TH`ESE DE DOCTORAT DE L'UNIVERSITà PARIS 6 Spécialité ...
TH`ESE DE DOCTORAT DE L'UNIVERSITà PARIS 6 Spécialité ...
TH`ESE DE DOCTORAT DE L'UNIVERSITà PARIS 6 Spécialité ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
26 Introduction<br />
2.3.2 Critère Minimum Variance Distortionless Response (MVDR)<br />
Le critère MVDR consiste à vouloir minimiser la puissance résultante de bruit, tout en imposant une<br />
contrainte de non distortion du signal utile 1 [15]. Plus précisément, il s’agit de minimiser la variance de<br />
bruit :<br />
sous la contrainte sur le filtrage de la partie utile :<br />
E{(w H b(t)) ∗ (w H b(t))} = w H Rw<br />
w H φ S = 1.<br />
En utilisant la méthode des multiplicateurs de Lagrange, on trouve alors l’expression du filtre optimal au<br />
sens du critère MVDR :<br />
w MVDR =<br />
R−1 φ S<br />
φ H S R−1 φ S<br />
. (2.5)<br />
2.3.3 Critère Minimum Mean Square Error (MMSE)<br />
Le critère MMSE consiste à minimiser l’erreur quadratique moyenne d’estimation du signal utile s(t)<br />
par les données filtrées y(t). L’erreur quadratique moyenne a pour expression :<br />
E{|s(t) − y(t)| 2 } = E{|s(t) − w H x(t)| 2 }.<br />
Le filtre optimal au sens de la MMSE est tel que l’erreur de projection du signal sur l’espace des données<br />
doit être orthogonale aux vecteurs de ce dernier. On a donc :<br />
E{(s(t) − w H x(t)) ∗ x(t)} = 0<br />
d’où on déduit l’expression du filtre MMSE optimal :<br />
Le signal utile et le bruit étant supposés décorrélés, on a :<br />
w MMSE = E{x(t)x(t) H } −1 E{s(t) ∗ x(t)}. (2.6)<br />
Puis, en utilisant le lemme d’inversion matricielle sur (2.4), on a :<br />
E{s(t) ∗ x(t)} = σ 2 Sφ S . (2.7)<br />
E{x(t)x(t) H } −1 = R −1 − σ2 S R−1 φ S φ H S R−1<br />
1 + σ 2 S φH S R−1 φ S<br />
. (2.8)<br />
En insérant (2.7) et (2.8) dans (2.6), on obtient l’expression finale du filtre MMSE optimal :<br />
w MMSE =<br />
σ 2 S<br />
1 + σ 2 S φH S R−1 φ S<br />
R −1 φ S . (2.9)<br />
1 Notons, comme dans [6, chap. 6.2] qu’avec le modèle de données considéré, ce critère est équivalent au critère de minimisation<br />
de la variance d’un estimateur sans biais.