Académique Documents
Professionnel Documents
Culture Documents
ET
TRAITEMENT DU SIGNAL
(selon source : B. PERROT)
I METHODES
DETERMINISTES
EN TRAITEMENT DU
SIGNAL
6
1 Introduction
1.1 Generalites
7
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Echantillonnage
des signaux analogiques
2.1 Generalites
10
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
15
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
4 Apodisation. Pouvoir s
eparateur de lanalyse fr
equentielle. Analyse
temps-fr
equence
19
4.1
19
4.2
Apodisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
4.3
21
4.4
Analyse frequence-temps . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
23
5.1
Generalites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
5.2
24
5.3
Un crit`ere de stabilite . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
5.4
26
5.5
Cascade de filtres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
6 Synth`
ese de filtres RIF
28
6.1
28
6.2
28
6.3
29
6.4
29
30
6.5
7 Filtres r
ecursifs
32
7.1
32
7.2
34
7.3
34
7.3.1
Filtre de Butterworth . . . . . . . . . . . . . . . . . . . . . . . . .
34
7.3.2
Filtres de Tchebitchev . . . . . . . . . . . . . . . . . . . . . . . .
37
7.3.3
38
II METHODES
STATISTIQUES EN TRAITEMENT DU
SIGNAL
39
8 Processus al
eatoires discrets
40
8.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
8.2 Processus aleatoire discret stationnaire . . . . . . . . . . . . . . . . . . . 41
8.3 Processus aleatoire discret stationnaire ergodique . . . . . . . . . . . . . 42
8.4 Densite spectrale de puissance (DSP) . . . . . . . . . . . . . . . . . . . . 43
8.5 Une application du theor`eme de Wiener-Kinchine : methode de WignerVille . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
8.6 Puissance dun processus aleatoire discret stationnaire . . . . . . . . . . . 45
9 Bruit blanc : mod
elisation AR
46
49
53
56
12.1 Filtre adapte `a la detection dun signal de forme connue noye dans un
bruit blanc additif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
12.2 Filtre adapte `a la detection dun signal de forme connue noye dans un
bruit colore additif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
12.2.1 Construction du filtre blanchisseur . . . . . . . . . . . . . . . . . 58
12.2.2 Construction du second filtre
. . . . . . . . . . . . . . . . . . . . 58
61
62
Premi`
ere partie
METHODES
DETERMINISTES
EN TRAITEMENT DU SIGNAL
Chapitre 1
Introduction
1.1
G
en
eralit
es
1.2
1.3
Fen
etre danalyse
1.4
s etant un signal analogique, par definition son spectre (note S ou F s) est la Transformee de Fourier de s :
Z
S(t) = F s(t) = s(t) e2itf dt
Il ny a pas de probl`eme de convergence pour les signaux physiques qui sont `a support
fini, mais pour certains signaux mod`eles abstraits (par exemple s(t) = cos (2 f0 t)
pour tout t reel).
Il faut considerer s comme une Distribution temp
er
ee et la Transformee de
Fourier se fait au sens des contributions (vu dans la partie Math
ematiques pour le
traitement du signal).
Pour dessiner un spectre, on dessine son module et eventuellement son argument.
Exercice 1 On consid`ere le signal s(t) = cos (2 f0 t) dans la fenetre danalyse de
longueur 1 et centree en une valeur arbitraire t0 . On choisira f0 = 10.
Calculer le spectre de s et dessiner le module (etudier linfluence sur ce module de
la valeur t0 ).
Meme question, dans des conditions plus realistes, en prenant f0 = 105 .
1.5
Interpr
etation heuristique du spectre
1.6
Signaux analogiques d
energie finie. Densit
e spectrale d
energie
Dans ce cas, on appelle Densit
e Spectrale dEnergie
(DSE) la fonction |S(f )|2,
ce qui est justifie par la formule :
Z
Z
2
|s(t)| dt = |S(f )|2df
vue dans la partie Math
ematiques pour le traitement du signal.
Chapitre 2
Echantillonnage
des signaux
analogiques
2.1
G
en
eralit
es
2.2
Unit
es normalis
ees
Ainsi, s(nTe ) sexprime par s(n) en unite normalisee. On ecrira cependant plutot :
sn .
Exercice 1 On consid`ere le signal analogique de lexercice 1 de 1-1.4. On echantillonne
2.3
X
nF
sn n , o`
u n est la
On remarque que si la suite des sn est `a croissance lente (ce qui signifie que les sn
en valeur absolue sont majores par par un polynome de n), alors la distribution associee
est temperee. On peut donc considerer sa transformee de Fourier. Ceci justifie que lon
notera souvent le spectre dun signal discret s par S ou F s.
Le spectre dun signal discret est p
eriodique de p
eriode 1. Ceci justifie que
toutes les considerations le concernant ne se font que sur des intervalles de taille 1. (qui
le plus souvent est lintervalle [-0.5 , 0.5]).
Exercice 1 Chercher le spectre des deux signaux obtenus dans lexercice 1 du I-1.2
et dessiner le module.
2.4
Interpr
etation heuristique du spectre
1
2
12
S(f ) e2if n df
nFn
sn .
11
2.5
Signaux discrets d
energie finie. Densit
e spectrale d
energie
On dit que le signal discret s est denergie finie, si sn est une famille de carre sommable, ce qui est toujours vrai dans le cas des fenetres danalyse finies.
X
Dans ce cas, lenergie du signal discret est :
|sn |2
nFn
La DSE est alors la fonction |S(f )| , ce qui est justifie par la formule :
X
nFn
2.6
|sn | =
1
2
21
|S(f )|2df
Forme d
eterministe et discr`
ete du th
eor`
eme de
Wiener-Kinchine
Preuve :
Le spectre dautocorrelation temporelle denergie vaut :
X
X X
s(k) e2if k =
sn sn+k e2if (n+kn)
nFn kFk
kFk
X X
nFn kFk
12
2.7
Th
eor`
eme d
echantillonnage
Soit s un signal analogique continu et `a croissance lente (i.e. |s(t)| est majore par
un polynome de la variable t).
On suppose que S(f ) est nulle en dehors dun certain intervalle de la forme
[f0 ,f0 ]. On lechantillonne `a une frequence strictement superieure `a 2 f0 . (r`egle de
Shannon).
Alors, (en unites normalisees) sur lintervalle [-0.5 , 0.5], les spectres du signal analogique et du signal discret concident.
