Chapitre 01: Moindres carrés

Introduction
Karl Friedrich Gauss a formulé le principe des moindres carrés à la fin du
18ième siècle et l’utilisa pour déterminer les orbites des planètes et des astéroïdes.
Gauss a déclaré que, selon ce principe, les paramètres inconnus d’une
modèle mathématique doivent être choisis de telle sorte que
la somme des carrés des différences entre les valeurs réellement observées
et les valeurs calculées, multipliées par des nombres qui mesurent le
degré de précision, doit être minimale. La méthode des moindres carrés peut être appliquée à une
grande variété de problèmes. Elle particulièrement simple à mettre en ouvre pour les systèmes
dont la sortie est décrite par :
On peut réécrire l’équation (4.1) sous la forme :

Les variables sont les variable du regrésseur

Le modèle défini par le regresseur est :
 Chapitre 02: Matrice instrumentale
2.1 Introduction
Dans ce chapitre nous allons introduire les éléments essentiels pour la compréhension
de la méthode d’identification par la matrice instrumentale.
2.2. Fonction de corrélation pour les signaux déterministes
Les fonctions de corrélation de deux signaux sont une mesure de leur similitude de
forme et de position en fonction du paramètre de translation relative τ. L’autocorrélation Ruu(τ)
d’écrit l’interdépendance de u(t) et u(t-τ), l’intercorrélation Ruy(τ) décrit celle de u(t) et y(t-τ).
2.2.1 Signaux à énergie finie
Pour les signaux réels à énergie finie, les fonctions de corrélation sont définies comme suit:
Autocorrélation :

Intercorrélation :

2.2.2 Signaux à puissance moyenne finie

Pour les signaux réels dont l’un, au moins, est à puissance moyenne finie, il convient d’utiliser
les définitions suivantes:
Autocorrélation :

Intercorrélation :
Remarque : Si u(t) et y(t) sont périodiques avec la période L, c’est-à-dire u(t + L)= u(t) et
y(t+L)=y(t), les relations ci-dessus sont calculées sur une période L et non pas sur un horizon
infini.
Dans ce cas, les fonctions d’autocorrélation et d’intercorrélation sont également périodiques avec
la même période L.
2.3. Fonction de corrélation pour les signaux aléatoires
Les fonctions de corrélation peuvent être définies pour les signaux aléatoires. Un signal aléatoire
ou stochastique est un signal qui ne peut pas être décrit de façon déterministe car non
reproductible. On associer une probabilité pour une valeur ou un groupe de valeurs du signal.
Considérons la sortie d’un processus sur un horizon de plusieurs heures et pendant plusieurs jours
(Fg.2.1). L’´evolution de la sortie peut être décrite par une fonction déterministe y(t), mais cette
fonction sera différente de jour en jour. A une heure donnée, on mesurera chaque jour une autre
valeur de la sortie. Pour l’ensemble des valeurs mesurées tous les jours à la même heure, on peut
définir une statistique caractérisée par une valeur moyenne et un écart-type.
y(t)
y(i)

t
i

ti

i t
Fig.2.1 : Evolution sur trois jours d'un processus aléatoire
Sur un plan formel, l'évolution de la sortie représente un processus stochastique (ou aléatoire) que
l’on peut décrire comme une fonction de deux arguments y(t,ξ) où t représente le temps discret et
ξ la variable stochastique qui appartient à un espace de probabilité. Pour une valeur ξ = ξ0, la
fonction y(t,ξ0) est une fonction du temps appelée réalisation (dans notre exemple, l’évolution de
la sortie pour un jour particulier). Pour une valeur fixe t = t0, la fonction y(t0,ξ) est une variable
aléatoire (dans notre exemple, la valeur de la sortie à une heure fixe). L’argument ξ est souvent
omis et donc le processus stochastique s'écrit simplement y(t).
Moyennes statistiques
Espérance : E[y(t)]
Moyenne de y à un instant t sur toutes les réalisations de y. Grandeur qui dépend à priori du
temps t. y(i)
y(t)

i
t

ti

ti
t=t0
Autocorrélation
Moyenne sur tous les couples y’ et y’’ des réalisations de y(t) et y(t-τ). Dépend de t et τ.

y(t)
y(i)

i
t

ti

ti
t=t0-τ t=t0
Stationnarité :
Un processus aléatoire y(t) est dit stationnaire au sens large si :

Sont indépendants de du temps t.

Moyenne Temporelle
Pour une réalisation y0 de y, on défini la moyenne temporelle :

Autocorrélation moyennée dans le temps

Si les statistiques sur une réalisation sont représentatives du processus stochastique, celui-ci est
dit ergodique.
La valeur moyenne et la fonction d’autocorrélation du signal aléatoire y(t) sont définies par (en
assumant que y(t) est ergodique):
 Bruit blanc de moyenne 0 et de variance 1
5

-5
0 100 200 300 400 500 600 700 800 900 1000
temps[s]

0.5

-0.5
-1000 -800 -600 -400 -200 0 200 400 600 800 1000

Bruit blanc de moyenne 0 et de variance 1

4

-2

-4
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
temps[s]

1.5

0.5

-0.5
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
4
x 10
Pour les processus aléatoires u(t) et y(t), la fonction d’intercorrélation est définie comme suit:

Si u(t) et y(t) sont indépendants, on a:

et si u(t) et y(t) sont indépendants et de valeur moyenne nulle, on aura:

2.3.1 Bruit blanc

En identification, la plupart des perturbations sont aléatoires et peuvent être d'écrites comme un
bruit blanc appliqué à un filtre. Le bruit blanc est un signal aléatoire qui possède une énergie
uniformément répartie sur tous le spectre de fréquence.
Nous considérerons par la suite comme signal générateur le bruit blanc e(t) de valeur moyenne
nulle avec les propriétés suivantes: