Estimation spectrale par découpage en sous-bandes d'un signal ...
Estimation spectrale par découpage en sous-bandes d'un signal ...
Estimation spectrale par découpage en sous-bandes d'un signal ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
O<br />
n<br />
Q<br />
a<br />
<br />
¨<br />
£<br />
<br />
k<br />
<br />
<br />
ramétrique couplée à du découpage <strong>en</strong> <strong>sous</strong>-<strong>bandes</strong>, afin<br />
de profiter des propriétés ( ¥¡ ) et ( ¤£ ) tout <strong>en</strong> éliminant<br />
les problèmes d’ambiguïté liés au recouvrem<strong>en</strong>t spectral,<br />
illustrés dans le <strong>par</strong>agraphe précéd<strong>en</strong>t. L’originalité de la<br />
démarche proposée est de conduire une analyse <strong>spectrale</strong><br />
”séqu<strong>en</strong>tielle”, <strong>en</strong> cherchant à estimer le cont<strong>en</strong>u spectral<br />
du <strong>signal</strong> à des fréqu<strong>en</strong>ces successives. Ainsi, l’idée principale<br />
de la méthode proposée ici est de moduler le <strong>signal</strong><br />
à analyser ( ) <strong>par</strong> une expon<strong>en</strong>tielle complexe avant de<br />
le prés<strong>en</strong>ter au banc de filtres :<br />
£+Y<br />
U W<br />
£¢¥¤<br />
%<br />
(5)<br />
/ ¡<br />
H(e j2πf )(dB)<br />
20<br />
10<br />
0<br />
−10<br />
−20<br />
−30<br />
−40<br />
−50<br />
Réponse fréqu<strong>en</strong>tielle des 8 filtres<br />
Echelle log. (dB)<br />
pour décaler la composante <strong>spectrale</strong> à estimer de la<br />
Q où est le numéro de<br />
fréqu<strong>en</strong>ce<br />
e)r s a e)r<br />
£<br />
s<br />
à<br />
la <strong>sous</strong>-bande ¦#S cont<strong>en</strong>ant ( est le ”milieu” de la <strong>sous</strong>bande<br />
¦#S cont<strong>en</strong>ant ). On choisit §<br />
Z ¦ES , donc et un<br />
<br />
banc de filtres <strong>en</strong> divisant 1 £ % £ ( 7:1 l’intervalle fréqu<strong>en</strong>tiel <strong>en</strong><br />
O <strong>sous</strong>-<strong>bandes</strong> id<strong>en</strong>tiques et vérifiant :<br />
¨©&cih £+YJf<br />
m &%<br />
(6)<br />
j`k<br />
% RTS VU W Q<br />
où m <br />
désigne le symbole de Kronecker. La réponse<br />
fréqu<strong>en</strong>tielle des filtres avec L<br />
<strong>sous</strong>-<strong>bandes</strong><br />
O<br />
est donnée figure 3. On vérifie bi<strong>en</strong> que la réponse<br />
s’annule<br />
<br />
fréqu<strong>en</strong>tielle<br />
£+Y?Z<br />
de chacun des<br />
VUXW<br />
filtres<br />
bi<strong>en</strong> au milieu L R`S ¡ des <strong>sous</strong>-<strong>bandes</strong> dont le O ,<br />
numéro<br />
Q est différ<strong>en</strong>t de . Avec un tel banc de filtre, on <strong>par</strong>vi<strong>en</strong>t à<br />
éliminer totalem<strong>en</strong>t le problème du recouvrem<strong>en</strong>t spectral<br />
<strong>en</strong> puisqu’on a exactem<strong>en</strong>t :<br />
¦ES<br />
l VU W<br />
£+Y¨©<br />
_`S VU W<br />
£+Y?a¨©<br />
O <br />
où désigne la transformée de Fourier de .<br />
<br />
Dans la suite de cet article, cette méthode permettant<br />
d’éliminer le problème du recouvrem<strong>en</strong>t spectral sera appelée<br />
DSBM : Découpage <strong>en</strong> Sous-Bandes du <strong>signal</strong> Mo-<br />
l <br />
dulé. L’inconvéni<strong>en</strong>t majeur est que du point de vue<br />
temps réel, on doit appliquer, pour chaque composante<br />
fréqu<strong>en</strong>tielle , toute une méthode d’analyse <strong>spectrale</strong> destinée<br />
normalem<strong>en</strong>t à estimer le spectre tout <strong>en</strong>tier ^o (<br />
n<br />
<br />
(7)<br />
1 £ % £ ( 7:1 ). On a choisi de décaler chaque fréqu<strong>en</strong>ce à analyser<br />