Preuve :
sn n = s(n)n = sn r`egle de calcul vue dans la partie Math
ematiques pour le
traitement du signal.
X
X
Alors :
snFn n = s
n .
nFn
nFn
Or, les hypoth`eses (en gras) impliquent que pour n 6= 0, S n est nulle sur un certain
ouvert contenant lintervalle [-0.5 , 0.5], ce qui ach`eve la preuve.
Int
er
et th
eorique de ce th
eor`
eme Si on respecte la r`egle dechantillonnage, `a partir
du signal discret on peut calculer son spectre. Le theor`eme nous dit que celui-ci est
sur [-0.5 , 0.5]. En effectuant une transformee de Fourier inverse, on recup`ere le signal
analogique du depart. Ceci montre qu`a partir du signal discret on obtient, par suite
doperations mathematiques, le signal analogique de depart. Donc, on ne perd pas
dinformations en faisant l
echantillonnage.
Limitations pratiques du th
eor`
eme En pratique, on a vu que le support du signal
est fini. Or, il ressort du theor`eme de Paley-Wienner-Schwartz (voir [Schwartz] p.271)
qualors le spectre ne peut etre aussi `a support compact, sauf dans le cas trivial dune
fonction nulle.
13
2.8
14
Chapitre 3
Transform
ee en z
3.1
G
en
eralit
es
De mani`ere precise, cette ecriture represente la somme des deux series enti`eres suivantes :
X
Pour les indices negatifs strictement :
sn z n est une serie enti`ere ordinaire de
nZ
rayon de convergence R1 .
X
nZ
1
variable et a pour rayon de convergence R2 . Par rapport `a z, il y a donc convergence
z
1
.
`a lexterieur du disque de rayon
R2
Donc, lensemble des deux series (cest `a direpour la transformee en z), il y a conver1
gence dans la couronne
< |z| < R1 . Le vocable couronne doit etre pris au sens large.
R2
Notations On notera SZ (z) la transformee en z de la suite s = (sn )nZ . Si le domaine
de convergence contient le cercle unite, on notera S(f ) la valeur de cette transformee en
z au point z = e2if , ce qui est bien coherent avec les notations dej`a introduites car dans
ce cas, S(f ) represente bien la valeur du spectre du signal discret s pour la frequence f .
SZ (f ) =
sn e2if n = S e+2if
nZ
15
3.2
Propri
et
es
el
ementaires
WZ = XZ YZ
Preuve :
La transformee en z de x y est :
XX
XX
WZ (z) =
xk ynk z n =
xk z k ynk z n+k = XZ (z) YZ (z)
nZ kZ
nZ kZ
z
3.3
Inversion de la transform
ee en z
sk z n1k
kZ
Or :
3.4
z n1k dz =
0 , si k 6= n
2i , sinon
Inversion de la transform
ee en z dans le cas
dune fraction rationnelle
X
1
r < 1 ,
=
rn
1r
n=0
1
2
17
1
za
Remarquer que pour des cas plus generaux il suffit de commencer par faire une
decomposition de la fraction rationnelle en elements simples, avec eventuellement des
produits de Cauchy sil y a des poles multiples.
Exercice 2 Soient a et b deux reels tels que 0 < a < b. On donne SZ (z) =
sur le domaine de convergence la couronne a < |z| < b.
Effectuer linversion de la transformee en z.
18
z2
(za)(zb)
Chapitre 4
Apodisation. Pouvoir s
eparateur de
lanalyse fr
equentielle. Analyse
temps-fr
equence
4.1
Effet fr
equentiel dune restriction de support
Soit s un signal discret dont on restreint le support. Appelons y le signal discret ainsi
obtenu. Si on note w R la suite caracteristique de cette restriction (cest `a dire wkR = 1
si k appartient `a la restriction et 0 sinon (a la forme dune fenetre rectangulaire, do`
u
la notation)), on peut ecrire : y = x w R
Montrons maintenant une formule qui donne le spectre de y (y produit de deux suites
x et w). On se place dans les conditions pratiques o`
u x et w sont des suites finies.
On a alors la formule :
Y (f ) =
1
2
12
X(g)W (f g)dg
Preuve :
1
2
12
X(g)W (f g)dg =
XX
n
xn exp(2ign)
X
k
xn wk exp(2if k)
19
1
2
12
wk exp(2i(f g)n)dg
exp(2ig(n k))dg
Cette derni`ere integrale est nulle pour k 6= n et vaut 1 sinon, ce qui ach`eve la
demonstration.
!
X
=
xn .n .e2if n
nN
sin(f N)
sin(f )
DESSIN POUR
N=6
|W|
Lobe
principal
Lobe
secondaire
Symtrique
1/6
2/6
1/2
DESSIN POUR
N=10000
20
4.2
Apodisation
En examinant la formule obtenue en I-4.1 qui donne le spectre de y le signal restreint, on constate que la deformation est dautant moindre que le lobe principal (du
spectre de la fenetre de restriction) est important par rapport aux lobes secondaires et
que le support de ce lobe principal est etroit.
Lidee est alors de prendre une fenetre de restriction qui ne soit pas rectangulaire.
De nombreuses tentatives on ete fates dans ce sens, mais nous ne donnerons ici que la
principale. On la definit par la formule :
, si |k| < N2
t + (1 t) cos 2k
H
N
w =
0 , sinon
On a alors :
sin f + N1 N
sin(f N) (1 t) sin f N1 N
+
W (f ) = t
+
sin(f )
2 sin f N1 N
2 sin f + N1 N
H
symtrique
1/N
4.3
2/N
3/N
Pouvoir s
eparateur de lanalyse fr
equentielle
2
du lobe principal, ne peuvent etre separees
N
2
que des frequences distantes dau moins
. En consequence, pour faire une analyse
N
fine il faut augmenter N (le nombre dechantillons appartenant `a la fenetre danalyse).
Pour augmenter N, il faut augmenter le temps dobservations du signal, ce qui veut dire
augmenter la largeur de la fenetre danalyse.
A cause de lepaisseur au moins en
4.4
Analyse fr
equence-temps
indice de la fenetre
frquence
repr
esentation bidimensionnelle avec des couleurs : sur laxe horizontal on porte les
indices de la fenetre danalyse (cest `a direque cet axe est laxe des temps) ; les
frequences sont portees sur laxe vertical. Les valeurs de lanalyse sont representees
par des couleurs ou des niveaux de gris.
