous relrouvons ainsi des rsultats
bien connus:
Ph [k,vJ =

C; :d. E(Pb[k.v])=,,'

Var(Pb [k,v]) =

,,4

Si Po[k,v] est un corrlogramme pondr par une fentre temporelle g[m] de


dure Ng, l'quaton [2.6J est une approximation. La variance nonnalse, calcule

dans [DUR 99], n'est plus unitaire et le degr de libert l'eN est un rel dtermin
partir de [1.10] :

[2.12]

Sous l '/(lpothese Ho. au bruit gaussien blk] peuL s'ajouter une composante
dtcrministe d[k]. Dans ce cas. le processus x[k] suit une loi gaussienne J\I1dlk], ,,2)
de moyenne non nuUe gale x[k] et de variance 0'1. Alors, le coefficient Pr[k,v] est
proporlionnel une variable alatoire X?(6) qui suit une loi du X1 dcentre il {"
dCbrrs de libert avec un paramctrc de dcentrage fone!ion du rapport signai il
bmi! [DUR 99. HOR 02, lOH 95, WHA 71]. Soit:

[2.13]

li

avee li = [ Pd [k, V Pb [k, v] et pd[k, v] le coefficient du spectrogramme du signal


dlem,iniste d[k]. Le coefficient de propOltionnalit ", identique au eas bruit seul,
est dfini par [2.11].

48

Dcision lemps-frquence

Cette quation dfinit Po dans le cas o un signal dtermlnis1e stationnaire


s'ajllte au signal alatoire. L'hypothse Hf; en est un cas particulier avec = 0, A
partir de la fonction caractristique d'une loi du 7~2 dcentre, il est possible de
calculer les moments de celte loi [JOB 95] qui s'crivent:
[2.14]

Var(Pr [l, v]) ~ (1" (]( +43)


Var(Pr[l"v]l ~ (2f+45)

(E(Pr[k,v]))" ~ (I+I))"

[2.15]

[2.16]

POllr le spectrogramme [2.5] calcul avec une fentre d'analysc [[m]


rectangulaire. le degr de liberr r vrll1l.:?, et nous avons:

[2.17]

Pour les a1l1res estimateurs, l'quation [2.13] est une approximation qui n'est
correcte que pour de trs faibles rappolis signal bruit fDUR 99].
Pur rarport au dtecteur prsent dans ce chapitre. il est importunt de remarquer
que la variance normalise sous Bo dfinie par [2,16] est toujours infrieure la
variance normalise sous H dfinie par [2.10].

2.1.3~

Seuil lie (ltectOI1IIIl test temps-frquence

Le seuil du dlecteur cst dfini par [2.3]. Sous H, il dpend de la densit de


probabilit

Pu~

dfinie par [2.7] qui, intgre dans [2.3], perl11et d'crire:

Dtection de non-stationnarits
+70

+~

Pfa

4tJ

'l!'", ["1

J. gz; ( u) du

dp =

)l'f<l

[2.18]

r\' ]""T11'1:1 [\' lin

uvec PliJ[V] un seuil calcul uniquement partir de la loi du X7- Celle quation
nous montre l'intrt d'avoir crit la loi gamma des coefficients de la RTF
proporlionnellement une loi du 7..2 En effel, le seuil )'Pll,[V] ne depend que de la
probabilit de fausse alarme choisie Pfa cl que du dcgr de libert t de ,'cstmnleur.
Le seuil ilPf<l[v] du test [2,]J peut ainsi se dcomposer en fonction d'un produit de
deux termes donn par la borne de l' iulgmle dans [2.18] :
[2.19]

uvec o. dfini par [2.1 J].


Le lerrne a. dpend de E( pb[k, v]) que ce soit sous les hypothses Hu ou

Ho. Nous

proposons d'cstmer celte ql1antite panir de la moyenne des coefficients


appurlenant LHO(V). moyenne note Il[Y] et qui s'crit:
1
fl[V]~

p,[k,v]

[2.20]

k! Pr[k,\, JGLtl a (v)

avec P le nombre d'lmenls de LH o (v).


Finalement, le lest [2.1] s'crit en intgrant [2.1 Il, [2.19] el [2.20):
Hl . . st retcnw.:
p,lk, "1 E Cft: (v)

p,[k.v]

:>

<

[2.21]

Ho est retenue

p,[k.vIEL",,(v)

filvJ

avec
dlin; par [2.20] et le seuil Pfn[V] dfini par inversion dc l'quation
[2.l8J et dpendant uniquement de lu Pl choisie a prIOri et de la loi du
de

degr ( :

SU

Dcision tcmps-rrquencc
+:1)

pfa :

i!'ti! [

[2.22]

g, (u) du

Xl

VJ

utions
perm et de dtecter tout es )cs estm
A chaq ue fTquence v, l'alg orit hme
ale
initi
se
Hf). Ce test peut tre tendu l'hy poth
Pr[k,v] qui diffrent de l'hy poth se
he
grap
pam
le
dte nnin istc du slgnaL En efret,
Hn sans con nais sanc e de la partie
est
Ho
se
la variance nom1allse sous l'hypoth
:2.1.2 fi mis en vidence le fuit que
t de fausse
sous H, Ainsi, sous Ho, la pl'obabiH
toujours infrieure cetle obtenue
Cette
se
que celle calc ule sous l'hy poth
ulamle effective serait plus faible
posantes
signal dterminste dont les com
observation reste vUlable pOU f tout
cours du temps.
spectrales ne sont pas modifies au

Ho.

2.1.4. Test tel1lp,\'~frqlleIlCe rcu rsif


l'en sem ble
la con nais sanc e de l'lv] donc de
Le test dfini par [2.1 1]l'e pose sur
ation itrative de cel ensemble.
.cHo(v), Nou s proposons une estim
ons .ci"IQ(V)
une itration i de t'alg orith me. Not
Sup poso ns connue cette quantit
moy enn e des pi
pi le cardinal cie qi/V ), I,i[v] la
l'en sem ble EHo(v) l'it ratio n i,
41"(V) dan s
0] el ClI, (v) le complmentaire de
lments de [[I,( V) dfinie par [2.2
[(v) .

[2.21] pou r
] l'cu nel d'ap pliq uer le dtecteur
Ln con nais sanc e de la moyenne ,,![v
l'it ratio n
r
les ensembles C~o(v) ct Cii}v} pou
une pra don ne ct de mettre jour
suivante, soit ;

c;;;(v)={p,(k,vll

p,[k,v]:;; .zpf.<[V]

~li[vJ}

[2.231

~7,1 (v) ~ l:(v )-~~,: (v)


et;

L:

Pr[k,v]

[2,24]

k i p,rk.vl E L1;~ (v)

ble l:tlo(V),
est dfini par la stabilit de l'en sem
Le critre d'an 't il une itmtion 1
s:
ce qui dn nill cs ense mbl es rech erch

Dtection de non-slationnarits

[11 11

(v)

Li 1" (v)

/ l'itration

vrilie

L'il

ll

(v) = 4~: (v)

51

[2.25]

Cette relaton implique ncessairement la stabilit de l'ensemble complmentaire.


d'o:
[1.16]
avec l'indice l dlini par [1.15].
11 ne reste pius qu' initialiser la procdure, Nous propn~mns dnitialiser
l'ensemble dl-,o(v) par les p % coefficients Pr[k,v] de plus faible valeur
confonument l'quation [2.1], la valeur p tant fixe (f prori, La moyenne
IlO[V] de celte itration initiale risqne d'tre biaise par rapporl E(Pr[k,v]). En effet,
$1 la frquence v le signal n'est constitu que d'un bruil blanc stationnaire.1Jo[v]
va sous-estimer E(Prlk..,v]). qui n'cst calcule qu' partir des coefnc:ients de plus
faible valeur. La probahJHt de fausse alarme va tre suprieure celle dsire. Dans
le cas oppos o plus de p % des eslimations son1 non stationnaires, la moyenne
initiale fLO[ v] risque de surestimer E(Pr[k, vl). Ln probabilit de dlecliou va tre
infdeure celle altendue, Dans les deux cas, aux itrations suivantes, la moyenne
est ajuste, Je nombre de fausses alarmes diminue tandis que la probabilit de
dtection augmente. L'algorithme de dtection est illustr sur le dingramme de la
figure 2, L
t

Le rsultat du critre est ulle carte temps- frquence, DetLx cartes sont
possibles suivant le typ de classification souhaite. Pour la premire carte, les
lments de LH!!V) sont cods en couleur suivant la valeur normalise
Pr [k, v]/U-<)i\.Pf;! [v]p 1[v] maximale en L Les lments de

C~IH(V) sont cods par

la couleur blnnehe,
Pour la deuxime carte possible, les lments de l'enscrnble C(v) sunt classs
selon la probiJbilit de fausse alamle ncessare les dtecter pour la moyenne ~{Ifv]
obtenne lors de la dernire itration. Notons P, cette probabilil et flpc l senil
obtenu pur inversion de [1,22] pour la probabilil Pc. Cette probabilit est
distinguer de la pra utilise pour l'algorithme rcursif dans le calcul du seuil )~pra'
La classe note CI (Pc ~ P < Pc+ I) contient les lments des ensembles [,(v) qui sont
dtects pour une probabilit P compdse entre les deux valeurs Pc et PL,+[, ce tlui
s'crit:

Dci5ion

5.2

CI (p, 0;;

lemps~jrqucnce

r < Pc+1 )

[2,27]

[PC [k, v] EUL( v) 1(y,:)Br,,/ [v] 0;; Pc [k, v] < (y,:)PrJ, 1[V]l

\'

~,I

1 Signnl;-.J pOlllts 1-

Temps

t
Analyse temps-frquence
Spcclrogramme

oU

com:logmmmc

L:(v) ~ ((!;,v) 1 k ~ LOi!

lntiali~lltion p '~

j=O

: C7! (v) "'" lik,v)! Prrk.vl min ci Po

nr:(LP (v) = N plI 00 l

j
___~_'-,D_~
__-.J

"

'l'

Dlcctinn

M ~ {(Ie,v)! p,lk,v! < l

, )'1'" [v] ~ilvll

rrl!. =

'00

Jtv(f
g.l~ (ul du L\"11 (v) = L
-

}'l'f..

{v)"""

Ci~1! {v)

li - -

Qui

C;in(Vl"" c'~Jln~
LII, (vJ

C\!I (v)

plv] -i,'lv]

l---------

_ _~-'lP~,

~Ii -, --__
g.

__- ------

; '~i.~~_:::~~
i ,,-,
,

--,

...._~--~--,

Temps

figure 2.1. Diagramme du critre cledlection


de 1wn-S/ofiOIl110rits dmls le plan feJlt!,.\'-;li'qucl1cc

DleClon de non-stationnarits

53

Ce classement tlnal penne1 de discriminer les non-stationnarits dtectes en


Fonction de lem probabilit de dtection. Les pl'ObabiHts Pc ne doivent pas tre trop
grandes au risque de sotls-estimer E(p,[k,v]) et d'obtenir "li finul des probabilits de
fausse alarme trs suprieures il celles dsires. Dans les exemples dcrts dans
les paragraphes Ruivants, nous avons choisi une telle reprsentation avec une
classification en cinq classes dfinies par:

-ciasseO: CI(P=IO-l):
classe 1 : CI( 10-3 cS P < 10- 2 ):

-c1assel: CI(IO-4 ';P<IO-l ):


- classe 3 : CI (10-5 ,; P < 10-4 ) :

clusse4: Cl(P=IO- S).

2.1.5. Influellce lte l'estimateuI" temps-frqueJ1ce


Si l'estimateur temps-frquence est un spectrogramme. il est recommand
d'utiliser une fentre d~apodisatjon pour limilcr l'influence des lobes secondares.
Une fentre de Blackl11un pemlet d'atteindre au mieux cet objeclif [DUR 99].
L'influence des non-stationnnrits est ainsi limite cn frquence. Un dcalage entre
segments de 50 O,,{I peut tre utilis toUl en considranl que les diffrenls segments
sont encore indpendants. Bien que pour le critre, l'hYPOlhse d'indpendance ne
soit pas ncessaire, elle est prfruble pOlll" l'initialisation de l'algorithme (]un que
le choix des p ~"o estimations de plus faible densit se fasse sur des segments
indpendants. Le choix de la taille des segments est l'lus dlicat, puisqu'il fixe non
seulement le compromis rsolution temporelle/rsolution frquentielle, mais aussi le
nombre de segmcnls. POUf ce critre, il est ncessaire que le nombre dc segnlents
soit suffisamment important (> 20 Cl prior), Le degr de libert t de la toi associe

au prodogrammc est gal il 2.


Si restimuteur temps-frquence est un corrlugramme glissant, Pr [k,v] est alors
estim par le corrlogramme A-biais au H(!u du priodogramme [DUR 99]. L~intrt
est d'obtenir, pour cerlaines fentl'Cs 'apodisiltion linaire. une variance normalise
intrieure celle du priodogramme. Le meilleur compromis est obknu pour la
fentre de B1ackman avec une variance nonnaHse gale 0.49 nions '-lue. quelle que
soit la fentre d'apodisation du priodogramme, sn variance normalise est gale il 1.
La dtection esl amliore puisque les estimations. dans le cas stationnaire,
s'cartent moins de ln moyenne par rapport au priodogmmme. Le seuil de dtecton

54

Dcision lemps-frquence

est infrieur ct des non-stationnarits de plus faible puissance peuvent tre dtectes
sans pour autant augmenter le nombre de fausses alarmes. En contrepartie, les lobes
secondaires de la fentre spectrale seront moins bien attnus, cc qui risque de
masquer des non-stationnarits ventuelles ct augmenter la probabilit de perle. Pour
une fentre de Blackman, le degr de libert l'cor vaut 4,08 au lieu de 2 dans le cas
du priodogral11me.

2,1.6. Rsultat sur 1111 siglllllllcmlmiqul!


Le signal acadmique tudi dans ce paragraphe, non raliste sur le plan
physique. a pour objectif de regrouper un ensemble typique de non-stationnarits
afin d'illustrer les possibilits du dtecteur propos. Soit un signal discret r[k], de
N ~ 25000 points, chantillonn une frquence f~ ~ 100 Hz ~ liT,. r[le] contient
un signal alatoire stationnaire b[k] additionn de trois composantes dk] non
stationnaires:
[2.28]
avec:
- b[k] un bruit blanc stationnaire de puissance

ci =

3 sur N points,

d 1 [i<] une sinusode de frquence f 1 ~ 15 Hz sur N 1 ~ 10000 points:

d} [k] deux modulations linaires de frquence, dont la frquence va ne


linairement respectivement de 10 30 Hz et de 30 10Hz sur N points:
d, [k]
-

1.25 sin (2rrkTc (la + 20~ )) + 1.25 sin (2rrleTc (30 N-I'

'

20~

N-I

))

- d 3 [k] une sinusode frquence alatoire dont la frquence est centre sur
35 Hz additionne d'un bruit blanc

8[k]

d~cart-type 8 Hz sur NI points:

Cette dernire composante du signal cre un motif frquentiel bande troite de


l'ordre de 20 Hz. En dehors de cette bande, on peut considrer que le reste des
motifs est peu perturb.

Dtection de non-stationnarits

55

Les rsultats sur ce signal acadmique sont probants. Les dirfrents types de nonstationnarits ont t dtects, qu'il s'agisse de non-stationnarits par morceaux
(frquence pure, motif bande troite) ou non (modulations linaires de frquence).
Que ce soit avec le spectrograml11e (figure 2.2) ou le corrlograIlll11c glissant (figure
2.3), le nombre de fausses alannes est proche de zro, surtout pour une probabilit
de fausse alamle infrieure 10--4. Entre 50 et 150 secondes. les lments dtects
loigns du motif bande troite ne sont pas des fausses alarmes. La sinusode
frquence alatoire ajoute du bmit sur toute la bande, mme si celui-ci est iible en
dehors de la bande [25 Hz, 45 Hz].

."

.f!

Q.

50

al

Temps (s)

50,--------------,

40

"

630
v
u

g. 20

'V

J:
10
0

50

100

150

200

Tcmps (s)
JAl'

-40 -30 -20 -10

15

10

c)

10

A.

~I~:~
o

d)

10

20

30

Frquencc (Hz)

40

0 0.5

''''/;);11001

1.5

2 2.5 3 3.5 4

I.A.

I-j

~l~~
o

50
c)

10

20

30

40

50

Frquence (Hz)

Figure 2.2. Signal acadmique. Dtection partir dit spectrogramllle. (a) Signal tell/porel
(25 OOU points), (b) RTF: .\pectrog/'alllll1e Cil dB ({mtre de Blackmall. ./7 .l'egll1Cflts de 1 02./
poilltS), (e) dtection {Jour {J % = 50 ~% ef Pf = JO".J. (d) moyenne temporelle de /a RTF, (e)
moyenne temporelJe p[ lj des lments SOIIS Ho.

56

Dcision temps-frquence

a"ces el
Cet exemple a galement pour objectir, de faire apparatre les perionn
te
constan
densit
une
pas
n'a
les limitations de la mthode. Le motf bande troite
de
permel
qui
cc
e,
cloch
sur la bande [25 Hz, 45 Hz]. il a une rorme de
le motir est
dterminer (suivant les paramlres ciu critre) il partir de quel niveau
e du
mthod
la
dtecte. Nous observons, en eITel, une 111eilleure performnl1ce de
au
nant
points dtects apparte
com~]ogrnmme glssant pour laquelle le nombre de
motif bande troite est pius imporlant qu"avec le spectrogramme.

es 30,

.O"";,{'>..i
"",."

III

10

() .'-... _ _ _ _._ _ _ _ _..J

ISO
100
Temps (s)

50

Temps (5)

bl

-( 0 -5

E'IIJI2P?vs;> ;~
el

10 15 20 25

~U~~
~i
n
10

d)

20

JO

Frquence {Hz)

40

0 0,5

200

,,,:::,Z,,"",,~ ";" k c__ ::__''''oc;;,,~,,'' ';

1.5 :; 25 :1

",11:.."-";3:05::1

3.5 4

,'~ II~_
l
i'_'~
,
~l~~~r - ~.1.,-,-__

15]

50

cl

10

20

}O

50

Frquence (Hz}

g!i.rsant, (a) RTF ,"


Figul'e 2.3. SigNai academiq/l. DtectioJf if partir dll col'f'tHogramlt/c
de l02.J (Joims).
~
(:orrlogramllle glissam en dB (/imrn.: de Biaekmol1, ../7 segment
\1 de la RTF, (d)
J4
lle
tempore
moyenne
ie)
ur!,
(h) dtcciiojl pOlir fJ ;J't "" 50 % et fla
1-1,1'
SOI/S
1I1OJ'C1111e temporelle f..1[ljdes /ements

figure 2.2e et
Ceci est egalem ent mis en vidence sur j'estima tion Il[k} (voir
toutes les
presque
sur
figure 2.3d) qu tnd vers l'estimatiDn d'lm bruit blanc
figure
(voir
RTF
frquences, conti'airemcnt, bien sr, la moyenne lemporeHe e la
qui
bande
la
2.2d ct figure 2.3c). L'esHmutioll est biaise aux extrmils de
l'hypoth se Hl
sont affecles 11 l'hypoth se H{1' Par contre, au milieu de la bande,
figure l.3d
est retenue et hl moyenn e ~l[V] correspond bien il celle du bruit (vor
eutre 32 el 38 Hz).

Dtection de non-s1nllonn<lritcs

57

Par ailleurs, l'influence des modulations linaires de frquence entre 10 et30 Hz


et l'influence de la frquence pure fi 15 Hz a disparu entre la moyenne temporelle de
la RTF et l'estimation p[v}. 11 ne reste qu'un faible rsidu de ln frquence pure

15 Hz, d au dcoupage du signal.


Si la probabilit de fausse- alarme augmen1e. le motif ft bande troite va tre
dtect sur une bande frquentielle de plus en plus large. mos des f:lusses alarmes
vont galement nppamtrc. En particulier. avec une probabilit de Ju5se alarme de
10.-2, ce motif est trs bien dtect entre 50 et 150 secoodes~ mais galement de
nombreuses f.:'lUsses n1urmcs nppurassent l o il n'y fi que du bruit blanc
statonnaire. Pal' contre, l'estimntion M[V] est proche de la densit du bruit blanc SUl'
lu quasi totalit des frquences.

2.1.7. Etude fte

Sig11l1lLY

rels

Nous: avons test Pnlgrithme sur des sgnaux rels de la banque ASpect. deux
mesures vlbmtoires.
Le premier

signal~

fourni pnr EDF, est un sgnal d'enregistrement d'un corps


CITant dans un circuit hydraulique (102 400 points, frquence d'chanti Iionnage de
50000 Hz), Le circuit hydrnulique se compone comme un guide d'ondes et les
fluctuations therrnohydrnuliqucs de la pompe primaire d'un racteur nuclaire sont
enregistres. Ce signal comprend onc, SUI' toute lu dure d'observaton, un bmit
hydraujj(lUe qui se munifeste sur une bande frquentielle lroite de 200 Hz, autour
de la frquence 2 830 Hz, avec une amplitude qui volue par houm~es nu cours du
temps. Il existe d'autTes bandes troites autour de 10,1 kHz el 10.9 kHz, mais peu
nergtiques. Les chocs du corps errant (un boulon) sur les parois du circuit
hydraulique se traduisent par des bruits transitoires qlll se manifestent :'lur une bande

de 600 Hz, autour de la Irqucuce 6500 Hz, bande plus large que celle du bruit
hydraulique.
Le critere permet de dtecter quatre motifs prmcipaux non stationnares (voir
figure 1.4). Ces non-stationnarits correspondent aux transitores. Les trois premiers
sont nettement visibles sur Je signal temporel (entre 0.9 et 1,1 seconde). Des
techniques plus volues. comme ln mthode de dtection de tn:msitoires par
ondelettes adaptes (voir section 2.4), permettent de dtecter deux transitoires
supplmentaires (vers 0,35 et 0,6 5). mais uniquement en temps. Notre critre
choue dans la dtection de ces transitoires. lllme en diminuant la taille des
segments.

1.5

0.5
Temps \s)

u}

29
-;:

3
~ 10

"cu

"cr
~

'"

IL

15"

1:,

HI

o .. .... _-- ---_....


~'-

b)

.IO!

