Vous êtes sur la page 1sur 24

Chapitre 9

Estimation Spectrale des Signaux Numriques

1. PRINCIPES GNRAUX
1.1. Introduction et dfinition

L'analyse spectrale est la dcomposition d'une grandeur variant en fonction du


temps, en ses composantes frquentielles. C'est l'une des techniques
irremplaables dans de nombreux domaines en traitement des signaux un ou
plusieurs dimensions.

83
Donc tous signaux (dterministes ou alatoires), possdent la proprit
remarquable de pouvoir tre reprsent sous la forme d'une superposition
d'exponentielles complexes (Pour les signaux complexes), ou de sinusodes
(pour les signaux rels), chacune d'elle ayant une frquence particulire, et
toutes ayant des amplitudes dpendent de la nature du signal. On peut donc
dfinir, dans un premier temps, la densit spectrale du puissance d'un signal
(DSP), quantit primordiale laquelle nous allons nous attacher par la suite,
comme la variance de l'amplitude des exponentielles complexes (ou des
sinusodes) en fonction de la frquence spatiale.

1.2. Exemple de domaine d'applications

L'analyse spectrale occupe une place importante dans de nombreux domaines


en traitement du signal, c'est surtout le domaine du traitement numrique qui a

84
connu ces dernires dcennies une volution considrable grce au
dveloppement de l'ordinateur, celui-ci possde en effet, une trs grande
capacit analyser des donnes pralablement acquises.

De nombreux signaux sont difficiles interprter en mode de reprsentation


temporelle. Par contre leurs reprsentations spectrales fournissent des
informations prcieuses. Celle-ci permet de reconnatre la nature du signal,
d'identifier ventuellement son origine et de dceler des variations de ses
caractristiques.

En lectronique l'analyse spectrale est utilise pour rvler les distorsions


induites par les non-linarits de certains circuits et estimer le bruit de phase
d'oscillateurs. En rglage automatique estimer la rponse des systmes linaires
(filtres, capteurs, amplificateurs, ...) En tlcommunication, elle offre en outre

85
de nombreuses possibilits de caractrisation des signaux moduls et
d'observation des conditions de transmission et de rception (bruit de fond et
autres phnomnes parasites, sparation frquentielles). Enfin, l'analyse
spectrale de nombreux signaux d'origine naturelle (Biologiques,
Ocanographiques, Sismiques, ...) est un outil d'investigation indispensable.

2. Estimateurs de l'auto-corrlation

Dans ce paragraphe, on tablit les diffrents estimateurs qu'on peut utiliser pour
l'estimation de la FAC. Pour simplifier les calculs, on admettra que la valeur
moyenne des signaux considre est nulle. Cette hypothse, est gnralement
valable dans la pratique.

2.1. Estimateur non Biais : R1x(k)

86
Rx(k) = E[x(l)x(l+k)] = l x(l)x(l + k)

Dans la pratique, le nombre des chantillons dont on dispose est fini (vaut N) .

1 N - k -1
R1x(k) = E[x(l)x(l+k)] = x(l)x(l + k)
N k l=0

Il faut appliquer cet estimateur pour les 2N-1 valeurs possibles de K, avec K <
N.

Biais

1 N - k -1 1 N- k -1
E[R1x(k)] = E N k x(l)x(l + k) = E [ x(l)x(l + k)]
l=0 N k l=0

= Rx(k)

d'o B(R1x(k)) = E(R1x(k)) - Rx(k) = 0

87
Variance

Le calcul de la variance de l'estimateur R1x(k) est trs long et compliqu. On


montre le rsultat suivant :

[ ]
1 N- k
Var(R1x(k)) = (N - k - l ) R 2x (l) + R x (l + k)R x (l k)
(N k) 2
l=-(N - k )

Cette expression montre que la variance de l'estimateur R1x(k) est


proportionnelle 1/N, donc on a :

Lim Var { R 1x (k)} = 0


N +

R1x(k) est un estimateur consistant

2.2. Estimateur Biais

88
Un autre estimateur qu'on peut utiliser souvent est donn par :

1 N- k N-k
R2x(k) = x(l)x(l + k) = R1x(k)
N l=0 N

On remarque qu'il ne diffre de l'estimateur non biais que par un facteur


multiplicatif.

Biais

N-k N-k
E[R2x(k)] = N
E[R1x(k)] = N
Rx(k)

-k
d'o B(R2x(k)) = E(R2x(k)) - Rx(k) = N
Rx(k)

On a Lim B { R 2x (k)} = 0
N +

89
Variance

On montre le rsultat suivant :

[ ]
1 N- k
Var(R2x(k)) = 2 (N - k - l ) R 2x (l) + R x (l + k)R x (l k)
N l=-(N - k )

On remarque que le biais et la variance de cet estimateur tend vers zro lorsque
N tend vers l'infini. Donc R2x(k) est un estimateur consistant.

