Vous êtes sur la page 1sur 14

Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

Objectif :

Ce TP a pour objectif de prendre en main le logiciel MATLAB. Les notions traitées sont la manipulation de
variables aléatoires et de vecteurs, l’utilisation de fonctions, la représentation graphique, la génération de
nombres aléatoires, le calcul d’écart-type de la variance, le calcul de la variance et la corrélation et la
génération des signaux aléatoires en utilisant des systèmes linéaires invariants dans le temps. En ce qui
concerne la 2ème partie, on étudie les propriétés du filtrage adaptatif (filtre de Wiener) en utilisant
l’algorithme LMS.

A- Signaux aléatoires
 La transformée de Fourier

La définition de la transformée de Fourier est :


+∞
𝑿 (𝝂 ) = ∫ 𝒙(𝒕)𝒆−𝒊𝟐𝝅𝝂𝒕 𝒅𝒕
−∞

Pratiquement, nous n’avons pas le signal au complet mais un ensemble fini de points 𝑥 𝑖 = 𝑥(𝑡𝑖 ) avec
𝑖
généralement𝑡𝑖 = , 𝑖 = 1, … , 𝑁 (où 𝑓𝑒 est la fréquence d’échantillonnage et 𝑁 est le nombre total de points).
𝑓𝑒

De la même manière nous ne pouvons calculer la transformée de Fourier que pour un nombre fini de
fréquences. Nous calculons donc les coefficients des séries de Fourier suivant :

𝒋
−𝒊𝟐𝝅𝒌
𝑿𝒌 = ∑𝑵−𝟏 𝑵 , pour 𝒌 = 𝟎, … , 𝑵 − 𝟏
𝒋=𝟎 𝒙 𝒋 𝒆

On a la formule d’inversion suivante :

𝟏 𝐤𝐧
𝐢𝟐𝛑
𝐱 𝐧 = ∑𝐍−𝟏 𝐍 , pour 𝐧 = 𝟎, … , 𝐍 − 𝟏
𝐍𝐤=𝟎 𝐗 𝐤𝐞

Le calcul numérique des coefficients de Fourier 𝑋𝑘 s’obtiennent par l’algorithme FFT (pour Fast Fourier
Transform).

1) On s’intéresse ici au bruit blanc gaussien. On écrit en MATLAB le code correspondant à l’affichage
de ce bruit pour 1024 points en utilisant la fonction « randn ».

1
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

2) les instructions de calcul de la transformée de Fourier rapide de ce signal et sa transformée de


Fourier inverse
sont :

2
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

3) On Affiche dans un même graphe les deux signaux : bruit blanc gaussien et celui restitué après FFT

4) Commentaire :
On une grande ressemblance entre le signal généré par la commande randn et sa transformé inverse.

Pour un signal aléatoire stationnaire, il faut estimer la densité spectrale en utilisant une moyenne
d’ensemble : Γ(𝜐) = 𝐸 {|𝑋(𝜐)|2 }. En supposant le signal érgodique, on estime cette moyenne en calculant le
1
paramètre suivant ∑𝑁
𝑖=1|𝑋𝑖 (𝜐)| où 𝑋𝑖 (𝜐) désignent la transformée de Fourier du i
2 ème
échantillon. Cette
𝑁
méthode d’estimation spectrale s’appelle la méthode du périodogramme.

5) On écrit le code d’estimation de cette moyenne.

6) On affiche le périodogramme.

3
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

 Covariance et corrélation

La fonction d’autocorrélation d’un signal aléatoire stationnaire 𝑥(𝑡) est définie par :

𝜸𝒙 (𝝉) = 𝑬[𝒙(𝒕)𝒙(𝒕 + 𝝉)]

7) Eu utilisant la fonction xcorr et en multipliant la fonction du bruit blanc gaussien par 0,1. on affiche
sa fonction d’autocorrélation.

4
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

8) L’amplitude maximale représente la variance du signal


sa valeur : 1500
9) En déduire sa densité spectrale de puissance. On compare cette densité avec la théorie.

5
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

Soit 𝑥 une variable aléatoire, le moment d’ordre 𝑝 de la variable aléatoire 𝑥 est défini d’une moyenne
d’ensemble et se note 𝐸 {𝑥 𝑝}. Si 𝑝(𝑥) est la fonction densité de probabilité de 𝑥 alors 𝐸{𝑥 𝑝 } = ∫ 𝑥 𝑝 𝑝(𝑥)𝑑𝑥. La
variance de 𝑥 est défini par 𝑉𝑎𝑟𝑥 = 𝐸 {(𝑥 − 𝐸 {𝑥})2 } et l’écart-type par 𝜎𝑥 = √𝑉𝑎𝑟𝑥 .
1
Si on dispose de 𝑁 valeurs d’une variable aléatoire discrète 𝑥, {𝑥𝑖 }𝑖=1…𝑁 , on estime 𝐸 {𝑥} par 𝑚𝑥 = ∑𝑁
𝑖=1 𝑥 𝑖.
𝑁
10) En utilisant comme signal le bruit blanc gaussien, on cherche la moyenne, la variance et l’écart-
type :
 la moyenne :

 la variance :

 l’écart-type :