11

cl

20

10

e;'1fIIIIl

11i1IIIl1i"1f~ ~ ~~, '~'c:..:.:: ~

",;:s~~~Jkil

~,,~~,

-40 -30 201U

Temps. (SI

Temps (~)
~_:;~,

--

1,5

0,5

0 0.5

1 1.5 2 2.5 J 3.5 4

I~

~~~~C__JJL.. _ _~
o

d)

5 uon

j() 000 15 000 lO 000


Frqucllcc t Hz)

e)

Fn5quct'lCC (Hf.)

1 ()O

50

() +---'-'..................-!l...
~I)

Frquen (Hz)

80

l,il

600
400

:mo

o:~~----- -r"-"

g)

0.5

,
1,5

Temps (St

rammc giissam.
Figure 2.4. Sig/JO/ l'ilmltoiJ'e l'd (EDF). Dtectio n li pm1- du cOl"l'log
gn~5W!! en dB
ramme
currlog
RTf':
(h)
1-!=J.
(a) signa! tempore l (f 0] -lOf) pOints,.f., 50000
~(; "'" 50 ~\; el
P
pOlW
dtection
(e)
points),
1024
de
s
segment
(fcntre de BJnckman. 199
SOifS
eIJuu}/lts
de,\'
/te /1[lj
Pf == Ur~,(d) moyenne f(~mpore!le (k la RTF. (e) m~re/ll1e tel1ljJore
l.
tempore
l'axe
Slir
(c)
/ de
!-I(,", (i) pmji!ctii m de (cl slft' l'U':.e,{!'L:quentiei. (g) prqjec!m
J

Dtecion de nOI1-statiollHilfits

59

Cependant, ces transitoires de faible puissance n':dTectent qu'une bande restreinte


en frquence et ne sont pas gnants pour une analyse stationnaire du reste du signal,
Ce signal contient dHlrents types de non-stationnarHs~ les transitoires prcdemment
cils ct des bruts hydrauliques 11011 stationnaires visibles sur le signal temporel (par
exemple entre 0,1 cl 0,2 seconde). 11 s'agit de bouffes > d'nergie. Hs ne sont
alors pas dtects par notre critre, rvolution de l'nergie dans la bande du motif
tant insuffisante. Un critre de dtection cn temps [DUR 99] est adapt il cc type de
non-stationnarit et permet d'en dlecter temporeUement les principaux motfs. Le
critre permet de bien cerner l'influence en frquence des transitoires et d'envisager
une analyse stationnaire pour les frquences qU ne sont pas louches pnr les 1100stmionnarits. lt apparat galemem que les lmcnts dlccts nvec une probabilit
de- fausse nlamH! comprise entre 1O~2 et 1O~3 sont diffici1ement exploitables. Les
non-stationnarits dlectes cette chelle ne sont pas suffisamment significatives.
Une projection des rsultats sur les axes temps ou trtluence fournil des indicateurs
plus compacts que dans le plall lemps-frquence (voir ligures 2Are! 2.4g).

.~

.
E

i)

<:

Il

al

[(1

1,1

l::!

16

Temps {sI
1 ~(ln
i 200
~.I
~

"
=
c
c

g
W

=
cr

0-

'C

(Hm

Hon
600

'W

:l;

:l: 400
:!()()

Il

Temps (s)
! I!!ffiI$!;;;;;Y;-,!

hl

~2()

.[(1

i!!/"

Il

[(1

ln

III

Temps (s)
~.';:f/

;~-;:J97'"0

]1)

cl

(1

if,)

.,
,-

14 16

.._~-L~
1.5 1 1.5 3 3.5 4

Figurl! 2.5. Signal (lCO/Istiqllc re! (DGA). Dtection li par/r du corrlogrammc gUy.mm.

(a) signal fempmvl (50 OO{j poiHls, .fc = 3 (}{JO 11::., (h) Rrp: corrlogranu1}(' glissant
dB (AmiJwe de B/ackman, 96 segments de / 01./ poilltS), (c) dewcthm pour p f~'i = 50 ;!i)
ct Ffi; = JO-l.
t'Il

60

Dcision temps-frquence

Nous prsentons figure 1.5 les rsultats du critre sur un deuxime signal
vibratoire fourni par la DGA, Il s'agit de l'enregistrement par un capteur
acclromtrique des vibrutons d'une station d'huile. Le signal est considr comme
stationnain:.\ que ce soil pour les vibrations dues la circulation du fluide ou pour les
harmoniques lies au moteur et il la pompe de la station d'huile. Les coefficients
dtects sous HI sonl en nombre trs faible et sont disperss dans le plan tempstrquence, Le signal IJCUl donc tre considr comme stationnaire, ce qui corrobore
l'expertise du spcialiste du domaine d'applicaton.
D'autres types de non-stationnarits peuvent tre mis en vidence. Nous prsentons
dans [DUR 99] le cas d'lm signal qui correspond l'enregistrement de lu passe d'un
navire au-dessus d'un hydrophone. 11 prsente de lgres n()n~sta1ionnarils sous la
fonm~ de motifs bande troite dont la frquence centrale change au cours du temps
ou dont l'nergie varie.

2.1.8. C,mcll/sioll
L'quation de la probabilit de fausse alaml0 dpend de la loi sous Ho dfinie pur
[2.13]. Pour nverscr cette quation, il est ncessaire de connatre ln moyenne
E(Ph[k,v]) sous l'hypothse Ho, quantit dont nous proposons une estimation ci l'aide
d'un algorithme rcursif adapt appliqu au plan temps-frqueocc,
Pour Iltlllier l'absence d'infOlmation a priotf, le test propos utilise le fail que la

varal1ce nommlisee de l'estimateur spectral d'un signal ulatoire stationnaire


ventuellement additionn de composantes dterministes est toujours infrieure l,
la varance obtenue pour un signal alatoire seul. Ainsi, lorsqu'un signaJ dterministe
est prscHt la probabilit de fillL.;;sC alarme, calcule avec le seuil obtenu sous
l

J'hypothse signal alatoire seul. esl plus faible que celle prvue initialel11cul.

L'hypothse gaussienne n'est pas stricte car) si la dure de la fentre temporelle


est suprieure nll support de corrlation du signal) la transforme de Fourier, par
application du thorme ecntrallimite a telldnnce rendre gaussiennes lcs variables
irqucntclles [PRI 81],
Ainsi. le test propos pem1et d'uccepter ou de rejeter l'hypothcse tlssez gnm[e
signal ulntoirc stationnaire puissance lnoyenne fini, ventuellement
additionn d'un signnl dtennllste stationnaire. Ii a pour tlvanlage d'tre adapt fi
tout type de non-stationnarits sous l'hypothse que pour chaque frquence. H existe
au cours du temps une partie stationnaire, par exemple un signal stationnaire par
morceaux, une modulation de frquence ou des chocs ill1pulsifs dans llll bruit
statonnairc. Il sera moins adapt des non-stationnarits nOI1 lies il la frquence,
d~un

Dtection de 11On~slationnarits

61

par exemple une modulation d'amplitude. Le rsulwt est une dtection non seulemenl
en temps, mais galement en frquence ce tWi permet dc cerner les bandes
frquentielles concemcs par les non-stationnarts.
Cet algorithme est rapide, ne ncessite pas de modle el les hypothsC5 sont peu
contraignantes, Les paramtres sont peu nombreux et simples choisir, Le choix du
paramtre p 'YO. pourcentage des estimations de plus faible densit utilis pour
initialiser l'algorithme, n'a pas une inlluence prpondrante sur les rsultats.
L'algorithme s'adapte de lui-mme lors des premires itrations. Cc paramtre ne
doit tre ni trop grand au risque de dtriorer lu dtection si des non~stalionnarils
importantes du poinl de vite tel11porelle existent, ni trop petit pour ne pas augmenter
le nombre de fausses alarmes. Pour ks signaux tests. les rsultats sont quasiment
identiques pour des pourcentages de 30 %jusqu'a 60 (Yli.
Le::> p-crtonnunccs som limites pur celles du spectrogramme et du cOI1'lograrmnc
glissant. notamment la variance et la rsolution, Nanmoins, ce test est eJTIcacc pour
une premrc dtection de non-stationnmits gnantes pour une analyse stationnaire.
Dans ce mme contexte d'algorithmes mdimenlaires el salls information a priori, un
simple lest du Cusum applqu en temporel sur les moments du sgnal estims
l'ordre 1, 3 et 4 sur des fentres glissantes. apporte des rsultats complmentaires
[MAR 02].

2.1.9. Bibliographie
[ALT 30J ALTES R.A" ,( Detection. esLmuton and c1ussification with speclrogrums
ACUllSI. Soc. Am., \'01. 6, nO 4, p. !232~ 1246, 19~O,
[ARQ

~2J AROUl~S

rI,

JOl/mal

P.Y,. Dcisions cnlmilement du sigllal. ivlu$&n, Paris, 1981.

IBRI Sl:l BRILUNGER, rime Series Data Ana(l'sS and T/wol"y. MeOmw-Bill. New York. 198 J.
[DUR 99] DURNEI{JN M" Uni;' &tmtgie pour Imerprtation en analyse spectrale. Dtection et
eamclrsaton des composantes tl'un spectre. Thse de doetomt. INPG, 21 se!>tembre 1999.

lFLA 86] FLANDRIN p" ( On detection-Estimation Procedures in the Tlme-Frequcncy Plane )),
dans ICASSP. Tokyo, p. 2331-2334. 19X6.
[FRI B9] FRIEDLANDER 8.. PORAT B.o ({ Detection of transient Signais by the Gabor
representation H, JEEE Tmns. on ASSP, vol. 37, n 2, Jvrier 1989.
C

pnmtreJ HORY C. Mt\RT1N N.. CHEmK1A:-l .1\ {, Spectrogmm Segmentation by


Menus of Stntisticul Feaiures Cor Non-Stutionury Signal Itllcl1)retutiol1 )). Soumis JEEE
7hmsacliuns UI1 Sgl1a/ PI'O('('SSIIg, il paratre.

[HOR

[JOB 95] JOHNSON N.L, KOTl S., BALAKRISI-INAN, COli/lili/otiS UIIl'oriatc Disfribmiolls,
Wiky Scrcs n Probabily ~ll1d Maihc:macal Statistcs. New York.:2 volumes, !995.

62

Dcision temps-Irqueflcc

[JOB 99] JOIINSOl\' P.E., LOl\C D.G., (' 111e probabilily DetHily of Spectral Estimalcs Basc
on Modilled periodogram AverHg:cs H, IEEE Transtlctions 011 Signal Pros,~ing, vol. 47;
nO 5. mni 1999.
S5~ KA y S.M" HOUDREAL'X-BARTELS G,r.," On the optimaiily of the Wigner distribution
for detection Ht {CrlSSP 85, Tampa. Flmide. p, J017~1010, 1985,

[KAY

[KUM 84,1 KCMAR V. CAR1WLL C.W .. {( Performance of Wigner distribution function based
detection methods )J, Opl. Eng., vol. 23, nU 6, p. 731-737,1984-.

[LEM 95,1 LEMO!)1[ O., Dlection de signaux non slatiollnaircs pal' rcprsemmiol1

tCl11pS~

frquence. Thse de dOClorut, Universit de Nice-Sophia Antipolis. 1995.

[),1AR 9l] MAR!NOVICII N.M ..

Rt)\'T~'iAN

L.M., Signallnoise

SUb5-1JitCiJ

dccomposilion lr

mHr/UI1I lransfenf defecfjOI1, SVD and Signal Processfl1g, Il. Afgorithms, AIla6'sis and

Applica1ions, Elsevier. Amsterdam, 1991.


[MAR 02] MARTIN N., DU!~NEHN M., S[LVE0iT A, (DIR.). ASPECT: Une sll'mgie pOlir
1mcrprlariofl eH (l/w!y,;"-L' xpecrra/e. EYl'ollcs, coll. EDF, Parts, 1001.

[1\1!\T 99] MATZ G .

1ILAWi~.T:;Cll P., 'Imc-fi'cqucIH:y

InlenwlioJ1al ./rmma!
vol. 53, na 6. p. 379-S5. 199fJ.
l Kliock DClCCliol1)J, AEU

Subspacc Dctccturs and Application


Electronics and Communications,

(~r

[POR 92] PnR!\T B.. FlUEDLANDER 8., ,( Performance Anl1lysis of a Class or TmnSlcnt
Detection AJgol'ith111s-A Unifcd Fml11ework li. IEEE Trans. Oll Signal pl'Oc(!ssing.
vol. 40, n;) W. octobre 1991.

[pRI 81] PRIESTLEY M.8., Spectral Ana/J'sis ami Time Series, voL 1, Academie Press, New
York. 19RI.
[PRO 891

PROAKIS

J.O., Digitui communications. McGruw-HlI, New Yod.;" 1989,

[Rie 9R]

R!CHABn C. LENGELLE R., ( On the dimension orthe discrete Wigncr.Yille trnnsfOffil


range spu; application to tme-Frequency bnscd detetms clesign );, dans Proceediltgs (!f'
the IEEE-St> Imernatj()/wl Symposium on Tfmc-FrcljuCIUT alld Tilllc-Seo!e Ana/ys!s, New
York. p. 5-M. 199R.

[ROU 70] ROCBINE E., Il/trodUCtiOIl la thorie de /a COflffllllllimfion,


Masson. Puris. 1970.

1,

SigJ!twx alatoires,

[SAP 90J SAPORTA G., Prohahilifs, analyse de dOllnes et sralislique, Technip, Paris, 1990,
[SPA 73) SI'i\TARU A., Thore de la transmission de //?lrl1atiolt. {'odes el dc,I'ms, vol. 2,
Masson, Paris, 1973.
[TllE 68] VAN TREES H.L. Detee/ioll, EstnotioH amI ModulatioJl Them:!'. John Wilcy and
Sons:, New Yorle, 1968.
[\VHA 7! l WHALEN A.D., Detection r~lSigllals in Noi.':,'e. Academie Press, New York, 1971.

Dtection de n()n~stalionnarits

63

2.2. Dtection de sauts frquentiels 2


2.2. LIll/mdl/clion
L'unalysc de l'volution du contenu spectml des signullx fi'avre primordiale
lorsque l'on s'inlresse aux problmes de scgrnentation et de surveillance de processus industriels lcls que les machines tournantes (moteurs. engrenages ... ). En effet.
1orsqu'ul1c dfaillance d'un composant apparat dans de teIs systmes. cela se traduit souvent au niveau du spectre par r apparition, la drive ou encore la di~parition de
composantes frquentielles. Cc~ modifications pouvant prendre une infinit de formes.
nous axerons notre champ dnvestIgatjon RUf une famille de signaux particuiiers que
sont les sgnullx (juusi .stationnuires par morceaux.

Les principaux outils dvelopps jusqu' ce jour pour la dtection de changements brusques reposenl sur une approche paramtrique ct sont bass sur la notion
de ruptures de modles. Ces mthodes rcpol-ient gnmlemcnt sur l'hypothse {1ue les
signaux analyss sont descriplJbles au moyen d'une modlisation dynamique paramtrique de type au!orgressivc ou aUlorgrcssive il moyenne mobile lAPP 83. BAS 83 J,
Elles s'intressent alors a la dtection de changemcnts brusques d'un ou e plusiems
panlmtres du modle. Toules ccs mthodes voient leurs performances troitement
lies la bonne concordancc entre le signal el le modle estim, Or. une modlisation pertinente des ~gnaux n'cst pa.s toujours accessible. Afin d'lIustl'cr notre propos.
prenons un exemple d'application relJe qui sera repris thms la suile de celle section: i'analyse d'un signal musical. Lorsque l'on travaiHe sur des signaux musicaux,
on ne matrise souvent pas tous les phnomnes mis en jcu. En premier Heu. on ne:
connat pas le nombre de composantes pl'SeI1H:.s dans le signal (combkn d'instruments itltervennent-ils dans la plage tudie, combien d'harmoniques doit-oil rechercher pour rendre compte du timbre de chaque instrument 7). On ne connat pus non plus
le modle considrer. Si tf priori, les signaux muscuux sont des signaux pUl'cment
stationnaires par morceaux (chaque chungeme:nl de note cotTespondant Uil changement de composante frquentielle), la ralit s'loigne souvent de cc cas idal. En
effet. mme lors de rmission d'une successron d{,~ notes tenues, on n'a gnralement
pas alTaire des fr{!ucllccS pures mais fi des volutions frqucllUel1cs oscillanl mHour
de frquences nominales. Ces var<Holls peuvenl tre sol volontairs lors de l'utilisation d'nstruments (/ Fibrnlo. soit involontaires lors de dpltlCements de l'embouchure
d'instruments il vent pur exemple. Une autre limitation des mthodes paramtriques
est t:ju'clles ont en commun une premire tape consisltlnl en ]'cstimation J'un modle
du signal. Sur cette plage initiale. qui peu! tre relativement longue, toute dtection
est impossible. Dans un contexte de segmentation, ce phnomne sc reproduit aprs
chaque dcision concluant la prsence d'un~ ruplurc de modle. fi est donc difficHe, dmls ce contexte, de dlecler l'apparition de rupwres rapproches. Or. Dn trouve

2. Section rdige par Blene LAURENT cl Chris!an DO:..lCARLI.

64

Dcision temps-frquence

prcisment dan!' les partitions musicales ces successions trs rapides de petites notes
(les appoggiatures) uppumissunt en complment dc la mlodie et induisant des plages
de stationnart trs courtes pouvant tre insuflsan!es pour ldcntHication de modles
paramtriques.

POUf toules ces raisons, il nous a paru intressmlt d'essayer d'exporter ce pronime de dtection de ruptures spectrales dans un contexte non paramtrique ne
ncessitant uucune connaissance {/ priori sur le signaL Cette dmurche nous il
conduits nous intresser aux reprsentations lemps-fr<]uenee (RTF) ne sc basant
sur i-lUCUne lI1odlsaton du signal C J'oppos de mthodes temps-frquence utilisant des informations (1 priori quant la structure possible des signaux analyss:
AR glissant, ARCAP... ) et pills particulirement aux reprsentations de la classe de
Cohen ICOH 95, COS 95, FLA 931. Dans cc groupe sonl rassembles les distributions bilinaires covariantes par translation temporelle et frquenliellc. CeUe proprjt
est importante lorsque Pon s'intresse l'interprCltllon physique de rpons~.s m{'a~
niques, puisque toute lranslmlon en temps -ou en frquence se traduit par une lranslaton quivalente dans te plan temps-frquence.

Aprs avoir introduit les diffrents indices de stationnarit que nOlis proposons,
nous prsenterons quelques-uns des rsultats obtenus IJour les deux conlextes d'application (le lecteur souhaitant avojr accs la tOlalil de l'tude pourra se rfrer
[LAU 981). Nous monlrerons loul d'ahord lnlrt de nos indices dans les problmes
de surveiHance en nous 3ppuyalll sur dffrents signaux synlhtiques et en comparnnllcurs performances avec d'autres mthodes paramtrique (erreur d'estimation) el
non paramtrique (corrlation). Nous illustrerons enfin Je fonctionnement des indices
jntroduits dans un contexte de segmenlalon grflce il une application relle: la segmenUlll0n d'un signal musical.

2,2,2. Principe tic la mthode

2.2,:2, l , SIII1'cil!al1ce
2.2.2.1.1. COlllexle de l'tude
La dtection de rupture de comportement dans un signal est un problme souvent rencontr dans des applications aussi diverses que le diagnostic mdkaJ et la
surveillance de systmes mcaniques ou lectriques. L'ohjectif est ici d'tudier toute
volution du contenu spectral d'un signal il partir d'une ~ituation de rfrence. Dans
le dnmanc biOlndicul, on peul utiliser la dtecuon de ruplure comme une nide il la

caractrisation de pathologies. Dans le domaine mcanique, les changementl'i brusques


dans le contenu spectral des signaux correspondent gnralement tlla dfallance d'un
composant du systme tl..ldj et tTaduisent alors J'apparition d'un dfaut de fonctionnement. De nombreuses approches paramtriques rcursives ont t dveloppes afin
d'ludier ce Iype de problme !pOl 95, VOZ 94J. Cependant, lorsque le modle n'est

Dtection e

non~stationnarits

fi:;

connu qunpproximalive-ment.l'approche nnn pnmmtrique fonde sur les reprsentations temps-frquenee parait prsenter une alternative intressante.

2.2.2. t.2. Dfinition des indices


La mthode prsente ici ncessite le calcul d'une RTF fJ:r(L J) du signal ,1' sur
toute .sa dure ct rait donc partie des mthodes dites hors ligne, Elle est base sur la
comparaison, 11 chaque instant f. d'tude, d'une sous-image (ou imugcHe) Il curac~
trisant cel instant d'analy:-;e et d'une image de rfrence calcule au cours d'une
phase d'apprentissage dUl"Unt laquelle le signal est suppos stationnaire. On peut en
effet consldrer qu' purlir d'une situation saine. J'volution vers unc dgradation
du processus se fera au bout d'lin certain Jups de lcmp.s nous p('rm~tlulll dtlll1a!Lllcr
nos mthodes, Cene premire phase scra utilise pour la conslruclion de J'imagelle
moyenne de rfrem.:c Ir. La figure :2.6 illustre la mthode mise en place.
calcul e Jr

~"'l<;--

il l
p

[mage courante It

,,

..::::;>

1"1
.. 1

RTF scbn;'dtique
d'un signal pl't!sclllanl

,,
,
,,,

P:

"1

tlne ruplurc a r insLim.l r

:
1

:
,
1

Zone
d'apprentissage
M im.lgeltes li

l,

i
1

Temps

Figure 2.6. Prim:!,,/-' de calcul de "indiee de

starimllwrit cII.Hlrl'cilhmcL'

On calcule tout d'abord Ir:

l2,291
oh lI! correspond HU nombre lotaJ cl'imageHes extrailes de la phase initiale. Cjmugette
Ir_ de longueur p, est ensuite compare une sous-image J, de mme taille \.:uracterisant l'instant t. d'tude;

1,U; T, n = (l,Ii .... p + T, f).

TE

:D:pl

12.3flJ

66

Dcision

tcmps~frquence

con serv e des


le sign al est BwUonnare, }'in dkc
Ainsi sur l"intervalle dura nt lequ el
-im~lge Il
sous
la
tral,
spec
ence d'un chan gem ent
vale urs faibles. En reva nche . en prs
pren dra
nl
dfl
arit
onn
renc e Ir ct l'ind ice de stati
dHTrcra de la sous -ima g de rr
ort il.
rapp
par
art
l'c
uire
indi ce perl llet don c de trad
des valeurs plus imp0l1ulllCs, Cet
la siwa tion de rf renc e.
deux ima ses pout' mes urcr l'c ftn entr e les
Les distanc\!s L'l peuv ent lfe lllili
mise s en jeu,
alor s aucu ne hyp oth se sur les RTF
gcttcs. Leu r emp loi ne nce:-;sllc
les RTF cOnime
nt tre utili ses si l'on inle rpr te
D'au tres dist ance s peu ven t gal eme
ent vrUicr
il conj oint es, Pou r cela . le .. RTF doiv
des fonc tion s de dens it de probtlbil
les relntions suivante.". :

( 1, ,(1. f) ;;;e 0

VU. n

tJ~:~ {~" (1,(1, 1) dl. dl =

[2.3 \ J

bre e disd'l argi r Lxmsirubicment le nom


Ado pter ce poin t de vue pcrm et
effet, la
En
.
RTF
x
deu
e
entr
rl
r quan tifie r rca
tanc es pouvant tre app liqu es pou
icie (BAS 891
ose de nomhreu.ses dHntions. L'an
liu ratu re lab lie sur ce suje t prnp
dci sion lCJnouti ls utiliss tians un con text e de.
prs enle une revu e d'ef fect if de ces
dist ance s lics
plus particuHrc11lcnt au grou pe des
pureHe. Nou s nou s intrc~scrons
unce s lies la
dive rgen ce de Jensen, Pan ni les ist
la I-di verg cnc e de CSlszar cl il la
ce de
ance s de Kol mog orov el la dive rgen
J-divergence, on trouve nota mnl ent les dist Enfin, la divergence de Jens en est une
cett e ~eclion.
Kl lbac k qui sero nt utili ses dan s
RTF l11lCllJr-

-;idrc- pour le ca1cul dtcnrt entre


autre altc-rnmi\'(,: {lue nous avns con:
dt: proh abil t conj ont es LBAS 89,
tcs comme des fonctions de dens it

TE

NId l;T. .!) =

[O,1'J

~lC 94-\,

12.321

cl:

j.,It;U - )J -+- T. ni
fli clfdT
. Ffi . _= Ilh(1- - P +

J'I,(I; T . .f) = /."

TE

[D, pl

\2.3 3 J

T,

le~

indi ces uli ss sont les sUivants.

Distal1ces Lq

\2.34\

Dtcction dt! non-stationnarits

67

Les lestR prsents ci-aprs ont t raliss pour ri E [1. 2J.


Distance de Kolmogorov

[2.35J

Divergence de K!lback

i'

Ind ",,(1) = .
'T"",ll.

1'+=
~OO

(PJ.(I.{::'-'7)
- n df'\;-

'
(pI,(!; TJ) - PI,.(T, f)).Logp 11","./)

[2.361

Divergence de Jensen

PI,(I;T,fl+pI,(T.f)

'l)'

ln!.,,,,
! (l
1 =J l ( ----2----.p1d.llT,j

12.37J

avec:

.1, (PI,(t; 7, f). PI,( T. f))


=

li" (';1'1,(1

T. f)P! ,.(T. il)

Il,, (PI,(t; T. fI)

o H CI reprsente les entropies de Rnyi, de paramtre

+ lio (Pl ,.(T, f))


2

0:

> 0,

Nous avons choisi la valeur ft = :3 pour les lests prsentes dans celte sectioll.
Remarquons cnnn que la dis lance LI et la distance de Kolmogorov sonl gales si
l'on considre une RTF positive comme le spectrogramme. Toutes les sous-images
inlervenant ans ]cs distances son!. des reprsentalons normalses. Si cette condition s'impo:;,c d'elle-mme lors de l'utilisation de distances issues d'une interprtation
prohabiliste des RTF (distance de Kolmogorov. divergence de Kllback, divergence
de Jensen). en revanche cHe n'cst pas indispensable lorsque 1'011 s'intresse des
distanccl'i entrc spectres nstantans. Cependant. l'exprience nous il montr que ce
prtraitement des imagettes rendait ls indices beaucoup plus rsistants. au bruit ainsi
qu'aux variations d'amplilude. Les dis.tances issues d'une imerprtation probahlislC
des RTF onl de plus l caleules partir de RTF positivcs. Lors e rutiIsation de
RTF de la classe de Cohen aulrcs que le speclrogramme, nous avons npplj(IU a ces
reprsentations une transformation non lnairc en considranlleur valeur absulue,

68

Dcision tClnps-frquencc

2.2,2.2, Segmentatioll
2,2.2.2.1. Contexte de l'tude
Le but poursuivi dans un conlexlC de segmentntion est le dcoupage du signal en
pli.lges homognes possdant des caractris1iques denliques ou lout du moins proches,
on pourra en effel dsirer tolrer une voluton HmHe de celles-ci. Ce problme sc
rencontre frquemment dans l'analyse de signaux prsentant une succession de changement!; brusques que ce soit dans un objeclir de diagnostic ou de codage. La plupart
des algorilhmes dvelopps jusqu' ce jour ronl appel des mthodes paramlriques
lBAS 931- Leur prndpal ntrt est d'auloriser une dtection en ligne des instants
de rupture du modle considr, avec bien videmment Ull cerlain retard. Cependant
pour les misons cites prcdemment, l'approche non paramtrique l'onde sur les
repl'sel1lations temps-frquence parat offrir une alternative intreRStmtc.
2,2.2.2.2. DfinHlon des ndices
La mthode (lue nous proposons ncessite une fois encore ie calcul d'une seule
RTF (J;:.(t; f) sur toUle lu longueur du signal ,T considr. POUl' chaque inslant t
d'lude, deux sous-images l, el 12 sonl extrailes de la RTF globale de pari cl d' aulre de
cet Inslanl. Ces deux imageHes, de mme longueur Pt sont normalise;,; puis confTontes rune il l'autre. La figure 2.7 illustre ln mthode.
RTF

Temps

Figure 2.7. Traitemen! !ttca! de ta RTF globale du .l'iMual

En dfinissant celte fois:

l, (1; T, f) = fJ,(l

I,(l; T, il

= 1'.,(1

l' +

+ T,

T.

E [0, Pl

[2.391

l2A01

llAl]

Dtection de llon-smlonnmits

69

les indices se dduisclll e ceux donns dans le contexte de surveillance en remplaanl


respectivement PI, par Ph ct l'l,_ par PI o_

2,2,2.3, Choix laisss /'urilisalcur


Le premier choix laiss il J'utilisalcllI' concerne la distance utiliscr. Nous nous
efforcerons. dans les exemples qu suivenL, de montrer les avanlages ei inconvnIents
lis chaque distance et ainsi de meUre en lumire les distances les plus perfonmmles.
Concernant le choix des imagettes locales. ne dsirant pas faire d'hypothse a
l'riori sur la localisation des composantes, nous avons. gard toute rinformaton frquentielle il disposition, Comme nous le verrons dans lcs pumgraphes suivants, l'jn~
troduction d'une fentre de largeur JI parat offrir l'avantage d'un lissage des indices
rendant ceux-ci moins nerveux dans les plages stationnaires et autorisant donc une
dtection plus flable. Ce paramtre p, dlimitant la plage considre il ch:lque instant,
peut tre cOllsidr comme un paramtre de sensibilt. Plus il sem petl. plus l'indce
sera nerveux.
Enfin. le choix de la reprsenWIon tcmps-frquencc est g~l1cment laiss il l'utlisateur. Afin de meHre en relief Jeh avantages cl les inconvnients lis chaque
mLhode. ntressons-nous aux comportements de diverses RTF de la classe de Cohen
IeOH 95, COS 95, FLA 93J ainsi que de la mlhode de Capon [MAR 03J face il lin
$gna1 synthtique.

2,2,2.3.l. Sgnal synthtique servant fI la comparaison LIes diffrentes RTF


L'objectif de cc travail tant l'tude de changements brusques dnns le conlenu frquentiel de signaux alalOircs comme aide la dtection de dfauts ou (rvolution
de comportement d'un processus, nous serons donc amens il laborer des techniques
permeHanllout t'lia fois de prendre en considration des volutions lentes de frquence
lies au comportement traditionnel du processus et de mettre en lumre des sauts frquentiels plus rapides traduisant J'apparilion d'un vnemellt sgnilkatif. Le signal
synthtique (Jue nous allons considrer prsente ces eux aspects de faon schmatique, JI est cnnsttu d'une composante il modu1ation sinusodale de frquence ainsi
que de modulations numriques par dplacement de frquence avec prcserv;Jlon de
la continuit de phase. La ligure 2.8 prsente ]a RTF idalise du signal dterministe
truite.
Le ;<;ignal synlhdique comporte donc N = 256 points Cl correspond au signal
prcdent auquel esl ajoul un bruit blunc guussien de variance cr::, chois de Illon

70

Dcision lemps-frquence

avoir un rapport signal sur bruit (RSB) de 5 dB, avec:


i\'

2:)r[l1 W
[2.43]

n=

Ct
--;-,= 101og l " - -j\,...cr~
R.JB
-

elle il t utiCeUe dfintion a l prfre il d'autres formula tions possibl es car


e (elle- a de plus t
lise par de nombre ux auteurs dans le domain e du temps-f rquenc
lAUG 971).
adopte dans la bote ~\ outils lemps-f rquenc e pro[JUse rcemm ent
Il.5 r-~"'---------~
1 ;;: 0,15

"n
1.\

96

f::! ::::0,25
l', = 0.30

t, = 160

= 0,35

t4 :; 224

f4
il

lt :::: 31
t2 :::;;

(J,m5

N ;;:;256 '

Temps (nmnbrc de points"!

Figure 2.8. RTF idalisJe du si;:uol rl/erluini'sfC LV1TSidr

2,2.2.3, 2. Interpr tation des rsultat s


-Ville
011 constat e sur lu Ilgure 2,9 que l"utilil-mlion e la distribu tion de Wigner
tion
modula
et
ante
compos
la
Si
.
dlicate
rlation
conduit il unc reprse ntation d'inlerp

tion d'interf sinusod ale de frquen ce est bien mise en videnc e (malgr l'appari
ables. de
discern
ment
difficile
sont
tiels
frquen
rences inlernes ). en revanch e les sauts
.
propres:
termes
aux
ser
superpo
se
venanl
nomhre ux lermes d'interf rences
r L f} par
L'introd uction cl' un li<;sage frquen tiel (fentre de lissage de longueu
rences ,
d'interf
termes
des
ln pseudo-\Vigncr-Villc permet de supprim er ulle partie
frmme
la
il
ssant
apparai
princip alemen t ceux rsultnnt de l'interac tion de termes
pseudoLa
tieL
frquen
l'axe

quence ct dont la directo n de:; oscHtutions est paralll e


en tenlps {fentre
\Vigner-Ville lisse introdui sant. elle, deux lissages indpen dants
de supprpossible
esl
il
LI)'
r
de longucu r LI) cl en rrqllence (fentre de longueu
on lempsrsoluti
la
r
pnalise
mer presque compl lement les interfr ences sans trop
l'augavec
t
sivemen
progres
frquen ce, On constate ccpcn antque celle-cl sc dgrade

mentati on des lissages.

Dh.:'Clion de non-stationnarits

71

Le spectrogramme enfin permet d'obtenir une reprsentation s.ans termes d'interfrences et aUlorisunlun suivi correct cles vultllions rrquentcHes. On notera cependanl qu'il possde, du fait de son unique fentre de lssage de longueur L;une rsnlu~
tion frquentielle infrieure celle de la p::eudo-Wigner-Vlle li5Sc pOUf une rsolution temporeHe du mme ordre.

al

cl

b)

Temps

50

101l
150
Temps

200

250

Temps

(1

50

100
Temps

200

liO

Figure 2.9. RTF du signol tex! al'ec; li) W(t,'llt'r- Fille,


hi pseudn- Wigllcr- Fille cknrn.' dl' l)lJC HmnmilJg, L J = 1(1).
e) pSf!ildo- iVl,liHL'r- Ville lis.\t' ({eJ/i'flt' dl' l."J}e Halllwillg, L, = .) J ef
d) Spf!cungJ'(/II1I/1i.' (jem7!rl' df' '.\11t' f-JOllllllillg, L = 1)

= 101 j,

La forme choisie pOUf Je noyau influe in:clement sur la capacit de la RTF correspondante rejeter plus ou moins bien certaines imerf'renccs. AinsL pour les reprsentations de Cho-Williams ct Born-Jordan consres (vor figure 2, JO). le noyau
eSt assez slectif mas j] laisse passer lou~ les termes situs au centre ou sur les axes
du plan des ambiguts, Parm ccux-d on retrouve notamment lc~ termes d'interfrences rsultant de l'interaction de termes apparaissant au mme instant ou possdant
la mme frquence. Les lernles d'interfrences prsenls dans les RTF correspondantes
auronl es directions d'oscillations parulllcs aux axes temporel ct frquentiel. On

T2

Dcision tcmps-rqucncc

constale d'aulre parI que le noyau de Bom-Jordan lanl pins slectif q"c le noyau de
Choj'- WiHimns cIlOisi, la RTF associe prsente moins dc termes cl' inlerfrcnces.
En ce qui concerne le noyau exponentiel orientable, les sept paramtres (0', ,\, TU,
nlervenantdolls la dfinition du noyau lCOS 951 permettent d'obtenirul1t::
grande diversit de formes. Le choix effectu pour l'exemple de lu Hgure 2.10 eondut
un noyau possduill de multiples branches qui laisseront principalement passer des
termes interfrentiels ct ahoutit donc il une RTF beaucoup moins lisible que dans les
cas prcdenls.
u{), l', /j, ~f)

Ln mthode de Capon quant clIc rurnit, pour pen que l'on choisisse un onJrc ()
du filtre de Capon ussez lev, une reprsentation possdanl une honne rsolution
frquentielle permettant de bien sUvre tes modulations de frquence rapides (pour une
fentre d'anulyse de longUl::ur L plus courte. ceUe rsolution est nettement suprieure fi
ceHe obtenue ou moyen du spectrogramme). Cette fcprsenlaLon laisse par consquent
apparatre de nombreux termes dus au bmit ainsi (lue les Ouctuations lies au suivi des
composantes propres, ce qui vient entacher 1a vsibilit de la reprsentation pour notre

application.
L*objectl' de ce travail lanllu dtection de ruptures spectrales ct la locaJisatjon
tempOl'elle de ces changemenls brusques, il parul important de disposer de RTF permettant tout il la fois de traduire la stationnarit entre les instanls critiques (rduction
des interfrences et de l'influence du bruit) cl de bien localiser les sauts frquentiels
brusques (bonne rsolution [emporclle). Ces conditions paraissent donc tre prpondrantes pour nOtre tude et ce, peUl-tre au dlriment d'une- rsolution frquentielle
trs pointue. C'est pourquoi tes venons lisses de la distribution de Wjgner-Ville et le
spectrogramme semblent tre. de prime ubrd, es choix de reprsentutions adapts.

2.2.3. Rm/lals
2,2.3, L Sllrl'eillulICe
2.2.3.1.1, Prsentation des signaux

tefiL~

Les rsullats que nous prsentons dans cette section som relatifs il diffrentes
classes de signaux de 1024 points chantillonns tl une frquence de 'kHz. La
figure 2. t 1 prsente les reprsentations temps-frquence idalises de ces signaux.
La premire classe eSt conslitue de sigmmx pouvant prsenter un saut abrupt de frquence. La deuxiernc classe, clle, rait apparatre une drive de frquence lors de la
rupture. Enfin. la troisime concerne des signaux prsentunt une gigue en frquence.
On s'loigne ainsi progressivement de ln situalion idale de sgnaux strictement stationnaires par morceaux prsentant une rupture abrupte. situation qui convient parfaitement J'analyse paramtrique. Cent signaux ont l gnrs et le RSB a t fixt2

Dlection de noti-stutiOll11mit!5s

a)

lo)

Temps

50

100

c)

ISO

200

250

100

150

200

2'0

200

250

Temp...

(l

il)

Temps

50

73

so

100 ISO
Temps

Figure 2.JO, HTF' rio sigllol [esr al'L'C : (I! CJl(If- Hliil/mm, b} lJo/"lhlord!l/1,
-li = [Il. 0,5, 200, 0,;::, --1,5,2, O]5}J,
d) CapoN glissaJtt (L ="10 ct (.1 = 18;

c) f?TF cl noyau CXlm1i{:nriel oriel/laMe ([1 t, .\, TIJ, 1-'0, r. ri,

il 5 dB. Tous les l'1igmmx com:idrs Jors dl2. l'tude sont analytques el les paramtres
Dnt t choisis de la faon suivante (voir figure]" II):

.fJ
.rel

= 100Hz

Ir

= GuU

h
:100 Hz l,

Jo =;) Hz

L1

= 200 Hz
=

:JG(J Hz

= 50

J"

Afin de pousser plus loin notre rude, nous avons voulu cOl11parer les pCl'foll1ml1ces
des mthoes issues n calcul de distances entre RTF avec d'autres approches largement dveloppes dans la lIumlUrc, Pour cela, nous nous: sommes intresss il deux
autres f0l111Ublions d'indices de dfection. L'une fait encore appel aux RTF el est

74

Dcision lemps-frquence

base sm un calcul de corrlations temps-f rquenc e:

GodO = -r==~~~==~=====~=====~===
INIIU: T, ni' d,l'dT
~

T=O

12.-141

he puramL'autre. en revanche. adopte une stratgie bien diffren te: rapproc


on.
prdicti
de
trique, en sc basunt sur la surveillance de l'eneur
Classe l
Signal

Signal sans rupture


Q

f,. ~-- ----~----i

;---- ----__......-..1

ft 1--....--_ -_......_.... -1
Temps

Temps
Slgnal sans rupture

f,

~~
Tcnips
. . . .-;;7~--

Clusse 3

Signal sans rupture

""t~ __

f, p-=,c::,-="c"":7"::::::;
f, p",,.L ""-,,= ,,,"7''' ''''I

r;"-'"",L-''''-r'-'''~r'--''I

lr

Temps

Figure 2.11. RTF idalises des si:;l1aux considrs

.\ lui permelQuelle que soit la mthode chOIsie, l'utilisa teur doit dfinir un scuil
dpasse
l'indice
que
Ds
rupture.
de
e
J'absenc
tant de conclure (JUUllt ~lla prsence ou
t
iremen
particul
donc
est

seuil
ce
de
choix
ce ,,>cull, une alarme est dclenche. Le
du
iable
prjudic
tation
augmen
une

a
conduir
importal1t. En effet choisir A trop faib1e
faon sen.sible le
nombre de fausses alarmes. A l'invers e, augmen ter.\ fcra chuter de
n: plus .\ est
dtectio
de
mpidit
la
de
nt
dtrime
nu
HIux de rausses alarmes majs, ccla.

Dtection de non-slatiol1mlrits

75

grand~

plus le retard ia dtection sera important. L'analy_.;;c de ces deux paramtres


antagonistes. taux de fausses alarmes (FA) el retard la dtection (E). en foncHon
du seuH .\ chois. parat donc tre particulirement rvlatrice des performances des
diffrcnts indices tudis. Les rsultats obknu." lors de nos ludes seronl prsents
.'ious ce formalisme anulogue il celui des courbes de caraelristiqucs oprationnelles
du rcepteur.

22.3.) .2,lntcrprtatiDn des rsullats


La premire classc s'intresse il des sauts frquenlieIs abrupts. NOliS prsentons
ici les rsutats obtenus panir d'un spectrogramme ayant une fentn: de lissuge de
longueur L
121 points et d"une imngeue de longueur 1> = 5. La valeur de ce facteur p nOu directement sur la nervosit de l'indice, son augmentation entranant un
lssage def' courbes de dtection. La sparation des courbes uvee cl sans rupture s'cn
trouve uugmcntc lorsque ]J uugmente, cc qui facilite le chox du seuil de dlection
t\. Cependant, il cst noter qu'augmenter p de faon trop importante occnsionnc unc
raction plu:.. lente de l'indice lors de l'apparition de !a rupture et donc un retard la
dtection beaucoup plus grand. Un compmml-l est donc trouver, la rduction du taux
de ratisses alarmcs sc faisant au dtrimcnt e la prcision de dleclon. On petll constater sur la J1gure 2.12 prsentant les ditTrents indit:es que ceux-ci ragissent assez diffremment L'indice IS5U de ln divergence de Jensen semble en effet tre plus senslhle
au bruit que les trois autres proposs. Ses variations d'amplitude sont heaucoup plu;.~
marques: la plage de valeurs prise pur les indices com:spondanl l'absence de ruplure est bien moindre pour Inti KI>' Jnr/ KI! ou fnd v :: {facleur:} pour ceux-cl ct racleur
S pour fur/Je}. Cette sensibilit pourra occasionner un fort retard la dtection si
l'on veut se prserver d'un taux de fausses alarmes lev. Ind Kt! el lnt! L2 prsentent
d'nutre part des volutions similain:s tandis que IndJ(1I autorise, U [ail Je la prsence du terme logarithmique, une meilleure sparation des courbes correspondant
aux cas avec et sans rupture. Le seuil de dlccton sera d'autalll plus l'acite choisir
que les indices avec ct sans rupture seronl loigns les uns des autres. Pour huI Kil,
la valeur moyenne de J'indice en l'absence (respectivement en la prl-lcnce) de mptme
est proche de 0,1 (respeclvement 0,7). Ce fadeur 7 est, de loin, le plus important.
Ces observations sont confirmes par la ligure 2.13 qui expose rvolution du relard
moyen il la dtection cn [onction du taux de rausses alarmes. On constate en effet que
lS meilleurs rsultats. obtenus pour hu! {(Il' Induscnl un retnr de 8 points pOUf un
taux de fausses alarmes nuL La conlation. quant elle, s'avre moins discrimnamt:
que le calcul de hu! Hu- Enfin. concernant l'approche puramtrique, la prsence d'un
.saul frquemiel abrupt induit une forte coloration e r erreur de prdicton autorisant
une dteelion rclatvc-ment rapide. Les performances se rvlent cependant infrieures
il celles obtenues pour Jnd f;.
La deuxime classe de signaux s'intresse la drive d'une composante frquentielle. Nous prsentons ici les rsultats obtenus partir d'un spectrogramme uyanlune
fentre de lissage de longueur L
121 points et d'une imugetle de longueur]J = G.

76

Dcision temps-frquence

I.J
[t75,

(1,+'

4-50

650
Temps

Tcn1p~

0, 09

ri

0,035

0,02

0.1)3

0,[)05~1~,_ _ _~-+---~~-

4jO

650

450

~50

Tcmp",

TemjJs

Signa! liVC',: nlplurc


Signal sans ruplLlf':

Figure 1.12. Cfllsse 1: \lo/Itliolllles dijfnmts indices corrcspmuJallls


poltr p
5 (sfJClmgrtmmrc: L = UU

:Iml".)

.: lmlKt!

O_JmIJ"

t;u

. CnrrdHloo

4-0

0: MtlwJe
pilnlllllrill!J'~

."

.1

'"-e:': 10

,0

15

Figure 2.13.

C/(JSSi/

1: l'olwioll de l'c(Jr! /(/ dft'ction


J... = li1)

pO/lrp = 5 (sjJecTrogramme:

DtCl'tiflii de non-stationnarits

77

Si les cnmrortemelltfi rc1atil's des diffrents indices restent globalement analogues, on


cons laie sur la figure 2.14 que la rupture se l'ail sentir plus lard, comparativemenl au
cas de figure de]a classe 1. La rupture n'tant ras franche. son influence se traduit pelit
il petit sur j' volulion temporelle des indices, Le plus petit relard la dtection, ohtenu
pour 11/{!I(II' esl cie 17 pour un taux de J'ausses alarmes nul (voir figure 2,15). La corrlaton s'avre dans ce cas galement moins discrimnante que le calcul de Ind Ku,
Enfin, concernant l'approche paramtriquc. une drive lente de frquence induit une
coloration plus faible e l'cm:::ur de prdclon tl partir de l'instant de rupture, introduisant de ce fait un relard plus important il la dicciion,
DiSjnnCl~

Divergence ue Kllb:u.:k

d,; KolT11ogmov

1.15

:2

O,R

"E

UA5

[1.1 '
450

650

R50

450

Tcmp~

Divergence de Jensen

650
Temps

R50

Dislanl' L:.;
O,()5

0.1175
0,05

,0,05

c,
-5

'"
E

0,025

O.iJ25-

0'
450

650
Temps

xso

Dm ,,'"

450

65()

K50

Temr~

Signa! a'!t"l: rupllln.:


Signa! :SUjb ruplUre

Figure 2.14. ClaSS .2 " \'olwioll des d~tlelll.\ indices CO/T'_'3pondollls


pour fJ = 1} (Sju:ctlVgrawn1i:o' L = 121}

L'lue mene SUI' la troisime classe montre unc fois encore la supriorit de
lndice issu de ln divergence de Kiillback (IudKt!) pour notre application (voir
figure 2, 17), Cependant. les performances obtenues, quoique toujours m:l:cptables. sc
; dgradenl comparativement aux cas ue J1gures prsentS aupuravunt. De hons rsuhals
sont en fa! atteints, pour celle classe, lorsque J'on peUl s'uffnmchr des contrainles

78

Dcision

tcmps~rrqueIlcc

Spcctrogramme : L"" 12l ;

r:= 5

__,
60r-----~--~----"----~~-: !mIL~

; IndKo
: ImlKII
1 0: Intll e
~ ~ ~ Correlation
o ; 1vIClhmk
paramtriquc
1

1_.,

'". - =:-: - - - - -- ------ ------ - -"""'''".""" "".....

.",

::...-~:..-

Figure 2.15. Clas.\u 2: l'ofUTio/J de l'nlrt ci la dlCCTioll 1'0111' P = 5


(spectro gramme : L = 121)

qu' panir
de structure du signal. De fail, une dtection fiable ne pourra tre acquise
du contenu
du moment o la RTF de rfrence II' sera reprsentative de la totalit
tative du
reprsen
soit
Ir'
tte
l'image
soit]J.
que
quel
que,
Pour
frquentiel du signal.
tiel de faon
signal tout instant, il faut qu'e11e prsente un lissage du contenu frquen
que de bons rsul attnuer l'inOuence de la gigue. Nous constatons sur cet exemple
lev, jJ = 20.
tats sont obtenus pour de forts lissages (voir figure 2.16) et pourp assez
l'utilisation du
Si, dans le cas o le signal est proche de la stationnarit par morceaux,
bons rsullats
spectrogramme s' avre particulirement intressante fournissant de trs
le cas prsent,
pour une grande facilit d'utilisation (un seul paramtre rgler); dans
adapte. Du fait
l"utilisation de la pseudo-Wigner-Ville lisse se rvle beaucoup plus
ls et frquende la libert autorise par cette RTF dans le choix des lissages tempore
En conclusion,
tiels, son utilisation permet de mieux s'adapte r la situation traite.
les deux presi l'utilisation de la pseudo-Wigner-Ville lisse ne se justifiait pas pour
orer nettemcnt
mires classes, en revanche, pour cette troisime. elle permet d'amli
lissages impoles performances des indices en regard d'un spectrogramme. Les forL"
stationnaire,
non
ss tendent en fait transformer)) le signal, initialement nettement
galement des
en un signal stationnaire par morceaux. Cependant, ils conduisent
(voir figure
indices moins nerveux cl rpercutant la rupture avant son apparition relle
dtectio n:
de
2.16). Cela entrane donc en parallle une dgradation des performances
encore
/"ois
une
un compromis est encore une fois trouver. La corrlation s'avre
permet
qu'elle
er
moins performante que l'indice Tnd KH' On peut cependant remarqu
s entre RTF
d'about ir de meilleurs rsultats que ceux obtenus par certaines distance
s obtersultat
les
cas
telle que Kolmogorov. Enfln. nous ne prsentons pas dans cc
e des
contcxt
du
effet
en
nus par la mthode paramtrique. Celle dernire classe sort
Pour
e.
propos
e
signaux stationnaires par morceaux, cadre d'applic ation de la mthod

Dtection de non-stati01111arils

79

tenir compte des lgres variations de frquence dans les zones rputes stationnaires
cl ainsi obtenir une quasi-blancheur de l'innovation avant rupture, cela sans poser de
modle {/ priori d'volution des paramtres, nous avons impos dans l'algorithme un
coefficient traduisant l'inadquation du modle et du signal. L'algorithme d'estimation s'adapte alors galement aux changements de frquence induits par la rupture
rendant la dtection difficile. Le test de blancheur de l'eneur de prdiction est donc
inadapt dans ce cas.
Divergence de Kllback

Distanee de Kolmogorov
0,6

0,7

0,-1

n,5
~

-5
.=

c
- 0,2

0,3

0,1
450

650
Temps

H50

450

650

850

Temps

Divergence de Jensen

10<\

0,055

Distance L:!

175

0,04

12

,
.0

"
-5

.=

.=

0,015
0

450

650
Temps

H50

6,5

450

650

850

Temps

- - Signal avec rUjlture


-es=e-- Signal sans rupture

Figure 2.16. Classe 3: l'OllItioll des dWrcnrs illdices corrcspolldallfs


pour p = 20 (psclldo- Wigller- Ville lisse: LI = 201 ct Lr = :31)

2.2.3.1.3. Conclusion
Cette tude, mene sur des signaux synthtiques, nous a permis, d'ulle part. de
meUre en vidence l'influence du choix de la distance entre RTF sur les rsultats obtenus. Il ressort de cette analyse que l'utilisation de la divergence de Kllback aboutit
la dfinition de l'indice de stationnarit le plus performant. D'autre parl, cette tude
souligne les avantages, mais galement les limites, cie la mthode propose. En effet,
tant que les signaux tudis ne sont pas trop large bande, J'indice de stationnarit issu

80

Dcision lemps-frquence

60

as -10

-.

"

lm'!",
11\.!KU

.v '"' ':,1
lJlt1t~

~ ~ -

(OITd,llhHl

,~

-"
,~

Fit.,llirc 2.17. Classe 3: emlmm dt: l'ccal'! il Ja dtecfOI! pour p = 20


(p5end(l~Wi.t:!lcr-Villc!i,vsic: 1.,/
201 ('/ L f
al)

Je la divergence Je KiHlbilCk s'avre particulirement appropri pour la caractrisation de ruptures, 1es diverses comparaisons avec d'autres rnthode:; (nol1 paramtrique
cl paramctriquc) prsentcf) dans rclte section concluant toujours il son avantage.

2.2.3.2. SegillclIllItioll
Nous prsentons. Jans ce paragraphe les performances de lndke issu de la divergence de KU1Jback dans le \.:as de la segmemation d'un signai musical. Le problme
gnral de l'criture automutjque d'une partition il partir d"un cnrcgstrcmcnt audo
n'est pas rsolu il l'heure acluC'l]c.
Le signal tudi ici correspond h quelques mesures de Summerrime de Gershwin
~ la cl<.lr1nette avec accompagnement de piano. Le signal trait possde. aprs
dcimation. 20626 points chantillonns fi la frqucnce .ft:
2 7[iHz. Le spectrogramme calcul lors de cette tude possde une rentre de lissage L =- 1 iJl. La figure
2.18 prseol le signal tudi ainsi que l'indice correspondant CI le seuil de dtection
utilis.

jou

Afin de tester lil validit de nos rsultals, nous avons cherch il <, reconstruire)) la
partition il partir de J'indice Je :segmcntation. Pour cela, nous avons silTlplement inspect le comenu spectral de chaque segment et nous avons conserv les composantes
frquentielles les plus nergtiques. Le resultat obtenu il punir de Ind Kil est prsent
sur la figure 2J9. La partHion recoll.'irute y est prsente sous la formc grille utilise dans les logiciels audio/M1DI (musical J1strull1elll digital imeI.1cc). Les plages
colores corrcsponocnt aux nO[es prsentes duns chaque $egmenL Pour chacun d'eux
nous avons attrbu la couleut' la plus fonce la frquence la plus nerglique, Ce

D~lccjiun

de non-slalioDlmrils

RI

Signal musical

JUt,jl
o

0.2

. r'i

IL\AtJi~j

- - -J-t

DA

1.8

2
10"

Ji'igure 2.18. E)'o!mioll tcmpore/le du signol Cl indict' f'ornwpondom {lm/ 1\'" j


'-mi

r
si

~Jo

--snl
mi

fa
r
si

__ do
sol
----mi

fa
r

dl'

si

sol
mi

fa
r

_~ tIo

sj

snI

fa
r

mi
do

Figure 2.19. Partitiou

n'cuflsrnJlc

partir de Indi, (sollsItlfll/i.' de' grille)

Dtcision temps-rrquence

82

':::"'::=
si :':":'='"

I-~

..

.~

..

'. ~t.::::=-=c, do

--

.. ..c: .:.::::i:'

l'. :. ~

---

--- c-:l ::::: ::: -- -:::: :


~_.

--~

- --c -

'H

rr:::::=-

:=-,

.si

.1::-:=_:-:::: !B: ::

.:.:::~

-- ::::-- -,.-

fn

:-

~:.:::::-:::
.

:=fa
1-

r t:=

- --=: .-

fa::=

,i ::.::.:.c::

ido
:::-=: ",1

: ...

:,.:

;'== :1::

;:-:=~

:-_.:.:~::::

- --

:::cJII

:.~~

si C::=-:.~

-=-~

r~~

i:i
,"'==

t~

--=-

mi

t:

~,.

-.~

e=. :::

~~-"--- -------- -------

:
:C:.:
::
.-_
1-

:=

::." :.:: -:-:c::::1-

c-

=-===

>--_::~.::.

t:~:_M"_MM

_~

:== :c; do
-~

sol
::::: mi

". '. J:::::== ~' ..

.,

r--

!:~i

..-

-- -- ---

Fjgu re 2.20. Partit jOlI nrigirrah:

-___ r

__

~
...I_h~

(smfsjtJl1I1C tle

__ . .

-_.

- - - ..

M~MM

___

do

grille)

ment exploitable
reconstruire une partition parfaite
procd n'a pas la prtention de
eme nt essay
seul
s
avon
s
de l~ouricr rapide. Nou
partir d'un e !>imple transforme
de segment!:\e
hod
mt
telle
vait accorder une
de quantifier la fiabllil que l'oll pou
re 2.19 que le
icaux. On peut con state r sur la figu
lion pou r l'an alys e oc sig!1tlUX mus
), Les carlS
la partition de dpart (voir figure 2.20
rsu ltat obtenu est trs proc he de
ion du mor ceau .
e des notes, sont dus il ~nterprtal
observs, nota mm ent dans la dur
il t jou . on
ceau
mor
le
t
en effe lla manire don
Le processus mis en uv re traduit
note la plus
ta
de
c
aqll
Patt

mise en plilce (retard


peUL constaler ici dS draut:;. de
cnlation
egm
5urs
de
nes
nom
prsenlent pas de ph
grave par exemple). Les indces n
oniq ues
harm
les
n
enfi
Uve
relro
choisi faible. On
bien que le seuil de dtection ait t
seraient
sss
pou
plus
p
cou
beau
al. Des tral1cments
efrectivement prsents dans le sign
utes ct
exc
nt
cmc
rcH
s
note
les
sparation entre
ncessaires afin de permettre une
de stationnnril
e effectue ici ft partir e l'll1dice
leurs harmoniques. Enfin. l'an alys
signal et donl la
banc de filtres ind pen dan ts du
utilise es estimateurs spectraux
tton d'es tima \a frquence considre. L'uti1isa
forme est identique quelle que !\oit
rrait s'av rer
de ia struclure du signal tudi pou
teurs tenant spcifiquement com pte
de de frquence
nt alors au signal ainsi qu' la ban
intressante. Ces IHtres s'ad apte raie
i-too.
con sid re et corrL~pondalll il un dem
s de l'ind ice
trent bien les bon nes pc:rfonnnnce
En conclusion. ces rsultals illus
re adapte
s'av
n
satio
utili
Son
ll1back entre RTF.
issu du calcul de la divergence de

Dtection de non-slatnmmrils

lB

la segmentation de signaux stationnaires par morceaux vDire de signaux bande


troite.

2.2.4. COlle/usiou
Nous nous sommes ntresst.3s tians ce travail lu dtection de changements
brusques dans le contenu spectral de signaux. Deux contextes de {ravail bien diffrents peuvent lre rencontr;.; lorsque r on aborde cc type de pmhlmc; Ja surveillance
et la -segmentation. Pour chaque domajne (l'application. nous nous :mmmes uHuch-s fi
mener il bien une dmarche allant de la propositon d'indices innovant;; leun; applications sur des signaux symhliques ou rels. Le dploiement de r information contenue
dans Je signal sur un espace deux dimcnsons (temps et frquence) permet de mieux
traduire les phnomnes non stationnaires mis enjeu et s'uvre parlicuHremcnt inlressanl dans une optique de dtection. Pur rapport aux approches paramtriques. les
RTF ofrrent plusieurs degrs de liberts permettnnt de s'affranchir quelque peu des
contraintes de structll1'e. n ressort de ces essais que l'utilisation de la divergence de
Killlback aboutit aux lI1eilleurs rsultats.

2.2.5. Bibliographie
rAPP 831 ApPEL U . BRANDT A.V., ,{ Atlapuve scqucntlat segmentation of picccwlsc stalio~
nat)' lime series ", hfformatioll Sciences, vol. 29, p. 27-56.1983.

971 Ar..;GER E. FLANDlHN


n:fcn!llCt! guide, juillet 1997,

[AUG

P.. GONALVES P., LEM OlNE O., Tim('~!h:'lftellcy toollJOx

[BAS 83J BASSEVILLE .YI., BE!\VENISTE A., ({ Scqucllll:ll dc{cctfon of abrupt changcs in
!fpec!ral clmractcristics or digital sigmtls ", IEEE Trtlll.WCJJfI/;' on 11!(urmotioll Theol)".
voL 29, Il'" 5, p. 709~724, septembre j9~3.

[BAS 89J BASSEVILLE M., (' Distunt:C measures J~)r signai prm:cssing and pattern
tion H. Signal Pmcessl1g, vol, 18. n" 4, p. J49~369, d!5cembrc 1989.

rccogni~

[BAS 93J BASSEVILLE !'"t, FLANDRIr"; P.. MARTIN N., et al, " Signaux mm sllllionn..res,
analyse temps-frquence el segmentation H, TraJemCI!( dll Sig1WI, supplment. vol. 9. n" 1.
Jan.... ier 1993.

[COH 95/

COHEN

L. Tillw"Frequcln:rA.naly:s. Prcntkc Hull. 1995.

ICOS 95] COSTA A,H" BOUDREAUX-BARTELS G.F., " Design of tme-rrequency f('prcscn~
tutions using a multlfonn. tiiWble L'xponential kernd j'. tEE/:.: Tml1Stlt'fiuns Ol! Signal Pro('c:;sing. vol, 43.n" 10, p, 2283-2301, octohre 1995.

[FLA 931 FLA>':DRIN P..

nmtp.\'~!i.YIUL'IICe,

Herms. Paris. 1993.

[LAU 9H! LAURENT H.. Dtection de rUplures spectrnles dan;\; le plan temps-frquence. Thse

de dOlnmt. Universit oc Nantes

Eo\c centrale de Nantes, novemhre 1998.

84

Deisilm !.emps-frquence

Allalyse spectrale.
[MAR 03] MARTIN N" v Minmum de variance ';', danl Castani F, (dk),
chapitre 7, Tmit le:!, HenH(::>. Paris. janvier 20o::t
bascd distunce and
lMIC 941 MlCHEL O .. BARANtCr\. R.G,. FLANDR I:'-I P,," Timc-frequcncy
wlJ 011 Timc5:rmposl
imwl
llln/(/f
IEEE
II/(!
{Jf
illgs
divt!l"gence mcasurcs )". Jno') Procecd
is. i994,
EHli~-Un
phie.
Philadel
64--67,
p.
.
11nnlys{s
/e
cy and Tl1c-Sm
FreqllL'J/

l,. {( Detection ofhurnan reflex


[POl 951 POIGNE T Ph" GUGLIEL:YlI M . VOZEL B.. RICHARD
(~r lCk~'SP '95, voL 3,
j'cspl1lse 10 a . . tretch musculuf perturhlhm ". dans Proccedillgs

p.

1931-19~5.

DClroil. Etals~Ullis, mai 1995.

de rupturcs specl VOZ 941 VOZEL B.. Elude comparative d'algorithmes rcursifs de dtectjon
1994,
E:vrcr
Nantes.
Nantes.
de
t
trale};. Thse de doctorat, Universi

2.3. Dtecti on de transito ires par ondelet tes a<lapt es'


de ure
Les signaux transoires, comme leur nom r indique, l''ont des signaux
.. marine,
sous
que
(acousti
nes
iscipli
courte. 11s apparaissent drms de nombreuses
crucial.
cnjeu
lin
souvent
est
rncanique, etc.) et leur dl!lection (ct caractrisation)
silenplus
t'n
plus
de
tant
ts
btimen
Par exempl e. cn surveillance sous-marine, les
de
issus
brefs
plus
elles
faibles
plus
les
cieux. les sonars tentent de dtecler les bruits
s
centrale
les
Duns
etc.).
11ls.
chuintem
sources ennemies (claque ments, craquenH:nls,
signaux
des
t
gnren
(et
rie
tuyaute
la
sur
nuclaires, d'vent uels corps errants lapent
corps ermnts
transitoires) et peuvent endomr nager les installutions. La dcteclio n de ces
ons,
rparati
de
cots
des
donc
c~l importante pour viter des domma ges et
apparat en
La dtection des ~ignaux transitoires est un problme diffidle, car il
c ce que
explkH
phe
paragra
premier
Le
passive.
e
gnral dans des situations d'cout
r.
cnsd
n
dtectio
de
e
context
le
prcise
et
ire
noU~ entendons par signal transito
n
dtectio
Je
es
mthod
s
quelque
phe
paragra
ce
Nous rappellerons galement d.:ms
naturelassez
c:onduit
ires
transito
des
airc
stalionn
des transitoires. Le caractre non
propose une
lement vers le temps-fTquence. Le deuxime paragraphe de cette section
e, partirquenc
temps-f
pinn
du
t
nnemen
partitio
le
sur
mlhod e de dtection fonde
seccelle
de
nn
la

ns
montro
nous
fin.
En
.
dtecter
il
ire
tlonnemel1t adapt tm transito
es
exempl
deux
des
issus
rels
signaux
des
sur
e
mthod
tion deux applications de celle
cache.
store
mollran
le
que
cc
prciser
par
prcde nts. Mais comme nons
2.3.1. Sur les signal/X tl'onsitoil'cs ellcClI' dtection

donner que
La dfinition d'un signal transitoire n'exisle pas et nous ne pouvons
transitoire
lertnc
Le
.
sjgnaux
tels
d
les lmenls qualitallfs pour prciser la nature
ent dit,
Autrem
ation.
l'observ
de
e
l'chell
voque la brivet du signal par raprort
3. Section rtligc par Pierre-Olivier AM!3LARD el Philippe

RAVIER .

Dteclion de non-stationnarils

85

lorsque l'on ohserve un signal noy dans une observation de dure T, le signal est
bref si son support esi trs infrieur;) T. De plus. les transitoires sont souvent issus de
chocs divers et prscntentcs rsonances marquc~. Ainsi, dans la suitc,un transitoire
est un signal o!'.ciHanl. bref l'chelle de l'observation. A titre d'exemple, la figure
2.21 prsente un signai transitoire et son spectrogramme (module cnrr de la transforme de Fourer court terme), SUl' celte figure, la bonne lncaiisation tcmporel1c el
frquentielle du transitoire apparat. L'nergie du transiwtre esl assez bien concenll'.?c
temporellement ct son caractre osdlhmt est rvl travers quelques rsonanceR bien
localil'les en frquence,

Figure 2.21. Un transitoirc el SOli spectrogramme rie lemps est ni obscis.w!, fesfrqucllces
(w ordoJlne). On remarque ln Trs bon/lc localismiofl tcmps~fi'qlfe1fcc du traJlsitoire.
Le dcoupage rignlcr du pla/} (cmpsjhftjw!l1c{' por h' spectrogrammc cst~n bicn (Jda!,l :-'

Les signaux tnmsltoircs appm-ajsscnt dans des environnemcnts bruits cl peuvent


tre trs diff1cilement dcelables. Le brut csl en gnral additif. mais Ra nature peul
tre mal connue. Il est clair qu'clic dpend des applications traites. Par excmple. le
bruit de mer est consjdr gaussien (O presque) et est color.

86

Dcsion lemps-frquence

2.3.1,1. ContexTe de dtection


Les problmes de dtection se posent souvent statistiquement en tenncs de tests
d"hypothses ITRE 68]. Lu dtection de transitoire peuL sc rormuler comme une dcision prendre pHfmi les deux hypothses fIo cl III dlnies par:
H"

!I(I.) = b(t)

H,

yU)

,,,(1) -1- b(t)

Ol! l'observation !lU) e'l disponible dumnlllne priode T, Le signal b(t) reprsente
le bruit et ,rU) est le transitoire dtecter. Son support CHi bien sr [rs infrieur il
T. Que l'approche pour le lest soit baysicnne ou de Neyman-Pearson.la statistique
essentielle il valuer est Je rapport des vrniscmblances de y( t) sous les hypothses
lin cl Ih. Le calcul de cc rapport requiert la connaissance des los de probabilit de
l'observation conditionnellement aux diverses hypothses.
Dans un cadre plus gnra] de dtection, le signal dtctcr est paramtr. d
sorte flue les probabilils conditionnellement <.lUX hypothses soient Calculables. Si
les paramlres. du sjgnal sont inconnus, la procdure de dtection s'adjoint une tape
d'estimatjon. Ce genre d'approche est ulilisable dans les systmes de dtcctjon actifs
pur exemple, pour lesques un signal est mis, interagit avec un milieu el est il dtecter
ensuite.
Le problme de la dlcc1on de transitoire considr jei n'entre pas dans ce endre,
muis relve de lu dtectlon passive. Autrement dt, nous cherchons. un signal de forme
inconnue (et donc li priori non paramtr) dans du brut. Le problme est donc djf'icilemelll ({ thorisable ;> el des approches plutt empiriques sont adoptes. De plus.
dans de nombreuses applicatons, lu dtection doit se fnire au cours du temps. Celle
contrajnte impose au dtecteur d'tre squcmicl et il doit tre rcursif ou au moins
s'~valucr par bloc, Enfin. IIOUS nous plaons dans un contexte de trs raible rappon
s1gnal ft bruit. Cc rapport est valu ans le support essentiel du transitoire el est leI
Clue le signul transitoire est diflkiJemenl dcelable l'il. A ttre d'xcmplc.la figure
2,22 montre un transitore dtecter dans un contexte difficile. Le signal non bruit
upparat dans le panneau mihcu. nJol'S que les hypOlhsS 110 et If l sont reprsentes
sur les panncaux haut et has. Le pmagraphe suivant prsenle quelques approches Je
dtection,
'2.3.1,2. Qlfelqlfes allprOt."hes de dtection

L'ide la plus sltnple pour dtecter un transitoire dans du bruit reposc sur J'hypothse de stationnarit du bruiL Cette hypothse est gnralement admise, el dans de
l1ombrcusc:i ppHcations elle semble assez bien vrifie. Dans celte oplquc, le transilojre est une non-stmionnar qu' il rUUl meUre jour. Pour ce raire. un enJeul cl' nergie
au cours du temps peut tre intressant Cette approche simple ronctionne assez bcn
lorsque le rapport signal bruit est assez fort, mais donne de pitres rsultats ds que

Dtection dc non-stationnarit;;

87

Figure 2.22.1::xemplt' dl~ Si,~lIilf trallsitoire fpmwcau milic/I)


et obserl'arirms d(! deux hypothses: lmlif seul ef brui! (uidirimlll du tnmsiwin'.
Le l'apport sigual bruit est m\sfaiblc' Quel l'molf'ml pOlir quelle hYjJO{hx?

le rapport signal bruit esl faible. Des rnf11nemenLs peuvent tre appurls en considnmt par exemple deux temps- ct' intgration ditTrenls. en prenant en considnllion la
coloration du bruil, etc,
L'hypothse 11 prendre en considration galement est la gaussianH du bruit.
En effet. le bruit provenant de J'addition de multiples phnomnes. I est en gnral considr gaussien. S l'on replace Je signal trum~itoil'e dans Un contexte slatstique, l est VIdemment non stationnaire, mais galement non grI.UR:en, Dlecter le
tm!lsltoirc revient alors chercher un cart hl gaussanil~ dans l'obscrvullon. Cette

SS

Dch;ioll temps-frquence

Une approch e roncrccberc hc repose sur l'Ulilis~ion de statistiq ues d'ordre suprieur,
[DUB 97. H1N 90J.
tionna" , trs biclluli lise I"allalys" bispcctr ale ct le test <le Hinich
gnussic n, Le tCf\t
cas
le
Le bispeclr e est lIlle statistique clordre;1 et est donc nul dons
sur le hispcctr e,
fonde
de Hinich repose sUI' cette remarqu e el value une stn,Squc
r un trnnsi~
Dlecte
Si le signal est gaussie n, la statistiq ue est thoriqu ement nulle,
h cslimcr
bloc"..;,
en
ation
toir.: il raide de cette mthod e consiste il dcoup er l'observ
Une
bloc.
chaque
sur
le hispcctr c sur chaque bloc. puis ft appliqu er le test de Hinich
l
principa
on
dfiniti
de
e
variante repose SHr le calcul de valeurs il J'exlri eurdu domain
s.lanon
est
analys
signal
le
du bispect re; ces valcurs sont non nulles uniquem ent si
s trcs salisfais ants.
tionnulr e el 11011 gau;;;sien, Ces deux approch es donnen t des rsultai
l'implan tation
'hll
aujourd
autorise
De plu;;;, la pliissnnc croissan le de;;; calculateur:.

de ceHe technique clltemps re] [DUB 97J.


Jes signaux
Une dernire classe d'appro ches tui!ise les outils spdlq ues d'tude
e du sign<.tl
rquenc
temps-f
lLation
rcprsel
une
uer
non stationn aires. L'ide est d'effect
e est d'efproblm
Le
tution.
reprsen
la
de
partir
ct de calcule r UlllCS.t drcctem ent il
adapt.
t11tmge
du
m
maximu
ai!
her
rapproc
se
pour
fectuer la transformatl0 n adqul e
ondeou
rme
courlle
Fourier
type
du
les
iltomiql
Par exempl e, si des dcomp ositions
au
possible
plus
le
ler
resscmh
devront
)
base
de
(
s
lelles sont atloptes, les fonc!ion
int~
est
921
lFRl
MeSSer
cl
Fris.ch
de
e
approch
Il
transito ire dtecter. Dans cct esprit.
tcs. Un dtecrcssantc ct repose sur rutilisa ton d'un catalog ue d'ondel ettes dilTren
le domajn e
dans
p
dvelop
est
is
gnral
blance
teur fond sur le rapport de vraisem
e jouant
approch
ceUe

te
inhren
lion
sa
maximi
la
des coefficients en ondelet tes,
vident
est
H
ue,
catalog
du
les
onddet
les
stl!'
cl
eslimer
1a rois sur les puram tres LI
ue
catalog
du
s
fonction
les
o
cas
le
dans
s
rsultat
que celle techniq ue donne de bons
s'appro chent du transito ire.
qU{. ~ les
Ce petit panoram a n'esl videm ment pas exhaukr. Toutefois, H montre

non-sta tionnuri t )-,


prindpe s de dteclio n de lnmsl.olrcs reposen t sur les mOl,,-cls (
e utilisan t les
ou (<, nnn-gau ssianit 'J. Nu~ allons mainten ant prsent er une mthod
s pour rvler au
deux mots-cl s. Des reprsen tations tcmps~rrqucnce seront utilise
suprie ur seront
mieux la non-sta lionnari t du transito ire Cl les statistiq ues d'ordre
introdui tes pour tirer parti de la non-gau.ssianit des transito ires.

...rrquellce
2.3.2. lllle approc ltefolld e SUI' llJl pal'IitmH1emelll du plall temp"i'
nt montre qu'un
Le panomr na de dtecteu rs de transito ires du paragra phe prcde
gallssianit~) et
dtecte ur de transitore utilise les. propri ts du bruil (stationnnrt,
). De plus, kt
les non-rl'oprit~ du transHDre (non-sta tonnar t, non-gal lssianit
el !\,1csser soulign e
remarqu e raile sur le nllrage adapt dans la mthod e de Frisch
le dvelop pement
rmpor tancc du choix d'une reprsen tation lemps-f requenc e dans
rquenc e semble
d"tm dt('ctcur, AUlrcmcnl dit. le partitio nnemen t du plan temps-f
L'ide prsent e ici
tre une noton trs importa nle pour la dteclio n de transitoire.

Dtection de

non~~;\ationnarils

utilise intensivement cette notion. Le paragraphe qui suit onne quelques rappct"

89
~llr

ce dcoupage.
2.3,2.1, No/ion

,Hf/'

le dcoupage du plaJllCiIlps~tliq{h'llcC

Dans les annes 19:20. HeIsenberg arrive ~l la conclusion tlue la posilion e! l'impu)sion d'une particule ne peuvent tre simultanment mesur':cs avec une infinie prcb;ion. Pre, 11 t:onclut que 1tt connaissance de la vitesse d'une particuic interdit la
connaissance de sa posilion (cl rciproquement). ~1athmaLiqll(,ll1enL cda vient du
fail que la vitesse ct rimpul"ion sont de& vnriables conjuguc& par lransfonne de
Fourier. Gabor rinterprte cc rsultat en termes de signal. pour conclure qu'un signal
ne peUl pas tre b la fois infinimenl bien locals en temps et en frquence, Pour cles
signaux d'nergie Ilne. ce rsultat est traduit par des relalions (fincerlitude. appt>
le:. relations cie Heisenberg-Gabor clans 1.1 communam des traiteurs du signaL Ces
relations s'crivent:

D'li D.tt reprsente l'carl type du module curr du signal (normalis en nergie) dans
)a reprsentation u. PrnliqucmenL Ll,u est une mCl'iure de lm:alisation du signal dans la

reprsentation

1/.

Les rclmions d'incertitude sont trs importanles dans la notion de phm tcmpsfrquence 1FLA 93J. Toute mthode lemps-frquence (ou temps-chelle en rfrencc
aux ondelettes ou la dasse affine, induit un dcoupage du plan qui n'chappe pas
aux relations dncerttude, POUl' ehuque mthode. on pourrat (au moins en pense)
associer un signal qU optimise le produit l::.( L'lu. Un tel signal est souvent dnomm
logon.
Pur exempte. dans l'analyse de Fourier II courllcrme. le lagon (dit de Gabor) est
un sign<.ll de forme gaussienne. L'encombrement temps-frquence vaut alors 1/477.
Lorsque le lagon de Gabor ne se situe pas autour de la date 1 = () ni autour de la
frquence JI = O. l'image lemps-frquence est lH mme ft une translation pr;.; et l'el1combremenllcmps-frql1cnce reste idenlique. On a alors pOUf habitude de- reprsenter
}c pl un lemps-frquence sous forme dcoupe par des rectangles ideniiquct\ qui fradl1isent l'encombrement du logolJ (voir Hgure 2.:23, panneau suprieur gauche), Mais
d'autres types de dcoupages ex.istent. Par exemple, la Lransfonnc en ondeleue induit
le dcoupage dyadique (figure 2.13. panneau suprieur droit). Dans ce cas. les rC'ctnngles ne sont pas identique5, mais leur hauteur crot uvee la frquence. Les relations
de Heisenberg-Gabor ne pOllvanl tre violes. leur largeur dcrot avec la frquence.
de sorte que l'aire des rectangles reste constante. Ce dcoupage est assez intuitif. La
transforme en ondelette rvCle la bonne localisatof] frquenlielle de phnomnes
lents (et donc dlocaHs.s en lemps) cl ln mauvaise localisation frquentielle des phnomnes rapides (mais hien localL"s en temps),

90

Ddson temps-frquencc

1
1

_.

l,

1
:i

..

_---

Ondeleues

Founer court trme

f,

,-

---

Ll

;;;
Actif

Ondelettes de Mulvar

Passif
Paquets d' ondelcHes

FibTtlrc 2.23. Illlls/rafi on du dL'coupage du plun felllps:fh'qHeJJty' huillif par

l(llr(m,~'r()rm<: de

suprieu r ,!t/ftcilc}. par la tnnt.~/{),me CIl ()Iule/eue dyadique


FO(lrcr il ((Jl/r! ferme
exemples de dcOJljJagL' jlrOl'()(f1wIIJCa!l suprieu r draiIJ. Lcs pwmeuu x ill/riew' s dOlmcm des
,
(Claud)
Mail'a,
de
'Ills /)(/r des bases de paquets tf'rmdt'/ets (dmit) cl
(jJWlJ1CaJi

ntresss t\
Au dbut des annes 1990. Coifma n. Meyer el Wickerhauser sc sont
ages
dcoup
Ces
941,
WIC
92,
IMEY
ee
'aulres dcoup ages du plan lemps-Ih:!qucn
s
analyse
~s
dans
que
Alorll
2,23.
figure
ln
apparaissent sur les panneaux infrieurs de
ride
lies,
sont
ce
frquen
el
temps
Fourier court terme et ondelette: les variables
une scgn1cnlaest ici d'avoir une variable aclive, l'autre lant passive. Pratiqu ement.
tation de la
segmen
lu
induit
qui
tion est cffcClllc sur la variable active. segmen lation
en ondemes
transfor
les
sont
travail
yrable passive-. Les transformes ralisant ce
ettes Oa
d'ondel
paquets
en
ct
active)
lettes de iVlalvar (la variable temporelle t. est
le est
ensemb
leur
lor:.que
.
forment
cs
variuble frquentielle 11 est active). Ces ondc1eU
thorie
La
finie.
ie
d'nerg
signaux
des
ble
bien dfini. une base orthogo nale de l'ensem
rWJC 94].
ct Ics problm es d'impla ntation de ces tnmsJol1nes sont dcrits dans
flgcs possibles
L'intr t de ces ondelettes est de propoNcr un ensemb le de dcoUp
age partidcoup
un
du plan (une segmen tation particulire de la variable acve induil
choix de
un
ire.
culier). Ainsi. face il un signal analyse r ou UIlC application particul
est a101i';
crtre
Un
.
dcoup age du plan temps.-frquence peut ct/ou doit ~tre effectu
e,
exempl
Pur
tion.
dtni pour obtenir le dcoup age du plan adquat pour r i1pplica
r4:1pidc
me
algorith
un
des fins de compre ssion, un critre enlropiq ue peul tre adopt et
au dcoup age
permet la dcomposition en ondc]ettcs qui optimis e le critre et conduit

Dt~ctlon

de non-stationnarits

91

cherch. Dans le paragraphe suivant, nous cxpliquon;.: le principe des paquets d'onde-

lettes.

2.3.2.2. Paquts li 'ondclclfcs


La thorie def> paquets d'ondelettes peuL se voir comme une extension Je lu thorie des ondelettes, De nombreux ouvrages existent aujourd'hui dans lesquels je lectellr trouvera les dtails de la thorie des ondelcues [DAU 92, FLA 93. MAL 98J. Les
paquets d'ondelettes sont dcrits dans rMAL 98, WIC 941. La prsentation que notls
en faisons mcl rU\.:cent sur le dcoupage du plan temps-frquence qu'induh une base
de paquets d'ondelettes, Commenons pur un rappel sur la dcomposition en ondelettes.

Dcomposition en ondelettes
Dans la vision ({ analyse rnuHir;,olution , une dcomposition en ondelette
consiste li reprsenter un signal par unc approximulion il une certaine chelle et par les
dtails qui permettenl de reconstruire le signai orginai en compltam l'approximation. Pratiquement, la demnposition en ondelette est un processus rcursif dcrit par
la figure 2.24. Partant d'lm signaJ discrct :r(n), on obticnt les coefficients (l'approxinmton en uppliquanlun fiItre passe-has numrique de rponse impulsionnelle h(n) et
en sous-clmntHlonmml 'un racteur 2. Lcs dtals sont obtenus par un filtrage passchaut dc rponse impulsionnclie !J( n) suivi d'un sous-chantillonnage par 2. Les fi Ilres
h et 9 sont des filtres miroirs en quadrall1rc IDAU 92, MAL 9R1. Les dtails obtenus
sont gards en mmoirc ci l'approximation est il. nouveau spare en approximation ct
dlail. Dans unc perspective temps-frquence, l"approximation correspond aux hasses
rrquenceset les dtails aux hautes frqucnccs. A la dcuxrnc tape, les dtails corl'espondent donc aux hautes des basses frtluences. Ainsi, 11 une chelle donne, les dtnils
corrcspondent une handc rrquentielle bien dtermine. De plus, d'une chelle une
autre, la largeur de bande: cst divise par deux, cl par Sutc rnccrtlude temporelle est
double. Le pnvagc temps-frquence associ il la dcOl'nposition en ondelette apparat
cn bas de lu figure 2.24, Cette figure esl llllettre en regard de l'arbre dt; dcOinposilion
en ondeleHe. Les b':l!1des frquentelles contiennent les coefficienis de dt;ls. Sur le
dcoupage. on s'aperoit de lu correspondance chelle -------" frquence: les dtails des
petites hcllcs OlTespondcnt aux hallles fI'CqUC:llCC~ et les dtails des chelles plus
grJndcs correspondent des frquences plus basses, Enfin, lu bande frquentielle de
plus basse frqucnce contiCnl les coc:mcients e la demire approximation obtenue.
Notons de plus que conformment aux incertitudes d'Heisenberg-Gabor. la locnlisaHon temporelle est en raison inverse de la IocaHsation frqucntellc, La transforme en
ondelette provoque donc: un dcoupage dyadique de J'uxe frquentiel. Ce dcoupage
est issu du Jltrugc pal' Ir ct fi de l'upproximalion et le sous-dmntilIonnage d'un facleur 2. L'ide s.ous-tendant Jes puc!uet:-. d'ondelettes est de iHircr galcmclllles dtails.
afin de couper en deux ln bande frquentielle qui leur eKl as.socie.

91

Di.:sion

tcmps~[rgucnce

Signal

dl

d2

d3

Echelle 1

d4

Echelle 1:

&:hclle 3

Pnvag.e associ

,~,
Figure 2.24. :-\l'lm! de ddwwpo stiun cn ondelettes
cl pal'ogc du l'hm rempsJrqHcnce ax,l;Qci

Drom po ... ilion en paquets d' ol1(le!cttes


On consid re un
Le prindpe des paquets d'ondel ettes est illustr 5ur la fi,bT1lfe 2.25.
N ~. 1 o lV est un entier positif. L'applic ation
0, .... 2
signal temps discret ,r(I!). n
te aux approxi mations . mais est cgalcm enl effectu e
'strein
plus.
n'cst
cr!J
h
des filtres
de l'arbre corsur les dtails. L'arbre est ainsi compl temenl droulS . Chaque nud
s s'interp rte
trc
pumm
Le
respond ~ un paquel d' ondeleHes qui s'crit 21</2 wJ(2 n).
de dcoml'arbre
dans
nud
C(Hlltne une chelle el corresp ond tl la profond eur du
eur 8
profond
une
Pour
poshion . Ce param tre prend donc les valeurs .9 = l, " ' l lV.
valeul'!\
les
alors
prend
f
donne . i\ exisle 2" ptlquets d'omJeleHcs et le param tre

Dtection tie non-stationnarits

93

0, " ' 1 2'" - 1 ct correspond une nolion de frquence (bande frquentielle asso-

de au paquet d'ondelctte). Notons que f correspond bi;:n une frquence grce il


l'application adquale des filtres Il. et fi: lorsqu'un nud indic par f esl pair.l'application de " pUIs. la dcimation (Ioonc la purlie basse rrqueocc de la bande fl'quentiel1c
ussocie au nud, alors que pour un nud impair l'application de h puis: la dcimation
donne la panh:! haute frqucnce, D mme, lorsqu 'lin nud est pair, J'application de
il puis la dcimation donne la parlie haute frquence de la bande rrqucnLiclle associe au nud. alors que pour un nud impair, r applkaton de g puis 1a cimallOri
donne la panic basse fn:qucnce. Cec est d la priodicit des rponses frquen~
ticHes des filtres numriques Il el .Il et la dchnaliol1 qui provoque la contraction de
ces: rponses (voir fMAL 98. W1C 941). Ainsi. contraircmclll il rlntuition, le n1tre il
(respectivement g) se comporte lantt comme passe-blis l,respectivement passe-haut),
tantt comme plisse-haut (respectivement passe-bas),
Les coefficients contenus dans un llceud correspondent au prouit scalaire entre le
paquet d'ondelette retard elle signal anaJys :

Sur l'exemple de la figure 2.25, nous avons reprsent l'urbre des p<lquels tJ'Olldelcues cl leurs cocfl1denls associs pour un Signal de longueur S. L'ensemble des
pnqueL'i d'ondelettes ne peul pas tre une base orthogonale de l'ensemble des signaux
d'nergie finie. En effet, conserver tous les coefficients de J'arbre amne de la redondUllce: les deux fils d'un nud de l'arbre parlagcl1l la mme hande frquentje1lc
que leur pre, Pour obtcnir une base orthogonale de paquets d'ondelettes; r;trbre
de dcompositioll doit tre lagu, La remarque prcdellte donne la cl: lorsqu'un
paquet d'ondelettes est choisi pour tre dans la base orthogonale, ses ms ne peuvcnt
1'lrc, Prcisment. ln famille de paquet}> d'ondelettes fz.'!j:l (If J{2"n ~ k)} ,".fj: ne
peut tre une base orthogonale, Pour obtenir une base orlhogonalc. il faut extraire
de cette ramlJe des paquets de sorte que les indices 8, J associs gnrent une partilion {[2'"f, 2'U + Ill} dc J'axe frquenliel. A litre d'exemple, nGU, avons choisi une
balle orthogonale particulire, illuslre par les nuds en trait gras, Cc choix provoque
le dcoupage du plan temps-frquence prsent ml bas cie la figure 2,25. Cc choix
est tom 11 ral arbitraire, ct d'autres hus.es orthogonales. done d'autres dcoupages,
auraient pu lre prsentes.
Cet arbtraire rail toul l'intrt des paquets d'ondelettes, puisqu'un arbre de
dcomposition correspond en l"ail il un catalogue tic bu:';es orthogonales ou un catalogue de pavages du phm tctups-frqucl1cc. Ainsi. confront II ulle npplication parl1cuHre, le traiteur du signal peut choisir dans le catalogue lu base adquate. Evidemment.
rnutomatisation du choix de la hase pass.e par un critre de choix de base.

94

Dci:-;ion lemps-frquent'C
._ ...

_~

()j!)

~)~.

S,;!flal

x15) ,(6) ,(7) x(S) :

@il
d3

Echelle t

d4

il "

ddl

dd2:

Echclle 2

\ il

dad

[:J

EchcUe 3

ddt

Pavage associ

aux paquets !'cte-nu:>


(cases grasscs)

u'mpsCH lXltfHCIS d'muidc th:S i,!t IIIJ pOl'Oge dll plan


des opratcu rs Il
associ li mu: base ofrlwgor wlc !T'tenue. Il falll noter l'!\'l'fslrl/l
ciutnlW eS/llcessaire fiOUl'
('/ 9 lorsque le IIIL'/I(! CS! impair (ii II//(! pn~rm1tlellf' donne). CeF
bieu l'l1.l:'c dc,\)hfquci1ces
llld
corre.\'fJc
dmme
lll'
p}'t~ro/lde
aS,mret que 1'(L\"c }wri:(mr af li WlC
(IIIX pmblw f's dc rcplielllCl 1J
dnlfc
Cf
lon
dci/mU
fa
li
dft
esi
Cc'ci
9-Jj.
\VIC
{MAL 98, MErV2,
ucs.
-les.filTr es Iwwriql lS Il t:/ [1 ofll des l'pouses fi'cJllcllliellcs priodiq

Figure 2.25. Ar/nT! de dcomfJo'sitioll


frCfJlICIHY'

Critre de choix e basc

d'un criChoisir une hase dans l'arbre de dcomposllion repo~c sur I"utilisaon
lircmcnt ct les
lrc. Lorsque le crtn.: est associ fi un cot C. 1" arbre est drou l en
nce .alors au plus
cots de tous les mcuds sont calculs. L'algoriLhmc de choix comme
fils il celui de leur pre,
profond de j'arbre, en compar unlla somme des COLi de deux

Dtection e non-stationnarils

95

La rgle de slection esl alors :


si e(pre)

>

e(lils 1)

si e(pre) ,;; e(!ils 1)

e(fil, 2), conserver les fils: fission

+ e(ils 2),

conserver le pre; fnsion

CeHe faon de procder assure que les nuds retenus correspondent il une hal'
orthogonale. Un eotn clussique est une S011e d'entropie dl.! Shannon des coeflTcienls,
coM en gnrai choisi pour des ohjectifs de cOll1pn~sson [MAL 98. \VIC 941,
Mais des critre:; de slection ne reposanl pas l'ur l'valumion de COl peuvent
tre imugins, Dans cet esprit. nous exposons dan~ le paragraphe suivant le critre de
segmentation retenu en vue de dlecter des signaux lransitoires.

2.3.2.3, Jrlrlmdologie de dfection


L'ide sous-tendant lu mthode de dlec[ion Je trunsitoire prsente ici est 1" oblention d'un dcoupage du plan lCl1lpK-rrquence udapt au transitoire. Autrement dit.
nous souhaitons que le dcoupage du plan soit fin d.ms leI' zones d' existcm:c du transitoire et sOl plus Wehe dans les zones du plan nc contenant que de l'information
relative nu bruit Nous nOlis concentrons dans la suite sur le dcoupage du plan tempsfrquence issu d'une dcomposition en paquets d'ondelettes. l'utilisation des onelettes de Malvar tant dcrile dans [RAY 98a, RAY 98bl,

Nom; supposons le bruH gaussien (ou p1'l.:sque). Unc compositlon cn paquets


d'ondelettes lant une transrormation linaire. les cDcmdcnls en paquets d'ondc1ctlci"
associs au bruit sont gaussiens. Par contre. les transitoires tant fortement oseiHanls
et bien localiss n temps. leurs cocllcients en paquels d'ondclcues sont Ires impulsjfs
et donc fortement non gaussiens (cette remarque implique que l'on replace le transitoirt! dans une modlisatiolll'lochnsque), Le critre de choix de la hase repose alors
sur un crtre de gaussianit. an souhaite que les bandes frquentielles adjacentes
gaussienne.\ fusionnent cl que Jes bnodcs adjacentes non gaussiennes ne fusionnent
pas, Le critre est alors 1RAY 0 II :
Fils gaussiens alors fusion
Fils non gaussiens ou un ms non gaussien alors fission
Cette stratgie permet d'obtenir une segmcntalon adapte au signal transiloire,
Le critre de s1ection de base est donc fond sur un test de gaussianil. Tester que
des chantillons sont distribus suivant L1ne loi gaussienne n'est pas triviuL De plus.
les bandes frquentielles analyses duns le problme trait ici pCUvnt eompolicr un
nombre faible de cocnkients, ccci inlerdisant l'utilisation de rsulLals asymplotiqucs.
Ln mesure de gaus<;anit retenue est le ];:Urfasi!!' lln par:

96

Dcision

lemrs~rrqucncc

01' Cl!1Jl,[:rj eS! le cU111ulan( tl'ordre i de la varin hic alatoire;r [KEN 77. MCC 871.
Le kllrtosis CSt nul d~lIls le cas gaussien. Toutefois. il doit tre estim pour tre llLiHs
ct 'invitabJcs erreurs d'estimation interviennent Pour estimer le JwrlOsis, nous utilisons le:-; h-statistiques, estimateurs non biaiss des cumuiants lKEN 77. MeC 87J,
Si k~ eSlln k-stalisliquc estimant le cUlllulant Cum; [:rJ. un estimateur du kurlnsis est
alors:
[2.45]

L'Hlde de cet estimateur est difficile ft dfcclUcr ct aUcun rsultat n'existe


noIre connaissance lorsque les chantillons servant estimer sont corrls. Toutefois,
lorsque ces chantillons sont blancs -et gaussiens, l'esrimateur est sans biais ct de
variance :

0Y -

24N(N -1)"
:J)(N - 2)(N +

:I)Tiv + 5j

lV tantlc nombre des chantillons f KEN 77, MeC 871. Nous pouvons nous appuyer
sur ce rsullat si r on considre les proprits de dcorrlation qu' appolte la transforme en paquets d'ondelettes. Pour utiliser l'estimation du kurto,l'is d.ms la dcision
de gaussianit. nous dlinissons un intervalJc de confiance % de la forme r-fJ.I}!,
o ri dpend de \(~'-:.x Cl de o. Cet intervaHc est donn par l'ingalit de BienaymTchebychev.
Lorsque ta meilleure base au sens du critre de slection expliqu prcdemment
est obtenue, il rcslc dcider de la prsence ou non J'un signallransitoire, De ph.1s,
nous souhaitom; obtenIr une courbe de dtection temporelle. pmu pouvoir localscr le
rrallsiioire ventuel dans le temps. A ceUe fin, nous avons adopt une procdure de
dbruitagc fi pHnir du plan lcmps-frquem:c obtenu pur la dcomposition en paquets
d'ondelcHes, Le!' zones juges g.mssienncs sont par conslruclon dl"s zones supposes
Jies au bru. alors que les zones du plan juges non gaussiennes sont reprsenta,
tivcs du transitoire. La procdure de dbruHagc consiste donc il forcer ft 0 les coef~
i1cients gauH"cns cl conserver les coefficients 110n gUlls'\tcn!'i, La reconstruction du
signal est alors elTcclUe par transronnal.on cn paqucts d'ondelette!'i inverse. ~ signal
reconstruit prsente alors un rapporl Higna1 il bruit bien meilleur Ci une siTatglc de
dtccion de transitoire classique peut tre uppliquc.
La mthodologie dc dtection est illustre sur la Ilgure 2,2.6 et nous la rsumons
maintenant:
1) dcomposer en paquets d'onclelles le sigmll .du), 'Il = OJ ,." 2 P - 1. Les
coefficients obtenus sont nots (I.,~J.k, s = L .... P cl il .5 fix: f == 0, ... ,2$ - l. ct
k = (J ...

Dleclloll de non-stationnarits

97

Figure 2.26. Princ;pc d la segmentation du plan temps-}tjIlC!1CC


par paf/uets d'ow/e/cue.\' (/dupt (1ft pmb/i'tu dl' dct'tiofT
de IrtlltsilUf! 'f,\'

2) choisir la basc orthogonale, Pour deux Jlls reprsents pur les coeffici
ents {fsJ./r
et CLpJ+l, it:
- estimer le kurlosis des cocrtlcicnts

~::',"J

[2.45j,

ct

en utilisant

r~quaon

- dfinir Ilnu:rv allc de confiance il rr %:

- si X 8 f ri ln ou
rJ. In conserv er ces ms (lis,sion J,
- sinon, conserv er le pre (fusion );
3) mettre zro les eoefficiems jugs gaussiens, reconstruire Je signal
par transforme en paquets d' ondelcttes inverse ;
4) appliqu er une mthode classique de dtection e transtoire (parexe
mpJe calcul
udaptatif d'nerg ie).
Celte mthod ologie est applqu e dans le pardgraphe suivanl deux
problm es
rels de dtection.
2.3.2.4.1I11IsfratiolJs

L'hjel de ce paragraphe est d'illust rer la mthod ologc cie dtectio


n hybride
paquets d'ondekHe.s-stHtstiquc d'ordre supl'ic!lr sur deux exempl es
concrets. Le premier concern e l'acoust ique sous-m arine et le dCllxi(-mc la dtcctio
n de corps erranls
dans les luyauteries de ccnlralc s nucluires.

98

Dcision tcmpsw[rqucllcc

Dtection de tmnsitoire en acoustique sous-marine


Le dlecteur de transi tnires hybride a t initialement dvelopp pOUf dtecler des
transitoires en acoustique sous-marine, Une banque de diffrents types de transitoires
et Je bruits de mer rels permet d'elTectuer de nombreuses exprimentations ct de
calculer numriquemenl.les perronnances du dtecteur,
La figure 2,27 montre l'application du dtecteur hybride sur un signal transitoire
rel noy dans un bruit de mer rel, le rapport signal il. bmil tant de -tidB ipunneau suprieur gauche), Le mpporll'.iguaJ ft brut esl tel qu'il est difHdlc de distinguer le transitoire. TOlllefois, un examen attenlif u spectrogramme (panneau suprieur droit) rvle une hourre d'nergie aul.our de 500 Hz et 0,2 s. La rcpl'sentution
temps-frquence associe ft la busc d'ondelette retenue par notre critre apparat sur
1es panneaux milieux, avant le seuillage de~ handes frtiUentielle.s fi coefficients gaus~
siens (gauche) et aprt' (droite). Enfin. aprs transforme inverse, l'observation dbruite (panneau inrrieur gauche) possde un mppon signal/hruit oien meilleur. Cette
amlioration aUtorise l'application d'une procdure simple de dteclion. ki. nous calculons rnergie au cours du temps raide d'un algorithme adaptatif. Cette nergie
est montre sur le panneau inFrieur droit, en trat pldn avant le traitement el en poinlll aprs. Le rsultat CHt spectaculaire puisque: d'une non-dtection on arrive il unc
dtection, Ja courbe de dtection prsentant de plus un fort contraste.
Pour valuer les performances, nous avons calcul numriquement les courbes
COR, en utilisant 1 000 realisutions de hruit de mer cl en y plongeant (pour les prohabilits de dtection) ou pas (pour les probabilits de fausse- alarme) un transltoire.
La courbe de dteclion obtenue permet cl' valuer les probabilts de dlection ct de
fuusse alarme en fonction d'un ~cllil qui vurc, puis de traCC:f les courbes COR, probabilil de dtection en fonction de la probabilit de fausse alarme. Celte procdure a
t effectue pour deux transitorcs diffrents ct. chaque rOs.le dtecteur hybride est
~ompar lIll bon dtecteur bispeclrul. Le rsultat e cette analyse esl prsenl figure
2.28. Le dlecleur hybride prsente un comportement trs bon, PUiS{jlle la probabilit
de dtection crol extrmement vile pour des petits taux de fausses alarmes. Oc plus,
k: dtecteur hyhride est meilleur {Ille le dtectcur bil"pectraI pOUf les [aible~ taux de
fuusses alarmes. puisque des gains d'environ 0,1 0,2 sont obtenus pour la probabilil de dteclion tt luux de fausse alarme nx. Enfin, nous avons test deux lypes de
seuilJngc dans l'algofthme, Jes seuillages e doux )) et #. durs }). Il s'avre que le type
de seuillage n' a que peu cl' influence sur la qualit de dtection.
Notons que nous obtenons sensiblement 1es mmes perfonuanccs pour les deux
transitoires. la dffn.::nce de !aille prs que le n.lpporl signal bruit e;'il plus lev
pour le transloire :2. que pour le 1" Le deuxime est errectivement heaucoup plus
brer que le premier et est moins riche spectralement Sa dlCctil1 n'en est que plus
diflieilo.

Dtccton de

nl1n~slU{ionl1arils

99

li}

2500

2000
u

~J5Ull

""

: 1001)
500

0.2

d)

c}

(JA

~ ~ Sipli1l f;>nm.,JfUlt

15

0.6

--

Oh~en';\\i(!fj

0.5

o
.[1.5

()

e)

O.:!

0..1
Tcmrs isl

,J

(J

0.6

fi

DA

0.2

Temps

0.6

(;.i)

Figure 2.27. Dtection d'uf! Inlllsiloirt! CIt a(,offJ'rju!' souswarIl/!. PIlllI1l' {/If.\: suprie/frs " l 'obgal/cite el son Sp{'Clfogrolllmc if droite, PWJ!/}(/JfX miliellx: ri'!w'cflfatiOlf !('lI/jiS-

Sl'J1YUjO!l il

frrJqull((, a,\'Sodcrc /0 base de poqll}!S d'mulclelles U/J(('IfI/(', al'(UU seuil/fige il g(llu:he (-'/ aprs

li droite, Panl/eoux iI~t(jriC/{/',v: n'guaI reCfmsmrt aprs sClli/la~lt,e il t/luche, nrrgic au ((J!II'.I' dlf
temp-" il droite (en Irait plein omm If' frai/clI/CIIl i!l en poimi/!{ aprs),

Ddsion lemp:<>-ih5qucncc

100

Tran"itojrc 2

Transitoire 1

'-~"-'--,

0.5

0,5

o
-0.5

-0,:1

al

0:2

0,(1

0.4

0.2

b)

Temps (s)

Transiloire 2, -2 dB

Tra!lf,oire 1. -6 dB

=~=~~."-~~=-:-~l
liJ

0.8.

0,0

004

Temps (s)

.. ...

_0.61 (/

...
Il.S
0.6

O.4~

0.2

,2

o ~.. . . . . .---..__~._~. __I


o

cl

0.05

0.1
Pfu

0.15

(J,2

dl

0.05

0.1

lUS

0,2

pra

. -: dlecteur
Figure 2.28. Courbes CO!? c.l,llrimcnw!cs pour del/X InmSo[ tcS dijfnmH
!Jpenm l. Les
r
dtcciCH
.:
dOl/x;
hy/Jride cf seuillage dur ,. - - : dtecteur hybride t't swi11age
dcs courbt's
ll1Jriqllc
COIClIllll
Jt'
pour
Uflistfs
rf's
trtlnSilni
dClL\'jigflff'S slI/Jicll res mOi/in.'11! les
COR.

Dtedio n cie corps errants dans une tuyauterie


n e tranLe dtecteu r hybride peut inlervcnir dans toute appncaLion e dtectio
pour la
action
en
mise
sa
unt
sitoire. A tilrc dHusr,aon. nous prSenloH!'i mainten
e est
problm
Cc
es,
nuclair
s
dtection de corps C1TunL.;; dans la tuyauterie de centrale
provoy
t
peuven
rie
tuyaute
tla
d'impol'tunee. puisque les COIVS C1Tunts qui frappcH
r des cots
quer des dgts dont la rparation nL~essile r arrt de ta centraic, et entrane

importanls,

Detection de 1l0l1-slatiol1nurits

25

20

~15

101

Il

gJO

-2

'7
'0

;l;;

-4
-6
a)

0,5

b)

0,5

10

;
"u

"
"C'"0
u

15

"
0
0

.:if

'U

tl:

[0

;l;;

.5

c)

Il

CI,5

d)

0,5

25 -:~ _. _ Siun;;l !(,cD!F\r;;-i-'---"


III

j--

()h,;::rv;ui'lfl

15

10
5

0
e)

._--,,--_..
0.5

05
Temps (si

f>

..

TeJllp~ ($)

Figure 2.29. Ditccfioll de corps errailfs. PmITlClWX .nrpricm:y: l 'ob.l'ell'atioll

t gauche et sun
spectrogramme il dmite. Pal/I/ctiux ft/ilin/x: l'eprscllwtion temps-j}'fJ/lCllCC associe la base
dt.: paquers d'oudelettes obtClIllf.:, olYlnf sCI/lfa1?e gaul'hc et apr.'f il dmile. F'mEneaux nfi.trieurs: signal rccon\[mi f aprs smillage il gal/che, nergie (Ill cours du (t'1UpS li dm/Je 1ell tral
pleil1l11'Gili ie traitement el ell pointill aprs},

101

Dcision tcmps-frquence

Un ;;;ignal de corps cnants est prsent figure 2.29 (panneau supricur gauche)
et sa structure temps-frquence est dvoile par le spectrogramme du panneau suprieur droit. Sur le signal, on discerne assez nettement trois vnements violents autour
de 1 s. De plus, sur toute la dure de robservation.le signal est trs fluctU<llll en puis~
sance et la dtection de transitoire semble cHncile. Le spectrogramme rvle bien les
trois vnements et montre que le bruit, outre un fond trs large bande, est constilu
par trois frquences pures trs puissantes et trs fluctuantes en amplitude. Les pan~
neaux intermdiaires montrent la reprsentation temps-frquence associe la base
cI'ondelette retenue par notre critre, avant le seuillage de.,> bandes frquentielles il
coefficients gaussiens (gauche) et aprs (droite). Il est intressant de noter que les
bandes frquentielles autour de 3 kHz et Il kHz sont juges gau1-;siennes par l'algorithme et limines par le seuillage. Ainsi, le bruit cr par les frquences pures de
puissances l1uctuantes est limin par la procdure. Cc rsullat curieux s'explique
bien: les coefficients en paquets d'ondelelles lis aux frquences pures sont gaussiens
en raison de la l1uctuation d'amplitude des frquences. Le signal dbruit apparat sur
le panneau infrieur gauche et l'nergie au cours du temps est montre sur le panneau
infrieur droit. en trait plein avant le traitement et en pointill aprs. Plus spectaculaire
que le gain en contraste, l'limination de fausses alarmes (autour par exemple de D,S s)
montre l'intrt du traitement appliqu. Les fausses alarmes taient dues initialement
aux fluctuations violentes des trois frquences pures.

2.3.3. Pour cOllclure


Nous avons tent de montrer ici l'importance de la segmentation du plan tempsfrquence dans le problme de dtection de transitoire. Cette segmentation lire parti
des proprits des paqueL,-; d'ondeleltes. mais surtout est fonde sur l'analyse du problme de dtection. Celle analyse permet en effet de dl1nir un critre de choix de base,
base qui ralise le dcoupage adapt du plan temps-frquence. Ainsi. des connaissances qualitatives sur les signaux transitoires, associes la souplesse des paquets
d'ondelettes, permettent de mettre au point une mthode puissante de dtection.

2.3.4. Bibliographie
fDAU 921 OAUBECI-I!ES I.. Tell LecfII/'csoll Hlm'elcrs. SIAM,1992.
fOUB 971 DUBOISSET-CHAREYREL.. Analyse bispeclrale de signaux rels: applications il la
dtection de transitoires. Thse

dl~

docloraLlNPO, novembre 1997.

[FLA 931 FLANDRIN P., TelllfJs:/i"qucllcc, Herms. Paris, 1993.

IFRI92J FRISCH M., MESSER 1-1.. ( The use of the waveleL transform in the Jetection or an
unknowil transicnL signal l'.IEEE Tra/lslIctiollS ol/IT. vol. 3H. n 2, p. 892-897. mars 1991.
lHTN 90J HINIC!-! l'vI.. '( Detecting il transienl signal by bispeclral analysis )',
tio/lS 0/1 ASSP, vol. 38. n" 7, p. 1277-1283. juillet 1990.

IEI;..~E

Trallsac-

Dtection de non-stationnarits

lm

[KEN 77] KENDALL M .. STUART A., The Admllced Them)' (?!Stati.\tics, DstrilJlltio/J Theo/'.\',
volume 1. C. GriHin. 1977.
lMAL 98J MALLAT S.,A Wm'cler Thil/' (?/,SiRllal ProccssillR. Academic Press, 199H.
[MCC 87] MCCULLAGI-I P., TCllsor Methods i/l Statistics, Monographs on StatisLics and
Applied Probability. Chapman and Hall, 19H7.
[MEY 92] MEYER Y., Les ondelettes. Algorithmcs ct applicatio/ls, Anmmd Colin, Paris, 1992.
[RAY 98a1 RAVIER P., Dtection de transitoires par ondelettes adaptes. Critres d'adaptation
ronds sur les statistiques d'ordre suprieur, Thse de doctoral, INPG, juillet 1998.
lRAY 98b[ RAVIER P., AMI3LARD P.O.,
mdcr statistics for transiCnl dctection

j',

Comhining an auapted wavelet analysis with I"ollrth


Signal Processil/g, vol. 70, p. J 15-128. 1998.

[RAY 01] RAVIER P., Arv18LARD P.O., (( Wavelct rackets l'or detccting transicnt signaIs )',
Signa/ Proces.I'ng, vol. 81. p. 1909-1926. septembre 2001.
lTRE 68] YAN TREE H.L., Detcctio/l, Es/ill/atio/l (/IJ(I Modulalio/l Th(,(J/:\', volume J, John
WiJey and Sons, 1968.
[WIC 94] WICKERI-lAUSER M.Y.. Adapted \l'al'e/Cl Allalysis: From Theor)'
A.K. Pcters, 1994.

10

S(d;\\,are,

2.4. Dtection temps-frquence et rallocation '--1

2A.l.Illtroductioll
Gnralement, on rait correspondre au terme chirp sigllal (ou simplement chirp)
un signal dont l'expression peut s'crire en fonction du temps comme:

12.461
l'amplitude a(t) tant une fonction positive dontl"volution est lente compare aux
oscillations de la phase i.p(/). Nous traduirons ceci simplement (sans entrer dans les
subtilits mathmatiques que prsente une dfinition prcise l.JAF 96, MEY 97]) par
les deux conditions suivantes:
(l)

1o(l) ~i(l)
o

1 1

cp(t)

et

cp"(i) 1

12.471

et" sont les drives premire et seconde, respectivement.

La premire condition garantit que. sur une pseudo-priode (locale)


T( t) = 27r / cp(l). I"amplitude a(l) ne subisse aucune variatiun relative apprciable.
tandis que la seconde condition impose que T( t.) soit ellc-mmc une fonction
4. Section rdige pur Eric CHASSANDE-MoTTINCl Palrick FLANDRIN.

104

Dcision lemps-frquence

Jcnlement varhlble. donnant ainsi un sens il in notion de pseudo-priode. Dfinis


ainsi) les chirps sont destins il servir de modle pour Ics signaux monocolllposantes
moduls la fois en amplitude et en frquence. Leur frquence ( instantane est

alors suppose tre relie aux oscillations" locnles

de la phase.

Tntuitivement. un chrp 'L'(i) est associ une description temps-frquence qui.


s cHe est faite il J'aide d'une reprsentation conjointe (Ja:(tl J) corrcctctnenl dfinie.
devrait exister essentiellement - dans le plan temps-frquence - dans un voisinage

troit autour d'uoe ligne caract~ristique,G. Celle ligne peut alors tre aussi bien inicrprte cormnc une frquence instantane ), (frquence en foncton du temps; ou
dans une perspedive duale - comme un retar e groupe ,; (temps en fonction
de la frtlUcnce). En supposant que ccci soit vrifl, i1 devient natul'c( de proposer un
schma heuristique pour ln dtection cl' un chirp, lms sur la recherche d'une telle ligne
dans la dislribution temps-frquence de l'observaLon r(t), par exemple cn utilisant lu
stratgie- de dtection suivante:
A(r) =

{J"

(1,

n dl

[2,481

et en la comparant fi un seuH choisi ft parUr d"hypothses failes sur Je brut.

.c

Qui plus e.sL dans le cns o la courbe


dpen d'un vecteur de parnmtres
incollnus en introduisant la quantit paramtre suivante:

e.

A(r; e) =

l'

p,.(i.

n dl

[2,491

.lL(O)

e.

ct en regardant son maximum selon


on peut imaginer d'effectuer non seulement
la dtection de ;1:( 1), mais galement l'estimlltion de B, Une telle stdtgie voque
clairement cene des ll'ansfonnutinns de Radon 011 de Hough gnralises.
Au-del de ces considratons heuristiques, le raisonnement qui aboutt l' wili-

saiion de la stratgie propose ci-dessus doit nanmoins tre discut el justfi. Pius
prcisment le chirp dlecter tant fix. il s'agt de rpondre aux questjons sui\'antes :
- Quelle reprsentation I.cfnps-frquence utiliser pour donner un sem; lide de

localisation '!
Comment une dmarche heuristique base sur l'intgration le long d'un chemin
dans le plan temps-fr!IUenCC peut-clic tre rendue optimale selon des critres statistiques prcis?
Aprs avoir rnppci quelques rsullnts importants concernant la dtcdion optimale (2.4.2), nOllS cummencerons la discussion uvee le cas plus shnple des chirps
lH;"ires, pour lesquels les rsulluts sont connus ct tablis depus longtemps (2.4.3).

Dtection d non-slationnarits

105

Ceci nous offrira les lignes directrices pour effectuer la gnralisation des situations
non linaires (2.4.4). Une attention spciale sera porte au cas sp6ciIique des chirps
en (, loi de puissance . cause de leur importance dans le contexte de lu dtectiun des
ondes gravitationnelles. donl nous nOLIs servirons comme exemple HlUSlrulf (1.4.5).
On y verra en particulier commenl les distributions ralJoues sont amenes il jouer
un rle naturel duns Je problme de dcision considr.

2.4.2. Dtectiol1
2.4.2.1. Dtection opliwale
Ln dtection d'lm signal est gnralement formule en un problme de les! hinuire
d'hypothses (voir par exemple [FLA U3, WHA 711):

Hu: 1'(1)

~~

[{: : 1'(1)

= 11(1.) + sU)

n(fj

l2.51
[2.51 J

avec -T/2 ~ t :s: Tl'!. el o 8(t) est le signal de rfrence dtecter (suppos t:onnu
er d'nergie finie sur [-T/:1, Tf2j), n(l) est un bruil additif et rU) eSll'oh!'.ervnlion
disponible avec laquelle la dcisjotl doit tre priRe.
Duns ce cadre, l'obtention d'un dtectur (~ optimal dpend non seulement de
connaissances (l priori que r on pourrait avoir sur le signal Cl le- bruit, mals aussi du
choix dun crtre d'optimalit. Un concept pertinent pour un tel crilre est celui de
( lest du rapport de vraisemblance)} (TRV),
Par ailleurs, nous serons intresss ici au COlS o le signa] suit f'exprc.ssion
;r(t; 8) t'xpi)'. o esl un \'ccteurdc paramtres jnconnus que l'on aimerait
e;;timer cty une phase alatoire, uniformment distribue fiur fD, 2fJ, donl on aimerait
se dbarrasser. Dans cette situation, hl nololl de TRV doit tre tendue ft celle de TRV
gnralis (TRVG).

B(l)

Sous l'hypolh<;e ol le bruit nU) e:-;t gausscn el stationnaire au second ordre


(de densit spectrale r n(f)), le TRVO conduit lu :Slratgic de dteclion suivante
[WHA 711:
A(/": 0)

o l'on

[l

[2.52]

not ~t le conjugu du nombrc complexe X,

La dtection est alors effective lorsque le TRVG dpasse un seuif Hx, On peut
remarquer que le dtecteur TRVG admet une interprtation en termes de <:, nitre
ad<lpt ", Hll concept bas sur l'tde d'lin tlltragc des obscrvallons qui maximh;erai! le

I06

Dcision temps-rrquencc

le con
rupport signal sur b11lil (c' cst-fl-dire

ptitrasle entre les deux hypothses en com

lrTRVG opliterme de phase alatoire, le d~tcciel


tion) en 'sortie du mlre. En raison dt!
elop pe: une
env
son
de
adap t suivi pur le calcul
mal se trOllve con cide r avec un filtre
LWHA 71).
"
ppe
vc]o
ction d'cn

<ldapl avec dte


slmcture que l'on :.lppellc (Hlmge
lln
proposons de donner une rormu)at
nous
C'es t li cette quantit que nous
l(

lemps~

frquence quivalente,

ta cotn, la dtection R"Sl c encore buse sur


A partir de cette stratgie modifie
bhmce) des
(au sens du maximum de vfusem
parason avec un seuil. L'estimation
sm ulta nm enl selo n:
pm:amtrcs peu t alors tre conduite

argtl11L'< o A(r ;

0)

[2,531

ien tiqtl e pour


du signal de rfrence :r( ti 9) soil
condition toutefois que l'n ergi e
toute valeur de (J,
2.4.2,2. Dfectiol1 tl!m(ls-jh;quencc
e repose
cture du TRVG, la dtection optimnl
Ainsi que le met en vid ence la stru
carr d'un produit scari~e com me un module
sur une mesure de corrlation - eomp
peu t tre cxprirne de
ion
lat
rFrence. Cell e corr
laire - entre r observation et une
nt qu'u ne
frquence. Ceci sugg re nnturcHeme
manire quivalente en temps ou en
uit scalaire
pm;sible: celle selon laquelle le prod
lroisme app roch e quivalente soit
ion ct 'une distemps et en frquence par l'uti lisat
pourrait tre cri t con join tem ent en
~< sign atur e ))
le. que l'on peu t penser com me une
tribution lemps-frquence convenub
onnaires.
bien adapte aux signaux non stati

,f) (qui doit


distribution tem ps-f rqu ence fJf (1)
L'id e est don c d'in trod uire une
signaux :1'1(0 et
telle que nous ayons. pour tous
tre ::IU moins quadratique en :r;)
.1.'2 (t), une relation du lype :
[2.54]
lemenl chois.is
nt des produits scalaires cOtwcnub
o (" ,}!. (., .)f el (\.~ '})lf dsigne
respectivement
il ln fois en temps el en frquem:e,
op rant c-n temps, cn frquence Cl
la suite pour
uits scalaires seront dtailles dans
(les dfinitions expUciles de es pmd
prcdentes).
don ner un sens prt'is aux galits
q les
aucune 1'1l1SOn d'-lre vrifie par toute
Une teHe quivalence n'a, bien sfu,
pour
cas
le
pas
p\e.
ratiques. Ceci n'es t. par excm
distributions tcmp.s-rrqucnce quad
c{n}
s!](!
le
ent
mm
auxquelles on peut pCDl"er, nom
'
les plus: simples des dslrbullons
wlU.
ogrm
sca/
le
et
e)
sforme de Fourier cou rl term
gram me (mo dule carr de la tran
ent,
ctem
dire
fi
vri
en ondelettes). Ceci peu t tre
(module carr de la trnnsformc
convenable
je moyen de trouver une disxribw:ion
mais. ceUe al1i.rmatlon (et, avec elle.
juslifie
tre
t
peu
cs)
lrogrammes ct scalogrmnl11
qui dp asse 1c:s limitations des spec

Dtection de non-stntionnmils

107

d'une faon plus intressante en considrant des c1a;;;;;;es gnrales de distributiDns


auxquelles les spectrogrammes et scalogrammes 3J1purticnnellL
La classe de toUles les d,trbullons quadratiques temps-frquence qui sont covariantes aux translations en lemps ct en frquence est appcie c!asw: de CO/len
[COH 95. FLA 98J ct se dfinit par:

12.551
avec:

A,Kr)
et olt

II ('+D

[2.561

T) esl une fonction de- paramtrisation arbitraire telle que

tp(O~

Cl} = L

A lntrictll' de ceHe classe. le sous-ensemble des distributions temps-frquence


lU/imi1'es est particulirement ntressant pour notre problme de Jll,:etion. Il s'agi!
es membres de la clas5e de Cohen qui satisfont la relation sUivante:

1257j
relalion 'Iut? l'on doit rapprocher de l'quation 1.::.541. En parlant de la Jllnition
[2.551, jl est l'acile d'tablir la proprit suivante [JAN 82]: lIne dislriblllion tempsfrquence appartenant il la classe de Cohen est unitaire si Cl seulcIl1cnt si la fom.:tion
de paramtrisulion .:p( . T) est de module unit.

La consquence de ce rsultat est que le spectrogrammc de J'entre Il ne pem pas


tre unitaire puisqu'il eSt bien connu [COH 95. FLA 981 qu'il appartienL li lu class<:
de Cohen avec tp(':;~ T} = Ah(, r). \lne quantit qui ne peut pas tre de module unit
sur le plan {f, r) en enlier. Un rsuHut similuire peul lre tabli pour le scalogramme.
que l'on sait tre un membre de la c!as.;.'c qflim.! [FLA 981. Il apparat donc quc ces
distributions (spectrogrammes el scalognnmnes) ne peuvent II priori servir (h~ hase
ft un dtecleur temps-frquence optimal. bien qu'ils puissent tre mis en tlvanl ce
sujet et que leur utilit ail t prouve pour l'obtention de dtecteurs Hous-optlmaux
lALT 80. INN 96. INN 97. MOR 03]. Des distrihutions optimales au scns de la dtection peuvent tre nanmoins irouves. Nous nous focaliserons sur le cas spcilque
de la dtection e chlrp. Nous renvoyons le kctcur intress par une discussion plus
gnmle sur la dtection temps-frquence optimale [FLA 031 eL aux rfrences auxquelles il rcnyoie,

lOS

Dcision

temrs~frqllencc

2.4.3. DteL'/cr les cltirps linaires


Un chirp est un chil1J lillaire s'il admet une reprsentation du type de l'quation

l2.46] duns laquelle cp(t) eslun polynme quadratique en l:


