SIGNAUX STOCHASTIQUES - INTRODUCTION (1) • La quasi totalité des signaux extraits de phénomènes 1 réels (biomédicaux par exemple) présentent un aspect aléatoire. Ceci veut dire qu’il est impossible de prévoir la forme exacte des signaux obtenus, et que ceux-ci ne peuvent être décrits de façon analytique. • Dans le cas de ces signaux, il est impossible d’appliquer directement certains concepts. En particulier, la notion de TF d ’un signal aléatoire a peu de sens: la somme des termes peut ne pas être finie, et on obtient une grandeur aléatoire. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne SIGNAUX STOCHASTIQUES - INTRODUCTION (2) • Exemple: le processus de Bernouilli 1 0 -1 ⎧1 avec probabilité 1 2 x(k ) = ⎨ ⎩− 1 avec probabilité 1 2 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 2 SIGNAUX STOCHASTIQUES - INTRODUCTION (3) Intervalles entre battements cardiaques (ms) Pression artérielle moyenne (mm Hg) Volume respiratoire (unités arbitraires) Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 3 SIGNAUX STOCHASTIQUES - INTRODUCTION (4) Nombre de porcs Prix du maïs Production de maïs Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 4 SIGNAUX STOCHASTIQUES - INTRODUCTION (5) 5 • Nous avons déjà mis ceci en pratique. Si on considère que les échantillons du signal sont des réalisation d’une même variable aléatoire, on peut estimer la densité de probabilité de celle-ci: 9 1 0 0 0 x 10 -3 8 9 5 0 7 9 0 0 6 8 5 0 5 8 0 0 4 3 7 5 0 2 7 0 0 6 5 0 1 0 5 0 1 0 0 1 5 0 2 0 0 2 5 0 0 650 700 750 800 850 900 950 Et également la valeur moyenne et la variance. Mais ceci ne décrit pas la relation entre échantillons. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 1000 SIGNAUX STOCHASTIQUES - INTRODUCTION (6) 6 • Le problème avec Fourier peut s’illustrer: 5 4 3 2 1 0 TF sur 50 premiers échantillons TF sur 50 derniers échantillons -1 -2 -3 0 10 20 30 40 50 60 70 80 90 100 1.4 2 1.8 1.2 1.6 1 1.4 1.2 0.8 1 0.6 0.8 0.6 0.4 0.4 0.2 0.2 0 0 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 SIGNAUX STOCHASTIQUES - INTRODUCTION (7) • On voit que les transformées sont semblables, mais pas identiques. Ce ne serait pas le cas avec un signal déterministe. • L’idée de base pour contrecarrer cet effet aléatoire est la suivante: On va extraire d’un signal stochastique un signal (ensemble de valeurs) qui décrit la structure du signal, et qui n’est pas stochastique: c’est ce qu’on appelle sa fonction d’autocorrélation. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 7 FONCTION D’AUTOCORRELATION (1) 8 • Qu’entend-on par structure? 5 0 plus de structure -5 0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500 10 0 -1 0 20 0 -2 0 • En fait, on a de plus en plus de relation entre les différents échantillons du signal Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne FONCTION D’AUTOCORRELATION (2) • Ca tombe bien, nous avons déjà vu un moyen de mesurer la relation entre deux variables aléatoires: la corrélation. • On mesure donc la corrélation entre deux échantillons séparés de k indices, c’est-à-dire: Rxx(n,k) = E[x(n)x(n+k)] • Si le signal est stationnaire, cette fonction ne dépand que de k: Rxx(k) = E[x(n)x(n+k)] Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 9 FONCTION D’AUTOCORRELATION (3) 10 • En gros, un signal stationnaire est un signal dont les caractéristiques ne changent pas au cours du temps. Les signaux de la page 8 sont stationnaires, mais des signaux tels que: 40 20 0 -2 0 -4 0 0 50 100 150 200 250 300 350 400 450 500 0 50 100 150 200 250 300 350 400 450 500 40 20 0 -2 0 -4 0 ne le sont pas. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne FONCTION D’AUTOCORRELATION (4) 11 • Appelons mx la moyenne des échantillons du signal x. On a les propriétés suivantes pour la fonction d’autocorrélation: - Valeur en zéro: [ 2 ] [ 2 R xx (0) = E x(k ) = E ( x(k ) − m x ) = σ x2 + m2x ] 2 + mx σ x2 variancede x De plus |Rxx(k)|≤ Rxx(0). Normal, la relation entre deux échantillons est la plus grande quand ce sont les mêmes! Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne FONCTION D’AUTOCORRELATION (5) - Valeur limite: 2 R xx (k ) → m x lorsque k → ∞ Normal. Si deux échantillons sont éloignés dans le temps, la seule relation entre eux est leur valeur moyenne. Le carré vient du fait qu’on a un produit. • Souvent d’ailleurs on préfère travailler avec des signaux à valeur moyenne nulle (on la soustrait), ou on prend la fonction d’autocovariance: Cxx(k) = E[(x(n)-mx)(x(n+k)-mx)] Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 12 FONCTION D’AUTOCORRELATION (6) - Enfin, la fonction d’autocorrélation est une fonction paire: Rxx(-k) = E[x(n)x(n-k)] = E[x(n-k)x(n)] = Rxx(k) σ2 + m2 m2 n On la représente donc souvent seulement pour k ≥ 0. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 13 FONCTION D’AUTOCORRELATION (7) 14 • Pour un signal avec plus de structure, la fonction d’autocorrélation décroît moins vite (autocorrélation des signaux de la page 8): 4 2 x 10 0 plus de structure -2 0 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 2 4 6 8 10 12 14 16 18 20 5 1 x 10 0 -1 0 6 1 x 10 0 -1 0 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne FONCTION D’AUTOCORRELATION (8) 15 • Si le signal x est périodique de période T, alors x(n+T) = x(n). Mais ceci donne: Rxx(T) = E[x(n)x(n+T)] = E[x(n)2] = Rxx(0) Rxx(T+1) = E[x(n)x(n+T+1)] = E[x(n)x(n+1)] = Rxx(1) ………. Sa fonction d’autocorrélation est donc aussi périodique de période T. En particulier, la fonction d’autocorrélation d’un sinus ou un cosinus est un cosinus à la même fréquence. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne LE BRUIT BLANC • Un bruit blanc est caractérisé par une fonction d’autocorrélation de la forme: 2 R xx (k ) = σ x d(k ) • Ses échantillons sont donc tous décorrélés. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 16 ESTIMATION DE LA MOYENNE 17 • Un problème supplémentaire est que l’on ne dispose en pratique que d’un nombre fini N d’échantillons x(n), n = 0, …, N-1. On va devoir estimer la moyenne et la fonction d’autocorrélation du signal. • L’estimateur de choix de la moyenne est bien sûr: 1 N −1 m̂ x = ∑ x(n ) N k =0 • Cet estimateur est non biaisé (pas d ’erreur systématique) et consistant (s’améliore quand N croît). Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne ESTIMATION DE L’AUTOCORRELATION (1) 18 • Un premier estimateur de l’autocorrélation est: 1 rx (k ) = N−k * N − k −1 ∑ x (n ) x (n + k ) n =0 • Cet estimateur est non biaisé (pas d ’erreur systématique) et consistant (s’améliore quand N croît), mais il a une variance importante pour k proche de N, car le dénominateur devient petit. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne ESTIMATION DE L’AUTOCORRELATION (2) 19 • Pourquoi la valeur absolue |.| dans la formule? Comme la fonction d’autocorrélation est paire, on ne l’estime que pour k ≥ 0, mais avec la valeur absolue la formule est valable pour tout k. • D’où vient ce N-|k|? C’est le nombre de produits x(n)x(n+k) qu’on peut faire avec N échantillons. • Notez que la plis grande valeur de k pour laquelle on peut estimer est k = N-1, et que pour cette valeur on n’a qu’un produit pour calculer la moyenne. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne ESTIMATION DE L’AUTOCORRELATION (3) • Un deuxième estimateur de l’autocorrélation est: N − k −1 1 x (n ) x (n + k ) rx (k ) = ∑ N n =0 • Cet estimateur est biaisé (erreur systématique) mais consistant (s’améliore quand N croît), et il a une variance plus faible pour k proche de N, car on divise la somme par une plus grande valeur. En fait, c’est le plus utilisé. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 20 ESTIMATION DE L’AUTOCORRELATION (4) • Exemple: estimation de l’autocorrélation sur un signal de fonction d’autocorrélation théorique: R (k ) = a k a = 0.75 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 21 ESTIMATION DE L’AUTOCORRELATION (5) N = 25 N = 50 Estimateur non biaisé Estimateur biaisé Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne N = 200 N = 2000 22 LA FONCTION D’INTERCORRELATION (1) • On suit le même cheminement pour quantifier la relation entre les échantillons de deux signaux. S’ils sont conjointement stationnaires on obtient: Rxy(k) = E[x(n) y(n+k)] • Notons que cette fonction d’intercorrélation n’est pas paire. On a: Rxy(-k) = E[x(n) y(n-k)] = E[y(n-k) x(n)] = Ryx(k) Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 23 LA FONCTION D’INTERCORRELATION (2) 24 • La fonction d’intercorrélation est par exemple utilisée pour estimer le retard entre deux signaux: 2 1 x 0 2 signaux perturbés, écart 7 éch. -1 2 1 y 0 -1 4 Maximum de 2 Rxy(n) 0 -2 -10 -5 0 Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 5 10 Rxy(n) LA FONCTION D’INTERCORRELATION (3) • En effet, si on obtient une grande valeur pour Rxy(k), ceci veut dire qu’il y a une forte relation entre les échantillons x(n) et y(n+k). Les signaux x et y sont donc proches, mais avec un retard de k échantillons pour y. • Il est donc logique que la fonction d’intercorrélation ne soit pas paire: y en retard sur x n’est pas la même chose que x en retard sur y. Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 25 ESTIMATION DE L’INTERCORRELATION 26 • On peut de même construire des estimateurs de l’intercorrélation de deux signaux. L’estimateur biaisé est: ⎧ 1 K −n−1 ⎪ K ∑ x(k ) y (k + n ) pour 0 ≤ n < K ⎪ k =0 rxy (n ) = ⎨ K −1 1 ⎪ ∑ x(k ) y (k + n ) pour − K < n ≤ 0 ⎪⎩ K k =− n qui tient compte de la non symétrie de l’intercorrélation Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne NORMALISATION • On peut normaliser la fonction d’autocorrélation pour qu’elle prenne des valeurs entre -1 et 1 (on rend donc ce mesure indépendant de l’échelle du signal): R xx (k ) ρ xx (k ) = R xx (0) • Pareil pour l’intercorrélation: ρxy(k) = Rxy(k) Rxx(0)R yy(0) Signal Processing Laboratory Swiss Federal Institute of Technology, Lausanne 27