Traitement du signal aléatoire
Thierry Chonavel
Springer
1 Introduction15
1.1 Avertissement15
1.2 Motivation d'un livre de signal aléatoire16
1.3 Quelques problèmes classiques de traitement du signal aléatoire17
1.4 Pourquoi ce livre?19
1.5 Organisation du document20
1.6 Remerciements22
2 Processus aléatoires: rappels23
2.1 Généralités23
2.1.1 Définition23
2.1.2 Loi d'un processus aléatoire24
2.1.3 Théorème de Kolmogorov24
2.2 Processus du second ordre25
2.3 Opérations classiques dans L2(omega, A, dP)26
2.3.1 Convergence en moyenne quadratique26
2.3.2 Continuité en moyenne quadratique27
2.3.3 Dérivabilité en moyenne quadratique28
2.3.4 Intégration29
2.4 Stationnarité et ergodicité30
2.4.1 Stationnarité30
2.4.2 Ergodicité31
3 Spectre de puissance des processus stationnaires au second ordre35
3.1 Spectres à densité: Densité Spectrale de Puissance (DSP)35
3.2 Mesure spectrale36
4 Représentation spectrale des processus stationnaires au second ordre39
4.1 Mesures aléatoires et intégrales stochastiques39
4.1.1 Définition39
4.1.2 Mesure muz associée à Z40
4.1.3 Principe de la démarche40
4.1.4 Construction des intégrales stochastiques "formule mathématique non exprimables en texte html"41
4.2 Isomorphisme de Kolmogorov42
4.3 Représentation spectrale43
4.4 Echantillonnage43
5 Filtrage des processus stationnaires au second ordre45
5.1 Rappels sur le filtrage des signaux déterministes45
5.2 Filtrage des processus stationnaires46
5.3 Comparaison des cas déterministe et aléatoire48
5.4 Exemples49
5.4.1 Filtrage passe bande49
5.4.2 Filtre dérivateur49
5.4.3 Equations aux dérivées partielles linéaires50
6 Processus particuliers importants51
6.1 Processus gaussien51
6.2 Processus de Poisson52
6.3 Bruit blanc54
6.3.1 Distributions aléatoires55
6.3.2 Mouvement brownien58
6.4 Processus cyclostationnaires59
6.5 Processus Circulaires61
6.6 Processus multivariés63
7 Transformations non linéaires des processus65
7.1 Détecteur quadratique et limiteur saturé65
7.1.1 Détecteur quadratique65
7.1.2 Limiteur saturé66
7.1.3 Théorème de Bussgang68
7.2 Modulation en amplitude des processus68
7.2.1 Modulation en phase et en quadrature69
7.2.2 Représentation analytique et modulation BLU70
7.2.3 Représentation de Rice70
7.2.4 Démodulation en présence de bruit71
8 Prédiction linéaire des processus stationnaires au second ordre73
8.1 Généralités et définitions73
8.1.1 Espérance conditionnelle et prédicteur linéaire73
8.1.2 Innovation d'un processus75
8.1.3 Processus réguliers et singuliers76
8.1.4 Exemples76
8.2 Théorème de décomposition de Wold77
8.3 Prédiction linéaire à horizon fini78
8.4 Factorisation causale des densités spectrales82
8.4.1 Factorisations causales82
8.4.2 Factorisation causale à phase minimale83
8.5 Le cas continu85
9 Techniques de filtrage particulières87
9.1 Filtrage de Wiener87
9.2 Filtrage de Kalman90
9.3 Généralisation du filtrage de Kalman93
9.4 Signaux déterministes bruités et filtrage adapté97
10 Processus à spectres rationnels99
10.1 Equations aux différences et processus à spectres rationnels99
10.2 Factorisation spectrale des processus à spectre rationnel101
10.3 Représentation d'état des modèles ARMA102
11 Identification spectrale des processus stationnaires au second ordre105
11.1 Identification des processus ARMA105
11.1.1 Identification de la partie AR106
11.1.2 Identification de la partie MA106
11.1.3 Identification de la représentation d'état106
11.2 Le problème des moments trigonométriques109
11.2.1 Conditions d'existence de solutions109
11.2.2 Polynômes orthogonaux sur le cercle unité110
11.2.3 Classes particulières de fonctions holomorphes113
11.2.4 Solution générale du problème114
11.2.5 Solution du maximum d'entropie115
11.3 Spectres de raies116
11.4 Filtres en treillis118
12 Estimation spectrale non paramétrique121
12.1 Définitions121
12.2 Généralités sur l'estimation non paramétrique123
12.2.1 Séquence d'observations indépendantes123
12.2.2 Processus ergodique124
12.3 Estimateurs empiriques de la moyenne et des covariances125
12.3.1 Processus linéaires, et absolue sommabilité des covariances125
12.3.2 Moyenne empirique127
12.3.3 Coefficients de covariance empiriques128
12.4 Estimation empirique de la DSP: le périodogramme130
12.4.1 Cas du bruit blanc131
12.4.2 Cas des processus linéaires132
12.4.3 Cas des processus harmoniques133
12.5 Lissage du périodogramme134
12.5.1 Fonctions intégrales du périodogramme135