12.58J
ail n, /3 ct '";1 sont reLs ct n

O.

Un tel signal voit sa frquence vader linairement avec le lemps comme on peut le
vriJer en examinant sa '( .fh!quence imitaI/fOlie }, dlinie par Il' (l) = 21rr;j:(; J, Notons
que cclte interprtation n"est pas toujours valide puisque la dl-inition de la frquence
instantane prsuppose {1uc-Ie signal soit lfno(\'fiql/e {c'est-Il-dire tel (1lle Be{.l'(-)} et
lm{ ",(t)} forment une paire de Hilnertou, de munire quivalente, tel que le spectre de
:r{ I} soit non nui aux frquences positives seulement). ce qui n'eSt pas ncessaremcm
le cas pour un chirp linare aills dfini (unc scussion plus prcise sur les possibilits
d'interprtation de la drive dc la phase du signal analytique en termes de frquence
instantane est donne duns IPIC 97]).
Les conditions scion lesquelles tm chirp linajre est presque analytique peuvent
tre prcises dans quc1ques cas quand une forme explicite est donne il l'amplitude a(t). En particulier, dans le cas importanl d'une amplitude gaussienne. il devient
simple de prouver qu'un chirp Jinairc d' ampllude gaussienne ((--:rM:! devient presque
analytique (c"esl-u-dire s'annule presque pOUf les frquences ngatives) dans la Hmite
bande troite o (0 2 + '2)/S/J'J --" O. Ceci provienul~un cakuJ direct selon lequel:

12.59J
o )((f) est la tmnsform-c de Fourier de :r(t}. Nous obtenons ainsi le rsultat que
la frquence centrale d'un chirp linaire- d'amplitude gausl-;ienne est (3. lundis que sa
largeur de bande e~t proportionnelle ..j + fl:': / J', sous la condition de bande troite.

La dtection temps-frquence optimale des chirps linaires il t considre, la


premire fois, dans lKAY 85J. Il apparat que les chirps lnaires sont intimement ls
1;
au membre de la classe de Cohen associ il la fonction de paramtrisation y(, T)
la di,tribUlion de Wigner-Ville [COH 95, FLA 98J:
12,60]
En efret, quand clle eSl applique au chirp linaire [2,58J avec ,,(1)
bution de Wgncr-Ville [2.60] est parfaitement localise, ce qui s'crit:

= 1. la distri12.61]

Dtection de llOn-statlonnart"

109

Puisque la ronction de rmrmntl'isation de la distribution de \Vigncr- Ville est

y( ~, T)
1. eHe ('Si bien videmment de module unit, ce qui garantit son unitarit.
Dans le cas o :l'l (t) = 1'(1-) 1 I--p T /2,T/:!} (t) (avec 11 (f) la fOl1ction ndicatrcc de l'lno( f.) exp i{;p( 1) - 2r;'"'j), nous obtenons
Icrvalle /) et :t2( t) est un chirp linare ,r::! (t)
en appHqunnt J2,57] (et grce la proprit de conservation de support de la distribution de Wigncr-Ville el ,a compatibilit avec les modulations IeOH 95, FLA 931):
1 (T/2

iLTI' r(t) nU)

01

= {1'!2 {W"" (l, JI


./--'1'1"2 J

1"

Ii(r - ~,;(f))' dt dl

12,621

2"

12.631
On en duit qne la dtection opLmnlc Ult sens du TRVG (clans un bruit blanc
~ ([J': fl) peut tre
ganssien centr) d'un chirp linaire de paramtres inconnus
accomplie en utilisant comme stratge la qunnt suivante. hase SUl' une criture
temps-frquence:

TI,;

JI(J':n,p)

~ f ,- p"(I.,,d+/j)r11
.J~ T/'2

j1MJ

/ !V"U, j'- :;) H',.(I,I;) di;

J1,65J

avec:
[J,

(t, f)

Etant donn le modle du chirp Hnairc [2.58J, l'nergie du sgnal dlecter ne


dpend pas des paramtres inconnus (l' ci {1, ce qui autorise leur cstimalon au sen;:; u
maximum de vraiscmblunce par (, /3) = argmaxo . i1 A(r; Ct. ,8).

2.4.4. Dtecter les dlirps ell loi de puissance


La situation de qum.i-analylicit des chjrps linnires contraste avec celle des chirps
en loi de puissance, qui, eux, sont analytiques par construction. Un chirp est un chirp
CIl loi de pllsswlce (d'indices -r E lR cl k :;:;; 0) s'jJ admet comme reprsentation
IrLjucntiellc:

12,66J
avec 'T!,,(f) = -27f("!" -'. tof
(C, c,tn, l') E IR.'1,

+ -il

si l,:

<

[J,

*,,(/)

-2rrklugf

+ toI + 'y).

Les chrps en loi de puissance l<lnt dfinis il travers leurs transformcR de


Fourier, H est pfu~ naturel e les carnctriser par leur loi e rctanJ de groupe

110

Dcision lemps-frquence

-q,dfl/(27f) = {II + Ck/"-l (quantit duale de la frquence instantane).


Bien que la dfnilion [2,66J puisse s'tendre pour des valeurs positives du paramtre
k. nous nous restreindrons dans la suite au cas k ~ 0, pour lequel le retard de groupe
correspond des hyperboles gnralises dans le plan temps-frquence.

txU) =

Dans le cas des chill)S en loi de puissance, la distribution de Wigner-Ville n'est


plus un bon candidat puisque. bien qu'unitaire, il lui manque la proprit de localisalion qui permet 'obtenir une solution sous la forme d'intgrale de chemin. Dans
le cas particulier des chirps hyperboliques (c'est--dire, k = m, une solution possible a t propose dans lPAP 94] sur la base d'une variante de la distribution de
Wigner-Ville (que l'on appelle la distribution de Alles-Marinovic), obtenue par une
anamorphose (warping operation). Nous ne suivrons pas celte approche ici cause de
deux limitations: d'abord le fait que la stratgie qui en rsulte n'est pas invariante par
les translations en temps (ce qui est un problme si l'origine temporelle du chirp est
inconnue et doit tre estime) et ensuite parce que cette technique dveloppe pour le
cas k = () ne peut pas tre directement tendue des valeurs de k quelconques.
Le cadre que nous proposons plutt d'utiliser est celui des distriblltions tempsfrqllence ((tfines, comme l'ont dvelopp J. ct p, Bertrand [BER 92"[. Ces distributions forment une classe entire de distributions temps-frquence. Mais, en comparaison avec la prcdente classe de Cohen, son introduction exige la covariance des
distributions qu'elle contient, par rapport chacune des extensions li trois paramtres
du groupe affine. Ceci rsulte en la construction d'une famille de distributions paramtres pour laquelle nous adopterons la dfinition suivante [BER 92],
DFINITION

2., 1,- La distribution de Bertrand (d'indice k E ITf.) d'lIll signol analy-

cn est dOlIne par:


p~.. ) (1. n =

thjue X

/2(' +1)-'1 . /

/1,.. ( 11) X

(f~\du)) X

cr "d - li)) Ci2~'f(d,,) du


[2.67[

GI'ec:
[2.GB[

Dalls cette dfinitioll, r et q sont des paramtres rels q/felconques et f-/I,'(U) est
IInefnethm arbitraire, tal1dis que laforllle e.\plile de !a/o11ction de parallltrisatioll

,\du) est.fixe fllIr:


e-" - l )

Adu) = ( /.: C /.,11_1.


si k

f-

F',

l2.69J

0.1. les deux cas sp(/Ilx lIssocis li k = 0 el k = 1 tant dfiJ/is pllr cOJ/linuil

]Jar:

",,(u)

= c---

1- e

Il

[2.71l[

Dtection de non-stationnarits

III

et,'

12.71]
On peut remarquer qu'une distribution de Bertrand est valeurs relles sous la
condition de symtrie hermitienne P,J,;(u) = 1'''( -/1). une condition que nous supposerons satisfaite dans la suite.
Pour ohtenir la formulation temps-frquence pour le dtecteur de chirp en loi dc
puissance, nous aurons besoin de quelques rsultats sur les distributions de Bertrand.
Nous les rsumerons dans les propositions 2.1 2.3 suivantes, dont les preuves
peuvent tre trouves dans [BER 91 J et [BER 92].
Localisation
Etant entendu que la distribution de Wigncr- Ville est naturellement adapte aux
chirps linaires parce que parfaitement localisc, la mme adquation entre les distributions de Bertrand et les chirps en loi de puissance peut tre prouve par la proposition suivante IBER 92].
PROPOSITION 2.1.- QI/ul/d elle est appliql/e

111/ c!Il1) l'Il/ai de pllissalIce /2.66/,


/a distribwioll de Berfrwu! d';,u!ice k /2.67} est p(I1iifelllent localise slIr la courbe
de retard de groupe ix(f) = tn + ckfJ,'-l ef s'crit:

12.721
si el seulement si Infollction de pOlldration arbitmire 1-11,.('/1) est dOl/lie par:

12.731
Unitarit
Lc deuxime ingrdient dont nous aurons bcsoin est l'unitarit, pour lequel cn introduisant des produts scalaircs convcnables sur la dcmi-droite des frquences
positives el sur le dcmi-plan temps-frqucncc associ - nous avons le rsultat suivant [BER 92].
PROPOSITION 2.2.- Vile distribulioll de Bertrand est ullitaire, c'est-ii-dire

1.(=

X(f) YU) J"'11

clfl" J./,-+= p~")


,

(1,

n p,

(!') (I .

.n f2

sati,~/'if:

dl df

,()

12.741
pour tOIfS signaux .Xcn et Y(f), si et seulement si ln fonction de
traire PJ,'('lI) est donne par:
;.1/2

lidu) = (",

(u) (Adu) A", ( -u))

1'+1

POll(/(i ratioll urbi~

[2.75J

111

Dcistol1lemps-rrcqucnce

Unitarit tendue
En corollarc aux propnsi!ions 2, l cl 2.2. les proprits requises de localisation et
d'uniwrit peuvent tre simultanment remplies si et seulement si (d u) = L quation dont la seule solution en l,' est Il
0 (ceci peul tre clairement ~labJj en notant
que nous avons la relation ,\".(11) = e'/ I.:(-o), quel que soit k rBER 92j), A mons
que nous ne voulions considrer seulement le cas des chirps hyperboliques. li semble
que les deux prnpri:!s de localisation et d'unitarit ne pui.'scnt tre combines directement. de manire imiter ce qui li t pralablement fait dans le eas des chirps
ljnaires. l1ne chappatoire esl cependant possible, qui repose sur la proposition suivanle [BER 92J,
PROPOSITION 2,3,- EWn! donn ulle disrribwioll de Bcrlrtllullocalise

(fl'ec k < O. fi existe li/le tlislributioll auxiliaire P,~:>') (-r-,

p'~!')(f, f)

,n caractrise par:

12,76J
ct (elle que:

f /,

pnllr /OIiS signallx .'CUl el

'+'" jS(Ic)(I.!)P(I;)(I,j' rS'idid(

,0

'

}"

1 -

[2,77]

l'Cf).

Ceci nous offre un degr de libert supplmentare dans la mani pu lut ion des distributions de Bertrand, cn assouplissant la contrainie stricte d'unitarit associe une
distribution donne l'ia rintroduction J'une paire de distributions et tlne relation de
dualit qui les lie. Dans le cus spcifique k = - L cette duull est dentiquc celle
voque par A. Unterbergcr(voir [U"NT 84 D, qui a invent les termes d' (( aClive et de
," passive pour distinguer les distributions correspondames. termes que nous reprendrons: pourdcci valeur~ arbitraires de /,: en appelanllu distribution auxiJjairc p"~:'} ((, Ij,
j}

la distribution passF!? associe ft p.~.) (/. /), celte dernire tant qualifie d'actil'!!.
Filtrage
Finalernent. il nous est ncessaire de caraclrscr la disuibution de Bertrand
lDrsque l'on sort de la classe des signaux pour lesquels clic est parfaitcment localise,
Par exemple. quand un signal CSL lllu', la proposition suivante {dont la dmnnstraton
ulilise des rsultats similaires obtl~mlS sut la distribution uctive lB ER 91 j et une criture explicite du lien e dualit qu unit les distributions active ct passive [CHA 99J)
montre que sa djstributinn dl' Bertrand passive est filtre en consquence.

Dtection de tlOlHllatiommrits

PROPOSITION 2.4,- Qualld elle esl applique au produit X

1 J3

(fl = ,IICn J'In,

la

,!istribiltion tic Bertrand pos.',;I'I'C i~_~d U, l) s'crit:

p,,\:k i (l" f)

,f'l+l

p<hi(t
M"

ij,,fi
pU;' \'il, ,.
fl
,)

<lR

[2,78J

avec:
[2,79J
Tous les rsuhms obtcnusjUS{]ll'ici peuvent mainlenant tre combins. ce qui mne
au rsultat central.
PROPOSIT10N 2.5.~ EWl1f dmw le pm/Jlbnc de dtection o le signal :1'(1; On)
dlecter eSl 1111 chirp ell loi de puissonce (2.66] de loi de retard dt: grollpe
= l'il + c()I\~f"-l (l1'(,C les paramtres iucomws On
(tu, co), et o le brUt

"txcn

atM/tif n(t)

C,'it

gaussien. ce1l1r, stationnaire et de delJsil ,'1'J,ectmle de puissunce

rn(J'L la strmgie op/filiale (u/mel la/ommlollon remps-j)-q/u!lice slf;I'(JlIle ,"


A"'(/': {, c) =

r"~ {111(1 + c/,f,-J, j''icl!

12,80J

./n

lH'et:
{JH(t,

f) =

,1'2'l,j'p-"IJJd('1

S"

l') pi/;)
'H ( 8,.1')1
(8

[2,811

d:

12,821

AU)

DmollstntlOlI. Supposons d'abord que {}n = (10' co) est connu, Dans ce cas, il partir

des rsultats de lu proposition 2.1 (localisation) el 2,3 (unitarit tendue). nous obte-

Zen:
dfl" = .j' .Illr~= pl}') (l, n p~'2,{I, f) Fe, dl rlI

llOllS IBER 921 clairement, pour loul signal


1

r+

f,

;. 0

Zff) X,.,;~( f!

!2,831

= CO

/'~= 1"(1')(1
/:
, 'ij").
. ,('J,1."1-' dl'
,[1

[2.841
II s'ensuil que le membre de gauche de l'quation ci-dessuf; s'identifie exacte-

mellt il la stratgie i2S, 1si ZU) = RUI/-P,+lj ;f"Cn cl X

\1': 11 11 1 =

Xr,I,(}').

En consquence. Je membre de droite de la mme quation nous donne une formulation temps-frquence ulternailvc pour le problme de dtection de ehirps en loi de

114

Dcision lemps-frquence

), ceei nous
puissance el, en utilisant les rsultats tablis en proposition 2.4 (Hltmge
et c = Coto
;:::'
t
dire
c'est-tt00'
(J
avec
nonc,
conuit lnalemcnt au rsuhat
stralgic
mme
ln
,
jnconnu
cst
8
tres
param
de
vecteur
0
le
Dans le CU5 plus raliste o
(} = (f. c). Ln
doit tre utilise en remplaant 9 u par lm ensemble de valeurs tests
quand:
dtection est alors effective
l1WX

(, ,cj

A(I';Lc )

[2.85)

>1/

e avec:
ob 11 est un seuil prescrit, tandis que l'estimation de (Jo peut tre conduit

il"

U",;,,) =

ilrgllw xA(r: /., cl

[1.861

(I,e)

gaussien
Selon ce rsuhal, les chirps en loi de puissance noys ans un bruit
chemin
de
alon
peuvent tre dlects de mnire optimale l'ia une stratgie d'intgr
pal' une transdans le plan temps-frquence. LCUL'i paramtrc5i peuvent tre estims
tion bien dHnie.
forme de Radon ou de Hough gnralise. applique une distrihu
,
Une application potentielle de ce rsultat va maintenant tre discute

2.4.5. L'exem ple lies olldes gral'itatiofllwlles


la thorie de
Alors que l'existence des ondc-s gravitationnelles a t prdHe par
n'u t oblenue
la relativit gnrale depuis longtempsj nucunc preuve cxprimenta1e
de dLL"'Cteun;
ction
constru
la
que
rcent
trs
pass
un
depuis
que
jusqu'ic i. Ce n'est
GE0600 pour
(tels le francn~i1alien Virgo, l'amdc aill Ligo eile germano-britannique
directe.
ne citer que les pillS importants) a t lilncc uvec l'object ir d'une mesure
s centaines
Dans son principe, le dtecteur est un interfromtre gant (de plusieur
on locale
diStorsi
la
de
de mtres, voire quelque~ kilomtres) permct tanlla convenon
mouveun
en
ionnelle
'de- l'espace-Lemps cause par le passage d'une onde gravitat
on
distorsi
lclh::
d'une
ment dteC-lable de franges d'interfrences, Purce que les cffet<t
n
obtentio
l'

soumise
est
n
observables sur tene sont ext1'mement raibles, leur dl.Cctio
au
ducs
ons
limitati
les
donn
d'une sensibilit de mesure de j'ordre de 1.O~,}2. Etant
tielle comprise
bruit, ceci devrait tre namnoins possible dans une ~{fentre ) fn!quen
enlrc quelques dizaines ct quelques centaines de hertz.
de radiations
Les seuls phnomnes physiques qui s'accom pagnen t de l'missi on
gnmettent
ct
ysique
astl'Oph
e
d'origin
sDnt
lc
gmvllutionneHes d'ampli tude suf!i"un
tre
peut
ns
situulio
de
varit
grande
One
,
massifs
ralcmcl1l en jeu des objets trs
moins
ou
plus
signal,
de
type
un

ondant
corresp
considre [SCH 89], chacune
de dtection
bien caractris. Parmi les sources les plus prometteuses en termes
de- syscnccs
coa\csc
les
dans
r
d'espoi
p
benucou
met
d'onde!; gn.l\'t'llionnelles, on
ici. En
rerons
consid
nous
que
n
situalio
seule
la
s,
lmes hinnires d'toHes il neutron

Dteclion dl? 1l0lH,latlnnnal'ltcs

115

ce qui concerne la dtection (du point de vue du traitement du signan. la qnestion~cl

est d'obtenir des informations (/ priori sur les strucWres pos. . ibles des l'ormes d'ondes
aHenducs.

2.4.5.1. LIu modle flour!a cmdescellce de flinaires


Une ,( binaire coulescente e:st un systme de deux objets astrophysiques 1TI3Ssirs (par exemple LIes toiles il neutrons ou des trous noirs), Cil rotation l'un autour
de l'autre. Au cours de leur mouvement orbital. de r nergie est myonne sous forme
gravulionnelle. Le systme perdant de r nergie; les deux objets se rapprochent en
faisam augmenter in frquence rotation jusqu' il la coalescence. On comprelld inllli1yement que les binaires coulescenlcs dcvraienl donner nuissun des ondes graviEaHonnelles au comportement pscuuo-prioiqucacclr cl donc [tune structure proche
}j

de celle d'un chirp,


En premire approximation (n\!wtonienne), une forme explicite peul tre donne il
la forme d'onde espre. A un te1111C de phase prs; elle peut tre exprime comme la
partie relle du signal il valeurs complexes 1SA:T 91, THO 871 :

Il.871
o n = 1(1 et /3 = 5/8. Dans ceHe expression. 10 l'Sile temps de coalescence et ri
et il sont des constantes qui dpendent principalement dcx musses individuelles des
objets ct. bien sr. d'autn.'s quantits gomtriques comme la distance de lu binaire ft
la terre ou hien l'orientation relative des front':' d'ondes et du dlecteur, Etanl donn
deux objets de masses individlleHc~"ln l Cl !!/2, cl pour une orientation relative optimale
entre le dtecteur ct la binaire, la forme d' onde ~e trouve en fait compltement caractrise par deux paramtres: ln distance terre-binaire r (que j'on exprmcra en Mpc) clla
({ cllh1J IIU1SS}) lTHO 87j dfinie par Jv[ = /I:lj:)
o III = Hll +nl:; est la (( masse
tota1e}) et Il la masse rduite);. telle que 1!~1
ml! + m::; l, Les constantes cl Cl A

se dduisent de ces deux paramtres par les relations suivantes [MOH 96. SAT 911:
12,881

(:,:11 '
3'-',"

1 1.93 x

10- 21

'"

3,:j

,.

12.89J

La forme d'onde 12.87J peul tre interprte comme un chirp ft condition que l'amct ln phase :pU) = 2Td(fo
f),'1 rcspectcnllcs conclilDlls
[2,47]:

plitude a(i) = (in - t) ..o

(l)
1

0.(1)9(1.)

= _o_lf., - tj-fi 1
2"d;J' ,

el

(i"

1)-"

l [2,9U]

I16

Dcision lemps-frquence

Ce, deux conditions sont redondantes [FIN 93] et n'en font en ralit qu'une il
partir de laquelle on peut dfinir l'intervalle de temps dans lequel le modle [2.87]
peut tre vu comme un chirp. Cet intervalle est dlimit pal':

II}

:jd

[l.91[

olll'instant critjquc

f,~

s'crit avec les valeurs des constantcs dont nous di.sposons:


[2.92]

Duns cet nlervuHc de temps, la forme d'onde [2.871 est un chirp dont 1u frquence
suH (approximativement) rvolution suvanlc:

Sel
( .,(I) = -8I1.I [1 - 1,) .. :;j8

12.931

w"

restreinte par la condition r2.911 it l' nterva11c de frquence caractris par:

12.941
En consquence, les conditions 12.901 sont vrifies condition que [2.941 dfinisse un intervalle d'exlension plus grande que la fenlrc frquentielle d'observation
{c'est-fl-dire que la frquence crHqu fr: A.ol plus grande fjUe la frquence de coupure
haute du dtecteur).
Ayanl fix la frquence de coupure haute du dtecteur il 5UO Hz environ, on vrifie
dans la figure 2.30 la validit de celle condition pour une grande plage de scnarios
observ,-lbtes (c'est--dire quand Hl1 vmie entre 1i'[i~) et 20111('" el quand TH::: = k U/1,
avec l :::;;; h' :::;;; 10).
De plus, on peut obtenir ln tran,sforme de Fourier du signal gravitationnel danA.la
hande frquentielle utile. Le calcul du spectre de Fourier de [2.871 revienl valncr
"l'ntgrale oscillante:

[2.95 J
avec (lU) = A ,-~l.\ el Ii{t) = -'2;r(dt JJ fl), ce qui peUL tre ralis par une approximatioo de phase stationnaire [CHA 98, CHA 991.

Il suit que r2,95! concide exactemenl avec un chirp en loi de puissance [2.66]. L'approximation prcif>e Ics indices de l'enveloppe et de la phase
,. = (0 .... iJ!2)i(.r3 _. 1) ct /.: = {JIU3 - 11, le dcalage dc pha,e", = 7r
le taux de
modulatIon:

rI..

[2.96]

Dtection de nnn-~tmionnarl'i

117

el l' amplilude:

Il.971
Outre la forme proprement dite de l'approximation. on trouvera dans [CHA 981
1es conditions pour quc celle-ci soit vaUde. L'~valuation de phase sW.tionnaire s'apparenle. pour chaque frquence, un dveloppemenl de Taylor dont le rsultat de
J'approximation seralIc premier lerme. On peul obtenir tCHA 981 une bonne valuation du rcS{c intgral de ce dveloppement. Le donUline de validit est alors ohtenu
pm" une majoration du reste ainsi valu. ce qui revient alors il fixer une erreur relative
maximale dc l'approximation.
Deux remarques peuvent tre fatcs il ce point Premirement, alors que les
,. conditions de chirp >; 1::2:.47] sont couramment prsentes de manire heuristique
eomme validant J'approximation de phase stationnaire (voir par exemple [FIN 931,
[SAT 91] ou IDEL 92]), la validit de l'approximation de phase stationnaire s' avre
en fait contrle par un critre lnalemelll plus compli,]u (voir [CHA 981 pour la
forme gnmle que prend ce critre).

DeuximemenL si l'on applique cc critre au cas des ondes gravitationnelles, on

obtient que. pour une erreur rchllve d'approximation au plus gale fi:r (Yc" la frquence
doit tre borne par:
[2.98]
cc qui csl en accord avec les conditions (de chirp) qualitatives en [2.94], Les critres exact et heurislique :mnt donc (l jJosleriori de mme nature. mais le rsultat de
[CHA 98J apporle la possibilit supplmenlaire d'un contrle quantitatif de J'approxi,
mation.
Lu figure 2.30, qui prs.ente un exemple typique d'une forme d'onde, illustre l'ef-

ficacit de l'approximation de phase :-;hJtionnaire,


2,4,5,2. Un dtecteur lempsJrquellce silllp/~/i
A slrktement parler, le dtecleur lemps-frquence optimal r2,80J ncessite le calcul d\lI1c version filtre (cn temps) de la distribution de Bertrand de l'observation, ce
qui est en pratique djflcilc il mettre en uvre il cause d'un cot de calcul imporlnnL
Pour aboulr une solulion pratiquement cxp)oimble. il est oblgatoirc de considrer
une description lemps-rrquence plus simple (malS toujours prcise) lu place de ln
fonclion exacte f'u(f,.il donne en 12.81]. Alors qu'une simplijicnlion ne semble pas
possible duns le cas gnraL il apparat qu'clle peut tre efrectue dans le cas spcfique des ondes gravitationnelles, grce aux valeurs des paramtres physiques qui sont
impliqus.

118

Dcision temps-frquence

Temps (s)

o
-10

f5

-20
-30

b)

..j
-40-l---~~~~=:;::;;:~_~~-~~"~_rr_~~~ _":~.,... HP
l
!O
I()U
Frquence

() "t"" ---"y-~-.~ .. ,.

()

cl

4 6
Masse 1 (en masses: solaires)

gradwlmmellcs. Le
Figure 2.30. \-'afidiuJ rIe f'appmxi llutfJ;! de phase SIatOf1l1aire des IHUh'S
par il/le bt'!wire
imi,w'
Oili/ellc
gral'itati
l'omit'
dt'
!1
SiglUll (a) rcpr:wHrt: le II/odle I/ClI'(OIlC
de 200 !Hp,. Le
dis/wICL'
uni!
i
sirl/fJe
itH
j()
cr
_
l1h
1
de
objets
deux
de
coa!escentc compos{c
df' p!Jase staoIolI
SOli appmxim
speclre de cc rigll/d (bJ {ligJtf' plcint!) ~'S( bim approch par
01/ \'l'rtjie (cj
YS/.
{2.
crifrc
le
jJar
e) t!O/l. fa fllage dc ji'qlnc c (~JiJ1ie

tiolllwirc (ligne pOnrille


lclk lfobsCI1'!uirm {fixe par lesJhf~
que ('elfe tJ!Jl'roxi ma/ioll Ji1/lcrmlle dOJls la bwulc fi'iJquem
varit Je couples de l/UtSSCS (tri),
111/('
!JOlIr
r)
dteCfclf
dli
ha,I'sL'
CI
Iwltfc
fjucllces de ('()l1jJftre
1,1111,
l j)L, et iOJ.\I,::, d Ill;;
m f10sslhlcs pOlir les ahjefs de la binaire (ml l'lIrie Cmf;]

(ll'ee 1

~ ~: ~

10t lAI ligne poiwil!L;c (place arbitrnirclI1CIII

500 l-I;:;) dsiglle 10 frquence

approche pOlir fa mUt/irc de


de cm'lml't! lUf/ffIJ dll dll'CfCW: ce (Jlli perme! d'ai'olr mU! bome

l' lIpjlJ,-xfiJUtuioJ!,

Dtection de IlOfH,trti.ionnarits

119

De Bertrand filtr" Bertrand, Approximation bande troite

En effet, s nous revenons [2.81 J. nOlis pouvons Cr1re d'une faon quivalente:

r2r+I-',! (,

\ l'pIV)"
R t-, J')

1- li!

dl

[2,991

avec:
12,1001
et:
Il.101 J

A cause de~ limitations aux basses frqucncs (bruit sismique; et aux hautes frquences {bruit de photons). la largeur effecl!vc d'observation est ncessairement res~ f :( f+ (avee comme valeurs
treinte ft un imerval1c en frquence pa~sc-bande
typiques, que l'on pourrait raisonnablement choisIr, J- ~ 50Hz el f+ ~ 500Hz).
Cccl a pour consquence que le speclre de Fourier:

/ P}t\(f, Jj,,-i2rr l dl,


}'"'+l'I (,\,.(u)Ar.-(-u) ,0-1 R(JA,Ju)) R(J;,(-u))

12.102]

est non nul seulemenl dans la bande:

1011'
'h

12.1031

f-

A l'intrieur de la bande de frquence dlinie ci-dessus. on peut considrer


(voir par exemple IINN 96, INN 971) que la densit spectrale de puissance [,,(l)
du bruit d'observation n(t) varie. cn moyenne, conlnmcnl el sc comporh:: 5 en
r" (I) = cr" f-c, uvee, '" 1. En supp<",ml donc que:
12,104]

JlU) =

pour f-,

"f" h.

nous obtenons de 12,100] gue:


(,\" ('11 )/\{" ( -11)) ,-MI:!/'+- 'J)

Ii(a) =

[1.105]
(d'II)

5, Notons que ceci n'est qu'une premire approximation et que, uans le cas de;" dtecteurs rels.
des raffinements doivent tre fa~ sur la bi.!sC de modles plus raliss..

120

Dcision

Icmp;.;~frqllCnce

pour IlIj ~ 1Li-' Dans le cas des binaires coalesccnlcs (It = -5/3.
hruH en ,; I/I ' j (i = l}' ccci sC rduit alors :

l'

l/G) el d'un

[2.106J
quanlt approximativement gale 1 dans la hande consdre.
La tnmsforlllallon rsultant de rapplicullon du pr facteur en h(H) dans [:::.99]
lasse donc inchange la dis.tribution de Bcrlmnd r~'} (l, f), ce que r on illustre Ilgure
2.3] en comparant celte transformation j'lment neutre de la convolmion dans l'espace des fondions dlinics sur un intervalle limit en Il.

Quand r approximation ci-dessus es! valide, ceci conduit alors il un dtecteur semblable il f2.80], mais avec la simplification:

[2.1071

Figure 2.31. QI/mul /a b,jJjde IHlssimle du .!lecTeur CSl limire, ln j,metion Je//1pS frquel1ce if
wili.w;r pi'1fl {jire bien approchc par Hile (1I~'\lributinll de Ber/ralld tl L'(lIldilfrm ql/e la fOJlc/ioll
(T') b( /1), d~{i!lic Cil Il.106/, agisse comme 1Wmcn! fU.'Hfrc de la conrol1ffioll dans respace tif
.fiN/crion il slipport born C!I lf. La mlidir de cene approximati(lf! est iIluxrrc ici eil mO/Hm/if
dmH le diagnJII/J/w tlu !tall1 (1.ih(u) (lif!.l1C p!cine) ct /a jimcfm indicatrice de {'inu'l'I'ulle Cil
Il associe la bande de FqIICIU.'f" 50/1:: - :150/1: (ligne poil/tille), ci eil ('ollljwym/t da/l,<, l
diflgramm(! dl/ bas lcnrs rraff.'lomu!(;x de f'()j{rii'l:

Dlection de non-stationnarits

121

De Bertrand au spcctrognnnme raHou, Approxhmllon il fort rapport signal sur hruil


En partant de cette strtH.:lure simplifie, le problme fluul est de trouvcr une
approximation prcise el fadle meUre cn uvre de la dislribution de Bertrand

pK\L

f). Puisque la caractrstiquc-('h~ de cetle distribulion est sa localisation parfaite [2.721 sur les chjrps ( adapts i), la solution que nOlis proposonscsl de la remplaccrpul' un specfmgl'Umme rc!alloH IAUG 95. AUG. paratre, BAR 96J S~:(L f) qui.
lorsllu'il est appliqu au mme chirp cn loi e puissancc. se comporte approximaiivement en:

tdf))

[2.108J

L"c:llicadt de ccHe approximation est illustre en figure 2.32.

En comparant [2.72] et 12.1 08!, nous sommes condults ri choisir q = 2,.


qui donne la forme iinale du dtccteur optimal npproch :

L ce

Dans le cus spcifique des binaires coalt::sl'cntcs. nous prfrerons paramtrer le


signal il dlecter r aide de son temps de coalescence f cl de sa ,( chirp maS$ ;) rduite
)y[s- Avec les constantes correctes. nous obtcilons nnniement < un l'acteur d"amplitude prs}:
[2.110]
avec:
[2.111]

2.4.5.3. Une illustratiol1


Pour illustrer 1"cfficacit de J'approche propose. nous prsemom: en figure 2.33
deux exemples diffrellts bass sur une des situations typiques discutes dans [INN 96.
INN 97]. Dans ces elJX exemples. on suppose gue la binairL' est constitue de dcux
objets de 1 ;,11(.) el Hll1[,~j (lemps: de coalescence fix f 0). La binaire est loca]se
il une distance de 200ivlpc de la terre dans le premier exemple et ri 1 Gpe- dans le
deuxime exemple, La simulaiion a t l'aile en altranlles donnes parun bruit additif
gaussien. avec f = 1 el 0- 2 = 0,7 j( 10~1!2 sur une plage de frquence de 50 Hz
- 500 Hz. La stratgie propose, ba:-.e sur le spcclrognunme rallou, n'atteint pas
la performance idale prdite par la thorie du liltre adapt. il cause de la prcision
limite des diffrentcs approxmations impHques P{)Uf son obtention (en particulier,
la nature bande limite du signal impliquc que la distribution de BClirand ne peul

122

Dcision temps-frquence
500

500

340 0

400

:;;300

,8':: 100
Temps {SI
500

500

2l 400

~ 400

300
g
v

g 300

[20n

95
f20 0

100

\0\)-1

'-=< '== ::::: ;:=- --..- '


{lA

c)

<J)

Tem ps (s)

1 dOffn Hile
les O!ulex gn1l'iuf!imwcllc.'i: [;;U1/1
li ln = Oi,
Fw!
llee
'SCe
cou/L
de
/Ille binai coatesCCi1le (tempo;
onde gmv ilt/tio llncl lc (;/II;;;e par
qllt' fJOS'
lise
loca
i
ollss
.wh
'dIe
qlJ
J,y-frqtttmct! If ililajJlr!e h
cal1di(m ff11el1d d'lIll f' dislr ilm!i rll/ !L'mf
inns
in.:.s dislri{Jul
ll/Ulliee. Cctw.ligltrc comp(jn' certa
('/1
sibft> sur la li;':I!f.' de JhFt/IIt'IICC insu
Hlle
obte
csl
re
que 1'011 d/i,'Ji
:. il es! com w que 10 {/{striJJ/f/ioll
ot'alg
doles. DII poin f de l'lie 11/oriqw.
oli
(aJ,
('fi
lr
iUlJS
ccd est
lmlld ((cla pltic (l,: ;=:: -5( J):
It',
(l'1lI'
WfliS Wlf la distnmtimt de BCr
en
re
meU

le
simp
I,
nt/()I
. Une bOl/lie appfJsim
rithme <Icrit dans JGON f.)(jJ {{ fL' ulflis
tI\'cc ccHes o};w~
(bl. CCI' delLt' SillU lfioll s COll imst elll
muf
n!al!.
'
mH!t
{fogm
SjJt'C
{'~t dO/ln e par le
J1IIII//lC (d).
lcr~ViUc (C) cf le SPCC()<)f?
Il//cs par la distrilmlloll de Wig/

lfl/f!!lCe
Figu re .2.32. Disf ribw iofls lC1!l(Js-uh

f}{l!1 f

figure met en
retard de grou pe). Cep end ant. celte
tre localise le long de la hgn e de
lle prsenle
qu'c
cl
p
chir
du
n
lairc lnen t la dte ctio
vi ente que cette strnigic pcn llclc
f:.tite sur te
in
chem
de
ion
gral
nt
es d'un c sim ple
des pct'fornnances qui dpassent cell
spcc trog ram me slnndnrd.
ement supla (, chir p muss )) Jv{;~ a t Implicit
Dans l'exemp1e de la lIgure 2.33.
que Jv(c;;
ose
supp
l'on
Si
.
n cas vrai en pratique
pose con nue , cc qui n'es t cn aucu
dente
prc
la
er
liqu
app

s
stique cons iste alor
est inco nnu e. une stra tgi e pins ~oph
chanr
pou
re
ssai
nce
que
tgr aies de chernin
en para Hle en valuant autm1t d'in
urs,
vale
de
able
onn
rais
le
urs de JvC:1 sur un interval
tillonner con ven able mcn lles vale
lou
ral
me
ram
trog
spec
le
r
n de celt e sira lgi c pou
La figure 2.34 montre l'np plic atio
n-cstlmaliou
ectivement. Ce proh lm e de d~teclio
resp
.
dard
ct le spec trog ram me stan

Dtection de nonst'lltOnnarL,ss

123

conjointe permet donc galemcnt unc cstimnlon de J\{";,. Il doit lrc not que. lorsque
l'on parcourt le:; valeurs lests de J\[(:~. l'nergie du signai de rlcrencc cst modiiic.
La sorlk de chaque: dtecteur dOl done tre divsc pnr LIn facleur proportionnel au
module carr de l'mnplilude du signai de rfrence (qui varie en J\'r:~::l) pOlir pouvoir
comparer les rsultats de faon cohrente.

-0.2
a}

-lUS

-0,1

-o,OS

ReLard sl

0,05

hl

Retard IS)

Figure 2.33. Di'fCctm d'ooc mule gml'ilafiolllwlh'. Ceflcjiglfl'(, iJllIsfre 1\1ficacit d'Illie di'c~
lion tefllps-frjl/ClIce optimale d'uue onde grm'italionl/clle issue d'wU! hinarc (kll/!'S de ('Oii
ll!scencc 1 = 01 compose de del/x ol?;Cfs de j ;l,h. el JO :L; /fliC disumcc dc ]00 M,IlC d(l/IS
le ms (li) c{ J Cpc dans le ms (h). Puisquc la diswnce i!l1lrc fa binaire el ft.! ICFft' c!umgf' sim"
M

plement romplifUrle du xignal, le mppon signal sur !m!it es! Il' SC1I1 fUIfI1lJli'flt' qili esr lJIodUit:
l'II/re ces deu.y exemples, ClUlt{lIC graphique mill/HIlL' le mudule earri df! l'cuvdoflllC dit signa!
Cil srm/e du filin' adap! (mt mLHe) O\'('e WU! srm,ugic rempsJrqlfcilce base sur IIl1e fml!p,rtlfioll de chemin sur 1(' spectrogramme clossiqllc (tmit pointill} ct sa n:rsimr ralloue ({mir
fllein). Pour.Ftire aJ'paraim: claireU!t:!lf Cc qui cS! gagn Cil {('l'mUJ d" {(l/lf,,;SfC, le maxiillum
de ciWCWlC de cey COI/J'ha (1 <'te orhitmire!llellf lIormalis l'unit.

2.4.6. COllclusion
L'ohjeclir de celle section tait de combiner dcs lments emprunts ~l la thorie
de la dtecon optimale et l'analyse temps-frquence pour irater le problme e la
dteclion temps-frquence optimale de chirps, Nous cn avons extrail un cadre gnral dans Jcquel nou>; montrons que les stratgies intuitivs de dlecton de chirps par
deR intgrations le long de chemins dans le phm temps-frquence revtcotla proprit
d'optimalit sous plusieurs conditons. la plus importante d'entre elles tant l'ulilisa~
lion d'une distribution telnps~fr{:4Hent:e unitaire, il la lucalisation pw:tite sur la loi de
frquence instanlane (ou de retard de groupe) u :.ignal il dtecter, Cette dstribution
est gnralement dincile calculer numriquemenL Nous suggrons de la remplacer
par une approximatioll il raide d'une distribution ralloue simple mettre en uvre

tl..J-

Dcbion lemp;;-frqucnce

1.5
1

0,5

II

Chirp
ma~s

Temps (5)

al

1.:;
1
0.5

hl

-0.8

Temps ts)

Dm/.\ le nu o le
Figure 2.34. DICclio/l-eslimation coujullu c d'lfllL' ondu !{nH'fWrimmclle.
(similair es li
chemin
de
u!IS
if/fgrati
N
eV! ir/CO/IfIII, dWnm!e
p(Jrail!('II~' de " cl;irp /lUiSS ))
) dOI\'cnt
lJucJlcc
fcmFs~/i"
cOllrbes
de
riOmhrc
n:rWn
w!
SHr
celles ,fi:1iics cn .figure 2.33, lIIais

ral/ou e (/1}. Ccci rslIltl.! en


tre ,'mlut'es , ici :iftr le ,\lJt!crrogramme x/wulard I{IJ ct sa l'crshm

Jll1e!!c (quand il dpasse


llne ....miace dom le maximul II permet 1(1 dJrcctiorl de l'onde gral'itario
ci de lu (,_ cldr!, Ir/as,\' ,)
nce
coo/esce
de
U!mps
du
fois
JIll smt prescrit j el !'estimO fiol/ la
m de lu rt'allo(.'( ltioll
'wifism
L
:s).
polfillt
lignes
tics
par
s
indiqwic
(les ni/cars rel/t'fi son!
illlll1U lIe nil'cUlI
SOIlfJUn
wufion : l/olablcmcJtl f 'acuit dll pic ,le dtection {}r le contraste' entre

du bruir.

d'un moyen syst(comme le spectro gramme ou le scalgrammc-). On dispose alors


chirp, A cc titre,
cie
e
0lnilllo;
quasi
malique pour obtenir des slralgi es de dtectio n
entes) est un
coalcsc
binaires
les
l'exemp le des ondes gravtationnelles (mises par

Dtcction de non-s!aliollnarts

125

caS d'importance particuli\'!fe cl la pos5ibHit de leur dtection temps-frquence H t


discute avec une certaine attention. Les condilionl'i d'une filralgic quas optimale de
dteclion ont t t:(ablies, Ccci met par ailleurs ulle nouvelle fois cn videncc, dans
un .::xemplc prcis, que la mthode de ral1ocmion peut prendre part il une chane de
lraitement du signal dans un but diffrent de celui de l'analyse, La question est main~
tenanl de discuter plus avant ce qUl peul tre rellement gagn par une telle approche
en termes de l1cxibiHt et de robuslesse.

2.4.7. Bibliographie
lALT 801 ALTES R,A., DetL!Cllol1, estimation and dl.lssiilcntion wil!) spcclrograms
(:f lhe Acotl.wicol Sociery ofAmr:rica. vol. 67. n" 4, p. 1:;;3J-1146, 19S0.

>;,

.fourllol

[AUG 95j AUGER E, FLA>JDRL\i P. (, Improvlng the rCl)ahility or limc-fn:qucny und lImeSCi.lk fcprescntmiotl~ by the rcassignntenl I1lcthod >t_ IEEE TratlSilcIrJfjS on Signal Processing. vol. SP-43. ne, 5. p. 1068-1089. 1995.

IAUG, il pumrc!

AUGER

E.

FLA>4DRIN P., CIIASSANDl~-Mornr-;

dans HhlWMsch E, Auger F.. Ovarlez l.P, (dr,},


m~. Paris, partrc,

E., " La rallocatioo

TeJllps~/h1'fllellc(,: cOllcclns ('f OUlUS,

p.

Her-

[BAR 96] BARBAHOSSA S. LE~WINE 0" Analysi!'. of nunlillcal' F~vl "ignals hy pattern
recognition of t!icir !imc-frequcncy reprcFcntlltion H, IEEE .'lgnat P/'ncessing LCflCI:\'.
vol, SPL-3, 11 4, p. J J2-115, 1996.

[BER 91) BElnRAND J., BERTRAND P.. '-< Somc pl'ac!kl.\1 aspects or lhe affine limc-fre~lucncy
diSTributions. >', dans Actes dtl fr{'iz~lI1c colloque GRETSI, p. :25-28, Jl1an-Ics~Pins. France.
1991.

rUER 921 BEIHjL\ND .1., BERTRAND Po. <, A duss of affine \\ligner distribmions with extemled
covariance propcrtie" 1>, Juurnal oIMarIwlI1otiml Physic.\', vnl. 33, net 7, p. 2515-1517. J 992.
p" ,< On the siatonary phase approxil1la~
dans PmcL'cdillgs (d fit!' IEEE ll1tL'mmi()}/(/j 5)'lIIposiwJ/ 011 TimcFrequel/C)' aJld Tillle-Smir: Allolysi::. p. 117-120. Pittsburgh. ! 998.

[CHA 98]

CHASSA~DE-MoTTlN E., FLA~DR1:-i

lion of chirp spcclra

h.

[CHA 991 CHASSANIJE-MoTTIN E., FLANDR!l\ p" 00 the timc-frcqucncy dcteclion of


chirps ~', Aplll. Comp. Harm. Auo/., vol. 6, n 9, p.152~28!, 1999.
rCOH 951 COI'IEN Loo

Time~Frcqllellcy

Aua/ysis. Prelllicc Hall. Eng!cwood:-. Cliffs iNcw ,fer-

scy), t995.

[DEL 921

DELPRAT

N..

B., GUILLEMATI' Po.

ESCUD!E

KRONLAND-MART1:-lET

IL

TCHArvllTCHlt\N P., TORRSANI il .. Asynip[otic wuvdel and Gabor :ttwlysis: Extrac-

lion of il1stanlrmcous frcqucl1cks


n" 2. p, 6+1-673, 1992,

fFIN 93J

r:ll'ir~

L.S .. CllERNOFF D.E,

IEEE Trell/,mc/io!i.\

011

btf'rmuoticm

l1u:m~\.',

vnl. lT-3l-l.

Oh,,,crving binary inspi.11 in gravilalinal raiatiun:

One n!crferolllcler ;), Phy:dcal Rel':1l' 0, vol. 47, n" 6. p, 2198-1219. 1993.
[FLA 931 FLANDRiN E, 7bJjps~frifucnce, H>!mls., Paris, deuxime dilcUIl. !998.

1::6

Dcision temps-frquence

[FLA 031 FLANDRIN P., (( 1mps-frquencc ct dcision- une inlroduction ". dam; Doncarli
C.. Martin N. (dir.~, Dcision fcmps:li'tfql/L'Uci.', Herms. Paris. 2003 (te volume).
p" BARANTUK R.G., ,; A psclldo~Berlr;,mu distribution l'or time-scale
amllysis ", IEEE Signol PmceHing V'flers, vol, SPL~3, [{' 3, p. 82~84. 1996.

[001'\ 96J GONALVS

[(Nf',; 96J INNOCENT 1.M .. TORRI~SANI B., A muhiresolu!ion slrategy fordclccting gravHulio~
IIul waves gellcrated hy hinary coalescence, Rapport technique CPT96JPJ379, CPT-CNRS,
rvlar:.eillc. 1996.
IINN 971 INNOCENT J.J\I .. TOHRSANI IL Wavdets ,md binary cualcsccncc" dcteclion ".
Appl. Cmlfp. flaff", ;l1U/L vol..f, n" 2. p. 113-116. 1997.
PAF 961 ,lAFFARD 5., MEYER y" iltn"f'let II/l'lhodsjf)r poilltl1'isc }"cgIJ/aJ'y und local oxci/larOfI5: I~OimctioIlJ" Memoirs f?/flw 11111('}"ic(I// MflflrcmariU/{ Socfcry. vol. 1:23, n" 587. 1996.

llAN 821 JANSSEN A.1E.fvL ., On the locus and spread of pseudo-dcn:-.iIY


limc-I'rcqucm:y plane , PIIi!ips J Res., voL 37. n'-' 3, p. 7\t-l10. 1982.

runtion~

Iii Ihe

P(AY:-;5J KA)' S,M,. BOl:DJAUX-BARTELS G.F" " Ou the opLimnlity of lhc Wigner dis[ri~
hLHion for de(CCLon ". dans Pmn'cdill:;s ,4'thc IEEE !mc/lilfiuTW! Ctil~/(,llce OH ACO!lSlics,
Spec{'h. (//u! S(iplfIl Pmcessing. p. HH 7 ~ \010. Tampa, ! 9S5.
fMEY 971 MEYER Y.. Xu 1-1.. ,( Wuvekt <lllHlyss and chirps
vol. 4, n".cL p. 366-J79. 1t}t)7,

H.

Appl. Camp. HUlu. AI/rd.,

1!'v10H 9(;! MOI-!/\NT)'

S.D . DH URANDHt\R S.Y.. ,( Hierarchieal scarch Slnllcgy for the dctcction or gravitatlonal wavc'I frum coalcscing binarle:-; ;', Physical Rel'ell' D. vol. 54. nf} l:!,
p. 7 !OX~712S, 19t},
Time~scalc approach l'nI' chirp d!cction >l,
In/enliaioua! .Journal of mJ\'e!ers. MlIltin:.\o{ulioft and h~ronJJ(I,i()1J Pmc('!Js!;IK. voL 1. J{' 1.
p. J9-'+9. ::m03,

[MOR 03] MORDIVONE M., TOHRESANl B .. "

[PAP 941 P,\P'\~DI()U A., KAY S.M" BOUDREAtlX-I3ARTEL.s (l,F.. u The use ofhyperbolic
time-frcquellcy n.!pn:.'scntatons for optimum detel'lion and parametcr estimation or hypcr~
hollc chirps uan" Pmt'e{'dings (!f/he IEEl:.'lnmarmll! ,S)"mposilfm 011 Time~FrcqfJt:lliy
and nU/l'-Scofc Ana/ysis. p. 369-.171. Philadelphie, \994.
j"

[PTC 971

PIC!:-1BONO

B.. " On in:;tanlanelIs amplitude and pllasi? of signal'l ", IEEE 1'imsac

lions 01/ Siglwl Pracl'.\sirrg. \'01. SP-45. n" 3.}1. 552~560, 1997.

1Sl\T 911 SATHYAP!(A KASlI B.S., DHU RA~l)lI AR D.V., .{ Chnice nI' Illtcn; for lC detcetion of

gravilational waves [mm coalescing hinnrics

\>.

Ph.vsicall?el'iel\' D, voL 44, n'" 11, p. 3819

383-4:, 1991.
[SCH 891 SCIII.;TZ B.F.." Gmvlntionnl w,lve ~oun:es and tllcr dcteUlblity 1', Clt,ssca! and
QU(I}/fum Grat'if.\". voL 6. p. 1761~1780, [989.

ITHO 81'1

TI-IOI~NE

1<.S., " Gravil<llional radiation l'. dans Hawking S,W. ISRAEL W. (diL),
:UO~458. Cambrige UniverSity Prc~s. 1987,

30ft l'ho:\' t!fGral'itaIOll. jJ.

[UNT 841

tJ~TER13ERGER

A .. The calcuills ofpx-cudndiffcremial opcrmors of Fuchs type ;".


voL 9, p. I! 79- 1136. 1984.

CmmJJlIIIcmjolls on Partial DUfcrcm/a! Equations,

[WHA 7 Il

WHALEN

AD .. f)etcctiml of SignaIs

I!

Noise, AL'adclliic Press. San Diego. 1971.

Chapitre 3

Dte ction par reprsentations


temps-frquence di scrtes

3.1. Positio n du problm e


Parce qu'elles foumitisenl une caractrisation spedral e locale ncccssu
irclt J'analyse des sjgnuux non stationnuires. les reprsentation:s lemps-frquenc
e (RTF) jouent
un rJe Condamcnwl en traitement du signal. Parmi les nombreuse!'
solutions proposes il ce jour, ja distribution de Wrgner-Ville est souvenl privilg
ie cn raison
des nombreuses proprits qu'ell vrHh.', parmi lesquelles on compte
[lUf exempl e
celIes relative:; ses distributioll!' marginales d il son support [FLA
98]. Cette dii>lribution constitue g.alement Ulle sofutIon intressante pour la rsoluli
on de problmes
de dtedlo n par RTF. principalement en raison de sa covarinncc par rapport
aux tmnslutions dam; le phm temps-frquence el de iOll untarit 'fiLA 88. SAY
95J.
Afm d'impl menter la dislrihution de Wigner-Ville sur un calculat
eur, il est
ncessaire 'en donner une dlinition pour laquelle je:; valiables /('fIIllS
ctfrqlli 'I1Ce
prennent des valeurs discrtes. De nombrcus.es approches ont t propos
es ann de
rsoudre cc problme non trlvuL Gnralement, la djstrihution de Wigner
-VHle dis~
crte eHt cOflsdre sous la [orme suivante, dite classique dans lu suite
Je ce chapilr e:
.N -1

IFj'IUl!
.rH 1 I/J'il.'~
._. L ,1_'[1'T
r=)

Chnpitrc rdig piU' Ci!rc RICHAR D.

T J' fi '[1

- ,~l1

13.11

[28

Decision

lemps~rrqucn

avec t cl If Je temps el la frtlUCI1CC normalise, il valeurs discrtes dans l'ensemble


{O, "" N ] }. Cette dfinition prsente toulefois certains inconvnients, l'un des principaux tant de ne foumr qu'une reprsentation spectrale locale de la bande normaHse [- +~ J, Par rappon flla distribution de \Vigncr- Vilie variables continues. la perle
de certaines propri-ls fondmncnlules telles que l"untariL est galement dplorer.
Rcemment des effons importunLIJ. dcrits dans [COS 01.1 ont t ports ufln de dvelopper une distribution de Wigner-Ville discrte aulorisuni une analyse de la lowHt
de la bande de frquence normalise
~. ~]. Dans fRICH 981 Richman el al. onl
fait appel la thorie des groupes, La distribution de Wjgner~ Ville iscrte rsuhant
de leur tude vrifie des proprl6; analogues ft cenes satisfajtes par l'on homologue
variables continues, En notant JV le nombre d'chantillons des signaux analyss el en
ulilisant la notation (0 Lv pour a modulo N, die est dfine ainsi:

N~l.v-lS-1

L L L'I's['/,7J
:,,[(1' + TNJy'[1'J

[3.2]

oit t et f/ sont des lments de {O. ,. ,N 1}. Il est no1er que la fonclon 4iJ\' mentionne ci-dessus, don! l'expression figure ans lRICH 98]. dpend de ln pari l d N.
Dans lONE 99a, ONE 99b j, les auleurs onl privilgi une approche axiomati{1ue. Leur
dmarche m(!ne la conclusion que Ja istribul10n de Wigner- Ville iscr~te n' exisle
que pour les signaux dont le nombre 'chamillons lV est impair et que, dans ce cas,
clIc est di10ie par /3.21. Enfin. pmm les nombreux travaux sur Je sujet. on petit encore
citer ceux de Pcyrin et Pro~t, qui ont tudi le phnomne de replicmcnl inhrent leur
procd de discrtisation [PEY 861. ainsj que ceux de Stankovi, qui prsentent une
di'tribution reposunt sur la transforme de Fourier l' court terme 1STA 94, STA 011.

Les mthodes lemps-frquence, cl en particulcr la distribution de Wigner~ Ville,


onl souvenl t associes il des structures dcisionnelles en vertu du point de vue intrcssant qu'clles offrent sur les signaux non stationnaires, Ce [ype d'approche couvre
des domaines nus si varis que l'acoustique IDAV 001. l'astrophysique ICHA 981 le
bioml5dical tR1C 981 ou cncore les radars lLEM 951. Durant la dernire dcennie, une
lhorie l'illr la iecLon optimale par reprsentation temps-frquence a l d\'elop~
pe. En particulier. Flandrin a caractris des scnarios de dteclion pOUf lesquels
des structures de dtection opnmt dans Je plan temps-frquence revtent un caractre oplimal [FLA 88 j. Pius rcemment, Sayeed el Jones ont pr;cnl des dtecteurs
temps-frquence optimaux pour la dtcclion de sgniJux alatoires du second ordre
en prsence de bruit gaussen. avec pour parmntres de nuisam:e j"instant d"arrive et
la frquence initiale e l'vnement dlecter [SAY 95]. Enlln. Matz. et Hlnwatsch
onl propos une simplification dl' ces SlruClUJ'CS afin d'en racilih::r lmplmentation
[MAT 98]. Dans le cadre de tous ccs travaux. il convient de noter que Je temps et la rl'quence sont t:onsidrs comme des vmiabJes continues:, Il en resulle que les dtecteurs

Dtction pM rcprscnt:ltlons temps-frquence discrte;;.

129

propos s ncessH ent d'tre pralab lemcntd iscrtis s avant de pouvoir


tre implm ents sur un calculal eur. Cette opmtio n peut toutefoi s tre lourde de
consqu ences, les
procdu res de di.o;crtisation de~ RTF tant mulliple s et pouvan
t s'accom pagner de
la perle de propri ts nporwl1tes. comme cela vient d'tre voqu
Jans le cas de la
distrihu tion de Wigner - ViIIe.
Le prsent chapitre est consacr J'tude des dteclC'urs oprant sur
la dislribu ton
de Wjgncr - Vme discrte" rI li pour objectif de donner quelque s repres
(Juant au choix
d'une dHnition pour ceUe dislribu lion dans un context e dcision
neL Ne pouvan t tre
consacr e l'lude de r en~ell1bIe des solmon s qui ont t propos
es. la disclIs;:;in
qui sui( u t voiontarL:iHCIH limite Il lu dfinition classique [3. j j et
la disiribu tion
f3.2J rcemm ent propose e par Rchma n et al.. ces dernire s offrant une vision reprsentative des problm es qui peuven t tre rencont rs. Aussi, nous
ahordon s dans lin
premh::r temps le sujet du poinl de Vue de la dreClioTl ri slmCfUr
e lihre, par Je biais
du problm e de dtectio n acadm ique cOlll\ldr clUllS fFLA 88].
Nous ludion s alors
l'existen ce de solution s temps-f rquenc e reposan t sur rune ou
l'uutre des di&tributions de \Vigner- Ville discrte s consid res. Puis, nous nous consacr
ons au thme de
la dtectiol1 il sfructnre impose pur RTF A ceHe occaso n. nous discuton
s du choix de
la dllnitio n i 3.1] ou [3.2 J qui pourrai t garantir les meilleu res perform
ances en dlectian, en ayan! l'esprit les effets nfastes induits par le phnom
ne de maldictioll
fit' la tlimensiOl17Jalit, Ceci nous conduit tlnalem cnt il compl ter cc chapilrc
par une
tude de fa redonda nce informu tionnell e de la distribu tion clas~iqu
e 13.1 J. Pour davantage de dU1it~ sur les thmes dvelop ps ici, le lecteur intress eSl
invil il consult er
[RIC 01, RIe ma, RIC 02b].

3.2. Dtecti on il structu re lihre pm' distribu tions de Wigner -Ville


Dans celte section. nous montro ns que Ja dfinitio n adopte pour la
distribu tion de
Wigner- Ville discrte Ci un impact importa nt sur Jcs perform ances de ln structur
e de
dtectio n il Iut]ueHe elle est 'associe. Le problm e de dtectio n slectio
nn pour cela

s'exprim e ainsi:

:l'It!

1/

[1.]

'l'[t] = n[1) + s[t]

[3.31

nvec t, E {O, ''', jV - J}, o J' dsigne une ob$erva tion discrte ct ,
le signaJ dteclcL
cOI1;;',idr comme gaussie n, de moyenn e m el de covariu nce RI;' Le
b1'1lH Il duos lequel
est noy cc demie!" esl suppos blanc, gaussie n. cenlr et de variance
(T:2 ,
Le problm e r3.3] possde une solution dans le plan tcmps-rrque-n
cc. dont on
trouvera une de;\criptnn compl re ans 1PLA 881. Cette dernr
c a t propos e en
CDllsidnuH le temps et la frquen ce comme deR vmiabic s comillues.
Nou~ nous proposons de le trailer ici d.ms le cas discret. Soit 1) une base orthono
rme de vecteur s

j 30

Dcision lcmps-frt{uence

propres de JI". On dsigne par Ok le k-ime lment de 13 el paf Al.- la valeur propre de
I{i qui luj est associe, Le problme 13.3 j .admel une KolUlion classique dans la base
'.B quj s'cxprime ainsi:
[3.4]
nil

j'rI

dsgne un seuil donn cl:


1 .v -!
;:;:2
c--"--cc 1,1: [kW
o=o
i\'~l
1

I:

[3.5J

I: -;---~" Re(,"!kJ Ji,' [k]}

[3,61

1,:"",0

avec:
:\'-1

N--1

I:c[ij

,[I,]

1=0

[(.nl:I,J =

I: m[ljy..[t.J

[3.7]

i=O

On peut constater quc cc rsultat est quva1cnl celui obtenu dans le cas continu
1FLA 88J. hormis le rait que 13,7J y esl remplac par une dcomposition de K"rhul1el1'
Lovc de J' ct 111 sur une base de fonctons propres de R.:;, Cette <;militude pellt trc
prolonge en r\.!chel'chani une formulation temps-frquence de 1a rgle de dcision
13.41. En "doplallllllle dmarche analogue celle qui est prscnle d"ns IFLA 88], on
esl ainsi amen constater que les expressons:

An

AD =

13.81
2

l39J

fasnnt intervenir lu dislribution de Wigner-Ville discrte, note fFl~f!/ pour dsigner


les dfinitions [3.11 el/Oll [3,2J. sonl ~llivalcnlcs il 13.51 Cl [3.6J" condition que la loi
de conservation du produit scalaire qui suit soi! satisfaite:

Dtection par reprsentations Icmps-frcqucnce discrtes

131

Si une relation quivalente 13.10j exi;;te bel el bien dans le cas continu, la validit
de cette proplit dpend en re\'anche, dans Je cas discreL de la dfinition aurihue il
la distribution de Wigner-Ville. On dmontre asment que la distribution de Rid1l11a!1
et al. assure la conservation du produit scalajre IRiCH 981 cl garantit en consquence
l'optimalit de ln rgIe de dcision combinant 13.81 el f3,9]. A eela s'ajoute sa proprit de covariance par rapport aux lranslations dans le plan lempsfrcquenc, qui
facilite ln plisc en considration de l'inStant d'arrive et de la fl'qucnce initia1e de
l'vnernent il dtecter en termes de par:.untrcs de nU<';::!nce ISAY 95J. En revanche.
III dstribution classique ne vrille pas la loi de conservation 13. Un l..:oplimalH du
dtccteur temps-frquence considr jusqu'ici 11 'est donc plus assure dans ces condlons.l1 apparat ain."j clairement que l'optimalit d'une rgle de dcision lahlc sur la
base de la distribution de Wigner-Ville continue n"cst pas ganmlie lorsqu'on la lmnspo~C' au cas des signaux discrets san~ prcautions pralables, ce qul1ustre ]a figure
3.1. Il s'avre donc indispensable ' tuC-r pralablement les proprits de la distribution de Wigner-Ville discrte adopte, la dfillition classique lant souvent mOJllS
intressante de ce point de vue que edit: de Richrnan Cf al., si l'on s'en tient ces
deux distributions. Le lecteur intress- par le cas e la distribution discrte pmpose
par Stankovi [STA 94. STA 01] e,t invit il consulter [RIC 01a[,
JOIl,----::::J~""'-.-;.-.-;.,

""<o
~

0./------:::----:---:-----,-----1

Taux de rausses :llarmcs

I()O

Figure 3.1. Df('clion d"IIN sigllal aJllOire j.?fllIssiell 110)'(..' dO/ls IIIJ hrlli( MOl/c, J,'tJHS.\'1I Cf
ccn/n;, Som ici cmilfltm!es les cOl1rhes COR [les dr'c/eufs du typu 13.8!~[3.Ql o/Jmm silr les
tlisrribmions c/w;siquc {'I de Ric/mll/II Ct al. EI/ mll/plllum!' les pel1tJrlmmn:s de ('PUe mme
SfmClUre de du:ctm ojJhymt ('l'rtL' fo sur /0 istribut;o/l de \Vigner- Fille discn"le pmposcc
fJa/'Sfilll/.;()l'h~

{STA Y-l, STA 01/.1'0/11 g{llclllcnf illdJlIles. A tifre dc reflre, les

indiqmmr les

pCIj(mll(f!!CCS du dtcclelll' de Bayes.

3.3. Dtection structure impose flar distributions de Wigner-Ville


L'laborulon d'un dtecteur oplimal ncessite I~t connnssancc des proprits stalistiques de l'chantillon, condonnellement chacune des hypOlhscs en

132

Dcision temps-frquence

sorl d'un cadre


comptition. Celles-ci tant gnral ement inaccessibles lorsque 1"on
leur subamen
lllent
couram
thorique tel que celui qui vient cl' tre dress, on est
nes
phnom
des
e
expertis
'une
stituer un autre type d'inform ation (/ prion', Lorsqu
ou
un
es
lesquell
pour
s
donne
des
lIir
observ s est disponi ble, il peut tre a.r.; de recuci
appel
es,
tiquet
donnes
de
le
ensemb
plusieurs eXpcrL'i ont fourni un tiquetage. Cel
rgle de dcih(/.\'c d'apprel1tissage, peut tre utilis des fins d'labo ration d'une
consiste
timale,
sous-op
ins
nanmo
eable,
sion. Pour cc faire, une dmarc he envisag
e de
structur
la
e
dans
her
recherc
2)
puis
e.
1) slectio nner une classe de dtecteurs
la
de
ion
estimat
qu'une
tel
donn
ance
dtection qui minimise un critre de perform
dtecla
fI
propre
vue
de
point
ce
adopter
probabilil d'erreur . Nous allons pr;ent
ntes raisons
tio/1 li stmell/H ! illlpnse dans le contexte temps-f rquenc e. Pour d'vide
s oprant
linaire
rs
dtecteu
des
e
classe
la

pratiques, la discussion qui suit est limite


forme:
la
de
re
est-fI-di
c'
,
sur une distribution de Wigner- Ville discrte
[3.11]

tre dterDans cette expression, les Alt, Il] et '(l dsigne nt les paramtres devant
le d'apensemb
un
cas
notre
dans
ble,
disponi
prim-;
(/
mins partir de l'inform alion
nt pris
largeme
t
a
n
dtectio
de
e
structur
de
prentissage. Il est noter que ce type
r
dtecteu
au
confre
qu'il
parce
t
alemen
princip
,
en consid ration dans la li ltrature
accrue_
tabilit
quadratique classique une interpr

la structure
Afin de discuter du choix de l'Fl'~L~,5';) ou 1FF!~)~1') qui pourrai t garantir
classes de
les
er
compar
allons
nous
ances.
perform
de dtection 13.11] les meilleures
que l'on
R),
e(
et
C)
e(
vement
respecti
notes
s,
dtecteurs tcmps-f rquenc e 1inaire
temps,
premier
un
dans
allons,
nous
cela,
Pour
cas.
peut gnrer dans chacun de ces
tions
distribu
deux
ces
que
ation
l'inform
de
linaire
nous intresser la rcdonda nce
un
dans
tement
compor
leur
riser
caract
pour
vhiculent. Ce rsultat sera alors utilis
de
ne
phnom
au
t
confron
trouve
se
l'on
lorsque
contexte dcisionne 1, en particul ier
maldiction de la dimcllsionnalit.
3.3.1. ES/Jaces linaires, espaces illdllit~' et bases

H"VI\~) peut
La redonda nce linaire prsente dans les reprsentations l,yVI~;:) et
l'espace qu'elles
tre mise en videnc e, si clic existe. en montra nt que la dimension de
tude, il s'avre
cette
Pour
antes.
compos
leurs
de
nombre
au
re
engend rent est inlrieu
nous allons prancessaire de dfinir un cadre algbrique appropri. En consqu ence,
ent la notion
lableme nt prsent er quelque s rappels d'algb re linaire et dfinir brivem
d'espac e linaire induit.
s'il vrifie ln
Un espace signal S est dit linaire sur le corps des complexes C
un couple de
(Cl:;3)
ct
S
de
proprit suivant e: quels quc soient. r et 11 des lmenls

Dtection par reprsentations temps-frquence discrtes

133

scalaires complexes, l'lment dflni par (0':[' -1- ,C1y) appartient galement S. Soit
{,<;(J un sous-ensemble non vide de S. On dt qu'il constitue une base de S si les Hq
sont linairement indpendants et s'ils engendrent S. La dimension de cet espace est
alors donne par le cardinal de la base {8 q }. Il est 110ter que celte demire est dite
orthonorme si <8(/ 18(1' > = {l(N!' oi:! <Hf/ 1 H(}' > dsigne le produit scalaire de Hq el
8q' donn par El sq[i] H~! ri_l, et 6qql le symbole de Kronecker. Tout lment .r de S
peut alors tre reprsent par:r = E q n(/ H(/, avec 0'(/ = <.r 1 H(/>. Dans le cadre de
cc chapitre, sauf s'il est rait mention du contraire. nous supposerons que S dsigne
l'espace linaire sur IC des signaux complexes de longueur JV, c'est-ii-dire eN.
Soil w() l'application associant l-I--VS) ii tout couple (.r~,IJ) de signaux complexes.
On dsigne par WC) lmage de w l '), soit:

13.121
On remarque que i--\7(') n'est pas un espace linaire puisque taule combinaison
linaire de distributions de Wigner-Ville discrtes n'est pas ncessairement Ulle distribution de Wigner-Ville discrte valide. N'tant donc pas autoris parler de bases et
de dimension pour i!\?{'), on lui associe l'espace linaire regroupant toutes les combinaisons linaires de distributions de Wigner- Ville discrtes sur e, que l'on note c).
Ce dernier est appel espace linaire induit [HLA 92J. La dimension de 1A,7(") est videmment donne par le cardinal de toute base de cet espace linaire el le produit
scalaire y est dHni ainsi:

iv

N-1

<lVV,I;) 1 WV,l;;" > =

I: WV,l;)lt, 1/] [n'V,l;;"lt.,'I]'

l3.131

1.1'=0

L'objectif de la section suivante est d'exhiber des bases pour 1A.7( C) et 11\)( R) ann
d'valuer la dimension de ces espaces, el ventuellement de meUre en vidence la
redondance informationnelle des lments qui les constituent.
3.3.2. Comparaisoll de.,.. approches

Aprs ces brefs rappels J'algbre linaire, nous disposons prsent de tous les
lments de thorie ncessaires il la comparaison des classes de dtecteurs tempsfrquence linaires dfinies prcdemment, savoir e(C) ct e(R). Pour ce raire. nOLIs
allons exhiber une base pour chacun des espaces linaires induits 1!\7(C) et il\){R) correspondants afin d'en dterminer la dimension.
On note Lllo l'impulsion unit dnnie par Ll/o[t:] = 1 si 1 = t.(), ri sinon. Par
construction, la distribution de Richman et nI. peut tre rcrite ainsi:
,"-1
IR ) - ' . [ (
Wv
'J. '[t]HTlT!)
;vy ~ L 1 .f -1- -)
1 j\" lJ
-..3.U!'l,\,D.1

13.141

134

Dcision lemps-frquence

t qu' il s'agit
ce qui nous fournit une famille gnrat rice p()lJrW(H), On montre aismen
en fnt d'une base orthono rme puis<]ue:

\3.151
oit du' dsigne le symbol e e Krol1ecker.l1 o;'ensu que:

[3.16]
t indpen dantes.
ce qui signiJk que Jes N'2 compos antes H'V,~!~n li, li] sonllin aircmcn
l'on pose
lorsque
c
modili
rien
Aprs avoir constat qlle celte dmons tration n'est en
-ViIlc
\Vignr
de
on
istributi
l'auLod

:L' = .'J, on note que ce rsulLat pem tre tendu


classe
la
dsigne
eUi}
OLI
Q,
~
eU!')
discrte [R1C 01b]. Ceci entrane directem ent que
de Richmfin et nI.,
des dtecteu rs tcmps-rr~quence linaire s op~ral1l sur la distribu tion
aInsi:
et Q la classe des dtecteu rs quadrat iques dfin.~
fi,

13.17]

'" (0
:ritl QI!. T].1"'I7] lio

a pour
11 est noter qlle la matrice q mention ne ci-dessu s est hermiti enne. ce qui

n,
consqu ence d'assur er Je caractr e rel de la sln:listiquc dc dtectio

le but d'exIntress ons-nou s il prs~tlt il la distribu ton classiqu e iFVI~1;"'), Dans


procdo ns
nous
e,
associ
est
lui
qui
induit
hiber une famille gnrat rice de l'espace
:
suivant
pement
dvelop
le
comme prce mment en consid rant

13.18J

Tl appartiennent
o dsigne l'ensem ble des paires (l, T) Iclles que (! + T) cl (1que:
alors
montre
conjoin tement 11 {n .... ,!.V ""- I}. Un calcul lmen taire

j3.19J
nne de ~{(Cj. A
cc qui signllic que la famille pm pose conslu e llnc base nrthono
hl~. En combin ant
prsent, valuon s-en le cardimll alin d'obten ir la imcnsol1 rcchL."fc
.- r :::; ! ~ t si
() ~ t + 7' ~ ]\T - ] ct 0 ~ 1 - T :t;: iV ~ 1, nous obtenon s
reprsen te la
ct - (LV - 1 - 1) ~ r ~ (lV - f) - 1) sinoH. o
li ~ , ~
escomp t:
partie entire de N;- 1 Ces ngnJits fourniss ent directem ent le rsu}["

,'\;'1
dilll(IV iCi ) =

I.:

:\'-1

I.:

+ 1] .;i=!

[2(N
j-l- !

1) +Ii

[3.201

Dtection par reprscntatons temps-frquence discrtes

135

soit encore que la dimension de iR(C) est gale l N~;!-1 Parce cJuc cctte valeur
est strictement infrieure- au nombre
de comp(lsmt~s constllUanl la reprsentation considre, nous en dduisons que l'nformalion qu'elle vhicuie est linairement redondante IRlC 011, Il en rsulte linalcment que la classe fC') est incluse dans
la classe e(H;, En d'autres termes, ceUe dernire propose un plus large ventail de
solutions et est thoriquement toujours mme de fournir un dtecteur au mOins aussi
performant que toute structure de dtecton issue Je la famille etC),

J,

3.3.3.1I~flltellCe

de la malclictioll tle la tlimcllsimlllulit

Comme nous r avons voqu pn?cdemmenL diverses sUlllgies peuvent tre adoptes pour la rsolution d'un problme de dlecton, scJn la nature de lnrormatiol1 li
priori laquelle on a accs. Dans le cadre de ceHe section, on suppose disposer d'une
base d'apprentissage pour pouvoir ajuS:lcr les paramtres caractristiques d'une structure de dtection pralablement slectionne. Lorsque l'on adopte tlne [CHe dmarche,
il est hien connu que les performance;>; des dtecleurs obtenus sont conditionnes par
l'adqualion existant entre la compJexit de ceux-ci et lu laille de la base d'apprentissage. comme lHnstre la IlgufC 3,2, Ainsi. les rcepteurs dots d'un nombre de
degrs de libert trop imporlant auront un rubk pouvoir de gnralisation. Dans le
cas contraire. ces demerl'i seront incupahles d'intgrer la tOlUlit c l'information discriminante prsente dans l'ensemble d'upprentil'sage. Entre CC& extrmes, il existe une
complexit optimale pOUf laquelle la probabilit d'erreur du dtecteur est minimale.
CE' comportement de la probabilit d'erreur, que l'on qualifie souv~nt de !l1n!rliclion de la diw(!flSOllfwlit, a t formellement identill pur Vapnik et Chervonenkis
rVAP Il. Pour ce faire, ces aulcurs ont t amens dfinir la complc:xit d'une structure de dtection au moyen d 'une quamit appele dimension de V((flflik~Chen'011el1kis,
ou encore \le-dimensioll, Ce paramtre, ici not lI, peul lre utilis ponr estimer la
prohahl d'erreur d"une structure de dleC!jon d pm intervalle dc conHance. Ainsi.
J'ingalit suivante cst sutisJltite uvec une prnbablt gale ft {1 - E) :

!Pe{ri) - P""",(d.Jl,u! 0;; l'{J1l. V()

[3.211

o e(111 1 V., (:) dsigne la largeur de l'intervalle de conluncc:

,.

U.111
\ , E)
.. =

1V

\1-

l
,j\[.

......

2J1J \

+ Irl"'oV
........_) - -10"J\J
h~

[3.221

Dans les expressions figurant ci-dessus, j'lM dsigne un ensemble d'apprentissage constitu de 111 individus, P",(d) repr!-iCIlLe la probabilit d'erreur de ri et
PCPlp(d,A1U) correspond il une estimation de celle-ci reposant sur AM. Le cardinal
il! de l'ensemble d"apprentissage tant gnmlementlh. il s"avre souvent ncessaire de contrler sojgneusemcnlla VC-dimcnsion des structures de dtection slectionnes ailn de contenir tes effets nfastes de la maldiction de la dimcnsonn<Jlit sur
les performances.

136

Dcision temps-frquence

Complextt.! du dtecteur

Figure 3.2.

IIlllsrrato/J d/l cOlI/porlelllent de f(J pro})ahilir d'ent!ur

Pc ef rie la prohahilit

d '1/11 dleocur Cil jbm:l)l1 de i3I! COIII!,!t:Tile, Il est li lwwr (litC P"m'l')
ql/ CO/ISI/Ilft' 1/1)(' estimatoll de PL hase slfr les t!owu!cs d'appremissoge. est IJgalt!1i!('l1f appele

d'errel/r empirique
e/Tel/!'

P"lIIjl

d'(Jl'prcflIissagr:,

Gnralement i'cl'ltlmaton de la VC-dimension associe il. une famille de dtecleurs constitue une tche difficile. On retiendra toutefois que F = L + 1 dans le cas de~
structures de dtection linaires. o L reprsente la dimension de l'espace engendr
par les dnnne,~ d'apprentissage r DEV 96] ou par leU!' RTF si les dtecteurs considrs
oprenl dans le domaine lemps-frquence. A partir des qualions [3.16] el [3.20]. on
obtlent alors directement quc- F( fi') = N 2 + l dans le cas des dtecteurs linajre;; operant sur la distribulion de Richmlln et al.. tundis que FiC) = l(N"+ 1 )/2J + 1 lorsque
cc mme type de struclure est associ li ln distribution dite classique. On conslale donc
que V{H)
V(c:, ce qui signifie que les dtecteur;.; de la classe fi) sont davantage
sujets au phnomne de maldiction de la dimensionnalt. Les lments de thorie
proposs jusqu" prsent ont toujours plaid en ravcur de la distrbution de Richmun
et al. En pratique, rorce est de constater que lu confrontation des dasses etH) et etC)
peut cependant tourner a l'avantage de lu dernire, ct -cela malgr la perte d'information statistique rsultant de l'usage de la distribution classique.

el

Au moyen de simulations, nOUs allons prsent mettre en vidence cc phl1o~


mne. qui csl d'mitant plus manifeste quc l'ensemble d'apprentissage Csl de faible
cardnalit. Le problme considr est celui de la dtection du signal B[l] C'::-;.p(,jQ(J),
1 E lO, ... , 15}. noy dans nll bruit blanc additifn[t]. le mpporl signal/bruil tant fix
-0 dB. Plus prcisment, le signai sl!] cst suppos dterministe el ("JO dsigne une
variable alatoire uniformment distrihue sur J'intervalle I~, ii{. Le bruit blanc nit]
est caractris par la loi fil ~ (1 - iJ) N(O. cr:!) + 'f! N(Q, ]{2a 2 ) avec TI = 0,5 el
!\- = {), o N{O, rr 2 ) dligne la loi normale de moyenne nulle ct de variance a:.!. Dans
un prernicr temps. des dtccteur~ tcmps-frquence lin.aires opran! sur les deu;.;; distributions de Wigncr~Vi11e discrtes considres ont t labors suivant l'algrithme
prsenl dalJs [RTC 99]. il partir d'un ensemble d' apprentissage constitu de 11000
individus. La comparaison des performances des solutions ohtenues. illustre par la
figurl'
est conforme aux lments de thorie prsents au paragntphc 33.2: e{m

DlCl'ton par reprsentation!' temps-frquence discrtes


est toujours en mesure de fournir une solution

<lU

moins aussi performante que

137
e(C).

il condilion gue les effets de lu maldietion de la dimensionnalit demeurent ngligeables, Dans un second temps, l'exprience a t fcnouvl avec une base d'apprentissage coni<'ttue de 100 indivdus. La i1gurc 3.4 montre que le dtecteur linaire
associ il ta distribution de Richman Cl al. prsente de moins bonnes performances gue
celui oprant sur ln dislribution dnssiqtlc, bien que e(C! c e rFi ), Comme cela a t
longuement dcrit prcdemmcnt.1e phnomne de 11l<lldiction e la dimcnsiollnalit
justifie ce surprenant rsultat.
100

.",

::g"

Rkhw..\!H\

fi

ul.

"=
=
oC

"

"
"
f-

."

0
()

Taux de fau!->scs alannc-!'

1no

Figure 3.3. COl/rhes COR mrmrmm que le dtecteur de IlfFuJ/ii/c


plus rwrlor!lumt (IIIC celui issu de e('), Ces sfruc!JIres de dtection mil u:
symhtises Jllfnir d"UlI(, [HW! d'npl'l"emis,mge r(JfV;fi!lft'e d[' 11000 iudil'idwl'
CS!

3.4. Distribution de Wigner- Ville discrte classique et redondnncc


Au cours de~ dvcloppements prcdents, nous avons l amens dmonlrer que
la dimension de l'espace induit par la distribution classique est egaIe fi l (.N'2 + 1)/2Jl
N dsigne le nombre d'ch:mtillons des signaux nnnly.ss. La t:omparuison de ceHe
valeur au nombre i\T'2 de composantes c la reprsentalion considre nous enseigne
que l'inrormalon vhicule pm celle-ci es1 linairement redondante, L'objet de ccUe
scction est d'tudier cette caractristique. puis de (' illustrer dans un conlexte dcisionneL
Afin d'allger le texte, IF\
SCt'a dornavanl not \-FVI'Y lorsqu'il s'agit de
dsigner la distribution uc \Vigncr-Ville discrte classique. II en csl de mme pOUf
tOlites ]es notations se rapportant fi cclle-ci. qui St' voicnt appliquer une modification
quivalente, Lu dimension de l'espace induit pur la distribution de Rkhman Cl 0(, tant
gale Il
,cette d('rnirc n'est pas conccm\.!e par la proprit etudie ici. TOUl risque
Je conrtl:~inn des notations L'st donc cart.

138

Dcision lemps-frquence

100'--::::::::::::=~==~---1
-

Classique

RiChlllilll11i'{a/,

0+----------------1

Taux de fausses alarmes

100

Figure 3.4.lllustratioll dll phllomne de maldictioll de I(J dimclIsimlllalir. Le d/cctcur l'ml'e/WIII de la dusse C(H) prselllC de /IIoillS hO/III es pc/formal/ec.I' qlle cellli issu de etC) bien
q/le etC) c etH). Ccs sfruCTllrcs de dtecTion o/lf t symhlise.Y !wrtr d'ulle !Jase d'apprentissage C{J/Istilllc de 200 i/lllil'idlls.

3.4.1. Familles gnratrices


Nous avons tabli que des relations linaires connectent les composanles
/1] de la distribution classique. Ceci signillc qu'il existe des fumilles L de
lieux temps-frquence telles que, quels que soient ;z: ct li E Cl\', la simple connaissance des composanles regroupes dans gr.. ~ {HTVt'y [t, 1/] : (t,1/) E [,} permet de
reconstruire la totalit de la reprsentation lrVry. L'objectif de cette section est de
caractriser ces familles .c ainsi que les fonctions de reconstruction associes, dont on
rappelle qu'elles sont linaires. Il convient de noter que les rsultats obtenus dpendent
entirement de l'espace signal S considr, ici eN.
lFVc!l[f~

On dsigne par Rn' [t. , Tl = :r[t + Tl !l'[I. - Tl la fonction de corrlation locale.


Le support des signaux analyss tant {O, "', N - 1}, nous avons R;ryU: Tl = 0 pour
ITI > iVI, , avec NI = (, si
~ t :( l N;-l J et .NI- = IV - f: - 1. sinon. Dans ces
conditions, la dfinition r3.1J de la disttibutiol1 considre peut se rcrire sous la
forme suivante:

[3.23J
On peut aisment vrifier qu'il n'existe pas de relations linaires liant les chantillons R".y[t. Tl quels que soient "'.!I E eN. Avec la dlinition 13.23]. ceei implique
que la redondance informationnelle recherche se traduit ncessairement par des relations linaires entre les composantes l'FVI:!J[t, 1/) associes un mme instant t, pour
chaque t = CI, .... N - 1.

Dtection par reprsentations temps-frquence discrtes

l39

Soit 1- E {O, ... , IV - 1} un instant donn, et P, la matrice dfinie par les composantes suivantes:
6
(2)",,(T-N,))
P,!/.T=exp
( . )
N

13.241

avec T E {Cl. "', '2Nt } et Il E {Cl, .... 1V - 1}. En utilisant ces notations, la distribution de Wigner-Ville discrte classique peut s'crire sous la forme matricielle
lFFry [i, :] = PI R:ry [1: :]. l'instant f. dcrivant l'ensemble {O, ... , N - 1}, avec:

Il,,,[!..:[ '" (1i',,,[I, -N,] 11,,,[1. -Nf

+ 1]

... 1I,,,[t. Nf - 1]11,,,[1, N,Il T

n'v,,,,[!.,:] '" (IV V,,, [1 , O]IFV",,[!., 1] ... lYV,,,[I, N - 2]ln;,,,[I, N - 1])1'


En adoptant la mme approche que celle dcrite au paragraphe 3.3.2, on peuL aisment dmontrer que la famille suivante:

constitue une basc de l'espace linaire induit par les vecteurs R:!"!f[t, :]. :r et y tant
des lments de eN. L'valuation de son cardinal nous mne il la conclusion que
la dimension de l'espace induit considr est 2JV, -1- 1. De [ait. il s'agit galement
de la dimension de l'espace induit par les lFli~"!I[t,:], ces derniers tant obtenus par
transforme de Fourier des R:l"!lU, :]. En consquence. les familles'c' de lieux lempsfrquence remarquables qu'i! nous faut caractriser doivent ncessairement comporter
2Nf + 1 couples (t, fi) pour chaque instant 1 de {(J, .... N - l).
Soit.c , ~ {(t, /10), ... : (t. /l'2J.V t )] un ensemble constitu cIe '2jV t + 1 lieux
temps-frquence distincts, supposs candidats pour une appartenance il .c. Le
vecteur fFl/~r!l[I.::] peut tre partitionn selon deux vecteurs H'Vl"!I,.c.[I,:] ct
lYli~/"!I,.c. [t. :], de sorle que H~Vr!l.t. [t-,:] regroupe les composantes dsignes par Li.
En rordonnant si ncessaire les lignes de lFVry[l, :]. R./"!I[l,:] et P,. la relation
lFVl"y[f, :] = P iR./"y [l, :] peut tre rcrite sous la forme:

d :1) (Pl.iC) 1l.",II,:]

1l.C 1.C
.,." . l .
( 1\ l ,,,.tli ,:1
c

13.251

Pu:

Dans l'expression ci-dessus, Pt,.c. dsigne la sous-matrice de P { vriJlant


WV''J.dl. :] = PucR.", [I.l c' estc"cdirc:

('2 ir.,~,~lNI )
(-:xp ('2ii7;;/ NI)

exp

P1 ..c. =
exp ( 2;"",.'
. N'

N,)

140

Dcision temps-frquence

On rappelle que les vecteurs R.L"HiL:] induisent un espace linaire de dimension


+ 1.11 nc peut en tre de mme pour l'espace induit par les vecteurs l'l"-Vry,!.. ft t:]
que s ct seulement si la matrice Pu: est non singulire. Afin d'exhiber les possibles
contraintes que cette non-singularit Impose sur L'f_ Vluons donc le dtennnarH de
Pt CeluI-ci peUl s;crjre sous la forme suivante:
2J\'(

!.!N,

1'(I/(J, '''' ",,,,,)

exp (

avec:
l

On constate que \/(1/0' ... , ]2:\1) est un dtSterminan( de Vandermonde dont lu valeur
est donne par:

Puisque

1/i

~ 1//,'

pour i

fo

k. il en rsulte que V (r,rf) , ."', V2'vi)

i:

0 el donc que

IP t,.e ,: ~ O. En consquence. les veclcurs \-VVT,y.L [i,:J jnduiscill un espace de dimension 2J'l, -~ l, quelle que soit la constitution de la famille Lt. En d'autres tennes, toute
reprsentation li FFry peut tre retrouve en totalit ft partir de la simple connaissance,
pour ehmille instant {, E {D,.,,, N ~ l}, de 2N, + 1 de ses composuntes,
Il est il prsent possible de caractriser la relation lnnre Ti,L permettant de
retrouver l'ensemble clu vecteur TFl~.y[t):] grce 2Pit + 1 de ses composantes. En
effet. partir de la relmion [3.251, on a immdinremerll:

[3,261
puisque la matrice PI,e est non singulire. L'expre!'!sion de T f .G dcoule drectement
dc ce rsuhat, tout comme celle de TL qui associe les composantes de H Vqt toute
famille de gnrateurs 9" ~ {WV"y[t,. Ii] : (1" l') E LI,
t

3.4.2. Cas de l'ulilotlislriblltoII


Dans la section prcdente, nous avons tudi la redondallce informationnelle de
la distribution de 'Wigner-Vi11c crose de signaux complexes. Nous allons prsent
restreindre le cadre de celte tude ft quelques. cas particuliers.

Dlection par reprscniatons. temps-frquence discrtes

3.4.2.1. AutodistributiOll de

s;gl/OllX

14]

complexes

Le prcl11cr exemplc considr concerne rautodistribution lr1'~" de signaux complexes. Le lecteur pourra vrifier que la discussion prsente au paragraphe 3A. 1. lout
comme les rsultats qUI en dt:oulcnt, demeure valide dans le cas prsent La figure
3.5 vent ilJustrer ces propos.

\'

Figure 3.5. IIIftl'lnuiofl de la redrJJ1dallcc il~rOrJHati()lI1wllt! de f'atttodi.\'Irilmtioll lFVr de


comp{e.rcs. Dans clracw! des de/lx exemples proposs, f'i11/ormatiml localise daItx les
rigiotis claires peur /n' H'froUl'l' punir de ceUe qui Ilsl situe dmlS les rgiolls somhres, va
wu: {lf1plctJ!lorr linaire.

siglUlUx

3.4.2.2. AllIudislribwirJ!l de signaux rels


Contrairemenl au cas prcdent, l'tude de l'autodistributin fFVr applquc aux
signaux 1'~c1s ncessite quelques amnagements des lments de thorie exposs jusqu' prscnt. Il en est par exemple ainsi pour la cnraclrisalioll des fnmilles!. de lieux
(l.ll) remarquables au sens Oil elles concentrent la tOtalit de l'information prsente
dans toute reprsentation IFVe. Dornavnnt. il convient en dfel de tcnr compte de
la parit de lu fonction de COlTlation locale. soit R,,, [l, T] = RAt. -T]. ce qui" pour
consquence de modifier Je dveloppement f3,) 8] ayanl servi de support il l'tude de
la distribution croise, Celui-ci devient:
.\'-1

WV =
J

I.: RT[t, li] H'l'A, + I.:

R~[t. T] (IFF"" , ""',~n + Il'V"" """ . ,)

(l, T);:::1-1

7>0

On peuL aisment montrer que les lments de fu famille gnratrice exhibe ici
sont 1inairenicnt indpendants, confrant ainsi il celle-ci le rle de hase. Comme
auparavant. nous pouvons donc en valuer le cardinal nfln d'obtenir le nombre de
composanles lY'Vr[t, li] ncessaire cl sumsant il la rcconstrucLon de loutc reprsentation H/1,~.. En combinan( les trois conditions (} ::; ! + T .:;; iV - 1. 0 ::;;; f - T ::; p.,r -- 1

142

Dcision

!cmps~frqllcn('e

el T ~ 0, 110US obtenons 'lU" 0 ,:;: T ,:;: 1 si li ,:;: 1 ,:;:


sinon. Ces ingalits conduisent au rsultat suivant:

[(N

cl Il " T ,:;: (N - 1 - 1)

. l(N +lf!

,\'.-

l" ,,' ~

t-I)+IJ= -~.l-J

qui constitue le cardnnl de lOut ensemble 1: de lieux (L 1-") remarquables.. A la lumire


dC's rsultats voqus dans: la sec!on prcdente el llustrs par la figure 3.5, nous pouvons eonslUler la nette dcroissance de cette valeur, 11 s' agit J'une consqm:nce dirccle
de la relation H,,[t,T] = JI,[I,"T], qui implique que WV,,[t.ul = lF1~[I.N ,,]
dans le cas des signaux rels, Pour ce qui est de la camctrisalion des familles de lieux
.c, l'approche propose au paragmphe 3.4.1 peul tre adopte id sans remaniements
majeurs., comme ccla est montr dans {RIC 0 Il, Ainsi, aprs une modllcalion mineure
de la dfinition 13.14J de la matrice P, on peut montrer que toute reprsentation lr\'~.
peut tre retrouve en totalit ft partir de la simple connaissance. pour chaque instant I: (= {O~ .,,:lV - I}. de lV, + l de ses composante:;;. 11 t'st noter que ces dernires dOvent tre loutcs distnctes. ce qui sous-entend que les composantes du lype
H'1 ~I:[f: Il} CL lFVr[f. JV --.. Il] nc peuvent tre conjointement slectionn~es pour constituer une fami1Je 9( #:: {lrV!'yfLlIl ; (1,.1/) E ,C} de gnrateurs valide. EnJln. on
montre que lu relation de reconstruction [3,261. reposant sur des expressions quelque
peu modifies des sous-matrices p t L ct P t,.L de P que le lecteur pourra trouver dans
1 Rie 011. demeure exactc. La ilgul'C 3.6 vient illustrer ces propos en prsentant un
exemple de reconstruction d'une reprsentation de Wigner-Ville discrte, ceHe (l'un
signal rel caractris par une modulation de frquence linaire, ~l raltir d'une famille
de gnrateurs S.c,

64

Figure 3.6.l!lustnllioH de f(J redol1dmu:e ;,~romlllfiOJmclle dc


l'ml/odhrriblltioll lVi,,/, de sigut//Lr rels, L'dt.mmuioJ/ flO!llllilSf{lU.It! dans fa)
pel1JJc! de r('cons[ruirc

['11

totfllir /0 f('pr,\'ellltlfioJl (b),

via mU! applicotiolllillaire

Dtection pnrreprsentaom, lemps-frquence discrtes

143

3,4.3. Consquences CJl dfection


Nous venons cl' tablir qu'il existe des ramilles 1:,., de lieux lemps-frquence telles
que, quel que soit .1; un lment d'un espace signal S donn. lu simple connaissance des
composantes regroupes dans ~1.c ~ {irl'~, If ,1-11 : (l~ u) E ,(} permet de reconslruire
la totaHt de la reprsentation H-~l~,. Cene caractristique a des consquences en
matire de dtection, que nous aHons prcnl cxposer. Pour cela, on s'inlrcss.c aux
S(nlctures linaires oprant sur f-VVr, dont on rappelle qu"elles sonl dfinies par:

13.27J
o .ri et "''YO dsignent des paramtl'es devant tre dtermins il partir d ,'jnfOl'lnaLion (! prinri disponible, Etant donn /1, nous allons modUler l'expression
13.271 afin que ne SOil exploite que l'infon'l1ation vhicule par un ensemble
quelconque de gnrateurs 91:,. En adoptanl les mmes notations que ceHes
employes dans les sections prcdenles, la stallslque de dtection A(.?:) peut
tre dcompose selon A(.T) =
A/(:1') avec A,(;r) = <Wj!,,[i,
,,!fi.
soit encore A/{:r) = <IVV,.dt, cl 1 A.dl. cl> + <WV,.dl, c; i ft,:Jl, :1>. On noie
IVl/d: V, cl = T"l:, IVV"G[t, Dans ccs conditions. nous avons:

E,

:J.

[3.281
Ceci indique que toute structure de Jtccton linaire oprant sur
reformule selon:

rFVr

peut tre

[3.29J
avec Ih[l,:j = Adt,:] + (T,.dTA,dI,:: pour chaque instant 1 E {O,. ... N
.I}.
Rciproquement. chaque composilnte du vecteur Aff;:] peut tre clcule il partir de
13[)l~:] en rsolvant le systme linaire:

[3.30J
avec

Ade:]

= Tu:

Adt, :J, pour chaque 1 E {O ... N _. .I}. En cffel c

<IVlif,cU,:J l, Ih[t.
<liT"." ~t,:] 1Ac [/,:1
= <WIf,.c [1, :1 1Ac [1..

<1F1;,[t, cl 1 Ail, cl>

+ (T"c)TAj; [1.

:J> + <1Vl'~,t [1. cl 1A"

[l, cl>

144

Dcision lemps-frquence

32 ~----------------------~

;~
o()

h)

a)

63

Figure 3.7. ReprselluUioJls (aj de Wiglfer~ Hile ilu siglllI


il dtecler ef (b) de fa famille de gllrateur SI':' UlUisc pOlir la synlhse
d'ulle strtfClIm: de dtccriofllillaire

]i'igure 3.S. Cm!/lguratr!/l,y des sfrt/l'flfres dt, dtection iillain's o{JcrwJf


laItlmi!le de gdw1mteurs S;::, et (h) SIIi' f'ellSi!IIIj;/c du plau iemp.\':(rqUt!!lcc.
La ,\'('f'OIuk' (1 t o!JtCfltle fi pflrt" de la !-,remii!re, au moye/1 rrwrc appHca!rJll !fflcaire
(u)

SM

Au moyen de simulations, nous nIIons il prsent iHusrrer cette discussion relative


r3,~71 ct 13,19J. Le problme de dtection considr CQllCCI1lC la dtection. dans un bruit hlanc gaussien 11[(. du signal srt~ expUo).
1 E. {Go .,., 15}, olt eJq dsigne Ulle phase alatore uniformment distribue sur I<nlervalle
. Til. La rcprscntation de \Vigner-Villc du sgnaI8{t) est prcntc cn figure
3.7a. Dans un prernier Lemps, le dtecteur [3.29] oprant sur la famille de gnrateurs
rt'prsente cO Hgurc 3.7b n t lubor suivant ("algorithme prscnl dans
IRIe 991, partir d\lIl ensemble d'apprentissage compos de 10200 individus. La

il l'quivalence des configurations

Dt-ecllon par j'cpr~scn!alions tmps-frquence discrtes

145

r,gurc 3,Ru montre la rfrence Bi:., rsultante {jui. en l'taL ne sc prle nucune interprtation aise, En consquence. le systme [3.301 a t rsolu afin de dterminer la
configuration [3.271 associe, qui opre sur l'ensemble e la reprsen1ation, Il convient
de constuter que le rsultat obtcnu, propos ;:11 11gure 3.Sb. prsente des similitudes
marques avec la rcprscnlDi.ion de \Vlgocr-Ville du signal dtecter. Ce fail confre
au dtecteur correspondant les caractristiques d"un IItre adapt lemps-frquence.
ce qU est conforme il. In thorie compte tenu du problme de dlectinn considr.
Evidemmenl, les structure:;, de dtection [3,27j Cl f3.29J prsentcm les mrncs performances.

3.5. Bihliographie
[CHA 98J Ct,[.\SSANDE-MoTT1N E., Mthodes e rallocation dans le phm lemps-frquence
pour ranaly'1c et le !ratement de sgntlux non stationnaires, Thse de dnt:torn1. Ecn]c nor~
mule suprieure c Lyon, ! 998,

leos OjJ

COSTA A.H .. BOUlJREAUX~BARl'EL G.r.. " An ovcrvicw of <lli'l.'iing emJrs in


discrcte-limc formulations of tll11c-frequcncy rcprcsnlaliotls ", IEEE Tnm,,"{ICl(lllS on
Sig lia! Processiug. vol, 47. p. ]463~!474, 2001.

rDAV 001 DAVY M .. Noyaux optimis.:. pour ln dassifktltiOIl dans le plun lemps-frquence.
Thse de doclonn, Univcrsit de Nantes. 1000.

rDEV 961 DEVROYE L.. GVORFI L., LUGfJSJ G., A Pro/whilislc Theo;:\' t!( Patti'fll RCf'O,!!.fli
lion. Applicatinas of Mathelllf1tlcS, Spriogcr-Vcrlag, New York, 1996.
IFLA SSI FLt\NDRIt-.; P., , _ A time-frequcllcy formuJntlon nI' ojJlimum ClccllOl! vz.IEEE'Tmn,>~
acfious 01/ AcuNsric.-,>" Speech alld Signal Processing. voL 36. p, 1377-JJB-J.. 198K
IFLA 98J FLANDRIN P.,

TClllpS~!h!iJllc}/.

deuxime dition. Hermes. Paris. 1998.

fHLA 92) HLAWAlSCH E, KRATTE';4Tl-1ALER \V.," Bilinur signlll synth~sis ".

acrions mt Aeol/slies, Speech

!llll!

IEEE Tmns,
Signal PmccssnR. ,'oL 40. p, 352-363, 1991,

[LEM 951 LE\tWINE O., Dtccll01l des signaux n{ln stationnaires par rcpr-scflilltino t.:rnpsrrlluencc. Thse d octoraL Univcrsit e Nice-Sophia Antipolis. 1995.
(1vlAT 9~1 MATZ G., I--ILAWi\TSCH F., ., Time-frcquency methods 1'01' signal dc{ectioJ1 \Vith
application lo the dctection or knm:k in enr l~ngil1cs ". dans Procecdings .!r fhe IEEE-Sr'
Worksiwll on Stalistical Signal !llld Army Proccssing, p, 196~199. Ptmland. 199(-;.
fONE99'l O'NEILL J,c.. FLANDRIN P., WILLL\lV1S W.J.,' On Ihe existence or discretc
Wigner Jj~tribulioll5 , IEEE Signal Pmccss'tlfJ Letlers. vol. 6. p. 304~306, 1999,
[ONE 99bJ O'NEILL lC .. WILLIAMS \V.L <, Shift cnvari;ml timc~rrL'queny distriou!ion:- or
iscrcte signais )" IEEE Transactio/ls ml Sigurt! ProCi'Mllg. ml. 47. p. 7S9-799, 1999.
IPEY 86) PEYR!N F.. PROST p" ,{ A unified Jefillition for the disretc~timc dj~re{e-frcqllency,
and dlscreic timc-fretjuency \Vigncr distrihutions j'. IEEE TmHsactons on Sip!lo! Procr:ss-

ing, voL 3-+. p. 858-867, 1986,


l1l~thoJolnge pour la dtection il structure imposee. Applic:.liions
au plan temps-frquence. Thse C', dodomL Universit de [C'chl101ogie dc CQmpii:gnc. J 1)98.

[RIC 901 RICHARD C .. Une

146

Dci sion

lcmps~frqucl1cc

n and com plcx it)' control of limcLl::NGELL R" ,( Datn-driven desig


ssiJ1g, vol. 77. p. 37-4fl. 1999.
frcqucncy ctector;; ", Sign al Pwc

tRIC 991 RICHARD

c.,

clirried by thc dbcrcLc Wg ner


Linc ar l'cclundancy o nformation
tRiC Ot] RICHARD
p. 2:536~2544, 2001.
cm Sign al Pmc essi llg. vol. 49.
distr ibuti on )', IEEe TraJl.WJf'linns
disi..TCie-time discrelequcn cy based dcle clion lIsing
tRIC Ulal RICH ARD c.. (' TIm cfrc
g, vol. 50. p. 2170t?ssin
ProC
al
IEEE 7hlllsarlions on Sign
frequcncy Wig ner distr ibuti ons il,

c..

(I

2176.1001.

ture
a~ie pour la dte ction il struc
Mth odes ii noyau et crhre;.; e contr
nc,
pig
[R1C 02hl RICH ARD
Com
e
gie
recherche;.;, Universit de tcchnolo
mllOSc. Hab ilitat ion l\ dirig er des

c..

2002.

y,

cliscrctc~reql1C'nc
T.W., SHENOY KG " 'J Disc rchH imc,
IRICH 981 RICBMAN 1\'1.5., PAIU.;:s
46, f-l. \517-15'27.
voL
g.
essin
Proc
si!' ,\ fEEE Trall .mct ollS 011 Sig/ lal

time-frcqllcncy analy
1998,

-frcq ucnc y and


Optimal cl~[ctjon using bilincar timc
951 SAY EED A,M" JONES D.L., {(
43, p. 2872
vot
lg.
Procesyll
v, IEEE Tran SiJC liollS 011 Sigll al
mc~scalc representullons
2883, 1995,
j', IEEE TfllIIsoctioJls
od fortime-frequem::y "ign al analysis
[STA 941 STA NKO Vl L, .-' A mClh
voL 43. p. 225-229. 1994.
01/ Signa; ProcrSSFJlg,
vic\\' of aliasillg: errors in
ROv!C L, " A note on "An vcr
rSTA 01 1 STt\KKOV1C L.. DJl!
", IEEE TrallSaclio1ls 011
e~frcquency rcprc scnl atlon s"
disc rclc- timc fomrulntlon", of till1
2001.
Signal Processing. \'01. 49, p, 257- 259.

~SAY

nce of relative rrequenKIS A. (, On th unil bmi conv erge


[VAP 71 J VAPN!K V., CllERVONEN
App flmf ialls . vol. \6.
ifs
and
ries
Prob abili
Theor)'
de:;; evcl1ts \'0 thcir prob ahili lics )1.
p, 264- 28It 197 L

or

Chapitre 4

Classification

4.1. Introduction
Cc que nous appelons signal est le plus souvent issu d'un systme physique
rel ou smul. Le rmlemcnt de ce signal lente de nous informer sur le processus
qUl
gnr. En prsence d'une collection de signaux. l'ingnieur ou le physicien peul s'interroger sur lem origine: sont-ils issus d'lm mme phnomne physique. correspondcnl-ils diffrcnls luts tl'un syslmc? Ces qucstons relvenl en
fait d'une mme formulation: la rpartition en classes spares (c!assUicmion). une
dasse regroupant des signaux issus du mme phnomne ou du mme tal,

ra

4.1.1. Clm.ser (les signon.\", {Jour quoilaire ?


La vic quoliicnne nous apporte nombre {.l'exemples alI ride dc classilkation
apparat explicitement ou non, Ainsi. un constructeur de matriel e diffusjon acoustique tente tic dlt!C/('r un individu dfectueux par l'COUle de chaque enceinte soumise il un signal test connu, Celle dman.:hc s'apparenle une dassfjicatiofll'J1 deux
classes de signaux sonores: une classe homogne constitue crcnrcgI:..tremellls d'enceintes correctes - c'est-l-dire fournissant une rponse juge satisfaisante - et une
classe htrogne rassemblant les enceintes dfectueuses. le dfaut pouvallt tre fortement variable.
Chapitre rdig par Jvlanucl DAVY.

148

Dcision lemps-frquence

Le cardiologue cherche diag1lostiquer une pathologie grce r leclrocardiogrummc d'un patienL Son exprience hJi permet de retrouver sur l'enregistrement
les anomales les plus courantes: l est capable d'assoder un lectrocardiogramme
inconnu une classe connue par apprentissage, effectuant son insu une cl(fssUic{/~
thm supcn'jse 1 ('11 C classes, Lorsqu'il est confronl un cas inclassable, il raffecte
il une classe de 1"t~iet,
Un dcrncr exemple nous

C<;l

fourni par lu dicte vocale, qui permet de saisir un

tex le sans ulHiserde clnvierd' ordinateur. Le processus de rcconstrucllon mis en uvre


rcquierlla recOilIlaisstl/lci' des phonmes: le logiciel efrectue une segmenlation, puis
la dassillcation des morceaux sonores. Eniin, l'analyseur syntaxique peut reconstruifC
un texfe grammalicaJemcnl correct
Ces exemples montrent non seulcmenlla varit des applicalions de la classificalion de signuux, mals aussi la diversit des cas:
existence ou non d'un ensemble d'apprentissage:
..- cas d'cole e classes homognes bien dirfrencies, ou cas dgnr d'une
classe homogne connue et d'une dasse fDUlTe-lOut;
- classes bien spare!" ou dasses entremles.
La qualt d'une technique de classifkution se mesure en fonction du nombre de
ses checs, ou plus exactement au coOt qu'attribue futilisnteur il chaque eus de mauvas classement. Quand ces cots sont tous gaux. le critre indiquant la performance
d'une procdure de dnssifkution s'exprime en !I::rmes de spuration des dasses, Lu
procdure idak dtermine un espace tle reprsentarion o les clLlsscs sont Illaxima~
lemcnt spares et une rgle de dcision ulilisant au mieux cette sparation. Dans la
pratique, si une tetlc procdure peut se concevoir, sa mise en uvre n'est pas toujours
stHisfaisante (lcn1ps de calcul, dfficults numriques, eic.). 11 apparait qu'il n'existe
pas uoe technique parfaite, depuis le principejusqu'fll'implantation, mais une paette
de possibilits raJisanl fi des degr;,; dvers un c-nmpromis entre la facilH de mise en
uvre et les erreurs.
Dans ce chapitre. nous proposons un aperu rapide des mthodes de classitication
de signaux usuelles dans les dml1unes !emps ou frquence, puis r expos dcs mthodes
de classification temps-frquence.
Le mme exemple sera systmatiquement utilis pour comparer les mthodes.
LOn appcHc dtlssf/carol/ sU{JcJTiscc une tcdmquc de da~sication s"appuyant sur hl
O chugue lmelH esl pralablement class pur un
expert

connuissalcc d'une base d'apprcmissage

Chl!>silicaton

149

4.1.2. Ull exemple


Nous proposons d'tudier un problme e classification en deux classes ik'l ct 4-'2,
concernant des signaux il modulations linaires de frquence (MLF). Etant donn
fa difficult d'acqurir ta dizaine e rniHiers de signaux ncessaifs la vulidation
statislique d'une mthode. nous consdrerons des signaux gnres par l'ordinnteur.
Mathmatiquement. ces signaux .T[l.:1, de T points. s'expriment (en temps discret Id:
\fic E [1; TI. ,dl:1 = AHin [27T(Vo(k - 1)

+ ,/-,,)]
+ B sin [2" ( '.'" 1'''' (/,: - 1)" + "1 (le - 1) + li',) ] [4. Il
+ ,[ici
bruit blunc gaussien de varance af. Les autres paru mtres sont donns

O f esl un
dans le tableal! 4.1.

T
128

128

Tableau 4.1. Pammllt'S IIfi!i!l',l,' pour la gllmrioll de.\' .'lignaI/x


dans /(/ classe Wl el la dasse u..";!. La n010lJJl U [a, hl indique que la variable
csr alatoire, un(jrmdmcm distribue sur 6I1ft'rI'alle [a, b]

La figure 4,1 montre les reprsentations temps-frquence idalises de ces


signaux. Ils comportent une composante li frquence constante et une composante
frquence dcToissante, de pente alt:atore uniformment distribue. Par ailleurs, un
brui! blanc gaussien cfl.:] est ajout. te! que le rapport sgnal ft bruit soit de OdB.
Les carJclristiqucs des signaux de cel exemple sont proches de celles de signaux
rels: J'information est masque par du bruit. les paramtres caraclristiques !rune
dasse sont dillrents d'un signal il l'aUire el seule lu diSfI'ibUlion de ces paramtres est
discrimin,mte. En mure. les MLF )e rencontrent souvent dans la nature (stridulations
d'insectes, musique, radar, vibnuions de bOles de vi/esse .. ,),
Lu figure 4.2 montrc Un exemple de signal de chaque classe cl son spectrogramme.
On remarque l'importance du bruit additif. qui ne permet pas de dstinguer clairement
les composantes.

4.1.3. Elment.\' de class{ticaliofl superJ'i,wJe


Pour une rcvue dtaille des mthoucs de classificatioll. le lecteur sc reportera
par exemple " IDUD 731, ou encore il [S1\10 021 l'our des avances rcenles {elles

150

Dcision temps-frquence

0,20

{j,IO

Temps
Figure ..1.1. RcprsCllla(hm.\" lemps-friqrteIJe!' idali,nfes
des si,qmwx MLF e/l deux classex, Les Z,OJ/{!S grises n:pr,W'/IIL'1ll le domaiHc
ml xc SIIICH! k<.; MLF t pClI(e T/(Jgmil't? aldatui/'('

CI,,",c Oh

!~Ifr~v/.l~~/rA~~\

Temps ipnin!s)

12H

Tcmr~

Temps !pojlJls)

!point:;)

128

n.50

.~

-il
'E:
0
0

'J

'8

""
0

12}\

Figure 4.2. RepJ"sellltUm fClJ1/)orcffc {,{ ,\lJtxtmgmllll/lc


Ui'llhrc tic {1ollllllillg. 31 points) d'uJl signal de chaquc classc

que les mt/lOdes li l'f'C/('ItI'S supports, Dans la suite, c dsigne le nDmbre de dasses,
1\"':)." E [1;c] le nombre de signaux dans l'ensemble d'apprentissage pour lu dasse
Id"
.
.,'
, J
. N } lorsqu ' e Il cs
~'i. Les d oonees" cs!gnecs pm :t:) seront notees ~\'i ;;::; p',: ! ""'V i
1

Clas~ifi.cati(l11

appartiennent Papprentissuge de la classe


sous les hypothse suivantes:

Wi,

On note X =

UX

151

On se place ici

- absence de modle du signal (quDique son existence ne soit pas un obstacle).

- r apprentissage comporte des donnes provenant de toutes les classes existantes.


-les cas d'erreurs de classification sont de cots gaux.
Compte tenu des hypothses retenues. les perfonnanccs seront donnes en termes
de taux d'erreur. obtenu pur la moyenne sur r cm,emble des classes des Wux de mal
classs de chaque classe (cas 011 un lmcm de la classe :.i est arfect ft la classe
Wj,j

cF

ij,

Typiquement. une procdure de classfic~lton est constitue d'un certain -espace


de rcpr~senllHion :R des donnes et d'une rgle de dcision qui affecte un individu
une classe:.vi il l'aide d'une fonction discriminante (gnralement une distance:! ri).
Jci, l'espace:n peut tre le domainc temporel, frquentiel. temps.-frqucnce, dopplerretard, lemps-chelle (ou r espace des paramtres issus d'une modlisation autol'gressive (AR) par exemple. lorsque cc Lype de modle convient).
Lorsquc les lois de prohabiHt des donnes dans :J;;' sont connues, il c!\l possible
de dtcnnner la rgle de dcision optimale: :1: tant une donne il c1usser, on calcule
pour chaque classe '--di- la probabilit li posteriori Pr(wi I:/') en foncljon des donnes de
l'apprentissage. La classe de.r (par exemple Wi) est cene pour laquelle la probabilit
Pr(wi I;l~) est maximale. 11 ne peut pas y avoirde meilleure procdure de classification,
compte tenu des hyputhses formules a "riori' [DUD 731,
Dans le cas des signaux physiques. on ne connat gnralement pas a.<;sez les donnes (absence de modle, densits de probabilit inconnues ... ). On peut alors soit trouver la meilleure rgie de classificnon dans l'espace initial:R des donnes, soit tenler
de dterminer l'espace ~I le micux adapt uuc rgle de dcb;ion simple (apprentissage lion paramcfiriqul!).

4, l ,3, l, COJ1[mste de Fisher


La premire sU'algic revient gnralement estimer les Jislributions intrac1usses

p(,Tlw;) par p(",'X;) dans le but d'crire la procdure baysicnnc (apprentissage pam"
mtrique), Malheureusement, ce que l'on gagne en optimalt est souvent perdu par
une mauvaise estimation de p(:t:;wiJ en raison notamment du nombre fini de donnes
d'apprentissage ct de la dimensionalit irnpOrlante. Ce dernier point peut cependanl
tre amlior en sc restreignant allx dimt!1Jsions de 1( les plus diwTimil1untes, c'est-dire aux caractristiques des donnes qui maximisent le COl1lmste de Fis/u'r dllni
2. Les distances utilises dans cc chapitre sont dtailles Cil annexe 4.6.
3, C'est cc que ['on appelle la tiJt}or: lmysic111/{1 dt.' J'apprclJ1issage,

152

Dcision lemps-frquence

par:

14,2J

Olt 'IT!:i'.i e~t ta moyenne des donnes de l'em;cmble d'apprentssage de la dasse W;


ct var(;rL la varunce. A~Fi.;hcr permet de dresser une carle du cnHtrasle de~. o les
positions dscrimimmtes apparuissent clairement. Par ex.emple, lorsque les donnes
sont des spectres de signaux, l\"Fisll'.:rCn cst maximal dans les plages frquentielles
les plus discriminantes. ce qu permet de rdurc :n 11 ces zones, Celle opration se
fait cependant avec perte cl' information. La figure 4.3 reprsente Je contraste entre les
specLrcs des signaux de 1" exemple pour deux ensembles de test: lV j = IV';;; = 50 et
lV1 = J'V',!
1. 000. On notera qu'un ensemble trs important de signaux est ncessaire
pour obtenir une estimation correcte de l!..'Fbhc,( f).
Duns Je cus de signaux rels. dont on possde souvent un apprentissage rduit. il
est plus intrcssnnt de suivre fa seconde slrnlgie: tant donn une rgle simple. par
exemple celle du pius proche rcprsemam ou celle dcs k l'las proches voisins (k-ppv),
il s'agil de dterminer un espace:JI bh:m adapt aux donnes d'apprentissag.e.

4,1.3.2. Rgle (lu plus proche rcprsellfant


Une distance ri tant choisie, ii esl ncessaire de dlerminer un lment reprsenta-

tif :ri de chacune des classes dans ~ partir de l'ensemble d'apprentissagc, .r'; pourra
tre:
- 1e barycenlre fUll sens de la distance li choisie) des lments d'apprentissage de
la classe (;Ji_ 11 vrifie:

- ia moyenne des lments d'apprentjssage de la classe U./i (identique au Pl'l-dent


qmmd ri cslIu distance euc1dienne);
_. rlmcnlle plus proche du bUl'yccntr au sens de d. C':slla Jonne, indice jp,
de l'appremissagc de la classe U)i qui minimise:

:l'r

.Tr

,v,

Jo = nrg111ill
JE!I::Y,j

L ~d(.d, ,1~): 2
];=;o

Cla~~ificntion

153

Clll:iScl

o~==~~~~~==~

0.35

,,
::

Fr<!lnCC rduitc
Classe:!

""
""

150

", ,""

,,

""

"

"

"

:" ~

of~J-'-~:'->-""-F-'-2'-I'-'C-',-',c'-c-'' ' -'d'U,c-jtc---":....~(~J,-5---oo~:::::::::::=::::p:::re:''=I,=rc:::":'lc.':e==':::=d-u;-t-c""':


aJ Spcdrcs moyens

L. .... __ .,

.~~..._~

Zones frctjucnticllcs dscriminll!l!cs

h) Contraste d Fisher

Figure 4.3. SpCCITCS moyms des signtllcr (l'apprentissage


de la da.I'se 1 ct lie la classe 2 el contraste de FiJhcI' CII!r CL':; dasses
dans les cas NI
IV:; = 50 (poimifl) Cl ;Vj = N'2 = 1000 Ifrut plein!

Etant donn l'un de ces lments reprsenuHifs. la rgle du plus proche reprscn-

tnnl affecte une donne inconnue J>! duns:R ;1 la classe :"'ij) tC'llc que:
[4.3J
La figure 4.4u illustre graphiquement ce principe. L'lment inconnu (reprsent
pnr une croix) est affect il lu classe des ronds. car le cercle blanc est plus proche que
le carr vid,

4.1.3.3. Rgle des k plus pfnches l'nisil/s


Le principe de celte rgle L'st le suivant; une donne inconnue .1''..' est entoure
dans ~R d'lmenls dc l'apprenlissage appar(cnunt;) diffrentes classes. La distance d
d~ll1s jt tant choIsie. on dtermine les k donnes {;t:)l' :rTJ , >:
? d'apprentt'sage
les plus proches de:r",' au sens de ri, <limd que leurs classes respectives. :J"! est affecte

:rt

154

Dcision iClops-frqucne
(h)

(a)

III ... ..
..o.

Il

c_

Il --II-.... x .....
'>

Il

GI

Il

llll

III

Il

01

Ill]
x
<

GlJ

GI
Il

Figure 4.4. R(!,r;!es de tlccisioJl pout la da,vsmcatiofJ de r/mm: {nemmu X t'lems


1a closse e. (a) Rgle du plus proche TCl'rCSeJllaw, fM l?i'gle dcs trois phes pme/tes \'OiSllS,'
les IlUHI"'j"OS rMsigm:m les JmclIf.Hlc l'afJPH'mi, ..,ogc dan.I,roH/re CmiSSfJlfI des dsWl/ccs

111 classe la pIns reprsente panni {:rL .


qtlcmcnt ce principE'.

''''7

;L'~.~_}, La (igure 4Ab rsume graphj-

Dans l'esprit, celte rgle.<le rapproche de la premire stratgie; on lenle d'estimer


les probahilits (1 posteriori Pr(.L.Ji~;['-!) de clHlcJlle classe. Il faut cn thorie disposer
de suffismnment d'JJTIcn!s d'apprentissage pour raliser une bonli estimation. mais
pas trop pour ne pas prendre en considration des lments loigns. Le choix e f,: est
effectu empirj{)uement en fonction de cc compromis.

4.2.1ntl't des approches temps-frquence


En prsence cie signaux rels, trouver un mOllle perlinent eSl souvent une gageure.
Par ailleurs, la mise en uvre de la procdure de classification optimale se heurte
des problmes de caleul numriqilc d'inlgrales"!, Faute de modle. on peut faire appel
il des descriptew:'i, censs disclirnncf les classes. Parmi les nnombrables mthodes
e:Xls{antes dans les domaines temps nu frquence, ccrHtines comptent les pas~mges
li. zro du signal (:::cm-cmss). d'autres tudient le spectre du signal ou sa pUssance
nslaninne.
Le tahleau 4.2 donne les rsullats obtenus avec ces mthodes pour les signaux de
l'exemple, On constate des taux d'erreur inacceptables pour une utilh,ution systmatique.
Pour notre exemple. on dspose d'un modle niathmatique du slgnuL ce qui permet d'ludier les performances de la procdure baysienne de dnssiHcatin mise en
4, Ces dernrcs annes, les mthodcs MeMe
mcthdcs, mai~ un cot calculatoire lcvc.

Ont

beaucoup amlior les rl'ultats de

L'CS

Clas)\ilkntion

155

Taux d'crreur

1'vlthodt' de

Comptage des passages pllr zl'O

,~50

Distance quadratquc: entre le spcclnl cl le spectre moycn

37.85 rii,

Distance de Mahalanohis entre le spc('tre ~t le spectre


(avee 1Y, = N, = 100)

35,54 (k

40,1 fi r,;-.

Distance quadratique entre la puissance llstantanc


: et kl puissancc instantane moyenne

Tableau 4.2. RslI!rtl!s de cfm;s{fica!{U/ des siJ;IUJftx MLF


de l'exemple pM dive;:)'e:; mctlwdex fion paramtriques cfassiquf's
(apprentissage N!
N 2 50, lest = {2 >, 1OllO} siglltHtrJ

Uvre avec les mthodes MCMC lDAY OIl. DAY 01a]. On obtient ainsi une rfrence

(tableau 4.;\) ft laquelle comparer les autres mthodes. Les rsultats sont trs bons,

mais l'inl'ormation milisc est trs prcise (le modle utilis pOUf la clnssi!kntion est
celui qui n servi il gnrer les donnes). Une rois encore, souHgnons que les signaux
physiques ne sont que rarement accompagns de connassances li priori aussi prcises 5,

dc classificiiHon

T.mx d'crreur

baysicnnc optimale

5,2'+ r;-~

Tableau 4.3. Rsulta!s de rlas,r,:fficmiol1 des signaux AfLF


dc l'exemple P(/t III/L' mr/IOde paramtrique OIJI/mate
(tlJlfJH'l/li.\',\"llg(! NI = N:: = GO. Test = {2;.: WOOD} sip,fliwx)

Les rsultats obtenus sans mole dans le domaine temporel ou mme frqucn!iel
sont peu satisfajsants. Il convient donc de trouver un espace e reprsentntion plus
discriminant (voir tableau 4.1),
L'approche tenlps-frqucllce s'cm impose au cours des dernires Hnues C01l1lne
l'une es plus souples pour l'analyse des signaux non staljonnare~, en n,ison notamment de la grande varit des reprsentations poss.ibles. Elle prsente des proprits
particuliremenl adapl(ics la classilicmiol1 comme la covariance dans le plan lempsfrqucnce ou lnvariunce dans le plan ~s ambiguts. Si les signaux d'unc rnme
classe sont bien positioilns en temps ct cn frquence, le pian h?mps~rrqu('ncc sera
5. r\jOUlOHS qu'en temps de calcul, la procdure MeMe utilise est plu:; conleuse d'au moins
un onJrc Je grandeur que ln pluslnurc Jes mtllOdt:s lemps-frqllcm:c ..

156

Dcision

tem}is~[l'quence

adapt du fait de la pl'Oprit de covariance. En revanche, si Uill110tif temps-rrquence


est caractristique d'ulle dasse mais positionn alatoirement, le plan des ambigun~
sera plus pertinent.
Enfin, 011 peut toujours calculer une reprsentation temps-frquence. mme
lorsque qu'aucun modle e signuln'es( disponible. cC qui confre une grande gnralit ces mthodes de classificaton.

4.3. Classification Icm\ls-fr'juenee : diff.cntcs st.-atgics


L'ide d'lltlHser le plan lemps-frquence pour la dcision n'est pas nouvelle cl
nous Cil rappelons les principes rondateurs. L'exploriltion systmatique de!'> po;,sibi1it~
de cct espace de reprsentation est plus rcente, cerlnnes mthodes IHE195. VTN 951
utili.'iant les rcprscntatiOlls temps-fTqucncecomme des dlstributions mathmatiques,
d'autres [GRA 98. PIE 95] comme des images, P1us rcemment encor.::. l'ulilisation
du phm des ambiguts a t aborde lATL 97], Enfin. nous proposons une approche
globale penneHant de trouver r espace de reprsentation le meux adapt un pro~
blme donn. grce il l'optimisation d'une reprscl1lalion temps-frquence.

4.3.1. Les trawllIx fondateurs Cil tC1Il]ls-ji'quence


Les proprits du plan lemps-frquence ont permis une premire Hnmululion
de rgles de classitcalion, par une transposhion des techniques temporelle,;,;, via la
fOl111llic de Moyal. On aboutit alors au Jillrage adapt te/llps-ji'qllellce lBOA 90.
FLA 91]. Ces lravaux ont mis en vidence l'intrt d'utiliser des distances tic la c(}r~
rl{/(irm, vor section 4.6), pour comparer objectivement des reprsentatiollfi tempsfrquence. Les rsultats de classifkatiOl1 du tableau 4.4 i11ustrenl l'importance du
Ch~lix de la distance: !Jour 1a reprsentation de Wigner-Ville, les taUx d'errcllf l->ont
nettement diffrents selon que l'on utilise ta corrlation ou la dislance de Kolmogorov,
Le deuxime rsultat important est galement iHustr par les rsultats du tableau
4.4: Je taux d'erreur varie signific'llivement cn fonction de la reprsentation lcmps~
frquence choisie.

4.3.2, Reclwrche lie la l'eprsclltatlOIl temps ..jhJquelIce et de la dis/auee optimalt!s


Les travaux prcdents montrent qu'il es! nUlUrel de rechercher le couple reprxentalion temps-frquence/distance qui minimise le taux <.l'erreur. CeUe ide, plus gnrale. est explore dans la scellon 4.4.

Classifkation

Rcprsenhltion temps-frquence

Distance

Taux d'erreur

Hfrcnce

Wigncr-Vmc

COITlmioll

22.30 %

IBOA 90]

Wigncr"Villc

Kolmogorov

20.94 c,c.

rVI:-.I 951

