Chap 08

eivd R egulation num erique
Chapitre 8
Identication des systèmes
dynamiques lineaires
Chapitre 8 : Identification, v.1.2 1 mee \chap08.dvi\7 mars 2002
Table des matières
8 Identication des systèmes dynamiques lineaires 1
8.1 Identication non-parametrique de systèmes dynamiques lineaires 4
8.1.1 Estimation de reponse harmonique : ETFE [1] . . . . . . . 4
8.1.2 Proprietes de lETFE . . . . . . . . . . . . . . . . . . . . . 6
8.1.3 Proprietes statistiques de lETFE . . . . . . . . . . . . . . 10
8.1.4 Amelioration de la variance de lETFE : moyennage et lissage 17
8.2 Identication parametrique . . . . . . . . . . . . . . . . . . . . . . 18
8.2.1 Structures de modèles . . . . . . . . . . . . . . . . . . . . 18
8.2.2 Methode PEM . . . . . . . . . . . . . . . . . . . . . . . . 22
8.2.3 Cas particulier : modèle de structure ARX, methode des
moindres carres . . . . . . . . . . . . . . . . . . . . . . . . 24
8.2.4 Biais et variance de la methode des moindres carres . . . . 29
8.2.5 Inversibilite de la matrice R
N
. . . . . . . . . . . . . . . . 34
.1 Rappel de theorie des probabilites [4] . . . . . . . . . . . . . . . . 35
.1.1 Processus, signaux et variables aleatoires . . . . . . . . . . 35
.1.2 Fonction de repartition et densite de probabilite [[4], 14.2] 35
.1.3 Esperance mathematique, moyenne et variance . . . . . . . 35
.1.4 Fonctions dautocorrelation et dautocovariance [[4], 5.2] . 36
.1.5 Stationnarite et ergodisme [[4], 5.1.11 et 5.1.13] . . . . . 36
.2 Transformee de Fourier de signaux discrets [[4] et [6]] . . . . . . . 38
.2.1 Transformee de Fourier dun signal discret . . . . . . . . . 38
.2.2 Transformee de Fourier discrète (TFD) . . . . . . . . . . . 40
.2.3 Periodogramme . . . . . . . . . . . . . . . . . . . . . . . . 44
.2.4 Densite spectrale de puissance () (spectre) . . . . . . 45
8.1 Identication non-parametrique de systèmes
dynamiques lineaires
Lidentication non-parametrique de systèmes dynamiques consiste à en ob-
tenir les reponses temporelle et frequentielle sous forme experimentale, sans en
rechercher directement les paramètres ou la fonction de transfert (pour le cas
lineaire). Le problème de lidentication non-parametrique est de denir les condi-
tions dexperience à satisfaire pour que les reponses mesurees reètent le compor-
tement eectif (celui que le regulateur verra) du système que lon etudie et den
chirer le degre de concordance.
Il faut en eet realiser que lon pas accès, au signal de sortie du vrai système,
à cause des bruits et autres perturbations aectant sy superposant (gure 8.1).
1
I
y(t) u(t) "vrai"
systme
f_08_04. eps
5
e(t) v(t)
Fig. 8.1 On na pas accès au signal de sortie du vrai système, celui-ci etant
perturbe (v(t)) et le signal subissant linuence de bruits (n(t)) (f 08.dsf).
Lorsque lon souhaite determiner experimentalement le comportement frequentiel
de systèmes dynamiques lineaires, deux problèmes cles doivent etre resolus :
on doit sassurer autant que possible que la duree dacquisition corresponde
à un nombre entier de periodes du signal de sortie du système. Cela est
resolu en tenant compte des indications donnees au 8.1.2 page 6, o` u
lon sarrange pour que les signaux acquis puissent etre consideres comme
periodiques ;
la minimisation de leet du bruit (y compris perturbations). Cela se fait
en augmentant la duree daquisition (nombre N de points), en traitant le
spectre des signaux (par exemple par moyennage) ou en choisissant judi-
cieusement le signal dexcitation u(k).
8.1.1 Estimation de reponse harmonique : ETFE [1]
On considère un système dynamique lineaire de vraie fonction de transfert
G
0
(z), ayant u(k) pour entree et dont la sortie est perturbee par un bruit v(k)
(gure 8.2). On a :
y(k) =
l=0
g
0
(l) u(k l) +v(k) = g
0
(k) u(k) +v(k)
1
I
y(k) u(k)
G
0
(z)
f_05_05. eps
5
v(k)
Fig. 8.2 Representation du problème : la vraie fonction de transfert est G
0
(z)
et lensemble des signaux perturbateurs, i.e. non-correles avec u(k), est represente
par v(k) (f 08.dsf).
Il vaut ici la peine de remarquer que lon ne cherche pas à identier un modèle
analogique, par exemple une fonction de transfert G
a
(s), mais directement le
modèle echantillonne G
0
(z). Analytiquement, ces 2 fonctions de transfert sont
liees par la relation (chap.5)
G
0
(z) =
Y (z)
U(z)
=
_
1 z
1
_
Z
_
L
1
_
G
a
(s)
s
__
Le signal dentree u(k), que lon peut en principe imposer lors des travaux dedies
à lidentication, est plutot de nature deterministe alors que la perturbation v(k)
est de nature stochastique. On admet que ses paramètres statistiques sont
= E[v(k)] = 0, i.e. la moyenne de v(k) est nulle

2
= E
_
(v(k) )
2
= , i.e. la variance de v(k) est egale à . Notons que

=
represente ici la (vraie) valeur ecace du bruit v(k).

Le problème pose est de determiner une estimation

G(e
j
) de la reponse har-
monique G
0
(e
j
) de G
0
(z), sachant quexperimentalement, seuls N echantillons
ont ete preleves sur les signaux u(k) et y(k) : on a donc a disposition u
N
(k),
y
N
(k) ainsi que les paramètres et du bruit v(k).
En allant droit au but, il est clair quune estimation de G
0
(z), dune qualite
à denir, peut etre obtenue en calculant les transformees de Fourier discrètes
(ci-après TFD) de u
N
(k) et de y
N
(k) et en evaluant :
G
N
(e
j
) =
Y
N
()
U
N
()
=
F{y
N
(k)}
F{u
N
(k)}
=
N1
k=0
y
N
(k) e
jkh
N1
k=0
u
N
(k) e
jkh
(8.1)
Cette estimation porte le nom de ETFE (empirical transfer function estimate).
8.1.2 Proprietes de lETFE
On peut montrer [[1], 6.3, p.147] que
G
N
(e
j
) =
Y
N
()
U
N
()
= G
0
(e
j
) +
R
N
()
U
N
()
+
V
N
()
U
N
()
(8.2)
o` u
|R
N
()|
1
N
et U
N
(), V
N
() sont les transformees Fourier de u
N
(k), v
N
(k), respectivement.
On observe demblee que lestimation

G
N
(e
j
) de G
0
(e
j
) est dautant meilleure
que le nombre N est eleve, puisque |R
N
()|
1
N
.
Cas particulier : u(k) periodique On peut montrer que si u(k) est periodique
de periode egale à un multiple de N h, i.e. si u
N
(k) est une periode ou un nombre
entier de periodes de u(k), alors R
N
() = 0 pour =
2
h
k
1
N
, i.e. aux frequences
auxquelles la TFD est denie. Dans le but dannuler R
N
(), il y a donc interet
à ce que le signal u(k) soit periodique de periode N h. Avec le logiciel AcqBode
(actuellement RTPWatch) cree par le Prof. F.Mudry dans le but didentier les
systèmes dynamiques lineaires, on calcule la transformee de Fourier discrète de
deux signaux correspondant à lexcitation et à la reponse du système etudie.
Le signal dexcitation u(k) prend la forme dune suite binaire pseudo aleatoire
(SBPA) de N points, repetee R = 2 fois an de mettre la sortie y(k) du système
en regime permanent periodique. Les N derniers points seuls, i.e. la dernière
periode seule, sont alors preleves et leurs TFD calculee. Si les termes transitoires
ont eectivement disparu, on calcule eectivement la TFD dun signal periodique
et le terme R
N
() est nul aux frequences auxquelles

G
N
(e
j
) est evaluee.
Exemple
Pour illustrer limportance du signal dexcitation u(k), on eectue les 3 tests
suivants, avec v(k) = 0, i.e. sans bruit an separer les problèmes. De ce fait, la
relation (8.2) devient
G
N
(e
j
) = G
0
(e
j
) +
R
N
()
U
N
()
+
0
..
V
N
()
U
N
()
= G
0
(e
j
) +
R
N
()
U
N
()
On examine les cas suivants :
u(k) = (k) : cest un signal qui est spectralement très riche, mais qui ne
met pas le système G
0
(z) dans un etat de regime permament periodique. La
gure 8.3 montre les signaux u
N
(k) et y
N
(k) et la gure 8.4 le diagramme
de Bode de