22
Chapitre 5
Introduction au filtrage LIT
(LIT : Lineaire invariant dans le Temps)
5.1
G
en
eralit
es
FILTRE
sortie
y = (yn)
On supposera toujours que le domaine de cet operateur contient au moins les suites
finies.
Quelques notations On notera n la suite dont la composante dindice n vaut 1 et
dont toutes les autres sont nulles (remarquer la coherence avec la notation classique de
la distribution de Dirac, n , qui est bien, selon I-2.3, la distribution associee `a cette
suite (n )).
On appelle reponse impulsionnelle du filtre la sortie correspondant `a lentree 0 . Le
plus souvent, on la notera h.
23
Propri
et
e 1 Sur lespace des suites finies, un filtre LIT est un operateur de convolution
par sa reponse impulsionnelle, cest `
a direque lon a : y = h x (o`
u designe le produit
de convolution de deux suites, introduit au I-3.2).
k , yk =
k
X
hl .xkl
l=0
meme pas sappliquer `a toute suite bornee. Pour cette raison, les filtres non
stables sont `
a
eviter.
Souvent, pour alleger les notations, on designera le filtre par sa reponse impulsionnelle h.
Causalit
e Un filtre est dit causal si et seulement si yn ne depend que des xk , avec
k n pour tout n.
Une CNS de causalite est hn = 0 pour tout n < 0.
5.2
On rappelle la formule fondamentale qui donne laction dun filtre LIT de reponse
impulsionnelle h : y = h x, avec x lentree et y la sortie correspondante. Ceci est le point
de vue temporel.
Avec les notations rappelees ci-dessus, cette formule donne (en prenant les transformations appliquees au point z = e2if ) : Y (f ) = H(f )X(f ). Ceci est le point de vue
spectral.
Cette formule donne (en prenant les modules et en elevant au carre) : DSE(y) =
G(h) DSE(x), avec G(h) = |H(f )|2 le gain.
DSEy (f ) = |H(f )|2 DSEx (f )
5.3
Un crit`
ere de stabilit
e
Th
eor`
eme 2 On se place dans le cas dun filtre causal dont la fonction de transfert est
P (z)
une fraction rationnelle :
.
Q(z)
Ce filtre est stable si et seulement si les zeros de Q sont de module strictement
inferieur `a 1.
Preuve :
Remarquez dabord que, pour un filtre causal, les hn sont non nuls pour n < 0, ce
qui implique que le domaine de convergence de la fonction de transfert est lexterieur
dun disque. Dans notre cas, il sagit de lexterieur du disque de rayon le maximum des
modules des zeros de Q.
Dans le developpement de la fonction en serie enti`ere de la variable z 1 , chaque zero
de Q, note a, donne naissance `a une serie de la forme1 :
X
polyn
ome(z 1 )
an z n
n
Dire que le filtre est stable revient `a dire que ce developpement converge pour z = 1,
donc que chaque zero de Q est de module strictement inferieur `a 1, et reciproquement.
25
5.4
Souvent, cest le module de X(f ) que lon cherche `a transformer. Le point de vue
spectral developpe en I-5.b montre que cest |H(f )| qui transforme |X(f )| par multiplication. Donc, on souhaite que |H(f )| ait une forme ideale donnee, appelee D(f ).
Comme, en general, on ne peut obtenir exactement cette forme ideale, on se contente
dune approximation de |D(f )|, ce qui souvent sexprime `a laide dun gabarit.
Exemple Gabarit pour un filtre passe-bas.
1+e
1e
e
0
fdp fc dba
0.5
5.5
Cascade de filtres
Si on met en serie (les uns apr`es les autres) plusieurs filtres LIT, lassociativite du
produit de convolution montre que lon obtient un filtre LIT dont la reponse impulsionnelle est le produit de convolution des reponses impulsionnelles de chacun des filtres mis
en serie (la commutativite du produit de convolution montre que lordre des filtres en
serie na pas dimportance).
On appelle un tel dispositif une cascade de filtres.
Entre = x
h1
x*h1
(x*h1)*h2 = x*(h1*h2)
h2
Exercice 1 On appelle ordre dun filtre RIF causal le plus grand indice n tel que
h 6= 0. Considerons le filtre de reponse impulsionnelle h0 = 1, h4 = 1 et pour les autres
indices n, hn = 0.
Decomposer ce filtre en une cascade de trois filtres RIF causaux dont deux sont
dordre 1 et un est dordre 3.
27
Chapitre 6
Synth`
ese de filtres RIF
6.1
Filtre RIF `
a phase lin
eaire
On dit quun filtre LIT est `a phase lineaire si et seulement si on peut ecrire
H(f ) = R(f ) e2i( f +f0 ) , o`
u R(f ) est une fonction `a valeurs reelles. sappelle le temps
de propagation `a travers le filtre.
Souvent, on a interet `a utiliser de tels filtres.
Exercice 1 Considerer le filtre LIT de reponse impulsionnelle n . Est-ce un filtre causal ? stable ? `a phase lineaire ? En etudiant laction du filtre, justifier la terminologie
temps de propagation `a travers le filtre.
6.2
Synth`
ese par d
eveloppement en s
erie de Fourier
Comme pour
X faire la synth`ese dun filtre il faut approcher une fonction ideale D(f )
par : H(f ) =
hn e2if n
nZ
28
6.3
Synth`
ese dun filtre causal `
a phase lin
eaire
r
X
hn cos(2f n)
n=1
spectral, donne : H (f ) = H(f ) e2if r ce qui montre que le filtre h est `a phase lineaire
avec r pour temps de propagation `a travers le filtre.
6.4
Synth`
ese dun filtre causal, `
a phase lin
eaire et
passe-bas par utilisation des moindres carr
es discrets
Cest donc pour |H| que lon va chercher `a imposer la forme dune fonction de coupure
ideale D(f ) (voir schema ci-dessous).
1
D(f)
fc
0.5
r
X
hn cos(2f n)
n=1
Cest un probl`eme classique des moindres carres vu dans lUV Algorithmique Num
erique (penser `a utiliser la factorisation QR).
29
Remarquer que lon peut obtenir un filtre avec des precisions variables suivant les
bandes de frequence considerees, en concentrant les points de controle dans les bandes
o`
u lon cherche une meilleure precision (remarquer qu`a cause de la parite des differentes
fonctions considerees, on nimpose un controle que sur lintervalle [0 , 0.5] au lieu de tout
lintervalle [-0.5 , 0.5]).
