Beruflich Dokumente
Kultur Dokumente
Livre de base pour les notes de cours : ”statistical signal processing” (S. Hayes)
1
A. Moments Conjoints
rxy = E{xy ∗ }
Pb Estimer une v.a x connaissant une certaine réalisation d’une v.a y (qui lui
est statistiquement liée)
Idée est de générer une estimation x̂ très proche de la vraie valeur de x connais-
sant la valeur prise par y
D. V.A gaussiennes
et de variance
σz2 = a2 σx2 + b2 σy2 + 2abσx σy ρxy
Si on note
5
CHAPITRE2. Caractérisation des signaux ou processus aléatoires à temps
dFx(n) (α)
• ou sa ddp instantannée fx(n) (α) =
dα
⇕
∂ k Fx(n1 ),...,x(nk ) (α1 , . . . , αk )
fx(n1 ),...,x(nk ) (α1 , . . . , αk ) =
∂α1 . . . ∂αk
2. Moyennes statistiques ou d’ensembles
6
E{x(n)x∗ (n − k)}
Remarque
Exemple
Exemples
• y(n) = x(n − 1)
• y(n) = h(n) ∗ x(n)
• Dans la plupart des systèmes d’acquisition, le bruit de mesure est modélisé
par un s.a additif
y(n) = x(n) + w(n)
7
w(n) est centré et décorélé de x(n) =⇒ ry (k, l) = rx (k, l) + rw (k, l)
• Soit
∑
M
x(n) = Am sin(nwm + ϕm ) + v(n)
m=1
les {ϕm }m sont centrées et décorrélées 2 à 2 ∼ U ([−π, π]) et indépendantes de
v(n)
⇓
1∑ 2
M
rx (k, l) = A cos((k − l)wm ) + rv (k, l)
2 m=1 m
Remarque : Processus gaussiens
x1 (n)
x2 (n)
Soit x(n) = .. . un s.a vec. formé de N v.a conjointement gaussiennes
.
xN (n)
• un s.a est dit stationnaire au 1er ordre si sa ddp au 1er ordre ne dépend pas du
temps i.e
• un s.a est dit stationnaire au second ordre (ou au sens strict) si la ddp conjointe
d’ordre 2 vérifie
8
fx(n1 ),x(n2 ) (α1 , α2 ) = fx(n1 +k),x(n2 +k) (α1 , α2 ) ∀α1 , α2 ∀k ∀n1 , n2
5. Stationnarité au Sens Large (SSL) un s.a x(n) est dit SSL ssi
9
P3− |rx (k)| ≤ rx (0) ∀k
∗ ∗ ∗
x(0) x(0)x (0) x(0)x (1) ..... x(0)x (p)
x(1) x(1)x∗ (0) ∗
x(1)x (p)
∗
x(1)x (1) .....
x= .. =⇒ xx =
H
.. ∈ C(p+1)×(p+1)
. .
x(p) x(p)x∗ (0) x(p)x∗ (1) ..... ∗
x(p)x (p)
si x(n) SSL et en utilisant P1, on définit la matrice d’autocorrélation de x(n)
par
r (0) rx∗ (1) ..... rx∗ (p)
x
r (1) rx∗ (p− 1)
x rx (0) .....
Rx = E{xx } = .
H
..
rx (p) rx (p − 1) ..... rx (0)
de la même manière et pour un s.a SSL, on appelle matrice de covariance
Cx = E{(x − mx )(x − mx )H } = Rx − mx mH
x où mx = [mx , . . . , mx ]
T
Propriétés de Rx
10
P3 - La matrice d’autocorrélation d’un signal SSL est Définie Non Négative
(DNN) (spectre de Rx formé de valeurs propres λi ≥ 0)
8. Ergodicité
Question Pour les signaux SSL, quand est-ce que m̂x (N ) et mx sont confondus
ou peut-on avoir la convergence de m̂x (N ) vers mx ? Dans quel sens ?