G
N
(e
j
) correspondante.
0 0.05 0.1 0.15 0.2 0.25
0
0.2
0.4
0.6
0.8
1
u
N
(
k
)
Signaux
0 0.05 0.1 0.15 0.2 0.25
0
0.05
0.1
0.15
0.2
t [s]
y
N
(
k
)
|
v
=
0
,

y
N
(
k
)
|
v

0
Fig. 8.3 Signal dexcitation u(k) = u
N
(k) et reponse y(k) = y
N
(k). y
N
(k) ne
constitue à levidence pas une ou un nombre entier de periodes de y(k), comme
requis selon la relation (8.2) pour que le terme
R
N
()
U
N
()
sannule. Lestimation de la
reponse harmonique

G
N
(e
j
) est donnee sur la gure 8.4 (t 03 01.m).
10
0
10
1
10
2
10
3
100
80
60
40
20
0
20
40
Diagrammes de Bode de G(e
j h
) et Y
N
()/U
N
() (pour v(k)=0)
10
0
10
1
10
2
10
3
600
500
400
300
200
100
0
f [Hz]
G(e
j h
)
Y
N
()/U
N
()|
v=0
Fig. 8.4 Comparaison de la vraie reponse harmomique G
0
(e
j
) et de son es-
timation

G
N
(e
j
), avec u
N
(k) et y
N
(k) selon gure 8.3. Le mauvais resultat
sexplique par le fait que le terme
R
N
()
U
N
()
de la relation (8.2) est non-nul, y
N
(k)
netant manifestement pas une periode de y(k) (t 03 01.m).
u
N
(k) constitue de deux impulsions unite discrètes, la première en k = 0 et
la seconde, avec une polarite inversee, en k =
N
2
. Ce signal de base est repete
R = 2 fois, ce qui dans le cas particulier met y(k) dans un etat de regime
quasi permament periodique pour k > R N = N (gure 8.5). La dernière
periode de y(k) est donc extrayable telle quelle pour eectuer lanalyse et
les resultats (gure 8.6 page ci-contre) sont meilleurs que precedemment
(gure 8.4 page precedente).
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
1
0.5
0
0.5
1
u
N
(
k
)
Signaux
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.1
0.05
0
0.05
0.1
0.15
0.2
0.25
t [s]
y
N
(
k
)
|
v
=
0
,

y
N
(
k
)
|
v

0
Fig. 8.5 Signal dexcitation u(k) et reponse y(k). u(k) est constitue de R = 2
periodes. On observe que les transitoires sont amorties dès la n de la première
periode. De ce fait, le signal y(k) peut etre admis periodique de periode N h
pour k > R N = N. Si lon avait genere u(k) avec une periode de plus (R =
3), on aurait simplement obtenu une 3
ème
periode. Lestimation de la reponse
harmonique

G
N
(e
j
) est donnee sur la gure 8.6 page suivante (t 03 02.m).
10
0
10
1
10
2
10
3
100
80
60
40
20
0
20
40
j h
) et Y
N
()/U
N
() (pour v(k)=0)
10
0
10
1
10
2
10
3
600
500
400
300
200
100
0
f [Hz]
G(e
j h
)
Y
N
()/U
N
()|
v=0
0
(e
j
) et de son esti-
mation

G
N
(e
j
), avec u
N
(k) et y
N
(k) selon gure 8.5 page precedente. La egère
discordance apparaissant aux frequences elevees est due au fait que le signal
preleve y
N
(k) subit comporte encore des termes transitoires. Un signal dexcita-
tion u(k) comportant une periode de plus resoudrait le problème. (t 03 02.m).
u
N
(k) est cette fois une SBPA (gure 8.7), repetee egalement R = 2 fois.
Les resultats (gure 8.8 page suivante) sont equivalents au cas precedent
(gure 8.6).
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
1
0.5
0
0.5
1
u
N
(
k
)
Signaux
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.5
0
0.5
1
1.5
2
t [s]
y
N
(
k
)
|
v
=
0
,

y
N
(
k
)
|
v

0
Fig. 8.7 Signal dexcitation u(k) et reponse y(k). On ne prelève que les N
derniers echantillons, ce qui correspond à une periode du signal periodique y(k)
(les N premiers echantillons correspondant au regime transitoire). Lestimation
de la reponse harmonique

G
N
(e
j
) est donnee sur la gure 8.8 page suivante
(t 03 03.m).
10
0
10
1
10
2
10
3
100
80
60
40
20
0
20
40
j h
) et Y
N
()/U
N
() (pour v(k)=0)
10
0
10
1
10
2
10
3
700
600
500
400
300
200
100
0
f [Hz]
G(e
j h
)
Y
N
()/U
N
()|
v=0
0
(e
j
) et de son estima-
tion

G
N
(e
j
), avec u
N
(k) et y
N
(k) selon gure 8.7 page precedente (t 03 03.m).
8.1.3 Proprietes statistiques de lETFE
Les proprietes statistiques (notamment la moyenne et la variance) de

G
N
(e
j
)
relativement à lentree stochastique v(k) permettent de chirer la qualite de les-
timation.
Moyenne
Lesperance mathematique de

G
N
(e
j
) doit montrer si lestimateur tend bel
et bien vers G
0
(e
j
). On a [[1], 6.3, p.148] :
E
_
G
N
(e
j
)
_
= E
_
G
0
(e
j
)
. .
G
0
(e
j
)
+E
_
R
N
()
U
N
()
_
. .
R
N
()
U
N
()
+ E
_
V
N
()
U
N
()
_
. .
0 car E[V
N
()]=F{E[v(k)]}=0
On voit que
G
N
(e
j
) G
0
(e
j
) pour N
puisque lim
N
R
N
() = 0 et E[v(k)] = 0.

G
N
(e
j
) est ainsi un estimateur non
biaise de G
0
(e
j
).
Variance
La variance de lestimateur montre comment uctue celui-ci autour de sa
moyenne E
_
G
N
(e
j
)
_
= G
0
(e
j
). On montre que [[1], 6.3, p.149] :
E
_
_
G
N
(e
j
) G
0
(e
j
)
_
2
_

v
()
|U
N
()|
2
pour N
o` u
v
() est la densite spectrale de puissance (spectre) de lentree stochastique
v(k) ( .2.4 page 45 ) et U
N
() est la transformee de Fourier de u
N
(k)). On voit
que la variance de lestimateur ne tend pas vers 0, meme pour un grand nombre
N dechantillons, mais vers
v
()
|U
N
()|
2
La variance de

G
N
(e
j
) est donc dependante du spectre (plus pecisement de la
densite spectrale de puissance)
v
() du bruit v(k). Si
v
() est donnee, la va-
riance ne peut etre reduite quen choisissant |U
N
()| de manière à diminuer le
rapport
v()
|U
N
()|
2
. On concoit dès lors que le choix dun signal dexcitation spec-
tralement très riche est un avantage. La consequence de ce fait est que souvent,
le graphe de la reponse harmonique est très uctuant lorsque le rapport signal
sur bruit nest pas satisfaisant (gures 8.9, 8.13 page 14 et 8.15 page 15, la -
gure 8.15 page 15 montrant lamelioration obtenue en augmentant la densite
spectracle de u
N
(k)).
10
1
10
2
10
3
10
4
120
110
100
90
80
70
60
50
Diagramme de Bode de Y
N
()/U
N
()
10
1
10
2
10
3
10
4
200
100
0
100
200
[rad/s]
Y
N
()/U
N
()|
f_lse_m_03_9.eps
Fig. 8.9 Meme dans de bonnes conditions dexperiences (ici un cas reel didenti-
cation dun système mecanique comportant une elasticite, schema technologique
de la gure 8.10 page suivante), lETFE fournit une reponse très uctuante, prin-
cipalement à cause du bruit v(k). Cela est la consequence de la variance de
G
N
(e
j
), laquelle est dependante du spectre de v(k) et tend vers
v()
|U
N
()|
2
. A v(k)
donne, on peut donc reduire la variance en choisissant un signal dexcitation
u
N
(k) tel que |U
N
()|
2
soit eleve (lse m 03.m).
R
f
G
1
(t) T
em
(t) G
2
(t)
inertie du rotor :
J
1
inertie de la charge :
J
2
rigidit de l'arbre
de transmission :
k [Nm/rad]
coefficient de
frottement visqueux :
des paliers
R
f
[Nms/rad]
R
f
f_08_06. eps
Fig. 8.10 Schema technologique dun système mecanique (suppose lineaire),
possedant un arbre elastique (i.e. non inniment rigide). La consigne de couple
moteur u(k) = T
emc
(k) a ete impose (SBPA) et la vitesse (y(k) = (k)) de celui-
ci a ete mesuree avant de calcul lETFE. Les resultats de lETFE sont indiques
sur la gure 8.9 page precedente et les signaux sont visibles sur la gure 8.11
(f 08.dsf).
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
3
2
1
0
1
2
3
u
N
(
k
)
Signal dentre : SBPA de 1024 points
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
3
2
1
0
1
2
3
x 10
3
t [s]
y
N
(
k
)
Rponse du systme la SBPA
f_lse_m_03_1.eps
Fig. 8.11 Signal dexcitation et reponse du système represente sur la gure 8.10
(lse m 03.m).
Correlation entre deux frequences voisines
Les estimations fournies par

