CoursTS Chap2

2 - Introduction au traitement des
signaux aléatoires
• Introduction
• Processus aléatoire
• Corrélation, autocorrélation...
• Stationnarité, ergodicité
• Densité spectrale
Traitement du Sigal - 3TC 1

Transparents C. Odet, Prof. GE
2-1 Introduction
• Signaux aléatoires : bruit électronique,

le signal de parole...
• Signal déterministe information
Quand on connaît le passé, la
probabilité d’apparition d’un niveau
donné à l’instant t est soit nulle, soit
certaine (=1).
• L’information est liée à un certain degré
d’incertitude, d’aléatoire.
• Signal déterministe formule
définissant parfaitement le signal.
• Signal aléatoire paramètres
statistiques définissant les
POSSIBILITES d’évolution du signal.
Valeur future exacte du signal

Introduction
• Paramètres statistiques d’un signal
aléatoire:
– Moyenne, variance, autocorrélation,
moments, ...
• Ces paramètres peuvent être eux mêmes
aléatoires (non stationnaire)
– exemple: le signal de parole

Introduction
• L’ «astuce» du temps différé:
– on enregistre et on rejoue le signal.
– le signal n’est plus aléatoire. Il est
parfaitement connu.
• Oui, mais....
– traitement en temps réel, futur inconnu
– généraliser un traitement à des signaux
futurs «presques» identiques à ceux que
l’on posséde déjà
Le passé ne permet pas de déterminer

complètement l’avenir.

Introduction
• Signal aléatoire = Bruit
• Exemple
– Transmettre la parole sur des cables
d’alimentation secteur 50 Hz
• Le signal important est la parole,
c’est un signal aléatoire
• Le bruit génant est déterministe,
c’est une sinusoïde à 50 Hz
• Exemple
– Réception d’un signal numérique au
bout d’une ligne de transmission
• Le signal numérique est aléatoire
• Le bruit sur la ligne de transmission
est aussi aléatoire

2-2 Processus aléatoire ou
stochastique
• Processus stochastique = famille de
fonction aléatoire X(t,u)
• t est une variable réelle (par exemple le
temps)
• u est un ensemble d’événements
• t et u peuvent être des variables
continues ou discrètes
• X(t,u) peut prendre des valeurs
continues ou discrètes, scalaires ou
vectorielles.

Exemple 1
• Bruit thermique dans un ensemble de
résistances R={Ri , i=1,N} de même
valeur ohmique
R1
tk
t
R2
R3
• t est une variable continue, R est une

variable discrète
• X(t,Ri) est une représentation
particulière du processus X(t,R) pour
l’événement «Ri a été choisie»
Exemple 1 (suite)
• Pour un instant tk donné, X(tk,R) est une

variable aléatoire
• Le processus aléatoire prend des valeurs
continues, scalaires et réelles.
• Si les signaux étaient numérisés, la
variable t deviendrait discrète, ainsi que
les valeurs prises par le processus (à
cause de la quantification du CAN)
• Une réalisation particulière X(t,Ri) n’est
pas un signal déterministe.
• Tous les signaux sont à priori différents,
mais le phénomène physique à l’origine
du signal est le même pour toutes les
résistances
Trouver des lois statistiques
communes

Exemple 2
• Signal sinusoïdal à phase aléatoire
X (t , u)  a cos( t  u)
phase u variable aléatoire uniformément
répartie entre 0 et 2
X(t,u)
u est à valeur réelle continue

X(t,u) est à valeur continue, scalaire et réelle
Un signal particulier X(t,ui) est déterministe.

Exemple 2 (suite)
• Densité de probabilité de la phase u
1
f u ( u) 
2
, u    ,  
Pour un instant donné tk, calcul des moments
statistiques de la variable aléatoire X(tk,u)
• Espérance mathématique
E [ X (t k , u)]  E [ X (t k )] 

 f

u (u) a cos( t k  u)du 

1
a  cos( t k  u)du  0
2 
• Variance
E [ X 2 (t k , u)]  E [ X 2 (t k )] 
 2
a
 u
f ( u ) a 2
cos2
( t k  u)du 
2
Exemple 2 (suite)
Pour une valeur particulière ui
(événement) de la phase, on peut
calculer des paramètres temporels du
signal X(t,ui) 2
(T  )
• Moyenne temporelle 
E [ X (t , ui )]  X (ui ) 
T /2
1
 a cos( t  ui )dt  0
T T / 2
• Variance temporelle, carré de la valeur
efficace
E [ X 2 (t , ui )]  X 2 (ui )
T /2 2
1 a
 
T T / 2
a 2
cos2
( t  ui )dt 
2
Remarque: On obtient ici des valeurs identiques à
l’éspérance et à la variance statistiques
Caractérisation d’un processus
aléatoire. Lois de probabilité.
• Statistiques du premier ordre
– Fonction de répartition et densité de
probabilité pour un tk donné
FX ( x , t k )  prob( X (t k , u)  x ) et
 FX ( x , t k )
f X ( x, tk ) 
x
• L’éspérance mathématique (n=1) et les
moments d’ordre supérieur sont définis par

E [ X (t k )] 
n
X

n
(t k ) f X ( x , t k )dx
Remarque: Les moments peuvent dépendre

de tk

Exemple: Processus gaussien
• Un processus, ou signal, ou bruit,
gaussien posséde une densité de
probabilité définie par une loi normale
1 1 ( x  m) 2
f X ( x, tk )  exp(  )
2  2 2  2
m étant la moyenne et  l’écart-type
=1
m=0

Exemple: processus gaussien
La densité de probabilité représente la
statistique des amplitudes du signal à un
instant donné, pour l’ensemble des
réalisations possibles du processus. L’allure
temporelle des réalisations d’un processus
gaussien ne ressemble pas forcément à un
bruit comme ci dessous.

Exemple: signal sinusoïdal à
phase aléatoire
La phase ayant une densité de probabilité
uniforme, les statistiques ne dépendent pas de
l’instant tk.
Par commodité on se place à tk=T/2=0.5 T
X (t , u)  a cos( t  u)
a
x1
On cherche la fonction de répartition

FX(x1) = FX(0.5 T,u) = Prob ( X(0.5 T,u) < x1)
C’est à dire
FX(x1) = Prob (u > -arcos(-x1 /a) et
u < arcos(-x1 /a) )
Exemple: signal sinusoïdal à
phase aléatoire (suite)
C’est à dire
x1
arcos(  )
FX ( x1 )   a
x f u (u)du
 arcos(  1 )
a
arcos( x1 / a )
FX ( x1 )  1 

La densité de probabilité s’obtient par
dérivation de la fonction de répartition
1
f X ( x) 
 (a ²  x ²)
x
-a a
Caractérisation des processus
aléatoires
• Statistique du deuxième ordre
– Relation entre les statistiques prises à
deux instants t1 et t2 différents
– On considère deux variables aléatoires
X(t1,u) et X(t2,u)
• Fonction de répartition conjointe
FXX (a , b, t1 , t 2 )  prob( X (t1 )  a , X (t 2 )  b)
• Densité de probabilité
 2 FXX (a , b, t1 , t 2 )
f XX (a , b, t1 , t 2 ) 
 a b
• Si les deux variables aléatoires sont
indépendantes (Ce qui se passe à t1 ne
dépend pas de ce qui se passe à t2)
FXX (a , b, t1 , t 2 )  FX (a , t1 ) FX (b, t 2 )
f XX (a , b, t1 , t 2 )  f X (a , t1 ) f X (b, t 2 )
2-3 Corrélation, Autocorrélation...
• Signaux déterministes
– Signaux à énergie finie
– Signaux à puissance finie
Mesure de ressemblance
Autocorrélation temporelle
• Processus aléatoires
Statistique du second ordre
Caractérisation fréquentielle
des signaux aléatoires (Densité spectrale)
Autocorrélation statistique

Corrélation, autocorrélation...
Signaux à énergie finie
• Energie d’un signal continu ou discret
 
 x (t )  x[ k ]
2 2
Ex  dt   , E x  
 k 
• Signaux transitoires
• Signaux de durée finie
• Existence de la transformée de Fourier
Dans la réalité, en pratique, tous les signaux

sont à énergie finie.
Exemples:
x(t) = Rect(t) énergie finie
x(t) = a constant n’est pas à énergie finie
x(t) = V sin(2ft) n’est pas à énergie finie

• Autocorrélation temporelle

Rxx ( )   (t ) x(t   )dt ,

x

*

Rxx [ j ]   [ k ]x[ k  j ]
x *
k 
• Si x(t) est réel, l’autocorrélation est réelle

• Dimension V²/Hz ou A²/Hz
• Analogie avec la convolution
• C’est un produit scalaire, projection de
x*(t) sur x(t) décalé de 
• Pour = 0, on retrouve l’énergie du signal
Rxx(0) = Ex
• Rxx() est maximale en  =0. Rien ne
ressemble plus au signal que lui-même.