6.5
Synth`
ese dun filtre causal, `
a phase lin
eaire et
passe-bas par utilisation de lalgorithme de Remes
un polynome de degre r par rapport `a la variable x (cette remarque fait le lien avec
la formulation classique de lalgorithme de Remes, mais la variable x ne sera jamais
concr`etement utilisee).
n
X
En effet : cos(2kf ) =
i .xi
i=0
Etape
1 de la variante : il faut choisir r + 2 points fi , i [1, r + 2], de controle pour
les frequences entre 0 et 0.5. Il faut obligatoirement choisir fbp et dba et ne plus
prendre de points de controle dans la bande de transition. Les r points restant
`a choisir doivent etre choisis le plus uniformement possible. Il faut calculer les
coefficients hn , n [0, r] qui realisent lequioscillation, cest `a diresolution du
syst`eme lineaire `a r + 2 inconnues hn (n [0, r]) et e, ce syst`eme ayant pour ii`eme
equation : H(fi) D(fi ) = (1)i e.
|e| sera appele grandeur de lequioscillation.
On fait le test pour verifier si ces hn sont les bons, cest `a direque lon se donne
une tolerance et on regarde si |e| est egale, `a pr`es, `a la borne superieure de
|H(f ) D(f )| pour f parcourant [0 , 0.5]. Si cest le cas, lalgorithme est termine.
Sinon,
etape 2 de la variante : il faut recommencer une etape semblable apr`es avoir
change de points de controle. Pour obtenir les nouveaux points de controle, il faut,
bien entendu, toujours garder fbp et dba et ne pas pas prendre dans la bande
de transition. On prend alors fbp et on part vers la gauche jusqu`a rencontrer
30
un premier maximum local pour H(f ) D(f ). Puis le premier minimum local
rencontre, puis le maximum local suivant, le minimum local suivant et ainsi de
suite jusqu`a obtention dautant de points de controle que precedemment. On
proc`ede de meme `a partir de dba en allant vers la droite, mais on commence par
chercher le premier minimum local, puis le premier maximum local (on cherche
ensuite alternativement les minima et maxima locaux).
On fait des etapes successives jusqu`a verification de la condition |e| = sup|H(f )
D(f )| , pour f [0, 0.5].
En general (pour des r de lordre de la centaine), cet algorithme sarrete en une
dizaine detapes.
31
Chapitre 7
Filtres r
ecursifs
7.1
D
efinition g
en
erale dun filtre r
ecursif
On appelle filtre recursif dordre p un filtre qui agit selon la formule donnee ci-dessous,
x designant lentree et y la sortie associee.
n , yn =
p
X
k=1
ak ynk +
p
X
k=0
bk xnk
o`
u les ak et les bk sont des reels.
Verifions quil sagit bien dun filtre LIT. Notons a = (ak )1[0,p] et b = (bk )k[0,p]. On
pose a0 = 1.
Avec ces notations, la formule se recrit : a y = b x.
Ce qui donne, pour les transformee en z : AZ YZ = BZ XZ .
p
p
X
X
k
bk z k
On a : AZ (z) = 1 +
ak z
et
BZ (z) =
k=1
k=0
BZ (z)
peut se developper en serie enti`ere de la variable z 1 dans
AZ (z)
toute couronne qui ne contient aucun zero de AZ . Dans le but dobtenir un filtre causal,
on prendra comme domaine de convergence lexterieur du disque de rayon le maximum
des modules des zeros de AZ (on appellera dorenavant ces zeros de AZ p
oles du filtre).
On constate que
BZ (z)
,
AZ (z)
dont on peut (en considerant cet exterieur de disque comme domaine de convergence)
prendre la transformee en z inverse, ce qui donne une suite h de composantes hn telle
que la transformee en z de h est HZ .
Ainsi, `a lexterieur de ce disque, on peut considerer la fraction rationnelle HZ (z) =
Ceci montre que le filtre recursif est une filtre LIT de reponse impulsionnelle h. En
regardant comment se fait la transformee en z inverse qui donne h1 , on constate que
n < 0 , hn = 0. Le filtre est donc causal.
p
X
k=1
ak ynk +
p
X
k=0
bk xnk
p
X
bk z
k=0
1+
p
X
ak z
k=1
!1
Ce filtre est stable si et seulement si ses poles sont de modules strictement inferieur
`a 1.
Le gain dun tel filtre est donne par la formule :
P
2
2ikf
b
e
k
= H e2ikf
P
g =
1 + ak e2ikf
voir I-3.d
voir I-5.5
33
1
y n 4) +
16 (
7.2
C\{1} C\{1}
Cest la bijection : s
z 7 (z 1) (z + 1)1
Remarquer que pour z = e2if (pour |f | < 0.5), on a s(z) = i tan(f ). On en deduit
que la bijection complexe consideree met en correspondance linterieur du cercle unite
avec le demi-plan complexe des nombres de partie reelle negative strictement.
s
On utilisera la bijection : s 7 s = = i s
i
Ainsi, pour z parcourant laxe imaginaire, s parcourt laxe reel. Le paragraphe suivant utilise les notations introduites ici.
7.3
Synth`
ese de filtres r
ecursifs par fonctions mod`
eles
7.3.1
Filtre de Butterworth
2n !1
s
1+
,
c
s 2n
On a : |B(s )| = 1 + ic
Soit : |B(s )| = 1
Ainsi : |B(s )| =
|B(s )| =
2n
Y
s
k=1
(3n1)/2
1
s 2n
c
k=(n+1)/2
exp
s
exp
c
2ik
2n
!1
2ik
2n
(1)
34
(n1)/2
k=(3n+1)/2
s
exp
c
1
2ik
2n
1
(3n1)/2
Y s
2ik
HZ (z) =
exp
c
2n
k=(n+1)/2
o`
u s designe s(z).
2ik 1
(3n1)/2
Y i tan(f )
H(f ) =
e 2n
c
k=(n+1)/2
et donc : H(f ) =
(3n1)/2
k=(n+1)/2
2ik 1
i tan(f )
e 2n
c
Or, les indices k du produit ci-dessus, par ajout de n, donnent les indices qui
apparaissent dans le second produit de la formule B. Le changeant de i en i
conserve globalement les termes en exponentielle. Par rapport aux termes qui apparaissent dans le second produit de la formule B, il ny a donc aucun changement
de signe. Comme cela se produit n fois, avec n impair, le signe global est . Ainsi,
H(f ) apparat exactement comme le second terme de la formule B.
