GR 04 Trait S N°2

Analyse statistique des signaux
Modélisation Et Informatique Scientifique
Réalisé par : BELHADJ Nada – BEN YECHOU Zakaria – SIRAJ-SANI Salma
Encadré par : Pr. R. BENAMAR

Rhali.benamar@gmail.com
2020/2021
Plan de travail Analyse statistique des signaux
Contextualisation historique, logique et industrielle de

01 l’analyse statistique des signaux
Développements mathématiques et techniques associés à

02 l’analyse statistique des signaux
03 Application du débruitage du signal
2
BELHADJ - BENYECHOU - SIRAJ-SANI Encadré par Pr. BENAMAR 28/02/2021
Introduction
3
Contextualisation historique, logique et industrielle
de l’analyse statistique des signaux
4
Historique Analyse statistique des signaux
Joseph Fourier (1768-1830): remplacer la

description d’un signal dans le temps ou
l’espace par celle de ses fréquences
la deuxième guerre mondiale( 1939-1945):

besoins militaires (sonar et du radar)
James Cooley et John Tukey (1945-1965) :

André Blanc-Lapierre (1967):
L’algorithme de calcul rapide (dit de FFT, pour Fast
« théorie des fonctions aléatoires »
Fourier Transform).
5
Classification et contextualisation Analyse statistique des signaux
L’objet de
notre étude
6
Classification et contextualisation Analyse statistique des signaux
Modèles Modèles
déterministes Probabilistes
7
Historique Analyse statistique des signaux
Le traitement du signal branches des mathématiques

appliquées-pures
• analyse
• Interprétation • l'analyse
• transformation • la théorie de l'approximation
• les probabilités et statistiques,
• la théorie de l'information
• Géométrie
• La théorie des nombres
signal
• une suite de nombres,
• un courant électrique,
• une séquence ADN,
• une image ou une
• séquence vidéo
Encadré par Pr. BENAMAR 8
BELHADJ - BENYECHOU - SIRAJ-SANI 28/02/2021
Les branches du traitement de signal Analyse statistique des signaux
traitement de la traitement traitement de la

parole – son - d'images vidéo
• Analyse • Analyse • Analyse
• Compression • Restauration • la compression de
• synthèse • Compression d'images séquences vidéo
• reconnaissance de la fixes
parole
9
Objectifs du traitement statistique du signal Analyse statistique des signaux
la détection d'un signal
l'estimation de grandeurs à
mesurer sur un signal
Traitement
Signal
statistique
le codage, la compression
Et la transmission
l'amélioration de sa qualité selon

des critères physiologiques
10
Développements mathématiques et techniques
associés à l’analyse statistique des signaux
11
Processus aléatoire Analyse statistique des signaux
Expérience : Explication du processus aléatoire
X(t)
Il s’agit d’un
enregistrement de
parole
Expérience 1 : Bonjour, nous sommes des étudiants à l’EMI

12
X(t)
2ème résultat
Expérience 2 : Bonjour, nous sommes des étudiants à l’EMI

13
X(t)
Processus aléatoire : Même

expérience répétée 4 fois
avec 4 résultats différents
t
3s
14
Signal aléatoire Analyse statistique des signaux
Modélisation mathématique d’un signal aléatoire
 Un signal aléatoire est une fonction du temps et d’une variable aléatoire dans
un espace probabiliste. On le note : .
 Cas particulier : si est fixé, on obtient un signal déterministe
15
Descripteurs statistiques : Densité de probabilité Analyse statistique des signaux
La distribution de l’amplitude X d’un

signal aléatoire à l’instant t
Densité de probabilité entre deux bornes
16
Descripteurs statistiques : Moment temporel Analyse statistique des signaux
Définition et expression mathématique
𝑇
1
2
⟨ 𝑋 (𝑡 ) ⟩= lim ∫ 𝑋 ( 𝑡 , 𝜔 ) 𝑑𝑡
𝑇→∞𝑇→∞ 𝑇
𝑇 𝑇
−𝑇
2
Il s’agit du moment relatif à chaque trajectoire
t
17
Descripteurs statistiques : Moyenne statistique Analyse statistique des signaux
Quel est le comportement du signal qu’on espère observer en moyenne ?

+∞ Utilité ? Elle indique la position
𝑚 𝑋 = 𝐸 { 𝑋 ( 𝜔) }= ∫ 𝑥 𝑓 𝑋 ( 𝑥 , 𝑡 ) 𝑑𝑥 moyenne du signal à un
−∞ instant donné
• Il s’agit de la moyenne de l’ensemble

• Si le signal aléatoire est dit centré
18
Descripteurs statistiques : Moyenne statistique Analyse statistique des signaux
Quel est le comportement du signal qu’on espère observer en moyenne ?
Trajectoire 1
Trajectoire 2
Trajectoire 3
Trajectoire 4
Le signal moyen après moyennage du signal de

chaque trajectoire
19
La fonction d’auto-corrélation temporelle Analyse statistique des signaux
La fonction d’auto-corrélation temporelle
𝑇
1
2
⟨ 𝑋 ( 𝑡 ) 𝑋 (𝑡 − 𝜏 ) ⟩ = lim ∫ 𝑋 ( 𝑡 , 𝜔 ) 𝑋 ∗ (𝑡 − 𝜏 , 𝜔) 𝑑𝑡
𝑇 →∞
𝑇 →∞ 𝑇 𝑇
−𝑇
2
• Elle mesure la corrélation entre deux instants.

• Permet de d’analyser les relations entre les observations contrairement aux
descripteurs précédants.
20
La fonction d'auto-corrélation statistique Analyse statistique des signaux
On prend deux échantillions du signal à des instants différents.
∗
𝑥𝑥 ( 𝜏 )= 𝐸 { 𝑋 ( 𝑡 ) 𝑋 (𝑡 − 𝜏 ) }
𝑅
Lorsque la moyenne ne dépend que de la différence entre les deux instants on

dit que le signal aléatoire est stationnaire à l'ordre 2.
∗
𝑥𝑥 ( 𝑡 1 ,𝑡 2 )= 𝐸 { 𝑋 ( 𝑡 1 ) 𝑋 ∗ (𝑡 2) }
𝑅
21
Ergodisme Analyse statistique des signaux
Définiton et expression mathématique
• Un signal aléatoire est dit ergodique si les moyennes temporelles existent et sont
indépendantes de l'échantillon.
+𝑇
1
2
𝜇 𝑋 ( 𝜔 ) = lim ∫ 𝑋 ( 𝑡 , 𝜔 ) 𝑑𝑡 = 𝜇 𝑋 , ∀ 𝜔
𝑇 →∞ 𝑇 𝑇
− 𝑇
2
Indépendances des moyennes temporelles par rapport à : Simplification des

calculs et passage au traitement du signal
22
Ergodisme Analyse statistique des signaux
Ergocité
23
Ergodisme et stationnarité Analyse statistique des signaux
Exemple
Densité de probabilité du signal
Densité de
probabilité de l’une
des réalisations
t
24
Densité spectrale de puissance Analyse statistique des signaux
1 2
𝑆 𝑥𝑥 ( 𝑓 )= 𝑇𝐹 [ 𝑅 𝑥𝑥 (𝜏 ) ] = lim
𝑇→∞ 2𝑇
{
𝐸 | 𝑋 𝑇 ( 𝑓 )| }
• est la puissance moyenne de à la fréquence f.

• Le théorème Wiener-Kintchine donne la puissance d’un signal stationnaire
ergodique.
25
Application du débruitage du signal
26
Partie 3 Analyse statistique des signaux
1 Contextualisation
Le bruit Le dé-bruitage
27
Partie 3 Analyse statistique des signaux
1 Contextualisation
Tout signal provenant d’une

Le bruit source astrophysique sera
considéré comme bruit
Phénomène perturbateur
La transmission de
l’information
Le bruit est le signal du satellite
28
Contextualisation Analyse statistique des signaux
Le dé-bruitage
Suppression de tout
élément indésirable
Le dé-bruitage La réduction du bruit Atténuation du bruit
Parfaire la qualité
29
Bruit blanc Analyse statistique des signaux
Signal aléatoire Spectre d’amplitude la fréquence
Amplitude en fonction du temps Amplitude en fonction de la fréquence
30
2 Bruit blanc
• Il est caractérisé par une décorrélation complète entre variables à des instants
différents.
• Sa fonction d’autocorrélation :
31
Soit
un signal aléatoire
Bruit au sens fort
Ssi
les sont :
E(X)=0
• Centrés
• indépendants et Théorème de la
identiquement limite centrale
distribués.
Une distribution normale
BELHADJ - BENYECHOU - SIRAJ-SANI Encadré par Pr. BENAMAR 28/02/2021 32