G
N
(e
j
) à deux frequences dierentes f
1
et f
2
ne sont asymptotiquement pas correlees ! On montre que [[1], 6.3, p.149]
E
__
G
N
(e
j
1
) G
0
(e
j
1
)
_
G
N
(e
j
2
) G
0
(e
j
2
)
__
0 pour N
Cela signie par exemple que lestimateur ne voit pas de dependance forte entre
le gain de la fonction de transfert à deux frequences voisines lune de lautre.
Or, cela contredit lexperience, puisque lon sait que la reponse harmonique dun
système lineaire ne varie que de manière douce.
Exemple
On considère maintenant le meme système que le premier exemple traite
( 8.1.2 page 6), perturbe par un bruit v(k) de moyenne nulle et de variance
= 0.0001, soit une valeur ecace =
= 0.01.
Dans un premier temps, le système excite un signal u
N
(k) forme à nouveau
par la repetition periodique (R = 2 fois) de deux impulsions unite discrètes
de signes opposes (selon gure 8.5 page 8). Ce signal est egalement donne
sur la gure 8.12, avec le signal de sortie y
N
(k), bruite par la perturbation
v(k) egalement guree.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
1
0.5
0
0.5
1
u
N
(
k
)
Signaux
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.1
0
0.1
0.2
0.3
y
N
(
k
)
|
v
=
0
,

y
N
(
k
)
|
v

0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.04
0.02
0
0.02
0.04
t [s]
v
(
k
)
Fig. 8.12 Signal dexcitation u
N
(k), reponse y
N
(k) et bruit v(k). Lestimation

G
N
(e
j
(t 03 04.m).
10
0
10
1
10
2
10
3
100
80
60
40
20
0
20
40
j h
), Y
N
()/U
N
() (pour v(k)=0) et Y
N
()/U
N
() avec bruit v(k) de variance =0.0001
10
0
10
1
10
2
10
3
1000
500
0
500
1000
1500
f [Hz]
G(e
j h
)
Y
N
()/U
N
()|
v=0
Y
N
()/U
N
()|
v =0
0
(e
j
) et de son
estimation

G
N
(e
j
), avec u
N
(k) et y
N
(k) selon gure 8.12 page precedente. Les
resultats de lestimateur sans bruit sont egalement donnes (t 03 04.m).
le système est maintenant excite par une SBPA (gure 8.14). Les resultats
sont donnes à la gure 8.15 page ci-contre qui montre une amelioration
substantielle par rapport à ceux de la gure 8.13.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
1
0.5
0
0.5
1
u
N
(
k
)
Signaux
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
1
0
1
2
y
N
(
k
)
|
v
=
0
,

y
N
(
k
)
|
v

0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.04
0.02
0
0.02
0.04
t [s]
v
(
k
)
N
(k), reponse y
N

G
N
(e
j
(t 03 05.m).
10
0
10
1
10
2
10
3
100
80
60
40
20
0
20
40
j h
), Y
N
()/U
N
N
()/U
N
10
0
10
1
10
2
10
3
2500
2000
1500
1000
500
0
f [Hz]
G(e
j h
)
Y
N
()/U
N
()|
v=0
Y
N
()/U
N
()|
v =0
0
(e
j
) et de son
estimation

G
N
(e
j
), avec u
N
(k) et y
N
(k) selon gure 8.14 page precedente. Les
resultats de lestimateur sans bruit sont egalement donnes (t 03 05.m).
Cet exemple met en evidence limportance du signal dexcitation. Dans le dernier
cas, les resultats obtenus sont meilleurs car la variance
v
()
|U
N
()|
2
de

G
N
(e
j
) a ete diminuee en choisissant un signal dexcitation ayant |U
N
()|
eleve.
Neanmoins, la comparaison de lestimateur ETFE avec la vraie reponse har-
monique montre, meme dans le cas de la gure 8.15, toute la diculte quil y a
à identier la reponse frequnetielle de systèmes dynamiques.
En guise de conclusion de cet exemple, on choisit maintenant un signal dexci-
tation u
N
(k) constitue dune somme de sinus damplitude 1, de frequences variant
de
fe
N
à
N
2

fe
N
et de phase aleatoire à distribution uniforme ( = 0, = 1).
Ce signal a pour propriete davoir une densite spectrale de puissance encore plus
elevee que la SBPA, i.e. detre plus puissant pour chaque composante spectrale.
Repete R = 2 fois, ce signal est donne sur la gure 8.16 page suivante et la
reponse harmonique de lestimateur se trouve sur la gure 8.17 page suivante.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
20
0
20
40
u
N
(
k
)
Signaux
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
10
0
10
20
y
N
(
k
)
|
v
=
0
,

y
N
(
k
)
|
v

0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
0.04
0.02
0
0.02
0.04
t [s]
v
(
k
)
N
(k), reponse y
N

G
N
(e
j
) est donnee sur la gure 8.17 (t 03 06.m).
10
0
10
1
10
2
10
3
100
80
60
40
20
0
20
40
j h
), Y
N
()/U
N
N
()/U
N
10
0
10
1
10
2
10
3
1200
1000
800
600
400
200
0
f [Hz]
G(e
j h
)
Y
N
()/U
N
()|
v=0
Y
N
()/U
N
()|
v =0
0
(e
j
) et de son
estimation

G
N
(e
j
), avec u
N
(k) et y
N
(k) selon gure 8.16. Les resultats de les-
timateur sans bruit sont egalement donnes (t 03 06.m).
8.1.4 Amelioration de la variance de lETFE : moyennage
et lissage
Pour diminuer la variance de lestimation

G
N
(e
j
), on peut prendre en compte
le fait que la valeur moyenne du bruit v(k) est nulle. En repetant lexperience
plusieurs fois (disons R fois N points, soit M = R N) et en sommant les reponses
frequentielles estimees, on diminue la variance du facteur R. On a :
G
M
(e
j
) =
1
R

R
l=1
G
N
(e
j
)
Linconvenient de cette manière de faire est evidemment que la duree des essais
est prolongee, puisquil faut acquerir R N mesures. Une alternative [[2], 8.5,
p.212] consiste à partager un ensemble existant de N mesures en R sous-ensembles
de M points et à calculer

G
N
(e
j
) pour chacun des sous-ensembles. On a :
G
N
(e
j
) =
1
R

R
l=1
G
M
(e
j
)
La variance est egalement divisee par R mais en revanche la resolution frequentielle
est degradee, puisque lon aura
f =
f
e
M
= R
f
e
R M
. .
N
= R
f
e
N
La resolution frequentielle est ainsi R fois plus grossière. Cette dernière manière
de faire porte le nom de methode de Welch.
Une methode damelioration de la variance de lestimation