1
2ik 1
(3n1)/2
Y s
HZ (z) =
e 2n
c
k=(n+1)/2
1
(3n1)/2
s
1
Y
s 2
s
k
HZ (z) =
1
2 cos
+ 1
c
c
c
n
k=(n+1)/2
35
HZ (z) =
s
c
1
(n1)/2
k=1
s 2
c
s
k
+ 2 cos
c
n
+ 1
Cette fonction de transfert apparat sous la forme dun produit, donc la decomposition
en cascade de cellules elementaires est dej`a fate. Regardons de plus pr`es chaque cellule
elementaire.
On se rappelle que : s = s(z) =
1 z 1
z1
=
z+1
1 + z 1
s
c
+1
1
donne :
1 1 z 1
+1
c 1 + z 1
1
Soit :
c
1 + z 1
c + 1 + (c 1) z 1
c
c z 1
+
c+1
c+1
1
c 1 1
1+
z
c+1
Ecrit
sous cette forme, on reconnat une cellule elementaire dordre 1 qui agit suivant
1c
c
la formule : yn = a1 yn1 + b0 + b1 xn1 , o`
u a1 =
et b0 = b1 =
1+c
c+1
1
s
k
s 2
La cellule correspondant `a
+ 2 cos
+1
donne le meme type de
c
c
n
calcul. On remplace s par son expression en fonction de z et on effectue les quelques
b0 + b1 z 1 + b2 z 2
calculs necessaires pour obtenir un resultat sous la forme :
1 + a1 z 1 + a2 z 2
On reconnat alors une cellule elementaire du second ordre.
Toutes ces cellules sont stables, car les poles sont de module strictement inferieur
`a 1, dapr`es la remarque 1.
Montrons maintenant que, grace `a la remarque 2, on peut obliger ce filtre `a rentrer
dans le gabarit dun filtre passe-bas, conformement au schema ci-dessous :
36
1e1
11
00
00
11
1
0
e2
0
0.5
fbp fc dba
f bp + dba
. fc est la frequence
2
Or, il sagit dune fonction decroissante sur [0 , 0.5[. Pour obliger le filtre `a rentrer
dans le gabarit, il suffit dimposer les deux conditions suivantes :
1. Condition en fbp : |H(f bp)2 1 1 .
1
1
1 1
tan(fc )
Ceci se recrit : n log
log
.
2
1
tan(f bp)
7.3.2
Filtres de Tchebitchev
pour les s > c. Or, on sait que les polynomes qui poss`edent le mieux cette propriete
sont les polynomes de Tchebitchev3 .
3
37
2n
s
Ainsi, on ameliore la qualite du filtre (pour un meme ordre) en remplacant
c
2
s
, o`
u Tn designe le polynome de Tchebitchev de degre n.
par Tn
c
Les calculs sont analogues,
il est plus difficilede decomposer en produit de
s mais
2
s 2n
facteurs le polynome 1 + Tn
que le polynome 1
.
ic
c
Les filtres recursifs ainsi obtenus sont appeles filtres de Tchebitchev.
7.3.3
s
par le carre dune fraction rationnelle en . Les calculs ensuite sont analogues, mais
c
il est delicat de trouver la bonne fraction rationnelle. Cette recherche fait intervenir les
fonctions elliptiques, do`
u le nom de filtres recursifs elliptiques.
Finalement, ce sont ceux-l`a qui realisent le meilleur rapport qualite/ordre.
38
Deuxi`
eme partie
METHODES
STATISTIQUES EN
TRAITEMENT DU SIGNAL
39
Chapitre 8
Processus al
eatoires discrets
8.1
Exemple
On recoit dans un recepteur une sinusode. Supposons quon consid`ere que lindice 0
soit le premier indice dechantillonnage (ce qui est souvent le cas).
Le signal echantillonne secrit : sn = sin(2f0 n + ) avec f0 ]0, 0.5[. Remarquer que
tout choix de dans lintervalle [0, 2] est egalement mauvais. La bonne modelisation
consiste `a ne pas faire de choix, ce qui revient `a dire que est une variable aleatoire qui
suit la loi uniforme sur [0, 2].
Sn est alors la variable aleatoire image de par la fonction sin(2f0 n + ). Comme
on est amene `a considerer une suite de variables aleatoires, il sagit dun processus
aleatoire discret1 . Pour avoir des notations conformes `a lhabitude, on notera Sn (avec
des majuscules pour bien insister sur le fait quil sagit de variables aleatoires).
Alors, les valeurs sn reellement recues sont une realisation possible du processus
aleatoire discret.
Le processus aleatoire discret qui modelise le signal effectivement recu sera, en
general, indexe sur tout Z et `a support infini, mais on demande que le signal effectivement recu soit une realisation du processus aleatoire discret durant la fen
etre
danalyse seulement.
40
8.2
Processus al
eatoire discret stationnaire
Parmi les processus aleatoires discrets utilises en TS, les processus aleatoires discrets
stationnaires jouent un role absolument fondamental. Noua allons nous interesser `a eux.
D
efinition 1 On dit quun processus aleatoire discret X = (Xn )nZ est stationnaire si
et seulement si :
1. E(Xn ) ne depend pas de n. On lappelle alors moyenne statistique de X et
on la note mX (on rappelle que E(Xn ) designe lesperance de la variable aleatoire
Xn ).
2. E(Xn Xn+k ) ne depend uniquement que de k. On lappelle alors autocorrelation
statistique de X `a lindice k et on la note X(k)
Remarque Lautocorrelation statistique est paire. Lautocorrelation statistique est, en
valeur absolue, inferieure ou egale `a X(0) . En effet (X, Y ) E(XY ) est une forme bilineaire symetrique symetrique et, par linegalite de Cauchy-Schwartz : |E(Xn Xn+k )|2
E(Xn Xn ) E(Xn+k Xn+k ).
Donc : |X(k) |2 X(0) X(0)
Le probl`eme qui se pose alors est celui de lestimation des caracteristiques statistiques
du processus aleatoire discret stationnaire, cest `a diresa moyenne statistique et son
autocorrelation statistique. Dapr`es les principes statistiques, cette estimation se fait
`a laide dun grand nombres de realisations. Meme le plus souvent, on a quune seule
realisation. On est alors ramene `a introduire la notion dergodicite.
