Académique Documents
Professionnel Documents
Culture Documents
Traitsig5 PDF
Traitsig5 PDF
Les signaux tudis jusquici possdent un forme simple, dont on peut rendre
compte sous forme analytique. Lutilisation pratique de tels signaux est assez
restreinte : elle touche principalement les cas o lingnieur contrle le type des
signaux se manifestant dans un systme, parce quil en assure la synthse (par
exemple dans le cas du signal mis par un radar ou un sonar ou dans le cas des
sons ou des images de synthse). A contrario il est rare que les signaux naturels,
rsultant de causes multiples et souvent incontrlables et non mesurables,
puissent tre caractriss par une expression analytique simple. Cest le cas par
exemple des signaux reus par un sonar ou un radar, de la parole, de l'lectro-
cardiogramme, de l'lectro-encphalogramme, des signaux godsiques ou
encore des signaux boursiers tudis par les conomistes (Fig. 5.1). On les
qualifie alors dalatoires, par opposition aux premiers que lon qualifie de
dterministes1.
1 En ralit, le qualificatif de dterministe ou alatoire nest pas vraiment une caractristique des
signaux (qui sont tous fondamentalement dterministes) mais plutt du degr de connaissance (ou
de lignorance) que nous en avons. Tout ce qui sera dit ici sur les signaux alatoires est donc
applicable a fortiori aux signaux dterministes .
2 TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES
X 2 = E[( X mX ) 2 ] = (x m
X ) 2 p X ( x)dx (5.4)
pX(x)
1/q
x
-q/2 q/2
80
60
40
20
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
1 ( x m) 2
p X ( x) = exp (5.12)
2 2 2
2 On constate en passant que, bien que la moyenne, la variance, et la densit de probabilit dune
v.a. soient des grandeurs dterministes, leurs estimateurs partir dun tirage de cette v.a. sont
eux-mmes des variables alatoires. Nous tudierons plus loin les caractristiques de ces
estimateurs.
TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES 5
PX(x)
x
m
La moyenne de cette v.a. est gale m. Sa variance est gale . On montre facilement
que plus de 99% des valeurs dune v.a. gaussienne tombent dans lintervalle (m-3, m+3).
Il est tout aussi facile de gnrer un tirage de cette v.a. sous Matlab et den estimer les
caractristiques :
2000
1500
1000
500
0
-30 -20 -10 0 10 20 30 40 50
Rappelons pour terminer quen vertu du thorme central limite, la somme dun grand
nombre N de v.a. indpendantes de densits de probabilit identiques (de moyenne mX et de
variance X) tend vers une v.a. gaussienne : N(NmX,X/N) 3. Ceci explique en soi
limportance de cette variable alatoire.
On montre facilement quil est possible dobtenir le tirage dune v.a. X densit
de probabilit quelconque pX(x) partir dun tirage de v.a. U densit uniforme,
en associant chaque ralisation u de U la valeur x=FX-1(u) o F est la fonction
de rpartition de X (Fig. 5.6).
3 Ce qui revient dire, vu (5.10), que la convolution dun grand nombre de fonctions de densits
U=FX(x)
1
tirage uniforme
0 x
Tirage suivant
pX(x)
pX(x)
q=2A/2N
-A A
x X
+
Quantificateur
q2 A2
e2 = = 2N (5.14)
12 3 2
8 TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES
5
4
2
1
0
t
2
3
e
/2
t
/2
Le rapport signal bruit, not RSB est dfini par le logarithme du rapport de la
variance du signal celle du bruit :
2
RSB = 10.log x2 dB (5.15)
e
Si l'on dsigne par le facteur de charge dfini par :
A
=
x
on obtient :
1
RSB = 10 log 2 3 22 N 6, 02 N + 4.44 20.log (5.16)
Cette expression est illustre la Fig. 5.10 pour quelques valeurs de N. Elle
montre bien que chaque bit de quantification apporte 6 dB supplmentaire de
RSB. La valeur N=16 correspond la quantification adopt usuellement pour les
signaux audio (CD, cartes sons des ordinateurs). Elle permet dobtenir des RSB
allant jusqu 90 dB. On remarque galement sur le graphique une chute du RSB
lorsque diminue : lhypothse de non dpassement nest alors plus vrifie, et
la variance du bruit augmente de faon importante.
