processus stochastiques et traitement statistique de ... 756 cours_annonce.pdf · classification...
TRANSCRIPT
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 7561
Processus stochastiques et traitement statistique de signaux aléatoires
Bloc 1 : Introduction et description du cours
GEI 756
Professeur Denis Gingras, Dr Ing.Département GEGI
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 7562
Place du traitement des signaux dans le domaine de la science en général
Les applications des sciences et de l’ingénierie sont généralement regroupées en trois domaines principaux, d'ailleurs largement interdépendants :
les sciences et les techniques des matériaux les sciences et les techniques de l'énergie; les sciences et les techniques de l'information.
La théorie et le traitement des signaux est une discipline appartenant au troisième domaine, auquel elle apporte à la fois des bases théoriques fondamentales et des techniques particulières.
NB: Son influence déborde toutefois aussi sur les deux autres domaines, dans la mesure où l'on y rencontre de nombreux phénomènes (fluctuations de charge d'un réseau électrique, vibrations d'une machine tournante, caractérisation spectrale d’un matériau, etc.) qui peuvent être étudiés avec les mêmes outils de traitement de données que ceux utilisés pour les signaux informationnels.
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 7563
Les circuits de télécommunications acheminent le signal électrique ainsi créé vers son destinataire. L'informatique, grâce à son énorme puissance de calcul, permet d'effectuer des tâches complexes de manipulations et d'interprétation de l'information véhiculée par le signal (traitement numérique).
L'universalité du traitement des signaux est attestée par la diversité des secteurs d'application : industriels, scientifiques, biomédicaux, militaires, spatiaux, etc. Ce que nous apprenons du monde qui nous entoure et de nous-mêmes provient de signaux qui sont traités.
La métrologie fournit les capteurs qui traduisent pratiquement n'importe quel phénomène physique en une grandeur électrique facilement amplifiée, filtrée, conditionnée, codée, etc., par des dispositifs électroniques appropriés.
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 7564
Que signifie signal ? - Toute entité véhiculant une informationC’est une représentation obtenue à partir des variations d’une grandeur physique dans le temps ou dans l’espace.
Exemples : Grandeur physique Information
Onde acoustique musique, parole…
Courant électrique mesure physique…
Traitement du signal :
Extraire l’information utile des données bruitées(filtrage, détection, estimation, analyse spectrale...)Mettre en forme le signal (modulation, échantillonnage….)
-> forme adaptée à la transmission, au stockage ou à la visualisationAnalyser l’information: convertir en connaissances
-> classification, reconnaissance de formes, inférence
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 7565
Extraire l’information utile d’un signal (passer du non-contextuel au contextuel, passer des données brutes et imparfaites à la connaissance)
Traitement en vue d’une meilleure utilisation/visualisation des données imparfaites
Il s’agit souvent d’un problème inverse où il faut valider une hypothèse (inférentielle) pour obtenir de nouvelles connaissances sur le phénomène étudié.
Qu’est-ce que l’information : Une définition statistique de Brillouin donne l’information comme le rapport entre le nombre de réponses possibles d’une recherche avant et après l’observation. Si aucune information sur le problème n’était disponible, alors le problème a un espace de solution non-borné (infini). Si toute l’information sur le phénomène était disponible, alors il n’y aurait qu’une seule réponse possible (un point) dans l’espace des solutions.
Le but du traitement est donc de réduire au maximum cet espace de solutions possibles (après observation) visant, pour des raisons pratiques et applicatives, à un seul point dans l’espace de solutions (solution unique).
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 7566
Quel est le but du traitement statistique des signaux ?
Extraire les composantes déterministes (des structures) des signaux aléatoires
Malgré leur nature aléatoire et imprévisible, en obtenir des propriétésdéterministes afin de faire les opérations et tâches requises pour extraire l’information
Caractériser les composants aléatoires indésirables (incertitudes) qui masquent (ou déforment) l’information contenue dans un signal.