G
N
(e
j
) consiste
à lisser la reponse harmonique obtenue à laide dun ltre (ce que font sans autre
nos propres yeux !). Cest la methode de Blackman-Tukey, decrite dans [[1],6.4]
et [[2], 8.5].
8.2 Identication parametrique
8.2.1 Structures de modèles
On presente dans ce paragraphe 2 structures permettant de representer des
systèmes physiques lineaires ayant une entree u(k) et une sortie y(k). Ces struc-
tures ont pour caracteristique remarquable de modeliser, avec une dynamique
appropriee, linuence du bruit/des perturbations agissant sur le système.
Lensemble des eets des bruits et perturbations sont representees par le si-
gnal stochastique v(k), lui-meme etant genere avec une dynamique H(z) par le
signal egalement stochastique e(k), de type bruit blanc, de distribution normale
(Gauss), à moyenne nulle et à variance
2
= . e(k) etant externe au système et
independant, on denomme e(k) variable exogène.
Sous forme generale, la structure est representee par la gure 8.18,
1
I
y(k) u(k)
G(z)
f_05_01 . eps
5
H(z)
e(k)
v(k)
Fig. 8.18 Modèle de structure generale, prenant en compte les perturbations
v(k) en ltrant un bruit blanc e(k) avec la dynamique H(z).
et lon peut ecrire :
Y (z) = G(z) U(z) + H(z) E(z)
On se limite ici à la presentation de 2 structures, ARX et ARMAX. On se
referera à [[1], 4.2] pour un traitement detaille.
Structure ARX
Dans le cas de la structure ARX (AR=AutoRegressive, X=eXogeneous
ou eXtra variable), le bruit e(k) perturbe la sortie brute de la fonction de
transfert G(z) du système via la dynamique
H(z) =
1
A(z)
alors que le système lui-meme est represente par
G(z) =
B(z)
A(z)
=
B(z)
..
b
1
z
1
+b
2
z
2
+. . . +b
n1
z
n+1
+b
n
z
n
1 +a
1
z
1
+. . . +a
n1
z
n+1
+a
n
z
n
. .
A(z)
1
I
y(k) u(k)
f_05_02. eps
5
e(k)
v(k)
A(z)
1
A(z)
B(z)
Fig. 8.19 Modèle de structure ARX.
On a donc :
Y (z) =
B(z)
A(z)
. .
G(z)
U(z) +
1
A(z)
. .
H(z)
E(z)
et lequation aux dierences associee à cette structure est donc :
y(k) +a
1
y(k 1) +. . . +a
n1
y(k n + 1) + a
n
y(k n)
= b
1
u(k 1) +. . . + b
n1
u(k n + 1) + b
n
u(k n)
+e(k)
Linconvenient de cette structure est quelle impose par A(z) une dynamique
commune pour la propagation du signal dentree u(k) et du bruit v(k). On concoit
que ce modèle ne puisse convenir certaines applications. De plus, lidentication
des paramètres par la methode des moindre carres presentee au 8.2.2 page 22 a
tendance a tendance à favoriser une bonne identication du système G(z) =
B(z)
A(z)
aux hautes frequences, au detriment des basses frequences ([[1], 8.5 p.228 et
relation (8.68)]).
Structure ARMAX
Avec la structure ARMAX (MA=moving average), on ore un degre de
liberte supplementaire pour modeliser la dynamique des perturbations e(k) en
les faisant intervenir sur le système avec la fonction de transfert
H(z) =
C(z)
A(z)
=
C(z)
..
1 +c
1
z
1
+ c
2
z
2
+ . . . + c
n1
z
n+1
+c
n
z
n
1 +a
1
z
1
+. . . +a
n1
z
n+1
+a
n
z
n
. .
A(z)
Grace à C(z), on peut avoir G(z) et H(z) avec des dynamiques très dierentes,
ce qui compense en partie les lacunes de la structure ARX.
1
I
y(k) u(k)
f_08_03. eps
5
e(k)
v(k)
A(z)
C(z)
A(z)
B(z)
Fig. 8.20 Modèle de structure ARMAX.
On a :
Y (z) =
B(z)
A(z)
. .
G(z)
U(z) +
C(z)
A(z)
. .
H(z)
E(z)
alors que lequation aux dierences correspondante est :
y(k) +a
1
y(k 1) +. . . +a
n1
y(k n + 1) + a
n
y(k n)
= b
1
u(k 1) +. . . +b
n1
u(k n + 1) + b
n
u(k n)
+e(k) + c
1
e(k 1) +. . . +c
n1
e(k n + 1) + c
n
e(k n)
8.2.2 Methode PEM
Lorsque lon a selectionne une structure de modèle (ARX, ARMAX, etc,
8.2.1 page 18) potentiellement capable de representer le système dynamique
lineaire que lon souhaite identier ainsi que la nature des perturbations v(k)
laectant, il reste à determiner les valeurs numeriques de ses paramètres, i.e. à
eectuer une identication parametrique.
Si lon se replace dans le contexte de lidentication de la reponse frequentielle
vu au 8.1 page 4, o` u lestimateur ETFE

G
N
(e
j
) fournissait le gain et la phase
(estimes) dune fonction de transfert G
0
(z) en plusieurs frequences (et non pas la
fonction de transfert elle-meme), on cherche ici directement un estimateur pour
chacun des paramètres de la meme fonction de transfert G
0
(z).
On presente ici la methode PEM (prediction-error identication method),
une technique permettant dobtenir les valeurs numeriques des paramètres des
fonctions de transfert G(z) et H(z) dun modèle de structure generale (gure 8.21).
1
I
y(k) u(k)
G(z)
f_05_01 . eps
5
H(z)
e(k)
v(k)
Fig. 8.21 Modèle de structure generale, prenant en compte les perturbations
v(k) en ltrant un bruit blanc e(k) avec la dynamique H(z).
Dans le cas dune structure ARX ( 8.2.1 page 19), on a G(z) =
B(z)
A(z)
et
H(z) =
1
A(z)
, alors que G(z) =
B(z)
A(z)
et H(z) =
C(z)
A(z)
pour une structure ARMAX
( 8.2.1 page precedente).
Partant dun ensemble de N mesures y
N
(k) correspondant aux entrees u
N
(k),
on reunit les paramètres de G(z) et H(z) à identier dans le vecteur-colonne

,
et la methode PEM va fournir une estimation

N
de

minimisant la fonction
V
N
_
, y
N
(k), u
N
(k)
_
=
1
N

N1
k=0
((k))
o` u (k) correspond à lerreur de prediction y(k) y(k). On obtient donc :
N
= arg min
_
V
N
_
, y
N
(k), u
N
(k)
__
à comprendre comme
N
est la valeur de largument de la fonction V
N
_
, y
N
(k), u
N
(k)
_
minimisant cette dernière.
On peut montrer que le predicteur y(k) prend la forme generale [[1], 3.3,
p.56]
Y (z) =
G(z)
H(z)
U(z) +
_
1
1
H(z)
_
Y (z)
Letablissement de ce predicteur dans le cas particulier de la structure ARX est
fait dans le 8.2.3 page suivante.
Lestimateur
N
recherche doit donc minimiser la fonction V
N
_
, y
N
(k), u
N
(k)
_
à partir des signaux dentree u
N
(k) et de sortie y
N
(k), o` u N correspond au nombre
dechantillons preleves.
Un cas particulier très important est celui o` u la fonction ((k)) est quadra-
tique :
V
N
_
, y
N
(k), u
N
(k)
_
=
1
N

N1
k=0
1
2

_
_
y(k) y(k)
. .
(k)
_
_
2
=
1
N

N1
k=0
1
2
(k)
2
Dans ce cas, on montre dans le 8.2.3 page suivante quil existe meme une solution
analytique pour

N
.
Exemple
Reprenant lexemple du système mecanique traite aux gures 8.10 page 12, 8.11 page 12
et 8.9 page 11, on presente ci-dessous (gure 8.22 page suivante) les resultats de
lidentication parametrique.
10
1
10
0
10
1
10
2
10
3
120
110
100
90
80
70
60
50
Diagrammes de Bode de G
ARMAX
(e
j h
), Y
N
()/U
N
()
10
1
10
0
10
1
10
2
10
3
200
100
0
100
200
f [Hz]
G(e
j h
)
Y
N
()/U
N
()|
f_lse_m_03_8.eps
Fig. 8.22 Lidentication parametrique du système mecanique conduit à une
très bonne concordance avec lidentication de la reponse frequentielle. On ob-
serve un eet de lissage de lETFE. En cela, le procede pourrait etre vu comme
une alternative aux methodes discutees au 8.1.4 page 17. Mais lidentication
parametrique apporte bien plus puisquelle ore directement la fonction de trans-
fert du système lineaire etudie (lse m 03.m).
8.2.3 Cas particulier : modèle de structure ARX, methode
des moindres carres
Soit la fonction de transfert G(z)
G(z) =
B(z)
A(z)
=
b
0
z
m
+ b
1
z
m1
+. . . +b
m1
z +b
m
z
n
+a
1
z
n1
+ . . . +a
n1
z +a
n
De facon à simplier la notation, G(z) est tout dabord presentee sous une forme
legèrement remaniee, avec m = n 1 (la fonction de transfert de tout système
physiquement realisable est toujours strictement propre, i.e. n > m) :
G(z) =
B(z)
A(z)
=
B(z)
..
b
1
z
n1
+b
2
z
n2
+ . . . + b
n1
z +b
n
z
n
+a
1
z
n1
+. . . +a
n1
z +a
n
. .
A(z)
En reunissant dans le vecteur-colonne

lensemble des 2 n paramètres à iden-
tier
=
_
_
a
1
a
2
. . .
a
n
b
1
b
2
. . .
b
n
_
_
et on considerant un modèle de type ARX,
Y (z) =
B(z)
A(z)
U(z) +
1
A(z)
E(z)
on a, dans le domaine temporel :
y(k) +a
1
y(k 1) +. . . +a
n1
y(k n + 1) + a
n
y(k n)
= b
1
u(k 1) +. . . +b
n1
u(k n + 1) + b
n
u(k n)
+e(k)
Lestimation y(k) naturelle (qui correspond à lexpression generale donnee au
8.2.2 page 22) de la sortie du système considere est fournie par
y(k) = a
1
y(k 1) . . . a
n1
y(k n 1) a
n
y(k n)
+b
1
u(k 1) +. . . +b
n1
u(k n + 1) + b
n
u(k n)
avec toutefois lerreur de prediction (due à une modelisation inexacte et à la
presence de bruit)
(k) = y(k) y(k)
En denissant le vecteur