• L’autocorrélation posséde la propriétés de
symétrie hermitique
Rxx (  )  Rxx* ( ) , Rxx [  j ]  Rxx* [ j ]
Si le signal est réel, l’autocorrélation est donc

réelle est paire.
• Exemple
x(t) = Rect (t/T) Rxx()=T Tri(/T)
Rect(t/T) Rxx()
1 T
-T/2 T/2 t -T T 

• Intercorrélation

Rxy ( )   (t ) y(t   )dt


x *
,

Rxy [ j ]   [ k ] y[ k  j ]
x *
k 
• Symétrie hermitique
Rxy (  )  Ryx
*
( ) , Rxy [  j ]  Ryx
*
[ j]
(Attention à l’inversion de x et y dans le deuxième membre
des équations)
• Mesure du degrè de ressemblance entre
deux signaux en fonction d’un décalage
• Projection de x(t) sur y(t+), produit
scalaire
• Exemple d’intercorrélation
x(t) y(t)
1 1
-T
-T/2 T/2 t T t
-1
Rxy()
T
-3T/2 -T/2
T/2 3T/2 
-T
Le signal x(t) ressemble le plus à y(t) aux
instants -T/2 et T/2. En =0, x(t) ne ressemble
pas du tout à y(t) (ils sont orthogonaux, produit
scalaire nul).
Signaux à puissance finie
• Approximation de signaux réels
• Exemples
– Signal continu x(t)=a
– Signal sinusoïdal x(t)=V Sin(2ft)
– Signaux aléatoires, signaux
périodiques, impulsion de Dirac,
échelon unité...
• Puissance finie
T /2
1

2
Px  lim x (t ) dt ,
T  T
T / 2
N 1
1
 x[ k ]
2
Px  lim
N  2 N
k  N
• Signal à énergie finie = puissance nulle

• Signal à puissance finie = énergie infinie

• Autocorrélation temporelle,
intercorrélation
Problème de convergence des intégrales et
des sommes T / 2
1

*
R xy ()  lim x ( t ) y( t  )dt,
T  T
T / 2
1 N 1 *
R xy [ j]  lim 
N  2 N k   N
x [k ]y[k  j]
• Notation
Rxy ( )  x * (t ) y (t   ) ,
Rxy [ j ]  x [ k ] y[ k  j ]
*
• Dimensions: V² ou A²
• Autocorrélation: y(t)=x(t) dans les
formules précédentes
• Autocorrélation des signaux périodiques
Le calcul sur une seule période suffit
T /2
1
Rxx ( )   x
T T / 2
*
(t ) x (t   )dt ,
N 1
1
Rxx [ j ] 
N
 x [ k ]x[ k  j ]
k O
*
L’autocorrélation d’un signal périodique est

elle même périodique.
Par définition, le signal périodique ressemble
parfaitement à lui même, décalé d’une ou
plusieurs périodes.

Processus aléatoires
• On peut calculer l’autocorrélation
temporelle sur une réalisation X(t,ui)
d’un processus aléatoire. On se retrouve
alors dans le cas précédent.
CE N’EST PAS CE QUI NOUS

INTERESSE ICI !!!
• On cherche une définition au sens

statistique.
Observation d’un processus aléatoire X(t,u) à
deux instant t1 et t2. Statistique du second
ordre, moment conjoint
Autocorrélation statistique
Rxx (t1 , t 2 )  E [ X * (t1 ) X (t 2 )]

• Dans le cas d’un processus réel continu

 
Rxx (t1 , t 2 )    ab f

xx (a , b, t1 , t 2 ) da db
• Fonction d’autocovariance
Moment conjoint des variables aléatoires
centrées X(t1)-mx(t1) et X(t2)-mx(t2),
mx(t) moyenne du processus aléatoire à
l'instant t
Cxx (t1 , t 2 )  Rxx (t1 , t 2 )  mx* (t1 ) mx (t 2 )
• Quand t1=t2, on obtient la variance du

processus aléatoire en t1.
Cxx (t1 , t1 )   x2 (t1 )

• Remarques:
1) On obtient des fonctions

bidimensionnelles des variables t1 et t2.
Dans le cas d’un processus échantillonné
discret, on obtiendra des matrices
d’autocorrélation et d’autocovariance.
2) Si ces fonctions ne dépendent que de

l’écart temporel t1-t2, les fonctions
d'autocorrélation et d'autocovariance sont
monodimensionnelles et dépendent du
temps t1-t2.

