Traitement du Signal 2. Synthèse du signal.

Identification

2. Synthèse du signal. Identification

Synthèse du signal

I. SIGNAUX DETERMINISTES

Génération de signal déterministe :

. par l’expression analytique (formule) du signal
. par un modèle (exemple : modèle AutoRégressif (AR))
. par une table de look-up (fichier mémoire)
. par Transformation mathématique inverse (Fourier, Laplace ...)

Exemple : Génération d’un signal sinusoïdal (sans phase initiale)

. Expression analytique :
Génération d’un signal sinusoïdal de fréquence f et d’ amplitude A

à TC : x(t ) = A ⋅ sin (2πft )

F 1
Signal x généré en se donnant N = f échantillons par période ( f )
1
F=
T : fréquence d’échantillonnage
F doit vérifier la condition de Shannon : F ≥ 2 f

x ( n) = A sin( 2πfnT ) n∈Z

TR 2. 1
 Traitement du Signal 2. Synthèse du signal. Identification

. Modèle :
N
x ( n) = ∑ ai x ( n − i )
Rappel : Modèle AR : i =1

Génération d’un signal sinusoïdal de fréquence f et d’amplitude 1

Modèle AR d’ordre N = 2: x ( n) = α x ( n − 1) + β x ( n − 2)

α = 2 cos( 2πfT )
Coeffs : β = −1
x (0) = ϕ (phase initiale) x (0) = 0 (phase initiale)
x (1) = sin(2π fT ) x (1) = sin(2π fT )
Init :
si on veut une phase initiale non nulle si on veut une phase initiale nulle

x (n) représente le signal sinusoïdal à l’instant nT .

. Table de look-up : Fichier mémoire

. Transformation mathématique inverse (Laplace) :

Génération d’un signal sinusoïdal de fréquence f et d’ amplitude 1
2πf
X ( p) = 2 TL−1
→ x (t ) = sin (2πft )
p + (2πf ) (tables)
2

TR 2. 2
 Traitement du Signal 2. Synthèse du signal. Identification

II. SIGNAUX ALEATOIRES

Signaux aléatoires par fonction modulo

Signal aléatoire à distribution uniforme. Bruit blanc uniforme

x ( n) = A x ( n − 1) modulo P

Init : x(0) doit vérifier : 0 < x (0) < P

On a : 0 < x ( n) < P

(Pour avoir 0 < x ( n) < 1 , on divise ensuite chaque terme par P ).

Le signal généré est pseudo-aléatoire car périodique de période P.

P doit être premier pour que le résultat du modulo ne soit pas nul.

On peut prendre par ex. : x(0) = 100 , A = 281 , P = 31 357

Echantillons indépendants les uns des autres → Bruit blanc uniforme.

TR 2. 3
 Traitement du Signal 2. Synthèse du signal. Identification

Identification (modélisation)

Processus générateur de signal aléatoire : filtre formeur du 1er ordre

Xn H (z) Yn
Bruit blanc Filtre formeur Signal aléatoire

→ Description du signal = paramètres du filtre + variance du bruit blanc

Processus générateurs : MA, AR, ARMA

N

∑b z i
−i
Xn H (z ) Yn
H ( z) = i =0
N
TD : Bruit blanc Filtre MA, AR, ARMA
1 + ∑ a i z −i
i =1

A partir de ϕ yy k → trouver les paramètres ai et bi du filtre H (z ) qui

génère {Yn } à partir de {X n } , bruit blanc de variance à déterminer.

1 N

Rappel: Modèle AR :
H ( z) = N
1 + ∑ ai z −i → Yn = X n − ∑a Y
i =1
i n −i

i =1
N N

Modèle MA : H ( z ) = ∑ bi z −i
i =0
→ Yn = ∑b
i =0
i X n −i
N

∑b z i
−i
N N

→ Yn = ∑ bi X n −i − ∑ ai Yn −i
H ( z) = i =0
N
Modèle ARMA :
1 + ∑ ai z −i
i =0 i =1
i =1

TR 2. 4
 Traitement du Signal 2. Synthèse du signal. Identification

Signal AR
Xn H (z ) Yn
Bruit blanc Filtre AR

E[X n ] = 0
E[X n ] = 0
E [X ] = V
2
Hypothèses : n
≡ ϕ = E [ X ⋅ X ] = Vδ
E [ X n ⋅ X n+ k ] = 0 ∀k ≠ 0 xx k n n+k k ,0

( {X n } bruit blanc centré de variance V )

1 Y ( z)
H ( z) = =
et : N
X ( z)
1 + ∑ a i z −i
i =1

On a vu (Système d’équations de Yule-Walker) :

 N
 N
Y ( z ) 1 + ∑ ai z −i  = X ( z ) → Yn = X n − ∑ aiYn−i
 TZ −1

 i =1  i =1

ϕ xx k = Vδ k , 0 ( ) (
et ϕ xy k = hk * ϕ xx k → ϕ xy k = hk * Vδ k ,0 = V hk * δ k ,0 = V ⋅ hk )
 N
 