(k) comme suit
(k) =
_
_
y(k 1)
y(k 2)
. . .
y(k n)
u(k 1)
u(k 2)
. . .
u(k n)
_
_
on a
y(t) =
(k)
T

et lerreur de prediction peut secrire
(k) = y(k)
(k)
T
La methode des moindres carres consiste à trouver

minimisant la fonction
co ut :
V
N
_
, y
N
(k), u
N
(k)
_
=
1
N

N1
k=0
1
2
(k)
2
=
1
N

N1
k=0
1
2

_
_
y(k)
(k)
T
. .
(k)
_
_
2
Il sagit dun problème standard en statistique, dont, une fois nest pas coutume,
la solution existe sous forme analytique ! On a :
N
= arg min
_
V
N
_
, y
N
(k), u
N
(k)
__
=
_
1
N

N1
k=0
(k)
(k)
T
_
1
1
N

N1
k=0
(k) y(k)
Exemple
On considère le système analogique dordre 1
G
a
(s) =
Y (s)
U(s)
=
K
1 +s T
=
1
1 +s 0.01
dont le modèle echantillonne est
G(z) =
Y (z)
U(z)
=
b
1
z + a
1
avec
a
1
= e
h
T
= e
0.001
0.01
= 0.9048
b
1
= K (1 +a
1
) = 1 (1 + (0.9048)) = 0.0952
o` u h est la periode dechantillonnage et vaut 0.001 [s].
Lobjectif de lidentication parametrique est dobtenir les valeurs numeriques
des paramètres a
1
et b
1
à partir des signaux u
N
(k) et y
N
(k).
Dans ce but, on excite le système avec un premier signal u(k) de type carre,
choisi ainsi volontairement riche compte tenu de lexperience acquise lors de liden-
tication de reponses frequentielles ( 8.1 page 4). Les signaux sont donnes sur
la gure 8.23 page ci-contre, o` u lon observe le bruit v(k) dont la variance est
= 0.001 =
2
0.03
2
.
0 0.01 0.02 0.03 0.04 0.05 0.06
10
5
0
5
10
u
N
(
k
)
Signaux,
u
=10.0593
y
=4.2663
v
=0.026865 SNR
dB
=
y
/
v
=44.0173
0 0.01 0.02 0.03 0.04 0.05 0.06
10
5
0
5
10
y
N
(
k
)
|
v
=
0
,

y
N
(
k
)
|
v

0
0 0.01 0.02 0.03 0.04 0.05 0.06
0.1
0.05
0
0.05
0.1
t [s]
v
(
k
)
Fig. 8.23 Signal dexcitation, reponses (avec et sans bruit) et bruit (f lse 01.m).
Les resultats de lidentication sont donnes sur la gure 8.24.
0 0.01 0.02 0.03 0.04 0.05 0.06
8
6
4
2
0
2
4
6
8
t [s]
y
G
(
z
)
,

y
G
e
s
t (
z
)
|
v
=
0
,

y
G
e
s
t (
z
)
|
v

0
Rponses du systme rel et du modle, avec et sans bruit. a
1
=0.90484 b
1
=0.095163 a
1est
=0.90464 b
1est
=0.095111
G(z)
G
est
(z)
v0
G
est
(z)
v=0
Fig. 8.24 Reponse du vrai système G(z), de son modèle identie avec et sans
bruit (f lse 01.m).
La gure 8.24 montre lexcellent modèle obtenu, le modèle etant visiblement
capable de reproduire le comportement du système G(z). Les valeurs numeriques
des paramètres estimes concident avec les valeurs eectives.
0 0.01 0.02 0.03 0.04 0.05 0.06
0.15
0.1
0.05
0
0.05
0.1
t [s]
(
k
)
Rsidus (k)
Fig. 8.25 Erreur de prediction (k) (f lse 01.m)
Pour valider le modèle ainsi identie, on peut egalement visualiser les residus
(k) (gure 8.25) qui devraient alors etre un bruit aleatoire, avant de visualiser
leur fonction dautocovariance
R
N
(k) =
1
N

N1
l=0
(l) (l +k)
qui devrait tendre vers 0 dès que k = 0 si (k) est eectivement un bruit aleatoire.
La gure 8.26 page ci-contre montre que cest bien le cas. De plus, les residus
devraient etre independants de lentree u
N
(k), ce qui se verie en examinant la
fonction de covariance croisee
R
N
u
(k) =
1
N

N1
l=0
(l) u(l + k)
laquelle est egalement representee sur la gure 8.26 page suivante.
0 5 10 15 20 25
1
0.5
0
0.5
1
Correlation function of residuals. Output # 1
lag
25 20 15 10 5 0 5 10 15 20 25
0.2
0.15
0.1
0.05
0
0.05
0.1
0.15
Cross corr. function between input 1 and residuals from output 1
lag
Fig. 8.26 Fonctions dautocovariance de (k) et dintercovariance de (k) et
u(k) (f lse 01.m)
8.2.4 Biais et variance de la methode des moindres carres
Si les donnees u
N
(k) et y
N
(k) acquises lon ete par le vrai système, dont les
paramètres sont reunis dans le vecteur-colonne

0
, on a :
y(k) =
(k)
T
0
+v
0
(k)
Alors :

N
= R
1
N

1
N

N1
k=0
(k) y(k)
= R
1
N

1
N

N1
k=0
(k)
_
(k)
T
0
+v
0
(k)
_
=
0
+R
1
N

1
N

N1
k=0
(k) v
0
(k)
. .
0 pour v
0
(k)
(k)
avec
R
N
=
1
N

N1
k=0
(k)
(k)
T
On voit dores et dejà que si le niveau des perturbations v
0
(k) est faible par rap-
port aux composantes de

(k) et que R
N
est non singulière, i.e. inversible, alors
N
sera proche de

0
. Lestimateur

N
a donc un biais nul, i.e. les paramètres
a
1
, a
2
, . . . a
n1
, a
n
, b
1
, b
2
, . . . , b
n1
, b
n
du système sont estimes sans biais.
La variance de

N
indique comment les valeurs estimees des memes pa-
ramètres uctuent autour de leur moyenne. En eet, les estimations de
a
1
, a
2
, . . . a
n1
, a
n
, b
1
, b
2
, . . . , b
n1
, b
n
sont inuencees par le signal stochastique
v(k) et sont de ce fait egalement des variables stochastiques. On peut montrer
quune estimation de cette variance est donnee par
cov
N
=
1
N