6
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

11) On trace la fonction de densité de probabilité :

Un processus aléatoire est une variable aléatoire qui dépend du temps ; c'est-à-dire que 𝑥𝑡 = 𝑥(𝑡) est une
variable aléatoire pour tous les instants. On peut alors définir l’autocovariance de 𝑥 par :

𝑪𝒙 (𝒕, 𝒕′ ) = 𝑪𝒐𝒗(𝒙𝒕,𝒙𝒕′ ) = 𝑬{(𝒙𝒕 − 𝑬{𝒙𝒕})(𝒙𝒕′ − 𝑬{𝒙𝒕′})} = 𝑬{𝒙𝒕𝒙𝒕′} − 𝑬{𝒙𝒕}𝑬{𝒙𝒕′}

Si notre variable aléatoire 𝑥 𝑡 est discrète, 𝑡 = 1: 𝑁, l’auto-covariance est une matrice dont les éléments sont :

𝐶𝑖𝑗 = 𝐸{𝑥 𝑖 𝑥𝑗 } − 𝜇 𝑖 𝜇𝑗, 1 ≤ 𝑖 ≤ 𝑁, 1 ≤ 𝑗 ≤ 𝑁. Pour estimer l’espérance, il faut pour tous les instants t
plusieurs réalisations de 𝑥𝑡. Si on note 𝑥 𝑘𝑡 la 𝑘 − 𝑖è𝑚𝑒 réalisation (𝑘 = 1 … 𝐾 ) 𝑑𝑒 𝑥 𝑎𝑢 𝑡𝑒𝑚𝑝𝑠, on estime 𝐶𝑖,𝑗
par
𝑲
𝟏 𝟏 𝑲 𝟏 𝑲
𝑪𝒊,𝒋 = ∑ 𝒙𝒌𝒊 𝒙𝒌𝒋 − ( ∑ 𝒙𝒌𝒊 )(( ∑ 𝒙𝒌))
𝑲 𝑲 𝒌=𝟏 𝑲 𝒌=𝟏 𝒋
𝒌=𝟏

12) On donne le code correspondant au calcul de cette matrice.

7
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

Un signal aléatoire peut être généré à partir d’un bruit blanc gaussien en utilisant un filtre appelé : filtre
1
formeur. Généralement, on utilise un filtre linéaire de 1er ordre de fonction de transfert .
𝑠+𝑎

13) On donne l’expression du signal de sortie.


y(t)=h(t)*u(t)
h(t)=L^-1{H(s)}

14) On écrit le code correspondant à la génération de ce processus aléatoire en prenant (a=2, a=10, a=20).
Et afficher les courbes correspondantes
 Pour a=2 : (S1)

8
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

 Pour a=10 : (S2)

 Pour a=20 : (S3)

9
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

15) On calcule pour chaque valeur de a la moyenne du processus aléatoire

10
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

B- Filtrage Adaptatif (filtre de Wiener)

L’algorithme LMS (least Mean Square) est parmi les algorithmes les plus utilisés par le filtre de Wiener vu de
son efficacité et de sa simplicité.

La réponse impulsionnelle du filtre se calcule à l’aide de l’itération suivante :

ℎ(𝑛 + 1) = ℎ (𝑛) + 𝜇𝑦 (𝑛)𝑒(𝑛)

𝜇 est le pas d’adaptation du filtre, et 𝑒 (𝑛) = 𝑥(𝑛) − 𝑥̂(𝑛) est la qualité de l’estimation.

𝑦(𝑛) est le signal de l’entrée du filtre, 𝑥(𝑛) est le signal désiré et 𝑥̂(𝑛) est le signal estimé.

1,1 0,5
Nous donnons 𝑅 = [ ] La matrice d’autocorrélation
0,5 1,1

0,5272
𝑝=[ ] est le vecteur d’intercorrélation
−0,4458
−1
ℎ=[ ] est la réponse impulsionnelle de démarrage.
−1

𝜎𝑥2 = 0,9486 la variance du signal désiré 𝑥(𝑛).

1) On donne le code correspondant à la détermination de ℎ(𝑛) à partir de l’algorithme LMS.

2) En utilisant la convergence de la moyenne, on détermine la réponse impulsionnelle optimale.

3) On trace h1 en fonction de h0 pour 𝜇 = 0,01 ; 𝜇 = 0,5 ; 𝜇 = 1 .


 Pour 𝑚𝑢 = 0,01

11
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

 Pour 𝑚𝑢 = 0,5

 Pour 𝑚𝑢 = 1

 les courbes convergent vers les valeurs optimales mais la différence est dans le temps de réponse.

12
Ecol e Nationale des Sciences Appliquée Dépa rtement de Génie Electrique

4) On donne l’expression de l’erreur quadratique moyenne.

EQM=0.9486-10544*h0(i)+0.8961*h1(i)+h0(i)*h1(i)+1.1*((h0(i)^2)+(h1(i)^2));

5) On écrit le code correspondant à ce paramètre et on affiche sa courbe.

13

Vous aimerez peut-être aussi