~~~i~,~~~;vigner-Vi11c liss

COl'l'lalion

3,87%

IHEl951

......

157

_--

T;lhle.m 4.4. l?sulta!s de dass{ticmio1l des signaux


l'exemple par dil'crscs mtlmt/L's dilllS !e pian tewps:!j'quCI1Ci'
(ilpprellfissage IV1 = .N?
50, IJ'S, = {2 :< 10 nO!)} sigllour)

lfc

4.3.3. Classificatioll utilisant le plan des amblgurt


En purallle des lravaux visant il clusser des signaux dans 1e p1an temps-frquence,
l!ide d'utiliser le plan ues ambiguts a galement t explore. L'atout principal
du plan doppler-retard est son invariance (en module) aux tmnslalions temporelles el
frquenlielles des signaux. tOlH en contenant la mme jnformation que le plan tcmpsfrquence. Dans la pratique. il arrive que les signaux soienl enregistrs avec un calage
temporel variable. ou que la frquence soit dcale O'acquislion partir d'un vhicule
en mouvement est soumise ft l'effet Doppler), cc qui Il 'apparatra pas dans le plan des
ambiguls (en module).
On pourra utiliser les roncHons d'ambigut des signaux de la faon suvante

[ATL 97J:
1) calculer le contras.te de Fisher 1\Fi;;!wr(~. T) (dflni page 151) des classes d'apprentissage duns le plan des ambiguns :
2) fixer un nombre /1 de pOllliS ~l considrer:
3) dlermincr les coordonnes des li points {( ~, Th ' .. " (( T) l'} de plus f Oft

con truste:
4) classer un signal inconnu Cil comparant sa fonction d'ambigut en
{() 7)1: "., (~, I)/I} avec les fonctions (l'ambigut de.s .signaux 'apprenti.ssagc en
ces mmes points raide de la distance de !\.1ahalanobis.
Le tableau 4.5 donne les rsulats de classificatoll de cette mthode pour dilTrentes va1eurs de /1. On constate qu'il eXiste une valeur optimale (If = 18), conduisant
au taUx d'erreur le plus bas, On peut inlerprter la slectoIl Lie poinls dans le plan
doppler-relard comme le masquage de la foncton d'ambiguH d'un signal par une
fonction binaire adapte, laquelle peut tre vue comme un noyau Ij) optirnal. La igure
4.5 montre le noyau optimal et le contraste ue Fisher. Cette mlhode est peu coteuse
en termes de temps de calcul. pUsqu' elle rduit r espace de reprsentation 9( il 1-1/2

158

Dcision lemps~rrqucnce

pic central fcprdimensi ons 6, soil 9 kL Dans certains cas de signtmx lrs bruits, un
quclque~ points
sent(' le bruit ans le phm des ambigu s ct le fuit de slectio nner
carts du centre en limile Ierret.

TaJ)h:au -1.5. Rsultilts di! f'/a.\',<';Jicarion ries SiglWlty df J'exemple


amb(lfuf'
l'al' extraction des poilll,\'lc s plw: discriminants dm!.\' le piall des
si,Q/J(/f/.\;)
10(00)
{2:",
=
{cs!
;)0,
=
IV;!
=
NI
(oplm:1Iii.r,\I!,ew

Contr;>le de Fisher

Noyau hinaire optimal

figure 4.5. CommsfC lie Fisher de l'afJfJreUlis.Wlgc U\h = j\j:z = 50) dans
plusfilr! COllfrt1SfC)
le plan des amhigl// s (lrs ::.rHles '"'S plus cluires L'onY!:'lJ Ollde/ll (/If
CI1!OyOIl

binaire optimal p01l1' la classific ation (JI

18)

doppler-retard
Cepend ant. ne gmeler que certains points et ngliger ]eur position
ances de la
pcrforrn
Cs
grve
qui
nte
importa
conduit une pene dnfonm ltion
permet pas
ne
e
nli,'isag
d'apprC
s
donne
de
nomhrc
l~iblc
mthode. Par nilleurs. un trop
ncesiance
e-covar
varianc
de
matrice
la
de
ni
T)
t;.
une bonne e~limation de b..~F"hef(
nobis.
MahaJa
de
saire au cnlcul de la distance
point lE = il j = 0), elle
6, Lu fonctioll d'ambigut d'uli signai S! symlriquc pllr mpporl au
tc,
est onL' redondan

Clnssillcalinn

159

4.3.4. Utilisatioll tic techniques tle trailcme!1/ (l'images pour la classificatio1l


Si les reprsentalion:-i lemps-frquence som des fonctions mathmatlques. eUes
sont galement des images sur lesquelles un expert saura reconnatre la signature d'un
phnomne physique: le spectrogramme d'un cri de dauphin ne rcs::;cmble pas il celui
d'un enrcgistremenl musical. Dans celte optique, pourquoi ne pas utiIiscr des outils
issus du traitement des images pour segmenter lu reprscntution lemps-frquence. en
extJire des zones d'intrt et les comparer il un dictionnaire de formes connue!')'!
Les outils de reconnaissance de forme sur des images tant particulirement nombreux, nous invitons te lecteur il se reporter fi des ouvrage~ spcialiss,

4.4. Amlinrer les rsultaIs de classification dans le (Il an tem(ls-frtluence


Dans la section prcdente; notl!' aVOns tabli que les ~!Teurs de classifica!ion pouvaient tre diminues en recherchant une 1" honne reprsentation tcnlps-rrquencc et
une ( bonne jj distance. Une procdure d'optimisation dc-vrat nous permettre d'aborder ceUc recherche de faon systmatique, moyennant la dfinition d'un critre calcul sur les donnes disponibles (l'ensemble ct'apprentissage). Compte tenu de fa
dimensionalit. il n'cs! pas envisageable d'optimiser au sens gnral une reprsentation lemps-frquence. On pourra se restreindre la classe de Cohen, Oll une reprsentation lemps-frquence est dtermine par un noyau, dom on pem trouver des
formes paramtriques 7. Celle ide n'cslloutt:ros pas limitativc. ct rien n'empchc, cn
Ihorie, d'lendre la recherche il d'autres distributions temps-frqucnce. sous rserve
qu'eHefl. acceptent une ntcrprtation cn (t'nllCs de disfrilmlhm de pro!Jabilirf. lgitimant J'usage des tp-divcrgenccs. Par ailleurs. on dtermillera la distance donnant les
meilleurs rsultats pour une forme de noyau donne; ce qui conduit au meilleur couple
(noyau. distance). On notera dans la su1e la reprsentarn temps-frquence de ;1', de
noyau (. par e;;~.
).j

4.4.1. Critres
Dans diffrents travaux. J'ide de noyau optimal a t abordc" CependanL le tennc
optimal reste :-ioumis il la dfini lion dun critre per'linent. Nous en prsentons trois
souvent utiliss, On suppose: rnantcnant que les l'Cprsclllniions temps-frquence des
Fgnaux d'apprentissage ont l calcules, Dans la imite. on ne manipule plus que des
lments du type e;;':.;.

7. Voir en

liI1l1CXC

-L7.

160

Dcision temps-frquence

4.4.1.1. Critre dit premier ordre


Le critre suivant a souvent t propos (voir par exemple [ATL 971). Il consiste
loigner l'lment reprsentatif e~'J de la classe Wi des lments reprsentatifs des
autres classe.", Une distance cl tant donne. cela revient maximiser:
c

i-1

IV.

'}<
( i) - '\' '\' <,
"-cro
(/) - L L

+
11

i\,T.
< J

_,

_,

I(C'"i' C"')
j

[4.4j

(.

i=2 j=!

all n = L~~=l Ni est le nombre de signaux d'apprentissage, toutes classes confondues.


Cc critre ne prend toutefois pas cn considration la dispersion interne chaque classe,
ce qui sc rvle un handicap. Tl alTivc en efret que la reprsentation optimale pour
Je critre de premier ordre mlange !cs difTrcntes classes malgr l'loignement des
lments reprsentatifs. d'o de mauvais rsultats de classification.

4.4.1.2. Critre de type Fisher


La dispersion des reprsentations temps-frquence il l'intrieur d'une classe Wi
correspond il la distance moyenne des lments e(:~,,, j E [1; JVd par rapport ii l'lment reprsentatif

et de la classe

";

Wi.

Soit

d;i;,.

la variable alatoire d(e.~.!

et) dont

une ralisation correspond il une valeur de j, c' est-ii-dire un signal de l'apprentissage.