12.5.2 Périodogramme lissé135
12.5.3 Périodogramme moyenné138
13 Estimation spectrale paramétrique139
13.1 Introduction139
13.2 Rappels d'estimation paramétrique140
13.2.1 Borne de Cramer-Rao140
13.2.2 Estimateur du maximum de vraisemblance141
13.2.3 Estimateur linéaire sans biais de variance minimale141
13.2.4 Méthodes de moindres carrés142
13.3 Estimation des coefficients de covariance142
13.4 Estimation spectrale des modèles ARMA: critères quadratiques144
13.4.1 Estimation spectrale d'un processus à spectre rationnel144
13.4.2 Synthèse de filtres rationnels146
13.5 Vraisemblance asymptotique d'un processus gaussien148
13.5.1 Vraisemblance gaussienne148
13.5.2 Comportement asymptotique de la vraisemblance148
13.6 Estimation au sens du maximum de la vraisemblance approchée153
13.6.1 Principe de la méthode153
13.6.2 Convergence des estimateurs154
13.7 Application aux modèles ARMA156
13.7.1 Cas général156
13.7.2 Cas de la modélisation autorégressive157
13.7.3 Modèles AR paramétrés par les coefficients de réflexion158
14 Statistiques d'ordres supérieurs161
14.1 Introduction161
14.2 Moments et cumulants163
14.2.1 Variables aléatoires réelles163
14.2.2 Vecteurs aléatoires réels et complexes164
14.2.3 Propriétés des moments et des cumulants165
14.2.4 Estimation empirique des moments et des cumulants166
14.3 Multicovariances et multispectres166
14.3.1 Multicovariances167
14.3.2 Multispectres167
14.3.3 Blancheur aux ordres supérieurs169
14.3.4 Estimation des multicovariances et des multispectres169
14.3.5 Filtrage linéaire169
14.4 Estimation de la fonction de transfert d'un filtre170
14.4.1 Modélisation170
14.4.2 Intérêt du traitement aux ordres supérieurs170
14.4.3 Critères de distance172
14.4.4 Identification directe des coefficients172
15 Méthodes bayesiennes et techniques de simulation175
15.1 Introduction175
15.2 Rappels sur l'estimation bayesienne176
15.3 Principe des méthodes de Monte Carlo178
15.3.1 Intégration par la méthode de Monte-Carlo178
15.3.2 Optimisation180
15.3.3 Simulation de variables aléatoires182
15.4 Méthodes MCMC184
15.4.1 Rappels sur les chaînes de Markov185
15.4.2 L'algorithme de Hastings-Metropolis189
15.4.3 Echantillonneur de Gibbs191
15.5 Application au filtrage194
15.5.1 Echantillonnage d'importance195
15.5.2 Dégénérescence de l'algorithme197
15.6 Estimation d'une fonction de transfert rationnelle197
15.6.1 Principe de la méthode198
15.6.2 Estimation des paramètres199
16 Estimation adaptative201
16.1 Méthodes de descente classiques201
16.2 Principe des méthodes stochastiques203
16.3 Algorithmes LMS et RLS204
16.4 Convergence des algorithmes LMS et RLS206
16.4.1 Convergence en moyenne de l'algorithme LMS207
16.4.2 Variance asymptotique pour l'algorithme LMS208
16.4.3 Convergence de l'algorithme RLS209
16.5 La méthode de l'ODE210
16.5.1 Hypothèses210
16.5.2 Convergence des algorithmes stochastiques211
16.5.3 Application à l'algorithme LMS214
A Rappels de théorie de la mesure217
B L2(omega, A, dP) est un espace complet221
C Prolongement par continuité d'un opérateur linéaire223
D Isomorphisme de Kolmogorov et représentation spectrale225
E Décomposition de Wold227
F Critère de Dirichlet231
G Algorithme de Viterbi233
H Factorisation spectrale à phase minimale des spectres rationnels235
I Compatibilité d'un ensemble de données avec un jeu de covariances237
I.1 Rappels d'analyse convexe237
I.2 Compatibilité d'un jeu de coefficients avec une séquence de covariances239
J Algorithme de Levinson243
K Principe du maximum247
L Extension à un pas d'une séquence de covariances249
M Relations de récurrence sur Pn(z)251
N Solution générale du problème des moments trigonométriques253
O Théorème central limite pour la moyenne empirique257
P Covariance des coefficients de covariance empirique259
Q Théorème central limite pour les covariances empiriques263
R Loi du périodogramme d'un bruit blanc265
S Périodogramme d'un processus linéaire267
T Variance du périodogramme d'un processus linéaire269
U Une loi forte des grands nombres (I)271
V Une loi forte des grands nombres (II)273
W Relation amplitude-phase pour les filtres causaux à phase minimale275
X Convergence de l'algorithme de Hastings-Metropolis277
Y Convergence de l'algorithme de Gibbs279
Z Variance asymptotique de l'algorithme LMS283
Classement bibliographique286
Bibliographie287
Notations et abréviations291
Index294