41
8.3
Processus al
eatoire discret stationnaire ergodique
D
efinition 2 On dit quun processus aleatoire discret stationnaire X est ergodique si
et seulement si :
N
X
1
1. Pour chaque realisation fixee : lim
xn = mX
(moyenne temN 2N + 1
m=N
porelle = moyenne statistique).
N
X
1
2. Pour chaque realisation fixee : k Z , lim
xn xn+k = X(k)
N 2N + 1
m=N
(autocorrelation temporelle en puissance = autocorrelation statistique `a lindice
k)
On peut aussi considerer lergodicite sous une forme pratiquement equivalente, mais
theoriquement un peu differente :
N
X
1
1. Pour un processus aleatoire discret X : lim
Xn
converge en
N 2N + 1
n=N
probabilite vers mX .
N
X
1
2. Pour un processus aleatoire discret X : k Z , lim
Xn Xn+k
N 2N + 1
m=N
converge en probabilite vers X(k) .
Linteret de lergodicite est quelle fournit, avec une seule realisation du processus
aleatoire discret stationnaire ergodique, une estimation des ses caracteristiques statistiques.
mX
X(k)
X
1
xn
Card(F ) n
X
1
xn xn+k
Card(Fk ) n
o`
u la realisation `a lieu dans la fenetre danalyse F
o`
u la sommation `a lieu dans la fenetre danalyse Fk 2
Exercice 1 Montrer que le processus aleatoire discret stationnaire du II-1.1 est ergodique ( est suppose suivre la loi uniforme sur [0, 2]).
Remarque Dans la pratique, les signaux ne peuvent, en general, etre modelises par
un processus aleatoire discret stationnaire ergodique pour une grande fenetre danalyse. On consid`ere alors des restrictions `a de petites fenetres danalyse et on effectue la
modelisation sur celles-ci.
2
42
Justification de lergodicit
e
On prend la fenetre F = [0, 2N 1]. On a :
N
X
1
(i, j) F , A(i, j) =
xi+k xj+k ij
N + 1 k=0
2
On a egalement :
N
X
1
m [0, N 1] ,
xn+m em mx
N + 1 n=0
o`
u em est une constante.
8.4
Densit
e spectrale de puissance (DSP)
Th
eor`
eme 3 Soit X un processus aleatoire discret stationnaire. On note X son autocorrelation statistique.
On a alors : DSPX = F (X ).
Soit : F (X ) =
+
X
k=0
e2ikf = 0 +
+
X
k .cos(2kf )
k=0
43
Preuve :
E=E
|F (XwN )|2
2N + 1
XX
1
wN,n wN,nk exp(2if k)E(Xn Xnk )
2N + 1 n k
!
X X wN,n wN,nk
E=
X(k) exp(2if k) = F ourier(VN )
2N + 1
n
k
o`
u VN est la somme entre parenth`ese dans lexpression ci-dessus.
Il ne reste plus qu`a faire tendre N vers linfini. On sait que F ourier est un endomorphisme continu sur lensemble des distributions temperees3 . Il suffit alors de voir VN
converge vers X dans cet ensemble de distributions, ce qui ach`eve la demonstration.
Exercice 1 Calculer la DSP du processus vu au I-1.1, avec suivant une loi uniforme
sur [0, 2]
8.5
Une application du th
eor`
eme de Wiener-Kinchine :
m
ethode de Wigner-Ville
La problematique est la suivante. Pour un signal observe dans une petite fenetre
danalyse, obtenir une etude de la DSP qui realise au mieux une bonne localisation en
temps et un bon pouvoir separateur en frequence. Ces deux objectifs etant contradictoires, on va donner une methode qui souvent donne de meilleurs resultats que lanalyse
de Fourier.
Le principe est de calculer la DSP du signal restreint `a une petite fenetre danalyse F
en utilisant le theor`eme de Wiener-Kinchine. On consid`ere que le signal etudie pendant
la petite fenetre danalyse utilisee peut se modeliser par un processus aleatoire discret
stationnaire ergodique X. On a alors DSPX = F (X ). Il faut donc estimer X .
Grace `a lergodicite, on peut considerer lautocorrelation statistique `a lindice k, que
X
1
xn xn+k
lon peut approximer par :
Card(F ) nF
44
Remarques
1. En theorie, on a k Z , X(k) = X(k) (cette parite intervient fondamentalement pour assurer que, par Fourier, on obtient bien un reel). Ici, il ne sagit que
destimation, alors on perd cette parite qui est essentielle. Pour la recuperer, on
X(k) + X(k)
remplace les X(k) par :
2
2. Le nombre dindices k pour lesquels on peut faire lestimation des X(k) est limite par la consideration de F . Cela nest pas genant car on ne cherche quune
estimation de F (X ) qui sera alors donnee par :
X
F (X )(f ) =
X(k) exp(2if k)
k
Naturellement, la sommation se fait sur les indices pour lesquels on peut avoir
lestimation de X(k) .
Cette methode est aussi connue sous le nom de pseudo transformation de WignerVille lissee .
Exercice 1 Comparer tr`es precisement, au point de vue calculs numeriques contenus dans lalgorithme qui estime la DSP, les deux methodes precedemment indiquees
(analyse de Fourier et methode de Wigner-Ville).
8.6
1
2
12
N
1 X 2
=
x
N n=0 n
dans le cas o`
u la DSP est une fonction integrable sur une periode.
Z 1 X
Z 1
+
2
2
En effet, on a :
DSPX (f )df =
X(n) exp(2if n)df
12
12 n=
45
1
2
12
exp(2if n)df = 0.
Chapitre 9
Bruit blanc : mod
elisation AR
9.1
G
en
eralit
es sur le bruit blanc
En general, la notion de bruit est assez subjective. Toutefois, le bruit blanc (qui joue
un role absolument fondamental dans le traitement des signaux faisant intervenir du
bruit) peut se definir de mani`ere intrins`eque.
D
efinition 3 Un processus aleatoire discret B = (Bn )nZ est appele bruit blanc si
et seulement si les Bn sont des variables aleatoires centrees, de meme variance et
independantes deux `a deux.
Un processus aleatoire discret X est dit Gaussien si et seulement si tous les couples
(Xn , Xk ) sont Gaussiens1 .
Propri
et
e 4 Un bruit blanc est un processus aleatoire discret stationnaire avec une
moyenne statistique nulle, une autocorrelation statistique B = variance 0 et DSPB =
variance.
(la preuve est immediate)
Reciproquement, un processus stationnaire verifiant les trois conditions mentionnees
ci-dessus est un bruit blanc.