En pratique, si la variable quantifier est de type gaussien, le facteur de charge
doit tre suprieur ou gal 3 (A=3) pour viter le dpassement. Cette valeur
est adapter la statistique du signal dans le cas non gaussien.
TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES 9
dB RSB = 10 log ( x 2 / e 2)
100
90
86
80
70
65,8
60
Nb = 16
50
14 42
12 40
10
30
8
20
10
10 log ( x2 / s2) = - 20 log
4 Si le signal provient de lchantillonnage dun signal alatoire temps continu, ce qui est souvent
le cas, nous supposerons toujours que lchantillonnage respecte le thorme de Shannon. Sil
sagit dun signal quantifi, nous supposerons que le pas de quantification est petit par rapport
lcart-type du signal.
5 La suite dchantillons nest pas considre comme le tirage dune mme variable alatoire :
p X ( k ) ( x)
5.2.1Fonction dautocorrlation
Dfinitions
La fonction dautocorrlation dun signal alatoire (complexe dans le cas gnral)
est donne par :
XX (i, j ) = E[ X (i) X ( j )] = xy
* *
p X (i ) X ( j ) ( x, y )dxdy (5.18)
1 N
mX = x(n) = lim
N 2 N + 1
i = N
x ( n)
1 N
X = | x(n) mX |2 = lim
N 2 N + 1
i = N
| x(n) mX |2
(5.22)
1 N
XX (k ) = x(n) x* (n + k ) = lim
N 2 N + 1
n = N
x ( n ) x* ( n + k )
On voit que la fonction dautocorrlation dun signal alatoire SSL et ergodique
possde la proprit de symtrie hermitienne :
XX ( k ) = XX * ( k ) (5.23)
= X + | mX |2
2
6 La plus souvent, dailleurs, on ne dispose que dune ralisation (parole, image, signaux bio-
SXX(F)
XX(n)
X
n F
-1 0 1
pour k = 0
2
XX (k ) = X (5.28)
0 pour k 0
La densit spectrale de puissance dun bruit blanc est donc une constante :
S XX ( F ) = X (5.29)
2
TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES 13
XX(n) SXX(F)
X
X
n F
-1/2 0 1/2
0.8
0.6
0.4
0.2
0
0 50 100 150 200 250 300
-2
-4
0 50 100 150 200 250 300
(5.30)
T0 / 2
A2
=
T0
T0 / 2
e j0 + e j0 ( + t ) d
= A2 e j0t
Sa densit spectrale de puissance est donc une impulsion de Dirac :
14 TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES
S XX ( f ) = A2 ( f + f 0 ) avec f 0 = 0 / 2 (5.31)
Il sensuit, vu lorthogonalit des exponentielles de frquences harmoniques, que
lautocorrlation et la densit spectrale de puissance dune fonction priodique x(t) :
p
x(t ) = Ai e j ( i0t +i ) (5.32)
i =0
A2 A2 A2
XX (t ) = cos( 0t ) S XX ( f ) = ( f if 0 ) + ( f + if 0 ) (5.34)
2 4 4
Ces conclusions sont directement transposables aux signaux numriques. La fonction
dautocorrlation du signal numrique correspond lchantillonnage de la fonction
dautocorrlation du signal analogique. La densit spectrale de puissance est donc priodique
en F de priode 1 (Fig. 5.15).
A2
XX (k ) = cos(n 0 ) ( 0 = 0 / f e )
2
(5.35)
A2 A2
S XX ( F ) = ( F iF0 ) + ( F + iF0 ) ( pour 0 < F (= f / f )e < 1)
4 4
XX(n) SXX(F)
A/2
A/4
n F
-1/2 0 1/2
( X + m )( X + m X ) (k ) = E[( X (n) + mX )( X (n + k ) + mX )* ]
(5.36)
X
= XX (k )+ | mX |2
Sa densit spectrale de puissance est donc gale celle du signal de dpart, laquelle on
ajoute une impulsion de Dirac en 0 :
S( X + mX )( X + mX ) ( F ) = S XX ( F )+ | mX |2 ( F ) (| F | 1) (5.37)
Appliques au signal correspondant la Fig. 5.12, ces conclusions conduisent la Fig. 5.16.
TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES 15
SXX(F)
XX(n)
|m| X
n F
-1 0 1
X +Y (k ) = XX (k ) + YY (k ) (5.39)
La densit spectrale de puissance de la somme est alors gale la somme des densits
spectrales de puissance :
S X +Y ( F ) = S XX ( F ) + SYY ( F ) (5.40)
Lexemple prcdent nest dailleurs quun cas particulier de ce principe.
YY (n, n + m) = E[Y (n)Y * (n + m)] = E[ h(i ) X (n i ) h( j ) X * (n + m j )]
i = j =
= h(i) h( j ) E[ X (n i) X
i = j =
*
(n + m j )]
= h(i) h( j ) XX (m j + i) = YY (m)
i = j =
S HH ( F ) = H ( F ) H * ( F ) = H ( F )
2
(5.45)
SYY ( F ) = H ( F ) S XX ( F )
2
(5.46)
XY (k ) = x(n) y (n + k )
= x(n) h(i ) x(n + k i )
i =
(5.47)
= x(n) x(n + k i)h(i)
i =
= h(i)
i =
XX (k i)
Le filtrage dun signal alatoire produit donc un signal de sortie corrl avec le
signal de dpart, ce qui correspond intuitivement avec le fait que la forme
temporelle du signal de sortie dpend directement de la forme temporelle du
proche pass du signal dentre. Cette notion intuitive se traduit formellement
par la convolution (5.47), qui exprime le fait que la fonction dintercorrlation
entre-sortie est obtenue par filtrage de la fonction dautocorrlation de lentre
(Fig. 5.17).
Les exemples qui suivent montrent comment on peut se servir du filtrage pour
crer un bruit color (cest--dire un bruit de densit spectrale de puissance non
constante) partir dun bruit blanc.
Exemple 5.7 Filtrage dun bruit blanc par un passe-bande idal
Dans le cas particulier o le signal x(n) est un bruit blanc de variance X2 et de moyenne
nulle, il vient :
SYY ( F ) = X2 H ( F )
2
+1/ 2 (5.48)
= XX (0) =
2 2 2
Y X H ( F ) dF
1/ 2
Si le filtre est un passe-bande idalis dont la bande passante normalise vaut B (B<1), on
trouve donc (Fig. 5.18):
Y2 = 2 X2 B (5.49)
La variance du signal de sortie est donc plus faible que celle du signal d'entre puisque le
filtre limine une partie du spectre du bruit.
18 TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES
SXX(F)
X
X
F
-1/2 0 1/2
H(F)
1
F
-1/2 0 1/2
B
SYY(F) Y
X
F
-1/2 0 1/2
SYY
u(n) x(n) y(n)
B(z)
F
1/2
Un signal MA est donc un bruit color. Sa densit spectrale de puissance prsente des creux
la frquence angulaire des zros du filtre.
TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES 19
SYY
u(n) x(n) 1 y(n)
A( z )
F
1/2
1
SYY ( F ) = x2 N
(5.53)
a z
i =0
i
i
z = e j
5.21) :
M N
y(n) = bi x(n i) + ai y(n i) (5.54)
i =1 i =1
SYY
u(n) x(n) B( z ) y(n)
A( z )
F
1/2
2
M
b z i
i
SYY ( F ) = 2
x
i =0
N
(5.55)
a z
i =0
i
i
z = e j
S XX ( F ) = x2 + x2 ( F ) F 1 (5.56)
L'estimateur x sera donn par :
N 1
1
X =
N
x( n)
n=0
(5.57)
Cette expression est une variable alatoire car c'est une somme de variables alatoires.
Lestimateur est non biais car :
1 N 1
1 N 1
E [ X ] = E x(n) = N E [ x(n)] = X (5.58)
N n=0 n=0
VAR [ x ] = E ( x E [ x ]) 2 = E ( x x ) 2 (5.59)
TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES 21
1 N 1
2
VAR [ x ] = E . x(n) x
N n =0
1 N 1
2
= 2 E x ( n) N x (5.60)
N n =0
1 N 1 2
= 2 E ( x ( n) x )
N n=0
Puisque x(n)- x est un bruit blanc de moyenne nulle, les variables alatoires correspondant
aux chantillons successifs sont indpendantes. Lesprance mathmatique de leur produit
est donc nulle, et il vient :
1 1
VAR [ x ] = 2
N x2 = x2 (5.61)
N N
On observe qu'en l'occurrence, la variance de l'estimateur tend vers zro lorsque le nombre
d'chantillons tend vers l'infini: cet estimateur est consistant.