N

_
1
N

N1
k=0
(k,

N
)
T
(k,

N
)
_
1
avec
N
=
1
N

N1
k=0
(k)
2
et
(k,

N
) =
d
d

N
y(k)
cov
N
est la matrice de covariance des paramètres estimes. Les variances re-
cherchees se trouvent la diagonale de cov
N
.
Lexpression cov
N
montre en premier lieu quun moyen très ecace de
diminuer la dispersion des paramètres estimes consiste à augmenter N.
La fonction (k,
N
) indique comment varie le signal de sortie y(k) en fonc-
tion du paramètre a
1
, a
2
, . . . a
n1
, a
n
, b
1
, b
2
, . . . , b
n1
, b
n
pour lequel la derivation
est eectuee. On voit donc que si la sensibilite de y(k) est grande par rapport au
paramètre considere, alors la variance de la distribution de celui-ci sera dautant
plus faible ! Il y a donc interet à choisir un signal dentree u(k) provoquant un
signal de sortie y(k) très sensible au paramètre à identier.
Cette dernière observation met en evidence toute limportance du choix du
signal dexcitation u(k). Il vaut la peine que le spectre
u
() soit dense dans les
frequences o` u la sensibilite de la fonction de transfert par rapport aux paramètres
à identier est elevee [[1], 14.3, p.371]. Cela sera illustre dans lexemple du
paragraphe suivant.
Ces resultats, obtenus ici dans le cas particulier dun modèle de type ARX,
sont generalisables aux paramètres correspondant à dautres structures [[1], 9.2].
Exemple
Reprenant lexemple du 8.2.3 page 26, on se place cette fois dans la situation
o` u lamplitude du signal dexcitation u(k) est divisee par 10. Le rapport signal
sur bruit est alors degrade et lon peut observer sur la gure 8.27 page suivante
que lestimation des 2 paramètres est moins bonne.
0 0.01 0.02 0.03 0.04 0.05 0.06
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
t [s]
y
G
(
z
)
,

y
G
e
s
t (
z
)
|
v
=
0
,

y
G
e
s
t (
z
)
|
v

0
1
=0.90484 b
1
=0.095163 a
1est
=0.89979 b
1est
=0.094266
G(z)
G
est
(z)
v0
G
est
(z)
v=0
Fig. 8.27 Reponse du modèle lorsque le rapport signal sur bruit est mediocre
(f lse 02.m).
Si dans le premier exemple, on avait
cov
b
1
0.0005
cov a
1
0.001
on a maintenant :
cov
b
1
0.005
cov a
1
0.01
Leet du caractère stochastique des estimations est illustre sur les gures 8.28 page
suivante et 8.29 page suivante o` u les paramètres des 2 modèles identies sont per-
turbes selon leurs variances respectives. Les reponses correspondantes sont tracees
et donnent une idee de la dispersion des paramètre de chacun des 2 modèles.
10 20 30 40 50 60
8
6
4
2
0
2
4
6
8
10
Output number 1
Fig. 8.28 Illustration de la dispersion des paramètres du premier modèle, selon
8.2.3 page 26 (f lse 01.m).
10 20 30 40 50 60
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Output number 1
Fig. 8.29 Illustration de la dispersion des paramètres du modèle obtenu avec
un rapport signal sur bruit mediocre (f lse 02.m).
Finalement, on peut encore tenir compte de la remarque du paragraphe precedent
et former dun signal u(k) dont le spectre
u
() est riche aux frequences o` u la
sensibilite de la fonction de transfert aux variations des paramètres est elevee.
Dans le cas de lexemple, supposant que le système est dordre 1 fondamental (un
gain K et une constante de temps T), la sensibilite de la fonction de transfert
au paramètre K sera maximale en regime permanent constant, car
arg max
d
dK
_
1
1 +j T
_
= 0
_
rad
s
_
au paramètre T sera maximale à la pulsation =
1
T
, valeur obtenue
resolvant
arg max
d
dT
_
K
1 +j T
_
Comme les identications precedentes ont montre que
1
T
=
1
h
log (a
1
)
1
h
log ( a
1
) =
1
0.001
log (0.9) 105
_
rad
s
_
on peut introduire dans u(k) une composante periodique de pulsation =
105
_
rad
s
.
Les gures 8.30 et 8.31 page suivante montrent les resultats obtenus. Malgre un
rapport signal sur bruit mediocre comme dans le dernier cas traite, les resultats
sont nettement meilleurs, comme les variances en temoignent :
cov
b
1
0.006
cov a
1
0.007
0 0.01 0.02 0.03 0.04 0.05 0.06
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
t [s]
y
G
(
z
)
,

y
G
e
s
t (
z
)
|
v
=
0
,

y
G
e
s
t (
z
)
|
v

0
1
=0.90484 b
1
=0.095163 a
1est
=0.90586 b
1est
=0.094001
G(z)
G
est
(z)
v0
G
est
(z)
v=0
Fig. 8.30 Reponse du modèle obtenu avec rapport signal sur bruit mediocre
mais une excitation adaptee aux paramètres à identier (f lse 08.m).
10 20 30 40 50 60
0
0.5
1
1.5
2
Output number 1
Fig. 8.31 Illustration de la dispersion des paramètres du modèle obtenu avec
un rapport signal sur bruit mediocre (comme pour le cas des gures 8.27 page 31
et 8.29 page 32) mais avec un signal dentree u(k) excitant les frequences
o` u la fonction de transfert est le plus sensible aux variations des paramètres
(f lse 08.m).
8.2.5 Inversibilite de la matrice R
N
Le produit matriciel
(k)
(k)
T
est le produit dun vecteur colonne et dun vecteur ligne. Le resultat est une
matrice carree, de dimension n n. Il en est par consequent de meme de la
somme
R
N
=
_
1
N

N1
k=0
(k)
(k)
T
_
qui doit etre inversible, i.e. non singulière. A ce stade, il vaut la peine de remarquer
que les elements de la matrice R
N
ne sont autres que des termes du type
[R
N
]
ij
=
1
N

N1
k=0
y(k i) y(k j)
i.e. chaque element est une estimation des fonctions de covariance de u(k) et de
y(k).
.1 Rappel de theorie des probabilites [4]
.1.1 Processus, signaux et variables aleatoires
Un processus aleatoire, ou stochastique, est une famille de signaux {x(t)} de
natures aleatoires [[4], 5.1.1]. Un signal x(t) est aleatoire sil depend des lois du
hasard.
Une variable aleatoire est la valeur prise par un signal aleatoire à un instant
t
i
; on la designe par x
i
[[4], 5.1.4].
.1.2 Fonction de repartition et densite de probabilite [[4],
14.2]
Le comportement statistique de la variable aleatoire x
i
est deni par sa densite
de probabilite p(x) et/ou sa fonction de repartition F(x).
La fonction de repartition F(x) associee à une variable aleatoire x
i
est la
fonction permettant de calculer la probablite que x
i
soit inferieure ou egale à une
certaine valeur x :
F(x) = Prob [x
i
x]
La densite de probabilite p(x) nest autre que la derivee de F(x) par rapport à
x. On a :
Prob [x
1
x
i
x
2
] =
_
x
2
x
1
p(x
i
) dx
i
Des formes bien connues de densites de probabilite sont les distributions [[4],
14.4]
uniforme :
p(x) =
1
b a
((x + a) (x b))
avec
x
=
1
2
(b +a) et
2
x
=
(ba)
2
12
gaussienne :
p(x) =
1
2
x
exp
_
(x
x
)
2
2
2
x
_
.1.3 Esperance mathematique, moyenne et variance
La valeur moyenne statistique de la variable aleatoire x
i
est donnee par
lesperance mathematique E[x
i
] de x
i
[[4], 14.3] :
x
= E[x
i
] =
_
+
x
i
p(x
i
) dx
i
La mesure de la dispersion de x
i
autour de sa valeur moyenne
x
est la variance :
2
x
= E
_
(x
i
x
)
2
=
_
+
(x
i
x
)
2
p(x
i
) dx
i
.1.4 Fonctions dautocorrelation et dautocovariance [[4],
5.2]
La fonction dautocorrelation du processus stochastique {x(t)} est donnee par
lesperance du produit de 2 variables aleatoires obtenues par exemple aux instants
t et t + :
R
x
() = E[x(t) x(t + )]
La fonction dautocovariance se denit de la meme manière, seuls les ecarts entre
les variables aleatoires x(t) et x(t +) et leur moyenne
x
etant toutefois pris en
compte :
C
x
() = E[(x(t)
x
) (x(t +)
x
)] = R
x
()
2
x
Pour
x
= 0, on a R
x
() = C
x
().
La fonction dintercorrelation statistique peut egalement etre denie :
R
xy
() = E[x(t) y(t + )]
Si x(t) et y(t) ne sont pas correles, alors R
xy
() = 0.
.1.5 Stationnarite et ergodisme [[4], 5.1.11 et 5.1.13]
Un processus stochastique est stationnnaire si ses proprietes statistiques (par
exemple
x
et
x
) sont invariantes dans le temps. On admet pour la suite que
les processus aleatoires consideres sont stationnaires. De plus, on admet quils
sont ergodiques, ce qui signie que les esperances mathematiques (ou moyennes
statistiques) de type
E[f(x)] =
_
+
f(x) p(x) dx
peuvent etre identiees à des moyennes temporelles telles que
f(x(t)) = lim
T
1
T

_
+T/2
T/2
f(x(t)) dt
Donc, avec lhypothèse dergodicite, on a :
E[f(x)] = f(x(t))
La fonction dautocorrelation dun processus stochastique ergodique peut ainsi
se calculer comme suit :
R
x
() = E[x(t) x(t +)] = x(t) x(t + ) = lim
T
1
T

_
+T/2
T/2
x(t) x(t +) dt
Son evaluation experimentale ne peut bien s ur seectuer que pour une duree T
nie, typiquement en echantillonnant le signal x(t) considere :
R
N
x
(k) =
1
N

