Vous êtes sur la page 1sur 31

Signal aléatoire

Yves Goussard

GBM6103A

17 septembre 2014

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 1 / 31


Traitement de signaux biomédicaux

Mesure

Extraction
Tracé Stockage Analyse Transformation
d’informations

Échantillonnage Représentation Modélisation


Filtrage
Quantification Fréquence Estimation
·

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 2 / 31


Signal aléatoire
Exemple

Notion de « bruit »
3

1
amplitude

−1

−2

−3
0 20 40 60 80 100 120 140 160 180 200
nombre d’échantillons

1
amplitude

−1

−2

−3
0 20 40 60 80 100 120 140 160 180 200
nombre d’échantillons

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 3 / 31


Prise en compte des incertitudes

Approches possibles
Entrée et RI Sortie

1 1
0.8 0.8
amplitude

amplitude
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 50 100 150 200 250 0 50 100 150 200 250
nombre d’échantillons nombre d’échantillons
Entrée estimée, SD Entrée estimée, SA

1 1
0.8 0.8
amplitude

amplitude
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 50 100 150 200 250 0 50 100 150 200 250
nombre d’échantillons nombre d’échantillons

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 4 / 31


Signal aléatoire
Position du problème

Pourquoi étudier les signaux aléatoires ?


Utilité de pouvoir tenir compte des incertitudes
Nécessité disposer des mêmes outils que pour les signaux
déterministes :
représentation fréquentielle
filtrage

Objectif
Introduction des techniques de base pour la manipulation de signaux
aléatoires

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 5 / 31


Plan
1 Cadre
2 Variables aléatoires
Interprétation
Définitions et propriétés
Distributions particulières
3 Vecteurs aléatoires
Définition et propriétés
Conditionnement
Distributions particulières
4 Signaux aléatoires à temps discret
5 Représentation fréquentielle et filtrage des signaux aléatoires
Représentation fréquentielle
Filtrage
Modélisation

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 6 / 31


Cadre

Hypothèses générales
Grandeurs réelles
Grandeurs discrètes
Dimensions possiblement infinies
Nombre fini de composantes : manipulation de vecteurs

xn ; 0 ≤ n ≤ N − 1 −→ x

Les signaux sont entachés d’incertitudes

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 7 / 31


Variables aléatoires
Interprétation empirique

Une grandeur scalaire X


fX(x)
Unités arbitraires

0 50 100 150 200 250


Valeurs possibles de la grandeur X

Interprétation
fX (x) : confiance que la grandeur X prendra la valeur x

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 8 / 31


Variables aléatoires
Formalisation

Densité de probabilité
X : variable aléatoire
fX (x) : densité de probabilité

fX (x) dx = Pr {x ≤ X < x + dx}

Propriétés
Z
fX (x) ≥ 0 ; fX (x) dx = 1
Z
Espérance ou moyenne : E [X ] = x fX (x) dx
Z
Espérance d’une fonction E [Φ(X )] = Φ(x) fX (x) dx
Z
Moments d’ordre p : mp [X ] = E [X ] = x p fX (x) dx
p

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 9 / 31


Variables aléatoires d’ordre 2

Définition
Le moment d’ordre 2 existe
Conséquence : le moment d’ordre 1 (la moyenne) existe

Variance

Var [X ] = m2 [X ] − m1 [X ]2 = E X 2 − E [X ]2 = E (X − E [X ])2
   

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 10 / 31


Variables aléatoires gaussiennes

Définition
1 (x−m)2
N (m, σ 2 ) : fX (x) = √ e− 2σ 2
2πσ 2

Importance
Représente adéquatement de nombreux phénomènes incertains
(théorème de la limite centrale)
Choix raisonnable si on ne connaît que la moyenne et la variance d’une
variable aléatoire
Permet souvent de mener les calculs à leur terme

Variable aléatoire : un échantillon pris indépendamment de tous les autres

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 11 / 31


Couples de variables aléatoires

Position du problème
Deux échantillons X et Y
Comment exprimer leur comportement d’ensemble ?

Formalisation : extension du cas scalaire


Densité de probabilité du couple

fXY (x, y ) dx dy = Pr {x ≤ X < x + dx ; y ≤ Y < y + dy }


Z Z
fXY (x, y ) ≥ 0 ; fXY (x, y ) dx dy = 1

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 12 / 31


Couples de variables aléatoires
Propriétés importantes

Loi de chaque élément du couple


Z Z
fX (x) = fXY (x, y ) dy ; fY (y ) = fXY (x, y ) dx

Indépendance
X et Y indépendantes ⇐⇒ fXY (x, y ) = fX (x) fY (y )

Covariance et corrélation (lien statistique entre X et Y )


Cov [X , Y ] = E [(X − E [X ])(Y − E [Y ])]
X et Y indépendantes =⇒ Cov [X , Y ] = 0
Coefficient de corrélation : ρXY = √ Cov[X ,Y ] ; −1 ≤ ρXY ≤ 1
Var[X ]Var[Y ]
Matrice de
covariance :  
X − E [X ]
R XY = E (X − E [X ] , Y − E [Y ])
Y − E [Y ]
Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 13 / 31
Conditionnement
Illustration pratique

La connaissance de Y renseigne-t-elle sur les valeurs plausibles de X ?


− Vraie valeur (−) et mesure (− −) Dispersion du capteur
0.012 0.08
Densité de probabilité

Densité de probabilité
0.01
0.06
0.008

0.006 0.04

0.004
0.02
0.002

0 0
0 50 100 150 −60 −40 −20 0 20 40 60
Rythme cardiaque Rythme cardiaque
f(X | Y1 = 70) f(Y2 | Y1 = 70)
0.08 0.08
Densité de probabilité

Densité de probabilité
0.06 0.06

0.04 0.04

0.02 0.02

0 0
0 50 100 150 0 50 100 150
Rythme cardiaque Rythme cardiaque

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 14 / 31


Conditionnement
Définition

Formalisation
(X , Y ) de loi fXY (x, y )
Règle de Bayes
fXY (x, y )
fX |Y =y (x) =
fY (y )
fX |Y =y (x) : loi conditionnelle de X sachant que Y vaut y

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 15 / 31


Couples de variables aléatoires gaussiennes

Définition

x−mX
 
1 − 21 (x−mX ,y −mY )R −1 y −mY
N (m XY , R XY ) : fXY (x, y ) = e XY
2π|R XY |1/2

Propriétés
Si le couple (X , Y ) suit une loi gaussienne
Chacune des variables est gaussienne
Les lois conditionnelles sont gaussiennes

Importance pratique
Choix raisonnable si (X , Y ) n’est connu que par sa moyenne et sa
matrice de covariance
Représente une large gamme de phénomènes
Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 16 / 31
Vecteurs aléatoires

Définition et propriétés Couples de VA

Extension directe des propriétés des couples de variables aléatoires

Est-ce suffisant ?
Représentations d’incertitudes dans des signaux de taille finie : OK
Signaux de taille infinie ? ? ?
Opérations usuelles (convolution, représentation fréquentielle...) ? ? ?

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 17 / 31


Signaux aléatoires à temps discret
Définition
X = {Xn ; n ∈ Z} signal aléatoire (ensemble de variables aléatoires)
fXn (xn ) ; n ∈ Z impossible à définir
Comportement de X défini à partir de la loi conjointe de tout
sous-ensemble fini de ses composantes
Indépendance de deux signaux définie de manière analogue

Caractéristiques importantes
Caractéristiques instantanées : caractéristiques de tout échantillon
(pris indépendamment des autres)
fXn (xn ) ; mn = E [Xn ] ; σn2 = Var [Xn ] ...
Caractéristiques du deuxième ordre : caractéristiques de tout couple
d’échantillons
Covariance : rX (n, p) = Cov [Xn , Xp ]
Signal décorrélé : ∀(n, p) ∈ Z2 , n 6= p ⇒ rX (n, p) = 0
Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 18 / 31
Propriétés des signaux aléatoires à temps discret

Stationnarité
Stationnarité forte : loi temporelle invariante par translation
Stationnarité faible (du 2e ordre) : moments d’ordre 1 et deux
invariants par translation
mn = E [Xn ] = m rX (n, p) = Cov [Xn , Xp ] = rX (p − n)

Ergodisme
Possibilité de remplacer une espérance par une moyenne temporelle
Ergodisme pour une propriété :
N−1
1 X
E [ϕ(Xk1 , . . . , Xkn )] = lim ϕ(Xk1 +i , . . . , Xkn +i )
N→∞ N
i=0
Exemples : moyenne empirique, variance empirique, ...

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 19 / 31


Exemples de signaux aléatoires (1)

Bruits blancs Représentation fréquentielle

Bruit blanc gaussien


3

1
amplitude

−1

−2

−3
0 20 40 60 80 100 120 140 160 180 200
nombre d’échantillons

Bruit blanc binaire


1.5

0.5
amplitude

−0.5

−1

−1.5
0 20 40 60 80 100 120 140 160 180 200
nombre d’échantillons

Échantillons indépendants identiquement distribués (iid)


Allures variées

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 20 / 31


Exemples de signaux aléatoires (2)
Bruits gaussiens
Bruit gaussien blanc
3

1
amplitude

−1

−2

−3
0 20 40 60 80 100 120 140 160 180 200
nombre d’échantillons

Bruit gaussien corrélé


3

1
amplitude

−1

−2

−3
0 20 40 60 80 100 120 140 160 180 200
nombre d’échantillons

Loi temporelle gaussienne


Corrélation −→ allures très différentes
Signaux d’ordre deux, voire gaussiens : large diversité
Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 21 / 31
Représentation fréquentielle et filtrage des signaux aléatoires

Position du problème
Z
Représentation spectrale : Xn = u(ν) e 2iπνn d ν
X
Filtrage : Yn = hk Xn−k
k∈Z

Difficultés
u(ν) aléatoire ; intégrale d’une telle quantité ?
Yn : somme infinie de variables aléatoires ?
Lien entre signaux aléatoires et réalisations ?