Soit
un signal aléatoire
Bruit au sens fort Bruit au sens faible
Ssi
les sont : Ssi les sont:
• Centrés Cov(X,Y)=0 • Centrés
• indépendants et • décorrélés
identiquement Indépendance au sens • de variance finie
distribués. faible
Un bruit gaussien ssi les sont indépendants et identiquement distribués avec

Un
bruit gaussien ssi les sont indépendants et identiquement distribués avec
34
Centrés

Les
Indépendants et
identiquement distribués
• Un bruit blanc gaussien est un bruit au sens fort
• L’autocorrélation d’un bruit blanc gaussien est un Dirac:
2
𝑅 𝑋 ( 𝑡 )= 𝜎 𝑋 𝛿 ( 𝑡 )
• La densité spectrale de puissance d’un bruit blanc gaussien est constante:
𝑆 𝑋 ( 𝜗 ) =𝜎 2
𝑋 ∀ 𝜗

Indicateur bruit Analyse statistique des signaux
Comment montrer la qualité du signal ?
Le rapport signal sur bruit
la quantité de bruit contenue dans le signal
Puissance du signal

𝑆 𝑃𝑆
|( )𝑁 𝑑𝐵
=10 𝑙𝑜𝑔
𝑃𝑁
Puissance du bruit
36
Spectres de bruit Analyse statistique des signaux
Bruit blanc
37
Spectres du bruit Analyse statistique des signaux
Bruit Rose Bruit Rouge Bruit Bleu
Bruit Violet
38
Détection des signaux bruits Analyse statistique des signaux
Cas 1: Signal périodique inconnu de période inconnue
Cas 2: Signal périodique inconnu de période connue
39
• x(t) signal périodique de période connue T0
• y(t) = x(t) + b(t) signal bruité observé où b(t) est un bruit blanc
Calcul de l’autocorrélation temporelle du signal bruité
40
• Signal présent :
si ,
• Signal objectif :
si ,
Où : autocorrélation temporelle de x(t), qui est périodique de période T0

• x(t) signal périodique de période connue T0
• y(t) = x(t) + b(t) signal bruité observé où b(t) est un bruit blanc
• z(t) : signal périodique auxiliaire (non bruité) de même période T0.
Calcul de l’intercorrélation temporelle avec un signal auxiliaire
42
L’intercorrélation temporelle:
• Signal présent :
si ,
• Signal objectif :
si ,
Où est périodique de période T0

43
Dé-bruitage du signal Analyse statistique des signaux
Filtre Wiener
x(t) +
z(t)
+
b(t)
x : signal inconnu ou aléatoire

z : signal bruité
b : bruit aléatoire additif
Filtrage optimal de z(t) pour extraire x(t) du bruit b(t)
44
Conclusion
45
Les réfé rences Analyse statistique des signaux
1. https://www.i2m.univ-amu.fr/perso/bruno.torresani/pages/LectureNotes/MMT
S_cours_2011.pdf
2. http://perso.univ-lemans.fr/~nerrien/Phy308aA_1_C1.pdf
3. Statistiques dordre supérieur pour le traitement du signal by Jean-Louis
Lacoume, Pierre-Olivier Amblard, Pierre Comon
4. http://www.dalembert.upmc.fr/home/ollivier/images/DocumentsPeda/4AA06_
SigAleat_SystLin_1314.pdf
5. http://depmath-nancy.univ-lorraine.fr/Master/MFA_cours2017_18_SE1.pdf
6. https://tel.archives-ouvertes.fr/tel-00655991/document
7. https://essicolo.github.io/ecologie-mathematique-R/chapitre-temps.html
8. https://hal.archives-ouvertes.fr/jpa-00253009/document
9. https://tel.archives-ouvertes.fr/tel-00875826/document
10. http://www.genie-acoustique.com/spip.php?rubrique37
11. https://tel.archives-ouvertes.fr/tel-00557247/
12. https://www.lias-lab.fr/perso/olivierbachelier/reserve_docs/TdS_MP.pdf
46
Merci pour votre attention
47
Analyse statistique des signaux
Modélisation Et Informatique Scientifique
Réalisé par : BELHADJ Nada – BEN YECHOU Zakaria – SIRAJ-SANI Salma
Encadré par : Pr. R. BENAMAR

