Analyse Spectrale

Mesure des fonctions de corrélation

P. Granjon
pierre.granjon@grenoble-inp.fr

Grenoble INP, ense3, gipsa-lab

année 2010 - 2011

Plan du cours

Analyse
spectrale

Granjon

1 Estimateur empirique
Plan
Forme temporelle
Estimateur
Forme fréquentielle Performances

Bilan

2 Performances d’estimation
Caractérisation des performances d’un estimateur
Estimateur de la corrélation

3 Bilan

2 / 10
Plan

Analyse
spectrale

Granjon

1 Estimateur empirique
Plan
Forme temporelle
Estimateur
Forme fréquentielle temps
fréquence

Performances

2 Performances d’estimation Bilan

Caractérisation des performances d’un estimateur

Estimateur de la corrélation

3 Bilan

3 / 10

Complexité des algos d’estimation de CX [k]

Analyse
spectrale
Nombre d’opérations en fonction de l’algo choisi
Granjon
70
Calcul en temps
60 Calcul par FFT
Plan
Milliers d’opérations

50

40
Estimateur
30
temps
20
fréquence
10

0
816 32 64 128 256 Performances
Nombre de points du signal

Bilan

Code de la fonction xcorr de Matlab

% Size of signal x
[M,N] = size(x);
% Autocorrelation, computed via FFT
X = fft(x,2^nextpow2(2*M-1));
c = ifft(abs(X).^2);

4 / 10
Plan

Analyse
spectrale

Granjon

1 Estimateur empirique Plan

Estimateur

Performances
2 Performances d’estimation caractéristiques
corrélation
Caractérisation des performances d’un estimateur
Bilan
Estimateur de la corrélation

3 Bilan

5 / 10

Biais et variance d’un estimateur

Analyse
variance forte variance faible spectrale

1.5 1.5 Granjon

Estimations Estimations
Valeur à estimer Valeur à estimer

1 1
Plan
Partie Imaginaire

Partie Imaginaire

biais Estimateur
fort 0.5 0.5
Performances
caractéristiques
corrélation
0 0
0.5 1 1.5 2 2.5 3 0.5 1 1.5 2 2.5 3
Partie réelle Partie réelle
Bilan

1.5 1.5
Estimations Estimations
Valeur à estimer Valeur à estimer

1 1
Partie Imaginaire

Partie Imaginaire

biais
faible 0.5 0.5

0 0
0.5 1 1.5 2 2.5 3 0.5 1 1.5 2 2.5 3
Partie réelle Partie réelle

6 / 10
Variance d’estimation : influence du produit B × T
Cx(k) théorique
Analyse
20 spectrale
10
Beq = 0.012 Granjon
0
−200 −100 0 100 200
Retards Plan

Estimateur
Réalisation courte du signal Cx(k) estimée sur 3 réal. courtes
10 Performances
20 caractéristiques
0
corrélation
−10
10
Beq N = 12
0 Bilan
0 500 1000 −200 −100 0 100 200
échantillons Retards

Réalisation longue du signal Cx(k) estimée sur 3 réal. longues

20
20
0
10
Beq N = 240
−20 0
0 0.5 1 1.5 2 −200 −100 0 100 200
échantillons x 10
4 Retards

choisir N le plus important possible ⇒ Beq N  1

7 / 10

Performances d’estimation : influence du retard k

|k| < N, important devant N Analyse

spectrale
Cx(k) théorique Cx(k) estimée non biaisée Cx(k) estimée biaisée
Granjon
30 30 30

20 20 20

10 10 10 Plan
0 0 0

−10 −10 −10 Estimateur

−20 −20 −20
−2 −1 0 1 2 −2 −1 0 1 2 −2 −1 0 1 2
Retards 4
x 10 Retards x 10
4 Retards 4
x 10
Performances
caractéristiques
corrélation
N
|k| < 10 , faible devant N Bilan

Cx(k) théorique Cx(k) estimée non biaisée Cx(k) estimée biaisée

30 30 30

20 20 20

10 10 10

0 0 0

−10 −10 −10

−20 −20 −20

−2000 0 2000 −2000 0 2000 −2000 0 2000
Retards Retards Retards

N
imposer des retards |k| faibles devant N ⇒ |k| ≤ 10

8 / 10
Plan

Analyse
spectrale

Granjon

Plan
1 Estimateur empirique Estimateur

Performances

2 Performances d’estimation Bilan

3 Bilan

9 / 10

Bilan sur l’estimation de CX [k]

Analyse
x[n] = une réalisation sur N échantillons d’un SASE X [n]. spectrale

Granjon
Estimateur
\ PN−1 ∗ Plan
C X [k] = A n=0 x[n]x [n − k], avec |k| < N
1 Estimateur
A= N−|k| : non biaisé
Performances
1
A= N : approx. non biaisé Bilan

estimé en fréquence par algo FFT (ajout de zéros)

nombre d’opérations en 2N log2 (2N)

Performances d’estimation
Biais et variance relatifs faibles si :
NBeq  1 (de l’ordre de 100)
N
|k| faible devant N (inférieur à 10 )

10 / 10