Preuve :
Puisque la DSP est constante, cest que lautocorrelation statistique vaut cette
constante 0 . Alors, pour k 6= 0, B(k) = 0 = covariance(Bn , Bn+k ). Donc, tous ces
couples sont independants, car gaussiens2 .
De plus : n, B(0) = variance(Bn ). Donc celle-ci est constante.
On rappelle que : (0) = DSP (f ) = P uissance(Bruit)
1
2
46
9.2
Mod
elisation AR
D
efinition 4 Soit Y un processus aleatoire discret stationnaire. On appelle modelisation
p
X
AR une ecriture : n , Yn =
ak Ynk + Xn , o`
u X est un bruit blanc.
k=1
X(0) =
XX
n
an ak Y (nk) + 2
ak Y (k) + Y (0)
47
Autre point de vue On va chercher les coefficients ak pour que, lors dune realisation du
processus, la prediction approche le mieux possible (au sens des moindres carres4 )
le signal recu. On a alors un probl`eme classique aux moindres carres : M a = y,
o`
u M Mm,p (on suppose m p) est la matrice de coefficients ynk (m est le
nombre dechantillons du signal observe que lon prend en compte), o`
u le vecteur
a Mp,1 est le vecteur des coefficients recherches et o`
u le vecteur y Mm,1 est le
vecteur des observations (yn ).
Il est pr
ef
erable, pour des raisons de stabilites des calculs5 , dutiliser la methode
de la factorisation QR pour resoudre me probl`eme aux moindres carres.
Exercice 1 Cependant, si on utilise le second point de vue, la methode des equations
normales6 pour resoudre resoudre le probl`eme des moindres carres, ecrire alors le syst`eme
`a resoudre.
Revenons au premier point de vue avec la matrice de Tplitz. Ses coefficients ainsi
que le second membre font intervenir les Y (k) , quil faut estimer `a laide du signal
observe (en supposant que le processus qui le modelise est ergodique). Ecrire
alors
comment sexprime le syst`eme `a resoudre et comparer avec celui du second point de
vue, si on utilisait la methodes des equations normales.
48
Chapitre 10
Couple stationnaire. Intercorr
elation
10.1
Couple de processus al
eatoires discrets stationnaire
D
efinition 5 On dit quun couple (X,Y ) de processus aleatoires discrets est stationnaire si et seulement si chaque processus est stationnaire et si on a une intercorrelation
statistique entre X et Y pour tout indice k, cest `
a direk, X,Y (k) = E(Xn Yn+k ) depend
uniquement de k.
10.2
Couple al
eatoire discret stationnaire ergodique
D
efinition 6 Un couple (X,Y ) aleatoire discret stationnaire est ergodique si et seulement si chaque processus est ergodique et si, pour chaque realisation fixee :
k ,
lim
N
X
1
xn ynk = X,Y (k)
2N + 1 n=N
lim
N
X
1
Xn Yn+k
2N + 1 n=N
Linteret de lergodicite est quelle fournit une estimation, avec une seule realisation,
1
X
.
de ses caracteristiques statistiques : X,Y (k)
Card(F )
xn ynk
nFk
o`
u Fk designe la fenetre dont les indices sont les n + k, avec n F fenetre danalyse.
50
10.3
Intercorr
elateur
Lalgorithme (ainsi que sa realisation materielle) qui recoit en entree une realisation
(x,y) du couple (X,Y ), suppose stationnaire ergodique, et qui donne en sortie lintercorrelation est appele intercorr
elateur.
Conformement `a ce qui a ete dit ci-dessus, cet algorithme calcule `a linstant dindice
X
1
m les quantites :
xn ynk
2N + 1
n/n+kF
Des considerations precedentes, on deduit (en supposant que lon a affaire `a des
couples gaussiens (Xn ,Yn+k ), hypoth`ese raisonnable en vertu du theor`eme central limite2 ) le principe dun intercorrelateur qui naffecte aucun calcul arithmetique, mais
qui uniquement le nombre de
Xfois que les xn et yn+k sont simultanement positifs strictement dans la formule :
xn yn+k
n/(nk)F
51
10.4
Application `
a la localisation dune source de
bruit
Source de
bruit
Micro 1
X,Y (k)
INTERCORRELATEUR
Micro 2
(les echelles ne sont evidemment pas respectees pour des raisons de lisibilite)
Notons d la difference de longueur des chemins parcourus par le bruit pour arriver
aux deux microphones, h la distance entre ces deux microphones et langle indique sur
le schema (sa connaissace permet de localiser la source de bruit).
d
Dans ces conditions, on a : cos = . Il sagit donc de determiner d pour avoir .
h
Or, le signal y recu par le microphone du bas est le signal x recu par le microphone du
haut avec un retard (temps pour parcourir d).
On suppose que le bruit est une realisation de processus aleatoire discret stationnaire
ergodique. Un intercorrelateur recevant en entree les deux signaux x et y donne en sortie
lintercorrelation entre ces deux signaux. On obtient ainsi lindice r tel que le retard entre
d
les deux signaux correspondent `a cet indice r, cest `a direque lon a : = r Te avec c
c
la vitesse du son.
Remarquer que, ayant procede `a un echantillonage, cela introduit une incertitude en
Te
temps correspondant `a . La precision recherchee entrane donc une certaine majoration
2
de Te .
52
Chapitre 11
Introduction au filtrage LIT des
processus al
eatoires
11.1
G
en
eralit
es sur le filtrage LIT des processus
al
eatoires
Considerons un processus aleatoire discret X et un filtre LIT de reponse impulsionnelle h. Pour chaque realisation x du processus dentree, la sortie y verifie y = h x.
COmme cette relation a lieu pour toutes les realisations x de X et toutes les sorties y
correspondantes, on peut resumer ceci comme suit : les sorties y sont les realisations
dun certain processus Y , lie `a X par la relation Y = h X .
Y sappelle le processus de sortie du filtre, correspondant au processus dentree X.
Ainsi, concr`etement, ce sont des realisations de processus qui entrent et sortent du filtre.
Dans toute la suite, tous les filtres consid
er
es seront suppos
es STABLES
(sans que cela soit necessairement rappele `a chaque fois).
Th
eor`
eme 6 On consid`ere un filtre LIT stable de reponse impulsionnelle h. Soit X un
processus aleatoire discret stationnaire passe en entree de ce filtre.