À l’ère des ordinateurs, de la numérisation et de la miniaturisation, nous vivons dans un monde d’information. Partout, on retrouve des capteurs et des systèmes de mesures miniaturisés, intégrés et bon marchés qui génèrent de grandes quantités de données. Ces données sont la plupart du temps entachées de bruit ou dégradées par différents phénomènes parasites.
Le traitement statistique des signaux joue un rôle primordial pour l’extraction de l’information utile et la génération de connaissances à partir de données brutes. Les techniques de traitement statistiques des signaux constituent des outils de base que tout ingénieur devrait maîtriser.
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 7567
Introduction au TSS
La représentation mathématique des signaux
But: effectuer des opérations sur les signaux (en vue de les traiter)
Moyen: représenter un signal (une information) sous une forme mathématique (opérations = +,-,x,…)
Les mathématiques offrent plusieurs familles de modèles : fonctions d’une variable fonctions de plusieurs variables familles de fonctions fonctions continues fonctions discrètes ...
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 7568
Les signaux déterministes (non-aléatoire):
On peut parfaitement prédire le signal;
Peut s’exprimer mathématiquement et parfaitement par des lois simples
Information seulement contenue dans ces lois; les nouvelles observations
ne contiennent aucune information
Quand on connaît le passé, la probabilité d’apparition d’une valeur donnée
à l’instant t est soit nulle, soit certaine (p = 1).
Les signaux déterministes continus peuvent être facilement extrapolés.
On distingue 2 classes de signaux suivant leur évolution temporelle :
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 7569
Les signaux aléatoires :
Ils sont imprévisibles, on ne peut pas les extrapoler
Impossible de les reproduire identique à eux-mêmes.
L’information contenue dans le signal est liée au degré d’incertitude,
d’aléatoire.
Ne peuvent pas être parfaitement décrits par des lois simples
Ce sont des paramètres statistiques qui définissent les possibilités
d’évolution du signal
Bruit: signaux indésirables. Le bruit est un signal perturbateur qui dégrade les
observations d’un signal désiré ou recherché (contextuel).
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75610
Signal aléatoire BruitIntroduction au TSS
Exemple: Transmettre la parole sur des cables d’alimentation du secteur 60 Hz.
Le signal important (utile) est la parole, c’est un signal aléatoire
Le bruit gênant est déterministe, c’est une sinusoïde à 60 Hz
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75611
Signaux aléatoires: signaux dont on ne peut connaitre les valeurs avant des les avoir observés : imprévisibles.
TSS: modèles probabiliste et techniques permettant d‘évaluer des propriétés statistiques (i.e. moyennes) d’un signal pour en avoir une meilleure connaissance quantitative.Exemples:
Le bruit de fond additif b(t),
Le signal
transmis par un système de communication. La suite est aléatoire.
Question typique relative aux notions qui vont être introduites dans ce cours :
Quelle bande passante réserver a priori à la transmission du signal x(t) ?
Définir un concept de bande passante moyenne pour un signal aléatoire.
Introduction au TSS
( ) ( )nn
x t a g t nT
n na
( ) ( ) ( )y t x t b t
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75612
Les données sont entachées de diverses sources d’incertitude:
Nature inconnue du processus Données incomplètes ou partielles Données distortionnées Données bruitées Données corrompues ou mélangées à des interférences Données vagues ou floues (arrondies)
Le traitement statistique est un cadre mathématique pour permettre de tenir compte des diverses sources d’incertitude et de les mitiger. NB: Il y en a d’autres (ex. la logique floue).
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75613
les vibrations sismiques, les images satellite, les signaux biomédicaux la parole les sons musicaux les signaux radar les signaux optiques
Le traitement d’image est une extension du traitement du signal (TS) qui traite de signaux à deux dimensions: les images.
Le domaine d’application du TS est universel : - les télécommunications,
- le traitement audio(parole et musique),
- le radar,le sonar et la sismologie,
- l’imagerie (médicale ou spatiale),
- l’automobile, l’instrumentation, la domotique …
Introduction au TSS La théorie et le traitement des signaux intéressent tous les secteurs techniques et scientifiques dans lesquels l'information est perçue par l'intermédiaire d'observations expérimentales de grandeurs mesurables.