N1
l=0
x(l +k) x(l)
.2 Transformee de Fourier de signaux discrets
[[4] et [6]]
.2.1 Transformee de Fourier dun signal discret
Denition
Par denition, la transformee de Fourier dun signal discret x(k) est donnee
par :
X (j ) = F{x (k)} =
+
k=
x (k) e
jkh
(3)
Elle est à mettre en regard de la transformee de Fourier de signaux analogiques,
X
a
(j ) = F{x
a
(t)} =
+
_
x
a
(t) e
jt
dt
ce qui montre quelle est une simple adaptation à la nature discrète de x(k).
Le ?? page ?? montrera le lien existant entre les 2 transformees X (j ) et
X
a
(j ) lorsque x(k) resulte de lechantillonnage de x
a
(t).
La transformee de Fourier inverse secrit :
x (k) = F
1
{X (j )} =
+
e
2
_
e
2
X (j ) e
+jkh
d
Transformee de Fourier dun signal de duree nie
Dans le cas experimental, le signal discret transforme selon (3) est forcement
un signal de duree nie x
N
(k), provenant par exemple de lechantillonnage regulier
du signal analogique x
a
(t) entre les instants k
0
h et (k
0
+N 1) h. On a :
x(k) = x
a
(t)|
t=kh
x
N
(k) = x(k) ((k k
0
) (k k
0
N)) = x(k) rect (k k
0
, N)
Du fait du nombre ni N dechantillons, la transformee de Fourier peut secrire :
X
N
(j ) = F{x
N
(k)} =
k
0
+N1
k=k
0
x
N
(k) e
jkh
On note que F{x
N
(k)} = X
N
(j ) est à ce stade une fonction continue de la
variable , laquelle peut varier de manière continue. La gure 32 page suivante
le montre le resultat de la transformee dune periode dun signal carre, evaluee
selon (3) pour un grand nombre de valeurs de .
0 1 2 3 4 5 6 7 8 9 10
1
0.5
0
0.5
1
u
(
t
)
t [s]
f
signal
=0.1[Hz], f
e
=1.6[Hz], N
f
=512, f=f
e
/N
f
=0.003125[Hz]
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
0
0.5
1
1.5
2
2.5
3
|
U
(
j
)
|
f [Hz]
Fig. 32 Module de la transformee de Fourier, i.e. spectre damplitude dune
periode dun signal carre discret, evalue pour un grand nombre de valeurs de
f =

2
. On note la periodicite (periode f
e
=
1
h
= 1.6 [Hz]) du spectre damplitude
(Fourier carre 03.m).
Proprietes
Comme la gure 32 le laisse presager, X (j ) = F{x (k)} est une fonction
periodique de periode
e
=
2
h
, puisquen eet
X (j ( +
e
)) =
+
k=
x (k) e
j(+e)kh
=
+
k=
x (k) e
jkh
e
jekh
. .
1
=X (j )
ce qui signie quon peut se contenter de levaluer et de la representer sur une
periode
e
. Dautre part, le module |X (j )| de X(j ) est une fonction paire,
car
|X (j )| = |X ((j )
)| = |X
(j )| = |X (j )|
pour autant que le signal x(k) soit reel. En consequence, il est susant de
representer |X (j )| dans la gamme de pulsations 0
_
rad
s
< <
e
2
(gure 33 page
suivante).
0 1 2 3 4 5 6 7 8 9 10
1
0.5
0
0.5
1
u
(
t
)
t [s]
f
signal
=0.1[Hz], f
e
=1.6[Hz], N
f
=512, f=f
e
/N
f
=0.003125[Hz]
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
0
0.5
1
1.5
2
2.5
3
|
U
(
j
)
|
f [Hz]
Fig. 33 Module de la transformee de Fourier dune periode dun signal carre
discret, evaluee pour un grand nombre de valeurs de . Du fait de la periodicite
de periode f
e
de X (j ) et de la parite de |X (j )|, lachage du spectre
damplitude peut etre limite à la zone de frequences 0 . . .
fe
2
.2.2 Transformee de Fourier discrète (TFD)
Discretisation de laxe des frequences
Reprenant la denition de la transformee de Fourier dun signal de duree nie
x
N
(k), on note que bien que le signal original x
N
(k) soit de nature discrète, sa
transformee de Fourier X
N
(j ) = F{x
N
(k)} est une fonction de la variable
continue . Levaluation la transformee de Fourier est donc possible pour tout .
Pour des raisons pratiques [[6], 3.2.2], on doit toutefois se contenter dune
version echantillonnee de la fonction X
N
(j), laquelle est obtenue en discretisant
laxe des pulsations. On nevalue et/ou on ne dispose donc de X
N
(j ) quà
intervalles reguliers plutot que de manière continue (gure 34 page ci-contre).
Denition de la TFD
Lechantillonnage de la fonction X
N
(j ) sur une periode complète entre
e
2
et +
e
2
produit ainsi P =
e
nombres X
N
(n) :
X
N
(j n )|
P
2
n<+
P
2
= X
N
(n)|
P
2
n<+
P
2
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
0
0.5
1
1.5
2
2.5
3
f
signal
=0.1[Hz], f
e
=1.6[Hz], N
f
=512, f=f
e
/N
f
=0.003125[Hz], P=64
|
U
(
j
f
)
|

e
t

|
U
N
(
n
)
|
f [Hz]
Fig. 34 Module de la transformee de Fourier dune periode dun signal carre
discret et sa version echantillonnee dans le domaine des frequences : ici, on limite
la representation du spectre damplitude a P = 64 points repartis entre
fe
2
et
+
fe
2

fe
P
La suite de P nombres X
N
(n) represente la transformee de Fourier discrète
de x
N
(k), abregee ci-après TFD.
Consequence de la discetisation de la transformee de Fourier
Il va sans dire que la discretisation de la transformee de Fourier nest pas sans
consequence puisque X
N
(j n ) ne represente que partiellement X
N
(j ).
Pour evaluer leventuelle perte dinformation qui en resulte, on peut calculer la
transformee de Fourier inverse x
p
(k) de X
N
(n) selon la relation (4) et comparer
avec le signal original x
N
(k). Sans entrer dans les details de calcul (voir [[6],
3.2.10]), le resultat que lon obtient en sappuyant sur (4) est le suivant :
x
p
(k) = F
1
{X
N
(n)} = . . . =
+
l=
x
N
(k +l P)
Alors que X
N
(j ) est la transformee de Fourier (exacte) de x
N
(k), la TFD
X
N
(n) de x
N
(k) est la transformee de Fourier exacte dun signal periodique x
p
(k)
de periode P h forme de la superposition de x
N
(k) tous les P echantillons.
Si P N, la superposition ne cree aucun recouvrement et la somme x
p
(k) =
+
l=
x (k +l P) revient à juxtaposer le signal x
N
(k) tous les P echantillons.
Echantillonnage minimal de la transformee de Fourier
On peut en deduire le nombre P =
e
dechantillons à prelever sur la trans-

formee de Fourier X
N
(j ) pour former la TFD X
N
(n). En se rappelant que
x(k) est de longueur N, on voit quil est indispensable que P N, le cas limite
P = N etant susant. En le choisissant, lexpression de la TFD est ainsi
X
N
(n)|
N
2
n<+
N
2
= X
N
(j n )|
N
2
n<+
N
2
=
k
0
+N1
k=k
0
x (k) e
jnkh
Dans un tel cas de gure, une periode de x
p
(k) concide parfaitement avec
x
N
(k) preleve precedemment sur x
a
(t) et aucune information nest perdue. En
dautres termes, calculer la TFD de x
p
(k) ou celle de x
N
(k) donne le meme
resultat.
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
0
0.5
1
1.5
2
2.5
3
f
signal
=0.1[Hz], f
e
=1.6[Hz], f=f
e
/N=0.1[Hz], P=N=16
|
U
(
j
f
)
|

e
t

|
U
N
(
n
)
|
f [Hz]
Fig. 35 Echantillonnage de la transformee de Fourier dune periode dun signal
carre (N = 16 echantillons). La TFD est egalement echantillonnee avec N = 16,
soit le cas limite pour eviter le recouvrement. (Fourier carre 05.m).
En pratique, on echantillonne donc la periode
e
de X
N
(j ) au moins autant
de fois que lon a preleve dechantillons sur x
a
(t) an dobtenir N nombres X
N
(n)
(gure 35 page precedente) avec
X
N
(n) = X
N
(j n ) pour N/2 n < +N/2.
La resolution de laxe des pulsations sen deduit immediatement :
=

e
N
Sachant que X
N
(j) est periodique de periode
e
et que lon peut en consequence
limiter son achage à la plage
e
2
, . . . +
e
2
, les N valeurs de sont :
N
2
, . . . , , 0, +, +2 , . . . +
_
N
2
1
_