Son esprance mathmatique e,.. t note E( di;;). Si la rgle de dcision retenue est la
distance il l'lment reprsentatif, la probabilit d'erreur de classification P e est:

P,. =

tPr[d~;, < d;;]

[4.51

i=1 k=l

k'fi

Bien entendu, amliorer les rsultats de classilication passe par la minimisation de


Pc. Pour cela. on peut tenler de maximiser E( d'/;,,), k #- i tout en minimisant E( d'i~).
Ce principe est mis en uvre par le cIitre de type Fisher, li maximiser s :

~N; [~E(d;;)]
J(CIl'( (i;) =

,..=;L'i

---c,~.-'-'-----

[4.61

2:=N; E(d1;)
i=l

La pertinence de ce critre sc vrifie dans le cas o la distance utilise vrifie


l'ingalit triangulaire. On peut alors montrer la relation suivante (cas il deux classes,
8. Voir deux exemples L1'application dans [HEl95J et [DAV 9R].

Classification

161

[4.7[

Ainsi, maXll111Ser :](CTr( q'1) revient loigner 1es lments reprSenli.Ilifs des
classes (d(e'{', e~J) augmente) lout en rduisant la dispersion intrac1asse (mesure par
E( d1~)). 11 faut cependant noter que ce critre est bas sur des distances moyennes: il
ne tient pas compte de la dispersion de ces distances. La figure 4.6 illustre son action
sur la densit de probabilit conjointe de (d;;, dil.. )','). Si le point moyen est effectivement dplac dans une direction tendant ft rduire le taux d'erreurs. il peut y avoir une
modification de la forme de la distribution ayant un effet inverse.

Zone d'en'crs

Figure 4.6. Action du crirre de Fisher slIr la densit de pmhahilit de (d;';, iI,/;,) :
le poilulIluyen est dplac, mais lafurme gllrale de la distribution pCllt tre modUie

4.4.1.3. Critre de IJrobabi/it d'errellr


Compte tenu des dfauts des critres prsents jusqu'ici, il semble qu'il faudrait
tenir compte de moments statistiques d'ordre plus important pour les variables d~';,.
POlif obtenir le critre le plus gnral, tudions la probabilit d' erreur de classifkation
Pc, Si ron considre la variable alatoire dUfrence des distances
~
k ::f. i.
Pc est la probabilit qu'elle soit ngative - correspondant aux signaux mal classs.
Dans de nombreux cas, il apparat que celte variable alatoire est ft distribution gaussienne. Utilisant une relation classique [DUD 73], on peut alors crire pour chaque
paire Ci, k);fel" :

di;, d;:;,

PcCi,"')

pr[d;;" - cli; < 0]


-d';", ):.!
"".-(d;';,,-<l;:',)

~! E(d~"~,
:2

[4.8[

162

Dcision temps-frquence

Duns le cas de distributions gaussiennes. on peut alors


pl'ObabiW d'erreur;

con~idrer

le critre de

[4.9]

qui vrifle:
[4.101
Aimd. maximiser XCPE(tfJ) permet d'amliorer les rsultat, de classification. queUe
que soit la dislance choisie (paroPPoslion aux autres crjrres). Dans la pratique. II faut
verifier que ln dstriblllion de d;:~; -d~";, k f i est bien gnussienne, Dmts le cas contraire
-- peu courant pour des signaux rels - on peut essayer d'crire une relation analogue
tl celle de 14,8], tenant compte de moments statistiques d'ordre plus importanL

," ,
,: '

Zone d'erreurs

Figure -4.7. Actioll du crtre de probabilit d'erreur


sur la disfrilmtio/l de d~~. ~ d~';, k :;i i dtlllS le etH gaussien
Ami/hm:r cc cri/re rCS,H3ffC f' la distn'lJ/llio/l et In dcale d droi

4.4.2. Pertiuence tles critres propos,,; ~ application l'exemple


Nous avons tubll que classer dans Uil espace de reprsentatioil 'J? de type tcmpsfrquence raide d'une distance dans:J\: e;;;l pertinent. Nous avons galement montr
que le meillcurchoix (au sellS des rsultats de classification) du couple (reprsentation
temps-frquence: distance) est dpendant des signaux, L'ide d'optjmi:;cr ce couple
requiert un critre cHiCHee, c'est-tl-dre qui permette de prjuger des perfonnanccs
sur un ensemble de signaux quelconques ,1 parlir de la Ecule information donne par
l'apprentissage.

Classi(kmon

163

Nous avons lest comparativement les tros critres, en remplaant les esprances
et variances par leurs estimations crnpiriques dans les expressions [4.41. 14.61 et [4.9j,
Cependant, le critre de probabilit d'erreur suppose des distrihutions gaussiennes. La
ligure 4.8 montre que c'est bicn le cas pour notre exemple, Pour divCfSCl-i reprsentations lemps-rrquence. et plusieurs distances, on retrouve des distributions proches
de gaussiennes. Sur Jes quatre exemples. seule l'utilisation de la distance de Jensen
conduit une dlstribution lgrement nOI1 gaussienne. La compamison des crlres est
prsente figure 4.9, Pour le crtrc dc premier ordre, le critre de type Fisher el le
critre de prohahilit d'erreuf, un point est dtcnnin par la valeur du crilre estime
sur l'apprenlissuge et par le taux d"erreur obtenu sur un ensemble de test. une reprsentation lemps-frquence tant donne (ici un jeu de paramtres du noyau de Choi~
\Vimams gnralis). On remarque que seul le critre de probnbilit tl'crreur permel
d'estimer et de relier de faon univoque le taux d'erreur la valeur du critre, cc qui
signifie qu'en pratique, il est efficace Jans une procdure d'optimisulion, L'tude de
nombreux autres exemples nous conduit recommander son utilisation r exclusion
des critrcs de premier mre ef critre de type Fisher. Notons enfin qu'un aulre Iype
de crtre, bas sur une technique de classification de type liwchim:s il l'ecfCflrs supports [SMO 02i a t rcemment propos ct qu'il conduit des perronnances encore
amliores/DAY 02bj.

4.4.3. Mthode de cOllceplim!


Ayant ft noIre disposition un critre Hable. nous proposons une mcthode gnrale de conccpton de procdures temps-frquence de classification. Son principe est
expos Ilgure 4.10. L'ide est de tester systmatiquement toUles les conflgufations
(rgle de dcision. reprsenlation temps-frquence,. distancc), If faut toutefois l-iOUlgner que l'exprience du concepteur l'orientera prioritairement vers la rechercht:;
des solutions les moins coleuses cn temps de eu1cul et rputes les plus i1nbtcs. Par
exemple, on peut commencer par rechercher la mcHcure fentre du spectrogramme,
pour la rgle de dcision l'lus proche represelHalH et la distance de Kolmogorov
l'adc du critre de prohahilt d'elieuL Si les rsultats sont satisfaisants, il n'est pas
nccssaire de- tester d'autres conllguraliolls, qui seraient plus longues a calculer. Dans
ccrlains cas ttHefois. le temps dc calcul n'est pas un obstac!c ct la procdure esl
mene jusqu'nn bout. comme nous le prscntons dans le cas e notre exemple,
La mthode de conception a t upplicJue pour des reprsenlntions tempsfrquence e la classe de Cohen avec les trois types de noyaux prsenls en annexe
4,7, Le noyau radialement gaussien csl employ avec les ordres Pm',x = ]. lfmnx = 2
:3
ct Pilla:.:. = 3. celui de Chol-WHliams gnralis avec n = 1, '1 = 2 el 'I}
branches, et le noyau exponentiel orientable multiforme sous sa forme symtriquc
(/3 = 2; f' = 0,5) ou non ([]
'Y = 1), Ces huil noyaux ont t optimiss tant donn
les distances: corrlation. quadratique. LI. Kolmogorov, Kllback, BhnHuc1mryya.
3),
Muwsiw, N L'l, dviation spectra1e logarithmique (q = 2) Cl Jensen (!II

164

Dcision temps-frquence

0.1,---------_

0.1

0.08

O.OS

IlJJ6

0.06

0.04

0.04

0.01

0. 02 1

(l-l:-:~"'-".---.,.~-~=--::l

-0.1

0.1

0.:2

0.3

0'

-(J.1lI

IWI

al

0,06 1

,:

,i

."

O,06 J

\
,,

0.01,

0,(]4-

,,

0,01

{)J.i_~:..

0,04

0,081
,

'

OJi4 ~

0,03

0.1

0 . 1 1 1 \..
n.OR

om

hl

()

0.05
c)

0.1

-5

1
(loa

-",.""

10 OIJ()

1000n

dl

Fi~'Ure 4.8. Di.wrilmfnl1 de /a )'(Iriable ularoire dT'2 ~ d~\ JJOUf 10 ()()() ro!,wtolls des signaux
dt! l'cxcmplc ((mir plein) pour darrems couples (rcprsemarioH w1Hps-frqtU!lIc, di:N,mec).
En puuill :wmr traces les distributiol/s gaussienlles ubtenuc,',, arec les mmes moycllnc ef
con fype que Ics dixtrilmrhllfs Cil trair pleill. Les repn!scl/!ofiolls U'l1ljJs:lj"rjHcllce cr diSTances

cmployes soJlt: (a' IfO}YfU Y(ulialemcllf ga/us/en (PFJUT = 1) et disulIlcc de Kolmogorrw,(b) Wigller~Vi!le el corrlll1iOfI; (c) noyau C!wi-1Yilliams gnralisd il WIL' branche cl dsfance
tic Jenscn ; (d) noyau radia{emem gfmss/cn {pm"" = 1) et dist(JJlcc LI.

Les. 8 x 10 = SU nptimisalinns des noyaux ont t menes. Lu figure 4.1 i donne


graphiquement les. rsultats de classification de chaque noyau optimal. en fonction e
la valeur du critre. On remarque de nouveau une bonne ad{jutHion enlre le clitre
de probabilit d'erreur elle taux d'erreur. Lc~ distances les plus appropries sont les
if-divergence, NL 2 cl lu distance quadratique.
Parexprencc, nous recommandons d'employerpriorituiremcntlcs distances avec
normalisation pralable de la reprsentation tcmps~frqtlence, Parmi celles-ci. les
y-divergences sont trs performuntes (la distance de Kolmogorov ncessite le moins
de calcul).

Clussilication

1
.t; o.~
'r
~

1,15

.'. ..;}I

0.6

lfi;~ ,..

] 0.4

\>

-.

J. ,u
'

".'

.g
5

'1

"*>

~ 1':_~_~. _,._. _.i~_~_-Jli


..
".:,.'.

0.2

,)CPO

10

165

1.1

J ,(}5
-,,;.,

',."

20

30

4()

40

50

50

Taux cf"erreur (%)

Taux d'erreur (q,)

>
10
c) CPE

20
T~mx d'CITCur 1%)

Figure 4.9. Comparaison des trois aill'es {/l'pfiqus aux siglloux fie l'exemple. Chaque poinl
curresjJoml iIIl lIoyau dUfre11f de la cfass/! dl' Cohen pOlir lcque' un a rotll les lrois crifres
(sur lm appnmrissage de N 1 """ N'J = 50siR/WlI,,", (/l'ec la disrancc de Ko!mognrOl') elle wux
d'erreur (sur 2 >< t 000 sigllaux de test). Les /Joyaux lI1iliss corre,l)rllldcl11 dWerews }ell.T de
pommlres /)(JlW /(' J!(!)'Cw de Cho-lVilliams gnrillist.i ri fille bralldl(!,

Le meilleul' choix de noyau est plus intimemenlli au type de signaux. Le lableau


4,6 donne Ics mi11eurs rsultals (tuux tI'erreur d distance optimale) obtenus pour
chaque !ype de noyau (J). D'une munire gnraJc. il apparut que tes noyaux radialement gaussiens sont trs mallabcs el donc d'optimisuon aise. Le noyau ChoiWilliams gnralis est galement performant. En revanche, Je noyau exponentie1
orcntllble Illultiforme conduit des rsultats dcevants, ce qui illustre la ncessit
de considrer des paramtres nafurels pour </f 9. Le concepteur eSllihre de dfinir des
formes paramtriques adaptes pour un problme donn. mais en gardant ;j r esprit cet
impratif.
9. Pi.lr exemple. le nombre de branches, l'em;ombremeIlL l'angle sonl Ilaturds par opposition
p;iramlres du HoyaU exponentiel orientable multiforme dont l'action n'l'st pas dcoupe.

aUX

166

Dcision temps-frquence

j Chox Je rgle de Jcision ;........ L -_


Plus
procbe
reprsentant
_
__
.. _ _
.~~ ~~--

-- --t----- -------~~ ~~-

-~.

Choi1l. de ln distance

. r--

~_

.. ~L~~

ra--n-I 1.'1 1{P-~:cfgem;cJ Da.anee ;,peciralc

L-________~----------"
n

:.~

-~

n'~~'

n_.n

~d'l1ne forme

~~n

i..... - - .

n . ______ n

Autre RTF

Noyau unalytique
(ambigui'ls. '..... _1
{classe de _11_,c_n_I--'.__C_-'..:IP_o_n_._c_tc_.._I..Ji

! a~.~j;,~ique de la RTF

,
1

C'lkul e paramtres
optimaux e la RTF

"-""i

Valeur optimale
du crilre pour la

RTF retenue

Valeur opllmtlle
du ritcrc pour la

--fit>.

RTFrclenuc
r~~,

'---~'1'

rvldlleure rgle 'e dcision)

Meilleur choix dc la RTF.


de la istancc,
et de III rgle e dcisioll

Figure 4.1U. Algoritll/1/c tf'optimisa!tOlI


Celle mlllOdalogie es! sOI/mise

(/1/

d'Ilii

cfnssijieur tenJ[sji"lj/lem:e.

choix d'un crfrre pcrlU.'11f

Dans le cas des signaux de notre exemple, 1e classifieur temps-frquence optmal


esU.lnnc constitu de la rgle de dcision plus proche n!prSCJ1!t1fIl. distance ND:!.noyau radialement gaussien }J:uax. = 2. On notera que les rsullals du tableau 4.6 sont
Lous meilleurs que ceux dcs autTes mthodes non paramtriques prsenles ici,

4.5. Conclusiull
Dans ce chapitre. nous avons montr que la classHication de signaux non stationnaires rels (c'est--dire, rncsur; dans la nature) pouvait tre ralise efficacement
dans le phm temps-frquence. En outre. un critre efficace permet d'optimiser le noyau
de la reprsenlalion lemps-frquence qui sem utilise pour classer, Lu distance comparant les reprsentations temps-frquence devra tre. elle aussi. adapte au problme
particulier rcncontr, Nous prconisons toUlcfols les y:-divcrgel1ce:-;, dont l'emcacit
semble montre dans plusieurs conlextes.

ChlScsllkation

2,R,,-----

Jo7

!);~::?lo.Yc~

L,

OQll'I!!;-;,ti~1l<:

:
!

'1

*COIT':llllilm

:"

: \1 Klllmngnm<:
, cA KhUb;wl:

"

<:1

Bhmm:.ha

: > r,l.lt!l~iln

~
-

Jew,~J\

i .. t>:Ll
1 1) DeL SI'. J "iL

....

il
~

o
o
0

AAr

'0

o,61~_~__~,
JO

{J

10

30

50

40

Tnux d'erreur (i'!

Figure 4.11. Pour obtenir des risl/llats slmistiquclJ/cnt.liab!cs. la \'(flcur du ;:rilrc de prohabiHt d'erreur {/l'cr c!Wf/IU' !loyau (optimise! (/l'C(' NI ;;:;: N',2 = iiO .\'h:}lwrx d'oflJ1relllilisagej t'st
l'sftre .l'fI/' lm cnw:mhle d'apprentissage tendu (N l
N:: = JO OOU). Le ![//,.\' d'erreur es(
atlotl sur:2 x 10(JOO OlJlJ'eS S(ttIUIIlX.

Type de noyau
Raialement g..mssien

J",a"

= 1

gaussien Plll"", =

R,-\diaJ~ment

Taux d' erreur

Distanee optimale

: Matusitu

1.(w'>0

NL,

1,45%

R'ldllement guussicn fJl!l<lY. = ;J

ND;:

1.55':;)

I3huttadwryya

1.86t;-f!

,n,

rh

gnralis fI

~mlinms

gnrals 1J
gnralis Tl

(d~= 2, 1

".

1. 71 (t,'

:l

1.73 ri;

2,88 'i

orientable multifornlc
0,5)

LI

3,62 ~r

oriem'lble multifonnc

(1;= , = 1)

Tableau 4.6. RsultalS de class{ficalrjfJ des signoux MLF de l'exi:llljJ!('


]wr f{/ mthode d'upfimisatioll du flO)'tflt, On dOlllle les meilleurs risl/ltals pour W!
de noyait dOJln (appri'/IIis.wJgl'

Il

Nj =

N,J

= 50,

le,W

= {2 -=<

Hl OOU}

signanr)

(\JC

168

Dcision temps-frquence

4.6. Annexe: distances pOUl' la dcision

Dans le paragraphe 4, 1.3, nous avons vu que la classification fail nppc1 il des distances. ou plutt des illdices!le divergences car toutes ne vrifient pas l'ingalit triangulaire. Nous prsenlons ki une liste non exhaustive de distanccs utilises cn tempsfr4uencc~ mais val ab IcI'> dan;., 1es domaines temps, frquence ... Elles ont comme point
commun de regrouper en une seule valeur des comparaisons effectues point par point
du domaine concem.

Tl'Ois fammes de dislancs sonl utilises classiquement: J'une considre les reprsentutions temps-frquence comme des images {distances types Lq). une autre les voit
comme des densits de probabiliL. une dernire les assimile des spectres bidimensIonnel:.,

4.6.1. Distances L(l' distallce ql1adratique, corrlation

De nombreux travuux font rfrence ft la diStance euclidienne (volr par exemple


[ATL 97]l. Cette distance es! en l'ai! lin cas particulier des distanccs dites L". dont
r expression est:

),

(l,

rw dl d!]

[4.11]

On remarque quelques t'as particuliers:

- q = 1: distance de Manhatten,
- q = 2 : dhitance euclidienne.
- fi ........ oc' : dviation maximale.
La dis/llnce quadratique sc dduit de la diKlul1ce L'2 par dl:). La (1iSTance de
Afa/wlwwbis e!;t l'quivalent d'une dis.tance euclidienne dans un repre non orthonorm. Utilise en statistiques, clIc ncessite la connaissance de la mafricc de
variuncc-covarinnee {BQle~) des donncs dJ'une classe dans ::R et lndique la distance
de l'lment classer l'lment moyen.1: de ta classe:
d1\1ahai<lf1ohh(:r,I)

[4.12]

= V(;;:-J)TE>-:.(:r-:r}

La corrlation. quant il elle, est par dfinition un degr de ressemblance. Pour


ohtenir un indice compatlble avec une distance (c'esl-il-dire qUl augrncl1te avec [cs
dffrences), on uLiiise la distance par r'orrlalion dfinie ainsi:

"")

,~
(curt t:;ri~L:r::

1 (

(i.

ni" d! (If

[4.13J

Clm;sHicntion

169

4.6.2. Distances elllre tiensits tie pro{mMlil


le~

Une densit de probabilit p( Il), dfinie sur un domaine TI, respecte par dfinilion
contraintes suivantes:
- positivit:

- :somme unitaire:

Dans la classe de Cohen, le spectrogramme est la seule reprsentation temps:~


frquence {lui soit positive pour tollt signal. Par ailleurs, il n'est de somme unilairc
que si t.: signal et la fentre sont eux-mmes unittlires, AppUquer des distances pOUi'
densits de probabiHt des reprsentatjons temps-frquence ncessite donc de les
nonnuliscr. Plusieurs possihlits existent: la suppres~ion des termes ngatifs conduit
une pene d'inronnation et sera vite. A lusnge. il npparail que la viJleur ab!\oJue de
la reprSeniU(ion temps-frquence permet une bonne comparaison. La normalisation
retenue est:
Nep(t. 1) =

.,.

_Jl:~(t ni

..
J{le:;(s.lIJI cls d'J

[4.14]

Les i.p~lli\'cJ;f:el1CeS fOl'ment une famille de dislanees paramtres pur deux


lions, Soit tp :
~: IE une fonction continue strictemenl conVexe et lb : lfl:
une fonction croissante, Alors, toute cp-divergence .scriljBAS 89J;

. \= .{"El r ( P2C-'-'-1I')')11J

d .div.(PI,P2!

Ip

y..1

l..

-,
]JI !,.f'

ronc~
1P~

14.151

ia densit de probablit 1)1- Comme


comme fonctions discriminantes, flcuf le choix de rp est

O El est l'esprance mathmatique relative

teS distances sont utilises

crucial et conduit aux mmes rsultat.s quel que so{ 1:> iDUD 731, Le tableau 4.7 donne
quelques exemples de ces distances.

En dehors des 'y-divergences. on nolera la disfallce de Jensen LMIC 94 J, de paramtre mEN. Elle est base sur la mesure d'information de Rcnyi qui s'exprime:
[4.16]

Hm donne une mesure de la (]uantit d'infonnation prs\!nle dans une reprsentation lemps-frquence. Le calcul de dN k!\l:n ncessite la dfinition d'une quantit
inlermduire :

23

e>.
n

~.

'

"

.g

ru_

li

Ku 11 back

1 1 - . " (i l

-1 )1'
O~('il)

!Matusit"
1 (m:;, 1)

--

f)1-'''d/

-- .....--------

. .....

..

---.----

Cus particulier de ln disumce de Chcmofr pour nt = 1/2


1/1/'"

l Kolmog~;~-v--- -

(il.l' ) -- N'
e~:! (l. f)
. ) 1og N"~.il.fJ
Ne.~'~\Ln

_U'm

n.. _---_......

Bhnttacharyyu

r-M~t~~~~~

-----I----~--

-log(-u)

f
(0 ~ TrI ~
----

::.:..-....... --1

Il .... u!

Kolmogorov

11

[JI INe~:(t:f)'/m

.. Ne,ut. n'---fll

Matustt~ gnrali~e pour ln = l


parliculie~_~~_la di:~~ncc de M~~~~_sita gnralise po~~~_~~~=..2------

Cas part.culier de la distance de

Tableau 4.1. Quelques ;p-dil'CI:r;C/lces

COIHymWWm lItilhs ]JOUf 10 dcision c111mitcUlelJ{ dit sif?/wl

g
"nn

Classificalion

171

On peut alors crire la divergence de Jensen:

14.171
Le paramtre

4.6.3~

Hl

sera choisi cn gnral gal il

a.

Distallces spectrales

Une exten:;ion des deux l'amilles de distances prcdentes pEut tre obtenue faclel11cnt en ulHlsant les distances Lq entre les images normalises:

[4.181
On remarque que Je cas particulier q = 1 ~sl la distance de Kolmogorov. Dans Je
mme esprit, on peut tlflnir la dch'iariol1 speCTrale logarithmique '-VIN 94j:

[4.191
4.7. Annexe: noyaux paramtl"iques de reprsentations temps-fr!IUence
Le problme de l'optimisation du noyau d'une reprsentation temps-frquence
sc heurte plusieurs problmes, dont la dimension 1I1por!ante du n-oyau, Itl nt:essit qul respecte certnnes contraintes, etc, Nous prsentons dans. C'cUe l:lnnexe des
formes parumlriques de noyaux adaptes l'optimisation dans le cadre de la classiIkaton.
Parmi les proprits souhaitables pour les reprsentations lemps-frquence UlHscs, on retient en particuljer la ncessit d'obtenir des reprsentations lcmpsfrquence il valeurs relles. ce qui correspond il une contrainte de symtrie ccn[w1c pour r,D. Nous prsentons dans un premier temps le noyau radialement gaussien tNRG).

4.7~L

Noyau radialement gallss"en

Propos il l'origine dans [BAR 93! avec pour ohjectif l'amlioration de la lisibillt
des reprsentations lemps-frqucnce. il s'crit sous la !"orme :

14.20]
o {p. tJ) reprsenten! les coordonnes polaires dans le pan des ambiguts
(p:J = ( + r'2 ~ lnn(O) = (/T) ct 11(&) est la fonction dt: contour du noyau, Lc Jong

172

Ddson temps-frquence

d'une ligne passant par le point (~ = 0, T = 0) et d'angle fi, le noyau est de profil
gaussien centr CI d'carllype {O). Comme le noyml doit tre fI symtrk centrale. la
fonction de contour a(O) est priodique. de priode T. ce qui permet de l'crire sous
la forme d'une srie de Fourier:

[1(8)

li" + 2:](/"

cos(21'8)

+ Il,, sin(2pIlJ]

[421j

1,;;;;.,1

Si l'on reslreint celle somme aux ])rWL,< premiers cocffidenls. on a besoin de


2pnw,,; + 1 paramtres pour dcrire le noyau. En outre, pour viter que la fonction
(O} Oe prenne des valeurs ngatives, le cocflident Ull esl remplac par uo coefficient calcul de telle sorte que la valeur minimale de a(O) soit une ccrwine valeur c,
La ligure 4.12 reprsente plusieurs formes de ce noyau pour les ordres PIllHX = 1 ct
PIlll\X = 2.

4~7.2.

Noyan (le Chai.. n'ifliams marginales gnralises

Propos dans lXIA 96'1, le noyau de Choi-Williams tl marginales gnralises


(CWMG) s'crit:
[4.22]
o '1] est le nomhre de branches, Ok les angles des branches et ;; rgle la largeur des
branches. La figure .4,12 reprsente des noyaux avec diffrents nombres de hmnchcs.

4.7.3. Noyau exponemiel multijorme orientable


Lui aussi propos dans un objectif de rduction des interfrences. le noyau exponentiel multiforme orientable (NEMO) peut tre employ pour la classification. Son
expression est [COS 951 :

[4.23]

o A vaui ([TI;/Tn,,]"p. Le choix Li = 2 et i = 0.5 conduit A ~. 1TI;'I1)O 1 : le


noyau es! syrnLriquc par rapport aux axes (
0 et T = O. Pour li
"}' = 1, on
a fi = T(/ TOO: le noyau n' est pas symtrique par rapport aux axes. Pour CI :f O.
le noyau vaut 1 sur les axes E, = 0 cl T = 0 (conservation des murginales). Le cas
particulier't' = 0, 0; = 1 et ,\ = 1 correspond au noyau de Choi-\~liHiums, La t1gure
4.12 reprsente quelques exemples de cc noyau.

Cias:>ifkalOll

0,5

173

1.

0,5

(l

()

(1,5
64

NRG, onln.: 1

~
0,0

t\RG, ordre t

n.5

64 -;

(}.5
-6.+

(l

NRG.

ordr~:2

()

-11.5

~64

f)

CWMG, ::

~EMO.

symtrique

brallt:he~

NEil/IO. s;{lIIlriqut:

CWMG. 3 branche~

NEMO,

n~yllllfiqlle

Figure .... 12. Exemples de 1I0)YllfT paramfrqlfc.\' dans /(' plan dcs flm!JiJillf"ls.
pour ddfn:nf s jt?Ux de pammml.l' o AlRG cSlle noyau radialciJ/cJlI
gmtxsiell, NEMO
cst le }Joyall cxpo/ll?lllie! /IIulflforme nriemab lc cl Cn'MG l'SI li' Iloyau
de OlOi-Wi lliams
ft IIU/rgina/c.Y gllaliJ 's

4.8. Bibliographie
IATL 97J ATLAS L .. DROPPO] .. MCLAU GHLIN L <, Optill1lzing
tirnc~frcqucncy distrlbm iom
lor automali c das~ification ". dans SPIE-Th e Imemm iullfll Society
for Opllcal Enginee r-

ing.1997.

[BAR 931 B!\RANI UK RO .. JONE") D.L.,.{ A signal~dcpendcJ1t limc~rrcq


llcncy rcprescntaloll:
Optima! kernel desig.n }'.IEEE Tmnxactiol1s Off Signa! Proces.'tiug.
vol. 41. Il'' 4. p. 15891601. avril 1993.

174

Dch;ion temps-frquence

IBAS 891 BASSEVILLE M.,

Dislance measurcs for signtll proccssing and pattern recogniLion )', Sigual Proce.rsllg. vol. 18. nt) 4, p. 349-369. dc:cmbre 1989.

IBOA 901 BOt\SHASH B" O'Sl1EA P., H A mcthoology for dClcclon lli1d c1assillcation
or some undcrwatcr acollstc signais USillg timc-frequcncy anaiysls techniques H, IEEE
Transactjolls 011 Acons/C ..". 5/h'cch al/d Sigual Pf'Occssing, vol. )M, nt> 11. p, 2872-2HS3.
novembre 1990.
[COS 95j COSTA H.. BOFDREAUX-BARTELS G.F.. Del'gl1 Dl' timc-rrequency reprcsenlarions usiug li ll1uitiform, tiltable exponcntial kernel )1. IEEE 1hmsdCfOlt.r Off Signal Process/ng. vol. 43. n" lO. p. :!183-230l, tJCtobre 1995.
lDAV 981 DAV"f ~L DONC:\RL! C. ,{ Optlmll k,!mcls oflime-frequency representations for
signal d!ls~ificlltion }'_ dans ProceedillgJ of t!Je Imenwtimwl Symposium Of! TFTS, p. 5~ 1584, 1998,

c.. TOURNERET J.Y., Supcrviscd classHication using


NICMC mcthods ", dans Pmc(!cdings ft/" IEEE ICASSP '](){)(), 2000,

roAV OOj DAVY M" DONCARLI

t(

fDAV 01aJ DAVY M" DnNCARU c., TOCRNERET IY., ,( Classllcltlion of chirp sgnals t1s1ng
hicrarchkal hayesm Icarning anti tvlCMC mcthuds ", IEEE 7tms(1ctiolls 011 Signal Pmcessif,!;. vol. 50, If' 2, p. 377-388. fvrier :WO:!.
[DAV O:::hl DAVY M., GRETTO:-l A., DOt!CET A., RAYNER PJ.W,,' Optmiscd support vector
machines for nonswtionary signal dassiflcation '>,IEEE Signa! Pmccssillg Leuc!'s, vol. 9.
n" 12. p. 442-445. dmhrc :::002.

rOUD 73J DUDA R.O" HART P,E., PallclI Classijici1fm ami Scr}//c Analysis,
Inl'ersdencc, 1973.
[FLA 911 FLANDRIN P., .( A tim<>1'cquem:y formulation of optmal dctcctiOI1
Gcrions VII ACOIIW'C." SpecclJ (llId Signol Pmcessing.

vol. 36. n" 9, p.

Wilcy~

l'. IEEE Trun\"

13}7~ 1384.

l-icptembre

1992.

{GRA 9HI GRALL-MAils E., BEAUSEROY p" ( FcaLure extnlctin for signal classification
b'lsccl ol Wigner~Vi1lc distrihution :md mUlual informatIon crilcrinn ", tlllflS Pro('[!('dinMs
ofrl/(' Imcrllalimlll! .~:\'1frposiJJm an TFTS. p. 589 59:!, 19!f8.
M

c..

[HEI95] HEJTZ
-i, Optjmum timc,frequency rcprescntatjol1s for the classJlcatioll an
rlctcction of signais ;j. llpplied Si,r;fI(/! Pmcessing, vol. 3. p. ! 1,J143. J 995,

lMIC 94)

MICHEL O . BARAN1UK R,G" FLANDRIN P.. Timcfrcqucncy base dswncc ,IUt!


liivergl'tlcc mensure ". ans Pmc('cdiugs oIfln' IJ1lL'f'Ilil1ional Sympnsil//11 Olt l'FTS. p. 64,67,
1994.
(i

[PTE 95J PlEHSO:-.l v.. MARTiN N" " WaLcrshed segmentation of time-Ircqucncy images ".
dans ProcecfllIgs 0.( tile IEEE Worb"hop un NOl1fincal' Signol and Imaf.tc Pmcessillg, 191)5,

[SMO 021 SMOLA A .. SCHOELKOPr: B .. Leamillg \rirh Kenwl'\",


sachussclS. Etilts-Unis, 1002.

[VIN 941

VINCENT L, DONCARLI

C .

LE CARPENTIER E . "

~tllT

Press, Cambridge, !'vlas-

Non-statlonary :>ignals cJassifi~

c"loo lIsing timc-frcqucncy istribulioll5 ;;. dHn~ f>mcci'dingx (~f'["C IlIlcmmiOlwl Symposil/m ou T'fTS, p. 233-236. 1994,

Classification
[VIN 951 VINCENT 1. Clas5ilkation de signaux non
centrale de Nunles, Frunce, 1995.

stntionnaire~,

175

Thse de m:tofl.u. Ecole

rXfA 96j XIA X.G .. OWECHKO Y.. SUFFER B,H., MATIe R.M .. On gencralizc-marg:inals
time-frequency distributions n, IEEE Trtlfl.mClioJL\' ml Sigual Proce.\St)j. voL 44. n" ! 1.

p. 2HX21H86. 1996.

Chapitre 5

Extraction de motifs temps-frquence

\( J[ entre dans toutes les actions humaines plus de hasard que de dcision J),
dit Andr Gide. Cette citation. un tant soit peu lapidaire, pourrait moUver le souci de
concevoir des algorithmes numriques de dcision en esquive flulle dcision humaine
qui, au demeurant, reste ingale lorsque prise par un expert

Les proccupations de cc chapitre se tournent vers l'interprtation d'une


reprsentation tCl11jJs-frqucnce (RTF) d'un signal non stationnaire. intcl1m!lation
souvent complexe et dlicate. Pourquoi cl comment dcider si un point d\l1lc RTF

provient du brut seulement ou porte auss l'nergie d'unc information signal? Nous
proposons deux alternatives qui tentent de rpondre il celte question.
Dans notre eus, l'espace d'obscl'Vation associ au signal discret r[k] ludi est llll
sous-ensemble de ,)(2 tel que pour toul lment (k,v) de cet ensemble. nOl C. il
existe un coefficient de la reprscmaton temps-Jh~qllcnce Pr[k,v], v reprsentant la
variable frquence normalise par la fhSquencc- cl' chuntllonnage :

C ~ \(k. v) 1 (k, v)

iTI" el p,

[l<, v] existe pour un signal r[k] donn)

[S.l]

Les lments de C vrifient rune des deux hypothcses suivanles :

- hypothse /J(I : le signal est un processus stationnaire, guussien. blanc, not


b[k], de moyenne nulle et de vmiance al :

[S.1]

1B

Dcisiun temps-H'quellce

A Celle hypothse correspond un sous-espace de C, not Lllu et dfiui par:

41" =(k,v)/{k,v)EL:

et r[k]

b[k])

[5.3]

- hypothse Hl: le signal est la somme d'un processus- stationnaire, gaussien,


blanc et d'un signal dlemliniste not d[k] :

r["] = b[k]+d[k]

[5A]

Aucune hypothse n\:st lixe SUr te signal d[k] qui est considr; pour lre
gnral, comme non statonnaire el reprsent dans le plan lemps-frquence par plusieurs
composantes non connexes. Sous I~hypothse Hh l'espace des observations. not
CHj' est le complmentaire de CH" dans C ;

[.]~ est le complmentaire de dans C.

Dans ce chapitre. l'objectif consiste. partir de la connaissance de C, de


dtel111iner les sous-ensembles L.I-Io ct LH l' Deux approches sont proposes avec le
souci de mnimiser la connaissance d'information il priori, Les deux mthodes nc
font en particulier aucune hypothse sur les composantes dtel1ninstes qu peuvent
tre des frquences pures, des frquences modules ou des transitoires.
La premire approche dveloppe dans la section 5.1 exploite la possibilt d'un
liItruge non linaire. Les liul1es de cette approche nouS ont conduit il en proposer
une autre, totalement dffrente dans son principe et dveloppe dans la section 5.2.
En prlminaire, il nous semble mporlant de cemer la signitic.ation d'une RTF
par rapport une image. Signal, image il est frquent d'entendre dire qu'un signal
n~est qu'un cas particulier d'une image sur le plan stricte de la dimensionnalit.
Peut-on pour ainsi dire que ces deux entits sont quivalentes ? Qu~en est-il de la
representtllon lemps-frquence d'un signal? Est-ce que tout lment de )If::! est une
image? Quelle est, en faiL la smuntique du mot image?
j

Au sens le plus hubituel, une mage est. un instant donn, une dis1rbutiol1
spuliale d'intensits lumineuses dans le plan de projection du capteur qui observe
une scne [CHA 91]. Cette distribution est une fonclion relle, non ngative et
bome en amplitude [PRA 78], A partir de celle image peuvent tre calcules les

Extraction de motifs temps-frquence

179

vlenrs de luminance et les valeurs spectrales tri stimulus qui caractrisent III rponse
en couleur cl' un systme de vision.
Les variables d'une imag som. de mme nature, !"image est isotrope dans loutes
ses coordonnes. Chaque point ou pixel est rortement corrl nvec 50n voisinage,
sauf sur un contour. Un sOtLs~enscmbfe pertinent d'ulle image dfinit une rgion,
l'holnognit de l'hHensit lumineuse est un critre pertinent pOUf une rgion. Il
n'existe Cf priori pas de connaissances sur le nlOdle de gnrnton d'une image,
Une reprsentation temps-frquence est aussi une fonction relle de deux
variables, rvlais~ l'analogie s'arrte l.
Les variables d'une RTF ne sont pas de mme nature: le temps ct la frquence
ont une nature physique dillrenle. Une RTF est anisotrope. Chaque lment de la
reprsentation est concil ml non avec son voisin. S'il y a conlation. cette com:lation
suit une direction privilgie. Un sous-ensemble pertinent d'une RTF dfinit une
rgion qui est caractrise par une structure, une continut temps-frquence et une
non-homognit de l'amplitude. Une RTF est une fonction dont les propriles sont
fixes par la mthode qui j'a gnre. Ainsi. un spectrogramme est positif alors
qu'une distribution de Wigner-Ville ne rest pas. Les connaissunces sur le mode de
gnration d'une RTF sont connues. Le coefficient d'un spectrogramme est le
rsultat d'un filtrnge-quadration-intgrntion du signal, le liltrage tant connu (notion
de fentre spectrale de l'estimateur spectral), Dcmief pOnt et non Je moindre. ln
reprsentation matrielle d'une RTF est ralise au moyen d'une image dont
l'amplitude est code par des niVCflUX de couleur ou des niveaux de gris. Cette
image n'est qu'un moyen de visualisation, pas toujours adapt au contenu de la
RTF. Il peut tre judicieux de sen uffranchir.
Cc rapide comparatir montre qu'une image et une RTF sont des Jonctions de JP
qui ont des spcfics qui leurs sont propres. Par contre, le traiteur d'image ct le
traiteur de signal ont des objectifs communs: ils cherchent il mettre en vidence des
structures. dans la reprsentation, ils cherchent il dtecter. interprter, compresser.
C'est pour cette raison qu'il peut tre pertincnt d'interchanger la philosophie
d'une mthode de traitement entre une image et une RTF. Cette interconnexion est
lme source d'ides nouvelles, Par contre. le dveloppement de la mthode doit
absolument tenir compte des prorrits des lments manipuls. Il ne s'agit pas de
l'application 8veugle d'une mthode mais d 1 une nouvelle gestation.
Prenons l'exemple simple de ln caractrisation d'une rgion dans l'espace tempsfrquence, Une mesure mtrique td que le prmtre d'une rgion projete dans
l'espace temps-frquence n'a aucun sens. Pur contre, la projection temporelle du
mo1ifreprsente la dure d'observation T du sgnal ct!)a projection sur l'autre axe la

l HO

Dcision temps-frquence

bande frquentielle B. Le produit e ses deux projections constituent le produit BT


d'un grand intrt pour le traiteur de signal. c'est aussi la surfucc d'une rgion dans
laquelle s)jnscrit le motif tudi, Dans le domaine de la strologie qui permet de
relier des paramtres topologiques des paramtres mtriques, la projection linaire
iotnle (ou variation diamtrale) d'un sous~ensemblc [COS 89] est une mesure mtrique
dans ~J2 qui est fonction du nombre de connexits du sous-ensemble tudi duns une
direction donne. Dans un contexte temps-frquence. une variation diamtrale ne
senl pas value pour toutes les valeurs angulaires comprises entre 0 et 1t mais
pour deux directions seulement, j'une parallle l'axe temporel et l'outre parallle
l'axe fh~quenteJ. Cette mesure apporte plus d'nfonnations sur l'volution {le la
modulation tcmps-li'qucnce qu'un simple produit BT (voir figure 5.1).
D,t=Oi=t5+ II +5idD,
v

u.

1)

Figure 5.1. CalclIl de la pr(~ject;oH linaire lotale D] dans la dirccliou a {}


l'mir del/x cOlllposames lemps-.fhJ(JucIJCC de mwe dure T ef de mm' hande B"
Celte

I1IC.I'lIl'C

rejlte la complexit de la modulatiof(

5,1. Segmentation pa,. filtrage non linaire 1

L"ide dveloppe duos ce paragraphe consiste appliquer ft une RTF, fonction


dfinie sur ~)(1" une transformation telle que l'espace image soit gale CHl'
La Lransrormatlon ln plus simple qui vcnt rcsprt est la fonction seuil dont les
inconvnients sont bien connus. Mis part le lit que le choix du seuil ne soit pas
toujours ais. cette transfurmation non linaire ralise une coupe horizontale de
l'espace intial L, qui peut aboutr la division d'unc composante, in partie de faible
amplitude tant considre comme du bruit malgr une conLnuit temps-rrquence.
Les modulutions d'amplitude conduisent souvent il de telles situations.
Afin d'viter cet inconvnient, il serait intressant de proposer une tnmsfonnation,
toujours non linaire. mois qui sladaptel'ait Li l'espace initial C. A ceUe fin, il est

1. Secton rJige par Nadine MARTIN,

E:nrm:tion de motifs temps-frquence

1R1

ncessaire de pouvoir analyser quantit:.ltiveme111 la stl11cturc de C La thorie qui


sous-tend ceue dfinlion existe et s'intit.ule l:.l morphofogie mathmatique.
Lu morphologie mathmatique [COS 85, MAT 75, SER 82) a pour objectif
d'extrulre des informations quantitatives d"une fonction en comparant cette fonction
une fonction lmentaire connue appele lment structurant. La comparaison ou
tmnsfonnation de r ensemble initial est ralise par des relations boolennes
(suprellwm. h?fimum, union. in1ersection. etc.). Les fonctions ct lments structurants
sont vus comme des ensembles. Cette dmarche ensembliste, purement 11011 linaire,
es1 de type structurel car clle cherche il caractriser la gomtrie d'tm ensemble par
rapport la gomtrie de l'lment structurant Les concepts sous-jacents sont des
concepts de geomtric mathmatique. li nous a sembl Interessant d'envisager une
telle approche sur une RTF dans le but d'intgrer dans la mthode de dcision une
description de la structure particulire de lu RTF.
Le berceau de la morphologie mathmatique est le tratement d'image. Nanmoins.
cette thorie a t applque il d'aulres domaines, lels (lue la thorie des jeux ou la
recherche des trajectoires d'un robot [SCH 94). Dans le plan temps-frquence. elle a
t utilise pour rdure les interfrences de la transforme de Wigner-Vlle
[AST 95]. pour dtecter des motifs particuliers tels que des arcs lectriques [LEP 01]
ou des chos ultrasoniques [CUD 01], pour extraire les ar1es d'une transforme en
nndelettes [GOR 02].
Dans ce chapitre, nous montrons une application de ln morphologie muthmfltique
lel11ps~frquence, (lueJ que soit Jeur nombre ou
leur struCLUl'C. L'espace .cHI recherch est une partition du phm temps-frtlllCncc. La
morphologie mathmatique propose une technique de segmentation dans le but
cl' extraire Je contour des diffrentes parties de ccl espace (voir les pamgraphes 5.1,1
el 5.1.2), Des applications sur signaux rels (voir paragraphe 5.1.3) illustrent les
bonnes performances de celte approche qui prsente nnn!lloins des limites
explicites dans le paragraphe 5. lA.

aux RTF pour l'extraction de motifs

5.1.1. S(,,!gmentatiol1 morphologique: notions lmcntaires


Une segmentation consiste il pnrtilionner une reprsentation en un ensemble ou
en rgons ou sous-ensembles homognes selon un critre prdfini. Intuitivement.
une faon simple de procder est de dterminer les lignes de crte du gradient de
l'image. Traduire en termes mathmatiques ce concept est plus complexe, ce qui
explique diffrentes approches. La morphologie mathmatique utilise la notion
d'attracteurs des minima de ia reprsentation. Le complmentaire de ces attracteurs

182

Dcision temps-frquence

est la ligne de crte recherche. appele ligne de partage des caux (LFE) par analogie
avec l~hydro!ogie, Appliqu directement sur une reprsentation brute, l'algorithme
de LPE ne fournit pus toujours le resuhal escompt, Le morphologue va plus loin en
prtraitant la reprsentation. Il va chercher il isoler un sous-ensemble par rapport .\ lin
tond en modlisant des connaissances a priori. L'introduction de ces connaissances
se fera autant au niveau de j'ensemble extraire. le motif ten1ps-frquenee en ce
qui nous concerne, que le fond il lminer, le bruit. Cette connaissance se matrialise
en termes gomtrques par le choh d'une suite d'oprateurs cl le rglage des
paramtres associs, cn parlculier la fbnne cl la laHe des lments structurants.
C'est cette phase dlicate qui assure unc bonne segmentation.
Une RTF est une fonction discrte. Nous nous sommes donc appuys Sur le
paradigme de segmentation d'une image nun1rique dveloppe par S. Beucher ct
C. Lantujo,,1 [BEU 79]. Ce paradigmc prsellte Ilne mthodologie gnrale en deux
tapes. La premire t~pe de prtraitemenl est souvent qualifie d' intelligente)}
alors que Ja deuxime tape, aUlmnalique, calcule la LPE (vll-ir figure
Dans cet ouvrage, il n'y a pas lieu de dcrire ni les oprateurs de morphologie, ni
l'algorithme de segmentation. Le lecteur intress se rfrera il la publication
originale [BEU 79J ainsi qu'aux publications ultrieures, IfUt d'amliorations de
i"algorithmc [BEU 90, MEY 90u. MEY 90b, VIN 91J. li est intressant de pouvoir
consulter un tutorial rcent sur le sujet [MEY 0 J J Nous ne donnons ici que les
grandes tignes qui permel1ront au lecteur non familier d'apprhender le principe de
l'approche. Le paragraphe 5.1.1.1 nonce le principe de l'algorithme de la LPE qui
ne ncessite pas d"adaptation pOllf les RTF, cette phase tant automatique. Le
paragraphe 5.1.1.1 fournit les objectifs de l'tape de prtraitement qui doit tre
conu pour chaque application partir des nformations CI priori sur la structure de la
reprsentntion,
5. LI, 1. Algorithme LPE seI/il par seuil

Soit F[s] une f'onction segmenter, fonction positive dfinie dans :r;:2. il valeurs
dans ~)( et borne telle que rensembie des points s fonne un compact L dans ~:l(2.
Cet enst.'mblc C est compos de 1 sOlls~ensembles ou composantes connexes,
compactes et disjointes, notes Ci :

c=

UCicC

[5.6]

)::z!,l

J. PrewH1 [SER :ilJ dfinit en 1966 la zone d'influence godsique ou LPattl'action


de chaque composante Ci dans L Ilote ZI(Ci/C), comme le lieu des poiots s de C
qui sont godsiquement plus proches de Ci que de Cj- j :;f:. L ce qui s'crit

Extraction de motifs temps~r!"qucl1cc

183

o dds,c) cst la dislance godsique entre les poinls S el c dans


dfinie par la
bome inrrcure des longueurs des chemins allant de s vers c ct totalement inclus
dans L :

L'adjectif godsique est donc li nu choix de la distance, d'autres choix sont


possibles [SCH 93 J.
En 1978. Ch. Lantujoul [LAN 78] dfinil le squeleue par zone d'influence ou
SKIZ (godsique) de l'ensemble C, uninn des composanles Ch dans L comme le
complmentaire de l'union des zones d'influence (godsique) dans.c :

-c
SKIZ(C)=[UZI(C;
;~!

IL:)

[5.9]

Je

Ce squelette est en nt le contour des composantes Ci au sens de la distance


considre (voir figure 5.2}. Dans Je cas Ol! les Ci sont rduts des ponls, le SKIZ
est appel diagramme de Vorono [BER 90].
ZI(C,ID

Figure 5.2. !!lus/m/ion dcs d4/initiol1S de:~' ::.oncs d'influellc,:s ef du SK1Z


d'uu ltsemble C. union (/c qualre composallles dal/s 1111 ensclllhle C

Une segmentation morphologique par construclion de la LPE par inondation ou


immersion. la premire historirjuement consiste calculer H:ruiivement les SKIZ
godsiques en initiant la procdure par le calcul de la zone d'influence des minima

184

Decision lemps-frquence

dans l'ensemble des points iL un niveau juste suprieur el ainsi de suite jusqu'au
m'Lximum de la Jonction. L'algnrilhme de Bcucher ct Lantujul [BEU 79] adapl
aux fonctions discrtes se construit de la faon suivante. Soit LI les sous-ensembles
de L. dl1nis par:
[5.10]
avec L
rF, ,
min

infF[s],

Fm"X =SlIpF[S]J.

L'ensemble 'co contenlles minima de ln tmction F[s]. L'ensemble LI contient


les points de la fonction F[s] qui sont au niveau 1 + Fmin ains que tous les points de
F[s] qui sont il un niveau infrieur il l -+ Fmin.
A chaque niveau i . In runion dt la zone d'influence et des ventuels minima ml
qui apparaissent il ce niveau forme un ensemble appel bassin versant. par analogie
avec rhydrologic, que nous noterons W l,
A chaque niveau ou itration 1. et ce pour 1-,; 0, Fm:!>.. - Fmin et avec un pas li il
la quantification en amplitude, est calcule la zone d'influence du bassin VerSi1l1t de
l'itration prcdente dans l'ensemble LI. soit ZI (WI_II Li J. A l'initialisalion :
[5.11]
Le bassin versant au niveau 1 correspond cette zone d'jnnuence augmente de
l'ensemble des minima ml apparus au nivcnu 1, soit :
[5.12]
Le complnlentaire du bnssin versant obtenu au niveau maxima! de la fonction,
soit pour 1 r max ~ Fmin. cnrrespond au SKIZ ou LPE recherch:

LPE = [W'-F
.- ".,,,, -l'min

-c

J1:.

5.1, l .2. Pl'lrailemelll : modlisalio11 des cOImn;SSQnce,,'

[5.13]

{f

priori

Un algorithme de LPE appliqu direclement sur une l'eprsenkltoll brute conduit

une sUfsegmcnwton. Une premire tape consiste il filtrer la reprsentation afin


d'amliorer le contraste entre les composantes et le fond dans L. Cette tape de
filtrage amliore ln seglllentation mais n'est, en gnral, pas su ffisanle. Une solution

EXlraction de motif" temps-frquencc

185

intressante consiste il initialiser l'algoriH1fllc. non pas par j'ensemble fo des


minima de la fonction segmenter comme prsent au paragraph 5,1. J, 1. mais par
un ensemble rduit M appel ensemble des marqueurs:

MCLn

[5,14]

Cette opration est appele inondation (ou Sll'mnpJ/g) [BEU 90]. Dans cc cas. les
quations [5.1 IJ el [5,[ 2] sont remplaces par:
W~I=M

W1=ZI(W1,_I/LluM)

[5.15]

L'objeclifu prtraitemcnl est double. Cette phase doit construire la fonction qui
sera segmente ct dfinir les marqueurs. Cette phase est. en fhit, la plus importante
et surtout la plus dlicate. Elle dcmande une excellente connaissance a priori
des proprits des composanles segmenter. Celte phase est souvent qualil1e
d' intelligente H.
Une segmentation morphologique par LPE est dOllc prcde dune successon
de transformations morphologiques, lransfbnnations non linaires diinjes pOUf
chaque application en fonction des connaissances Cf priori et des objectifs atteindre

(voir ligure 53).


Nous n'allons pas dtailler dans cel ouvrage toules les possibilits de filtrage ou
choix de marqueurs. Des choix envisageables en cc qui concerne lu reprsentation
particulire qu'cstla RTF sont dvelopps dal1s [PIE 97] et [LEP 02], le puragraphe
5,1.2 en rsume la philosophie,

5,1.2, LPE et RTF

L'algorithme de Beucher ct Lantojolll, tel que dfini par [5.12] et [5.13]. est
initialis par l'ensemble Co des m;l1ima de la fonction F[s] segmenter (voir [S,JO])
ou par des marqueurs. sous-ensemble de Lo- La LPE ainsi obtenue, voir [5.13],
correspond alors une ligne qu dlimite les minima de F[s] et Qui rejoinl les
maxima de Ffs].
Pour obtenir la ligne de contour des composantes d'une fonction, cc qui est le cas
d'une reprsenlation temps-frquence Pr[k,vl ~ Pr[s), la LPE doit tre calcule non
pas directement sur celte fonction mais sur le gradient de ctte Ibnctiol1. note
grad Pr[sl Ce gradient est obtenu par uo operateur morphologique, rsidu entre une

186

Dcision tempsMfrqucncC'

dilalation el une rosion [SER 82]. Ainsi. l'algorithme de Beucher el LanlUjoul es!
appliqu sur une ronction F[s] dfinie par:
[5.16]
o

Pt [5]

eSlla filtre de ptls] ~ Pt["'v] qui dfini! l'espace d'observation t:..

La LPE de cette fonction dlimitera les differentes composantes connexes de


LH!. sous-ensemble de L dfini dans [5.5].
Phase de prlmitcrncllL

~selltu~ion initiale

...

C!2!i~s morphologiques
-_-LI'."-_--~

~ueursM,

Fonctiun lhn;';

;1
~
rUTlt:tion flyllLhllque
Font:tion

riliTt~

\{ sW<lmpe ),' pur M

Phase iJuwl1la!iquc :

c:l.lcul de LPB

Ensemble de contours ferms

Figure 5.3. Paradigme de segmentatiolt morpllOJogique

Constrnire un filtre ncessite in drnition d'un critre. Dans un contexte tempsfrlluence. un critre intre5sant est le critre de contraste ms en uvre par des
seuiHages~ les seuils tant dtermins partir d'une tude des histogrammes de la
dynamique ct/ou de l'amplilude des 11!riuh1 de ln RTF. Il peut tre intressant de
considrer lIll critre de largeur de bande mis cn uvre par lm liItmge par " chapeau
haut-do-forme" (oulop-hal) [MEY 77. SER 82J.
Les marqueurs introduits en [5,15] sont dfinis par une fonction binaire qui
identifie des points pertinents de ia RTF, affectation du marqueur il la valeur J, par
rapport ft des points inintressants. am.'Ctation du marqueur la valeur 0, Ces marqueurs
sont obtenus par des truns['om1ations morphologiques de la RTF, transformations

Exlractoll de motifs

temps~frqucnce

lH?

chosies fi nouveau par rapport aux infonmltions a priori. Ces marqueurs indiquent
la prsence d'ullc rgion segmenter sans dlimiter exactement cette rgion, Ils
!1CrJ11CUcnt de limiter la surscgmenlntion ou l'oubli de rgions segmenter, Dans le
contexte temps-frquence, nous proposons de calculer des marqueurs du signal ct
des marqueurs du bruit. C'est un des intrts de l'approche par morphologie. Par
exemple. si le critre est nouveau un critre de contraste bas sur la dynamique
et/ou l'amplitude des maxima de la RTF, les marqueurs du slgnal sont les points de
la RTF dpassant un seuil th J'aide d'un histogramme de lu dynamique el/OU de
l'mnplitude.
Le calcul de la fonction segmentef OH des marqueurs consiste ainsi il mettre en
uvre des filtrages morphologiques sur une reprsentation discrte, cc qui ncessite
la dfinition d'un voisinage [CHA 91] d'une part, et d'un lment structurant d'autre
part ISER 82].
Par construction. la trame de la RTF est n~cessairement calTe. Le voisinage d'un
point peut tre 4ffconnexe ou 8ff connexe [CHA 91] La dfinition de la connexit-4
est cohn.::nle avec ['anisotropie de la RTF mais elle a tendance sursegmenter des
motifs, telles que les modulations de frquence, qui ont une continuit dans [e pian
temps-frquence qu'un filtrage doit prserver. Pour celte raison. nous avons choisi
une conncxit-8 pour les motifs temps-I'lJqucnce et une connexit-4 pour J'analyse
de la RTF du hruil [PIE 97].
L'anisotropie d'une RTF nous a conduil il adapter la structure des lments
structurants. Afin de lnettre en uvre des obj~ctifs dfins pal' rappmt la structure
de lu RTF, soit par rapport il la variable temps ou la variable j'rquence. les lments
structurants sont choisis linaires verticaux. linaires horizonlaux ou rectangulaires.
Un nltrage avt:!c un lmenl structurant linaire vertical (rcsp. hOrlzomnj) n'oprera
que dans la direction frquentielle (rcsp. temporelle). II est ainsi facile de ne filtrer
que dans une direction privilgie.
L'algorithme de LPE est ensutc applique non pas sur la RTF mais sur une
tnmsfonne de la RTF et nOI1 pas partir des minima mais des marqueurs, Le type
de filtrage el les marqueurs sont dfinis par rapport il la structure de la RTF cl P;lf
rapport aux proprits spectrales du signal tudi. Le rsultat de la segmentation est
lin ensemble de points appartenant des contours lnns, ces contours dlimitanl les
motifs temps-Il:"quence pertinents par rappon aux critres choisis,

IS8

Dcision temps-frquence

5.1.3. Applicatioll SIII' des SigllllllX l'el'i


5.1.3,1. Un signal de bioacollstique
Le premier signal rel prsent est l'enregistrement il 32 kHz d'un signal de
communica1ion d'un dauphn. Les dauphins communiquent entre eux par
l'intermdiaire de frquences sonores leves. Leurs conversations sont rapides.
environ dix fois plus rapides que les ntres. Il existe deux grandes fumil1cs de
sons chez les dauphins, les siFnel11el1ts ct les clics d'echolocalion [AU 93, AU 97,
DZI 77. LER 79J,
Les sitllements. dont la frquence s'tend de 4 il 10 KHz, servenl il la
communication et sont souvent associs il des comportements motionnels. Chaque
dauphin met un sifflemcnt qui lui cst propre ct peut imiter la signature acoustique
d'lin autre membre de son groupe pour l'interpeller. Le dauphin est l'un des rares
mammirrcs appeler l'un de ses congnres en imitant sa signuture.
Les clics d'cholocation occupenl une large bande de frquence (de 20 200 k}lz).
Les dauphins sont capables d'mettre des CHS de trs haute frquence en }1rodusant
des sons d'umpHlude trs levc (suprieure n 210 dB) qui servent l'orientation, la
navigation ell'anaJy~c de leur environnement (obstacles, objeL<;, proies),

Le signal tudi dans ce chapitre est reprsent dans le domaine temporel au bas
de la figure 5An, Les signatures caractristiques tant non sliilionnaires, elles sont
plus lisjbJes dans le domaine temps~nquence. Une reprsentation en est fate par un
estimateur de Capon glissant [MAR 03] en haul de la figure 5.2a, Chaque motif
temps~frquence est de courte dure, 0,2 il 0,6 s ~ur le signal tudi. module en
frquence el en amplitude et noye dans le brut marin.
Le bruit marin est un bruit color, fortement nergtique en basse frquence. La
dtection et Pestimulion sont dlicates pour les basses frquences auxquelles, cn
plus, les dauphins ne peuvent produire des sons que de raible amplitude, L'exemple
prsent est une communicaon il fh!quence lible (autour de 10 kHz) ct d'amplitude
moyenne, En ce qui conceme le signal tudi. l'nergie du sgnal mesur est rortement
diminu au-del de 13 kHz il couse de la prsence d'un filtre unt-repliement
Une segmentation de ce signal a d'abord t ralise par ulle LPE (voir 5J.2,1)
applique sur un gradient rgularis non paramtrique de la RTF transforme par un
filtre (\ ch<ipeau haut-de-forme)} [PTE 95], L \ltilsullol1 du gradient rgularis 110n
paramtrique permet d'viter une sursegmemation des molirs. Afin d'viter ce
traitement. il est pricrable d'uliliser des marqueurs (voir 5,] .1.2).

Exll'ilction de motifs

temps~!h:qucncc

~50,5

lfi

~ 14
;::;

189

12
8

"=o

,;:,:
~

4
2

()

4 H8l

Il 1

~36~'+'------

u)

Temps (s)

h)

Temps

~t!~~
4:

c)

~lL,
__~_
0
12 ~
Si

If.\

(5)

1"-...,,,4~
II"-Uif:
,

P~~'

61

d)

1"

~
\., ;

,I~

rtfl

2A

Temps (5)

16~---

N 14 ;

:g

Il,

__-------r-------r--------~____~

~+------------------------------~
o

Temps {SI

,
,

,1

2.-+

b'

1
e)

Figure 5A. Sifflement d'ull dauphin I~ 31 kH:::, (a} RTF Capon g/is.wm (Iaille des scgmcm....
L 156. ordre de Capou M "" 10. dco/age des scgmeilf.\ 3D %. rmmhJ"c de !l0ims Cil
ji'qucnce
J56 et signal Wj1otel, (M marquem:\ du signai, (c) lI1(lrqllelJl:~' du bruit,
(dJ nh"i/ft/I de la sgmemalion par LPE, (el l'exultai d'une segmemmion ismlil'tft/II il 3/,5 dB
de la plIissance minimalc.

190

Dcision

tCl11ps~f'rqucncc

L'tude de l'histogramme des amplitudes de la RFT montre, que poor cc signal,


l'amplitude est un critere discrminant. CCL histogramme (voir ligure 5.5) est rparti
sur trois rgions distinctes. La rgion d'intrt, de 31 il 40 dB, contient les points
tcmjls-irqllcnee de la bande [0, 4 kHz] associs ao bruit de mer en basse frqoence
cl les signatures acoustiques des dauphins de plus de 8 kHz. La rgion de 0 il :20 dB
correspond aux frquences de la bande de coupure du filtre anti-repliement
(Il'queuees comprises entre 13 kHz ct 16 kHz), Celle de 10 li 31 dB conespond
aux points temps-frquence de la bande [5 kHz, 12 kHz] do bruit de mer. Ce critre
est simplement exploit par l'application d'un seuil. Un histogramme calcul sur
la dynamique ne permet pas de spurcl' aussi distinctement les trois rgions
prcdemme!1l dcrites [PIE 97].
l'ic;;/likll"l

: Unll,hn"la:

611!1~ dmh l,"""" d, '"J"'"m :'",,,k

LiOn

'.

1l~.J ."'.,."
Il

10

:)

iL

::;0

SiEHilIUIC!ic!hml

"'J""':

'" ';a"" C,'"",",",

3'0

~
40

50

GO

Puissance (dB)

Plj.!,urc- 5.5. H/:\'fogmmme dS amplilmlr!., des pic,) de la RTF


du .1'lgHill de bioacoustique de /a,ligure 5 ..Ja

Pour cette apl}Jicalinn, un deuxime critre est discrmimmL Il s'agi1 de la


largeur de hande moyenne des pks estime empriqucmenl 1 5O Hz. Ce critre
C5l cxplot par un filtrage (~ chapeau haut-de-tonne ); avec un lment struclUnml
linaire vertical de taille 15 gale la largeur de bnndc moyenne.
Ces eux critres permeHent la construclioll des marqueurs du signal (vor J-gure
5.4b) et des marqueurs du bruit (voir figure 5Ac). Le dtail de la procdure est
dans tPIE 97]. La LPE est ensuite applique sur ln fonction segmenter, soil un
grudicnt regularls de IH RTF transiorme pHr tin filtre ({ chapeau hatH-de-forme )r,
panr des marqueurs ainsi ca1culs, La figure 5.4d prsente le rsultat de cette
segmentation qU] est comparer avec une simple segmentation par seuillage il un
niveau de 31,5 dB (voir figure SAe} La segmentation par LPE a pel111is d'isoler les
contours des sifilernenls en s'afTranehiss3nl du bruit de mer en hasse frquence, cc
qui n'est pas le cas d~une scgmenttition par seuillage.

Extraction e motifs temps-frquence

191

5.1.3.2. VII signal de cal'itation


La cavitation est un phnomne fort complexe qui peut se dfinir, de manire
gnral, comme la mpture du milieu continu de liquide SOltS l'effet de contraintes
excessives [FRA 95J. Il se larme des poches ou bulles de vapeur au sein du liquide
inil~llement homogne. Les formes de la cavitation sont trs diverses selon lu
configuration de l'couement, les proprIts physques du liquide. les contraintes
appliques, Le signal tudi dans cc paragraphe nous a t fourni par lu DCA. JI
correspond il une cavitation de signature irs complexe mettant ;:'\ rude preuve
tout systme d'interprtation numrique. La figure 5,6 prsente t'analyse d'un tel
signol rel.
16
~

""-

14

Il
8
6
~
0'
'e 4
"- 1
~

~
~

Il
!fl618
a)

-2c4
(I

0,896

Temps ts)

16 OlIi'"

N I-IOD

""~

12nOO

S OfK)

6000

cr

'P

:I:

b)
~

"""u

e
~

'U
~

"-

2 [)()II

J60no i
1"(lIm'
120001
X 00(1 ~

6 !HW

"IO

j
'b"

'2000

0
c)

4<XJ!lL.",,~"
,o~

U,J

. .;,j/
."
'"il,;::

n.3

'\~ .,-.:~ \) -"~'~',-::~.


......
' ,IJP"-r'
(l

0:4
0.'5
T'lttps: (s)

0.7

iI,S

0.9

Figure 5.6. Signa! de c(I\'jfafitm j~. 32 kIl;, (a) RTF Capon glisscull (faille il!!.\' scgmt.-'lIfs
L J:!7, o/'dre de Capon tH = 30, decil/age de" u:glllcllf.r 50 ii~{., nomhre de poin/,'\ Cil
FrJqllcncc 'V.I ~ ::5fil el signal tewporel, (h) rsultaf de la segliU'marioll par LPE, (e) rcsulTar
d'/lne .\"egmenlafion isonh'c!lu - lO dB de la pUis,wmce 111O.yilllt./!e.

192

Dcision tcmps-f'qucncc

Les performances de lu scgrnenlation obtenue pur une LPE est intressante mais
nccessit une pr tude pmiiculirement minutieuse et une mise en uvre plus
complexe. En effet, j'lude des critres a mis en vidence une grande similarite entre
les curactrstiques du bruit et les signatures extruire. La construction des
marqueurs est, pour cct exemple. un facteur dterminant pour la qualit de la
segmentalion, Une lude empiriqne de la RTF [PIE 97] a conclu sur un ensemble de
proprits que doit vrlner un point Pr[k,v] pour tre un marqueur du signal:
tl

- Pr[k.\I] est uu maximum local dans lu direction temporelle ou frqucnlieHe;


Pr[k,v] a un contraste au sens de la dynamique suprieur il JO dB;
- si Pr[k,v] est un muximum dans ln direction temporelle (frquentielle). nlors il
doit tre il plus de 68 dB (72 dB) du m;II;IIIIIIII de pllissance :
- Pr[k.v] appartient au voisinage des maxima rgionaux d'amplitude suprieure il
70.5 dB par rapport aux autres points temps-Jrquence. de largeur de bande infrieure
690 Hz ou de dure nfreurc- 6 ms,
Les marqueurs du bruit sont dtcnnins parlir des marqueurs du signal, par
dilattion et calcul du complrncntaire. Les rsultats obtenus sur cet exemple
complexe sont proches de l'interprtation humaine, les oreilles d'or). Il est il noter
que la coloration du bmii n'est pas un handicap dans ce type de trnitement.

5.1.4. Limite de la follt:fioll gradient


De nombreuses technqucs de segmentation sont bases sur la ronction gradient
ds ['instant u llnlrt sc pOlie sur ln dtection des contours. C'est le cas de la
LPE applique dans ce chapitre pour la dtection de mOlifs temps-frquence, La
dg.radulion importanle des performances observes. sur le gradient de la RTf de
signaux large bunde. mme peu bruHs, nous a conduit tudier le comportement
de fa foncton grndient sur un spectre large bande. compte tenu de ses proprits
statistiques [LEP 02]. Dans ce paragraphe, nous uvons considr un spectre plutt
qu'une RTF el une variable frquentielle continue f cc qui simplifie le raisonnement
sans limiter la porte des conclusions.
Considrons
continu r ( t)

Srr(f)=lr(f)!2

le priodogramme d'lin signal alatoire temps

d (t ) + b( 1). 1 E ;11, de lrunslonne de Fourier

dlellninislc, de truns!om,e de Fourier

d(1')

et b( t) un bmit blanc gnussen de vnrunce

r (r) , dit) est un signal

Id (f {

el de pliodogramme Sdd ( r) =

Extraction de motifs temps-frquence

193

Sous ces hypothses, S,il) est une variable alatoire du '12 dcentre de
moyenne:
[5.17]

et de variancc (vorr section 2.1):

'.

.'

()

Lu fonctIon gradlent du spectre defn par G f =

oSrr(f)
"'f'
est aussi Hile variable
('

nlatoire dollt la moyenne eslla drive de la moyenne [LEV 73] :

19]

ct dont le moment

cP ordre 2 s'crit :
[5.:;0]

De ces relalions. nous pouvons dduire la variance de G( fl

Var(G(f)) (Sdd(f)+

[5.:;1]

Afin d'tudier le comportement de ceUe varhll1ce, prenons le cas d'ull signai


dtem1iniste simple. SOlt d(t) ulle enveloppe gaussienne dfinie pur:
[5.22]

avee A l'amplitude, Ll.f la bande spectrale de l'enveloppe gaussienne et de priode


d'chantillonnage 1 s,

194

Dcision

tcmps~ffquence

Posons A = 2,r;:.llf de lelle sorte gue J'amplitude du speclre soit indpendante


de Ar. nous avons:

e- r

Sd (r)

1!

/2M-

[5.23]

En intgrant [5.23] dans [5.19J el dans [5.2IJ, nous ohtenons:


[5.24]
et:
Var(G(f))=

[5.25]

La moyenne est maximale pour f = L\f . A cette frquence, la moyenne et la


variance du gradient du spectre s'crivent:

E(O{f))= 1
.