Sous Matlab :
x= randn(100,100)+1 ; % 100 chantillons de 100 bruits blancs gaussiens (1,1)
for N=2:100
mux= sum(x(1:N ,:))/N ; % somme de N bruits blancs
meanmux(N)=mean(mux);
varmux(N)=std(mux)*std(mux);
end
subplot(2,1,1) ; plot(meanmux); title(moyenne(mux));
subplot(2,1,2) ; plot(varmux); title(variance(mux));
moyenne(mux)
1.5
0.5
0
0 10 20 30 40 50 60 70 80 90 100
variance(mux)
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80 90 100
On peut, pour terminer, associer un intervalle de confiance x . Cet estimateur est en effet
une gaussienne de moyenne x et de variance x / N . La vraie moyenne x se trouve
2
x
prob x = 0,9 d = . x / N (5.62)
x / N
L'intervalle de confiance 90% sera [ x d , x + d ], ce qui signifie qu'il y a 90% de
chances pour que cet intervalle contienne la vraie valeur x . Le paramtre est obtenu en
tenant compte de ce que :
x x
est une v.a. gaussienne N [ 0,1] = 1.645 (5.63)
x / N
On peut vrifier7 que E [ XX ] = XX : cet estimateur n'est donc pas biais. Pour
k<<N, on montre que sa variance vaut :
N
VAR [ XX ] 2 XX
. 2 (l ) + XX (l + k ) XX (l k ) (5.65)
(N k ) l
et comme elle varie comme 1/N, l'estimateur est consistant.
Estimateur biais
On peut dfinir un autre estimateur :
N k 1
1
XX (k ) =
N
.
n=0
x ( n ) x* ( n + k ) (5.66)
7 Nous avons trait compltement le cas de lestimateur de la moyenne dun signal Gaussien. Nous
ne donnerons plus que les rsultats finaux pour le traitement des estimateurs de la fonction de
lautocorrlation et de la densit spectrale de puissance. Les calculs sont effets assez fastidieux.
TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES 23
Lautre raison est quil est possible de calculer (5.66) par FFT. Il apparat en effet
que :
1
XX (k ) = {xN (n)}*{xN (n)}
*
(5.69)
N
o {xN (n)} = {x(0), x (1),...x( N 1), 0, 0,...} . On peut donc calculer lautocorrlation
comme une convolution numrique linaire. On a vu au chapitre 3 quil est
possible de le faire de faon efficiente en simulant une convolution circulaire par
FFT/IFFT.
Exemple 5.12 Estimation de la fonction dautocorrlation dun signal Gaussien
Considrons lexemple dun signal alatoire gaussien stationnaire de moyenne nulle et de
variance gale 4 :
S XX ( F ) = 4
(5.70)
XX (k ) = 4 (k )
Sous Matlab, les deux estimateurs de la fonction dautocorrlation sont appels par
xcorr(x,biased) et xcorr(x,unbiased) :
x= 2*randn(1,100) ; % 100 chantillons dun bruit blanc gaussien (0,2)
subplot(2,1,1) ; plot(xcorr(x, 'biased'));
title('autocorrlation sur 100 points, estimateur biais');
subplot(2,1,2) ; plot(xcorr(x, 'unbiased'));
title('autocorrlation sur 100 points, estimateur non-biais');
-1
0 20 40 60 80 100 120 140 160 180 200
-1
-2
0 20 40 60 80 100 120 140 160 180 200
x= 10*cos(2*pi*1/10*(0:99)+pi/5) ;
% 100 chantillons dun cosinus Fe/10, damplitude 10 et de phase initiale pi/5
subplot(2,1,1) ; plot(xcorr(x, 'biased'));
title('autocorrlation sur 100 points, estimateur biais');
subplot(2,1,2) ; plot(xcorr(x, 'unbiased'));
title('autocorrlation sur 100 points, estimateur non-biais');
-50
0 20 40 60 80 100 120 140 160 180 200
50
-50
-100
0 20 40 60 80 100 120 140 160 180 200
Par consquent, pour = k 2 / N , la densit spectrale peut donc tre calcule par
un algorithme de FFT qui fournit X N ( ) en N points uniformment rpartis entre
F = -1/2 et 1/2.
