Signaux aleatoires
Signaux aleatoires
Signaux aleatoires
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
3. Propriétés énergétiques des signaux aléatoires stationnaires de puissance moyenne finie Page 13<br />
expression qui nécessiterait quelques précautions d’écriture (la transformée de Fourier d’un processus<br />
aléatoire stationnaire n’a pas de sens). En développant tout de même, on a<br />
<br />
<br />
E X(t,ω)exp (− j2π ft)dt X ∗ (t ′ ,ω)exp ( j2π ft ′ )dt ′<br />
<br />
<br />
= E X(t,ω)X(t ′ ,ω) exp (− j2π f (t −t ′ ))dtdt ′<br />
<br />
= RXX (t −t ′ )exp (− j2π f (t −t ′ ))dtdt ′ ,<br />
soit, en posant t −t ′ = τ,<br />
SXX ( f ) △ <br />
=<br />
R XX (τ)exp (− j2π f τ)dτ ≥ 0.<br />
On en déduit donc que la transformée de Fourier de la fonction d’autocorrélation est toujours positive.<br />
On dit aussi que le caractère défini non négatif se conserve par transformée de Fourier. Ce résultat<br />
constitue le théorème de Bochner.<br />
7. (Mémoire). On a vu que |RXX (τ)|≤RXX (0). On appelle<br />
ρc(τ) △ = R XX (τ)<br />
R XX (0) =<br />
E {X(t,ω)X ∗ (t − τ,ω)}<br />
E {|X(t,ω)| 2 }E {|X ∗ (t − τ,ω)| 2 }<br />
le coefficient de corrélation, dont on vérifie aisément qu’il est compris entre -1 et 1. Il s’agit en fait de<br />
la fonction d’autocorrélation normalisée par rapport à son maximum. Lorsqu’au bout d’un temps tc le<br />
coefficient de corrélation devient nul, le processus est dit à mémoire finie.<br />
3.1.2 Notion de bruit blanc<br />
Un bruit blanc est un modèle de signal aléatoire « limite » que l’on rencontrera très souvent. Le bruit blanc<br />
est un bruit à corrélation microscopique, c’est-à-dire qu’entre deux instants, si proches soient-ils, ρc(τ)=0.<br />
On pose, par définition,<br />
R XX (τ) △ = N 0<br />
2 δ(τ),<br />
où δ(τ) est la distribution de Dirac. On peut noter dès à présent que la transformée de Fourier de cette fonction<br />
d’autocorrélation, que l’on a déjà notée S XX ( f ), est une constante, d’amplitude N 0 /2.<br />
SXX ( f )=TF[RXX (τ)] = N0 2 .<br />
Par ailleurs, en se souvenant que RXX (0) représente la puissance moyenne du signal, on constate que le bruit<br />
blanc possède une puissance moyenne infinie. . . Il s’agit donc d’un modèle délicat à manipuler.<br />
On peut distinguer plusieurs types de bruit blanc : si toutes les variables aléatoires que l’on peut extraire<br />
du signal sont indépendantes, le bruit est blanc, puisque l’indépendance entraîne la décorrélation. Par contre,<br />
toutes les variables peuvent être décorrélées sans être nécessairement indépendantes. On parlera alors de bruit<br />
blanc au sens fort (ou au sens strict), dans le premier cas et de bruit blanc à l’ordre deux dans le second. Notons<br />
qu’il existe un certain nombre de situations intermédiaires.<br />
Exercice 3 : Montrez qu’un bruit blanc est nécessairement de valeur moyenne nulle.<br />
Exercice 4 : On considère un signal aléatoire U(t,ω) n’existant que sur l’intervalle de temps [0,T ] ;et<br />
on s’intéresse au signal périodique<br />
X(t,ω)=Rep T [U(t,ω)] = ∑ k<br />
U(t − kT,ω).<br />
1. Montrez que RUU (τ)=0 pour τ /∈ [−T,T].<br />
2. Montrez que RXX (τ) est une fonction périodique de période T et exprimez RXX (τ) en fonction de<br />
RUU (τ).