Rhali.benamar@gmail.com
2020/2021 48

GR 04 Trait S N°2

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

GR 04 Trait S N°2

Transféré par

Droits d'auteur :

Formats disponibles

Analyse statistique des signaux

Modélisation Et Informatique Scientifique

Réalisé par : BELHADJ Nada – BEN YECHOU Zakaria – SIRAJ-SANI Salma

Encadré par : Pr. R. BENAMAR

Contextualisation historique, logique et industrielle de

Développements mathématiques et techniques associés à

03 Application du débruitage du signal

Joseph Fourier (1768-1830): remplacer la

la deuxième guerre mondiale( 1939-1945):

James Cooley et John Tukey (1945-1965) :

Le traitement du signal branches des mathématiques

traitement de la traitement traitement de la

la détection d'un signal

l'amélioration de sa qualité selon

Expérience : Explication du processus aléatoire

Expérience 1 : Bonjour, nous sommes des étudiants à l’EMI

Expérience : Explication du processus aléatoire

Expérience 2 : Bonjour, nous sommes des étudiants à l’EMI

Expérience : Explication du processus aléatoire

Processus aléatoire : Même

Modélisation mathématique d’un signal aléatoire

 Cas particulier : si est fixé, on obtient un signal déterministe

La distribution de l’amplitude X d’un

Définition et expression mathématique

Il s’agit du moment relatif à chaque trajectoire

Quel est le comportement du signal qu’on espère observer en moyenne ?

• Il s’agit de la moyenne de l’ensemble

Le signal moyen après moyennage du signal de

La fonction d’auto-corrélation temporelle

• Elle mesure la corrélation entre deux instants.

On prend deux échantillions du signal à des instants différents.

Lorsque la moyenne ne dépend que de la différence entre les deux instants on

Définiton et expression mathématique

Indépendances des moyennes temporelles par rapport à : Simplification des

• est la puissance moyenne de à la fréquence f.

Tout signal provenant d’une

Le dé-bruitage La réduction du bruit Atténuation du bruit

Signal aléatoire Spectre d’amplitude la fréquence

Amplitude en fonction du temps Amplitude en fonction de la fréquence

Bruit au sens fort

Une distribution normale

BELHADJ - BENYECHOU - SIRAJ-SANI Encadré par Pr. BENAMAR 28/02/2021 32

Bruit au sens fort Bruit au sens faible

BELHADJ - BENYECHOU - SIRAJ-SANI Encadré par Pr. BENAMAR 28/02/2021 33

• L’autocorrélation d’un bruit blanc gaussien est un Dirac:

• La densité spectrale de puissance d’un bruit blanc gaussien est constante:

BELHADJ - BENYECHOU - SIRAJ-SANI Encadré par Pr. BENAMAR 28/02/2021 35

Comment montrer la qualité du signal ?

Le rapport signal sur bruit

la quantité de bruit contenue dans le signal

Bruit Rose Bruit Rouge Bruit Bleu

Cas 1: Signal périodique inconnu de période inconnue

Cas 2: Signal périodique inconnu de période connue

Cas 1: Signal périodique inconnu de période inconnue

• x(t) signal périodique de période connue T0

Calcul de l’autocorrélation temporelle du signal bruité

Cas 1: Signal périodique inconnu de période inconnue

Où : autocorrélation temporelle de x(t), qui est périodique de période T0

BELHADJ - BENYECHOU - SIRAJ-SANI Encadré par Pr. BENAMAR 28/02/2021 41

Cas 2: Signal périodique inconnu de période connue

• x(t) signal périodique de période connue T0

• z(t) : signal périodique auxiliaire (non bruité) de même période T0.

Calcul de l’intercorrélation temporelle avec un signal auxiliaire