Applications autour de la Transformée de Fourier

La transformée de Fourier
et la vraie vie...

November 29, 2021 1 / 23

Contexte réaliste

Contraintes:
mémoire
temps
Caractéristiques du signal:
longueur disponible (signal court, influence du fenêtrage)
présence de bruit
données manquantes

November 29, 2021 2 / 23

Stratégies

Compression
Filtrage
Acquisition comprimée

November 29, 2021 3 / 23

Garder le minimum d’informations: compression
Appliquer la FFT
Garder les intensités plus grandes qu’un seuil
Reconstruire
→ Exemple: JPEG 1 image → 8x8 pixels (64 bytes)
2-D DCT discrete cosine transform
N−1 N−1
2 XX π(2i + 1)n π(2j + 1)m
Fnm = Cn Cm fij cos( )cos( )
N 2N 2N
i=0 j=0
√
N = 8, C0 = 12, Ci = 1 pour i > 0. Compression → 2-20 bytes

November 29, 2021 4 / 23

Modifier les caractéristiques spectrales du signal: filtrage

Sélectionner une bande de fréquences

Filtre passe-bas rectangulaire :

Matrice 500 x 400 → Matrice 50 x 40

November 29, 2021 5 / 23

Filtres rectangulaires dans l’espace de Fourier

Complet Passe-bas Passe-haut

Physique

Spectral

! Un créneau dans l’espace spectral n’est pas à bande limitée dans l’espace
physique

November 29, 2021 6 / 23

Construire un filtre simple dans l’espace physique

Le filtre est appliqué au signal par convolution

N
X
yn = bi fn−i
i=0

y =h∗f
ŷk = ĥk fˆk
Les propriétés du filtre (réponse en fréquence, amplitude et déphasage)
sont déterminées à partir de l’entrée f et de la sortie y .

November 29, 2021 7 / 23

Exemple de filtre: moyenne glissante

Moyenne glissante sur 3 points bi = 13 , i = 0, 1, 2.

y =h∗f
1
hn = [δn + δn−1 + δn−2 ]
3
1
H(e 2iπf ) = (1 + e −2iπf + e −4iπf )
3

November 29, 2021 8 / 23

Récupérer l’information manquante ou bruitée

Haupt et Nowak (2006)

November 29, 2021 9 / 23

Récupérer l’information manquante ou bruitée:
Compressed sensing ou acquisition comprimée

Objectif de l’acquisition comprimée: (Kutiniok 2018)

Estimer un signal creux (sparse) à partir de quelques mesures
linéaires par optimisation convexe
Rechercher un vecteur creux (kxk0 = #{i : xi 6= 0})
Estimer x à partir de y = Ax
où dans le cas de l’estimation spectrale
y représente les mesures (possiblement bruitées) - signal physique f (xj )
A représente la décomposition modale - modes de Fourier
Ajk = e 2iπjk/N
x représente l’état à estimer - coefficient spectral f˜k
→ LASSO (Tibshirani 1996)

November 29, 2021 10 / 23

Toute donnée est-elle creuse?

On peut en général trouver une représentation appropriée:

→ Décomposition ondelettes
→ Base ou cadre (possibilité de redondance)

November 29, 2021 11 / 23

Problème de minimisation

Minx kxk0 sous la contrainte y = Ax

kxk0 = {#i; |xi | =
6 0}
Basis Pursuit Chen, Donoho and Saunders (2006)

Minx kxk1 sous la contrainte y = Ax

X
kxk1 = |xi |
i

November 29, 2021 12 / 23

Régularisation

Régularisation L1 - LASSO
1
Minx kAx − y k22 + λkxk1
2
Régularisation L2 - ”ridge” (cas particulier Tikhonov)

1
Minx kAx − y k22 + λkxk22
2
Elasticnet (= LASSO pour α = 1)
 
1 2 1−α 2
Minx kAx − y k2 + λ αkxk1 + kxk2
2 2

November 29, 2021 13 / 23

Exemple

November 29, 2021 14 / 23

Différents algorithmes d’optimisation

Optimisation convexe
Algorithmes ’greedy’
Approches combinatoires

November 29, 2021 15 / 23

Optimisation convexe

En l’absence de bruit

Minx kxk1 sous la contrainte y = Ax

En présence de bruit

Minx kxk1 sous la contrainte kAx − y k22 ≤ 

→
1
Minx kAx − y k22 + λkxk1
2
avec λ paramètre de régularisation

November 29, 2021 16 / 23

Algorithme ”greedy”: Orthogonal Matching Pursuit
(OMP)

On veut déterminer x à partir de

Ax = y

y de petite dimension (peu de mesures)

x grand mais creux
Idée:
Sélectionner la colonne de A la mieux alignée avec le résidu r (au
départ r = y )
Définir le résidu à partir de la projection de y sur le sous-espace
engendré par les colonnes sélectionnées de A

November 29, 2021 17 / 23

Principe de l’OMP

Algorithme: (Pati et al. 1993)

En entrée A = [ai ], pour un seuil 
Initialiser k = 0, x0 = 0, r0 = y − Ax0 , S0 = Supp x0 = ∅.
Répéter
1 k =k +1
2 Choisir j tel que Minc kcaj − r k−1 k2 ≤ kcai − r k−1 k2
3 S k = S k−1 ∪ j
4 Calculer x k = Argminx kAx − y k2 sous la contrainte Supp x = S k
5 Calculer r k = y − Ax k
jusqu’à ce que kr k k2 ≤ 

November 29, 2021 18 / 23

Effet de fenêtrage dans l’espace physique

Fenêtre 100% 90% 75%

Physique

Spectral

Modification de la Fenêtre → Modification des fréquences

November 29, 2021 19 / 23

Approches auto-régressives pour signal court

Soit un signal échantillonné xn .

On va construire un modèle yn à partir du signal xn

− pk=1 ak yn−k + ql=0 bl xn−l

P P
yn =
Auto Regressive [AR (p)] Moving Average [MA (q)]

La densité spectrale est alors calculée à partir de la détermination des

coefficients an et bn .

November 29, 2021 20 / 23

Modèle AR et autocorrélation

On peut se limiter au modèle AR(p)

p
X
yn = − φk yn−k + ξn
k=1

< yn >= 0, ξn bruit de variance σ 2 inconnu

Equations de Yule-Walker:
p
X
rk = − φl rk−l , for k = 1, . . . p
l=1

avec rk = E [yn+k yn∗ ].

November 29, 2021 21 / 23

Résolution du système de Yule-Walker

    
r1 r0 r1 r2 · · · rp−2 rp−1 φ1
 r2   r1
   r0 r1 · · ·   φ2 
rp−3 rp−2   
 ···  =  ···  ··· 
    
rp−1  rp−2 rp−3 rp−4 · · · r0 r1  φp−1 
rp rp−1 rp−2 rp−3 · · · r1 r0 φp
| {z } | {z } | {z }
r R φ

On normalise par r0 = Ryy (0)

On résout pour φk .
On détermine alors σ 2 avec
p
X
Ryy (0) = − al Ryy (−l) + σ 2
l=1

November 29, 2021 22 / 23

Diverses analyses spectrales d’ un même signal...

Kay and Marple, Proceedings of the IEEE 1981

November 29, 2021 23 / 23