• Exemple
Signal sinusoïdal à phase aléatoire
Rxx (t1 , t 2 )  E [ X * (t1 ) X (t 2 )]
 E [a cos(t1  u)a cos(t 2  u)]
a²
 E [ (cos( (t1  t 2 )  2u)  cos( (t1  t 2 )))]
2
u étant une variable aléatoire uniformément
répartie, la moyenne du premier terme est
nulle. (Voir la densité de probabilité du
signal sinusoidal à phase aléatoire) On
obtient
a²
Rxx (t1 , t 2 )  cos( (t1  t 2 ))
2
C’est une fonction périodique, ne dépendant
que de l’écart t1-t2. Pour t1=t2, on retrouve la
variance du processus aléatoire.

2-4 Stationnarité, ergodicité
• Processus stationnaire aus sens strict

Les propriétés statistiques sont invariantes
dans le temps
Les statistiques du second ordre ne
dépendent plus que de l’écart =t1-t2
Densité conjointe du second ordre

f XX (a , b, t1 , t 2 )  f (a , b,  )
Autocorélation
R XX (t1 , t 2 )  R XX ( )
Pour un processus réel

R XX ( )  R XX (  )

Stationnarité, ergodicité
• Processus stationnaire (au sens large)

Espérance mathématique constante
Autocorrélation dépendante de =t1-t2
Symétrie hermitique
R XX ( )  R XX
*
(  )
Stationnaire au sens strict

Stationnaire au sens large
L’inverse n’est pas vrai
• Fonction d’autocorrélation bornée par la
puissance moyenne du processus
 R XX (0)  R XX ( )  R XX (0)

• Processus ergodique au sens strict
Moments statistisques =
Moments temporels
• Processus ergodique (au sens large)

Egalité des Moyennes statistiques et
temporelles ainsi que des fonctions
d’autocorrélation
Moyenne

E [ X (t )]   X (t ) f

X ( x , t )dx
T /2
1
 mx  lim
T  T

T / 2
X (t , ui )dt  X (t , ui )

Fonctions d’autocorrélation statistique et

temporelle
R XX ( )  E [ X * (t ) X (t   )]
T /2
1
 lim
T  T

T / 2
X *
(t , ui ) X (t   , ui )dt
 X * (t , ui ) X (t   , ui )
• Ergodique (au sens large)
Stationnaire (au sens large)
L’inverse n’est pas vrai.
• Signaux stationnaires ergodiques
Estimation des paramètres statistiques à
partir des paramètres temporels

2-5 Densité spectrale
• Signaux déterministes
Transformée de Fourier
Module et phase
Interprétation fréquentielle
• Signaux aléatoires
Transformée de Fourier ????
(oui, mais pour une réalisation X(t,ui) )
• Exemple Signal sinusoïdal à phase

aléatoire
X(t,u)=a sin(ft+u)
Intuitivement:
Une fréquence f d’amplitude a.
Quelle phase ? elle est aléatoire.
Densité spectrale
• Contenu fréquentiel des processus

aléatoires défini par l’énergie ou la
puissance (carré de l’amplitude)
Densité spectrale d’énergie ou de

puissance
• Représentation de la répartition de
l’énergie ou de la puissance d’un signal en
fonction de la fréquence
• Intuitivement: relation entre densité
spectrale et spectre (transformée de
Fourier) pour les signaux déterministes ???

Densité spectrale
• Signaux à énergie finie
Densité spectrale d’énergie (DSE)
S xx ( f )  X ( f ) ²
Fonction réelle.
Fonction paire si le signal est réel
DSE = Transformée de Fourier de la fonction

d’autocorrélation temporelle
Rxx ( )  S xx ( f )
F
Dimension V²s/Hz ou A²s/Hz

Densité spectrale
Energie du signal
 
Ex   x(t ) ²dt  
 
X ( f ) ²df

 Rxx (0)  S

xx ( f )df
Transformée de Fourier inverse de la DSE

Sxx(f) est bien une densité spectrale

Densité spectrale
• Signaux à puissance finie
Densité spectrale de puissance (DSP)
Transformée de Fourier de la fonction
d’autocorrélation temporelle
Rxx ( )  S xx ( f ) 
F