Alors, la sortie X
Y correspondante est un processus aleatoire discret satationnaire tel
que : mY = mX +
hn
et
Y = X h (h designe lautocorrelation temporelle
n
en energie de la suite h1 )
Voir I-1.6
I-5.2
53
Preuve :
Y = h X, ce qui secrit egalement : Yn =
Donc, on en deduit : E(Yn ) =
hk Xnk
hk E(Xnk ) =
hk mX
XX
m
hm Xnm hl Xn+kl
En en deduit alors :
E(Yn Yn+k ) =
XX
m
hm hl E(Xnm Xn+kl ) =
XX
k
hm hl X(k+ml)
X X
p
hm hm + p X(kp) =
X
p
h(p) X(kp) = (h X )k
Exercice 1 On consid`ere une cellule elementaire du premier ordre qui qgit selon la
formule yn = ayn1 + xn avec a ]0, 1[. Si lentree est un bruit blanc, quelle est la DSP
du processus de sortie ?
Voir I-2.6
Voir II-1.4
54
11.2
M
ethode haute r
esolution utilisant la mod
elisation
AR
Le probl`eme etudie ici est le meme quen II-1.5 : methode de Wigner-Ville. Il sagit
de concilier au mieux lors de lanalyse frequence-temps deux imperatifs contradictoires
qui sont, dune part, assurer une bonne localisation en temps et, dautre part, dassurer
un bon pouvoir separateur en frequence.
La tentative consiste, avec une petite fenetre danalyse(permettant une bonne localisation en temps) `a obtenir une modelisation AR du signal y recu, que lon consid`ere
comme une realisation dun processus aleatoire discret stationnaire Y , cest `a dire une
relation de la forme :
p
X
n , Yn =
ak Ynk + Xn
k=1
Voir II-4.1
55
Chapitre 12
Filtrage optimal
12.1
Filtre adapt
e`
a la d
etection dun signal de forme
connue noy
e dans un bruit blanc additif
On doit detecter le passage dun signal s de forme connue, cest `a direque lon connat
les sn pour n [0, N] (en considerant que lindice 0 est celui du debut du signal et N
celui de sa fin), ce signal arrivant noye dans un bruit blanc moelise par le processus
B. Le signal effectivement recu est donc une realisation du processus aleatoire discret
stationnaire X = s + B.
Par exemple le signal recu peut avoir la forme ci-dessous qui ne permet pas de
detecter avec precision le passage du signal attendu :
Le but est ici de construire un filtre tel que apr`es le passage dans le filtre, le signal
obtenu `a la forme ci-dessous (o`
u d est un indice qui correspond `a un delai de detection ;
cest un param`etre que lon choisira plus loin) :
56
:P=
1
2
21
|H(f )|2df = 2
1
2
DSP (f )df =
21
1
2
12
|H(f )|2 2 df
h2n
2
X
X X
2
De plus, on a : |(s h)d | =
sn hdn
s2n
h2n
n
Voir II-4.1
Voir I-2.5
57
12.2
Filtre adapt
e`
a la d
etection dun signal de forme
connue noy
e dans un bruit color
e additif
12.2.1
12.2.2
h1
h1 s + B
h2
h2 h1 s + h2 B
Exercice 1 Le signal `a detecter est le meme que dans lexercice precedent. Cest un
dignal constant de longueur N + 1, mais il arrive ici noye dans un bruit colore Bc dont
la DSP est donnee par la formule : DSPBc (f ) = 1 + a 2a cos(2f ), avec a ]0, 1[
Voir II-5.1
58
12.3
Estimation lin
eaire
p
X
k Xk
k=0
On cherche les coefficents k qui rendent minimum la moyenne quadratique de lerreur destimation, cest `a direqui minimise E((A A)2 ).
k E(A Xm ) = E(A Xm )
On peut facilement verifier que la matrice de ce syst`eme est symetrique definie positive, ce qui assure lexistence et lunicite de la solution.
59
12.4
Filtre g
en
eral de Wiener
p
X
nk Xnk
k=0
k=0
p
X
k=0
On constate que ce syst`eme donnant les coefficents n,k ne depend pas de linstant
de n o`
u lon est place. Ces coefficients ne dependent donc pas de lindice n. On peut
donc les noter plus simplement k .
Ainsi, on a : An =
p
X
k Xnk
k=0
les k apparaissant donc comme les coefficients dun filtre RIF causal dordre p
qui, prenant en entree le processus aleatoire des observations X, donne en sortie A,
lestimateur cherche.
Ce filtre est appele filtre de Wiener. Nous rappelons ci-dessous le syst`eme dequation
qui determine ses p coefficents k . Pour m [0, p], lequation m de ce syst`eme est :
p
X
k=0
12.5
Filtre pr
edicteur de Wiener
4
5
Voir II-3.1
Voir II-3.1
61
12.6
Filtre d
ebruiteur de Wiener
Exercice 1 Le signal a est un signal constant egal `a 1. Donc X = 1+B. Etudier le filtre
debruiteur de Wiener. COmme estimateur de a (`a linstant n), on peut naturellement
penser `a lestimateur classique de moyenne des observations (note Xn ). Comparer cet
estimateur avec An , celui donn
e par le filtre
de Wiener, en comparant leur biais et les
2
2
quantites : E((An A) ) et E Xn a .
Exercice 2 Chercher le filtre de Wiener debruiteur pour le debruitage dune sinusode
(dont on ne connat pas la phase `a lorigine7 ) noyee additivement dans un bruit blanc.
6
7
Voir II-3.3
Voir II-1.1
62
BIBLIOGRAPHIE
Math
ematiques
G. Coeure : Methodes mathematiques pour la physique et les sciences appliquees,
Dunod Universite, ISBN 2-04-010684-7
P. Kree, J. Vauthier : Cours de luniversite Pierer et Marie Curie. Mathematiques,
Tome II, Eska, ISBN 2-86911-021-9
L. Schwartz : Theorie des distributions, Hermann, ISBN 2-7056-5551-4
Traitement du signal
M. Bellanger : Traitement numerique du signal, Masson, ISBN 2-225-81175-X
ements de theorie du signal : aspects alatoires, Ellipse, ISBN 2-7298M. Charbit : El
5640-4
F. Coulomb : Theorie et traitement des signaux, Dunod, ISBN 2-04-015778-6
B. Lacaze : Processus aleatoires pour communications numeriques, Hermes sciences,
ISBN 2-7462-0101-1
M. Najim : Modelisation et identification en traitement du signal, Masson, ISBN 2225-81449-X
63