T. P. Traitement du Signal Maîtrise E.E.A. - LASC
T. P. Traitement du Signal Maîtrise E.E.A. - LASC
T. P. Traitement du Signal Maîtrise E.E.A. - LASC
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
• Estimation numérique de l'autocorrélation<br />
La fonction d'autocorrélation R x (τ) est calculée en prenant la valeur moyenne de X(t,ω) multiplié par X(tτ,ω).<br />
Pour simplifier les écritures, les signaux numérisés sont le plus souvent exprimés en fonction<br />
d'indices prenant des valeurs entières. Par exemple, au lieu d'écrire x(t m ) avec t m =mt e (t e : période<br />
d'échantillonnage), on préfère écrire x(m). Ainsi, pour estimer numériquement la fonction<br />
d'autocorrélation, on pose simplement le calcul d'une valeur moyenne sur l’ensemble de N échantillons<br />
qui constituent x(m):<br />
r 1<br />
1( p ) = x ( m ) x ( m − p ) pour 0≤<br />
p N 1<br />
N<br />
N −1 *<br />
∑ ≤ − (4.1)<br />
m=<br />
p<br />
Lorsque p tend vers N-1, peu de termes interviennent dans le calcul de la moyenne alors que le terme de<br />
normalisation reste constant à 1/N. Cela a pour conséquence d'intro<strong>du</strong>ire un biais dans l'estimation:<br />
l'autocorrélation est pondérée par une fenêtre triangulaire.<br />
Pour éliminer le biais, un second estimateur peut être défini de la façon suivante:<br />
1<br />
( ) = ∑ N 1 *<br />
r2 p<br />
− x(<br />
m)<br />
x ( m − p)<br />
pour 0 ≤ p ≤ N −1<br />
m<br />
N − p<br />
= p<br />
(4.2)<br />
L'avantage de cet estimateur est son absence de biais, mais sa variance devient importante lorsque p<br />
tend vers N-1. Les fonctions de corrélation qui vont être calculées par la suite permettront de saisir les<br />
notions de biais et de variance d’un estimateur.<br />
• Utilisation de la TFD pour calculer ces estimées.<br />
Pour calculer une fonction de corrélation numérique, il est plus intéressant de passer dans le domaine<br />
fréquentiel au moyen de la TFD pour des signaux présentant plus de 80 échantillons car les opérations sont<br />
moins nombreuses donc plus rapides à exécuter. L’utilisation de la TFD est basée sur le théorème de<br />
Plancherel qui dit que la transformée de Fourier d’un pro<strong>du</strong>it de convolution de deux signaux donne le<br />
pro<strong>du</strong>it simple de la transformée de Fourier des deux signaux : TF ( x( t)*<br />
y(<br />
t)<br />
) = X ( f ) Y(<br />
f )<br />
Il est possible d’utiliser ce théorème pour estimer la fonction d’autocorrélation car cette dernière<br />
*<br />
renferme une convolution : ( τ ) = x(<br />
τ )* x ( −τ<br />
)<br />
R x<br />
Si on applique cette dernière relation au cas d’un signal numérique sur lequel on essaie de calculer<br />
l’estimateur biaisé de l’autocorrélation, on obtient :<br />
r 1 1 * 1<br />
*<br />
1( p N −<br />
) = ∑ x ( m ) x ( m − p ) = x ( p )* x ( − p )<br />
m=<br />
p<br />
N<br />
N<br />
( )<br />
ou * désigne la convolution linéaire définie par: x( p)* y( p) = x( m) y( p − m)<br />
avec y( p- m) = 0 pour ( p- m) est en dehors de l'intervalle [0, N -1]<br />
La difficulté pour les signaux numériques est qu’il existe deux définitions de la convolution : la<br />
convolution cyclique et la convolution linéaire. La convolution cyclique est définie par la relation :<br />
∑<br />
N − 1<br />
m=<br />
0<br />
30