E  Yn−k + ∑ aiYn−k −i Yn 
ϕ xy k ϕ xy k E[ X n−k Yn ]   
= 
i =1
→ hk = V hk = =
N
car X n = Yn + ∑ aiYn−i
V V V i =1

N
ϕ yy k + ∑ aiϕ yy k +i N

→ hk = i =1
→
ϕ yy k = V ⋅ hk − ∑ aiϕ yy k +i
V i =1

TR 2. 5
 Traitement du Signal 2. Synthèse du signal. Identification

. Autocorrélation de {Yn } : ϕ yy k = E [Yn−k Yn ] = ?

N N
ϕ yy k = V ⋅ hk − ∑ aiϕ yy k +i → ϕ yy k = V ⋅ h−k − ∑ aiϕ yy k −i car autocorrélation paire
i =1 i =1

. k =0 :
N
ϕ yy 0 = V − ∑ aiϕ yy i
N N
Yn = X n − ∑ aiYn−i → hn = δ n − ∑ ai hn−i → h0 = 1 →
i =1 i =1 i =1

.k >0 :
N
ϕ yy k = −∑ aiϕ yy k −i car h ≡ 0 pour
N

i =1
−k k > 0 (filtre hn causal Yn = X n − ∑aY
i =1
i n −i )
N

On a aussi : ϕ yy k = −∑ aiϕ yy i−k car autocorrélation paire.

i =1

Ces équations peuvent s’écrire :

N
ϕ yy 0 + ∑ aiϕ yy i = V
i =1
N
ϕ yy1 + ∑ aiϕ yy i −1 = 0
i =1 N V si k =0
L ↔ pour 0 ≤ k ≤ N : ∑ yy n 
ϕ a = ( a0 = 1 )
n =0 0
k −n
si 1≤ k ≤ N
N
ϕ yy N + ∑ aiϕ yy N −i = 0
i =1

soit, sous forme matricielle : ce sont les équations de Yule-Walker :

 ϕ yy 0 ϕ yy 1 L ϕ yy N   1  V 
ϕ ϕ yy 0 L ϕ yy N −1   a1   0 
 yy 1  = 
 M M M M  M  M noté : Ra =v
 
ϕ yy N ϕ yy N −1 L ϕ yy 0  a N   0 
TR 2. 6
 Traitement du Signal 2. Synthèse du signal. Identification

Relations entre coeffs du modèle et covariances (cas N = 1 :1er ordre)

Prenons pour exemple le processus AR d’ordre N = 1 à TD engendré par :

xn + a1 xn−1 = wn avec a1 < 1 pour assurer la stabilité du filtre.

Calculons la fonction d’autocovariance R XX k = E [ X n + k X n ] de X n :

(Rappel : bruit blanc de variance σ 2 : E[Wn+kWn ] = σ 2δ n,k et RXX paire) k

Comme : xn = wn − a1 xn −1
on a : x n2 = x n wn − a1 x n x n −1 = (wn − a1 x n −1 )wn − a1 x n x n −1
→ x n2 = wn2 − a1 x n −1 wn − a1 x n x n −1

Comme il n’y a pas de dépendance causale entre xn−1 et wn

( xn −1 est fonction de wn−1 , wn−2 , ...)
Comme wn−1 , wn−2 , ... sont indépendants de wn (bruit blanc)

→ xn−1 et wn sont indépendants donc non corrélés, ce qui s’écrit :

[ ] [
E X n −1W n = E X n −1 E W n ][ ] =0 (car le bruit blanc est centré)

on a : E X 2
n [ ] [ ]
= E Wn
2
− a1 E X n X n −1 [ R
soit : XX 0]= σ 2
− a1RXX 1

xn xn −1 = xn −1 wn − a1 xn2−1 → E [X n X n−1 ] = − a1 E [X n−1 ]

2
On a aussi

soit : R XX 1 = − a1 R XX 0
TR 2. 7
 Traitement du Signal 2. Synthèse du signal. Identification

 R XX 0 + a1 R XX1 = σ 2


On a donc le système d’équations :  R XX + a1 R XX = 0
 1 0

Ce système linéaire d’équations peut s’écrire sous forme matricielle :

Ra = v avec :

 R XX 0 R XX1   a0  σ 2 
R= a=  v= 
 R XX1 R XX 0   a1   0 
a0 = 1

La solution de ce système linéaire d’équations est immédiate :

 RXX 1
a1 = − R
 XX 0
 2
σ 2 = R − XX 1R
 XX 0
RXX 0


Autres modèles que le Signal AR :

Signal MA → Equations non linéaires → Programmation Non Linéaire

Signal ARMA → Equations non linéaires → Programmation Non Linéaire

__________
TR 2. 8