Introduction à la dynamique des signauxbaehr/papers/P_MTO_Nav.pdf · 2/70 Introduction à la...
Transcript of Introduction à la dynamique des signauxbaehr/papers/P_MTO_Nav.pdf · 2/70 Introduction à la...
Introduction à la dynamique des signaux
Météo-France / IMT-LSP Univ. Paul Sabatier
Formation Météo-Navigant - Toulouse 2009
Mercredi 28 Janvier 2009
Christophe Baehr Introduction à l’étude des signaux
2 / 70 Introduction à la dynamique du signal
1. Introduction et formalisation des mesures expérimentales.
2. Les processus aléatoires.
3. Représentation d’état des systèmes.
4. Discrétisation d’une fonction continue.
5. Analyse fréquentielle d’un signal.
6. Traitement de la mesure.
7. Filtrage non-linéaire.
Christophe Baehr Introduction à l’étude des signaux
3 / 70
Introduction et formalisation des mesures expérimentales
Christophe Baehr Introduction à l’étude des signaux
4 / 70 Introduction
Signal = Série Temporelle.
On peut traiter un signal comme une donnée quelconque.
Mais pour appréhender le caractère temporel, il faut se doterd’outil spécifique.
Le traitement du signal repose sur des modélisations ou sur desreprésentations.
On distinguera les traitements :
linéaires numériques.
linéaires transformationnels.
non-linéaires aléatoires.
non-linéaires déterministes.
Christophe Baehr Introduction à l’étude des signaux
5 / 70 Formalisation des mesures expérimentales
Notion de systèmes.
On observe jamais directement les quantités d’un systèmephysique.
L’observation est toujours partielle, bruitée et indirecte.
Le traitement du signal cherche à restituer la mesure de laquantité physique étudiée.
Une première représentation fonctionnelle.
Le langage correct pour les signaux et leurs opérateurs de
traitement est celui des distributions.
Christophe Baehr Introduction à l’étude des signaux
6 / 70
Quelques mots sur les processus aléatoires
Christophe Baehr Introduction à l’étude des signaux
7 / 70 Les processus aléatoires
Variables aléatoires : une fonction dépendante du temps et d’unaléa ωt (paramètre aléatoire): εt = f (t, ωt , . . . ) .
Rappel sur une probabilité.
Difficulté des systèmes environnementaux.
Les processus aléatoires sont donc des fonctions et leurstraitements opérent dans les espaces fonctionnels.
Christophe Baehr Introduction à l’étude des signaux
8 / 70 Les processus aléatoires
On appelle Moyenne Empirique d’une famille (X i )i=N
i=1 la quantité
X =1
N.
i=NX
i=1
X i
Soit (X i )i=N
i=1 une famille de donnée, et soit (w i )i=N
i=1 une famille depoids associée à (X i ). On appelle Moyenne Pondérée la quantité
Xw
=
Pi=N
i=1 w i .X i
Pi=N
i=1 w i
Si les poids sont identiquement égaux à 1, on retrouve la moyenneempirique.
Christophe Baehr Introduction à l’étude des signaux
9 / 70 Les processus aléatoires
La probabilité P(X i ∈ A) = pi est un poids et on définit lamoyenne pondérée par les probabilités quand N devient grand commel’espérance de la variable aléatoire X :
Soit (X i )i=N
i=1 une famille discrète de donnée, et soit (p i )i=N
i=1 lesprobabilités d’occurrence associées à (X i ) . On appelle Espérance laquantité
E(X ) = limN→∞
Pi=N
i=1 pi .X i
Pi=N
i=1 pi
Si les pi forment une famille de probabilité, limN→∞P
i=N
i=1 pi = 1
Christophe Baehr Introduction à l’étude des signaux
10 / 70 Les processus aléatoires
Lien entre un histogramme empirique et les probabilités.
Christophe Baehr Introduction à l’étude des signaux
11 / 70 Les processus aléatoires
Conséquences du passage au temps continu.
Ecriture intégrale de l’espérance E(ϕ(X )) =RΩϕ(ω)PX (dω)
Les distributions généralisent les mesures de probabilités.
Christophe Baehr Introduction à l’étude des signaux
12 / 70
Représentation d’état des systèmes
Christophe Baehr Introduction à l’étude des signaux
13 / 70 Représentation d’état
Les paramètres qui définissent l’état d’un système et dont lesvariations indiquent des modifications de l’état du systèmeindépendamment des transformations subies sont appelées lesvariables d’état .
Les relations entre les variables d’état sont appelées équationd’etat.
Les relations donnant l’évolution temporelle des variables d’étatsont appelées équations de dynamique.
