Chapitre 4

ANALYSE SPECTRALE
DES SIGNAUX
ALÉATOIRES
Introduction
L’analyse temporelle des signaux aléatoire n’est

pas toujours la plus efficace pour certaines
applications.
L’analyse spectrale qui consiste à analyser les
signaux aléatoires dans le domaine fréquentiel
est alors souvent avantageuse.
Densité spectrale de puissance (DSP)
Passage du domaine temporel au domaine

fréquentiel.
Transformée de Fourier.
Nous avons un outil statistique qui contient une

information unique lorsque le processus est
considéré SSL: c’est la fonction
d’autocorrélation dont la TF fournira une
information sur la distribution fréquentielle de la
puissance moyenne du signal.
Considérons un processus aléatoire X(t) stationnaire au sens
large (SSL) avec fonction d'autocorrélation RX(τ).
Nous définissons la densité spectrale de puissance (DSP) de
X(t) comme la transformée de Fourier de RX(τ).
Nous noterons la DSP de X(t), par SX(f). Plus précisément,
nous pouvons écrire :
Où l’opérateur représente la transformée de Fourier

C’est le théorème de Wiener-Khinchine

si X(t) est un processus aléatoire réel, alors RX(τ) est une
fonction réelle et paire par rapport à τ.
À partir des propriétés de la transformée de Fourier, nous
concluons que la DSP SX(f) est également une fonction réelle et
paire par rapport à f.
Aussi, SX(f) est non négatif pour tout f.
f
f
La puissance du Processus stochastique peut être calculée
par : Où
:
Exemple:
Considérons un processus aléatoire stationnaire au sens large (du

second ordre ou WSS) X(t) avec RX(τ) = e − a | τ |, où a est un
nombre réel positif.
Trouvez la DSP de X (t).
Solution:
Nous devons trouver la transformée de Fourier de RX(τ). Nous

pouvons le faire en regardant une table de transformée de
Fourier ou en trouvant la transformée de Fourier directement
comme suit:
Pour deux processus aléatoires stationnaires du second ordre ou

au sens large (WSS) conjoints X(t) et Y(t), nous définissons la
densité spectrale croisée SXY(f) comme la transformée de Fourier
de la fonction de corrélation croisée ou intercorrélation RXY (τ),
Bruit blanc
L’exemple le plus simple des processus stationnaire est le

bruit blanc.
C’est un signal aléatoire stationnaire au second ordre dont la
densité spectrale de puissance est constante sur tout l’axe des
fréquences.
Bruit blanc
Bruit blanc
Un processus stationnaire x(t) est un bruit blanc si:

– E[x(t)]=0,t (Processus centré)
– Var[x(t) ]=², t
– Rx() = 0 pour  0  Echantillons décorrélés
Rx()= x²() = E[(x(t))²]=x² pour  =0
Les v.a. X(t1) et X(t2) d'un tel signal en deux instants différents
sont non corrélées et de moyennes nulles.
Bruit blanc
Rx(t) Sx(f)
Les bruits blancs diffèrent entre eux par leur densité de

probabilité de la v.a. : bruit blanc uniforme, gaussien, etc.
Bruit blanc
Le bruit blanc n’a pas d’existence physique car il serait de
puissance infini.
Une approximation du bruit blanc est le bruit à bande limitée
appelée aussi bruit blanc coloré, il est défini comme suit:
S x  f    x2 pour f  B

S x  f   0 sinon
x²
x²
Analyse spectrale non paramétrique
Les méthodes d’estimation non paramétrique ne font pas
d’hypothèses à priori sur le signal à analyser, elles sont donc
souvent utilisées pour une analyse préliminaire.
Périodogramme
Périodogramme
Périodogramme
Périodogramme
Périodogramme
Périodogramme
Périodogramme
Correlogramme
Fenêtrage
Résumé
Périodogramme moyenné
Périodogramme lissé
Conclusion
Analyse spectrale paramétrique
Les méthodes d'estimation spectrale paramétriques utilisent un
modèle pour obtenir une estimation du spectre. Ces modèles
reposent sur une connaissance a priori du processus et peuvent
être classées en trois grandes catégories :
DSP d’un SLIT

Soit un système linéaire et invariant dans le temps (SLIT)
défini par sa réponse impulsionnelle h(t) ou sa fonction de
transfert H(z):
La réponse du système linéaire et invariant à un signal

quelconque est donnée par :
y t   xt  ht    x ht   d

DSP d’un SLIT

On peut démontrer que sa fonction d’autocorrélation est:
R y    Rx   h  h*   
En appliquant la transformée de Fourier aux deux membres de
l’équation précédente, la densité spectrale
de puissance est obtenue :

