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.