Diagrammes fonctionnels simples, avec commandes, avec retour
d’état, avec aléas.
Christophe Baehr Introduction à l’étude des signaux
14 / 70 Représentation d’état
Systèmes aléatoires.
Marches Aléatoires.
Processus Markovien.
Lois de transition des systèmes Markoviens.
Parallèle avec les systèmes dynamiques aléatoires.
Christophe Baehr Introduction à l’étude des signaux
15 / 70
Discrétisation des fonctions continues
Christophe Baehr Introduction à l’étude des signaux
16 / 70 Discrétisation d’un signal
Discrétisation d’un signal continu avec une fréquence fixe.
Y ∗(t) =i=+∞X
i=−∞Y (i .∆t).δ0(t − i .∆t)
Formule traditionnelle mais elle n’a de sens que dans l’espace desdistributions.
Christophe Baehr Introduction à l’étude des signaux
17 / 70 Discrétisation d’un signal
Sinus Cardinal ou fonction de Shannon
Y (t) =i=+∞X
i=−∞Yi .
sin( πt
∆t− n.π)
πt
∆t− n.π
=
i=+∞X
i=−∞Yi .sinc(
πt
∆t− n.π)
Christophe Baehr Introduction à l’étude des signaux
18 / 70 Discrétisation d’un signal
Théorème d’échantillonnage de Nyquist-Shannon
Si la fréquence d’échantillonnage d’un signal est au moins supérieureau double de la fréquence la plus haute contenue dans le signal, onobtient une information discrète équivalente à l’information continuereconstruite par la formule de Shannon.
Christophe Baehr Introduction à l’étude des signaux
19 / 70 Discrétisation d’un signal
Discrétisation d’une onde ou d’un sinus dans [−π, π]
Fonction Rectangle pour encadrer une fréquence.
Théorème de Shannon et Repliement de Spectre.
Christophe Baehr Introduction à l’étude des signaux
20 / 70 Discrétisation d’un signal
0 5 10 15 20 25−1.5
−1.0
−0.5
0.0
0.5
1.0
1.5
−410
−310
−210
−110
010
−70
−60
−50
−40
−30
−20
−10
0
10
20
30
0 10 20 30 40 50 60 70 80 90 100−1.5
−1.0
−0.5
0.0
0.5
1.0
1.5
−510
−410
−310
−210
−110
010
−70
−60
−50
−40
−30
−20
−10
0
10
20
30
Christophe Baehr Introduction à l’étude des signaux
21 / 70
Analyse fréquentielle d’un signal
Christophe Baehr Introduction à l’étude des signaux
22 / 70 Les harmoniques pures
On prend un point M sur un cercle de rayon 1 en rotation.
Le nombre complexe z(t) dispose d’une représentation enexponentielle complexe: z(t) = e i.t = cos(t) + i sin(t). C’est laformule d’Euler.
Une harmonique pure est une fonction f de la formef (t, ω) = A(ω).e iωt .
Christophe Baehr Introduction à l’étude des signaux
23 / 70 Eléments d’Analyse Hilbertienne
On munit l’espace vectoriel des fonctions de carré intégrable Ed’un produit scalaire noté < ·, · >.
Soit enn∈Z une famille de vecteur.
Elle est dite orthonormale si ∀n,m ∈ Z < en, em >= δn,m .
On dit que enn∈Z est une base hilbertienne si elle engendre Ec’est à dire que tout fonction f de E va pouvoir s’écrire
f =X
n∈Z
< f , en > en .
Christophe Baehr Introduction à l’étude des signaux
24 / 70 Transformée de Fourier
Dans l’écriture f =P
n∈Z< f , en > en, le nième terme
coordonnée < f , en > est la projection de f sur en.
Soit la famille particulière en = 1√2.π
e i.n.ξ avec ξ ∈ [0, 2π].
On définit alors ∀f ∈ E , le produit scalaire
< f , en >=R 2.π
0f (ξ)e−i.n.ξdξ.
Donc avec cette base particulière on obtient
f (t) =X
n∈Z
< f , en > en =1√2π
X
n∈Z
< f , en > e i.n.t
On appelle alors Transformée de Fourier (discrète) l’application :
f , nTF−−→ < f , en >= bf (n)
Christophe Baehr Introduction à l’étude des signaux
25 / 70 Transformée de Fourier
Un exemple simple
Christophe Baehr Introduction à l’étude des signaux
26 / 70 Conséquences pour les séries de données.
Toute série discrète finie de longueur N peut être vue comme unesérie périodique de période ≥ N.
