TD4 | TNS 2019/20

2. Tracer l’énergie de prédiction en fonction de l’ordre du

prédicteur pour σ 2 = 1. Commenter l’évolution de cette
énergie de prédiction.
3. On suppose que les autres coefficients d’autocorrélation
TD4 Prédiction Linéaire r(i) sont nuls pour i ≥ 3. Calculer l’énergie de
prédiction à l’ordre 4. Que pensez vous de l’évolution de
EXERCICE 1 cette énergie pour des ordres de prédiction supérieurs ?
On considère l’observation tronquée de 6 échantillons d’un si-
4. Le signal x(n) a été obtenu par filtrage d’un bruit blanc
gnal aléatoire x(n) :
gaussien de variance σ 2 par un filtre à réponse impul-
0.23 − 0.1 0.12 − 0.4 − 0.3 0.1
sionnelle finie de fonction de transfert en Z :
On suppose le signal nul en dehors de ces valeurs. On choi-
sit d’estimer, à partir d’une observation de N valeurs, le coeffi- H(z) = 1 + αz −1 + βz −2 .
cient d’autocorrélation du signal x(n) au moyen de la formule :
N −1 En déduire les valeurs de α et β.
1 X
rxx (p) = x(n)x(n − p)∗
N n=p
EXERCICE 4
1. Calculez les valeurs de rxx (p) pour p ∈ [−∞, +∞]. On considère un problème de transmission dans lequel un
2. Donnez la valeur du périodogramme de x(n) pour f = 0. émetteur envoie un signal s(n). Le récepteur reçoit ce signal
3. Donnez la valeur du corrélogramme de x(n) pour f = 0 augmenté d’un bruit additif b(n). Le signal reçu sera noté
x(n) = s(n) + b(n). On suppose que le signal émis s(n)
EXERCICE 2
est centré, de puissance normalisée et que les échantillons sont
On considère un signal aléatoire x(n) que l’on suppose être
indépendants. Le bruit b(n) est gaussien blanc de variance σ 2 .
blanc et de puissance Px . Ce signal subit un phénomène
b(n) et s(n) sont considérés comme deux variables aléatoires
d’écho, c’est à dire qu’il est sommé à une version retardée et
indépendantes.
légèrement atténuée de lui même. On note y(n) le signal avec
l’écho. On note α le coefficient d’affaiblissement et on sup- 1. Calculez le RSB sur le signal reçu y(n).
pose que le retard τ du à l’écho peu être assimilé à un nombre Avant d’être reçu, le signal émis traverse un canal de propaga-
exact de périodes d’échantillonnage. On introduit ainsi p tel que tion avec des échos multiples. On considère que la réponse de
τ = pTe . ce canal s’écrit C(z) = 1 + αz −1 . Le bruit additif est sommé à
1. Écrivez y(n) en fonction de x(n). la sortie du canal.
2. Quelle est la fonction de transfert en Z du filtre qui per- 2. Exprimez le nouveau signal reçu y(n) en fonction de
met de passer de x(n) à y(n) ? x(n) et de b(n).
3. En supposant que vous observiez un grand nombre de 3. Exprimez le nouveau rapport signal à bruit.
valeurs de y(n) mais que vous ne connaissiez pas x(n),
4. On choisit de mettre en réception un filtre de prédiction
proposez une méthode pour estimer α et τ (Vous savez
linéaire à réponse impulsionnelle finie afin de ”reblan-
juste que x(n) est blanc).
chir le signal reçu”. Exprimez le coefficient de ce filtre
4. Proposez une méthode pour supprimer l’écho. blanchisseur d’ordre 1.
EXERCICE 3
On considère un signal aléatoire stationnaire x(n) et l’on sup-
pose connus ses coefficients d’autocorrélation :

r(0) = 3σ 2 , r(1) = 2σ 2 , r(2) = σ 2 , r(3) = 0

On cherche le filtre de prédiction linéaire d’ordre 3 de ce signal.

1. Utilisez l’algorithme de Levinson pour identifier succes-

sivement, en fonction des coefficients d’autocorrélation,
les filtres prédicteurs d’ordre 1, 2 et 3. On notera
[a1 (1)], [a2 (1), a2 (2)], [a3 (1), a3 (2), a3 (3)] ces trois
filtres.

Sonia Djaziri-Larbi Laboratoire Signaux Systèmes Statistiques (L3S) - ENIT 1