[526]

el:
[5.27]
L'quaton [5.26J montre que le maximum de la moyenne du gradient varie en
Ansl, lorsque iJ.f augmente, la moyenne dcrot rapidement De pius,
l'quation [5.27]l11ontre que l'cart-type est plus grand que la moyenne mme pour
un forl rapport signal sur bmit.
1/~[

Les figures 5.7 ct 5,8 illustrent ce rsultat pour diftrentes valeurs de L1f. Dans la
figure 5.7. le signal est non bruit alors que dans la figure 5.8, un rapport signal il
bruit pourtant important~ suprieur 30 dB. montre dj une augmenwtion significative
e la variance, ce {lui empche une utiiisation adquate de la fonction gradient pour
dterminer le contour du motif spectral.
L 'jnfluence du bruit sur ln fonctlon gradient est un phnomne largement
connu. Nous avons montr dans ce parngraphe que pour des spectres il large bande,
mme avec un bruit faible sur le signal temporel. la variance sur le gradien1 du
spectre est telle que cette fonction n'esl plus exploitable. La fonction gradient

~ 95

Extruclnn de monfs temps-frquence

choue pour la mise en vidence de structures ft large bande. Cette proprit Iiml>!
considrablement rapplcnlion de techniques de segmentatioll teHes que celles
dveloppes dans ce paragraphe.
0.06
0.8

S1gnal j~crgi:;;
l "",gAG;:}::o2:.7

0.6,

OA

Signal ~nergl
J "'-8.4~_:~::o25.7

0.04

0.02 .

0,2

00

50

100

50

100

Figure 5.7. Priodogl'c1l11l/Jc d'f1llC I!m'e1oppi! gO/lssiewu: ( gauche)


L'I driw5e ( drote) pOlli' deux largeurs de bcmdc dWrclJte

Srrl[)
V,Jfati{)n de hf1JH : 0,005

Il.06

Vitdiirinn de hnill ; 0,005


SigOiJ! nci14ic

Ih ...... . ,;; 8.46 ';- '1";- ~:'-~(7 .


0,04

SNR (dJ~l

o.~

r
Figure 5.8. Memes l'nt/thes 'fUt' laJigure 7111a;.\' al'(X un rapport signal
hruit dt! j.f dB [Jour le 5igna! (1) et de 39 dB pour le signa! (])

5,1 ,5. Conclus;olls de l'approche l'w' LPE

La morphologie ne conduit pas ft des algorithmes de type boite noirc, le conlexte


est pris en compte, En h::mps-fl'qllenec. cc con(Cxle rassemble la fois les fH'Opricfs
de la RTF par rapport il l'estimateur choisi (spcctrogramme, corrcilogramme, Capon
glissant, etc,) m,lis aussi les proprits du signal analys (amplitude. contraste.
dynamique, largeur de bande. ctc.). La nature spcifique d'une RTF est intgre. En
particulier, les filtrages du prtraitement sont directionnels. Les proprits di! signal
peuvent lr-e et sont en gnrJI de nature qualitative, Ce sont ces points forts qui
nOlis avait attirs a priori,

196

Dcision lemps~rrquence

A posteriori, le deuxime point. contexte du signl analys, s'est rvl tre un


fon handicap. En effet, mme pour des signaux adapts il ce type de tmHement tels
que les signaux bande spectrale troite. les perfonmmces obtenues sont exceHentes
mais le design de la transformation ncessite une prtllde qu'il est ncessaire de
l'aUser pour chaque cas d'application. L'analyse de signaux rels a montr que cette
pr6tude empirique est pal'ticulremelll dlicale et a une inlluence dicmlinante sur
le rsultat I-innl. Il nous a sembl important de pouvoir proposer une autre approche,
qui ne ngligera pas la structure de la RTF, mais qui sera labore il pal1ir
d'hypothses SUf le signal plus gnrales, que celui-c soit il bande spectrale troite
ou large. Cette approche fait l'objet de la section 5.2,
5.1.6. Bibllagrt/l'ltie
[AST 95] AHRAt1E F., CinoLLA;':: M., JOURLA.L\I M., MARTJ:-JEZ S" {( Time-frcqucncy Proccssng
with Malhematical Morpholgy il, UK Symposium 0/1 AppficCllio!ls of Ti1l1e-Fl'cqueI1LJ'
und Time-Seule Methmh, Universit Je Warwick-t Coventry, p. 202-208, uol 1995.

[AU 931 Au W,W.L, The Sunor ofDo{plIins, Sprnger-Vcrlng, New York, 1993.
[AU 971 Ail W.W.L, {{ Echolm;t1n in dolphns .vith a dolphn-bat cmpa!'son

"'0 S. p. J37.16~. 1997.

i},

Bioacou,wics,

JI1ER 901 BERGER M., Gomtrie, lomt; 1, rnds, Nathan.


[BEU 79] BEvCHER S., LANTUJOUL C, ({ Use of Wntersheds in Contour Detection '>,
IlIlel'11atiO/wl Worksho[J on Image Processing. CCETT, Rennes, France, 1979.
[BEU 9()] BEUCI1EH S., Segmentntion d'images ct morphologie mathmatique, Thse de
dm:tnH de \'ENSMP. FontainebJeiJu.juin 1990.
[CHA 91) CHASSERY .LM., 1\AoNTANVERT A., Gomtrie .tiscrle en ana{rse d'imoges,
Herms, Paris, 1991.

leos Sq] COSTEI< l'lI., CHERMANT .LL., Prcls il'analyse d'image'\", Editions CNRS. Paris. \989.
rCUD Dl] CUIJEL c.. GREVILLOTM . MEYERJ,J.} JAC{,llJEY S., {( Comhining pha5c und energy
dctcction w!lh mathematica! morpholug:y in dual timc-rrcqucncy n::prcsentation \eads to
improved SSP noise robuslneSS}), Ultrasonicj', vo!' 39. n 4. p. 291-196,juin 200l.

fDZl 77] DlJEDZIC A.t Cll1ULI.AZ M .. ESClJDIE RAND HELUON A., < On some properties. or
low frequency sonar signais orthe dolphin Phocoena phocoerm ,), AClIstim, vol. 37, n 4.
D

p. 25S-266, m~1i 1977.


lFRA 95] FRANC J.P., AVElJ.Al\ F., BELAHAOll R, BILLARD J.Y., BRlAl.... ON~f\,1AlUOLLET,
FHCHOU D., FRU:\IAJ\" D.I-I" K.ARII\!l

A., KUENY .LL.. MICHEL l!\4 .. La cavitation.


pua, Grenoble, 1995.

mcanismes ph)'siq/fes ct llspects industriels,

J:GOR 02] Gormi\N C., REll R., ( Using wavclel trullsform Hw the rdges extruction of .1
parabolic frequency modul<1ted signaL Part l )i, J.ph lnlcnwtiOlwl COl?ference 011 Digital
Signal Processil1g Proceedings, Salltorini. Grce, vot L p. 337~340, 1-3 juiUel2002.

Extraction de motfs temps-frquencc

197

[LAN 78] LANTU1:JOCL c., La squelettisation ct son application aLlX mesures topologiques des
mosaques polycrislu!lincs, Thse de dodorai, Ecole des Mines de Paris. 1978.

[LEP 01] LEPRETTRE B., REBIRE Y., {( Detection of clcctrl::al series arcs. uslng tllllc-fil!qucncy
rmalysis and mathematical mmv11010gy }). Proccedings of the Sixth International
Symposium OIi .S'igllal Pmces.I'ing mul if.'; Appllci1lio!ls, IEEE, Pscattnvay, Etats-Unis, vol. 2.
p. 446-449,2001.
[LEP 01] L!~I'ITn B., MARTIN N., ({ Extraction of pertinent subsels [rom limc-Jrequcncy
rcprcsentations l'or deleclion and recognition purpose5 r!, Signal-Proccssing, vot 82, n" 2.
p. 229-238. fvrier 2001.

[LER 791 LEROY y" L 'mrel;), sonore animal, co!ogiefndumenfale ef appliquc. GmnhicrVillar.;. Paris. 1979.

[LEV 3]

LEVI~E

B., Fondements thoriqucs dc la radiotechnique slalsffquc, MIR. Moscou.

193.

[MAR 03] Mt\l\T1N N., (i Minimum de variance )). dans f, Caslani (di!'.), Alla/ysc speclmlc,
Herms. Paris. p. 171-206. l(lO).

[}viAT 75] MAHiERON G .. Rcmdo/ll Sets cwd inlegn.d


York. 1975,

Ge01Ju!I1:I',

John Wilcy and Sons, New

[MEY 90a] MEYFr( y" (, Morphologkal segmentation ), .loI/mai f~( Visl!t1/ Communication
ilud Image Repn!.sentation. \'01. !, nO l, p. 21-46, septembre 1990.
{MEY 9Gb] MEYER y,. i\ Skelctons and watcrshcd lines in digital spaces H, Procef!d/Jrgs ofthe
SPIE. Inrnalioi/a! Society for Oplica[ Eng1cering, vol. 135il p. 85-102.1990.
[JvtEy 01] r"IEVER Y., An o\'crview of morphologieal segmentation )}. imenlariol1al.lrmmal of
Pa!fem Recognition and Artfj/ciai intelligence, vol. 15, nO 7. p. l OS9~ 1] 18, novembre 2001.
[PIE 951 PIER-SON V., MARTI}; N" \Votershed segmentation of time-frcqucncy images ),
/E/:.:E WorksllOfJ un Nonlinear Signa! and Image PrOf.'cS,\'ng, p, WOO-WH3. Hallddik,
Grce,juin t995.
[pIE 97] PJERSor', V., Extmcton de sous~ensclllblc5 tcmps-frquencc en vue d'une prise de
dcsion en non-stotionnaire ~ application en ilcollslique sous-marine, Thflc de dOCl(ll'at
de L'INPG, Grenohle. ,30 avril 1997.
[PRA 8] PR/\TI W K., Digila/image Pmces.\'ing, John Wilcy & Sons, New York, 1978,

[SCH 94]

SC!!~1I1TM.,

l'viA1TIOLI J" j\!orphologic mathmaI!UC, Masson, Paris, 1994,

[SER S21 SERNA J. Image Ami/J'sis (/luI :l1allwmatical MOi])/tolog.1', Academie Press, Londres,
1981.
VI~CEI\T L.. SOlLLE p" ({ Wotcrshcds in digital s.paces: an efficient algoritlun
bascd on Immersion simulatkms )t, JEEE Transactions 011 Pa/Fern Al1o{,'sls and :Hachbw
lntcltigence, vol. 13, n 6, p. 5~3~598, 1991.

[v1N (1)

198

Dcision

tcnlp!>~frquem:e

52. Coscgmenlation RTF/espace de mesures:2


Dans l,;ettc seconde section, nous dcrivons une mthode de segmentation de la
RTF s'appuyant sur 1111 modle slatis!ique du contenu tcmps-I"rqucnee lHOR 02nJ,
Le:-; hypothses faltes sur la nature du signal temporel analys Ront les mmes que

prcdemmcnUl5.lj et 15.41):

f H"
l H,

.rlkl = b[!.:]
.rl!;J = b[l;] + rllh,)

15.28J

o b[k] es.t un processus alatoire Slalionnajre blanc de moyenne nulle el de variance


et d[l,:} est une squence dtermnstc. Ccs hypothses peu restrictives permettent
de traiter par la mthode mise en ptucc dcs signaux aux propdts trs gnrales et
indpendantes de la nature des composantes (large bande. bande troite).

u:.!

Les outils morphologiques lllilss dans la section prcdente conduisent il une


approche conloUf du problme de segmentation, Nous avons vu que la mthode dveloppe trouve ses limtes dans le traitcment de signaux composantes large bande
du rait de l'mHisation de la fonction gradient Nous adoptons ici une approche rgion
c"esl-~t-dirc que le processus de segmentation est bas sur un critre d'homognit
inlramolif.
L' approche statistique suppose, tout comme r approche morphologique, 'I"e la
composante dterministe du signal soit reprsente ans le- plan temps-frquence par
un ensemble de motifs compacts, Or le thorme de Paley-Wiener nous rappelle qu'il
n'existe pus de composantes support compact la fois en temps et en frquence.

Nous nUons voir dans le paragraphe 5.2, i que le modle statistique permet de redfinir la notion de composante temps-frquence lout en gardanll'ide intuilive de motifs
support fini.
Dans le paragraphe 5,2.2 nOLIs donnons les gmndcs lignes de r algorthme mis
en place, Cet algorithme fournil, en a~sociallt une tape d'estimation des paramtres
staLstque:s ft la segmentation, une caractrisation du contenu nergl(IUe des motifs
extraits. L'approche statistique pcrmcl donc d'tendre les objectifs de lnterprtalion
temps-frquence par rapport ft l'approche morphologique qui ne ra1ise qu'une partition du plan temps-frquence. L'algorithme, de type croissance de rgjon. eSl bas sur
la projection du plan temps-frquence sur un espace de mesures slatistiques locales
appel espace des caractristiques dans lequel un cdtre de similari(e> est dJ1ni pour
ralser la scglnentatin et la caraclri.'lalion, NOliS prsenlons ensute deux exemples
d'interprtation ternps-frequence dans le paragraphe 5.2.3 avant de conclure cette see-

lIon,
2, Section rdige par Cyril HURY et Nudlnc

MARTIN.

Extraclon de motifs

telnps~frqllcnce

199

5.2.1. lilrs flIle interprtation statistique


On s'intresse toute rcprsentaljon temps-frquence pouvant s'crre comme
le module carr de la projeclinn du signal sur une base de fonctions analysantes
{fIl/..-,! } k,f centres ;sur J'instant k ct la frquence f :
[5.29J
CeUe dl1nition s'applique par exemple au spectrogramme. module carr de la
transforme de Fourier court terme (FLA 93 J. Dans ce cas, les fonclions .analysantes sont des exponentielles comp1cxes donl renveloppe es! hl fentre d'annlyse.
L'expression 15,29) dfint aussi le scalogrumme qui est le moduJe carr de la lmnsforme en ondeleUes continue du signal, On parle alors de reprsentatio!1lemps-cheUe
puisque dans ce cas la frquence esll'inverse de l'chelle fixant la laille de la fentre
d' nnn lyse [TOR 95 j.

5.2.1.1.lvlodle slalisli,!ue
Avant de dcrire plus aVant le modle statistique des coefficients temps-frquence
,~ignal temporel [5.281.
Dans ce modle temporel peu restriclif. ta non-stationnarit est porte par la composante dterministe, C'est ceHe cornposante qui porte Information recherchc. Le
comportement aJ-atoire en revanche est d au bruit, c'est--djre il]a partie non informative du signal analys. C'es.lla prsence de cc bruit additir qui permet une description statistique,

P.r[k,.n exploit. il est intressant de revenir un Iman! sur le

A chacun des hypothses Hu et III correspond un sous-ensernble ,(n ct ,( l de


coefficients lemps,frquencc dlnis dans la premire seclion pnr [5.3J cl [5.5 J. On
peut montrer que les coecents. temps-frquence appartenant tl .co suivent une loi
du ",2 centr il r5 degrs de lihen cl de coefkienl de proportionn:alil a 2 / 8 (voir
IKOO 74J ou eneore la seclion 2.1 du prse!1l ouvrage). L'ensemble L" peUl donc tre
dfini en termes slatisliqtlcs par:
LI!

{(l''.f)/(k,n

EG.,. cl

p.,lk.n = ~)\~}

[5.301

De' mme. renscmble de."> coefficients lemps-frquence appartenant ,cl suivent


des lois du \ 2 dcentr S degrs de lbert, de coemcicnt de proportonnalil (J'2 i
et dont je paramtre de dcentrage est le coefficient de la RTF de 1a composante dlerminisle seule p,,[k, fI:

L, =

{(k. f)/(k, J)

15.311

La loi du \:."! centr eslun cas particuHerde ia loi du X:: dcentr pour un p<Jramtre
de dcentrage pd',;) fl nul. Le lhorme de Palcy-\Vicncr montre qu'il n' existe pas de

200

Dcision lemps-frquence

composante:;; temps-rrquence support compact En effet, si la RTF est conslTllte sur


une fentre temporelle rectangle ou de Hanning par exemple, le support frquentiel
n'est pas bom. L' il restreint ce ,'.;uppOfl nu lobe principal de ln TE Cette opration
instnctive peut tre fcprodulc dans le modl: statistique en considrant tout paramtre de dcentrage infrieur il la puissance du bruit comme ngligeable. Le: coefficient associ est alors considr t'omIne suivant une loi du :\.:.; centr (pararntrc de
dcentrage nul).
i\1ocllc de mlange

Notons N = mnJ(/:.".) le nombre de ,iles (1;, f) de la RTE La formule des prohabilits tolulcs permet de considrer chaque coefficient tcrnps-fr{juencc comme suivant une loi du \:1 centr uvee lIne probabilit 1 - JI = N,--::/' o P
cord(,GI) et
p
el suivant chacune des P lois du .\:2 dcentr uvec 'une probabilit
La loi
de distribution fp,.'J.',n(,r) de pA!.:,}'j esl doooc par:
l

[5.32]

C'est ce modle de mlange de lois: du \'J centr cl dcentr qui est le pont de
dpart de la mthode d'interprtulion dcrite dans cette secton.
Notons que la littralure abonde d'cxcmp]es de description du contenu d'une RTF
par des OlHils stalhaiqucs. Cependant, notre connaissance, dans ces mthodes la
RTF est nssimlc une densit e probabilit jointe de deux variables, temps et frquence. C'est celle approche, par exemple. qui conduit l'ingalit fondamentale
d'Hejsenberg-Gabor portant .'lUr les moments d'ordre 2 des murginales. La notion
de produit BT largement exploite en sismique dcoule de lu mme modlisation.
Plus rcemment sont appumes des mthodes de classification ou de dtection exploitant ceUe analogie. Bara.niuk el al. proposent l'enrropie de Rnyi d'une transforme
de Wigner comme mesure de complexit d'un signal [BAR 01]. Coales cl Filzgerald
dcrivent l'enveloppe d'une RTF par une somme pondre de gaul'cnnes. rnmenant
le problme d'inlerprtalion celu de l'estimation n011 para.mtrique d'une densit
de probabilite ICOA 99J. Pur le modle [5.32], nous choisissons de considrer la RTF
comme un ensemble de variables alatoires dont la loi ue distribulion est dduite u
processus de construcon.
5.2.1.2. Red4tinitioll du problme d' inferprtation

Une fOlS formul cn termes de mlange de dstributions. le problme de Interprlalion d'une RTF trouve un c~ldrc thorique pour sa rsolution, Nous pouvons rsumer l'objectif de J'interprtation cn deux tapes tanl du point de vue de l'tude d'un
mlange de distributions (point de vue statistique) que du point de vue de l'tude du

Extraction e motir5i tcmps-frqucnc('

201

contenu lemps-frquence (painl de vue signal):

5 t~~~:ti q11 e

Signal

eslmatlon

caract'isillion

classificatioll

0-~

scgmentullon

L'lape de caractrisation consiste identifier les paramtres du mlange. L'tape


de segmelHalion consiste il associer une Je ces lois chacun des coe!icicnls lempsfrquence, NOlons tjtJe la caractrhmlion ne prcde pas systrnatiqucmcnt la segmentation et que ces deux tfiches peuvent lrc menes de from 1GOV 99].
Un des algorithmes les plus populajres pour l'analyse de donnes issues de
m1angcs est l'algorithme d'expectation-Illaximisation 1DEM 77]. Dempstcr et nI, ont
mOnlr comment cel algOlilhme pouvait rsoudre Je problme e l'eslrnallon par
maximum de vraisemblance en prsence de donnes manquantes.. C estimation des
parmntr~s d'un mlange CSlUll cas particulier cie ce problme pour lequel les donnes manquanes: sont les indices d'uppartenance es variables alatoires aUx lois du
mlange, Nous renvoyons le lecteur [HOR 02ul pour un exemple J'application de
l'algorithme E1\'1 l'interprtation temps-frquence, Nous concentrons noire- <illcntnn
dam; celle section sur une mthode cl' cstimmion par rsoluOon locale des quations
des moments aprs segmema[ion par croissance de rgion:-\.

5.2.2.IlllcI11/'(atO/l dans l'espace des caractristiques


L'algorilhmc que nous proposons consiste li applquer un ensemble de mesures
statistiques locaJes il la RTF. aptes il iJcntHler des proprits communes llUX coefficients temps-frquence appartenant JIn mme motif spectraL Cet algorithme est
de type croissance de rgions IZL'C 76J. Dcs sites privilgis appclcs germes sont
identifis: il partjr de leur poson dans rcspace des caraclrii'iliques extrates. Uile
procdure de propagaton est alors applique par laquelle les voisns dnnfl lu RTF de
."jles reconnus comrne appartenant il un motif spcdml sont coniamins il leur tour.
Le critre de contamination est dfin pour assura l'homognit de l'ensemble des
sites formanlullc ctass, au .sens des caractrstiques extraHes. Il s'agit dOllC de raliser ln ~egmentuton de J'espace des caractristiques. A l'ssuc de la scgmcntatlon,
chaque motif spectral est reprsent dans l'espace des caractristiqucs par un nuage
de points dont ln trajectoire dpend de ses- proprils nergtit_juc-S, Une modlisation
pararntlique de ces trajectoires permet, rar l'estimation des paramtres du modle,
de raliser la caractrisation.
Pour plus de dtals sur la mise cn place de l'algorithme, nOlis renvoyons le lecleur
IHOR 02al. Nous nous contentons de prciser ici les points qui semblent ncessairesh Ulle honne cmnprhension du fonctionnement gnrnl de l'algorithme. Nous prsentons dans un premier temps le modle utiJ:'>l2 pour dcrire le contenu statistique local

202

Dcsiun

temps~ffqucncc

d'une RTF. Nous dOllnons ensuite les expressions des moments d'ordre 1 et 2 des
caractrisliques extraites, permettant l'idenlifkation de la signature d'un motif spectral dans l'espace dc~ caractristiques, Nous en dduisons une procdure d'extraction
des gcnnes de la segmentation, curs de la composante dterministe. La puissance
du bruit est quant ~ cHe estime au cours 'une procdure d"estimaton de contours
comme lirllites (le pmpagatlon des germes, Nous prsentons bIivement une mthode
d'cstimatjon des paramtres d'une loi du
centr par approximation du maximum
de vraisemblance de ceUt:: loi expDnentielle, La dernire tape de la caractrisation
consiste il e},limcr l'volmiol1 des paramtres descriptifs de la composante dterministe dan:-; le plan temps-frquence. CC:tte tape eSlrulise par rsolution du systme
d'quatons des momcnts. Nous concluons cc paragraphe par une discussion i1ur le
choix de la taille de cellulc, abordam 1a nodon de noyuu reproduisant d'une tn:msforme temps-frquence.
5.2.2. J, A/odle de mlauge local
Le mhmgc l5.321 est dHni par P -:- 2 paramtres. Le nombre de dcgrs de libert
et le coefficient de proportionnalit dpendanl e et de la puissance du bruit (]'2
sont des parHmlrcs communs au hruit ct chacune des composantes dtcnninistc5'.
Les P alllrcs paramtres sanlles P coefficients temps-frquence non nu]s de la compOsHnte dterministe seule, Le nombre de parmnlres de dcentrage peut tre rduit
en usant d'approximations locales. L'ensemble des coefficients temps-frquence est
dcompos sur une rgion de l~liblc ~urface appele cenule en 1 sous-ensembles sur
lesquels chaque paramu-c de dcentrage est gal la moyenne Pi des pnnuntres de
dcentrage. Ainsi. localement. chaque coefficienllcmps-frquence peut tre considr
comme tant issu du mlange d'une loi du \ 2 centr et de I lois du \:2 dcentr:

[5.33 [

avec 2:;=1 Pi
p. L'interprtation de la RTF passe alors par r estimaton de 21 + 2
paramlres sur chaque cellule lemps-frquence: aux deux paramtres communs el
(f:.:! s'ajoutent les J paramtres de dcentrage p; et les l proporlions ]Ji.
Les deux parmnlres communs peuvent trE' estms partir du seul ensemble
.G n des coefficients nc porlanl que l'nergie du bruit. Nom. choisissons d'estimer les
'.!I ptlramtres restants par rsolution des systmes de l quations de,,,, moments. Les
caractristiques locales extraites sont alors les 2 r moments empiriques de clmque
ceilule.
Dans la suite de lu scclon nous illustrons nos propos pour le cas 1 = 1, sans perte
de gnralit.

Extraction Je motifs

tCll1r!'<~rrquel1e

203

5.2.2.2. A10mellis d'orrlre 1 cf :: tles ca}"actrislJues locales

Notons Ck ..f la cellule centre sur le site (k,)') ct dfinie par:

Ck.f =

lmnX(k-

(k',f')

,1)

1) ,,;

ImaxCf -

k l ~ mln(k+

f' ,,;

lllil1(f -1j5.3'+J

oi:!
et 1\~J.: sonl impaires et Nil (respectivement Nd sl le nombre d'indices temporels (rc,"'pe!:tivcment frquentiels) de lu RTF. Nous reviendrons cn dtail dans le
paragraphe 5,:2,2,5 sur la procdure de dHnilion de la taille de cellule, Lc~ J + 1
estimateurs cmpriques des moments du mlange rS.33J dcrivant Ck,J sont calculs
en chaque point (l", f). L'ensembJe des cocflkienls temps-frquence est alors projet
dans "espace des caractrjsliqucs locales dont les axes sonllcs momenL" eSllms. Dans
cet espace, donl un exemple est prsent en figure 5,9. chaque motif spectral est reprsent par un nuage de ponts dont l'allure dpend Jc.:;; paramtres du mJangc ct de leur
volution d'une cenule ft ]' autre. C' c:sl dans cel espace qu'est ralise la segmentation
de la RTE Des premiers travaux [HOR 00, BOR 02hl portaien! sur l'application des
moments centrs, Bcn que rournssnnlune bonne segmemmion de la RTP. l'applicalion tic ces moments conduit h la rsolution d'un syslme d'quations non inversibles
pour l'cstmalon des paramtres, 11 s~ensuil une caractrisaon purement qualitative
des moti fs spectraux, par comparaison des pentes h J' orignc des nuages de points dans
l'espace des curaclrisliqlles [HOR O2aJ,
Nous prsemons ici le cas de r eslimaton des ITIlTIClllS non centrs
lll} ;;;;;; E(pAk, j]if) sur la cenule, Les caraCtristiques extraites Fi rI,:, Il sur chaque
cenule
sont [es l + 1 premires moyennes d'ensemble:

l;;[k,f] =

,~

I:

p,,(//,tr pour i = L.1 +]

1535J

(kt J')eC,,- r

o JV
IV/"jV/ est li: nombre de points de la cellule. La dcscrption des nuages dans
l'espace des caractrstiques passe par la connaissance des deux premers moments
de Fdk, j}, fonctions des "Ji premiers moments non centrs Ilq=L..::u du mlange
[5,33J lKE.N 63, chapfe 101, Ce sont le:> comhinaisons linaires des moments d'ordre
q des lois du ,\:2 centr el dcentr impliques, dom J'expression est donne dans
[HOR 02bj. Pour un mlange ' ordre f
1, ccs moments s'crivent:

2-1)1(2)'1
"1
-)'
(a)

(Q''' i
(il"
-1'/
,C! _
J.

'1

1.

+lJLCl;.
j=!

/'])1

( /2F'II'
-j')' " J
l).",_

'!()

jk

204

Dcision temps-frquence

o r[k, fi = Pd [II, J'lIa" ext appel rapport ,ignallbruillocnl, La figure 5.9 prsente les espaces des curaclristl(juCS d'un bruit blanc gaussien de moyenne nulle
et de variance (]"2 = HI ct (rune composante dterministe noye dans cc bruit. Un
rseau thorique est superpos pour diffrentes valeurs rguliremcnl espnces des
paramtres fJ et 1". Ce rseau est utilis duranlla procdure de segmentalion pour localiser les germes de la croissance de rgions ainsi que pour dlimiter de manire itralive ln limite de segmentation. Une description dtallc de celte procdure de croissance itrallve de rgions est fournie dans (HOR 02011. La connaissance- de la matrice
de variance-covnriance thorique donne par les moments t5.36J pour p = 0 et r = 0
permet par exemple de prdire l'uxe principaJ du nuage des poinls ne portant que
r nergie du bruit Celte prdiclon ncessite r estimation des deux paramtres communs aux lois du :y2 centr cl dcentr, 0 2 el 6. Cette procdure est ralise pur une
upproximution de l'estimation pur nmximum de vraisemblance des paramtres d'une
loi du X:! centr, dcrite duns le paragraphe 5.2.2.3.

5.2.2.3, Estimation des paramtres d'uue loi dl! ,\:; celllr


La moyenne Fl est la somme pondre des N coefficients temps-frquence de
.la cellule. Lorsqu'ils ne portenl que l'nergie du bruh, c'est une somme de variables
du x 2 centr donc, par dfinition, une variable du :\2 centr, A chaque itration de
r algorithme de croissance de rgions~ les poinls temps-frquence non segments sont
considrs comme appartenant il J'ensemble .co. Les paramtres sont estrns partir
de cet ensemble de donnes supposes suivre une loi du ::: <.:cntr.
La loi du X" centr appartient il lu famille des lois exponentielles [BARl\! 78],
Les stati~liques exhaustives f,J et t'l, respectivement moyennes arithrniique et gometrique dans le cas du 2 centr. sumscnt dcrire compltement les donnes issue"" de
cette loi. Les quations de maximisatlon de)a vraisemblance impliquent naturellement
ces deux statistiques et prennent la forme:

t2 =

\jf

(D -J

+ IlJ(2)

[5.37a]
[5.37b]

o '11(:[') = ::1r~~/lt est la roncHon Psi ou Digamma fABR 70. AYA 7l1. Les ronclions logarithme et Psi interdisent la rsolution analytique du systme rS.371. Une
solution approche peut cependant tre oblenue en rcmpluant ln fonction \]j ( ~) par
son dveloppement de Taylor l'ordre 4 LLAW 82J, L'erreur d'approximation E(J) a
pour cxpresson :

E(S) =

f: 2;,(~/2~)2n

l1':::::2

[5.38J

'

oil les B'2n sonlles coefficients de Bernoulli. Le~ solutions approches des qUtllions
de la vraisemhlance fournissent alors les estimations ci et l5 des paramtres de la loi

Extraction de motifs temps-frquence

90
80
70
60
50
4fJ

,30

~:

~1O

-:28 !;111 rl11Jh$,.~~~.!9'

(1

(l,sn

Temps (pts)

10 000

~JOO

800
700

1""!
~ 0,3

-600

') ,

",,-

j'j;

(hl>

I"'nj
0

50 C

<')ou
400
300
200
100
'0

0
0: ,1;

'----"'--",

o.,!-,,-:::::::::::::::::::::=

2()

a)

205

,50~~

D)

Tcrnps(ptsJ

10000

1200,

r-) OOO~
~

"
E
u

E
o

:<

200i- - ,

c)

Moment cl' ordre J

Figure 5.9. E\7){ICC des caractristirpfCs localcs. Le bmi! eSl simul l'al' //11 processl/s gausclI
cellfl' :\1"(0. 10) de 10 000 poims, (a), II est additionu /111 signal dtc/'J/lfnisfC de 8 000 POilll,>;,
somme dc cI/q siuus dejrquL'nccs normalises rfilJliiiremcllI CSPClCf.[l!S mlfrc O,:W et 0,27 H~
el rf'o1!lplitude gale li;1. (bJ. SI/r l'espuce des Cllrtlcrristiqucs du bruit SCI/l, {e}, som tracs cu
lrail coll1inu l'axe prindpal du lJuage de po/ms .l'iimJ el Cil poinfilhI l'axe principal tIJt!ut'qllc

dom fa {lcnte eSJ .hf/iuie couwu! /a premin: l'a!curpropre de la matrice de l'(frimlt.:e-com/'wcc.


Lfi poil!( (10, HJD) correspond aux l'lllclJrs thoriqucs (E(Pl), E(J~'::.)) d'JIll mhmg d'ordre

1= f) (brui! seul,]) = 0 el]' = 0). SlIr Jes espaces des camcu!ristiques du signal ,wy~ dans /('
bmit {If), sont supcqJOss {cs rsca!f.t tltoriq/(t!s (E(Fll p, t'), E( F::/p, r)) m'cc p cl!' prcl/oJJt
des mf!m/'s rigulircmclII eSjJaces dons les imcJ1'aflcs

[0, J} (" [Dt llHL'X( Fl )/o"l

du ,\ 2 centr:
15,390J

[5,3%J

206

Dcision temps-frquence

La Ilgurc 5.10 montre l'volution de J"esprance mathmatique de l'erreur d'approximation 1:(8) en fonction de j'estimation par maximum de vraisemblance J. Nous
observons que cette erreur dcrot quand (~ crail. Dc plus, pour (~ suprieur 2, ceUe
erreur est infrieure ii 10- 2 . Elle peut tre considre comme ngligeable si () > 2, ce
qui est le cas pour la loi des caractristiques FI des cellules ne portant que l'nergie
du bruit.
0,07
Il,06
0,05
0,040,03
0,02
0,01
0

Figure 5.10. EI'olurioll de l'espraI/CC /lUi/hmatiqlfc de "errcur


d'approximatio/l E cllfol/crioll du I/Ombre de degrs de lihcrt /5 de la loi dll X:2 cClltr

5.2.2.4. Caractrisation
Nous avons dj mentionn que j'algorithme de segmentation ralise une croissance de rgion de manire itrative. A chaque itration, les coefficients non segments sont considrs comme appartenant la classe ,Cf), c'est--dire comme suivant une
loi du \:1 centr. Les paramtres C":2 et () peuvent alors tre estims par les expressions
15.39]. Celte procdure permet de plus de dflnir dans l'espace des caractristiques un
espace de confinement du bruit il partir du quantilc d'une probabilit de fausse alarme
pralablement Ilxe sur la loi de FI. Cette rgion marque la limite de propagation
des germes extraits pour l'itration courante. Notons que cette probabilit de fausse
alarme est le seul paramtre de contrle de l'algorithme. Son infuence est discute
dans lHOR 02a]. Une fois la segmentation termine, les seuls paramtres restant il
estimer sont les proportions p[n, k] ainsi que les paramtres de dcentrages apparaissant sous la [orme des rapports signal/bruit 1'['11, kl. Nous proposons de conclure cette
tape cIe caractrisation en rsolvant le systme d'quations paramtriques:

E(!",/p,r) = h(p.r)
E(Fo/p,r) = h(p, r)

ISAOal
[SAOb]

Pour ce faire, il est ncessaire de disposer d'un ensemble d'estimations des esprances mathmatiques des caractristiques locales Fi. Nous faisons l"hypothse que le
moment d'ordre 2 du mlange peut s'crire comille un polynme d'ordre 2 du moment

Extraction de molfs lemps-frquence

207

d'ordre 1:

E(1'2/p, 1')

(III

+ (I, E(F, /p, l') + (I,E(F, /p, Tr

r5.41]

Une rgression sur le nuage de points propre chacun des 1110tifs spectraux extraits
rournit alors une estimation de la courbe paramtre (fl (p, r), .h.(p, r)) par l'estimation des coefficients ai. Il s'agit alors d'inverser le systme 15.4{l] pour obtenir l'volution des rapports signal/bruit '/' en fonction des proportions p. Dans le paragraphe
5.2.3 nous prsentons un exemple de caractrisation. La rgression est ralise par
moindres carrs totaux alln d'introduire une incertitude suivant chacune des caractristiques locales.

5.2.2.5. Chnix de la faille de cellule


Le choix de la taille de cellule d'analyse es1 un lment crucial pour l'interprtation. En effet, le nombre de points [orman11a cellule doit tre suffisamment grand pour
permettre une caractrisation fiable. Cependant, le choix d'une taille de cellule trop
grande rend caduque l'hypothse de faible variation des paramtres de dcentrage. Il
produit de plus un lissage de la RTF qui a pour consquence une surestimation de
l'talement des motifs. Nous avons recours la notion de noyau reproduisant d'une
transforme temps-frquence pour raliser un compromis entre ces phnomnes.
Le noyau reproduisant R'l'I1.- .I'1 [k: fl d'une transforme temps-frquence est la
transforme temps-frquence de la fonction d'analyse centre j'instant 1/ el la
frquence f' ]TOR 95]. C'est une mesure de l'change d'nergie entre coeJ'Jkients
temps-frquence. D'un point de vue statistique, il peut tre vu comme une mesure de
corrlation entre coefficients. Nous dllnissons le noyau de la RTF comme le module
carr du noyau temps-frquence:
I

[5.421
Le support de celle fonction volue cOlllme la bote de Heisenberg mesurant la
rsolution lemps-frquence de la reprsentation. Dans le cas du spectrogramllle, ceUe
fonction est invariante par translation temporelle et frquentielle:

r5.431
En revanche, dans le cas d'une reprsentation temps-chelle telle que le scalogramme, la largeur temporelle de la bote de Heisenberg dcrot quand la frquence
d'analyse augmente et la largeur frquentielle volue inversement. C'est la proprit
de covariance par translation-dilatation du noyau lTOR 95.1, qui s' crit:

15.441

208

Ddsion temps.-rr-quencc

Nous dfinissons finalement la laine de ln celIule d'analyse cmnmc le support du


noyau de 1" RTF:

[5.45j
En pratique. le noyau est seuill 1 % de sa valeur ma.ximale.
Pour les raisons avances prcdemmenL lu cellule est de taille constante dans le
cas du spectrogramme. Les largeurs lemporcHcs ct frquentielles voluent inversement
dans le cas du scaJogramme.
Le choix de la taille de cellule est fat nU10llltHiqucmenl en tenant C0111r'He des paramlres de construction de la RTF (type de l'onction (l'analyse, longueur, taUX dc recouvrement, nombre de voies frquentic:lles cl' analyse). Une tude mene: dans IHOR 02a1
monire que ce clitre permet de rnliscr un bOll compromis pour la segmentation.

5~2.3.

Deux exemples Il'llpplicatioJl sur des signaux rels

Nous pr.scIHllllS maimenant les j'(~5uhat~ du traitement de deux signaux dUlltlcs

l110lfs spectraux dans le plan temps-rrquence possdent des proprlts diffrentes.


Dans ces deux cas, la RTF est un spectrogramme du signai non stationnaire analys.
Comme men1ionn dans le paragraphe prcdent, le traement d'un spectrogramme
ncessite l'utli:-;ation d'une ccllulc glissante de taille cons{anle i>ur tom le plan tempsfrquence, Un traitement similaire aurut pu tre r~aIis- sur un scalogramme si lu
nalUre du signal analys J'avat exig, Le traitement aurait t en lout point identclue, hurmls la taiJle de cellule qui aurait alors vari suivant "axe des frquences (des
chelles)" Du fat de leur grande dynamique. les RTF sont traceS L'Il cheHe logarithmique pour une meiHeure visualisation des 111011rS, Les axes frquenliels sont reprsents en frquence normalise. Les paramtres de construction des RTF ct de contrle
de la 'segmenlalion sont donns dans les lgendes des figures correspondantes.
Le premier signal. prsent en I1gurc 5.1 Lest renregslrcl11cm acoustique de la
rponse impulsiollllellc de l'auditorium de l'Opra Bastl)e. Cct enregistrement est
ralis pour caractriser les proprits ncoustjques de la salle en termes de rverbration,
Le spectre est large hande l'instant de rmission de l'impulsion, puis les frquences leves disparaissem progressivement du fall d'Ull temps de rverbration
plus court. La forme du motif spectral est bien donne par la segmentation superpose
il la RTF en ilgurc 5.lla. L'instant d'mission de l'impulsion est particulirell1ent bien
dtect du rail de In croissance brutule de r ncrgic. La segmentation fou11lt aussi une
estimnlion du temps de rverhration des frquences dc propagation du son.

Extrnction de motifs temps-frquence

:!U9

0,5

-10
-8
"",

t .."')

,1

-(;

tW

-Il '\

:~1;7.!Jti, +~

j b",~IIii!'':;.-_'~_'',;_;_'.,--~i
0 l

oL

IOOOE
o l"
-1 000--

I{S

15;

25
x 10;

IVlonlclH:-' non nirf> d'orre 1

5000
a)

10000 151100

Temps (ptS)

bl

Figure 5.11. Rponse iWj1l1!simmeUe de l'opch'iI Bosfilk Lo RTF frairc (0) esr /e spectrogramme du signaI calcllM sur lflleln!n' <-/1/ Kaiser de 63 pous (!l'el' (/11 n:UJU1'I'C}l/CIJ! de 50 'X,
,~w 156 l'oLrfnSqrw!lliclles. La cellule ;:!issaf1!c utilise pour la segllu-'lItattm (h) comicII! 3 A:.)
poiws el la pmhabilirr-> de fausse aiorme esf de [1 x
prsellte del/X tmccs L'orres/wlldam tlU mutlf exlrtlit.

, L 'cspace du camcfrisfiqUl's (C}

L'espuce des caraclristiques (figure 5.1 lb} de cet unique motif spectral prsente
deux nuages dL' points prenant leur origine HU mme point. mais de pentes djfrrente~.
Ceci rem~tc la prsence de deux pics d" nc-rgie atlx alentot1f:. dl' r instant:'; 000. le
principal aux alentours de la frtquencc [J,l, le second aux alentours de la frquence
0,3, L'tape de caractrisation dcvruit trc prcdt.?c d'une partition de ces deux nuages
raide d'un algorithme de type k-l)lus~proclf(!s~i'njsiJ1s par exempk'. pour j'estimation
de rvolution de hl proportion p en fonetinn du rapport signal/bruit 1', Ce n'esl p<Js Je
propos de celte seetion.
Le signal analys sur la figure 5.12 est l'enregislrement acoustique du ~fncfl1cn
de dauphin dj:l prsent dans la secton 5,1. La bande de frquenee a t rduite
tl une rgion sur laquelle le brut sous-marin est d'amplitllde quasi constante pour
approcher la eondlioll de blancheur. Les motifs speclraux cnmposalll cette RTF sont
il bande troite par opposition <lU signal lruil en fgure 5. l 1 qui est alors dit large
bande.
La segmellu:nion prsente en jigure 5. J la a diffrenci sept motifs sreclr~1Ilx el ce
qnel que soit leur niveau d'nerg.c. Nous donnons un exemple de carnctrisation avec
les motifs t, :2 et 7. d'amplitudes plus iIl1pOl'!antes.

]10

Dci}iion lemps-frquence

L'talement des 1110tif, extraits est lgrement surestim du fait de l'application de


la ceHule gtissantc qui produt unlssngc dl!: la RTF dans l'espace des caractristiques.
Ce phnomne n'eSt pas visible sur la segmentation d'un signal large bande te! que
celui prsent en figure 5.11, 11 devient consquent dans le cas d'un signal bande
lroite et plu, particuliremem sll'amplitude augmente brutalemenL
Les trois motifs sont reprscntes dans l'espace des caractristiques de la i-igure
5.12b par lrois nuages de points. La caractrisation de ces nuages permet de tirer
quelqucs conclusions: SUT le contenu nergtique de ces motifs, Les trois courbes de
rgression sont superposes sur la figure S.12c HU rseau thorique estim lors de la
dernire itration de ralgorhme de croissance de rgions. Ln rsoluLon des quations des moments sur ces trois courbes de rgression conduit aux courbes de la I1gure
:), 12d. Eile montrc que le motif 1 possde une ncrgie largement suprieure celle des
deux autres motifs. De plus. Je rapport signul/liful augmente ri us vile avec la proporlion de signuL Les mol ifs 2 el 7 prsentent un profil lrs smilaire. Ces informations
ne peuvent tre eXtraites la seule lecture de la RTE

5.2.4. Conclusioll sur {'a[Jproche par espace de.'" curactristiques

Ln mise en piace tfune mthode d'interprlation base SUl' un modle de distribution pour les coefficienls de la RTF (spectrognUlln1':: ou scalogrammej prsente plusieurs avantages par rapport il lu mthode utilisant des outils de morphologie mathmatique. D'une part, le modle de distribution dduit direclement de la mthode Je
conslmclion de la RTF petmet de limiter les connaissancc:-; (f priori ncessaires au traih?lnent. Le nombre de paramtres de contrle est ainsi largement rduit puisqu'jJ se
limite au choix d'une probabilit de fausse alarme contrlant ia segmentation il chaque
ilration dc l'algorithme. Tl permet de pius de donner une dfinition, au sens de rinterpr-wtion, d\m motir spectral. Suivant cc modle, un rnOlif spectral est un ensemble
dc coefficents lCmps-rl'quencc suivant des lois du :\ 2 dcentr dont les paramtres
de dcentrage sonl suprieurs la puissance du omit environnant. Entln, le mole
cn mlange de lois permet de dfinir le processus d'inlerprtation dans le cadre dcla dassifkation de donnes. L'tape de segmentation des motifSt conespondunt il la
classilkation des donnes, est prolonge par une tape d'estimation des paramtres
des lois impliques. qui permellu caractrisaton des rnotjfs extraits. Une mthode
de caractrisation simple dans son principe permet dj de tirer qucJques conclusions
quanl au contenu nergtique des motifs extraits.
Ln non-spcifkit de la mthode au signal traH il pour consquence vidente une
rduction de la qualit de li.! Hcgmentaton propose, Elle penllct cependant un traitement aveugle de la RTF el surtout la dHnitiol1 d'une lape de caractrisation. Ces
atouts peuvent s'uvrer trs utUes dans un contexte de surveillance ou de diagnostc.

Exlntction de motifs

0.38
0,36
,~

0,34

o.:n

C,

(,

'0

lOi)
4

2 3.5
3

'~

50,16

1,5

0
~

&0;4,-

'-1>

2'Q

c
"w

D.lX-

1j

C
u
0

0-

:12

tt 0.::2

0,20

fi

'l'emp}; lpts}

h)

I{}!

c,
~

11
0

'0
~

,~

'"
0

0
0
0

3000 ,

3,5

2500 e

-'"

3c

., _ i

~:~j
~

'E"" 0,5.'
0

,.

Motif 1

+'

,/
"

;;'1

cl

4
l(}l
Momcllts non entfC\ 'onke 1

IJOO~~!!i~~~~I~
J'
.; 1 Il

al

.J:

O'JIIli
.50UO
5

2\ 1

E0.30
~

tcmps~rrquen

0
0
3
JO'
Moments non centrs d"ordre J

-a 2000j
~

'V;

"

."

~
'""

1500,
1

1000:

MoitI 1

500

r-,.!otif .2

t.lnllf 7

0
Il

0,2

0,6
0,4
Proportion

0,8

Figure 5.12. SU/lcme!!1s de

t!au/J!JiIlS. Lu RTF ,wgmctlu!c (a) est lm 'V.ltfCll'Ogrmnme calcifI


sur uile fCl/Irc de HO!Jnirlg tir' 5J j poil!fs arec 1/11 reCOUl'femeflf tic 50 'ih Le !lwJlbre de l'orx
jrqut:lJ{icl/cs csi de 102-1 poims. La cellule gliss(m cOf/liem ;1 x 7 !loin!.l' cl fa probabilir
tif! f(lIIsJe alarme CSl de 1 O~:!. L c.\]Jaci' de,,' {'(/tac!istiqucs (h) jJi'I'III(( dc d{llrencief Jes {/'Ois
1/uages de [Joims correspoNdant mn !mis mot({i d'amplifudes p{IIS illljlorlfll1fcs. Sur }O.!gllfc (l'J.
les courbes de rgressioll de ccs {mis /1/ot(f::; sonr SIIJfcf]H!ses ((1/ rseau fjf(forilfUc (!sfimt' lors
dc ln demire irration de /'oll1ul'illllll(', Le r.<;n/rat de la rsollltiou des ttIW/io!!.I' des IIWUlcnts
es! prisenl Cil .figu/'e (d).

5.2.5. Bibliographie
[ABR 70) ABRAMOVITZ M . STEGUN LA" Handhook
1970.

(l AlalhcwOl'a!

[A'{A 711 AYANT y, BORG M., Nmctl1Is s/it'efflles, DlIllnd. Puris. 1971.

F/ludion.'!, Dovcr.

212

Dcision temps-frciqucncc

[BAR 01.1 BARANIUK R-G., FLANDRIN l'., JANSSEN A..LE.M., MICHEL O.J.L" Mea,ming

time-frcqucncy content using the Rnyi entropies


Theor)', voL 47, n" 4, p, 1391-1409. nu 2001.

li,

IEEE Transactions

DIl

lnformaiioJl

[BARN 781 BARNDORl+--N!ELSE~ 0" h{frJl'JH!lfioll and /;\pOIu!fIlial Failli/y in Statixti011


Tlory, John Wilcy .md Sons, 1978.
[COA 991 COATES M..I.,

FITZGERALD

WJ" Rcgionally optimlscd limc-fl'equency

JislrihLl~

tions uslng nnite mxture mouds ", Signal Processng, voL 7, nD 3, p. 247-260, 1999,
rDEM 771 DEMPSTER A.P" LAIRD N,M,. RUBIN D.B., Maximum likdihood fmm ncom
plele data via the EM algnrilhm j'. ,}ounwl of the Royal Sllllistical Socief)" voL B-39,
p. J-37, J977.
rFLA 93j FLANDRIN P.. 'flHups:frqlwflce, Bemls, PariS', 1993.
rGOV 991 GOVAERT G.. <' Classification automatique el modle dc mlange ,,., mis Actes de

ASU'99, 31imcs Journe.\' de statistiques, p. 99-[ 02, Grenoble, Fmlli.:c, mal 1999.

IHOR OOj BORY C" ?vlARTlN N., CHEHIKIAN A., SOLBERG L.E., <, Timewfrequcllcy space
chllracterzation bascd on S[Hlistical enteriorts". dans Proccedings afthe EU.SPCO'2000.
p.114-2J7. Tampere. Finlande. septembre 2000.
!HOR02uj HORY c.. Mlanges de distributions du y:::: pour !'intcrpr~tatiol1 d'ulle reprsentation temps-frquence. 'l'lib,lie de doctoraL institut 11.1.tionut plytcchnique de Grenoble,
dcembre 2001.

lHOR 02b1 HaRY c., MARTIN N" CHEHIKIAN A., <1 Spcclrogmm segmentation by mC'iIls of
stmistlcaJ reatures fClr non-slulionary signai Interpretation j"~ lEEH Tmnwctio!Js on SigJmt
f'mccssillg, vol. 50. nI) 12. p, 29152925, cembre 2002.
IKEN 63] KENDALL M.O., STUART A., Tht! Ad\'{lIJd Theory of Surfis/ies. vol. 1. Charles
Griffin and Company Limitd, 1963.

[KOO 741

KOOPMANS

LH.. Tlle Spectral Aualyss f?fTime Serics, Academie

Press.. 1974.

[LAW 82j LAWLESS J.F., Statisl;cal Mod,",'ls oud Met/wdsfor Lf/crime Dota, John 'YViley and

Sons, 1982.
{TOR 951 TORRSANI B .. Auo/yse cimlimlC par ondr:lelfes. fntcrEtlitins/CNRS Editions,

J995.

[zue 76J

ZUCKER S.W. <~ Region growing: Chldhood amI adolescence ". COll/p. Gmph.
image Proccssng, voL 5. p. 382~399, 1976.

Chapitre 6

De la physique la dtection

6.1. En mcanique: dtection de chocs}


Cette secton s'adresse au problme particulier de la caracwnsmon d'une
succession de chocs dans un signal. Il il pour but de meUre en vidence 1; apport de
techniques de traitement du signal dans la rsolution de problmes a priori
mcaniques. L'approche dcrite s'applique li tous les signaux modlisables par des
exponentielles amorties et, de lon plus gnle~ tous les signaux, dits
tmnsitores)j au sens de courte dure. dont la rorme d'onde peut tre upproxime

par une exponentieHe amortie.


Aprs avoir dfini et illustr la notion de choc au sens mcanique du terme, le
modle esl dcrit autant dans le domaine temporel que Frquentiel. Un modle
multichoc, succession de chocs dcaJs dans je temps, est introduit. Son intrt est
justifi par l'examen d'exemples tirs de la mcanique.
Base sur ce modle. une mthode de dtection/estimation est prsente. Cette
mthode a la particularit d'tre adapte ft des rponses brves et rapproches dans
le temps. Sur le plan traitement du signal, il s'agit de proposer une nouvelle mthode
de dteclon et d'estimation en non-stationnaire, la mthode s'appuyant sur le
classique modle de Prony. Sur le plan mcanique, il s'agit de modliser des
rponses. non pas des excitations sinusodales, mais des chocs. La rponse est
alors de dure courte.

1. Section rdige par Pierre JAUSSAUD, Nadine MAR Tl~, Fran"ois

COMBET.

114

Dcision temps-frquence

Cette ~lpprochc est illustree sur des signaux rels, mesures vibratoires enregistres
en tte de suspcnle d'UI1 sige de tlsige, L'approche propose rem1e! le calcul
d'un modle tempDrei de la mesure. modle qui n son uiilit dans le domaine de la
scurit et du diagnostic.
6,1.1, Pourqltoi UII te/modle?
6.1. i ,1. D4finition d 'un duJf.:

En mcanique la notion de choc est gnralemenl bien comprise: une voiture en


heurte une autre, c'est un choc. Une assiette tombe au sol. elle se brise sous l'elTel
du choc . Ces deux {{ situations de choc if ont en commun le fait qu'un objet anim
d'une vitesse est arrt brutalement. La notion de choc est gnralement associe
une variation brutale de vitesse. Le choc est considr comme d"autant plus violenl
que la vuration de vitesse li t plus importante et plus brve.
Ces remarqucs sont compatibles avec la dfinition plus scientifique suivante. Un

choc est un vnement pendant lequel la quanti1 de mouvement


varie pendant

tille

dure dl trs courte. Si une force

il = MV

d'un objet

F cst applique llll

objet. la

reluton fondamentalc de la dynamique s' crit F:=: d1fl L! assocJmion choc/variation

"

de quantit de mouvement conduit il associer la notion de choc il celle d'application


d'une forcc variable dans le Lemps, Les expressions ci-dessus sonl veclOriel1es.
A illSL la variation de quantit de mouvement peul se comprendre aussi bien cn
terme de variation d"amplitude qu"en tenne:; de variation de dircctton de la quantit
de mouvement.
Il Jbut bien garder cn mmoire la limitation de temps impose il la variaton de
quantit de mouvement: pour un objet tournant sur une orbite circulaire, la direction
du vecteur P change en permanence puisque V reste tangentiel li rorbite, JI n'y a
pas pour auml choc permanent! Une variation de quantit de mouvement ne peut
tre associe il un choc que si elle est limite dans Je temps.

La diffrence enire une application lente d'une force une structure mcanique
et une application brutale de la mme JiJrce est que ceUe dernire conduit
communiquer de l'nergie cintique la structure. JI en rsulte, dans ce cas, une
contribution dynamique il la dformalion de la structure, La dformation au m du
temps peut tre multiplie par un facteur au moins gal deux et qu dpend de
l'nergie cintique qui a t transmise. Comme toute structure mcanique lastique
prsente des modcl' propres cie vibrations. la dformation initiale. appele choc.
entraine gnmlcmcnt ulle rponse de la structure sous forme d'une mise en

De la physh[ue il la dtection

215

oscillations de la stl11cture sur sn ou ses frquences propres, Pour pouvoir tre


considr comme un choc, la dformation ne doit pas dpasser Ulle il deux lois la
priode la plus courle du syslme sollicit.
Les chocs sont gnrulement des actions nuisibles il la dure de vie des
stmclures. Isoles et importants, ils risquent d'nmencr un dpassement de la limite
de rupture de la structure, S'ils se reproduisent de manire cyclique, Ils conduisent ft
des manifestations de fatigue qlli~ elles~mmes, peuvent entraner la ruine de la
structure mme si les dformations cycliques sont fhiblcs. Il suffit pour ce!a que
l'amplitude des dformalions dpasse la valeur caractristique du matriau utilis,
connu sous le nom de 11mite de fatigue. et que les dformations soient assez
nombreuses. Les cOllrbes de Wiihler [CEC 87] caraclrisen! le rapport du l10mbre de
cycles sur la dformation.

6.1,1.2. Exemples de situarkm de choc


Notre slcle lcclmologiquc sc caractrise par la VtC55C, Oc cc fait. les situations
de chocs SOIll frquentes. Citons 'Iuelgues exemples.
Lorsqu'une roue de voiture passe dans un nd de poule, II y a variation brutale de
ln raction du sol sur ln roue, C'est un choc.
Lorsqu'un marcheur pose le pied sur le sol, son poids s'applique rapidement sur
son genou, qui subit tin choc,

Drlns lin jeu d'engrenages. les dents des pignons entrent en contact trs rapidement
les unes avec les autres. Un couple est transmis. par la force d'une dent sur l'autre.
Cette force est applique rapidement puis relche tout aussi rapdcmenL Dans les
siuJatiol1s les plus sil11p!cs~ chaque denl est ainsi soumse ft deux chocs qui se

succdent trs rapdel11ent.


Un autre exemple est celui plus inhabituel du passage d'un vhicule de
remontes mcaniques sous un pylne de compression. La pince qu relie le vhcule
au c5ble doit s'insrer entre le c5ble ct les galets du balancier (voir figure 6.1). Toul
se passe comme s les galets devaient rouler sur ln pince. La direction de la vitesse
du centre du galet suit la ronm'! de la pince cl, chaque angle de la pince, lin choc est
produiL Ceju-ci est prjudiciable pour le confort des passagers ainsi que pour [a
dure de vie du vhicule et du pylne.
La nolion de choc n'est pas limite ln mcanique. En lectricit. elle fi aussi
beaucollp d'imporwnce, Une variation rapide et nicllsc dlull champ lectrique (par
exemple lors d'un clair ou d'un courant de rupture) se traduira du fait des lois de

216

Ddsion tcmps-rrqucnce

l'lectromagntisme par une impulsion dans les circuHs lectriques qui y seront
SOUil1is, Les consquences de ce genre de stuatton sont souvent imprvisibles et
vonl du dclenchement d'lm disjoncteur il la perte de mmoire d'un automate en
paSs3nt par un circuit lectrique griH ou des pannes alatoires,

Figure 6.1. Exemple d 'llne pince d'un rlJsiege dbrqrablc qUtffrC places

Les chocs les plus gnants sont cependant Jes chocs prodiqucs, Rpts, ils

sont psychologi(Juemcllt et physiologiquement insupportables, matriellement el


mdicalement dangereux. lis sont d'autant plus pnibles qu)on a souvent le

sentiment que l'on poun'ail en diminuer les consquences sIon en connassait


l'origine exacte el si on savait les modliser proprement.
6, 1, t "3, Rponse tf'UJl .\Tslme mclIniquc lm choc
Dans le cas d'une exctalion rduite il tlll choc isol, rnppoli' cI"nergie fi lin
systme mcanique est Jimit dans le temps. De ce liL le systme est excit: par un
signal transiloire de dure trs courte. dont le contcnu rrqucIlticl COLlvre une large
bande. Si Je systmc qui cn cs! victime prsente une frquence de rsonance dans
cette bande, il pourra se meUre en vibration sur cette rrquence. Ds la I1n de
l'excitation. l'ampHtude des vibrations dcrot
Dans ce chapitre, nous cOHsid-rcrons uniquement les syslcmes mcaniques
linarcs pOUl" lesquels le mouvement CSl J'cgi par un systme d'quations
dffrcntiel1cs lnaires coefficients constal1ts avec un nomhre d'quations gal au
numbre de degr de Jibert du systme.

21

De la physique ft la dtection

Lorsque Je systme subit une excitation e(t), la perturbati(\ll du systme se traduit


par un mouvement rponse y(t). Si le systme est suppos simple et llll seul degr
de liber!, ['quation diffren!ielle du mouvemen! s'crit [BRU 55] :
[6.1 ]
avec:
- al l'amortissement rduit du systme gal au coeffcient de viscosit
nonnulis pUf 2 fois la masse du systme (en l) .
.- ml la pulsation propre du systeme (en rad,l),
~

c(t) l'excitation ou entre du systme; homogl:Jlc ri unc acclration (en m.2),

- y(t} le dplacement du systme relntivement la position d'quilihre (en m~,

- y(t)ct y(t) la vitesse. drive premire de y(t). et l'acclration, drive


seconde de y(!).
La solution de cette qualion cst la somme d'une solution prticulire YF (t) du
systme avec second membre et d'une solution gnrnle YL t t} du systme sans
second membre ou systme homogne [BAS 68]. La solution Yr: l caraclrise les
oscillations forces conditioJines pnr l'excitntion cO) tandis que YL (q caractrise
les oscillations libres du rgime transitoire. Pour un amOl1isscmelll sous-critique
dfini par.

t,

[6.2]

une solution particulire YF (t) est donnc par la solution intgrale [LAL 991 :

(1

u)1du [6.3]
/

avec Url) fonctiou de Heaviside. fOl1c!ion l1ulle pour! < 0 e! gale il 1 pour t > O.
Duns le cas pmiiculicr o l'excitation eH} est ln fonction de Dirac. modle de
cnoc le plus lmentaire. cette solution est la rponse impulsionnelle du systme que
nous noterons hl (t) ct qui s' crit:

1_,,1'(
11 t = - e ! 5111 QI !) u(!)
Ir)
DI

[6.4]

Ddsion 1emps-rrquenc~;

218

avec 01

= JWf CLf

la pscudo-pulsntion du systme,

Cette rponse ou mode d'un 'YS!"le 1 degr de libert est de type oscillatoire
amOlii avec une pseudo-pulsation Q} infrieure lu pulsation propre )j du
systme,
Nous remarquons que la solution YF (t) il une excitation quelconque e( t)
donne pur l'quation [6,3] s'cril comme la convolutio" de celle entre e(l) et de
la rponse impulsionnelle hl (t J donne pur l'quation [6.4],

La solution YL ( t). solution du systme suns second membre,


forme gnrule ;

S' crt

sous 1<1

Les puromtres u 1 et 'PI sont dlermins de telle sorte que lu solution y ( t)


vrifient les conditioos initiales du systme, y ([]) = Yo et Y( 0) = 1'0 '
En rsum, lorsque rentre d'un systrnc est une excitation quelconque, la
rponse y ( l} il ce systme est la somme de deux tenues:

yd

- le premier,
t) = ci 1)* h[ (t), est la rponse dite Ibree d'un systme
linaire homogne qui s'exprime par la convoJution de l'entre avec: ln rponse
impulsionnelle du systme;
- le deuxime, YL (t). est la rponse libre. solu(ion particulire de l'quation du
mouvement sans second mernhre.
Ainsi, pOUl' le systme ll1onomodal dcrit dans ee ehapi(re, la rponse
une excitation quelconque et t) s'crt:

avec:

- h[ (t) rponse impulsiOlUlelle donoe pal' l'quation [6.4],

- ydt) rponse libre du systme donne pal' l'quation [6,5].

y( t)

fi

De la physique la dtecton

Systme Ill(lniqul~
e(t)

un choc 1~nH~ntltirc

-II

h,(l) "" H ,(1)


conditions initiHI~:s

...

219

yll) = o(t)"' h,(t) i' y,(t)


la rponse cc choc

YI), fil

0,8

0.5

0. 6

UA

0.1

~O,5

U,I

0.1

U,3

U.4

Figure 6.2. l?prHlxe d'lm ,\TSll:mf! mcal/iqUt_' fHOIwllwdai Wi choc lmenrairf!

L'allure de cette rponse est reprsente figure 6,2. Il est mportant de noter que,
dans le cus monol11odaL les termes oscillatoires ajouts ont la mme pulsatin el le
mme facteur d'amorissC'lUcnt. Si les conditions initales ne sont pas nulles, le tel11e
libre peut tre prpondrant par rapport au terme 111rce,
La fonction de tmnsfcrt Hl (0) du systme est la transibrme de FOll1'ier de la
rponse impulsionnellc hl (l) cl s'crit :
[6,7]

avec un module gal :


[6,8]

Ce module prsente un maximum la pulsatol1 Ulm' diffrente de la pulsation


propre du systme. cl dfinie par:

r6.9]
L'cart entre QI et ft}m diminue avec l'amortissement al. Un exemple de

rponse d'un systme monomodal SOlls-crtque el du module de sa fonclion de


transfert est reprsent sur la figure 6.3 pour deux valeurs de j'amortssemenL Les

220

Dcision tcmpsAi'quenC'e

frquences fi des tTmdes propres sont obtenues ft partir des pulsations mi par la
relation:

[6.1 0]

Rponse A

Rponse B

11
o

0.5-1

-1

-2
(l

Temps (s)

Temps (s)
,

'

""ifF(A)
O.OI5-~.-

0. 01

ITF(B)

0.3

"

0,2

0.1

oTi---~,

0.6J
0.5 ,
OA c ,

50
100
Frq uencc (Hz)

150

O~O==~~5~O~~=I*OO====~150
Frequence (HL.)

figure (,.3, Fu!1er/on de l!'Wl,yfrt d'IIII A]Wlme simul cl 1Jhiqtnce dc njsolltlllce


(fi = 5n JJ:::) pour': l'llfeurs dl:' l'amortisscment sous-critiquc (al 3 J.i J Mi) : Ct, = 100 ;/",
pour /0 rpons!! A cl aj = 5 SM! pOlir [a rponse B -- J = 3()(} [-[;;;

6.1, lA. i\lodle (f mu/fichae

}l

Dans le cas de chocs priodiques. j'npp0l1 rgulh::l' d'nergie maintient le systme


en vibrations: les vibrations sont dites entretenues. Si les perles par frottement entre
deux chocs sont gnles l'nergie apporte par un choc, le niveuu de ces vibrations
peut se maintenir une vnleur quasi constante.
Une telle excitation peut tre modlise par une serie priodique de chocs.
Considl'Ons le cas simple olt un choc lmentaire eslmodlis par une fonction de
Dirac COlnlne dans le paragraphe prcdent Dans le cas de chocs multiples espacs
de manire irrgulire el venluellement d'amplitudes diffrenles. rentre cM (l)
du systme- mcanique s" crit:

De la physique: il la dtection

22 i

e~d 1) =

L::0111 i( t - t 111 )

[6.11J

ln""!

avec:
Cm

l'ampliludc du m-ime choc,

li (1) la [onction de Dirac,


- tm j'instant du m-i111c choc,
~

M le nombre de chocs.
Pince

-1>-

Chocs

12

i,1

41

"" Temps

Choc'i 1 e! 4 : sauls des 3ic.uilles

Clmes:2 ct 3 : cxtrmit6s du pitti dc-In pince


a)
.,

'\x~!> J~

ml;,linll

Liui)ii.m~ rigjJ~,;
~-C[;e

hl

[)'~1

11Il Il Il Il Il Il Il Il Il Il Il
,0:; 111 III Il Il Il J Il 1111
o

tJmL.i

1I.

0.-1

0.6

0.8

l ,:!

1,4

1.6

l,~

figure liA. klocllc d'excita/ion de la pinee dc l'cn1mues mcaniques de li/figure 6,1 pOHr
ulle vitesse de .J, 16 mis, a; rpartiliou des chocs MW la pince fors dli passage d'ull galet,
h) n!pal'litiolJ des 12 galets ml' le l'yMoe, c} sflcccs.\'m des../8 nstants de

CfIOC,'

Dans les remontes mcaniques, application cite dUl1s le paragraphe 6.1,1. 13


force d'excitation lie la pince peut tre modlise p3r une tcHe quation. Au

112

Dcision temps-frquence

passage d"un pylnc compression de remonte mcanique, la partie suprieure de la


pince du tlsige doit s'insrer entre le cble et les galets. A chaque angle de la
pince se produit un choc (voir ligure 6.4a}.
En projection sur l'axe vertical. la direction et I"amplitudc de ces chocs
dpendent de la variation de ia quantit de mouvement de la pince suivant cet rIXC.
Les deux chocs en bout d'aiguiHc cmrespndenl une bl'Llsque variation de la
quantit de mouvement dirige vers le bas. tandis que les deux chocs dus au plat de
la pince correspondent il une brusque varlation dc quuntt de lTlOUVCI1etll dirige
vers le haut et d'amplitude plus fnible, Le pylne tudi ri 12 gnlets (voir figure
6.4b). Ainsi, ln pince subit cette srie de 4 chocs pour chacun des 12 galets.
Connaissant la vitesse du cble. il est alors pos.sible de modlise!' la succession des
U:itants des 4 x 12 = 48 chocs subis au passage de ce pylne, Ce modle est
reprsent sur la figure 6.4c pour une vitesse de 4,16 mis. Le calcul des instants tm
lient comple du fait que le choc ne se produit pas sous le centre du galet mais un peu
avant ou aprs suivant que la pince entre ou sorle de dessous le galet dans Je sens de
la marche.
Ce modle d'excitation est trs simple, D'autres modles peuvent tre labors
en remplaant chaque fonction de Dme par une fonction plus complexe telle qu'une
impulsion de dure finie ou lIne nJllclion en dent de scie. Des exemples sont donns
dans [LAL 99].
Pour un systme 1 mode propre. d'aml1ssement sous-critique dfini par la
relation f6.2]. la rponse Ym(t) l'excitation cm l t~t111_) est il chaque instant lm_
la somme de deux 1ennes (voir 6, t .3). L'un est la convoJutoll de cette excitation
avec la rponse impulsionnelle hl \ l) dfinie dans l'quation [6.4], l'aulre est le
lemle transitoire d'oscillation libre dfini par l'quation [6.5]. Ainsi, la rponse
l'm(l) s'crit:

Ym (t):;;:;; Cm( t - Lm)it hl (l)+ amIe ~iil(l~t!l1) sin{ Dl (t - tm) + 41rnd U( t

lm)

[6.12]
avec amI et {Pm] amplitude et phase du tenne d'osciHation tibre l'instant lm. Ces
paramtres sont dfinis de telle sorte que la rponse Ym(t} \irifie les conditions
inltiales du systme. Ces conditions initiales sont dlInies, chaque instant t m, par
l'tat du systme cr par l'excitntion prcdente. La posHlon initiale YO!m du
systme il l'instant t lll est dfini par Yot :;: ;: Ym-! (tm) et la vtestlc initiale vOtm par
VOl",

=Ym~l(lm)'

'"

De la physique ii la dlccton

223

Ln rpollse y ( t) il la srie des M excitations dfinie par l'quation [6.11] est la


somme des M rpnnses YM tl) de ['quation [6,12], En intgrant l'quation [6.4].
Y\ tj s'crit:

[6,13]

Cc modle de rponse peut s'crire sous lu forme gnrale suivante:


M

y(t)

L:

Amle-UII'-I",lsin(QI(t"'tm)+II'lTltl U(t--!m)

[6.14]

m",1

avec:

AmI

[a ml

+ e~~~ 7.em am! sl'n (ml


p
"'1'

Qi

QI

\7m=I,1\1

arclg

Si les chocs successifs sont trs rappmchs de telle sorte qu'un choc excite
le systme avm1t que la rponse au choc prcdent soit totalement amortie.
J'interprtation des observations, que ce soit dans le domaine temporel ou
frquentiel, devient dlicate,
Sur le plan exprimental, rnmplitude observe rsulte de la projection de la
rponse sur 10 direction dans laquelle le capteur cITecme la mesure. Dans ce chapitre,
nous ne considrerons que la mesure dans la direction verticale. De plus, la rponse
est le plus souvent observe il raide d"un acclromtrc qui mesure une acclration
et non lin dplacement.. Dans ce cas, le signal observ suit un rnodle un peu
diffrent, iJ s'obtient en calculant Ja drive seconde de ln rponse y (t) dfinie dans

[6,14] cl s'crit:

224

Dcision temps-frquence
M

y(t)=~ LAIl11

.
e -uill-lm) 5111

(~
( 1-1 ) +!lml
-1
)U( t-t m )
!;,![
m

[6.15]

111""'[

avec:

La comparaison entre les quations [6.14J et [6.15] montre que, dans les deux
types de mesure, le modle s'crit sous ln forme d'une somme de sinusodes
amorties. Une mesure en dplacement a des termes d'amplitude ct de phase fonction
des paramtres amI ,<Pm]' QI ct Cm (voir quation [6.14]) tandis que les tcnncs
d'amplitude et de phase d'une mesure acclromtrique sont aussi fonction de
j'amortissement al (voir quation [6.15]). Ces expressions rajoutent des calculs
supplmentaires qui, mis part des problmes de prcision, ne posent pas de rels
problmes. En consquence, dans la suite de cc chapitre, nOLIs allons exploiter le fail
quc Ic modlc suivc une somme de sinusodcs amorties sans prciser la nature de la
mesure. Lcs notations de J'quation [6.14] scront utiliscs par souci de simplicit.
Lorsqu'un systme linaire a P degrs de libert, le systme est rgi par un
systme matriciel de dimension P. L 'cxcitation est un vcctcur dc dimcnsion P ainsi
que l'observation. La rsolution d'un tel systmc, systmc linairc, lastiquc,
dissipatif et gnralement coupl, est reprise dans [MAR 03] et aboutit pour chaque
coordonne du vecteur d'observation l'quation suivante ol1 y(t) est cette fois-ci
une des coordonnes du vecteur d'observation:
1V1

y( t) =

'VA mp
1.....