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75614
- La Théorie des probabilités permet de représenter et d’extraire les
caractéristiques statistiques (aussi appelé moments) d’un signal aléatoire (sa
valeur moyenne, sa variance, son autocorrélation, …)
- Parmi les signaux aléatoires, on distingue :
- Les signaux stationnaires : (les statistiques (moments) sont indépendantes du temps) ergodiques (une seule réalisation du signal permet d’estimer les statistiques)
non ergodiques
- Les signaux non stationnaires
- Ce cours sur les signaux aléatoires mettra l’accent sur les signaux
unidimensionnels gaussiens et stationnaires.
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75615
Classification des signauxSignaux
Signaux transitoires
Signaux ergodiques
Signaux déterministes Signaux aléatoires
Signauxpseudo-périodiques
Signaux périodiquesSignaux non périodiques
Signaux non stationnairesSignaux stationnaires
Signaux nonergodiques
Signaux chaotiques
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75616
Exemple d’un problème générique: l’accent est mis sur l’extraction d’information utile à partir d’observations bruitées Y(t).
On veut caractériser le processus générateur inconnu X(t)
Signaux, données numériques bruitées, audio, images
Canaux: cables torsadés, optique, sans fil, satellite, mémoire d’ordinateur, circuits électroniques, biologique etc.
Le canal est modélisé soit comme un système déterministe/stochastique, linéaire/nonlinéaire, invariant ou non dans le temps, etc.
Y tCanal bruité
Système detraitement
X̂ t X t
Introduction au TSS
ProcessusGénérateur
Signalobservé
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75617
Traitement et analyse de signaux
aléatoires
Statistiques
Théorie de l’information
Probabilités
Processus stochastiques
Physique statistique
AutresGéométrie, analyse,
algèbre etc.
Le traitement et l’analyse de signaux aléatoires sont fortement basés sur les mathématiques appliquées et … les connaissances contextuelles !
Introduction au TSS
+ Info contextuellede l’application
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75618
Processus physique Modèles stochastiques
Caractéristiques?
Algorithmes de traitement
Informationdésirée
Critères(optimisation)
Introduction au TSS
Observations bruitées
Info a priori
Structures ?
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75619
On comprend donc les problèmes posés au TSS :
- Comment extraire l’information utile d’un signal ?
- Comment transmettre l’information sans la dégrader ?
- Comment transformer cette information pour la préserver ?
- Comment détecter le signal utile noyé dans le bruit ?
- Comment filtrer le signal pour l’extraire du bruit ?
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75620
Exemples de tâches en traitement statistique du signal détection, filtrage, classification, caractérisation, analyse, rehaussement, prédiction, compression, identification.
3 cas typiques :signal connu noyé dans du bruitsignal déterministe à paramètres inconnus noyé dans du
bruitsignal aléatoire noyé dans du bruit
Introduction au TSS
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75621
Objectif du cours
L’objectif de ce cours est de présenter les outils de description, de traitement et d’analyse statistiques du signal en s’appuyant sur le concept de processus aléatoire.
Ce cours s’inscrit dans le prolongement d’un cours de base sur les signaux déterministes et les systèmes linéaires.
En effet, alors qu’au niveau du baccalauréat, l’enseignement du traitement numérique du signal se fonde principalement sur des signaux déterministes, dans le monde réel, les principaux signaux sont de nature aléatoire. Donc, dans les applications réelles, impliquant du bruit et des incertitudes entachant les signaux et les données, les théories présentées dans ce cours s’avèrent essentielles.
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75622
Fournir à l’étudiant une vue d’ensemble et une maîtrise de base des outils de traitement et d’analyse de signaux aléatoires
Prendre une approche « Top-down » : principe du coffre à outil Mettre l’accent principalement sur le cas linéaire, discret,
gaussien et stationnaire Mettre l’accent sur la résolution de problèmes plutôt que sur la
démonstration de théorèmes Adopter l’approche d’une participation active de l’étudiant. Mettre l’accent sur la compréhension plutôt que sur la
mémorisation.