Toutefois, le priodogramme est un estimateur biais, puisquil est lui-mme
bas sur un estimateur biais :
N 1 N 1
Nk
E S XX ( ) = E [ XX (k ) ] e jk = XX (k )e jk (5.74)
k = ( N 1) k = ( N 1) N
VAR S XX ( ) = S XX
2
( ) (5.75)
Cette variance, gale au carr de la densit spectrale, est trs leve et elle est
indpendante du nombre N d'chantillons ! Le priodogramme simple n'est donc
pas consistant et il n'est pas utilisable tel quel.
Le priodogramme modifi
Tout comme dans le cas du calcul de la TFTD dun signal dterministe, il est
possible de pondrer lestimateur de la fonction dautocorrlation par une
fonction fentre w(n) sur N points avant passage sa TFTD. L'estimateur
spectral doit alors tre calcul comme :
N 1 2
1
S XX ( ) =
NP
x(n)w(n)e
n =0
jn
(5.76)
S XX ( F ) = S XX ( F ) *W ( F ) (5.82)
Sous Matlab, les priodogrammes simple, modifi, et moyenn son appels par la fonction
psd(x,NFFT,Fs,window), qui dcoupe le signal x en tranches de NFFT chantillons, les
pondre par le fentre window, et affiche la moyenne de leur TFTD (Fs, frquence
dchantilonnage, nest utilise que pour laffichage). Comme pour freqz, un appel psd
sans variable de sortie provoque laffichage de la densit spectrale de puissance.
Considrons le cas du bruit blanc Gaussien N(0,2) de lexemple prcdent, dont on estime la
densit spectrale au moyen du priodogramme simple. On constate une grande dispersion
des valeurs autour de la valeur vraie (une constante gale 10Log10(4)=6dB), qui ne
diminue pas lorsque NFFT augmente. Le calcul du priodogramme modifi lisse un peu la
variation du spectre. Lorsque le mme bruit blanc est estim au moyen du priodogramme
moyenn (avec une fentre rectangulaire), on observe une nette diminution des variations
de l'estimation (Fig. 5.25).
x= 2*randn(1,512) ; % 512 chantillons dun bruit blanc gaussien (0,2)
subplot(2,2,1) ; psd(x(1:128),128,1,ones(1,128)); % priodogramme simple8
subplot(2,2,2) ; psd(x,512,1,ones(1,512)); % priodogramme simple
subplot(2,2,3); psd(x(1 :129),128,1,hamming(128)); % priodogramme modifi
subplot(2,2,4) ; psd(x,128,1,ones(1,128)); % priodogramme moyenn
20 20
10 10
0 0
-10 -10
-20 -20
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Frequency Frequency
Power Spectrum Magnitude (dB)
Power Spectrum Magnitude (dB)
20 20
10 10
0 0
-10 -10
-20 -20
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Frequency Frequency
Notons que lestimation de la variance du bruit peut tre faite par intgration de la densit
spectrale de puissance estime, selon (5.27). Il sufiit pour ce faire de multiplier chaque
valeur de la psd par la largeur de la bande de frquence laquelle elle correspond, cest--
dire 1/NFFT (on a en effet NFFT points sur une bande de frquence normalise allant de 1/2
+1/2):
variance=sum(psd(x,128,1,ones(1,128)))/128*2 % partir du priodogramme moyenn
8 On spcifie ici une valeur unitaire pour la frquence dchantillonnage, ce qui revient travailler
en (vraie) frquence normalise. Les affichages se feront donc pour des valeurs de F entre 0 et .
28 TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES
variance = 3.9154
Dans lexpression prcdente, on a multipli lintgrale par 2, puisque psd renvoie NFFT/2
points entre F=0 et F=1/2.