Le simple fait de songer à la TFD de x
N
(k) suppose donc que le signal x
N
(k)
est periodique de periode N h! On pouvait dailleurs le pressentir en relevant
notamment que le module |X
N
(j )| de X
N
(n) nest pas sans rappeler le spectre
de raies dun signal analogique periodique (gure 36).
0 1 2 3 4 5 6 7 8 9 10
1
0.5
0
0.5
1
u
(
t
)
t [s]
f
signal
=0.1[Hz], f
e
=1.6[Hz], N=16, f=f
e
/N=0.1[Hz]
0.8 0.6 0.4 0.2 0 0.2 0.4 0.6 0.8
0
0.5
1
1.5
2
2.5
3
|
U
(
j
)
|
f [Hz]
Fig. 36 Transformee de Fourier dune periode dun signal carre (N = 16
echantillons). La TFD est egalement echantillonnee avec N = 16, soit le cas
limite pour eviter le recouvrement. Lachage est limite à la zone de frequences
fe
2
. . .
fe
2

fe
N
La consequence evidemment importante est quavec un outil tel que la TFD,
seuls des signaux periodiques de periode N h et ses sous-multiples peuvent
etre transformes sans erreur. Pour les signaux non periodiques, les techniques
de fenetrage (Hamming, Hanning, etc) permettent de limiter les inexactitudes
[[6], 3.7].
Inversion de la TFD
Partant de la TFD X
N
(n), la formule dinversion est :
x
p
(k) = F
1
{X
N
(n)} =
+
N
2
1
n=
N
2
X
N
(n) e
+jn2k
(4)
Notons que par suite de la discretisation de la frequence inherente à la TFD, on
na pas degalite parfaite entre x
p
(k) et x
N
(k) puisque lon a mentionne que
x
p
(k) = F
1
{X
N
(n)} = . . . =
+
l=
x
N
(k +l P)
.2.3 Periodogramme
On appelle periodogramme dun signal x(k) lexpression
N
() =
1
N
|X
N
()|
2
Le periodogramme permet de mesurer les contributions des dierentes frequences
à lenergie du signal.
.2.4 Densite spectrale de puissance () (spectre)
Dans loptique de pouvoir traiter les signaux deterministes et les signaux
aleatoires avec un outil commun [[1], 2.3], on denit ici la densite spectrale de
puissance du signal x(k), appelee couramment spectre, et denotee
x
().
On appelle densite spectrale de puissance la fonction
x
() telle que lintegrale
_

2
x
() d
fournisse la puissance du signal x(k) correspondant aux pulsations comprises
entre
1
et
2
([[2], 3.8 p.65]).
La densite spectrale de puissance sapplique aux signaux deterministes et
aleatoires à puissance moyenne nie, i.e. aux signaux tels que
P
x
= lim
N
1
N

N
k=0
x(k)
2
<
Notons que pour les signaux deterministes à energie nie, i.e. les signaux tels que
W
x
=
k=0
x(k)
2
<
on prefère utiliser la notion de densite spectrale denergie [[2], 3.8, p.66] (aussi
appelee spectre !), dont il est facile de demontrer quelle a pour expression :
x
() = |X()|
2
Calcul de la densite spectrale de puissance de signaux deterministes
On peut montrer dune part que
x
() = F{R
x
(k)} =
k=0
R
x
(k) e
jkh
i.e., la densite spectrale de puissance est egale à la transformee de Fourier de la
fonction dautocorrelation
R
x
(k) =
l=0
x(l +k) x(l)
de x(k), et dautre part que
x
() = lim
N
1
N

k=0
x(k) e
jkh
. .
X
N
()
2
= lim
N
1
N
|X
N
()|
2
Donc :
x
() = F{R
x
(k)} = lim
N
1
N
|X
N
()|
2
(5)
Lorsque la duree dacquisition est limitee à N h, on a :
R
N
x
(k) =
1
N

N1
l=0
x(l + k) x(l)
et
N
x
() = F
_
R
N
x
(k)
_
=
1
N
|X
N
()|
2
On voit que la densite spectrale de puissance
N
x
() concide avec le periodogramme
deni au .2.3 page 44.
Calcul de la densite spectrale de puissance de signaux aleatoires
Pour les signaux aleatoires, levaluation de la fonction dautocorrelation ne
peut se faire quen termes statistiques :
R
x
(k) = E[x(l + k) x(l)]
Sous lhypothèse dergodicite (i.e. en admettant que les moyennes statistiques
concident avec les moyennes temporelles), on peut cependant ecrire :
R
x
(k) = E[x(l + k) x(l)] = R
x
(k)) = lim
N
1
N

N1
l=0
x(l +k) x(l)
La densite spectrale de puissance dun signal aleatoire x(k) peut alors etre calculee
de manière analogue à ce qui a ete fait pour les signaux deterministes et lon peut
montrer que
x
() = F{R
x
(k)} = lim
N
E
_
1
N
|X
N
()|
2
_
(6)
Si seules N valeurs sont à disposition, on a egalement :
N
x
() = F
_
R
N
x
(k)
_
Ces expressions mettent en lumière le parfait parallelisme entre les expressions de
la densite spectrale de puissance pour des signaux deterministes (5 ) et aleatoires
(6).
Pour ces derniers, la densite spectrale de puissance sera plutot evaluee en
mesurant x(k), en calculant R
N
x
(k) avant dobtenir
N
x
(). Quant aux signaux
deterministes, la meme demarche est potentiellement appliquable, mais il est clair
que le calcul de
N
x
() seectuera plus directement sur la base de la description
analytique de x(k).
Relevons nalement que lon peut montrer que
N
x
() = F
_
R
N
x
(k)
_
est un
estimateur non biaise de
x
() puisque [[2], 8.5, p.211]
E
_
N
x
()
=
x
() +R
N
o` u R
N
1/
N.
Transformation du spectre par des systèmes dynamiques lineaires
On considère le système dynamique lineaire [[1], 2.3 p.32]
Y (z) = G(z) U(z) +H(z) V (z)
dont la formulation dans le temps est
y(k) =
l=0
g(l) u(k l) +
l=0
h(l) v(k l) = g(k) u(k) + h(k) v(k)
o` u u(k) est un signal deterministe et v(k) un signal aleatoire de moyenne
v
= 0
et de variance
2
v
= . Alors
y
() =
G(e
j
)
2

u
() +
H(e
j
)
2
et
yu
() = G(e
j
)
u
()
La dernière egalite provient du fait que u(k) et v(k) sont non correles. En consequence,
E[u(k) v(k +l)] = 0 et donc
uv
() = 0.
Bibliographie
[1] System Identication, Theory for the User, Lennart Ljung, Prentice-Hall
information and system sciences series, Thomas Kailath Editor, 1987, bi-
bliothèque eivd 40.162-27/02
[2] Modeling of Dynamic Systems, Lennart Ljung & Torkel Glad, Prentice-Hall
information and system sciences series, Thomas Kailath Editor, 1994, bi-
bliothèque eivd 40.162-32
[3] Identikation dynamischer Systeme, Rolf Iserman, Band I & II, Springer-
Verlag, 1988, bibliothèque eivd 40.162-25/01 et 40.162-26/01
[4] Theorie et traitement des signaux, Traite dElectricite, vol.VI, F.de Coulon,
1984, Presses Polytechniques Romandes, bibliothèque eivd 32.100-23
[5] Introduction au traitement de signal, cours polycopie, F.Mudry, 1992, EI-
NEV
[6] Traitement numerique des signaux, Traite dElectricite, vol.XX, M.Kunt,
1984, Presses Polytechniques Romandes
[7] Commande numerique de systèmes dynamiques, R.Longchamp, 1995,
Presses Polytechniques Romandes, bibliothèque eivd 40.120-11
Version du docu-
ment
Date Notes
v1.0 fevrier 2001
v1.1 5 mars 2002
v1.2 6 mars 2002
Tab. 1 Versions publiees

Chap 08

Transféré par

Informations du document

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

Chap 08

Transféré par

Droits d'auteur :

Formats disponibles

eivd R egulation num erique

= , i.e. la variance de v(k) est egale `a . Notons que

represente ici la (vraie) valeur ecace du bruit v(k).

Chapitre 8 : Identification, v.1.2 25 mee \chap08.dvi\7 mars 2002

La methode des moindres carres consiste `a trouver

dechantillons `a prelever sur la trans-

Vous aimerez peut-être aussi