Définition Pour un s.a x(n) SSL, ce signal est dit ergodique si m̂x (N ) converge
vers mx au sens de la M.Q càd
lim E{|m̂x (N ) − mx |2 } = 0
N −→+∞
11
N −1
1 ∑
x(n) est ergodique ⇔ lim Cx (k)
N −→+∞ N
k=0
Exemple étudier l’ergodicité des signaux suivants
• Soit le p.a x(n) = A tel que p(A = +1) = p(A = −1) = 1/2
• x(n) = Asin(nw0 + ϕ) avec ϕ ∼ U ([0, 2π])
On peut parler aussi d’ergodicité en autocorrélation
une approximation de l’autocorrélation par une moyenne d’échantillons est donnée
par
N −1
1 ∑
r̂x (k, N ) = x(n)x∗ (n − k)}
N n=0
x(n) est dit ergodique si r̂x (k, N ) converge vers rx (k) au sens de la M.Q pour
tout k
9. Bruit blanc x(n) est un bruit blanc si x(n) est SSL et que Cx (k) = σx2 δ(k)
(δ(.) étant la fonction indice de Kronecker)
10. La densité spectrale de puissance (dsp) de signaux SSL
la dsp est définie par
∑
jω
Px (e ) = rx (k)e−jkω = T F T D{rx (k) = T Z{rx (k)}[z = ejω]
k∈Z
Propriétés
P1- symétrie la dsp d’un signal SSL est réelle (P x = Px∗ ) ou encore Px (z) =
12
Px∗ (1/z ∗ )P si x(n) est en plus réel alors Px (ejω ) = Px (e−jω ) ou encore Px (z) =
Px∗ (z ∗ )
P2- Px (ejω ) ≥ 0
∫π
P3- rx (0) = E{|x(n)|2 } = 1
2π −π Px (ejω )dω
P4- le spectre de la matrice d’autocorrélation d’un processus SSL centré vérifie
minω Px (ejω ) ≤ λi ≤ maxω Px (ejω ) Exemple
• pour un bruit blanc centré rv (k) = σv2 δ(k) ⇒ pv (ejω ) = σv2
A2
• Calculer la dsp des sigaux d’autocorrélation rx (k) = 2 cos(kω0 ), rx (k) =
α|k| , |α| < 1
11. Filtrage de processus aléatoires Soit x(n) SSL de moyenne mx et d’auto-
corrélation rx (k)
• E{y(n)} = mx H(ej0 )
• ryx (k + n, n) = rx (k) ∗ h(k)
• montrer que ry (k + n, n) = ryx (k) ∗ h∗ (−k)
13
l’autocorrélation correspondante
Px (z) = σw2 H(z)H(z −1 ) = 1
(1−0.25z −1 )(1−0.25z) = 16/15
1−0.25z −1 + 4/15
z −1 −0.25 →
(T Z −1 )
rx (k) = 16 k
15 (1/4) u(k) + 4 k
15 4 u(−k − 1)
12.b Mise en forme spectrale on veut générer un s.a de dsp de la forme
5+4cos(2ω)
Px (ejω ) = 10+6cos(ω) en filtrant un bruit blanc centré de variance 1.
5+2ejω +2e−jω 5+2(z 2 +z −2 ) (2z 2 +1)(2z −2 +1)
Px (ejω ) = 10+3ejω +3e−jω d’où Px (z) = 10+3(z 2 +z −2 ) = (3z+1)(3z −1 +1) soit H(z) =
2z 2 +1
(3z+1)
13. Processus aléatoires autorégressifs (AR)
un processus AR x(n) est un processus qu’on peut modéliser par
|b(0)|2 2 |b(0)|
2
Px (z) = σw2 ou P x (ejω
) = σ
Ap (z)A∗p (1/z ∗ ) w
|Ap (ejω )|2
En plus, si on calcule l’autocorrélation, on trouve qu’elle obéit à
∑
p
rx (k) + ap (l)rx (k − l) = σw2 |b(0)|2 δ(k) pour k ≥ 0
l=1
15