In:l

p=l

-upll-l m )
C
5111

(~
1
~.!p t-t

) 1 )

m +Omr

[6.16]

avec Ar = -ur + Jil r , pour P = L P les P valeurs propres du systme et Amr le


tcrmc d'amplitude, variable suivant la coordonne choisie, et fonction des matrices
d'inertie et de raideur du systme, des conditions initiales ainsi que des amplitudes
des chocs d'excitntion. La formulation complte est donne dans [MAR 03].
L'quation [6.16] est donc la gnralisation de l'quation [6.14] pour un systme
P degrs dc liberts.
t

De la physique la dtection

225

En rsum. Je systme considr est un systme linaire non homogne


multmodal amortissement sous-critique. Ce systme est excit par une excitation
multichoc, diinie par l'quation [6.11] pour un systme monomodal ou une
quation identique mais vectoriel pour un systme multimodal. La rponse du
systme cette excitation suit le modle de l'quation [6.16], modle compact des
rponses libres ct forces. L'estimation des paramtres Amp , (I)mp, pour chaque
coordonne du vecteur d'observation et pour chaque choc ct des paramtres r1. p ' .ur
et tm caractrisent compltement le systme et l'excitation de ce systme. Cette
rponse sera dnomme modle mll/tic/IOC comprendre comme la rponse une
excitation multichoc. Notre objectif est de pouvoir caractriser chacune des rponses
aux chocs lmentaires surtout si ceux-ci sont trs rapprochs. Le paragraphe
suivant montre l'intrt de ce modle pour le traiteur de signal.

6.1.2. Quel est l'intrt de ce 1JIollle ?

Si les modles considrs sont exacts, la connaissnnce de tous les coefficients de


la rponse de l'quation [6.16], caractrise totalement le systme tudi et son
excitation. Ce type de problme est typiquement du ressort du traitement du signal.
Diverses mthodes sont envisageables.
6.1.2.1. AnaZl'se de FOl/rier d'une rponse des chocs

L'analyse de Fourier, approche la plus classiquement aborde par les physiciens,


permet d'obtenir une information globale sur le spectre du signal. La transforme de
Fourier de la rponse de l'quation [6.14], note y(w), s'crit:

[6.17]

Une excitation multichoc introduit un terme de phase supplmentnire sur chaque


tenne de la somme. Si les instants de chocs sont rgulirement espacs et si le
nombre de modes est trs faible, il est possible d'exploiter cette expression. Un
exemple acadmique est reprsent sur la figure 6.5. Il s'agit de la rponse d'un
systme monomodal une excitation priodique de priode Atm' Son spectre est le
produit du spectre de la rponse un choc par un peigne de Dirac de priode gale
l/Atm' Couple des techniques d'interprtation de spectre et des dtecteurs
d'harmoniques [DUR 99. MAR 02], cette approche peut permettre une bonne
caractrisation du systme avec une excellente rsolution frquentielle. les signaux
tant gnmlement de dure longue.

226

Dcision temps-frquence

-2
~--i~~~

()

(1.1

0,2

03

,8

OA
Temps (s)

0,6

Moduk de: la TF
----'-----------,;"

0,4

0,21""'"
.....

_~

120

!!IO

40

-!~-

140

Figure- 6.5. Rflom:e d'lUl Jystmc l/Ioi1omodal (Jj 50 H:.:, a, = 30 s-t,


.1:- = 3{j{) Il:.:) ri UHe excita/ion mliltichoc espacement reglll;r
(.Jt", = 0,06 S

Cf C!JII

,;s;

1 r;l/) ct module de sa trawforme de Fourh!r

0.5

-0.5
-1

0.5

1.5

1.5

Temps {s)

FnkJuencc (Hz)

Figure 6.6. Signol tlccJlemmtriquc me:mre Cil tle de smqJeme d'ul! tlsige dt.Ywayoh/c
!fIJotr/! places (dure 3,./ s 1 02.f puus ~.t,: = 3{)() 11:.:). Sur lajigurc dll has cst reprsent
le mot/ule de /0 rr.m.~fnrme de Fouricr calcuhJc sur la dure totale du signal, rsolution
fhiqucmielle (hande ~ 3 dB) 0, /7 1-/:.:.

Dt: la physique Li la dtection

21

Dans un cas plus gnral. l'exploHation du spectre est beaucoup plus dlicate,
Reprenons l'exemple des remontes mcaniques, en particulier le tlsige dbrayable
quutre places que nous avons cit il plusieurs repri!:ies. Pour cel exemple, les instants
de chocs sont diinis par la geomtrie de la pince et du balancier, ils Ile sont pas il
espacement rgulier.
La pince de la figure 6.1 conduit il une excitation qui peut 1re modlise par le
modle multichoc de la figure 6.4. La rponse relle d'un tel systme, matcrialise
pur la mesure acciromtrque en tte de suspente du tlsige. est reprsentc en
haut de la figure 6.6. La figure du bas reprsente le module de la tnmslonne de
Fourier. Bien que le nombre e modes ne soit pas trs lev. il est difficile
d'exploiter ces combes pOUf extraire l'ensemble des paramtres du sysllTte ct~ en
particulier~ les instants des 48 chocs,

6,1.2.2. AnaZvse de Fourier glissante d'une rponse des clmcs

Une analyse de Fourier court terme, analyse de Fourier sur une fentre troite
et glissrmte au cours du temps, pouna tre plus utHe. En effet. ulle approche nonstationnaire caractrise le contenu spectral d"un signul au cours du temps, Cette
approche, par son principe, devrnit pouvoir estimer les instants de rponses aux
chocs. Pour que la sparaton soil possible, la fentre d'analyse doit tre nfrieure
ou gale l'intervalle minimal entrc deux chocs. Cette dure minimale lixe la
rsolution frquentielle maximale de ctte analyse.
Considrons il nouveau J'application aux remontes mcaniques el la mesure
acclromtriquc en tte de suspente d"un tlsige dbrayablc quatre places. Etant
donn la gomtrie de la pince ct du balancier (voir figure 6Aa ct 6.4b). les chocs
sonl trs rapprochs. A une vitesse de 4,16 mis, le cas lirnite est alllour de l'instant
1 s (voir nh,'1lre 6.4c): le choc de sortie de la pince sous le sixime galet est
immdiatemcnt suivi, ft 7 ms prs (1 points il 300 Hz), du choc d"entre de ln pince
sous le huilitHe galet Les carts moyens entre chocs sont de l'ordre de 15 ms, soit
5 points, Vu ces ordres de grandeurs. un spectrogrornme sur une fentre de 64 pOnts,
soit 0,213 s, ne peut pas estimer le contenu spectral de GC signa! (voir flgun: 6.7).
Une Icntre de taille infrieure {t6 poims, 0.053 s) n'a pas une rsolution eeeplable
(bande ~ 3 dB de 17 Hz pour ulle fentre reclol1gulaire).
Ainsi, les limites d'une approche 11011 stationnaire base sur ln translbrme de
Fourier sont vite atteintes et cette approche ne pcrrncltra pas de spul'\:!r des rponses
des chocs rapprochs, en particulier les 48 rponses aux chocs du signal rel tSlud
ans ce chapitre.

228

Dt:ision tcmps-Irquencc

J40
J::lI

~ 100

JOIl

HO
60

50

40
20

Temps (s)

-50

-30

-20

-JO

0,5

1.5

::;

3 3,5

figure 6.7. SpeClmgramme (lIgure de gauche) du signa! acclromefl'iqul! de lnJigllrc 6,6.'


Fel1("fI'c de Blackmm! SUI' 0,2J S (6-1 !JoiIllS), 61 segments, hUl1de ~3 dB de 7,8 fI:: et rsn!tat
du dlectent" de lIU!h;,'{otiowwrits (Irgl!l'e de droite) pour lfilC probahifit deJhussc alarme de
J(ri ()'oir seclin}) 1.1 {Jour le dhcCli?Ur).

6.1 ,2.3, Alternatives


Afin d"accder ft l'excitation~ au moins deux approches sont envisageables. La
premire consiste dconvolucr le signnl de sortie connu afin d'estimer l'excitation
il rentre.l! exste des techniques. dtes de dconvolution aveugle, qui permettent de
rsoudre ce problme sans la connaissance a priori de la fonction de lransfe!'t du
filtre. Cette fonction, dont tes ples dterminent les f!'quences et les amo!'lissements
du systme, cst estime en faisant l'hypothse d'une entre blanche. Le mtrage
inverse ou blanchiment du signal connu par l'inverse de cette fonction fournl un
signal qui contient 1es impulsIons de l'excitation non prses en compte par le modle
du filtre. Par un simple seuillage sont dtermines les instants des chocs et leurs
amplitudes avec un signe, Les coefficients du filtre sont dtem1ins par une
minimisation de j'erreur de prdiction soit l'ordre 2, soit des ordres suprieurs ft:2
[LAC 97J, Il cst aussi possible d'appliquer une technique adaple des mthodes de
sparation de sources, qui minimisent l'information mutuelle entre les chantillons
du signal de SOrlie [TAL 01].
Ces approches Ile sont pas traites dans cet ouvrage. Le lecteur pourrn consulter
[COM 03] pour une application de ces techniques des signaux d'engrenages et aux
signaux de remontes mcaniques dcrits dans ce chapit!'e, Cette Jn de procder
impose des hYPolhses de stationnart SUl' les paramtres du systme (n'quencc et

Dc la physique la dtection

229

amortissement) ans que des conditions initiales nulles. ce qui peut tre vriil pour
certaIns systmes mcaniques.
Par contre, certans systmes complexes sont non stationnaires avec, en plus. des
conditions initiales non nulles eUou varables d'un choc Li l'autre. Dans ce cas. il
peut tre intresSilnt de considrer une autre approche qui consiste exploiter le
modle de l'quation du mouvement

6.L3. Analyse (le Prony en S/llt0111ltlire


Le modle e l'quation du mouvemcnl. quation [6.16], est une somme de
sinusodes amorties et retardes. Pour 1111 instant lm, ce modle ft des points
communs avec le modle de Prony. L 'identitication des pan.lJlltrc8 de ce modle est
une approche frquemment utilise pour l'analyse de signaux oscHlants que ce soit
en traitement du signa! ou en traitement d'antenne. Dans ce chapitre, il est toutefois
ncessaire de l'adaptcr au modle multichoc considre qui est non stationnaire du
fa il de la successjon des rponses aux chocs. Rappelons lout d'abord les principes de
l'analY::lc de Prony pour des signaux sfalonnaires,

6.1,3,1. His/odque de l'ww~Fse de Prony


Au xvm c sicle, Je baron de Prony s'cst intress l'tude des lois de la
dilatabilit des fluides lastiques et celles de la force expansive de la vapcnr d'cau
et de la vapeur d'alcool il diffrentes tempratures. Dans ce contexte, il s'est auach
li rechercher une quation deux ou tros variables alin de reprsenter des mesures
exprimcntales, Il appelait celte mthode une mthode d'interpolation.

Citons les points clefs de sa dmarche extraits d'une publication de l'poque


dans laquelle nous noterons la saveur des expressions [PRO J 795] :
{( J'eus j'occasion. en 1790, de suivre de;; exprienccs trs dtail1es et trs bien faites
sur la force cxprmslve de la vapeur de l'C!IU, ct je me chargcfli Je chercher la formule
qui les reprsentait. La rgularit de la srie des valeurs donnes. m'avait fnit croire la
tche plus aise qu'elle ne l'tait rellement; cependant. uprs quelque travail, je
trouvai une espce de fonction qui, non seulement exprimait parfaitement les n::lntiulls
entre la lemperalure et le ressort du gaz aqueux, mais qui me pamt pouvoir convenir
en general aux phnomnes dpendant des J1uides lastiques. ,le les appliquai il des
expriences <Ille Preur a l'ailes avec bcuucoup de son.sur ln dilatabilit de l'al' et de
diffrents fluides aeritormes ; t ess-ai me confirma dans mon opinion. et je me sUIS
dtcnnine publier mes rsultnts.

230

Dcision temps-frquence

Le premier aperu qui me drgea vcrs la vritable fonne de la fonction, fut la


considration de quelques progressions gomtriqucs qu 'orfrcnt certains phnomnes
relatifs aux nuidcs lastiques. dont un des exemples les plus remarquahlcs est la
n:lntion entre la densit des couches de l'atmosphre ct leurs lvatiol1s respectives:
cette loi tant cxprime par une exponentielle. je souponnai que dtlns d'autres
circDnsl,mces, o une quantit dc cette espce serait insusante. on pourrait
introduire deux ou un plus grand nombre. ct en gnralisant ces ide:;. je fus conduit il
une quation de ln Corme;

z el x tanl les deux variables, ~lh ~tll, ~1lI, etc., el p~, r~" f)~I' elC., des constuntes
donnes par l'espce particulire de phnomne donl 011 veut 11'Uuvl:r la toL

On sait que l'quation prcdente rsulte de J'intgration d'une quation aux


tiifirences finies linaires. ou donne le tenne gnral d'une suite rcurrenle de l'ordre
n ; or, les suites dl: ce genre, dflJ1S lesquelles un tennc quelconque se dduil d'un
certain nombre de ceux qu Ic prcdent, puraissent en effet convenir aux effets
natnrcls o l'lasHcit joue un grand rle; car la conservation de forces vives que
comporte celte proprit des corps, rait toujours dpendre I\.hat actuel <les tats
ant.:euems. Les recherches de Lagrange. dont j'ai parl prcdcmment, sont ainsi
fondes sur les suites rcurrentes; il a donn pluscurs mthodes pour trouver celles
qui dOL vent interpoler une suite donne, o l'on remarque l'lgance et la profondeur
qu'on doit attendre d'un si grand analyste. Comme la mthode que j'ai employe dans
mcs calculs, diiTrc des siennes que je ne connaissais pas lorsque j'al c01l'unenc mon
travail, je vnis en exposer Je procd.
R. Prony. Floral ct Prniriul, an 1lI {avril-juin 1795)

Le problme que nous nous posons pour la rponse UH choc est entirement
similaire, La variable x de Prony est le temps t, la variable z tonction de x correspond
au signal yU, modliser. Les autres paramtres ~li et P sont les pmamtres du
modle, Nous n'irons pas plus loin dans le paralllisme historique, le buron de Prony
rsolvant le problme sans l'aide du calcul matriciel qui simplifie notablement les
critures. Dans cc paragraphe, nous prsentons une mthode d'analyse qui consiste il
ral1ser la synthse d'un mtre avec une [onnulatIon qui 1l1il intervenir un modle
complet de la fonctinn de [rausfer[ du filtre tel que dans [SHA 01 J pnr exemple,

6.1.3,2, L 'mw(vse du Prony

La prscntntion de la mthode de Prony avec les outils du xx c sicle (lmnsfomle


en z, modle ARMA) consiste modliser un signal discret complexe y[k], de
priode d'chantillonnage Tc. par une combinaison linaire de P composantes
oscillantes amorties, Un lelmodle dit d'ordre P, not y[k], s'crit:

De lu physique la dtection

2.3 l

Y[k]= 2>pZ~-1 'ik;l.N

[6.18J

r~1

avec:

- hp I"amplitude complexe du mode P : "r = Ar eH'e


- zr le ple complexe dUlllode p : zr = e-",;r, .ciD"T,
- N

je

nombre de points du signal.

La lransforme en z du modle [6.18], note

Y[z] s'crit:

[6.19]

avec br' ur coefficients complexes ct ,10 = l,


Cetle criture montre que le modle peut tre considr comme unc fonction de
transfert d'un filtre ARMA, amorgressil' ct moyenne ajuste., dont les P ples

AR sout les ples eomple.ses zr des modes P du modle et les (P - Il zros MA


s'expriment en fonction des ples zr et des amplitudes complexes hp du modle.
L'criture sous forme polynomiale des parties- tvlA ct AR permet) pur
[lUX dif1rences suivante:

transforme inverse. d'obtenir l'quation


P-l

Yrk-p] <~>i 0 [k

i]

\1k = 1. N

[6.20J

j""U

Lorsque l'indice temporel k est strictement suprieur P, (k ~ i) est strictement


positif et le deuxime terme de ceUe quation est nul. Ainsi. pour k> p, nous
obtenons ce que Prony avnit judicieusement rem<1rqu : une quation aux dil'('rcncc$
qui ne s'exprime qu'en foncHon des coemdcnls AR up :
p

2:>r
p'''{)

Yrk-p);(j 'tk

P+I,N

231

Dcision temps-"quence

Cette quation est fondamentule. Modliser un signal revient un problme


d'estimation des paramtres d'un modle. Le modle de Prony. quation [6.18],
ncessite la dtermination de 2P paramtres complexes, les P ples zr et les P
amplitudes hp. Estimer simultanment ces paramtres par une mthode des moindres
carres revient rsoudre lIn systme non linaire [BRE 86]. L'intrt de l'quation
aux diffrences [6.21] est de separer la rsolution en deux tapes. Dans une premire
tape, la rsolution de cette quation, qui ne dpend que des paramtres ap fournit
une estimation des ples zr' Dans une deuxime tape, les amplitudes hr sont
estimes par moindres carrs, l'quation obtenue tant cette fois-ci linaire.

Deux cas de figure vont alors se prsenter. Si le nombre de points du signal est
gal au nombre de paramtres, il existe une solution exacte. Par contre, si le nombre
de points du signal est suprieur au nombre de paramtres, le systme a plus
d'quations que d'inconnues. Un tel systme est dit surdtermin et il existe une
solution unique qui est norme minimale.

6.1.3.3. Le modle exact de Prol/y


Si le nombre N de points du signal YlkJ modliser est gal au nombre 2P de
paramtres estimer, il existe 2P quations suivant le modle de l'quation [6.18]
pour estimer 2P paramtres. Ce systme admet lIne solution unique et exacte. Ainsi:
[6.22]
Etl'guation [6.21] s'crit:
p

La;

Y[k-p]=O Vk=P.N et N=2P

[6.23]

poo

Cette quation permet d'estimer, pour la premire tape, les paramtres a p


partir desquels sont dduits les ples zp par factorisation polynomiale du dnominateur
de la fonction de transfert [6.19] :
p

p""!

p=()

I1(I-zpz- I )= Lapz~l

[6.24J

Pour la deuxime tape, une fois les ples zp estims, les amplitudes hp se
dduisent par inversion matricielle en insrant [6.22] drms [6.18].

De la physique la djection

233

Cette solution exacte peut tre intressante lorsque le signal est analys sur une
dure trs courtc, ce que nous retrouverons dans le paragraphe 6.1.4 pour J"analyse
de signaux non stationnaires.

6.1.3.4. Le 17/odle approch de Pron)'


Si le nombre N de points du signal Yl k J modliser est suprieur au nombre
2P de paramtres, il existe plus d'quations suivant le modle de l'quation [6.18J
que de paramtres il estimer. Le systme n'admet pas de solution rigoureuse, ce qui
signi lie que, contrairement au cas prcdent. la dcomposition du signal suivant une
somme d'exponentielles amorties n'est pas possible. Dans ce cas surdtermin. le
signal peut tre seulement approch par une somme d'exponentielles amorties. Il
s'ensuit une erreur, note El kJ, entre le signal et le modle ylkJ, ce qui s'crit:
Y[k] =

ylk]+c[k]

\;Ik = l, N ct N > 1P

[6.15]

En procdant comme dans le paragraphe 6.3.1, l'quation aux diffrences pour


k> p est modifie de la faon suivante:
p

:Z::Upy[k-p]= 2>p s[k-p]\;Ik=P+I.N et N>2P


p",o

[6.26]

p",o

Celle criture est celle d'un modle ARMA (P,P) dont les P coefficients MA
sont identiques aux P coefficients AR. La premire tape consiste alors estimer
les coefficients ap' solution de [6.26]. en minimisant la puissance d'erreur:
N

al' 1

L 1!:[kW minimum

[6.17]

k=P+\

Comme pour le modle exact. les ples zr se dduisent de l'quation [6.24] et,
dans la deuxime tape, les amplitudes h r se calculent partir des quations [6.25]
et [6.18] par une approche aux moindres carrs. L'erreur E[k] reprsente l'erreur de
modlisation qui contient aussi le bruit prsent dans le signal si ce bruit existe. La
mthode de Prony n'introduit pas de modle spcifique pour le bruit, ce qui rend
cette approche particulirement sensible des nivcaux de bruit importants.
Le plus souvent, la mthode dite de Prony moindres carrs ou Prony tendu,
introduit une approximation supplmentaire en calculant les coefjjcients a p' non pas
il partir d'un modle ARMA. mais d'un modle AR:

234

Ddsion I.cmps-frquence
p

L::Ur

y[k-p]

w[k] Vk=P+I,N et N>2P

[6.28]

pc()

Les coefficients up sant obtenus en In1111111lSant la puissance de l'errEur de


prdiction w[k1 au lieu de c[k]. Uue telle approche cherche blanchir l'erreur w[k],
alors qu'en thorie ce bruit est un processus MA qui n'est pas blanc, comme le
montre rqualion [6.26] comparativement il [6.28]. En prsence d'un bruit additif
impmiant. cette approximation dgrade encore les perfurmances [VAN 95. DON 68].

6.1.3.5. Prony corrlation


Le paragraphe prcdent a montr que la mthode de Prony demandait. en
premiere tape. l'approximation du signal par un modle AR ou un modle ARMA,
Nous ne reviendrons pas sur les diffrentes mthodes d1estimation, la littrature
tant abondontc sur cc sujet [CAS (lI, DON 68, KUM 86, MAR 87, VAN 95].
Nanmoins, nous insisterons sur une particularit de ces modles par rapport la
fonction d"autoconlation.

La fonction u'nutocOlTlation d'un mole AR ou ARMA est une fonction qui


conserve les ples du modle, En effet, un estimateur Yyy [kJ de la fonclon
d'ulllocorrlation du signol Yl kj de N points est dfini pal':

N-k

L y[n]

y[n+k]

Vk=(l, N-l

[6.29]

Il,,,,,1

Pour M = N, l'estimutcur est biais et pour M N-k, l'estimalem est non


biais, En reportant, l'indice (n + k), l'quation [6.28] du modle AR ou l'quation
[6.26] du modle ARMA dans [6.29] cl sachant que w[l'] ct L[kj sont des bruits
blancs. il vient:

r
Yyy[k]="Lu p Yyy[k-p] Vk=P+I,N-1

[6.30]

p:::::!

Cette quation conduit une conclusion importante. EUe montre que la fonction
d'autocorrlation d'un sIgnaI AR suit le mme modle AR, les coefficients tant les
mmes. Sachant qu'en plus. pour un retard suprieur l'ordre P du modele. la
fonction d'amocorrlation est indpendante du bruit s celui-ci esl blanc ou trs
large bande spectrale, il est alors intressant d~appliquer in mthode de Prony sur la
fonction d'aulOcorrlation plutt que sur le signal.

Oc la physique il la dtection

235

6.1.3,6. Systmes Unaires eH jeu


La rsolution de la mthode de Pron)' moindres carrs dveloppe dans le
paragraphe 6, 1,3.4 pelit s'crire sous une forme matricielle, Applique sur ia
fonction d'nutocorrlation du signal et non sur le signal lui-rnme. la premire tape
qui consiste il estimer les ples du systme. revient fi rsoudre un systme qui se
dduit de l'quation [6.30] :

c=-C

li

[6,31]

La matrice de corrlation C, de dimension (N -1- p) x P a lIne structllre de


matrice de Toeplitz, ses lments tanf constants sur chaque diagonale. La solution
ou sens des moindres carrs, note ~ " s"crit :
[6.32]
avec Ct! ;:;;: {CH C)-l CH 10 mairice pseudo-inverse de C ,
Les ples z" racines du polynme caractristique [6,24], donne l'expression des
pulsutons (ou des frquences) et des amorlisSCl1Cnts du mode p d'aprs les
dfinitions du modle [6.18]:

[633]

Le signal tudi tant une fonction relle. les coefficients AR sont rels, ce qui
implique que les ples sont, soient rels, ils correspondent \llors des composantes
non oscillantes. soient complexes conjugus, Deux ples complexes ronjugus dcrivem
une composante oscillnnte. Ces composanles sont cxponcntiellemcl'H dcroissantes
si les ples sont fi l'intrieur du cercIe unit.
Pour ln deuxime tape qui consiste estimer les amplitudes, le systme linaire
rsoudre s'obtient directement avec l'quation du modle [6,18] apres avoir insr
les ples zr :

236

Dcision temps-frquence

V Il

avec y

[6.341

Y[I J \

=l;[NL

r ZI
: zN-1

\. 1

La matrice V est une matrice de Vandermonde de dimension N x P. La solution


au sens es moindres carrs~ note ft \ s'crit:
[6.35]
avec V#

(V H V)-I Vii

la matrice pseudo-jnverse deV.

CeUe solution pelmet d'exprimer les amplitudes et les phases du mode p


d'aprs les dlinitions du modle [6.18] :
JAp=lhpl

[6.36]

l<llp =angle(hpl
Les amplitudes complexes sont relles

00

complexes conjugues, si bien que la

combinaison 1inail'e des di ffrenls modes donne un signal estm valeurs rcHes.

6.1.3.7. Conditionnement des matrices C et V

La rsolution de la mthode de Pl'Ony consiste il rsoudre deux systmes linaires.


Pour que la solulion ne soit pas trop sensible aux perturbations~ il est important que
-les matrices impliques soient bien conditionnes. Ce point tm1t particulirement
sensible, nous prsenlons dans ce paragraphe un test simple sans rentrer duns les
problmes complexes lis il l'analyse numrique, ce qui n'cst pas Je but de cet
ouvrage, Le lecteur pourra coosulter [OOL 83] sur ce sujet.
Rsoudre un systme linaire consiste

n inverser

une matrice. explicitement ou

implicitement suivant la mthode choisie. Une matrice inverse peut s'exprimer en

fonction de l'inverse des valeurs singulrcs de cette matrice. Si la plus pctte valeur
singulire est fhible, la solution est sensible une faible perturbation sur les donnes.
Cette influence de lu plus petite valeur singuJire n'est pas surprenante puisqu'clle
reprsente la distance de la matrice l'ensemble des matrices singulires, ensemble
vers lequel la solution s'approche [GOL 83].

Pc lU physique ft tu detccHon

237

Le degr de sensibilit d'une matrice M est mesur par le conditionnement KM


dfini par:
[6.37J
avec

IIM Il

ln nonne de la matliee M.

En choisissant

ta norme 2, le conditionnement s'crit comme le rapport de la

plus grande valeur singulire l,,,,,,, (M) sur la plus petite l'min (M )
[6.381

Quel que soit le choix de la norme, KM est suprellre ou gale 1. 11 peut tre
judicieux d'tudier K.i~! valeur borne entre 0 et 1. Une matrice est bien
conditionne si K:\'1 est faib1e ou Kj\,j proche de l,

Pour la matrice de corrlation Toeplitz C dfinie dans [6.32J. " l est dcroissant
sutvnnt la frquence d'chantillonnage fc du signal. Ce comportement sexplique
par le fait quc, dans une matrice de Toeplitz, si fe augrncnte, les vectcurs colonnes
de la matrice deviennent de plus en plus dpendants. son rang diminue et celle-ci
devient de moins en 1110ins inversible [HUN nJ. Par contre. pOlir de trs faibles
valell1's de f c ' KC J est croissant suivant fc' Ainsi, une valeur optimale de ft: est
donne par la position du maximum de la fonction

fc optimal ~ arg max (


f,

Ken

KC1

en fonction de fe :

[6.39J

Contrairement aux mthodes de Fourier, analyser un sgnul surchantH1onH~ par


une mthode paramtrique diminue la prcision de l'estnmtion. Sur la figure 6.8. la
f'Onction TCCl, calcule partir de signaux simuls, permet de retrouver un rsultat
hien connu, L'analyse d'lill signal contenant une seule frquence est optmale si
cette frquence vaut 1/4 de la frquence d'chantillonnage, le maximum de la
courbe tant obtenu pour t~ /t"ma..>;. = 4. Pour un signal conlenunt deux frquences. la
frquence maximale du signal doit tre plutt proche de 1/3 de la frquence
d'chantillonnage.

238

Dcision temps-frquence

Sur le plan exprimental, il est bien vident qu'il est impossible de jouer de cette
faon avec la frquence d'chantillonnage. Par contre, il peut tre intressnnt
d'insrer une tape prliminaire d'interpolation afin de se rapprocher de la valeur
optimale, ce qui permet de gagner sur la prcision de l'estimation surtout si le
rapport signal sur bruit est faible. Cette tape s'est rvle trs importante dans la
dtection d'instants propose dnns le paragraphe 6. 1.4.

OJ';

Q 0,6
"

liA
0,2

lfigul'c 6.S.ili/luenec de l 'clwllli!lol1lwge slIr le conditionnement de C: le cas P = 1


correspond 11/1 signal simul contenallf IIne/i'qucnce amortie, le cas P = 4, deux
frquences all/orties. Le rapport signal .l'TIr bl'llit est de II dB

Le conditionnement de la matrice V dfinie dans [6.34] est moins sensible la


fi:quence d'chantillonnage que le conditionnement de C (voir figure 6.9). Toutefois,
il est important de surveiller sa valeur car elle dtermine la prcision sur le calcul
des amplitudes Ai' sur lesquelles s'appuient la dtection des instants prsente dans
le paragraphe 6.1.4.

0,8
~ Il,6
~

OA
0,2

10

12

14

16

18

20

Figure 6.9. h?fluence de l 'cfIl1llti//olllwge .l'III' le conditiollnement de l~': le cas P = 1


corre"polII! /fn signaisillll//(; col1fellallf IlIIejiluellce amortie, le cas P =./, den".
Fqllenccs amorties. Le rapport signal sur hruil est de II dB

De la physique la dtection

239

6.1.3,8. Al/tres identfficaliol1s

En prsence d'un bruit blanc additif, le modle de Prony n'est plus adapt (voir
paragraphe 6.1.3.4), les performances se dgradent ds que le rapport signal sur bruit
diminue. La mthode de Prony corrlation est dj bien moins sensible (voir
paragraphe 6.1.3.4). De nombreuses autres extensions permettent d'amliorer aussi
les performances, citons par exemple, le calcul des coefficients partir de l'espace
signal seulement, espace spar de l'espace bruit partir d'une dcomposition en
valeurs singulires de la matrice C [I-IEN 81, KUM 82, KUM 83]; l'introduction de
statistiques d'ordre suprieur si le bruit additif est gaussien, qu'il soit blanc ou color
[PAP 90], des modles spcifiques dc bruit color [NEH 82, SAK 86, SAT 78], un
dbruitage des donnes par seuillage des coellcients d'ondelettes [YOU 01].
Vu sous l'angle plus gnral d'identification de la rponse d'un systme dont la
fonction de transfert est dfinie par des ples et des zros et sans poser de liens a
priori entre ces racines, Steiglitz et Mc Bride proposent un algorithme d'identification
bas sur un calcul itratif de filtres de Kalman [STE 65], algorithme dont la
convergence est tudie dans [STO 81]. Dans le but de modliser des oscillations
lectromcaniques, Sanchez et Chow comparent empiriquement les performances de
cette approche avec la mthode de Prony et celle base sur une dcomposition en
valeurs singulires [SAN 99]. Toutes ces approclles font l'hypothse que l'entre du
systme est alatoire et gale un bruit blanc. Shaw propose une approche base sur
un modle ARMA dterministe, l'entre du systme est alors une impulsion, modle
particulirement adapt dans le domaine de la mcanique. Le critre d'elTeur obtenu
est non linaire et rsolu par un algorithme itratiqSHA 94, SHA 01].
6.1.4. NOIl-statioll1wrt et lIlodle 1II11!tic!IOC

Pour approximer un signal par le modle multichoc dfini par l'quation [6.16],
l'approche propose doit tre adapte des sigl1aux 11011 stationnaires. Quand les
oscillations ne sont pas amorties, une identification du modle de Prony sur une
fentre glissante est perfOm1allte telle que l'application en biomdical prsente dans
[GAR 00]. Par contre, la prsence d'amOItssement ncessite une algorithmique
adapte. Alal en 1982 [ATA 82] a propos une solution rcursive qui estime d'abord
la premire impulsion, puis aprs dflation, soustraction du modle au signal, estime
les impulsions suivantes. Il initie une modlisation dite multi-impulsion , 1111111iplilse en langue anglaise, dans le domaine du codage des signaux de parole. Celle
approche se limite la recherche des impulsions d'entre, estimation de l'amplitude
et de l'instant d'excitation partir d'une rponse mpulsionnelle prdtermine ou
estime par une modlisation autorgrcssive, En 1996, pour l'analyse de signaux
transitoires lectromagntiques, S. Yvetot [VVE 96] prsente une tude complte,
qui introduit un modle de la fonction de transfert par la mthode de Prony, modle

240

Dcision tcmps-fiqucncc

mulli-impulsion monomodle ou multimodle, et qui value l'apport de la


transforme en ondelelles pour la dtection d'instants d'excitations.
L'approche prsente est dans la mme ligne que celle de S. Yvetot. Le modle
de base est celui de Prony, parfaitement adapt chacune des rponses prises
individuellement. L'approche est multimodle dans le sens o nous faisons
l'hypothse que la fonction de transfert du systme peut voluer au cours du temps.
Elle doit alors tre estime pour chaque choc. Cette hypothse de non-stationnarit
n'est pas vrifie dans toutes les applications. Nanmoins, elle permet de
s'affranchir des volutions de la configuration mcanique du systme. Pour y faire
face, nous avons choisi d'appliquer la mthode de Prony sur une fentre glissante
avec une configuration adapte au fait que les sinusodes soient amorties. Cette
option, contrairement aux modlisations purement non stationnaires, vite d'avoir il
choisir un modle de non-stationnarit. La seule contrainte est ulle contrainte de
stationnarit locale qu'il n'est pas draisonnable de supposer lors de la rponse un
choc. La taille de celle fentre, optimale lorsqu'elle est choisie gale la dure de la
rponse d'un choc, est un paramtre fondamental. L'algorithme propos estime cette
taille en exploitant les proprits de l'estimateur sur des fentres trs courtes}) ou
longues . Appliquer un modle de Prony chaque choc ncessite imprativemcnt
L1ne tape prliminaire de dtection des instants d'arrive de ces chocs. Nous
proposons une approche originale qui s'inspire il nouveau de la modlisation dc
Prony. Cette tape de dtection est lie il la sensibilit de la mthode de Prony aux
non-stationnarits du signal, en particulier au retard ou il l'avance de phase, cette
demire constituant une rupture du modle sur la fentre d'observation. Tous les
points particuliers de cet algorithme que nous avons appel Pron)' lemps:fi'qllence
sont tudies dans ce paragraphe.

6.1.4.1. Rupture de modle su!" lafcntre d'ohservation


Une somme de sinusodes amorties est un signal qui peut tre considr comme
stationnaire si la stationnarit pour des signaux dterministes est dtnie comme
l'existence d'une relation simple, analytique et non divergente entre les amplitudes
du signal il diftrcntes dates [BRI 81J. Ds que le signal mesur prsente une avance
de phase, le signal n'est plus stationnaire.
Une aval/ce de phase de l'observation sur la rponse du systme signifie que les
sinusodes sont prcdes de points vrifiant un autre modle (rponse prcdente
ou bruit ambiant). Dans ce cas, le modle de Prony n'est plus compatiblc avec lcs
donnes observes. L'application de la mthode sur une telle fentre conduit il des
erreurs d'estimation non ngligeables. Lors de la rsolution du premier systme.
quation [6.32], une rupture additive de modlc dans la fcntrc d'observation
provoquc une erreur d'estimation des paramtres AR propOitionnelle au rapport de

De la physique il la dtection

24\

la puissance du modle prcdent l'instomt de ehoc sur la puissance de la rponse au


choc [ROB 96]. Lors de ln rsolution du second systme, quation [6.35], Yvetot
[YVE 93. YYE 96] a montr que l'estimation des amplitudes est perturbe par un
biais multiplicatif li aux ples du modle et un binis additif qui dpend des
chantllons du signal avant la rupture. Suivant que ces chantillons reprsentent du
bruit ou la tin de ln rponse au choc prcdent, ce binis sera plus o1l1110ins important.
Dans le cas d'un retard de phase de l'observation sur la rponse du systme, les
premiers chantillons des sinusodes ne sont pas pris en compte. Dans ce cas moins
dfavorable, le modle de Prony est toujours applicable mais les paramtres estims
sont, bien videmment. ceux conespondant ft l'observation. Le dcalage temporel
influe donc sur l'estimation de l'amplitude et de la phase, soit dans la rsolution du
deuxime systme. quation [6.35]. Pour un retard de phase (Pr' l'amplitude
complexe de chaque mode p sera gale :

[6.40]
L'amplitude est perturbe par un terme nmltiplicatiC fonction exponentielle du
retard de phase, tandis que la phase est perturbe par un terme additif gal au retard
de phase.

60

60

tO

20

JO

40

50

60

Figure 6.10. Scnsibilit de J'analyse de Prol/y al/ jJositioJ/llemellt de lajllJlre cl 'ObSe/'l'lIlioll :


aWlI7ce de phase, jlltrc calJe cl l'installt du choc ct retard de phasc. Courhe el1 blcu : signa!
simlll (cxp(~(),';(t-J{))).siil(1;r (j,U (1 JO)) (/l'CC T,. = J s ; rapjJort signal cl hr/lit (bruit
h/anc addit{/) = 18 dB. Courbe elll'Ouge: /1/odle estime de PrO/{F /III ordre P = 2 m'eL' flile
taille defel1are N = JO p()illts (dlimite IJOr deux harres l'cI'ricC/hw).

141

Dcismi

iemps-fh~quence

Cette sensibilit an positionnement de la fentre d'observation pal' rapport il la


rponse d'un ehoe est illustre sur la figure 6.10 pour le retard ct l'avance de phase.

6.l A.2. Dtectiou des

il/STallls :

courbe des amplitude,)'

Un moyen de pallier la sensibilit de la mtbode une rupture de modle SUI' la


fentre d'observation consiste fi estimer pralablement les instants de mplure. Nous
proposons une approche base sur les proprits du modle de Prony dans le but

d'estimer les nstants de chocs dans llll signal vrifiant le modle muHchoc de
l'quation [6.16] discrtis une priode Tc- Les instants de chocs sont nots
tm "'" km~I~.
Supposons dans un premier temps que les rponses aux chocs sont disjointes.
Considrons ulle fentre glissunte en temps de Nf points. Nf de l'ordre du nombre
de points entre chocs et repre par l'indice de 50n premier point not k f .

Lorsque km : k f $. k m+ 1 Nf, Je signai observ dans la fentre est cn rcL:'lrd de


phase (Pr kr1lp par rapport il l\instant de choc km (voir paragraphe 6.1.4. J) et suit
un modle
qui, avec une origine fixe nu dbut de la fentre. s'crit, pour
O,;k,;Nr-1

YdleJ

1 L: Amr

YI' [1< =

[6.4 J]

r~1

D'aprs cette quation, l'amplitude du mode p, note Ap LKr J, s'crit:

[6.42]
Cette quation montre- que l'amplitude de chaque mode estime sur la fentre est
une exponentielle fonction de l'indice Kr et maximale pour k r :;:;; km.

Lorsque km+ 1 - Nf + 1.:::;; 1e r 5; km -1, le signal est en avance de phase, 1u


H:ntre contienl tln rupture de modle, L'estmatlon des amplitudes sera perturbe
sur ulle dure correspondant la largeur de fentre Nf. Cependant, les parametres du
modle de Prony sont estims en deux phases distinctes: estimation des ples
complexes, quation [6.33], puis des amplitudes complexes, quation [6.36]. Il est
donc envisageable de chosir des taBles de fntre diffrentes pour chaque phase.
Cette possiblit est intressante dans ce contexte de dtectl1 afin d'tre sensible il
une variation plutt qu' une estimation prcise.

En choisissant pour la deuxime phase une taille de fentre Nfbis trs infrieure
il NI', J'estimation des amplitudes sera perturbe sur une dure beaucoup plus faible
( f" [bis), La figure 6.11 reprsente deux analyses de Prony, rune avec la mme

De la physique- ilIa dtection

243

wille de rentre pour les deux phases, l'autre avec deL1x tailles de lntre diflrentes.
Le choix N fbis = 2P semble tre un bon compromis afin de ne pas tl'Op dgrader ln
qualit de l'estimation des amplitudes, Lu courbe du bas de la lgurc 6,11 montre
une rduction notable de la dure de perturbation, de 20 points il 4- points.
I---~

..-----

o.~~~
05

-1.[...........

10

'

20

30

...JO

,~ .. ~~-

SO

60

70

(IJ:~[~~~
()

\0

n-l:= - ,=
o

10

20

~-~
30

4()

50

60

60

10

,_

30

l'~r

50

90

20

0.5.

40

80

70

SO

80

90

90

Figure 6.1 1. C01/rhes dt?\' (l}Jlplillldes c,I'limes, j!!t1lioll /6.42), sllr le signa! simule reprsew
sur la Ji....!!;rtf'C du haul. Courbe c~-t!c;lI!c (lI'ec wU! taille de ji.mlre gllssa!lU! idelllique pour les

N/= N,this = lO pU' slir [a fIgure du milieu, [JflL~ ({l'lX wu' faille
heC//fcou? plusjlrib!e pOf/}' hl denrimc phase, Nlbis = 2P """-./ pts, .\'1/1' fafigurt' du htlx.

df:NI.V phases de Pmny,

Ainsi, lorsque ln fentre glisse point pHI' point SUI' tm sgnal 11lultichoc, chaque
courbe Ap[KrJ reprsenle une succession d'exponentielles nmorties maximales aux
instants de chocs recherchs. Cette proprit est vmie quel que soit le mode p variant
de l il p, EtHnt donn qu'il n'y a aucune raison pour privilgier un mode. Je
dtecteur que nous proposons esl construit sur If! somme des ampHtudes estimes
pour chaque mode. A ins, les instants km 50111 estms par les mguments des maxima
de la somrne des amplitudes des modles locaux sur chaque fentre:
p

km

~argl11axLAn[krl
kr

poooJ

lM3]

La robustesse du dtecteur est mnliore en ne retenant que les maxima quj sont
suivis d'une dcrossance exponentielle. Les paramtres k r et kr d'un modle
de fonction exponentielle sont estims par moindres carrs sur la courbe d<nmplitude
entre deux maxima. Les IIULtlJUI retenus sont Ceux pour lesquels }n puissance

244

Dcision temps-frquence

d'erreur normalse entre la courbe d'amplitude el Cc modle exponentiel es!


infrieure un seuil fi fix a priori :

[6.'14]

Cette mthode suppose des mTIorlsserncnts similaires pour chaque mode. Une
nutre contrainte peut tre ajout [MAR 03],
De plus. si les rponses aux chocs ne sont pHS disjointes, une dtectioll correcte
est possible si l'amortissement et la frquence ne varient pas d'un choc l'autrc, S'il
en est ainsi, on peuL montrer que chaque portion de la c-ourbe des amplitudes esl une
exponentieUe. ceci quel que soit l'cart entre les chocs. llIustrons cette proprit sur
un exemple slmple~ un systme un mode. de pseudo-pulsation il1 ct
d'amortissement al. et excts par deux chocs aux instants k1T et k:; Tc' Pour
Tc = 1s, la rponse s'crit, d'aprs [6.4] :
Y[k

Alle -u,(k-k,) COSln l (k - k l ) + q,11l U[k - k l J

+ A 21 e-fi,(k-k,) cos(n) (k - k 2 ) +~'21) U [k - k 2 J

[6.45]

La portion critque est celle [Jour k> k1 correspondant il J'inter1rencc des deux
rponses:

[6.46]

qui peut se rcrire sous la lonnc :


[6.47]
Suivant les valeurs de ces paramtres, l'amplitude A varie entre deux valeurs
extrmes correspondant tlun type d'interfrence entre les rponses aux chocs:
- Ailla:. ::::;

Alle ~rLIO;'2~kl i

+ A 21 : l"'interfrence est consiructive ;

De ta physique;) la dtection

A == lA
min

Ile-'Hko-k,)
,~
-

245

Ail""
C"
"
21 : 'lll1crference
est dcstruCllVl:.

La figure 6.12 prsente un modle de signal form de trois chocs de mme


amplitude el de mme rponse, ccllcs-c ntertCrani de faon constructive pour les
deux premiers et de faon destructive pOU!' les deux demiers. Les in::;:tants des trois
chocs ont t dtects sans erreU!' sur la courbe des amplitudes extraites.

Il":,Ltd~'t:s:l
o

10 20 30 40 50 60 70 80 911 100 110 110

Figure 6.12. Courbe des amplitude.I', quation {6A2j. et dtection des chocs,
quation [6,.J3} avec /1/,1 = 20 jJoints, J\~!bis = 2P =.f poims, e= 10 %

Limites de dtection/sparation des chocs:

- chocs trs procJres : dans ce cas, la taille de fentre Nf pour l'estimation des
ples peut tre suprieure l'intervalle sparant deux chocs car les ples sont
estims sur la fonction d'ulitocorrlation. En pmliquc, pour une bonne cSllmation
des ples (frquences cl amortssemcnts). cette fentre doit contenir au 1110ins trois
oscillatns. Les umplitudes, elles, sont estimes sur le signallu#mme : la taille de
fentre Nrbis fixe donc le pouvoir sparateur de deux chocs proches, avec un
minmum de 3 points supplmentaires pour pouvoir estimer une exponentielle;

1
1

1
1

- rapport signal/bruit: il pmiir d'un certain niveau de bruil, des chocs dtects
supplmental'es ou fausses alarmes peuvent apparatre. Le critre de dtection bas
sur les dcroissances exponentielles il la sUlle des maxima n'cst plus adapt, fe
modle tant bruit. Une altemative serait de rajouter un test de discontinuit des
portions de la courbe prcdunt les maxima dans le but de diminuer le taux de
rausses alarmes. La ligure 6,13 presente la dtection obtenue pour un bruit d'caI1
type 0,1. Les 3 chocs principaux sont toujours dtects aux mmes instants. mais il
apparat 5 autres chocs supplmentaires. Ces Juusses ahmllcs sont situes dans les

246

Dcision temps-frquence

parties du signal o le rapport signal sur bruit local est faible, 6,5 dB
troisime choc.

pOUf

le

-:;;E~
o

10

20

30 40

50

60

70

80

90 100 110 120

0,:1:tS\J~iHt
o

10 20

30 40

50

60

70

80

HrHIHH liT HI r

90 100 110 120

HHHul

oL-__- L____L-~_L-L__LL__~__~
20
40
5358 68 7982
96

Figure 6.13. Chocs dtects pOlir /fil rapport sigllal ci bruit local de /2 dB pOli/' le premier
choc, J-I dB pOlir le denrime et 6,5 dB pour le troisime, 5fll.l'ses a/arilles
par rapport lafigllre 6.12. Seuil de dtectioll sflr les puissances d'erreur 10 %

6.1.4.3. Prony lelllps-:/j'quence


Pour le dtecteur d'instants du paragraphe 6.4.1, nous avons fait j'hypothse, soit
que les rponses aux chocs sont disjointes. soit, dans le cas contraire, que les
amortisscl11cnL., et les frquences varient peu d'un choc au suivant (hypothse de
stationnarit locale). Ceci nous autorise choisir une taille de fentre NI' large pour
la premire phase de Prony, pour une bonne estimation des frquenccs et
amortissements, et une taille N l'bis = 2P courte pour la deuxime phase, permettant
de rduire la perturbation des amplitudes estimes en avance de phase pour une
meilleure dtection. Ce dcouplage des longueurs de fentre entre les deux phases de
Prony permet de respecter les deux contraintes d'estimation et de dtection.
L'algorithme complet (estimation/dtection/modlisation) a t baptis mthode de
Prony-tcmps-frquencc, il est constitu des trois tapes suivantes.
6.1.4.3.1. Estimation initiale des paramtres du modle
Es/ill/a/ion des ples cOII/ple.Tes (frquences et amortissements), premire phase
de Prony: rsolution du systmc [6.32] sur une fentre glissante de taille Nf fixe a
priori, si possible de J'ordre de grandeur de J'intervalle entre chocs, et contenant un
minimum de trois oscillations du signal. L'ordre P est aussi f-ix a priori. On
prfrera gnralement le choix P = 2 (1 frqucnce estimc) car, au-dcl, l'estimation

De la physique la dtection

247

au sens des moindres cans est souvent mal conditionne (variance importante),
entranant de fortes perturbations de la courbe des amplitudes ct donc de la
dtection.

Es/ill/uNon des ampli/udes complexes (deuxime phase de Prony) sur une fentre
glissante ultracourte: rsolution du systme [6.35] avec Nrbis = 2P.
6.1.4.3.2. Dtection des instants de choc 1~111
Equation [6.43] partir de la courbe des amplitudes [6.44] pour E fix a priori.
6.1.4.3.3. Modlisation du signal complet
En juxtaposant les modles de Prony de chaque portion du signal segment par
les instants de chocs dtects: rsolution des systmes [6.31] et [6.34] avec
k 111 = 1~111 et Nf (km) = max(k m+1 - km' Nf min), Nf min tant une taille de fentre
minimum pour l'estimation des ples complexes (taille fixe a priori dans l'tape 1).

-::'11
o

III

20

JO

~O

511

60

711

XII

90 1011 IlIl 1211

_::.tj~
~
~
~
,

-)

Il

tll

~I

~_..

"-------.l1

0"
..
--H --H --JI
' l'' H- -H- -
-
-lll

10

m w

411

)OOIIOI~

-----.Ju

58

Figure 6.14. Calcul dUlIlodle complet, du rsidu, des puissances d'erreur de modle pour
chaque d/Oc el de l'erreur totale de recol1slmclion pou/' le signal simlll de lajigl/re 6. /1

La figure 6.14 reprsente le modle complet obtenu pour le signal de la figure


6.12 contenant trois chocs. L'erreur de modlisation pour chaque choc est obtenue
par le calcul de la puissance du rsidu de chaque portion (cart entre le modle et le
signal) normalise ct exprime en (%. L'erreur totale de reconstruction est obtenue
par le calcul de la puissance totale du rsidu normalise (rapport de la puissance du
rsidu par la puissance du signal).

24H

Dcsion temps-frquence

6.1.5. Applicatiol1 1lI1 sigl1al vibratoi/'e ,le /'e}lUmte mcanique


Afin d'illustrer la mthode de Prony temps-frquence vue au paragraphe 6,1,4,3,
ct notamment son comportement dans le cas de chocs tres proches, nous allons
prsenter les rsultats obtenus sur un signa! de pylne compression synthtis
partr du modle d'excita lion du paragrnphc 6.1.4, puis sur le signall'.!cl enregistr
sur un tlsige dbrayable 4 places.

6.1 ,5.1, Signal de pp/m: compression symhJis


Pour un pylne compression de 12 galets, la pince du tlsige subit 48 chocs,
Nous avons vu dans le paragraphe 6.1A que le signal d'excilntion peut tre ITIodelis
il partir des connaissances mcaniques du systme {dimensions de la pinc, espaces
entre galets ... ) ct de la vitesse relle de la ligne, Le balancier du pylne est modlis
localement par un systme l11onomodal de Ih!quence de rsonance 30 Hz el de
t:1cleur de qualit gale n2. cc qui donne un alllOiiissemcnt gal 50 l. La rponse
impulsionllelle d'un tel systme est calcule l'aide de r quation [6.4], Il est alors
possible de calculer la rponse d'un tel systme au modle d'excitation duc au passage
de la rnce. Calcule en acclration. cette rponse est donne par l'qumon [6.151
en considrant, pour une premire approche, des conditions initiales nulles.
Les figures 6.15. 6.l(i cl 6.17 visualisent les rponses obtenues ansi que les
rsultats temps-frquence pour des viLCsses du cble de 1, 1 el 4,16 mis,
respectivement.
Sur ces figures sont reprsentes de haut en bas la rponse calcule, la rponse
reconstruite pur le Prony temps-frquence, l'volution de la frquence, dc
l'amortissement, de l'amplitude et de la phase au courB du temps. Sur ln rponse
reconstruite sont superposs les instants de chocs dtects alors que sur la dernire
courbe sont superposs les instants de chocs ealculs, soit le modelc d'excitation.
A !a vitesse 1 mIs. la largeur a priotl de la fentre est fixe il la dure minimale
entre deux chocs) soit NI' = JO. Sur la figure 6.15 est observe une correspondance
entre les instants calculs (demirc courbe) et les instnnts dlects (dcuxinlc \.:ourbe).
Chuque instant de choc est correctement dtect. Tous les parami;trcs (frquence,
amortissement. ampliulde ct phase) correspondent aux valeurs du modle. En
paliculier. la mthode dislinguc bien les chocs d'entre et de sortie de la pince,
d'aml1ltude 0.75 et de phase ';oR/l. des chocs du milieu de la pince, d'amplitude
0,5 et de phase

Oc ln physique lu dtection

".

.o.' ...

~o~~
.........

249

...

c -50 ..--------:" ":'*'".''' ,.,,-... -: --_.... -.';_ .....'* . '

a ' : --:.

] o.;r-=.=.=.=.=,.='.=.=..=.=,.=.==:====~==:::'='='~I
.
.

o..:r---- ..... ;

Figure 6.15. ProlZl' lempx,:/il:qucflce applique il la repof/se !/ub.miquc aux cbocs sllhi:,' par
Jo pinee d'lm tJsige dbrqlY.lbh: quatre places au passage d'un /J,I'Mne compression de 12
galets ]JOJfr (li/(! l'ifesse de ligne de J ml..\'. De hau! en hax.' rpousc calclllee a\'{-'c une
FqucnC propl'e dl! }f) fi::, 1111 amorti.l'scm(!!/f de 50

cY -1 ci !lI1 rappOrl signa! slIr bruit de


20 dB ; signal reconstruit par la mthude St/]lC1}(),\'s (lUX instants dc chocs dtects (barres
rer/ir'ales) (P = 2. Nf = f()) : puis, en/oJ!cfon dll telllp,\"ji'qul!I1Ce, wl1ortissenu:n/, mllp!iludc
et phase esrims. SIII"/O dernire cotlrbr: svnt SUpel7Joss Jes fnsumls de chucs calcules,

A la vitesse 2 mis. Nf est auss lixe fi 10 et ne peul pas tre fixce il une valeur
plus faible puisque que cette dure reprsente une priode de la frquence de
vibration du systme. Dans ce cas, ln largeur li priori de la fentre est suprieure il la
dure minimale entre deux chocs. Quand les chocs sont proches, ln figure 6.16
monlre que la dtection n'cs1 pas bonne. En cnnsqucnce, l"estimntion des
paramtres de ces chocs proches est dcgrade. Les autres chocs sont correCtement
dtects et estims,

250

Dcision

temps-frqu~nce

()r~7-~---:----;:---;--C--.

~-1IIi)
ci.

520{)
O.300J.r.--i--+--_-r-_---+--i---+--+"-+_'

~l

fl .

.
.
.
~.

- _;.6 .

'.. w>nl

Figure 6.16. Prouy Iemps:/h!:qucllce applique il 10 rponse mcanique (IIIX chocs iwhis pal'
la p/C.'c d'u/1 tlsige debrayable -! place,\' au passage d'un pylne L'ol1lj1re.\'SiOIl de 1:: galets
PO/f!' llJJC ritesse de ligne de :2 ml.';. De hmll en bas.' rponse cCllcllle avec Hile .f/'q/lcnce
prop de 30 H::, lm oUiorfissemcnt de 50 s~J et un roppm1 signal slIr bruit de 20 dB : signal
reconsfm!t pOl' la mthode SlIpel)(us aux mstan,s de chucs dtects (harres verticales)
(P 2, j\~f ~'::' J{)) : puis, ell fimcrion du temps. Fqllem;e, o}}1ortissemeI11, amplitade et phase
estims. Sur la demire courlJi! sont MfpefJOss hw if1S1ant,~ du chocs calculs.

A la vitesse 4.J 6 mis, qui est [a vitesse d'exprimentation relle ralise dans
le paragruphe 6.1.5,2~ Nf est toujours fixe il 10. Sur la figure 6.17, ]'clTeur de
reconstruction augmente pour la mme fl]i~on. Le modle d'excitatioll calcule est
celui de la figure GAc. A cette vitesse et tant donn la fonne de la pince, ln situation
devient trs: critique poor certains chocs. Cette conespondance est nanmoins
satisl:'lsante pour une estimation aussi crtique: les instants de chocs sont si
rapprochs qu'il n'est pas possible de les discerner sur le signal temporel.

De la physique hl dteclion

251

Figure 6.17. PI'OIl.1' lemps-jl'qflcl/ce applique la rponse mcanique aux chocs subis Imr
pylne COl/ljJtf.;\'iSiUfl de 11 galets
pOlir ulle l'liesse de ligne de -/, /6 mis. De !rom Cil bas: rponse ca/culJe tlly'C rmejhJqucllce
propre de]O H::., /fi! amon;semeJtl de 50 .\'~! Cf ml rapport signal SUi' bmit dc ]0 dB ," signtll
recol1s(l'lIit por la mthode sU/Je1l){"jst;!,\' tflL, !lS{rlllls de chocs dtect.\' (barres l'NlicalsJ
fP -.;. , J, :\:t"'" 10) ,. pllls, e/1 .limelion du temps, ./hJqllf'!1Ce, Ulf}ol'f.\'SeIl/Cllt, amplitude ct phase
estims, Sur la del'ltire cmfrbe som .\"1Ipcr!)(),\"{},\le.~ instants de chocs caleuMs.
10 pillcc d'ul1 tlsige dbra)'[Jb!e .f places [JU pas.W1gc d'un

6.1.5.2. Signal re!


Passons une tape supplmenial'e ct analysons un sgnal rel, mesure
acclromtritlue en fte de suspente d'un tlsige dhraynble 4 pInces avec lIll cable
ft vitesse de 4,16 mis. Le cdblage du cble induit une vibnllon qu'il est prfrable de
filtrer pur un filtre passe-bas de frquence de coupure 50 Hz (fonction du pas de
c,blage el de la vitesse).

252

D~csiol1

tCll1ps-[rquence

Les rsultats de la mthode de Prony temps-frquence applique sur le signal


filtr sont prsents sur la figure 6.18. La confrontation entre le signal reconstmit
par la mthode sur le signal rel et le modle a priori fait apparatre (lueIques
dissemblances. La valeur moyenne des frquences estimes est de 26 Hz ll'c3rttype est de 7 Hz. Nanmoins, ce rsultat est extrmement positif tant donn le
nombre de chocs et le rapprochement des chocs. Ii est important de signaler Que
nous n'avons pas russi, jusqu' prsent, il. obtenir de rsultats il l'aide des mthodes
de dconvolution cites dans le paragraphe 6.1.2.3.

1_:;~jt------4i~~~~~~WV+f~

~AM\~~~RR

l:ft----ll
.Cl

'Lt:"

..

41l

ci- 20
',",

:.-

..

-- .....
."

'

-- - - .- -.- i.

0
0

---." .---. .' . . ...

-,!' .. : " .
---- -

~_;;_. . _

J>. __

.I! .*

... ~.-

- - - -;.a.-

'"

c..
0

-=~

""

.,<'*.,.
:

.~

.".

.
. ,,
., ,

.g

.2

_.-.

. ~.

'J. ,'.; 1 1: j'f 'l' 1 ~'I J'1 1'; ._,' 1:


:1 :J '~,l', li
r]J . !~J~._
l: '1.
.~
... J . '.~ '" 1
.,
llllll

-1
0

1.5

0.5
s

Figure 6.18. PrOl~i' temps-jhJquencc applique fa rponse mcanique mesure (thJ,Yii:ge


dl)!"(Jyohle .; places au passage d'un pylne compression de 12 galets) pOli/' //lU! l'liesse de
ligHf! de -/, / (; mis. De haut ell has: repon:je lIIeS1ire : ,)'ignot recoJ/sIl'lliI par la mthode
supC/])O,W!S aux instants de chocs dteclCs (!Jarre,)' l'eriicales) (P = 2. NI"'" /(J) " PIlS, en
jime/iou du temps. fi-c:que!lce. amortfssemellf, ampfiwde et phase estims. Sur la dernire>
L'ottrbe sout supelposs les instants de chues

ca!CHf

poJ'lir d'lIll modae du :,ystme.

De la physique la dtection

253

Celle comprhension du phnomne ouvre la l'orle sa modlisation prdictive,


ce qui en terme de construction mcanique est un facleur trs important de scurit.
Par exemple, pour le sgnal de remontes mcflllqucs, le modle a permis une
avance signif1cative au niveau de la conceplion des remontes nlcanlqucs: en
effet, dans ce domaine. la loi impose. avant mise en service de l'installation, des
essais de fatiguc dcs
La possbilit de modliser le signal avant conception
pennet par exemple de traiter les problmes de confort de: l'usager ou de fatigue des
matriatlx au moment de la conception, ce qui cst plusjudccux que e le faire aprs
fabrication!

6.1.6. Couclusiou
Sur le plan du traitement du signal, le problme soulev par l'analyse d'un signal

vibrutol'e a about ln conception d'une nouvelle mthoe de dtection et de


modlisation de transitoires, L'approche propose a pennis la dtection de chocs trs
rapprochs, de l'ordre de la priode du transitoire, et ee, malgr la superposition des
rponses aux chocs. que les nterfrences soient constructives ou destructives. La
mthode de dtection est originale dans le sens o elle eSt base sur l'estimation des
paramtres d'un modle, Une lude non prsente dans cc document ri montr la
supriorit de cette dtection pur mppol't il un dtecteur conslntit sur une transforme
en ondelettes, Cet avantage est li J'adaptation du modle de Prony aux signaux
vibrutoircs considrs. Le modle final de l'observallon est un modle de signal non
slalionnaire~ ce qui permet ulle grande souplesse lors de l'analyse de signaux rels.
Une amlioration probablemem niressante serait d'ntgrer dans la dcrnerc tupc

de CLlllst11lctinn du modle. une tape de dllatioll,


Les mcaniciens doivent souvent tudier des systmes excits peU des forces ou
acclrations sinusodales, celles-ci provoquent un moe forc entretenu sur une
dure bien plus longue que celle du rgime transitorc. Ce chapitre a tudi le
problme particulier d'excitations formes de chocs ou de sgnaux impulsifs, Dans
ce cas, la rponse du systme cene excitation a une dure du mme ordre de
grandeur que la rponse transitoirc. En comparant le modle mcanique et le modle
obtenu par la mthode de traitement du sgnal propos, nous avons franchi UIle tape
significative dans Ja comprhension de la modlsation du systme et de son
excitation. Intgration de condilions initiales nn nulles, modle d'excitation plus fin
en intgrant d'autres lnfol111Utlons sur la gomtrie de la pnce. ce qui aura des
consquences sur l'amplitude des chocs. les pistes sonl nombreuses pour poursuivre
cette interaction entre le signal et la mcanique. Ces travaux s'appliquent d'autres
types de signaux. nous les avons appliqus snI' des signaux mesurs sur des
engrenages. L'intrt d'une telle approche est une unalyse locale el fine. applicable

154

Dcision

tcmps~ri'qtlCnce

sur une dure trs courte du signal. ce qui est peu classique dans les l11thodes de
dagnostic.
6.1. 7. Bibliogl'aphie
rATA ri2] ATAL

s.s ..

REMO[ lM., ., A Oe\v model

s.pccch ullo\v bite raies

li,

Pmceedings

LPC excitation for productng tlatural


/981. Il. 614~6IS, 19~CL

[If

(~/1CilSSP

fBAS 68 J BASS L Cours de mathmatiques. tume Il. M<ISt\OIl, Paris, 1968.

[BRI &1 j BIULUt\(J[R D.R., Till/cs Series Data Auolys and Thi!ory,

HoJd~n-Day.

S''1H

Fmnsco. Etuts-Unis, 1981.

[BRE: HG] BRESLEH Y.. MACOWSKI A" {( Exact maximum lil\elihood


superimposc:d exponenlial signals in nose },. JEEE Trans. 011
Ilmcessing. vol. ASSP-34, p. iOS1-1089. octobre 1986.
J BRU

of
Speech Signal

pnrametel' estimation
ACOHSI"

55] BRGlIAT G., COl/l','" de pl{i'siquc gnrale, mcwlJue, 5t dition. Musson, Pads, 1955,

[CAS 01] L\ST ANI F.. :lna(l'se spectrale, Trait lC2. Herms. Paris, 2001.
rC'EC S7] CECM

(CONVENTIOr\

tl;l~OPI:EN1";E

DE

LA

CONSTrWCT10N

METALLIQUE),

Recommandations pour la \'criicatlon il la ltlgue del' structures en acicr ), COJ!struction


mlalliqll(;'. n'" 1, 14": anne. p. 3-33. ml1rs 19R7,
H

[COM 03J Cm. mET L, Traitement du signal avanc et dagnostic des iosHlJlatons de remontes
mcaniques, Thse de docloral de J 'INPG, 2003.

(DUR 99] DURNERIN M., Une stratgie pour l'interprtntinn en analyse spectrale. dtection et
doctorat de lNPG, 1999.
caractrisation des composantes d'un spectrc, Thse

ue

[EYM 981 EVMERY S., Modlisatioll de sgnllux d\'>ngn.,>tu!gc - Prony temps-frquence. DEA
swr, Rapport interne LIS, 1998,
[OAR n01 GAIWOSJ V . JANSEN B.K, Devclopmenl Md cvalurttion of the pieecwisc prony
mcthod for cvoked potentiel iln111ysis ), IEEE Tralls, 011 Biomedical ElIgincel'ing, vol. ,17.
nO 12, p. 1549-1554. dcemhrc 200fJ.
{j

[GOL 83] GOl.CB a.H., VAN LO,\N C.F .. Marrix


rn:S;:L Baltimore. 1983.

cOfJ/pII/(uiol1,\",

The Johns Hopkins University

lHN 81] HENDEltSON T.L. {i Geometrie mclhods lor dctcmlining syslem polcR from
tmnscnt response JI, IEEE Trans. On .:kow"., Speech. Signal Pracessllg, vol. ASSP-29
p. 982-988, octobre 198L
7

[HUN 72] HUf'..T B.R .. A theorcm on thc difl1eulty of numcrical de('onvolulion }), IEEE
Tl'filis. on Audio and ElectroacO!fSllcs. vol. 10, p. 94-9:5, mars 1971.
[KUiVl
KUMr\ISAN R., TunD. W., Estill1nting the prtramctcrs of exponenlially damped
sinusoids and pole-zero l110dchng in ftOi5e ), IEEE Tml1s, 0/1 .'ICa/HI., Speech, Signal
PJ'Ocessing, voL ASSP~30, p. B31-840. dcembre 1982.

De la physique il la dtection

255

[KUM 83] KUMARESAN R., ({ On the zeros of lhe lincnr prcdktion-crror !iher for dcterminstc
signais )1, IEEE Trans. 0/1 .'lc01ls1., Speech, Signal Prucess;ug, vol. ASSP-3L p, 637-640.
fvrier 19H3.
[KLJM 86) KUlvlARESA.'J R., SCllARF L.t., SHAW A.K . {( An algorthm for polc-zero modeHng
[me! spectral unalysis ), IEEE Trans. Ou Aconst., Speech, Signal P,occssiflg, vol. ASSP-34,
p. 2l-220. juin 1986.
[LAC 97J LACOUME l.L. AMBLARD P,O" COMO:"l P., Statistiqlles d'ordre suprh:ur pour le
fraifcmeHl du signal, Masson, Paris, 1997,
[LAL 99] LALAN\JE C. Vibrations cf chocs mC'f.miques, vibratons swso['(ltl!e.', Ir>mc l,
Herms. Pnl"s. J 999.
[MAR S7] MARPLE S.L. .IR., Digital Spec(!'a[ :lna/)'sis \l'ith Applications, Prcnlicc-Hall,
Englewond Clife", Etats-Unis, 1987.
[MAR 01J !\tlART!N N., DURt-;EIU:-.I ':\'1., SILVENT t\. (DIIL). ASPECT: Une stratgie p011r
/ 'interprfatiun e!1 ml(l~i'se spectrale, Eyrl1ch. P.aris" 2002.

[MAR 03] M}\RTIN N., JAUSSAUD P., COMBET F., Close shnck deleCLilJl1 u5ing time-f'cqucncy
Prony nmdclling );, MSSP, Mec/wnical System (JlJd Sig/'hI/ Proces:.;ing, paratl'c,
<(

[MeD 6g] McDoNOUGIl R.N., HUi(il;-.JS W.II., (( BesL least squares rl!prcscntntion of signais
by e,\ponemials, IEEE Tran.\, AutmJ1atic, COllfl'., vol. AC-J3. p, 408-412, ,ml 19H.

jNEH 82] >':EI-IORA! t\" MORF M., ii Enhnnccmcnt of sinusoids i11 colorcd noise and Ihe
\\'hilcnlng perfurmance of exact Jeast squnres predictors )', IEEE TralU'. On ACONs!"
Speech, Sigl/ol PrucessilTg, vol. ASSP~30. p. 353-362,jun 1981.
[PAP 90J Pi\PADOPOULOS C.K., NrK1As C. L.,

Porametcl' estimativll

(:le.YpOlJellfiaJ~1'

dampcd

SillIIsoid'i US/IIR higher ortk.r /iltltiSlic,\', lEEE Tmns. On Acoust, Speech. Signal

Processing. vo1. ASSP-38. p. 1414-1435, aot 1990.


[PEL 97] PELUSSiER V., Analyse ct modlisation ucs vibrations induijes par Je passage d'un
vhicule sur un pylne compression de remonte mcaniquc. Rapport de DEA, LlSINPU, 1997.
[PRO 1795J PRONY R., (.( Essai I:xpcrlllll.:ntai ct ullalytquc, Sur les lois de lu diln!abilit des
Iluides h.l:s1iqucs ct sm celles de ln force expansive ue la vapeur de l'cau el e ln vapeur
de l'alcool, diflrcntes tempratures Il, J{)JlJ'!IoJ de 1';Jco/c pO/\fecfmiqllf.!, p, 2-1-76, 1795,
rROB 96] ROBERT T., Modlisation continue de signnu:\ non stationnaires li rupture brutale,
Thsc de doctorat de j'INP Toulou:;:;:, 15 janvier lSi96.

[SAK 861 SAKA IL ( Estimation of frequencics of sinusoids in colored noise '" Pmceedings
(!CASSP 86. Tokyo. p. 177-ISn, 1986.
[SA~

99] SANcHEz-GMieA JJ .. C!-!ow lH" ({ Perfonmlllcc comparison ol'three idcnlilication


mClhods ror the anu!ysis of electromecbnnical ost:il1nlions i>, IEEE 7hms. 011 Power SI'Sh!iJS,
vol. 14. n 3, aot 1i)i)lJ.

256

Dcision temps-frquence

[SAT 78] SAToRrus E.J-L, ZErDLER .J.R., ({ Maximum entropy spectral analysis of multiple
sinusoids in noise H, Geophysics. vol. 43, p. 1111-1118, octobre 1978.
[SHA 94J Sr-rA\\' A.K., A decoupled approach lor optimal estimation or transler runction
parmlleters l'rom input-outpul data , IEEE Trans. 011 Sigllal Processing, vol. 42, p. 12751278, mai 1994.
[SI-lA 01] SI-lA\\' A.K., NAlSl-lADl-lAl\'1 K., ({ ARMA-based lime-signature estimator lor analysing
resonanl structures by the FDTD method , JEEE Trans. O/l Antel1lws alld Propagation,
vol. 49, n 3, p. 327-329, mars 2001.
[STE 65] STEIGUTZ K., McBRrDE L.E., A technique for the identilication of linear systems ,
IEEE Tralls. ,ll/tolllatie Control, vol. AC-IO, p. 461-464, octobre 1965.
[STO 81] STocA P .. SDERSTROM T., The Steiglitz-McBridc identificalon algorithm
revisited - Convergence analysis and accuracy aspects , IEEE Trans. AIllOlllatC Control,
vol. AC-2n, nO 3, p. 7l2-717,juin 1981.
[TAL 011 TALEB A., SOLE .1., JUTfEN C., {( Quasi-Nonparnmetric Blind lnversion of Wiener
Systems )}, IEEE Tral/s. 011 Signal Processing, vol. 49, nOS, mai 200l, p. 917- 924.
rVAN 75] VAN BLAfUCUlvl M.L., M1TrRA R., ({ A technique for extracting the poles and
residus or a system directly 110111 its transient reSpOtl5e, IEEE Trans. Antellnas Propagell.,
vol. AP-23, p. 777-781, novembre 1975.

[VOU 01] YOUNAN N.H .. LEE 1-I.S., MAZZOLA S., Eslimating the model parameters of deeplevcl transient spectroscopy data using a combined waveletlsingular value decomposition
Prony method , Rel'icH' (?fSciel7f!lic Instrulllellfs, vol. 72, n 3, p. 1800-1805, mars 2001.
[YVE 93] YVETOT S., MAlLHES c., BlcrrrEAu J. c., ( L'analyse de Prony multimodle et
multidale de signaux transitoires . GRETSI, .Juan-Les-Pins, France, 13-16 septembre 1993.
lYVE 961 YVETOT S., Analyse de Prony multimodle de signaux transitoires, Thse de
doctorat de 1'INP Toulouse, 15 novembre 19962 .

6.2. Dtection de transitoires et analyse de signatures en pilepsie 3


L'pilepsie est une maladie du systme nerveux central dont souffre, des degrs
divers, environ 1 % de la population [THO 94] (chiffre contirm dans plusieurs pays
d'Europe et aux Etats-Unis). Elle se manifeste par la rptition de crises, dnommes
pisodes critiques, les priodes hors crises tant appeles infercritiqlles. La frquence
des crises est variable (de quelques-unes par an plusieurs par jour) tout comme leur
2. Remerciements il Michelle Vieira ct Franois Vial du LIS pour leur participation aClive aux
nombreuses relectures.
3. Section rdige par Lorti SENl-lADJl et Mohammad SI-IA!\-'lS0LLAHI. La recherche mene sur
cc thme s'cflctue en coll<lbomtion avec le laboratoire de neurophysiologie et neuropsychologie
(INSERM, 1l1cult de Mdecine ct hpital de la Timone, Marseille) dirig par Patrick Chauvel.

De la physique il la dtection

257

dure (de quelques secondes plusieurs minutes). ce qui peut rendre cette pathologie
trs invalidante. Environ 20 0;;) des cas rsistent tout traitement mdicamenteux. On
parle alors d'pilepsies phamlacorsistantes. Certaines d'entre elles sont dites
partielles, car prenant leur origine dans une rgion circonscrite du cerveau (temporale,
frontale, paritale ou autre). Pour ces dernires. une intervention chirurgicale peut
tre envisage (rsection ou excision). Le problme qui se pose alors est de
dterminer, pour un patient donn. quelle(s) rgion(s) du cerveau pourrai(en)t tre
excise(s) de telle sorte que les crises soient sllpprimes ou du moins fortement
attnues. sous la contrainte que les dficits postchirurgicaux (sensitifs, moteurs ou
cognitifs) induits par j'intervention soient ngligeables.
Les mthodes d'investigation en pilepsie sont nombreuses et chacune d'elles
possde sa spcificit et renseigne sur un aspect bien prcis de la maladie. Les
donnes qu'elles fournissent sont de trois types. Les donnes cliniques sont issues
de l'analyse dtaille des signes cliniques apparaissant au dbut, pendant et aprs
les crises. Les donnes anatomiques sont recueillies grce aux explorations
radiologiques et l'imagerie par rsonance magntique. Les donnes physiologiques
sont fournies sous la forme de signaux qui varient en fonction du temps, et qui
constituent les marqueurs temps rel de l"activit lectrique crbrale. Ces signaux
sont des grandeurs lies l'activit neurolectrique des structures crbrales et sont
recueillis par des rseaux de capteurs de potentiel. Il s'agit du potentiel la surface
du scalp mesur par l'lectroencphalographie (EEG), du potentiel la surface du
cortex mesur par l'lectrocorticographie (ECoG), du potentiel de profondeur
mesur par la strolectroencphalographie (SEEG) et du champ magntique
mesur par la magntoencphalographie (MEG). La rsolution temporelle des
signaux (de l'ordre de la milliseconde) est trs suprieure celle apporte par
l'imagerie fonctionnelle. La rsolution spatiale de cette dernire est nanmoins
suprieure sur l'ensemble des structures, les capteurs n'tant disposs la surface du
crne (EEG, MEG) ou en interne (SEEG) que sur un nombre limit de sites (16 ou
32 en EEG de surtce et 64 128 en SEEG). Les donnes d'imagerie interviennent
en amont dans les dcisions d'implantation des lectrodes SEEG el la ralisation du
geste chirurgical correspondant et en aval dans l'interprtation clinique des rsultats
obtenus l'issue des traitements proposs pour les signaux EEG et SEEG.
L'observation mticuleuse et date des signes cliniques a montr que d'une part
les mmes signes peuvent apparatre dans des crises dc patients distincts, menant
ainsi l'ide d'un catalogue pour une smiologie interpatient et que d'autre parl,
pour un patient donn, les enchanements de signes cliniques associs des crises
distinctes pouvaient prsenter des similitudes [WIE 83]. Ces faits cxprimentaux ont
men faire voluer l'interprtation des dsordr~s neurolectriqucs observs dans
les signaux electroencphalographiques enregistrs sur des sujets pileptiques durant

258

Dcision temps-frquence

des crises partielles. Ii istoriquemenl la terminologie joyer pileptique fut introduite


pour dsigner une rgion du cerveau plus ou moins tendue et dveloppant. au dcbut
des crises, une activit lectrique anormale interprte comme un dsquilibre entre
activits excitatrices et inhibitrices en dfi:weur de ces dernires (l'inhibition et
l'excitation sont les deux modes relationnels)) de base entre neurones). TOLIle
ntervention chirurgicale posant la question de la locnlisntion de ce foyer avant son
excision ventuelle, partie He ou complte et pmiant de l'ide que j'on ne peut
localiser que ce que l'on a bien dcrt a priori l le concept de foyer pileptique a
t considmblemen[ affin par P. Chauvel [CHA 89] pour aboutir au paradigme de
rseau pHeptogne dans lu continuit des travaux de Bancaud el Talaimch [TAL 41.
A trnvers ce pamdigme sont prises en compte:
- une topographie correspondant un ensemble de groupes neuronaux disperss
sur autant de sites dans diffrentes rgions anatol11ofonctionncHes el des liaisons
synaptiques intersHes ct intragroupes anormalement facilites (on parle de potentialion
long terme cl d'apprentissage des crises);
l'apparition en dehors des criss d'EPle (vnements paroxystiques intercrtques)
qui consistent, chacun, en une hypersynchronisalion transitoire (l50 li 300 ms) des
neurones d'un groupe du rseau pouvant se propager ft d'autres groupes (selon des
dynamiques spatiotemporeHes partiellement reproductibles) ct, durant les crises, sur
les siles du rseau, d'activits paroxystiques critiques pouvt'mt durer quelques secondes
avec des ruptures de d}'11Umiquc, des mcanismes de synchronisation/dsynchronisation
entre groupes;
- des rgions crbrales n'appartenant pas uu rseau proprement dit mais qui y
sont connectes et qui, bien que non impliques dans les mcanisllies initiateurs des
crises, voent leur activit perturbe par cel1e du rseau (propagation de pointes en
intercritiquc et extensIon des activits erHiques avec apparition possible de signes

cliniques).
Dans ce contexte, il punir des signaux observs (mercritiques et critiques) ct en
s'appuyant sur le concept de rseau pileptogne, le but de notre travail est
d\::laborer une mthodologie permeuant ddentiiicr (en un sens large) le rseau
pileptognc de chaque patient susceptihlc d'tre opr ct d'cxploiter les donnes
prc- et postopratoires d~un nombre sulTisnnl de patients (quelques dizaines) pour en
dgager unc description affine des grandes classes d'pilepsies partielles dj
distingues en pilcptologie {temporales, frontales.,") sous- la fomle de rseaux
pileptognes gnriques.

La rccherche en pilepsie apparat dans la littrature sous des aspects


Iondamcntnux et des aspects cliniques. Les premiers sont couvelts pur les travaux en
neurobiologie (niveau molculaire) et en neurologe exprimentale et thorique

Oc la physique il la dtcclon

259

(modles animaux [BUS 86], tude de comportemcnts nellronaux individ\lels


[TRA 91] ou colleeril;; [TRA 92]), Les seconds, lis au traitement de patients Cil
unit d'pileptologic. le sont par les rechcrches cliniques sur l'tude des dif1rentes
formes d'pilepsie qui passe par le traitement des nfol111ations rcctlciilcs lors des
diffrenls examens (tud.: des corrlations anatomo-Iectrocliniques). La nature
complexe, alatoire. des enregistrements EEG el SEEO a depuis longtemps donn
une place prpondmnte des mthodes, lmentaires ou avances. de Intitemcnt du
sgnal [LOP 87]. Cependant~ ces rsultats. bicn qu'apportant beaucoup d'inbnnations
il 1111 niveau descriptif en rpondant fi des problmes gnriques de bas niveau
(dtection, segmentation, classification [OOT 98], statistiques vnementielles)
permettent difiicilement, ii eux seuls. de progresser significativement dans Ja
comprhension pl'Ofonde de la gnralion et du droulement des crises et dans leur
descripton systmatique (typologie des crises).
Notre travail, quanl aH but. se place claIrement sur le terrain de la recherche
clinique et quant aux moyens, propose d'emble une approche intgre du tratement
des informatons disponibles. Pen semble des algorithmes introduits ne rmt que
dans la perspective de l'analyse et la validation de rseaux pileptognes et cn
concertation troite avec les mdecins, Il relve donc d'une part du trailement du
signal et de la statistique (analyse des donnes EEG et SEEG el des signes cliniques)
ct d'nutre part de la modlisation biomathmatiquc : modlisation de fa topologie du
rseau pileptognc. de l'activit dveloppe et modlisation de lu relation entre
cette activit ct les signaux induits sur les caplCUI'S.
Les travaux reports ici concernent ln comprhension des dynamiques spa1io~
temporelles des phnomnes observs. En intercritique, cela passe par la dtection
pralable des EPIC sur les signaux de surace ellou de profondeur, En priode critique,
cHe s"appuie sur l'analyse des signaux issus des capteurs, esscntiel1Cll1el11 de profondeur,
pour identifier les vnements reproduclbles. Elle ncesstte leur extraction el leur
catgorisation d'une part, el d'nutn:: part la comparaison de leur droulement
chronologique d\me crise il une nutre.
Plusieurs mthodes de dtection des EPIC ont t dveloppes, Ellcs sont
souvent heUrlsliqucs ct inspires par la dmarche des spciaHstes cliniciens pour
l'analyse des tracs EEG (comparaison de carnctristiques morphologiques: des
seuils). Des mthodes paramtri{lUeS (AR ARMA) ont aussi t envisages. Les
inconvnients. de ces mthodes sont lis au nombre souvent important de paramtres
il ajuster (les seuils) et leur sensbilit aux artefacts.. Le but a l de mettre Cil pInce
une struclure de dtccton, requrant peu ou pas de rglage, en s' appuyant sur une
annlyse en ondelettes.

260

Dcision tcmps-frquence

Classiquement, l'analyse de l'volution dans le temps du contenu frquentiel


des: signaux crbraux utilse la reprsentation de Fourier SUl' des portions
d'enregistrements. Ceci s'apparente une analyse de Fouricr ft court tenne}; et
montre que les mthodes de reprsentation aHiant le temps Ja frquence sont
ncessaires. Ne disposant pas de modle a priori pOUl' les signaux tudis~
l'approche temps-fi'quence non paramtrique a t prvilgie il des fins de
caractrisation el d'hlde de similarit entre signaux SEEG.

6.2.1. Dtectiall ]Jill' mule/elfes eu EEG

Le signal BEG enregistr ehez un patient pileptique fait apparatre, dons les
phases inlercritiqucs, des processus transitoires anOllTHlUX caractristiques (les
EPIC) appels pointes. pointes-ondes ct ondes aigus, qu'il est important de dtecter
pour acqurir une vision partielle ou globule de J'tendue- de la zone paroxystique. Il
s'agit alors de dtecter des signaux de courtes dures et de fomlcs mal connues
mlangs il un bruit composite (artefacts de nature transitoire essentiellemcnt dus ft
["activit musculaire et aux mouvements oculaires. activit de iond localement
stationnaire et bruit de mesl1l'e).
Les vnements signiJicatifs apparaissant dans le signal comllle des dtai 15 )}
bien localiss dans le temps, I~approche temps-chelle omc alors un cadre d'analyse
priviigi. La dmarche adopte fi t descdptive et a cherch il faire le lien entre les
vnements observs (les EPIC, les artefacts, les activits de fond) et leur
reprsematon sur les niveaux de dcomposition. Une exprimentation approfondie a
alors t entreprise sur un grand nombre de traces EEG et meUant en uvre trois
familles de dcomposition en ondelettes [SEN 93]. Pour l'objectif fix, l'utilisation
d'une dcomposition continue en ondelettes complexes s'est rvle tre la plus
adapte, Outre la possibilit de choisir les niveaux de dcomposition sans la
contrainte de dichotomie inhrente aux approches dyadiques, la redondance des
niveaux et leurs relations. mutuelles, telles que rvolutton du module carr ct des
f1Iel."fma de la deompositon en fonction du contenu du signal sont d'uulres atouis
de l'approche continue. Les niveaux de dcomposition ont t retenus de manire il
couvrir approximativement le domallc spectral utile en favorisant toutefois les
hautes Jh?qucnces, donc le-s chelles fines d'flnaiyse, ccei dans l'esprit d~expl(}itcr les
rsultats thoriques, prsents dons [MALL 92] ct tendus partiellement l'ondelette
utilise dans [SEN 96], concernaut l'analyse par ondelelles de ln rgularit locale
du signal.
Etant donn le caractre composite de l'observation, une structure de dtection
hirarchise deux niveaux (figure 6.19) Il l propose [SEN 95].

Dc la physique il 1<1 dtection


~

__-I Tran5formatjon
non linaire

r:~,-~

261

ArwftlCl

'-~-'~ Onde

mite

Prsence {l'un transitoire

Tf)

r--..~

1:

AClivit
dclond
Figure 6.19. Structure de driICcfiolllCl11ps-Jclre//e proposee

Le premier niveau, dont le rle est de sparer au mieux les transitoires: de


J'activit de rond. est une strucUlre quadratique de lype filtrage can sommation (les
1iltres reprsentent les niveaux de dcomposition retenus) suivie d'un seuil de
dcision. A ce niveau de )a chaine de dtection. les signaux trans:oires de nature
impulsionnelle sont mis en vidence srl11S distinclion entre les vnements
pileptiques el les urtelhot,. Ces transitoires correspondent li des modiicutions
locales de l'observation et leur rgularit varie selon que la modification est duc il un

transitoire utile

(UI1

EPIC) ot! un artefact Ce demier. tunt moins rgulier que le

premier. induit aux petites chelles d'analyse une dcroissance lente du module
carr de la dcomposition. Ceci n t corrobor par l'exprience olt ['on constate que
k module carr de la dcomposition crot duns le mme sens que la rsolution
(respeclivement decroit) si le fnmchissement du seuil est d un artefact

(respectivement EPIC).
Ces remarques nous ont amcn construire une quantit dcisionnclle qui traduit
la localisation des vnements dlects par le premier tage le long de Pax des
chelles, Ce second niveau est active chaque dtection de transitoires. il teste
l'hypothse onde utile contre l'hypothese artefact en comparant le paramlre de
localisation il un deuxime seuil. 11 permet donc de dcider si la dtection du premier
tage con'espond il un transitoire utile ou un nrtefact. Le culcul des lois thoriques
des statistiques avant les seuils Il'est pas ais. L~\'alliatiLln directe de ces lois ii
partir des observations a alors t privilgie. Les seuils de dcision ont dunc t
dtermins adaptativcmcnt en se basant directement sur les statistiques de dcision,
Le premier est calcul de manire contrler la probablit de fausse abmne, sous
l'hypothse que les transitoires sont absents, le deuxime est dtermin de sorte il
garantir un taux ml1imai de dlectioll correcte,

262

Dcision temps-rrquence

La stmclure quadratique du premier tage est un cas pariiculier. El1e est


dtermine par la donne de tllres de dcomposition ou de manre quivalante par
Je choix des niveaux de dcomposition ct de l'ondelette analysante, Les niveaux ont
t choisis heuristiquement en se bas~iilt sur l'exprience acquise en dcomposant
des signaux EEG, Plusieurs variantes de ce prcmcr tage ont t alors envisages et
testes sur donnes smules par modlisation autorgrcssivc de portions d'EEG
reprsentatives de l'activit de lond [SEN 98,1. Les hypothses mises sur la
distributon statistique des vnements ft dtecter et sur celle de l'activit de tond ont
pcrm.is de driver les expressions de statistiques quadratiques ln matrice de
covariance de l'activit de rond, dtermine partir des modles, et une estime de
la matrice de covariance des vnements utiles, apprise pattir d'un catalogue de
transtoires slectionnes mal1lu:llcment, interviennent conjointement ou non. Les
performances de ces dtecteurs ont t values par le binis de courbes COR. Les
rsultats obtenus ont montr que l'utilisation des informations statistiques amliore
significativement les perfonnances du premier tage par rapport sa version
~(ondelettes ). (figure 6.20).

Figure 6.20. Erempic de courbes de perjmnaJ/ces. La rersjoll (mddeflCs corre.spond (g)

Cependant, les informations requises pour la mise en uvre de ces structures ne


sont pus facilement accessibles de plus, leur fiablit 11 'est que relalive du I1lt de la
nOI1 stationnarit des activits de tond et de la vmiabill des vnements dtecter
d'un sujet il un autre.

De ln physique la dtection

263

Les tests prliminaires qui ont t menc sur signaux rels fSEN 98] onl montn!
que l'cart des pedl1!'mances est moins important (figure 6.21 ) et que le dtecteur
quadratique conduisant aux meilleures performances est pamli ceux qui requrel1t
les matrices de covariances de l'activit de fond cl celle des transitoircs utiles. La
version ondelettes donne des rsultats satisfaisants. Compte tenu du l'CU
d'infonnmon que sa mise uvre ncessite ct de ln possibilit qu'offre le deuxime
lagc de la slructure (figure 6,l9) pour rejeter lcs artefucts. ce schma de dtection
est attractif

Figure 6.21. Courbes de pcformaJl{'es MW signal/X


rds. La l'ers/of! OIlddeltes correspond (c)

Ces rsultats doivent tre valids sur une grande quanll de donnes; cette tache
n'est pas des plus simples ~ mettre en place. Plusieurs problmes sont en effets
rencontrs: la dtnition d'une base de donnes reprsentative: des situntions clinqucs
rencontres et son aTITIotatnn par plusieurs experts. Cette dcmire procdure est
subjective; son issue est donc variable d'un groupe d'expert il un nutre,

6.2.2. Alla/J'se temps-frquellce Ile sigllaux SEEG


Le but de l'exploration SEEG cst de recueillir des donnes leetrophysiologil]lIcs
durant les priodes intercfitiqucs et surtout durant les crises (priodes crtiques). Les
tracs SEEG obtenus au cours des priodes intcrcritiques monlrcnt souvent des
anomalies de type pointes ou pointes ondes (les EPIC). L'tude des enregistrements

264

Dcision tcmps-frequencc

SEEO critiques consiste reprer puis analyser certaines formes particulires de


signaux (dcharges de frquence leve, sries de pointes, phnomnes pscudor}1hmiques, .. ) qui se substituent l'activit nonnale de fond pour les dilTrentes
structures crbrales considres. Ces unalyses conduisent, dans un premier temps, ft
l'identification des structures responsables du dpart des crses puis de leur
propagation dans respace crbral. Dans un deuxime temps, c'est la caracl'risatlon
de la dyoami'lue spatio-temporelle de l'activit pilcptique qui est recherche, Elle
s'appuie Sllf la comparaison de plusieurs enregistrements de crise, en liaisons avec
les signes cliniques observs, afin de dL~ager des ~, invarinnL,,}} c'est-il-dire des
formes ct des chronologies qui semblent se rpter d'une voie J'autre et/ou d'une
crise l'autre. On parle alors de corrlations llnatomolcctrodinques, Les mthodes
temps-frquence peuyent contribuer cette analyse compte tcnu de la nature non
stationnaire de ces enregstrements,

al
5(),- ...------------------~-------~

o l)l'
bl

.::.4r'IJ-'---,i'-'-6T'~d.---,8(-') '--"'ili~I;I"='-'-;1-12~'(-1- - IT4(-j--11,0


':.l'

{:;:;;53s

Temps (s)

[=,,1155

Figure 6.22. a) Signuf temporel cl1I'cgistnJ


slIr fa l'oi" Aim lors

,rulte crise, b) Sil DPfVVL

Comme nous ne disposons pas d'infonnation a prori qu privilgierait certaines


reprsentations par rapport d'autres, les transformations temps-frquence noyaux
fixe, dcrites dans le premier chapitre, ont t testes sur les signaux SEEG afin
d'apprcier notnmment la concentration de la distribution d'nergie du signal autour
des courbes de frquence nstantane de diffrentes composantes ct l'attnuation des
termes dnterrrence, Sur l'ensemble des enregistrements analyss et C01npte tenu
de la diversit des formes observes. c'cst la distribulion pseudo-\Vigner-Ville lisse

Oc la phys.ique la dtection

265

(DPWVL) qui s'est avre la mieux adapte pour les reprsenter [SHA 95]. Ceci
laisse la POft ouve ne, dans un dcuxme- Lemps. au chox cl 'une reprsentation
temps-frquence qui serait plus adapte une tranche de signal donne. A titre
d'exemple, la figure 6.22 reproduit un signal SEEG crtique enregistr. sur le plot
intcl11e de l'lectrode A, chez llIl patient souffrant d'une pilepsie temporale et la
DP\VVL associe (les lissuges sont assurs par deux fentres de- HaIl1I11ng). Ce
signal indut la priode intercritique et la priode critique. Le dbut lectrique de la
crise survienL t 53 s, d'aprs les experts cliniques. et les signes diniques sont
visibles il partir de t = liS s.
Contrairement nux enregistrements de SUrlnCe, l'acquisition des signaux SEEG
n'est pas la porte de toutes les quipes hospitalo-universitaires qui travaillent dans
le domane de l'pilepsie. La raret de ce type d'enregistrement en France Cl dans le
monde explique en partie le peu de travail qui a t men pour lenter de dCl'hc la
mOlIihologie des vnements caractristiques de;,; trucs SEEG. Nous avons donc
cherch il dcrire les signaux observs en fonction de leur caractristique tcmpsfrquence.

L'analyse des images temps-frquence obtenues sur des priodes inLercritiques et


critiques a soulign l'eXistence de motifs ou signatures particulires; transloires
isols ou sous fonne de dcharges stables ou volutives, mlanges combinant
une dcharge de transitoires et une activit quasi mono frquentielle de puissance
varable. modes simples s'assimilant tl des frquences pures soutenues ou intem1ittenles
et des modes mixtes associant plusieurs composantes simples. synchrones ou non
[SHA 96a].

6
9
Temps (5)

Tl'I1lPS (s)
Figure 6.23. Modes mit/es rc{('w','1- S1I1 AI/l( (a)

el

12

15

sur Bil1( (h) pendant la priode critiqw.:

266

Dcision

te11lps~rrqnencc

Dans un premer temps. on a cherch construire un dictionnaire regroupanl des


classes de signatures rfrences par rapport aux structures crbrnles explores.
Trois classes gnrales de signature ont t identifies: les transitoires l les
modes lmentaires ct les composantes mlanges. Elles penncUent de dcrire
qualitativement le droulement de crises d'pilepslcs [SHA 99]. La construction de
ces classes repose sur l'exprience acquise cn observanl un grand nombre de
signaux SEEG par l'outil temps-frquence. Une constmction base snr une approche
quantitative peut tre envisage mais elle se henrte udes problmes fondamentaux,
encore ouverts. dans Je domaine de la prise de dcision dans le plan 1emp5frqucnce. En effet, l'laboration de classes passe par:
- premirement, la dHnition ct l'extraction de caractristiques dominantes des
reprsentations,
- deuximement, la dtinition d'unc mtrique adapte pour dLecter et cJassiiicr
les signatures.

Actuellement, clic est hors de porte. L'tude de lu reproductibilit des signatures.


d"une voie une autre et d'tme crise il une autre chez un mme patienl. a t aborde

sous la forme- d'un problcrne de dtcclon de signature temps-frquence ressemblant

il une signature de rrrence. Ceci n 'cst pas un problm classiquc de dtection d'un
sig nul connu noy dans un brut additif. puisque nous ne dsposons ni de modle
dcrivant les formes reproductibles ni de connaissance cr priori sur les relations entre
les voies,
La mise en uvre d'approches baysiennes: pour la dtection tant dans ce
contexte dHIicilemcnl envisageable, des mthodes faisant appel des mesures
{j'cart ou encore de ressemblance dans le domane temps-frquence ont t
considres. Le choix d'une reprsentation et d'un outil de mesure n'tant pas ais,
une comparaison systmatique a t mene. Elle a porl SUl' les twnsfomlutions
noyau fixe (\Vfgllcr-Ville en version lisse et non lisse) et ceUes dont le noyau est
construit de manire s'adapter au signal analys. Les mesures d'cart proposes
sont effectues pal' corrlation normalise {i D en effectuant uniquernent des
translations temporelles ou 2D en autorsatll des dplacements en temps et en
frquence) entre couples de reprsentations temps-frquence, Ces couples de RTF
sont les suivants:
- D\VV (distribution de Wigner-Ville) de la rfrence et DWV du signal sur une
fentre glissante;

RTF de la rtrence et RTF croise entre la rfrence et la fentre glissante


avec noyau de lissage fixe ou adapt il la rfrence;

Dc la physiquc ln dtection

267

RTF de la rfrence et RTF de ln fentre glissante ulilisaulle noyau dpendanl


de la n:-frence ou un noyau fixe.
Les tests mens ont concern la dtection d'une sigmliure pnrticulere apparaissant
au dbut des manifestations cliniques des crises (rUn patient EHc correspond une
actvit rythmique sous forme d'un signal harmonique (figure 6.22). Les rsultats
obtenus pour la dtectol1 de celle-ci en se basant sur une rfrence issue d'une voie
d~llne crise (figure 6.24) ont montr que l'utilisation du I:ouple 3 avec le noynu
adapt au sgnal de rJrcnce conduit aux meiIleurs rsultats, Il pemlet de dctedcr
une signature slrniinire la rfrence sur d'autres voies de la mme crise (figure
6.25) ou d'autres crises du mme patient (ligure 6.26) ct d'estimer son dcalage
frquentiel [SHA 96b, SHA 97.].

'l

4::;~,4, ~1
3
:::c
b

36. t)

3lJ.751----'
1

gu 24",G

1
. 214
-,

,g' 18.45

ct:

l2.3 _1

6,15~~:5,9
O

'

Temps

(5)

Figure 6.24. S(q,nalUre de r.ll'cnce e.wmite de fa ,'oie Blt lors d'une a/sc

L'image complte est utilise pour la corrlntion ID. Pour la corrlntion 2D, seul

le pav dlimit par le petit can' [5,9 Hz, 23A Hz] x [0 s, 5 51 estulilis,
Une lgre variation des harmoniques (en support. position frquentielle et/ou
nergie) entrane Ulle dgmdaton de la corrlntion !e111ps-fiquence quand lu D\VV
est utHise en raison de ses bonnes rsolutions rcmporelle ci frquentielle (tigure
6.25a-bl. En revanche, un lissage de la DWV n pour effcl d'largir les composailles
du signal dans le plan tcmps~frquencC', et par consquent un recouvrel1ient plus fort
entre les composantes de ln rfrence et de l'observation est attendu, Ceci explique
les bons rsultats obtenus par les mthodes s'uppnynnt sur un lissage et laisse
entrevor la possibilite de rechercher automatiquement une slgnature donne observe
sur lin sous-ensemble de capteurs lors d'une crse sur les autres capteurs de la mme
crise ou sur une autre crise.

268

Dcision lemps-Frequence

Toutefois, ces mthodes ne pennettent de dlecter que des signatures ayant de


fnibles varntions par rapport la rfrence. POUf des variations importantes comme
de rories dfonmltions, prsence marque d'autres composantes ou un dcalage
important~ le lissage utils n'est pas suffisant.

a)

0,+

h) 0 '
1

51)~.----------~

c}

o,~l
dl

1)

... -,

lfl

:lO

30

411

Temps (s)

Figure 6.25. Courbes dc corrlation 1D calcules entre la rji:."'Tcncc el le signal issu d'un
autre plo1 de l'lectrode B. 0) et b) corrcsponde!l1 respeclll icment au couple J cl 2 arec
comme RTF la Wigner-Ville. f..) ci d) le couple 3 est uli/Lw1 (II'CC !'especiil'ement la DPWVL et
le noyau adapfe el e) DPH-'VL du signal

traif~.

L'tude dtaille de l'" image)} de la signalure sur les dirfrents capteurs a montr
que cette dernire peut tre prsente en partie (prsence de quelques composantes
seulem!1l) etlou mlange d'autres composantes [SHA 97b], Il semblemit qu'un
sousFensemble des composantes de la signature soit commun plusieurs plots
traduis"unt ainsi un rncanisme global au niveau des structures explores, ks autres
composantes devant tre plus lies des comportements locaux,
Le travail men ci contribue la construction d'un dctionnaire de signatures qui
serait une des briques de base pour tout travail qui cherche construire un modle
explicatif des mcanismes d'jnstullulion des crises. L'laboration d'un dictionnaire
exhaustif de la smiologie des tracs SEEG est un travail de longue haleine. 11
ncessite l'tude mjml1icuse d'Lm grand nombre de situations cliniques bien dfinies
l'om identifier les classes de signatures et leurs liaisons avec le type d'pilepsie
considre et les rgions explores. L'tude des relations entre les signes cliniques et
les signatures temps-frquence n'est pas immdiate; elle ncessite au pralable la
caructrsation des signatures issues des diffrentes struclUrcs crbrales dont la

De tu physique il la dlection

269

mise en jeu est signe par les manifes tations cliniques observc!:i.
Une etude duns ce
sens a t rcemm ent initie sur des patients souffrant d'pilep
sie tempora le et
prsent ant des signes cliniques particuliers (chanto nnemen t ctiou voculsu
lion).

n.8
0.7
0.6
IL;

liA
0.3

n.2

0.1

.. Il

-4 -2 0
2
,.J
6
D6..:ubg:e cn frquence (Hz,)

bl

,,}

0
.
. -.. ; .... -;--_ ...;. ... -

J=~
o

c)

- "r --

10

[5 10 25 30 35 41l

Temps Is)

1)5

V'J,Ub
JJ\
..

tl

dl

JO 15 :'10 15
Temps (si

Figure 6.16. a) CornYarion 2D entre la rjrcl/ce ef Je siglfClI enregistr


sni" la l'oie Billl Ion,'
d'une autre crise, b) courbe correspolldant 1 m:tant du pic (1 ""
19,5 s), c) courbe de
cornHallon correspondant (lU dca/age 111". d) courhe de corrlatiun
corre.\jJoJJdollt un
dcalage de O,.J Hz.

Cc type de reprsentation peut complter des tracs temporels SEEG


lors de

l'exame n de crises d'un patenl pnr des clincie ns pour mieux cerner
les reiations
cotte le signal lectrique el les signes cliniques d\me part et
d'autre part pour
compar er pim;ieurs crises afin de dtermi ner les portions du signal
qu se rptent
d'une voie Pautre cliot! d'une crise rautre.

6.2.3. lUise en corre,\'OJulilllt:e

Mme si la reproductibilit sur diffrentes crises de signatures, prises separm


ent,
permet une compar aison cntre crises, celle-ci nntgr e pas de
chronol ogie es

270

Dcision lemps-frquence

vnemcnts et n'est donc pas compltc. C'est une confrontation de l'ensemble des
enregistrements de deux crises. ayant une mme dure temporelle ou non, qui
permet non seulemcnt de construire des hypothscs sur l'origine et les voies de
propagation des dcharges intercritiques et critiques mais galcment mettre en
vidence des processus pileptiques spatio-temporels reproductibles.
Ainsi. des suites reproductibles de signes cliniques ont t observes chez certains
patients durant les crises [MAN 96]. Cependant, la reconnaissance automatique de
suites d'vnements reproductibles dans les enregistrements EEG et SEEG, o une
centaine de capteurs chantillonnant partiellement l'espace crbral sont mis en jeu,
n'a pas fait l'objet d'tudes approfondies.
Le travail men au laboratoire par F. Wendling il conduit une mthodologie de
la mise en correspondance d'enregistrements SEEG dans le but de quantifier le degr
de ressemblance entre deux criscs et d'extraire des squences communes d'vnements
spatio-temporels [WEN 96]. Cette mthoc de mise en correspondance est base sur
l'algorithme prsent par Wagner et Fischer [WAG 74] pour la comparaison de deux
suites monodimensioIlnclies de symboles. La dmarche adopte consiste en :
- une segmentation voie par voie des signaux SEEO des crises;
- la classification et le codage de la dynamique cie chaque segment (les signaux
correspondant chaque crise sont ainsi reprsents par L1ne suite de vccteurs de
symboles ~ chaque vecteur contenant M symboles, M tant le nombre de voies,
correspond un intervalle temporel sur lequel le signal est suppos stationnaire) ;
- la mise en correspondance des deux suites de vecteurs par une extension
vectorielle de l'algorithme de Wagner ct Fischer. Malgr des rsultats satisfaisants
obtenus. la mthode devait tre amliore pour diffrentes raisons. La premire est
que les signaux SEEG sont fortement non stationnaires et l'hypothse de stationnarit
locale peut tre juge non raliste. Une autre raison concerne la deuxime tape qui
fait intervenir la connaissance a priori des experts cliniques pour la classification
des segments. Celle procdure est non automatique et trs coteuse en temps. Il est
intressant de pouvoir remplacer les deux prcrnires tapes par une procdure
automatique, rapide et qui tient compte de la nature non stationnaire des signaux
SEEG. Dans la dmarche prsente dans [WEN 96] la segmentation est base sur le
changement du rythme du signal - une quantit relltant la frquence moyenne du
signal - au cours du temps. Ce sont donc les infonllations lies au temps ct la
frquence qui sont utilises. Une mthode altemative peut se baser sur le contenu
temps-frquence des enregistrements. Fort de l'exprience prsente au laboratoire
sur les aspects de mise en correspondance et du temps-frquence. une nouvelle voie
dans la mise en correspondance des enregistrements critiques a t explore et a

De la physique t'JIu dtection

'171

dbouch sur le dveloppement d'une mthode globale de comparaison des signaux


SEEG reprsents dans le plantemps-frquencc [SHA 97b, WEN 99J.
Une observation (crise) compose des signaux enregistrs sur M voies est
caractrise par un ensemble de M RTF de ces signaux. Une version discrte et
quantifie (en temps, en frquence et en amplitude) d'une RTF est considre
comme une suite de vecteurs de symboles. la comparaison entre deux crises se fait
donc travers une mise en cOiTespondance de deux ensembles de M RTF. Trouver
la correspondance maximale entre deux observations revient alors chercher une
suite commune ces observations sur laquell e la reprsentation temps-frquence
exhibe des types similaires d'activit sur un nombre maximal de voies. L'extension
propose [SHA 97b J procde par dformation (en temps) de la premiere suite de
vecteurs de symboles (premire observation) pour la rendre gale la deuxime sous
la contrainte d'un cot minimal de transformation. La distance entre deux vecteurs
(spectres instantans) est choisie comme la distance d'dition entre ces deux
vecteurs (c'est--dire cot de la dfommtion du premier vecteur pour anlver au
deuxieme) calcule par l'algorithme de Wagner et Fischer [WAG 74].
L'algorithme tendu est capable de mettre en correspondance deux crises de
manire globale, chacune reprsente par M plans temps-frquence, en autorisant
des df01111ations la fois sur l'axe des temps et sur l'axe des frquences. Cette
procdure pemlet donc de comparer deux crises de dures diffrentes ct d'extraire
des informations invariantes sous la lrme de signatures spatio-tempo-frquentielles.
Dans cette premire version, Je plan temps-frquence associ chaque signal n'a pas
fait l'objet d'une squelettisation (construction de lignes caractristiques) mais d'une
quantification (plus simple mcttre en uvre) du temps, des frquences, et des
niveaux d'amplitude dans les bandes de frquence. Les avantages d'une telle mthodc
sont lis l'absence de segmentation pralable des signaux et de classification des
segments obtenus.
Sur la figure 6.27, deux ensembles de plans temps-frquence Tl. Tl, sont mis en
correspondance. Les vecteurs exhibant des niveaux d'nergie voisins dans des
bandes de frquence voisines . et ce, sur un nombre maximum de plans tempsfrquence sont isols. Les plages temporelles extraites par l'algorithme correspondent
des signaux qui retltent bien des activits similaires. La signature 3 extraite par
l'algorithme (celle utilise dans le paragraphe prcdent comme rfrence) est
particulirement intressante: elle suggre l'apparition d'une activit Iythmique
(caractrise par la prsence d'harmoniques) dans les trois structures explores.
Cette signature correspond aussi l'apparition des premiers signes cliniques,

271

Dcision temps-frquence

c~

WJvJ
"cl
.~

Bill1

:~ , , ,1 ' , ,
~,~~~-,

Ain!

Tcmps

TI

119

rc-.

".

,':,

.>

'

lB;,,,
.-

"/~
~

T
-~

" ,
-

B im

"

A;,,,
L-~

Ij',

Ti

C n !

l~

,:,

"

j;c.-c

' ;"?':;

"A

'7 29 JI 3J :15 J7
Temps [st

2 ~

'

"

"

- - ..

----'--,--:~

"

~-i

;,

~~:'~
c,

i~

+-:c

'~..i

~L

,
"

"

M~~"
.

,~

:::-~,

lc'/

.,

-----....

/'

~7:

-,

~-'"

h.

'-/.-,c-

',,1.

on

"

1Tj

;.- ,." ""

--------------- '

C;",

"

;.

",

1
.~

j~~:::, __ ,,c

"-, 1:':::<7>

,",---

A,

"

,l'h, 1

Li,

Ain!

Bin!

'~

-~

1;

---

1<

"

'

133 137 141 145


Tcmps 151 ~

C im

TI

IL~

115

50 52 54 56 58 60

"
"

,,, 1

' " : " """'!"" :",' ',"'' 11

85

89

93
97 lOI
Temps [sI

105

li'igure 6.27. Jfise Cil correspondance eJllrc des enselllh/es

de RTF de sigl1al/x SEEG re/el's lors de del/X crises

6.2.4. Conclusion
Le travail prsent ici a cherch ft exploiter les reprsentations temps-chelle
et temps-frquence des fins de dtection-caractrisation ct de descriptions
d'vnements isols ou sous forme de squences.

Oc \<1 physiquc il 1<1 dtcction

273

Le traitement de l'EEG en intercritique a t principalement orient vers la


dtection de transitoires paroxystiques comme les pointes et pointe-ondes. La
dimension vectorielle de l'observation dans ce contexte est difficilement exploitable
dans la mesure o ces vnements ne survicnnent pas obligatoirement de manire
synchrone sur un sous-ensemble de capteurs. L'algorithme de dtection, bas sur
dcomposition en ondelettes continue, qui a t propos est actuellement utilis au
laboratoire pour la dtection des EPIC, sur les signaux de profondeur, atin d'tudier
leurs dynamiques spatio-temporelles. Ici. la situation est diffrente de celle observe
en surface. Elle peut sembler il premire vue plus lcile du Jit de l'absence
d'artefact d'origine musculaire, de dplacemcnt d'lectrode ... Ces points favorables
ne sauraient nous faire oublier l'aspect parse de l'information disponible sur les
vnements recherchs: la typologie des EPIC n'est pas dcrite dans la littrature,
l'occupation spectrale des vnements recherchs est diffrente de celle des signaux
de surface. L'analyse d'un grand nombre de donnes avant la mise en uvre de la
dtection est il ce titre incontournable.
Le signal SEEG a t considr essentiellement sous le versant critique. Le but
tant de contribuer il la comprhension des phnomnes sous-jacents ct des
mcanismes mis en jeu il l'installation d'une crise. Plusieurs pistes peuvent tre
envisages pour la continuation du travail entrepris ici. Outre l'extension de
l'analyse d'autres patients et il d'autres types d'pilepsies, les signatures recenses
exhibent des lois de modulation qui peuvent contribuer une modlisation structure
dpendante des signaux SEEG, l'utilisation des mthodes de rallocations [AUG 95]
peut aider la description des plans temps-frquence par Ulle grammaire simple
constitue par des droites et des paraboles. Une nouvelle voie dans la mise en
correspondance de crises peut alors tre envisage en s'appuyant sur cette
reprsentation des signaux.
Les questions de retards entre voies et de cohrences n'ont pas t abordes.
Cependant. elles peuvent bnficier de l'apport de certaines mthodes. similaires
l'analyse en ondelettes de Malvar [MAL 89], bases sur des modles de signaux
localement stationnaires [RAZ 99] ou encore de mthodes l11ultifentres d'analyse
spectmle [BA Y 96, XU 99],

6.2.5. Bibliogl'llplzie
[AUG 95] AUGER F., fLANDH1N P., Improving the rC<ldability of ti111c-rrcqucncy and timcsca[e representations by lhe reassignment IneLhod , IEEE Transaction 0// SP. vol. 43,
p. 1068-1086, 1995.

[BAY 96] BAYRA;'v] M., BARAN1UK R.G., Multiplc window time-li'cqucncy analysis , Pme.
IEEE. SP ,~rlll, TF&TS mW/J'sis, p. 173-17, 1996.

174

Dcision temps-frquence
G,~ ( Generation of hippocumpal EEG pntterns}), dans R.L Isaacson.
K. Pribrmn (r.}, HipjJocilmpus, Plcnum, New York, vol. 3, p. 137-167.1986.

[BUS 86] BU;;;ZAK!

[CHA H9] CI-IArvEL P., (; Indications et mthodes u lraitement chirurgical des pilepSies
Epilep:i(!,'i, vol. l, p, 258-175, 1989,

j"~

[GOT 98] GOT:"IAN .1., Wu L. ~{Segmentation und classification of EEG during cpi1cptic
SClzureS}), Electroenceph Clin. Nt.:III'opl{E~'iol.t voL 106, p. 344~356. 1998.

[lOI' 871 LOPES DA SlLVt\ p., Elcctrocnccpha{ography. Basic prncip!es. CUI/leu/ Applications
tmd n;;{aledJJ.?!d\', Urban & Scharzenberg, Baltimore-Munich, 2c dition, 191:\7.

[l,AAL 89] MALVAl{ B's .. ST:\CI.!N B.D., (, The LOT: transform coding without blocldng
effech. ;). IEEE Tmllsacrfui! Olt ;/SSP. vol. 37, p. 553~559, 1989.
[ivlALL 92] MALLAT S., HWANG WL., {( Singlurity detection and processing \Vith wavelets )1,
lEEE Transtlction mrlT. vol. 3g. nO 1. p. Ii 17-643, 1992.
t:MA~

96] MA'NFORD M" F1SH D,R. SHORVON 8,D" (i An analysis of clinlen! scizure pallerns
and their locaJjzing value in fronial und tempurallobe epilepsies }), BraI1, vol. 119, p. 1740. 1996.

[RAZ 99J RAZ J., On:'IAO H., Wavelcts in Stnlistlcs: DiscU!,sion

)j.

Procecdillgs oflSI. 1999.

,"SEN 93] SEl\l-IAllfJ L" Appruche multirsolution pour l'analyse des sigmmx non stationnaires,
Thse de l'universit de Rennes l. fvrier 199.l

L.. BELLAt\GER IL CARRAULT G., {( Dtection tmps-chclk d'vnemenl..


paroxysLiques intercritiqucs en lectmcncphulngraphie;l, Traitcmcilf du signal, vol. 12.
p. 357-371,1995.

[SEN 95] SEXHADJI

[SEN 96] SENHADll L.. THORA VAL L .. C:\IH~/\ULT G..., Continuons wl1velet tmnslonn: ECG
recognition based 011 phase and tTIodnlus rcprcsentulons nd hidden Markov models jl,
dans A. Aldroub. M. Ullser (dlL)j /fave/ers in JUcdidnc and Bi%g)', p. 439-460, 1996.

98] SENHADJl L, BELLANGUR IL Cr\!UtAULT G., ({ EEG spikc detectors based un


different deol11positions: A comparative stlldy 1), Time FrclJuency and H/("ll'elcts in
Biomcdical Engineering, IEEE Press, p. 407-421, 1998,

ISEN

[SHA 95J

S!lAMSOLLAHI M.B., SENHAOJJ L, LE l3ouQUn';-.IEANNES R. ({ Time-frcquency


(H1alyss; A compnl'ison or Approachcs for complcx EEG puttcms in epilcillic Selzures ,),
P/'occedfngs ({IEEE EMBS, p. 1069~ J 070, novembre 1995,

[SHA 96<1] Sl!;\MSOLLA!!l M.B., COATRlEUX J.L., SEI"HADJI

L.

WE?-InLl~G

f.,

BADfE[{ J}v1.,

( On some time-frequency signatures in stcreo-electroencephnlography (SEEG) )},


Proceedl1g.s of 1EJ::.1:.~ EMBS. p, 919-920, 1996.

[SHA 96b]

SlI,\'\-lSOLLAHl

loc~llzatjon

f'VtB .. SENflAOJ! L., LE

BOUQUIN-JEANNES

R.,

(~Detec[on

and

of omplex SEEG pattcl1ls in cpiJcptc sClzun:s u5ing lime-irequency

analysis )}, ProcJings (~r l!Je International Symposiu/1/


Seule Ana/J'sis, p, 15-1 08. Paris. juin 199<i.

011 Time~Frequency

ond

Tllle-

SHA~-lSOLL:\H! M.B.. SE;.iIlADJJ L, LE BOLJQUfN-JEANNts R., H Dtection de


signatU'ies temps-frquence sur des crises d'plep!>ie ), dans Actes du CRETS!, Grenoble,
Fronce, p. 1367-1.170, 1997,

[SHA 97a]

De la physique la dtection

275

[SHA 97b] SHAMSOLLAHI M.B., Cotltributon l'analyse lemps~fiquel1ce ,ks signaux SEEG
et 1)('(;' Thse {Il: 4.lm.:lorat de l'universif de Rennes 1, ! 997.

[SHA 97c] SIIA/l.JSOLLA!l1 M.B .. CIIEN D" PIIV\mYI" p" SEi'<!I:\lJJl L.. DUL\Nl1 L., Estimation
de ln pression pulmonaire par analyses spectrnlcs ct temps-frquence du dcuxime son
cflrdiaquc, dans Actes du GRETSJ, p, 347~350. 191.)7.
rSHA 9~JI SIIAM50LLAIII M.B., SENHAD.ll L, LE B()UQU1N~JEANNES R., Ci-1AL:VEL P ..
{( ReprsctlHHln de crises d'pilepsie pur des signatures temps-frcquence- );. ITBM,
voL 20, p. 14 H50, 1999.

lTAL 741

TALAIRACH J.. BANl':\UD L : StereotaxC exploration alld lherapy in cpi!epsy n.


dans P.J. Vinkel1, S. Brown (di!'.). Handhook f?rc/inca! /1ClIro/Ogl', The Epilepsies, North
Bolland, Amsterdam, p. 75}.;-7Hl. vnL 15, 1974.

[THO 94J l'Hm/lAs P . GENTON p,t Epilepsie,", Masson, Paris. 1994,

[TRA 911 THAun R.D" WONG R.K.S" tvllLES R., :Vl!ClIELSON 11" {( 1\ model or " CA3
hippocmnpul pymmidul neUJ'll incorpol'3ling voltage-clamp data on ntrinsic conductances li,
./. NClIl'OjJhysn!., voL (i(). n:; 1. p. 635-650, 1991.
rTRA 92] TllAtJB R.D., MllES R" MULLER R.U .. GULYAS A.t. {, Functiollill organization
of lhe hippocumpal CA3 region: implications far epilcpsy. Bran waves und spatial
behaviour 1), NCl1mrk, vol. 3. p, 465-488, 19lj2.
[WAG 74J WM,NER R.A"

FISCHER M..1" "The strng-to-string correction problem


J. Assoclalfonjiw Compllting Machin!!/:\'. vol. 21. al:> L p, 16S~173. 1974.

li.

[\VEN 96] WE>IDLlNG F" BELLANGER JJ., BADIE!t J.fvL, C'OATR1EUX J.L.. H Extraction of
spatio-lcmporal signatures rrom d~pth EEG sClzurcs siganls hascd on objcClVC mah:hing
in warpcd vccturial observations i}. )EEE ansacliom: OH BME. vol. 43. n" Hl. p, 99{}1000,1996.

r. .

[\VEN 94.)] W!::NIKING F., SHAvlSOLLM!! l'v1.. BM>IER J.M" BELLANGER J..I., <l Timc-Frequency
matching or warpeJ ueplh-EEG seizure observations )l. IEEE Transaction on SME,
l'QI.

46. p. (iOI-605. 1999.

[\VIE H3j WrESER H.G .. E!cclro-cliflic(d/('!(1fI1l'I.',\'


Stuitg<u'L, Alltmmgne. 1983,

(~rpS)'cl}()lJI()f()r

,w:i::un:, Fischer-BuUcrworth.

[XU 99J XU y" H/\YI\IN S., RAC!NE RJ" {/ rv1uliip!e windmv time-frequency dislribution and
cobcn,'m:c uf EEG using Slcpiun sequence und HerJl1itc functons ,). lEEE transaction ()fI
BME. vol. 46. p. 861-865.1999.

Index

A
acoustique 59
alatoire 192-193
amortissement 117. 219-220, 222.

224-225.229,240,245,249-253
application au signal musical 63-64, 80, 82
apprentissage 148, 150-155. 157-160.
162-163,165,167
ARMA 230-231, 233-234, 239, 260
artefact 261. 273
avance de phase 241-243, 247

B
bande troite 54-57, 60
base d'apprentissage 132, 135, 137-138
Bertrand (distribution de) 110

c
canal de Rayleigh 25
caviLalion 191, 196
chirp 147
en loi de puissance 109
linaire 108
signal FM 103
classe de Cohen 25, 27-28, 32-34, 64, 67,
69
classilication 44, 51, 53. 61, 147-149. 151,
154-164,166-168,171-172
baysiennc 151, 154- J55
de donnes 201
supervise 148-149

contraste de Fisher 151-153, 157-158


corrlation 64, 74-75. 77-78,156-157.
163-164.168
conlograml11e glissant 42,53.55-56.
58-59,61
courbe COR 75,98, 100
critre 148, 159-166
de premier orre 160, 163
de probabilit d'erreur 161-164, 167
de lype Fisher 160-161, 163
minimi1x 30
croissance de rgion 204-206

D
dcomposition de Karhunen-Love 130
degr de libert 216-218
drive de frquence 63, 72, 75, 77
dlection 63-64, 68-69. 72-80, 82-83
hypothses composites 22, 26, 30
il structure impose 129. 131-132
il structure libre 129
d'instants 238, 240
de chirp (signal FM) 11)3
de chocs 213. 253
de transitoires 258, 260-261, 273
localement optimale 25
dterministe 178. 192-193
diagnostic 2 J 4, 255
dimension de Vapnik-Chervoncnkis
(VC-dimcnsion) 135-136
distance 151-154, 156-157. 159-166,
168-169,171

278

Dci..,nn

tcmps~frqlien

de ChcfIlorr 110
e Ko!mogonw 66-67. 78. 156.
163-165,167,170-11l
de Illhllck 163, 110
de Mahalanobis 155, 157-158,168
L, 163-164
L" 66, 16S, 171
distribution
d'Altes-Marinovk 29
de Wig.ner~ Ville 25-27, 19, 33-34. 70,

mllge 178-181
indice de stationnarit 64~66, 68, 79. 82
interfrence 70~72
jnl~rrrlmionl77, 191-191

K
l,~

l'lm.; proches vojslns f52-153


Kolmogorov 33

kurtosis 9:5-96

lk \Vigner. Ville discrtc 127-134.


136-137,139,141
unitaire de Bertrand 25, 29-30
divergence
ue Jensen 66-67. 75
de KOllback 66-67, 77, 79-80, 81-S3
DOj1plcr 29-30

L
loi du chirp 34
loi du
-i6-47. 49,199,203
dnlre 48
maximum de vraisemblance 204-205

mlange de loi;; 200202

1\1

dmntillonnagc 230. 137-239


lccuodc 265, 268, 273
ensemble d'apprenLiMiagc 132. 135-136,

maldiction de la dimensionnaHtc 129.

144
entropie de Rnyi fi7
EPIC 258~161, 163. 273
erreur
d'cstimalion64
de prictinn 74~75, 77, 79
e"pacc linaire indul 131~ j :33. 139

vnel11Cnl paroxyslique imercritique 25R.


174

132,135-138
maximum de vl'msemhhmce 43
mthude

de Capon 69. 7'2-73


MeMC 15-1-155
mise en correspondance 269.272
modle

,j'excitation 221
de Prony 213, 229, 232, 239-242, 253
multk:hoe 213.115.1'27. 229, 239, :':42
HlOdlllalion de frquence vair chirp
morphulogie m'lthmatique UH. 196

f -diwrgence ue

C~bzar

66

filtre a(bpt 156


fonclion d'autocom.'lation 234-235, 246

non-stntiol1narit 227. 229, 233, 240. 254,


256. 265. 271. 275

rormule de MoyaJ 156

noyau

frquence pme 55. 57


G
Gahor 22
gigue en frquence_ Tl, 78
gm;enllSI. 185, 188, 190, 192-19.1

de Ch01-Willimm; gnralis l63-165.


167,172
exponentiel multiforme orientable 163.
165,167,172
optimal 157-159, 164
radiulemenl gaussien 63~ 167, 171
reproduistlnl 207

lndex.

onde gravitationnelle 114-

Sllllt frquentiel 63, 69-70, 72. 75


scalogrammc 199
segmentation 63-6;1. 68, 80. 81AB.

ondclcuc 12
adi.lplc H4
osdllation lbrc 217

279

181-191.195,197-198,201
Shannon 19
signnl

(lccl~romlrique

226. 248

paquet d'ondelettes ::2, 90-97, 99, 101-10::


pav'lge temps~frqucncc 91-94
'Pdivergence 159, 164, 166, 169-170

EEG 257, 260, 262


quasi statiOllllire pilr mun':C,HlX 63, TL

plus proche rcpl'~li1ant 151-154, 163, 166


ple ~31

SEEG 257, 260, 263-266, 270,

probabilit d'em;uf 160-164.167

trdllstorc 239, 256, 261

Prony Icmps-I'rqucncc 240. 246. 248-152,


254
pscuo-Wigncr- Ville 70-7i

78.8:1

172-273,275

vibmtore 249, :::;;;4signature

de rfrence 266

tcmps- rr~qucnce 266, 268. 17;\-275


spectrogramme 42-43, 45-48.53,55-56.
61, 67. 71-72, 75~78, 8U, 199

rapport

surveillance 63-65. 69. 72, 74. 83

Ii.<se 70-71. 78-80

railou 121
Je vraisemblance lO5

signal sur brut iH.Sm 70, Tl


rallociilin (mlhodc de) 103. III
reconnaissance [48. 159
rcdondancL': 129. 132-133. 137-138,

140-142
rgle de dcision [4:;;,1:51,154,160,163,
loli
rponse mpulsionnelle 217':219, 222, 140.
249
reprsentation 177-182. 184185, 187-188
l10yau exponentiel orientahle 71-73
de Born-Jordan 71, 73
de Chol'-Williams 71. 3
rseau pilcplogne 258-259
retard de phase 241 ~241
rvolution des ondcleHes 20
ruplure spectrale 64, Tl

T
lhorie de la dcisioll 20
transformation de I-Iough 34
transitoire 84-88, 95-100. 102.216-117.

222,254,259.261-:::62

unitarit (propncl d') lOG

v
variance 45-48. 5n, 5.3. 60-61
\'ihratoirc 58. 60

w
Wigner-ViUe 179, 1S l

LISTE DES OUVRAGES DU TRAIT Ie2


(all 31 dcembre 2003)

Srie INFORMATIQUE ET SYSTMES D'INFORMATIONS


sous la direction de .IeallCIUlrles POIJwro!
Analyse et conception de j"JHM : interaction homme-machine pour les SIl.
KOLSKI Christophe
Annlyse. synthse ct codage dc la parole: traitement automatique du langage parl l,
MARIANI Joseph

Bases de donn~ ct Internet: Modles. langages et systme,


DOUCET Alllle et .lOMIER Gellevive
Environnements volus el valuation e l'(HM : illlcraClion homme-machine pour
les SI 2, KOLSKI Christophe

Gestion des donlles multimdia. MOSTEFAOLII Ah01ed, PRTELIX Franoise,


LEClIlRE Vincent etlvlOliREAUX Jean-Marie
Tngnierie cs langues. PIERREL Jenn-Marie
Ingnierie des systmes d'infonni.1lnn,
CALIVET Corine et ROSENTHAL-SABROLIX Camille

Ingnirie ell'aptalislion des connaissances.


ZACKLAD Manuel et GRUNDSTEIN Michel

La parole; des modles cognitifs aux machines coml1lll11icantcs.


ESCUDIER Picrre et SCHWARTZ Jean-Luc
Les rseaux de Petri: modles fomJmnCl1laux, DIAZ Michel
Logique 110ue. principes, aide tl la dcision.
BOUCHON-MEUl\IER Bernadette et MARSALA Christophe
Management tics connaissances: ITIOlJles d'entreprise et applications,
ZAC'KLAD Manuel et GRUNDSTE1N Michel
Optimisation approche en recherche oprationnelle,
TEGHEM Jacques et PIRLOT Mme

Ordonnancement pour l'infonnaliqu parallle.


MOllKRIM Aziz et P1COULEA U Christophe
Principes ci architecture des systmes nwlti-agcnts,
BRIOT Jean-PklTe et DEMAZEAU Yves

II

Liste des ouvrages du TRAIT Jel

tl1H

3/ dcembre 2003)

Reconnaissance de la parole: lraitement automatique u langage parl 2,


MARIANI Joseph
Rsolution de problmes de RO par les mtahe-uristiqucs.
PIRLOT Marc el TEGHEM Jacques
Traitement de donnes complexes et commande en logique Houe.
BOUCHON-MENIER Bernadette et MARSALA Christophe

Vrification et mise cn oeuvre des rseaux de Pelri, DIAZ Michel

Srie MANAGEMENT ET GESTION DES S'fICS


sous la directioll tic .lealt~Alarc Doublet
Piloter Je changement avec les cybcrtcchnnlogic,q. SAADOUN IvlIissa

Srie RSEAUX ET TLCOMS

/a d,ret'tion de Guy Pl~iolle


__
..
. __ _ .. _ - - _ ..- - _ .. _ - - -

SOU,\'

...- _ .

_~-

..

Ingnierie des protocoles et qualit de service, CAVALLt Ana


Les reseaux radiomobleH, LAGRANGE Xavier
Rseau.' ATM. ROUN Pierre
Scurit des rseaux el systmes rpartis. DESWARTE Yves cl M Ludovic
Stanards pour la gestion des rseaux
FESTOR Oli"ier et SCHAFF Andr

Ct

des services,

Systmes multimdias communicants. DABBOUS Wulid

Srie SYSTI,MES AUTOMATISS


SOIiS [a airectiml tic Claude Foufard

Algbre el analyse pOUf l'aufomatique. RiCHARD Jean-Pierre

Analyse des syslmes linaires. de LARMINAT Philippe


Analyse et modlisation des robOls manipulateurs. DOMBRE Etienne
Applications non manufacturires de la robot<]ue. DAUCHEZ Pierre
Assjstaucc technique au handicap. PRUSKI Alain

AutOlllUliquc es binprm:ds. DOCHAIN Denis

Lisle des ouvrages du TRAIT leZ (a" 3/ dcembre 20(3)

JI[

Automatique et procds chimiques: modlisation. eSlimmin, cristallisoirs,


CORRIOtJ Jean-Pime
Au{omuti(lUe pour la gestion des ressources en eau.
GEORGES Didier et UTRICO Xavier
Commande adaptative el applications. LOZANO Rogelio ct TAOUTAOU Damia
CommumJe de procds chimi{llics, raclCurs et colonnes de distillalion,
COR RIOU Jean-PietTe
Commande des robots manjpuluteurs, KHAl.lL Wisama
Commande des systmes linaires, de LARMINAT Philippe
Commande el supervision: les procds agroaJmentaires j & 1,
BOlLLEREAUX Lionel el FLAUS Jean-Marie
Commande floue 1 : de la stabilisation fila supervision,
FOULLOY Lauren!. GAUCHET Sylvie et TITU Andr
Commande noue 2: Je l'approximaton fi J'apprentissage.
FOULLOY Laurent. GAUCHET Sylvie et TITU Andr
Commandes non linaires.
LAMNABHI-I..AGARRIGUE Franoise el ROUCHON Pierre
Conception des commaodes robustes. BERNUSSOU .Jacques cl OUSTALOUP Alaiu
Contrle-commande de la voilure. GlSSINGER Grard et LE FORT-PIAT Nadine
De la physique du capteur au signa! lc:ctrique : mesure cl instrumentation 1.
PLACKO Dominique

Du comp0sant lmentaire au systme: mesure et instrumental ion 2.


PLACKO Dominique
lentification des systmes. LANDAU Joan Dor et BESANON-VODA Alina
Identilealion ct commande adaptative, LOZANO Rogielo eI1:'\OUTt\OU DUl11ia
La mierorobotique. BOURJAUI..TAlain et CHAILLET Nicolas
La robotiqn" mobile. LAUMOND Jean-Puni
La voiture intelligenle. GlSSINGER Grard et LE FORTPIAT Nadine
Les bond graphs, DAUPHIN-TANGUY Gcnevive
Mathmatiques pour Jes systmes dynamiques, RICHARD kan-Pierre
Modles cl raisonnemenls qualtatifs,
TRAV-MASSUYS Louise et DAGUE Philippe
MocJlisation contrle veclorid t DTe : commande des moteurs asynchrones l,
CANUDAS DE WIT Carlos
Optimisation disr~lisut()n et observateurs: commande des mo{curs m;ynchrones 2.
CANUDAS DE WIT Carlos
Outils d'analyse pour l'automatique, BARRAUD Alain

IV

Liste des ouvrages du TRAIT Tel (ail 3/ dcembre 2003)

Systmes dynamiques hybrides, ZAYTOON Janan


Systmes non linaires,
LAMNABHI-LAGARRIGUE Franoise et ROUCHON Pierre

Tlopration et ralit virtuelle, KHEDDAR Abderrahmane ct COIFFET Philippe


Tlopration el llrobotique, COfFFET Philippe et KHEDDAR Abderrahmane

Srie PRODUCTIQUE
sous la direction de Claude j;"'ou{ard
Automatique el statistiques pour le diagnostic, DUBUISSON Bernard
Diagnostic, intelligence artificielle et reconnaissance des formes,
DUBUISSON Bernard
Evaluation des performances des systmes dc production, TAHON Christian
Fabrication assiste par ordinateur, BERNARD Alain
Fondemcnts du pilotage des systmes de production.
PUJO Patrick et KIEFFER Jean-Paul
Gestion de production: fonctions, techniques ct outils,
ERSCHLER Jacques et GRABOT Bernard

Indicateurs de performance, BONNEFOUS Chantal et COURTOIS Alain


La qualit: dmarche, mthodes et outils, CHERFI Zohra
Matrise des risques et sret de fonctionnement des systmes de prouction,
NIEL Eric et CRAYE Etienne
Matrise et organisation des flux industriels,
CAMPAGNE Jean-Pierre et BURLAT Patrick
Mthodes du pilotage des systmes de production,
PUJO Patrick et KIEFFER Jean-Paul

Ordonnanccment de la production, LOPEZ Pierre cl ROU BELLAT Franois


Organisation et gestion de la production, ERSCHLER Jacques el GRABOT Bernard
Performance industrielle et gestion es nux,
BURLAT Patrick el CAMPAGNE Jean-Pierre

Liste des ouvrages du TRAIT IC2 (ail 31 dcell1bre 2003)

Srie TRAITEMENT DU SIGNAL ET DE L'IMAGE


SOllS la direction de Prllllf'is Castalli et Hellri Alatre
Analyse de signaux bidimensionnels. GARELLO Ren
Analyse des donnes, GOVAERT Grard
Analyse spectrale, CASTANI Francis
Approche baysienne pour les problmes inverses, IDIER Jrme
Compression et codage des images et des vidos.
BARLAUD Michel et LABlT Claude
Dcision dans le plan temps frquence, DONCARLl Chrislian et MARTIN Nadine
Dcision et reconnaissance des formes en signal. LENGELL Rgis
Fusion d'informations en traitement du signal et des images. BLOCH Isabelle
Images de profondeur, GALLICE Jean
La tomographie: fondements mathmatiques, imagerie microscopique et imagerie
industrielle, GRANGEAT Pierre
La tomographie mdicale: imagerie morphologique et imagerie fonctionnelle,
GRANGEAT PielTe
Le traitement des images, MATRE Henri
Les ondelelles et leurs applications,
MISITI Michel, MISITI Yves, OPPENHEIM Georges el POGGI lean-Michel
Les systmes de vision, .I0LION .lean-1Vlichel
Lois d'chelle, fractales et ondelettes 1 & 1.,
ABRY Patrice, GONALVS Paulo et LVY VHEL Jacques
Mthodes et architectures pour le TSI en temps rel, DEMIGNY Didier
Perception visuelle par imagerie vio, DHOME wlichel
Tatouage de documents audiovisuels numriques,
DAVOINE Franck cl PATEUX Slphane
Traitement des images de RSO, MATRE Henri

Sommaire dtaill de chaque ouvrage du trait IC2 sur les sites:


www.1avoisier.fr
www.hermes-science.com