Objectif du cours Approche préconisée
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75623
Objectifs d'apprentissage et compétences visées
L’étudiant se familiarise avec les signaux et les systèmes aléatoires
L’étudiant comprend et peut appliquer les différentes méthodes pour la modélisation et la représentation de signaux aléatoires.
L’étudiant comprend et peut appliquer différentes méthodes de traitement statistique du signal pour résoudre un problème donné.
L’étudiant devient autonome dans le domaine et peut approfondir par lui-même ses connaissances acquises dans ce cours.
L’étudiant est capable d’analyser un problème de TSS, de déterminer une procédure de traitement et de sélectionner les algorithmes les plus approprié pour l’application concernée.
Objectif du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75624
Bloc 1 : introduction, mise en contexte et description du cours (1 semaine) Bloc 2 : notions de base (4 semaines) Bloc 3 : traitement et analyse de
signaux aléatoires (8 semaines) Bloc 4 : Conclusion (2 semaine)
Plan du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75625
Pré-requisUne bonne base est importante dans les domaines suivants: Signaux déterministes Systèmes linéaires analogiques et numériques Transformées de Fourier, de Laplace et en Z Théorie des ensembles Quelques notions de probabilités Algèbre linéaire Analyse fonctionnelle Notions de base de Matlab
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75626
Semaine no. 1: introduction et mise en contexte
Plan du cours
Introduction au TSS (traitement statistique du signal) Objectifs du cours Plan du cours Méthodologie Évaluation Horaire du cours Planification des travaux Ressources bibliographiques Révision des pré-requis
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75627
Semaine no. 2: introduction aux notions de statistiques et de probabilités
Plan du cours
Quelques rappels de la théorie des ensembles Diverses définitions de la probabilité Propriétés d’une fonction de probabilité Distributions et densités de probabilité Probabilité conditionnelle Règles de Bayes Expérience répétées, méthodes de comptage Inégalités Concepts de convergence et loi des grands nombres Variables aléatoires et leurs propriétés Transformation linéaire d’une variable aléatoire Moments statistiques et fonctions caractéristiques Diagonalisation des matrices de corrélation et covariance
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75628
Semaine no. 3: introduction aux processus stochastiquesPlan du cours
Définition d’un processus stochastique Propriétés
Indépendance Orthogonalité Corrélation Stationarité Ergodisme
Analyse des moments statistiques Corrélation et covariance: cas gaussien simple Théorème de Einstein-Wiener-Khinchin Densité spectrale de puissance et décomposition de Wold Échantillonnage d’un processus stochastique Bruit « blanc » et processus à bande passante Transformée de Karhunen-Loève Processus composé ou processus stochastique double Processus périodiques et quasi-périodiques
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75629
Semaine no. 4: types de processus stochastiques: partie I
Plan du cours
Familles de processus Introduction Processus de Bernouilli Marche aléatoire Processus de Wiener Mouvement brownien Processus gaussien Processus gaussien généralisé Martingales
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75630
Semaine no. 5: types de processus stochastiques: partie II
Plan du cours
Indépendance en probabilité conditionnelle Processus de renouvellement Probabilité Chaîne de Markov Modèle de Markov caché Algorithme « Forward », « Backward » et
de Viterbi Processus de comptage Processus de Poisson simple et composé Bruit de grenaille
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75631
Semaine no. 6: transformations d’un processus stochastique
Introduction, taxinomie des systèmes Transformation sans mémoire Théorème de Price Coup d’œil sur le cas nonlinéaire : transformation
quadratique Transformations linéaires et systèmes linéaires invariants Effets d’une transformation linéaire sur les moments
statistiques Transformation avec mémoire : systèmes récursifs Représentations spectrales et factorisation spectrale Condition de Paley-Wiener Exemple final: analyseur spectral analogique