R

xx ( ) exp( 2 j f  )d
Dimension V²/Hz ou A²/Hz

Relation avec la transformée de Fourier
1
! S xx ( f )  lim X T ( f ) ²
T  T
T.F. de x(t) limité à une durée T

Densité spectrale
• Puissance du signal

Rxx (0)  Px 

S xx ( f )df
Sxx(f) est bien une densité de puissance

Densité spectrale
• Processus aléatoire stationnaire
Densité spectrale de puissance

(Théorème de Wiener-Khintchine)
Transformée de Fourier de la fonction
d’autocorrélation statistique

S XX ( f )  R

XX ( ) exp( 2 jf )d
• Processus aléatoire ergodique

Estimation de la fonction d’autocorrélation
statistique donc de la DSP à partir de la
fonction d’autocorrélation temporelle des
réalisations disponibles du processus
aléatoire.

Densité spectrale
• Exemple: Signal sinusoïdal à phase
aléatoire x (t , ui )  a sin( 2f 0t  ui )
Autocorrélation statistique (transp.30):
a²
Rxx ( )  cos(2f 0 )
2
Densité spectrale de puissance
a²
S XX ( f )  [ ( f  f 0 )   ( f  f 0 )]
4
Autocorrélation temporelle (pour une
réalisation donnée ui de la phase) (T=1/f0 )
T /2
1
Rxx ( ) 
T  (t ) x(t   )dt
x *
T / 2
a²
 cos(2f 0 )
2
Le signal est donc ergodique (au sens large)


CoursTS Chap2

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

CoursTS Chap2

Transféré par

Droits d'auteur :

Formats disponibles

2 - Introduction au traitement des

Traitement du Sigal - 3TC 1

• Signaux aléatoires : bruit électronique,

Traitement du Sigal - 3TC 2

Traitement du Sigal - 3TC 3

Le passé ne permet pas de déterminer

Traitement du Sigal - 3TC 4

Traitement du Sigal - 3TC 5

Traitement du Sigal - 3TC 6

• t est une variable continue, R est une

• Pour un instant tk donné, X(tk,R) est une

Traitement du Sigal - 3TC 8

u est à valeur réelle continue

Traitement du Sigal - 3TC 9

Remarque: Les moments peuvent dépendre

Traitement du Sigal - 3TC 12

m étant la moyenne et  l’écart-type

Traitement du Sigal - 3TC 13

Traitement du Sigal - 3TC 14

On cherche la fonction de répartition

Traitement du Sigal - 3TC 18

Dans la réalité, en pratique, tous les signaux

Traitement du Sigal - 3TC 19

Rxx ( )   (t ) x(t   )dt ,

• Si x(t) est réel, l’autocorrélation est réelle

Traitement du Sigal - 3TC 20

Si le signal est réel, l’autocorrélation est donc

Traitement du Sigal - 3TC 21

Rxy ( )   (t ) y(t   )dt

• Signal à énergie finie = puissance nulle

Traitement du Sigal - 3TC 24

L’autocorrélation d’un signal périodique est

Traitement du Sigal - 3TC 26

CE N’EST PAS CE QUI NOUS

• On cherche une définition au sens

Traitement du Sigal - 3TC 27

• Dans le cas d’un processus réel continu

• Quand t1=t2, on obtient la variance du

Traitement du Sigal - 3TC 28

1) On obtient des fonctions

2) Si ces fonctions ne dépendent que de

Traitement du Sigal - 3TC 29

Traitement du Sigal - 3TC 30

• Processus stationnaire aus sens strict

Densité conjointe du second ordre

Pour un processus réel

Traitement du Sigal - 3TC 31

• Processus stationnaire (au sens large)

Stationnaire au sens strict

Traitement du Sigal - 3TC 32

• Processus ergodique (au sens large)

Traitement du Sigal - 3TC 33

Fonctions d’autocorrélation statistique et

Traitement du Sigal - 3TC 34

• Exemple Signal sinusoïdal à phase

• Contenu fréquentiel des processus

Densité spectrale d’énergie ou de

Traitement du Sigal - 3TC 36

Densité spectrale d’énergie (DSE)

DSE = Transformée de Fourier de la fonction

Dimension V²s/Hz ou A²s/Hz

Traitement du Sigal - 3TC 37

Transformée de Fourier inverse de la DSE