Signaux aléatoires
Signaux aléatoires
Signal Processing, Stochastic Processes · course
Voir tous les documents en électronique et automatique
Fiche de révisionFiche de cours
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce document présente les notions fondamentales des signaux aléatoires et des processus stochastiques, destinées aux étudiants en automatique, traitement du signal et théorie de l'estimation. Il aborde la modélisation probabiliste des signaux, leurs caractéristiques statistiques, les processus remarquables ainsi que leur transmission par des systèmes linéaires.
Un processus stochastique (scalaire ou vectoriel) est une famille de variables ou vecteurs aléatoires indexée par un ensemble de paramètres t ∈ T, généralement le temps. La notation est {xt(ω) | t ∈ T}. T peut être discret ou continu.
Les processus peuvent être à état discret ou continu. En temps discret, ils sont appelés séquences aléatoires. En temps continu, on parle simplement de processus stochastiques.
Un satellite en orbite périodique autour de la Terre fournit un signal aléatoire x(t) représentant son altitude mesurée par plusieurs capteurs. Ce signal est analogique et en temps continu, reflétant les incertitudes des mesures.
Pour toute partition finie {t1, ..., tn} de T, la loi de distribution conjointe des variables aléatoires xt1, ..., xtn caractérise le processus. Elle peut être donnée par :
Spécifier l’une de ces fonctions pour toutes les partitions définit la loi du processus.
Le processus défini par x(t) = a + bt, où a et b sont des variables aléatoires conjointement normales, est un vecteur gaussien dont la moyenne et la covariance dérivent de celles de [a b].
Un processus est dit du second ordre s’il est entièrement caractérisé par ses densités de probabilité du premier et du second ordre :
À partir des densités, on définit :
Ces matrices vérifient :
Pour x(t) = a + bt :
Un processus x(t) est stationnaire au sens strict si, pour toute partition {t1, ..., tn} et tout décalage θ :
px(t1),...,x(tn)(α1, ..., αn) = px(t1+θ),...,x(tn+θ)(α1, ..., αn)
Un processus est stationnaire au sens large si :
Le processus x(t) = a cos(2πt) + b sin(2πt), avec a et b variables aléatoires non corrélées de moyenne nulle et variance unitaire, est stationnaire au sens large :
La moyenne temporelle d’un échantillon est définie par :
<x(t)> = limT→+∞ (1/2T) ∫−TT x(t) dt
Un processus est ergodique si toutes les moyennes temporelles existent et sont égales à la moyenne statistique, quelle que soit la réalisation :
limt1→∞ (1/(t1 − t0)) ∫t0t1 f[x(t)] dt = E[f(x(t))]
La densité spectrale de puissance Ψx(ω) est la transformée de Fourier de la matrice de corrélation Rx(τ) :
Ψx(ω) = ∫−∞+∞ e−jωτ Rx(τ) dτ
Rx(τ) = (1/2π) ∫−∞+∞ ejωτ Ψx(ω) dω
Propriétés :
Pour un processus stationnaire v(t) de matrice de corrélation :
Rv(t − τ) = σ² exp(−|t − τ|/θ), θ > 0
La densité spectrale de puissance est :
Ψv(ω) = (2 σ² θ) / (1 + ω² θ²)
Deux processus v1(t) et v2(t) sont :
Soient x(t) et y(t) deux processus stochastiques :
Définitions :
Définition :
Ψxy(ω) = ∫−∞+∞ Rxy(τ) e−jωτ dτ
De même :
Ψyx(ω) = ∫−∞+∞ Ryx(τ) e−jωτ dτ
Relations inverses :
Rxy(τ) = (1/2π) ∫−∞+∞ Ψxy(ω) ejωτ dω
Propriétés :
Un processus stochastique x(t) est gaussien si pour toute partition finie {t1, ..., tn}, le vecteur [x(t1), ..., x(tn)] est gaussien. Sa loi est entièrement déterminée par la moyenne et la covariance, ce qui en fait un processus du second ordre.
Propriété : un processus gaussien stationnaire au sens large est aussi stationnaire au sens strict.
Le processus x(t) = a + b t, où a et b sont des variables gaussiennes non corrélées de moyenne nulle et variance unitaire, est gaussien. Sa matrice de covariance est :
P = [ 1 + t1² 1 + t1 t2 ... 1 + t1 tn ... ... ... ... 1 + tn t1 ... 1 + tn² ]
Un processus stochastique x(t) est markovien si la connaissance de l’état présent suffit à décrire la distribution future, indépendamment du passé :
P[x(tn) < αn | x(tn−1), ..., x(t1)] = P[x(tn) < αn | x(tn−1)]
La fonction densité de probabilité de transition px(tn) / x(tn−1) est ainsi définie.
Propriété : un processus markovien est un processus du second ordre.
La suite définie par l’équation aux différences :
xn+1 = xn + wn, n = 0, 1, ...
où les wi sont des variables gaussiennes indépendantes, est un processus markovien gaussien.
Processus en temps discret et à état discret, modélisant un déplacement aléatoire par pas successifs.
À chaque pas, on avance d’une distance s à droite ou à gauche selon le résultat d’un lancer de pièce. La position après n pas est :
x(nT) = m s, avec m = 2k − n, où k est le nombre de faces obtenues en n lancers.
La probabilité de cette position est :
P[x(nT) = m s] = Ckn / 2n
Les moments sont :
Pour n grand, la distribution tend vers une loi normale centrée.
Une séquence aléatoire blanche {xn} est une séquence de Markov telle que :
pxk/xl(αk/αl) = pxk(αk) pour k > l
Les variables sont mutuellement indépendantes et totalement imprévisibles.
Un bruit blanc gaussien est un processus stochastique gaussien défini par :
où V(t) ≥ 0 est l’intensité du bruit et δ(•) l’impulsion de Dirac.
Si V(t) est constante, le processus est stationnaire au sens large avec une densité spectrale de puissance :
Ψx(ω) = V
Cette densité est uniforme, justifiant le terme de bruit blanc par analogie avec la lumière blanche.
Remarque : la puissance totale d’un bruit blanc stationnaire est infinie, ce qui montre que ce processus n’existe pas physiquement. Mathématiquement, le bruit blanc gaussien est la dérivée d’un processus de Wiener.
Un signal aléatoire est un bruit blanc à bande limitée si :
Ψx(ω) = η/2 pour |ω| ≤ ωB, et 0 sinon.
La fonction d’autocorrélation est :
Rx(τ) = (η ωB / 2π) (sin ωB τ) / (ωB τ)
Un processus stationnaire à moyenne nulle et densité spectrale de puissance non nulle uniquement dans une bande étroite de largeur 2W est appelé processus à bande étroite.