-20
Magnitude (dB)
-40
-60
-80
-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency ( rad/sample)
-100
Phase (degrees)
-200
-300
-400
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency ( rad/sample)
20 20
Power Spectrum Magnitude (dB)
-20 -20
-40 -40
-60 -60
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Frequency Frequency
20 20
Power Spectrum Magnitude (dB)
-20 -20
-40 -40
-60 -60
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Frequency Frequency
De mme, la variance (ici peu prs 2) peut tre calcule sur la psd estime :
variance=sum(psd(xf,128,1,ones(1,128)))/128*2 % priodogramme moyenn
variance = 1.8313
2
N 1
1 N 1
2 w(n)
w(n) = Nn =01 (5.83)
NP n =0 w(n) 2
n =0
Pour le priodogramme moyenn, le coefficient multiplicatif prend la mme expression que
(5.77) o lon remplace N par M, le nombre de points dans chaque tranche.
Lestimateur adouci adouci procde par contre par fentrage direct de la fonction
dautocorrlation (et non du signal). Les impulsions de Dirac attendues apparaissent donc
comme le spectre de la fonction fentre multipli par A/4. Lamplitude du lobe principal
vaut donc A/4 multipli par un coefficient :
M
w(n)
n = M
(5.84)
40 40
20 20
0 0
-20 -20
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Frequency Frequency
Power Spectrum Magnitude (dB)
60 60
20 20
0 0
-20 -20
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Frequency Frequency
Ici aussi la variance (ici 50, puisque la densit spectrale de puissance thorique est
constitue de deux raies de valeur 25) peut tre calcule sur la psd estime :
variance=sum(psd(x,128,1,hamming(128)))/128*2 % priodogramme moyenn
variance = 49.9994
32 TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES
40 40
30 30
20
20
10
10
0
0 -10
-10 -20
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Frequency Frequency
Power Spectrum Magnitude (dB)
40 40
Power Spectral Magnitude (dB)
30 30
20 20
10 10
0 0
-10 -10
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Frequency Frequency
YY (1) = 2
X ( b0b1 + b1b2 + ... + bM 1bM )
(5.85)
...
YY ( M ) = X2 ( b0bM )
YY (k > M ) = 0
On identifie alors YY (k ) (k=0..M) dans (5.85) aux M+1 premire valeurs de la
fonction dautocorrlation du signal modliser. Les quations (5.85) forment
ainsi un systme de M+1 quations non linaires M+1 inconnues (les bi), quon
ne peut rsoudre quitrativement.
Estimation Autorgressive (AR)
Supposons que le cherche identifier un signal AR (Fig. 5.20) un signal
alatoire inconnu. Cette fois, la rponse impulsionnelle nest plus donne par le
suite des coefficients du filtre. On peut par contre calculer facilement lexpression
de la fonction dautocorrlation du signal AR :
YY (k ) = YY (k ) = E [Y (n)Y (n k )] (5.86)
Puisquon a :
p
y (n) = ai y ( n i ) + u ( n) (5.87)
i =1
Il vient :
34 TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES
p
p
YY (k ) = E aiY (n i )Y (n k ) + E U (n)Y (n k ) (5.88)
i =1 i =1
Dans cette dernire expression, le second terme est nul pour k>0 (il ne peut pas
y avoir de corrlation entre lentre du filtre et des sorties prcdentes). Il vient
donc :
N
YY (k ) = aiYY (k i ) ( k = 1, 2,...) (5.89)
i =1
i =1
0
Power Spectrum Magnitude (dB)
-10
-20
-30
-40
-50
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
F
TRAITEMENT NUMERIQUE DES SIGNAUX ALEATOIRES 35
Magnitude (dB)
-10
-20
-30
-40
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency ( rad/sample)
50
Phase (degrees)
-50
-100
-150
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency ( rad/sample)
Lestimateur AR rsume, dans les 10 valeurs de ses coefficients ai, lallure de la densit
spectrale de puissance du signal. Lestimation paramtrique permet souvent dobtenir de
bons rsultats, mme lorsque le nombre dchantillons du signal est faible.
Estimation ARMA
On montre que les quations reliant la fonction dautocorrlation du signal ARMA
aux coefficients du filtre sont fortement non-linaires. Leur rsolution ncessite
donc la mise en uvre dun algorithme itratif.