S y  f   TF R y   TF Rx   h  h*   
 S x  f  H  f H *  f 
 H  f  Sx  f 
2
Supposer le signal à analyser généré à l'aide d'un filtre de
modèle de type AR, MA ou ARMA entre autres.
Le filtre a la fonction de transfert causal H (z) et un signal
d'entrée de bruit blanc e(n), complètement décorrélé, avec une
valeur moyenne nulle et une variance σe².
Dans ce cas, le signal de sortie x(n) du filtre est un signal
stationnaire au sens large (second ordre) corrélé et avec une
densité de puissance donnée par:
   S e  H e 
Sx e j
e
j j 2 2
 H e
e  j 2
Les pôles de H(z) correspondent aux ‘’pics’’ de la DSP et les zéros de H(z)
correspondent aux minimums de la DSP¨.
L'approche paramétrique se décompose en trois étapes :

La sélection d'un modèle est souvent plus facile si une certaine

connaissance préalable du signal est disponible.
Différents modèles peuvent donner des résultats plus ou moins
précis, mais peuvent également être plus ou moins exigeants en
termes de calcul.
Modèle AR
Le signal x(n) est supposé être prédictible en fonction d'un
certain nombre de ses valeurs antérieures :
Modèle AR
Il peut donc s'écrire:
N
xn   en    ai xn  i 
i 1
•(ai) i=1,…N : Paramètres du modèle

• e(n) : bruit blanc décorrélé de x(n) de variance ² et qui
représente l'erreur de prédiction.
Modèle AR
Le signal x(n) peut donc être vu comme le résultat du passage

d'un bruit blanc e(n) de variance ² à travers un
Filtre de fonction de transfert H(Z) .
Avec H(z) un filtre RII tout-pôles

1
H z   N
1   ai z i
i 1
Modèle AR
Quand ce filtre AR est excité par un bruit blanc centré de

variance ², alors la DSP du signal produit à la sortie devient :
2
S AR  f   2
N
1   ai e  j 2fi
i 1
Modèle AR
Equations de yule-walker
Elles permettent de déterminer les coefficients ai du modèle
autorégressif AR en les reliant à l’autocorrélation R(k).
En supposant que h(n) est causal, les équations de Yule-walker
sont données comme suit:
Modèle AR
Equations de yule-walker
Pour k>1 on a:
La résolution de ces équations dites de Yule-Walker permet de

connaître les paramètres du filtre et la variance du bruit blanc.
Ainsi, si les valeurs d'auto-corrélation R(0), R(1),…, R(p) sont
connues, les paramètres ai du filtre peuvent être trouvés.
Modèle AR
Exemple :
Soit un processus autorégressif d’ordre 1 (AR1) , solution de
l’équation .
1) Ecrire les équations de Yule-Walker.
2) En déduire les expressions des autocorrélations en fonction de
a1 et la variance ² du bruit.
3) En déduire les expressions de a1 et ² en fonction des
autocorrélations.
Modèle AR
Solution:
Modèle à moyenne ajustée (MA)

Les signaux de ce modèle sont obtenus par passage d’un bruit
blanc dans un filtre à réponse impulsionnelle finie (RIF):
M
H z    bi z i
C’est un filtre tous-zéros. i 1
Ceci donne une équation aux différences suivante:
M
y n    bi xn  i 
X est l’entrée du filtre. i 1
Modèle à moyenne ajustée (MA)

Quand ce filtre MA est excité par un bruit blanc centré de
variance ², alors la DSP du signal produit à la sortie devient :
M 2
S MA  f    2 H  f    2  bi e ij
2
i 0

Chapitre 4

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 4

Transféré par

Droits d'auteur :

Formats disponibles

ANALYSE SPECTRALE

L’analyse temporelle des signaux aléatoire n’est

Passage du domaine temporel au domaine

Nous avons un outil statistique qui contient une

Où l’opérateur représente la transformée de Fourier

C’est le théorème de Wiener-Khinchine

Considérons un processus aléatoire stationnaire au sens large (du

Nous devons trouver la transformée de Fourier de RX(τ). Nous

Pour deux processus aléatoires stationnaires du second ordre ou

L’exemple le plus simple des processus stationnaire est le

Un processus stationnaire x(t) est un bruit blanc si:

Les bruits blancs diffèrent entre eux par leur densité de

DSP d’un SLIT

La réponse du système linéaire et invariant à un signal

y t   xt  ht    x ht   d

DSP d’un SLIT

L'approche paramétrique se décompose en trois étapes :

La sélection d'un modèle est souvent plus facile si une certaine

Il peut donc s'écrire:

•(ai) i=1,…N : Paramètres du modèle

Le signal x(n) peut donc être vu comme le résultat du passage

Avec H(z) un filtre RII tout-pôles

Quand ce filtre AR est excité par un bruit blanc centré de

La résolution de ces équations dites de Yule-Walker permet de

Modèle à moyenne ajustée (MA)

Ceci donne une équation aux différences suivante:

Modèle à moyenne ajustée (MA)

Vous aimerez peut-être aussi