2.3. Commentaires

Le choix entre les estimateurs R1x(k) et R2x(k) se porte sur l'estimateur consistant
R1x(k). Toutefois, pour les valeurs de k proches de N, la variance de cet
estimateur augmente considrablement. On a :

90
1 1
(N k) 2 >> N2
On multiplie chaque nombre de cette inquation par le

terme :

[ ] , on aurra :
N- k
(N - k - l ) R x2 (l) + R x (l + k)R x (l k)
l=-(N- k )

Var(R1x(k)) >> Var(R2x(k))

Par ailleurs, pour une comparaison plus objective entre ces deux estimateurs, il
faut comparer leur erreur quadratique moyenne (EQM). On montre dans de
nombreux cas, l'EQM de l'estimateur Biais R2x(k) est nettement infrieure
celle de l'estimateur non Biais R1x(k), devrait se porter sur l'estimateur Biais
R2x(k).

91
3. Estimateurs spectraux non paramtriques

3.1. Estimateur spectral simple : Prriodogramme

L'estimateur spectral simple est la Transforme de Fourier de l'estimateur


de auto-corrlation R2x(k). On a :
(N 1)
Px (f) = R 2x (k)e - j2 fk
k = (N 1)

1 2
on montre Px (f) = X(f)
N

( N 1)
o X(f) = x(k)e - j2 fk
k= 0

Biais

92
( N 1) ( N 1) N-k
E[ Px (f) ] = E[R 2x (k)]e - j2 fk = R x (k)e - j2 fk
k = ( N 1) k = ( N 1) N

= TF{N(k).Rx(k)} = WN(f)*(f)

N(k) est une fentre Triangulaire dont WN(f) reprsente sa TF. (f) est le
spectre exact recherch. A cause du terme multiplicatif (N-|k|)/N, l'esprance
mathmatique E[ Px (f) ] n'est pas la TF de la fonction FAC. Px (f) n'est pas
consistant.

Variance

On montre
2
sin(2 fN)
Var{ Px (f) } = [1 +
Nsin(2 f)
]2x(f)

93
Lim Var{ P (f) } = 2 (f)
N + x x

C'est un estimateur spectral qui a une trs grande variance et en plus,


quelque soit la dure d'observation N, la variance de cet estimateur reste
proportionnelle au carr du spectre recherch x(f). Par consquent, l'estimateur
simple du prriodogramme n'est pas un estimateur consistant . De ce fait, il faut
tablir d'autres estimateurs dont la variance est faible.

3.2. Estimateur spectrale moyenn

La mthode directe de rduire la variance d'un estimateur est de calculer


une moyenne sur plusieurs estimateurs indpendants. Pour ce faire, il faut
plusieurs ralisions d'un mme signal. Dans le cas de l'estimateur du

94
prriodogramme, il faut diviser le signal observ sur une dure N en L sections
{xl(k)}, chacune de dure M. On a
N = M.L
0 x(k), k = 0, ..., N-1 (N chantillons) N-1

M chantillons

On dispose dans chaque ralisation l, M observations telle que :

xl(k) = x(k + (l-1)k) l = 1, ..., L et k = 0, ..., M-1

On volue en supplie L estimateurs du priodogramme du type :


1 ( M 1)
Px l (f) = R 2xl (k)e - j2 fk
M k = ( M 1)

L'estimateur spectral du prriodogramme est alors donn par la moyenne

95
1 L
Px (f) = P (f)
L l = 1 xl

Consquence :

Biais : le Biais de l'estimateur moyenn est la diffrence entre E[( Px (f) ] et le


spectre recherch x(f). On a :

1 L
E[Px (f)] = E[P xl (f)] = E[ Pxl (f) ] = WM(f)*x(f)
L l= 1

o WM(f) reprsente dans ce cas la T.F. de la fentre triangulaire M(k)=(M-|k|)/


M. Pour cet estimateur, la mme interprtation de l'estimateur spectral simple
reste valable, avec le lobe principal de la fentre M est L fois plus large. Ce qui
implique que le Biais a augment .

96
Variance On montre

Var[Px (f)] (1/L)x2(f) = (M/N)x2(f)

la variance de l'estimateur moyenn dcrot proportionnellement N

3.3. Estimateur Spectral Adouci

Un autre moyen de rduire la variance de l'estimateur spectral simple et


de faire un filtrage dans le domaine frquentiel de l'estimateur simple du
Prriodogramme. On filtre le spectre Px (f) avec un filtre dont la rponse
impulsionnelle est H(f). On obtient alors un estimateur adouci donn par :
( M 1)
~
Px (f) = h(k)R 2x (k)e - j2 fk
k = ( M 1)

97
Remarque : Comme la DSP est une fonction relle positive, la fonction h(k) (-
M k M) doit tre paire et sa TF doit tre positive.

Biais On montre
( M 1)
~
E[ Px (f) ] = E[ h(k) N (k)R x (k)e - j2 fk ]
k = ( M 1)

o N(k) = 1 - |k|/N, et |k| < N. Si M est relativement petite vis--vis de N, on


peut crire N(k) 1. Dans ce cas :
( M 1)
~
E[ Px (f) ] = E[ h(k)R x (k)e - j2 fk ]
k = ( M 1)

Cette expression peut s'crire dans le domaine frquentiel par le produit de


convolution suivant :

98
~ + 1/ 2
E[ Px (f) ] = 1/ 2 H(g) (f g)dg

~ ~
Le Biais B( Px (f) ) = E( Px (f) ) - x2(f) dcrot pour M grand.

Variance : En admettant que la dure d'observation N est relativement


grande et que la dure 2M-1 du filtre h(k) est telle que sa T.F. H(f) est troite,
par rapport aux variations du spectre recherch x(f). On montre
~ + 1/ 2
Var[ Px (f) ] = (1/N)x2(f) 1/ 2 H(g)dg

Une fois que la fentre de l'adoucissement est choisie, on peut tablir son
+ 1/ 2
nergie moyennant 1/ 2 H(g)dg dans le domaine frquentiel. Ainsi, la relation ci-
dessus, pour calculer la variance de l'estimateur adouci.

3.4. Estimateur Spectral Modifi

99
Toujours dans le but de rduire la variance de l'estimateur spectral simple,
Welch a introduit un estimateur spectral par combinaison entre lestimateur
moyenn et adouci. Cet estimateur, s'appelle Estimateur spectral modifie, est
donn par :

~ 1 L ~
Px (f) = Pxl (f)
L l= 1

( M 1) 2
~ 1 - j2 fk
o Pxl (f) = x l (k)h(k)e M = N/L
MP k= 0

1 ( M 1) 2
et P = h (k)
P k= 0

Comme dans le cas de l'estimateur moyenn, le signal observ sur une


fentre N est divis en L sections chacune de dure M. Toutefois, on utilise un

100
fentrage des diffrents tranches du signal. Le facteur de normalisation P est
utilis pour que l'estimateur modifi Px(f) soit asymptotiquement non biais.

Biais On montre
~ + 1/ 2
B[ Pxl (f) ] = 1/ 2 x (g) H (f g)dg - x2(f)

( M 1) 2
1
o H(g) = h(k)e - j2 fk
MP k= 0

On a : MLim
+ H(g) = (g) impulsion de Dirac

~ + 1/ 2
et B[ Pxl (f) ] = 0 puisque 1/ 2 x (g) (f g)dg = x(f)

Variance On montre aussi que l'estimateur modifie possde une variance


sous la forme :

101
~
Var[ Pxl (f) ] (1/L)x2(f)

Par comparaison avec l'estimateur adouci, la variance de l'estimateur


modifie est indpendant de la fentre spectrale utilise h(k).

4. Estimateurs spectraux paramtriques : Cas du modle AR linaire

Modliser linairement un signal, consiste le considrer comme la sortie


d'un systme linaire invariant dans le temps, excit par un bruit blanc gaussien
de statistique connue : Systme Linaire
Invariant (S.L.I)
b(k) x(k)

Le bruit blanc b(k) est un signal alatoire dans la DSP est constante, c--d :

102
E[b(k).b(k-l)] = kb2 o k est la fonction de Kroneker : gale 1 si k = 0,
nulle ailleurs.

On dfinit le modle Autoregressif (AR) d'ordre p, par l'quation aux


diffrences suivante :
p
x(k) = - akx(k-i) + b(k) (1)
i= 1

o ak {k=1, ..., p} des paramtres qui dfinissent le SLI ci-dessus. Multiplions


chaque membre de l'quation (1) par x(k-l) avec 0 < i p.
p p
x(k) + akx(k-i) = b(k) x(k)x(k-l) + akx(k-i)x(k-l) = b(k)x(k-l)
i= 1 i= 1

p
E[x(k)x(k-l)] + i= 1 akE[x(k-i)x(k-l)] = E[b(k)x(k-l)]

103
p
Rx(l) + i= 1 ak Rx(l-i) = Rbx(l) = b2l l = 0,1, ..., p (2)

On obtient alors un systme d'quations normales qui peut s'crire sous la forme
matricielle :

R x ( 0 ) R x ( 1) Rx ( p ) a0 2b
R ( 1) R ( 0 ) a
x x R x ( p + 1) 1 0
=


Rx( p) R x ( 1) Rx ( 0 ) a p 0

Ra = r a = R-1r (3)

On peut montrer Rx(k)A(z)A*(z) = Rb(k) = b2 = constante (4)

104
p
o A(z) = 1 + aiz-i , le signe * dsigne le conjugu. z-i Reprsente loprateur
i= 1

retard, c..d z-ix(k) = x(k-i). Appliquons la T.F. au deux termes de lquation


(4)

X(f).|A(f)|2 = B(f) = b2

X(f) = b2 / |A(f)|2

b2 est gnralement donn, A(f) est trouve partir de la relation (3).

105
106