Plan du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75632
Semaine no. 7: notions d’optimisation
Rappel sur les types de problème Optimisation: définition et principe Fonctions objectifs: cas linéaire et nonlinéaire Convexité Optimisation: cas complexe et multi-variable Stabilité Fonctions objectif: formulation et exemples Optimisation avec contraintes: multiplicateur de Lagrange Normes et critères l1, moindres-carrés, MinMax, ML, MAP Méthodes numériques: introduction Survol des algorithmes d’optimisation locale Survol des algorithmes d’optimisation globale
Plan du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75633
Semaine no. 8: théorie de décision et détection Introduction à la théorie de décision et à l’inférence
statistique Éléments de la théorie de détection Détection d’un signal par corrélation croisée Détecteur bayésien Statistique suffisante Détecteur à vraisemblance maximale Détecteur Minimax Détecteur MAP Détecteur de Neyman Pearson Test d’hypothèses composées Caractéristique opérationnelle du détecteur (courbe ROC) Détection séquentielle
Plan du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75634
Semaine no. 9: classification linéaire
Introduction à la classification ? Espace de signaux et notions de distance Extraction de caractéristiques Techniques bayésienne: test d’hypothèses multiples Classification linéaire (fonctions discriminantes) Classification par moindres-carrés Critère discriminant de Fisher Fonctions de discrimination quadratique
Plan du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75635
Semaine no. 10: théorie d’estimation partie I
Introduction Estimation paramétrique vs non-paramétrique Estimation d’une densité de probabilité Quelques propriétés d’un estimateur Estimateur à vraisemblance maximale (ML- cas déterministe) Estimateur bayésien (cas aléatoire) Estimateur en moyenne quadratique (MS) Estimateur en moyenne valeur absolue (ABS) Estimateur MAP Estimation linéaire en moyenne quadratique (LMS) Estimation de moments statistiques Estimation de plusieurs paramètres: cas vectoriel Algorithme EM
Plan du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75636
Semaine no. 11: filtrage optimal
Introduction Filtrage adapté pour la détection Principe d’orthogonalité Filtrage optimal FIR pour l’estimation linéaire Prédiction linéaire Équations de Wiener-Hopf Filtrage optimal IIR pour l’estimation linéaire Filtrage IIR causal Filtrage IIR non-causal Filtrage récursif scalaire (filtrage séquentiel) Prédiction séquentielle (cas linéaire) Filtrage récursif vectoriel (filtre de Kalman) Décomposition de Wold
Plan du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75637
Semaine no. 12: modélisation et théorie d’estimation II
Modélisation introduction Observabilité d’un processus Identifiabilité d’un modèle Modèles physiques vs modèles empiriques Modèles incrémentaux – ordre d’un modèle Modèles linéaires rationnels (AR, MA, ARMA) Estimation de l’ordre d’un modèle Borne de Cramer-Rao Matrice d’information de Fisher Intervalles de confiance La technique de « bootstrap » Notions de base de la théorie de l’information
Plan du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75638
Semaine no. 13: estimation et analyse spectraleIntroductionDéfinition de la DSPTypes d’estimateurs spectrauxEstimation non-paramétrique
Périodogramme Périodogramme moyenné: estimateur de Bartlett Estimateur de Blackman-Tuckey (Corrélogramme) Périodogramme moyenné avec recouvrement: estimateur de Welch Les fenêtres d’apodisation Estimateur spectral à variance minimale
Estimation Paramétrique Modèles rationels AR, MA, ARMA, ARMAX Maximisation de l’entropie Méthode de Prony Prony étendue Méthode de Pisarenko Méthode de Music Esprit
Analyse spectrale analogique
Plan du cours
UNIVERSITÉ DE
SHERBROOKE20-sept.-12 D Gingras - UdeS - GEI 75639
Semaine no. 14 : Applications
Télécommunications et parole Imagerie Traitement d’antennes : radar, sonar, radio-astronomie Télématique et géomatique Instrumentation Biomédical Commande et contrôle de procédés Économétrie et finance Autres
NB: Les sujets abordés seront fonctions des projets de recherche (MSc et PhD) des étudiants inscrits au cours.
Plan du cours