Modèles de Markov triplets en restauration des signaux
Modèles de Markov triplets en restauration des signaux
Modèles de Markov triplets en restauration des signaux
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
CHAPITRE V. CHAÎNES CONDITIONNELLEMENT LINÉAIRES À SAUTSMARKOVIENSOn dit que Y =(Y n ) n∈Z est un processus aléatoire réel du second ordre si pourtout n∈Z, Y n est <strong>de</strong> carré integrable.Définition V.1 Soit Y =(Y n ) n∈Z un processus réel. Y est stationnaire du secondordre si Y est un processus <strong>de</strong> second ordre dont la moy<strong>en</strong>ne et la covariance sontinvariantes par translation :µ(n)=E(Y n )=µΓ(Y p ,Y n )=γ(n−p)La famille(γ(h)) h∈Z est appelée « la famille <strong>de</strong>s covariances ».Définition V.2 Une fonction C <strong>de</strong> R dans R est à variation l<strong>en</strong>te si pour toutx>0, C(tx)/C(t) t<strong>en</strong>d vers 1 quand t t<strong>en</strong>d vers l’infini.L’exemple classique <strong>de</strong> fonctions à variation l<strong>en</strong>te sont les fonctions constantesC(h)↦C.Définition V.3 Soit Y=(Y n ) n∈Z un processus réel stationnaire du second ordre. Yest dit à "dép<strong>en</strong>dance longue" (ou à "mémoire longue") s’il existe un α∈]0,1[ etune fonction à variation bornée C(h) telle que la famille <strong>de</strong>s covariances(γ(h)) h∈Zest équival<strong>en</strong>te à C(h).h −α quand h t<strong>en</strong>d vers+∞ et on note γ(h) ∼+∞C(h).h −αlimh→+∞ hα γ(h)=C(h)(V.1)Nous pouvons remarquer que dans un processus à mémoire longue nous avons∑ h∈N ∣γ(h)∣=+∞. Dans les cas où cette somme est finie le processus Y est dità "mémoire courte". En particulier, les chaînes <strong>de</strong> <strong>Markov</strong> sont <strong>de</strong>s processus àmémoire courte.L’exemple le plus connu dans la littérature sur les processus à mémoire longuesont les processus « Auto-régressifs-moy<strong>en</strong>nes mobiles fractionnaire » (FARIMA(p,d,q))[56, 58, 81], qui généralis<strong>en</strong>t les processus ARIMA(p,d,q) [15]. On montre que siY =(Y n ) n∈Z est un processus FARIMA(0,d,0) alors sa famille <strong>de</strong> covariance estéquival<strong>en</strong>te à :Γ(1−2d)γ(h) ∼h→+∞ Γ(d)Γ(1−d) σ2 εh 2d−1(V.2)Pour un processus FARIMA on a donc : α=1−2d.Un exemple <strong>de</strong> simulation d’un processus FARIMA est prés<strong>en</strong>té à la figure (V.1).100