Approche
Passage par une quantité déterministe : fonction de corrélation
Restriction aux signaux stationnaires d’ordre deux
Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 22 / 31
Signaux aléatoires stationnaires d’ordre deux

Rappel des principales caractéristiques


Xn ; n ∈ Z signal aléatoire stationnaire d’ordre 2. ∀(n, p) ∈ Z2
La moyenne mn = E [Xn ] et la covariance rX (n, p) existent
Ces quantités sont invariantes par décalage :
mn = m ; rX (n, p) = rX (p − n)
rX (p − n) = rX (k) fonction d’autocorrélation

En pratique
Xn stationnaire d’ordre 2 : Xn défini complètement par sa moyenne et sa
fonction de corrélation

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 23 / 31


Représentation fréquentielle
Principaux résultats
Z
Représentation spectrale u(ν) : Xn = u(ν) e 2iπνn d ν
u(ν) quantité aléatoire
On a : E |u(ν)|2 = F(rX (k)) rX (k) : fonction d’autocorrélation de
 

X
4 
ΓX (ν) = E |u(ν)|2 : densité spectrale de puissance (spectre) de X


En pratique Bruits blancs

La notion de phase a disparu...


Lien avec la réalisation dont on dispose :
N−1
1 X
rX (k) = E [Xn Xn−k ] = lim xn xn−k (ergodisme)
N→∞ N
n=0
Comparaison avec cadre déterministe ; approche « estimation »
Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 24 / 31
Filtrage (1)

Position du problème
Définir la sortie du filtre
Définir les caractéristiques spectrales de la sortie du filtre
Faire le lien avec la réalisation dont on dispose

Difficulté
X
Somme infinie Yn = hk Xn−k
k∈Z

Principaux résultats
rY (k) = rX (k) ∗ h(k) ∗ h(−k)
ΓY (ν) = |H(ν)|2 ΓX (ν)

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 25 / 31


Filtrage (2)

Principaux résultats
rY (k) = rX (k) ∗ h(k) ∗ h(−k)

ΓY (ν) = |H(ν)|2 ΓX (ν) (1)

En pratique
Calcul de la sortie avec la réalisation dont on dispose
Sortie : réalisation d’un signal aléatoire de spectre ΓY (ν)
Spectres de Xn et Yn liés par la relation (1)

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 26 / 31


Modélisation des SA stationnaires d’ordre 2 (1)

Objectif : paramétrisation d’un signal aléatoire stationnaire d’ordre 2

Démarche
SA Xn ⇐⇒ rX (k) ⇐⇒ ΓX (ν)
Si Xn = h ∗ n ; n : bruit blanc unitaire du 2e ordre

ΓX (ν) = |H(ν)|2
h : filtre linéaire dynamique
XP Q
X
Xn = − ap Xn−p + bp n−q
p=1 q=0
Modèle (paramétrisation) de Xn :
|B(ν)|2
ΓX (ν) = |H(ν)|2 =
|A(ν)|2

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 27 / 31


Modélisation des SA stationnaires d’ordre 2 (2)

Deux problèmes
Analyse : connaissant Xn , trouver A et B
Synthèse : connaissant ΓX (ν), trouver A et B

Résultat général
Z 1/2
Si | ln ΓX (ν)| d ν < ∞
−1/2

La modélisation de Xn par A, B est possible (l’ordre du modèle


pourrait être infini)
Conditions techniques supplémentaires : même résultat avec un filtre
tout pôles (Q = 0)

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 28 / 31


Modélisation des signaux SA d’ordre 2 (3)

Interprétation
Tout SA stationnaire d’ordre 2 : filtré d’un bruit blanc par un filtre
rationnel, voire tout pôles

Exemples d’application
Analyse : analyse spectrale
Xn −→ (A, B) −→ ΓX (ν)
Synthèse : génération de bruits aux caractéristiques spectrales données

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 29 / 31


Synthèse de signaux aléatoires (1)
Synthèse d’un bruit gaussien à bande étroite
Signal d’entrée : bruit blanc gaussien
3

1
amplitude

−1

−2

−3
0 20 40 60 80 100 120 140 160 180 200
nombre d’échantillons

Signal de sortie
6

2
amplitude

−2

−4

−6
0 20 40 60 80 100 120 140 160 180 200
nombre d’échantillons

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 30 / 31


Synthèse de signaux aléatoires (2)

Synthèse d’un bruit gaussien à bande étroite : filtre générateur


Module de la RF du filtre
12

10

8
amplitude

0
−0.5 −0.4 −0.3 −0.2 −0.1 0 0.1 0.2 0.3 0.4 0.5
fréquences réduites

Yves Goussard (GBM6103A) Signal aléatoire 17 septembre 2014 31 / 31

Vous aimerez peut-être aussi