au milieu de sa <strong>sous</strong>-bande correspondante car cela<br />
ramène l’estimation sur le <strong>signal</strong> de [<br />
S <br />
<strong>sous</strong>-bande <strong>en</strong><br />
£ ( 7)Q £ ( ¤?7 , soit <br />
<br />
£ ( ¤?7 , modulo ¡ . En effet,<br />
¦ES<br />
on trouve à cette fréqu<strong>en</strong>ce beaucoup de bonnes propriétés<br />
concernant de nombreuses méthodes d’analyse <strong>spectrale</strong>.<br />
En <strong>par</strong>ticulier, pour un <strong>signal</strong> composé d’une somme de sinusoïdes<br />
noyées dans du bruit blanc additif, la puissance<br />
de l’erreur de prédiction linéaire, ainsi que le nombre de<br />
conditionnem<strong>en</strong>t de la matrice d’autocorrélation (utilisée<br />
<strong>en</strong> modélisation autorégressive, modélisation de Prony et<br />
toutes les méthodes ”haute-résolution”) admett<strong>en</strong>t un minimum<br />
lorsque le baryc<strong>en</strong>tre des fréqu<strong>en</strong>ces est autour de<br />
£ ( ¤?7 .(voir [7]).<br />
<br />
−60<br />
−70<br />
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45<br />
Fréqu<strong>en</strong>ce Normalisée f<br />
FIG. 3 – Réponse fréqu<strong>en</strong>tielle du banc de filtres uniforme<br />
à L <strong>sous</strong>-<strong>bandes</strong>.<br />
4 Résultats de simulation et performances<br />
de la méthode<br />
Les simulations ont été réalisées <strong>en</strong> O ^L<br />
utilisant <strong>sous</strong><strong>bandes</strong>,<br />
avec des filtres d’analyse issus de la modulation <strong>en</strong><br />
cosinus d’un même filtre ¤?O d’ordre :<br />
e b ¡ % n p £ %)( ( ( % ¤?O , ¡ et 0 ailleurs % (8)<br />
<br />
£+Y?Z £+Y?Z8f £ adc ¡<br />
U W W VU e R<br />
<br />
¤¦¥EO<br />
¥<br />
De tels filtres, appelés filtres ”peigne” (ou ”comb filters”<br />
<strong>en</strong> Anglais) sont couramm<strong>en</strong>t utilisés dans le domaine<br />
du découpage <strong>en</strong> <strong>sous</strong>-<strong>bandes</strong> mais pour d’autres<br />
utilisations (voir [8], p.¤?¤ ]<br />
). On vérifie facilem<strong>en</strong>t que<br />
ce banc de filtres vérifie bi<strong>en</strong> la relation donnée <strong>par</strong><br />
l’Eq.(6). Concernant le choix de la méthode d’estimation<br />
<strong>spectrale</strong>, de nombreux algorithmes ont été étudiés<br />
<br />
%<br />
(9)<br />
pour résoudre le problème d’estimation des composantes<br />
fréqu<strong>en</strong>tielles W £+Y?Z<br />
<br />
à <strong>par</strong>tir des échantillons observés<br />
lAVU<br />
, £ %)( ( ( %+* , ¡ , comme les moindres carrés<br />
<br />
linéaires, des méthodes de type Yule-Walker utilisant les<br />
mom<strong>en</strong>ts d’ordre supérieur ou égal ¤ à , les méthodes<br />
MUSIC et Pisar<strong>en</strong>ko, etc... [6]. Pour les simulations de<br />
cet article, on utilise une modélisation autorégressive de<br />
type Yule-Walker (ARYW) <strong>en</strong> utilisant une estimation non<br />
biaisée de l’autocorrélation ([9], p. 159). Cette méthode<br />
a été choisie pour sa simplicité mais d’autres types de<br />
méthodes plus complexes, comme la méthode HOYW ([6],<br />
p. 151), pourrai<strong>en</strong>t bi<strong>en</strong> sûr être <strong>en</strong>visagées.<br />
Dans le cas de signaux à spectre de raies, le <strong>signal</strong> test<br />
est constitué ¢ ¡ de sinusoïde de fréqu<strong>en</strong>ce norma-<br />
lisée<br />
ditif de § puissance<br />
£ ( 0 ¤<br />
¡<br />
noyée dans un bruit blanc gaussi<strong>en</strong> ad-<br />
¤ <br />
. L’ordre de modélisation<br />
¡¦687:9<br />
AR dans les <strong>sous</strong>-<strong>bandes</strong> choisi ¦¨<br />
K<br />
est . La figure 4<br />
montre le spectre reconstitué du <strong>signal</strong> à l’aide de la