Une série temporelle discrète de longueur finie est la somme finied’harmoniques pures.
Si la série de donnée de longueur N, à un pas de discrétisation ∆t
Fréquence la plus élevée (fréquence de Nyquist) f0 =1
2.∆t.
Fréquence la plus basse (fréquence de Rayleigh)fR =1
N.∆t.
Christophe Baehr Introduction à l’étude des signaux
27 / 70 Densité Spectrale de Puissance.
La DSP, densité spectrale de puissance, est un outil important entraitement du signal, elle permet de donner la puissance portée parchaque fréquence dans un signal Xt .
On définit la covariance entre 2 instants t1 et t2 par la quantitéRX ,X (t1, t2) = E[Xt1Xt2 ]. L’espérance est prise selon la loi duprocessus Xt .
Pour un processus stationnaire, on appele fonctiond’autocorrélation, Rx,x(t) = E[x(τ)x(τ + t)].
La fonction d’autocorrélation est homogène à une énergie, on peutaussi la rapprocher d’une variance.
On définit la DSP comme la transformée de Fourier de la fonctiond’autocorrélation:
SX ,X (ξ) =
Z+∞
−∞RX ,X (t)e
−2iπξtdt
Christophe Baehr Introduction à l’étude des signaux
28 / 70 Densité Spectrale de Puissance.
Un exemple avion (mesures de vitesses à 25 Hz issues de l’INS)
Vx −5/3
DSP de Vx ATR 0618
−210
−110
010
110
210
−40
−30
−20
−10
0
Vy −5/3
DSP de Vy ATR 0618
−210
−110
010
110
210
−40
−30
−20
−10
0
Vz −5/3
DSP de Vz ATR 0618
−210
−110
010
110
210
−35−30−25−20−15−10
−50
DSP à 25 Hz 1024 points pour Vx , Vy et Vz du vol ATR N° 0618 entre 115000 et 120000
Christophe Baehr Introduction à l’étude des signaux
29 / 70 Densité Spectrale de Puissance.
Illustration de perturbations sur une sinusoïde
400 420 440 460 480 500 520 540 560 580 600−1
0
1
2
3
4
5
6
−410
−310
−210
−110
010
−70
−60
−50
−40
−30
−20
−10
0
10
20
30
Christophe Baehr Introduction à l’étude des signaux
30 / 70
Analyses locales d’un signal
Christophe Baehr Introduction à l’étude des signaux
31 / 70 Analyses locales
Une première idée, le fenétrage
On obtient alors des transformées de Fourier fenétrées et desSpectrogrammes.
Christophe Baehr Introduction à l’étude des signaux
32 / 70 Spectrogramme.
Un exemple avion (VRy As0618)
−4.6
−4.5
−4.4
−4.3
−4.2
−4.1
−4.0
−3.9
−3.8
−3.7
−3.6
Z
0306090 X−6.0 −5.5 −5.0 −4.5 −4.0 −3.5 −3.0 −2.5 −2.0 −1.5 −1.0 −0.5Y
Christophe Baehr Introduction à l’étude des signaux
33 / 70 Spectrogramme.
Un exemple avion (VRy As0618)
−4.6
−4.5
−4.4
−4.3
−4.2
−4.1
−4.0
−3.9
−3.8
−3.7
−3.6
Z
0102030405060708090 X−6 −1Y
Christophe Baehr Introduction à l’étude des signaux
34 / 70 Spectrogramme.
Un autre moment de VRy As0618
Christophe Baehr Introduction à l’étude des signaux
35 / 70 Analyses locales
On peut avoir besoin de localiser de manière plus fine, on changealors de base de décomposition.
Soit une fonction ψ avec de bonnes propriétés, on va la dilater eten modifier sa localisation en temps et sa fréquence, et on vaconstruire une nouvelle base hilbertienne.
ψab(t) =1√|a|ψ( t−b
a), a est le facteur d’espace, b est le facteur
temporel, ψ est l’ondelette mère, ψab est la famille d’ondelettes.
Christophe Baehr Introduction à l’étude des signaux
36 / 70 Analyses locales
Ondelette de Morlet
Ondelette dite du Chapeau Mexicain
Christophe Baehr Introduction à l’étude des signaux
37 / 70 Analyses locales
Exemple de signal, un échantillon de Vry du As0618
0 5000 10000 15000−0.03
−0.02
−0.01
0.00
0.01
0.02
0.03
Avec son scalogramme :
Christophe Baehr Introduction à l’étude des signaux
38 / 70
Traitement de la mesure expérimentale
Christophe Baehr Introduction à l’étude des signaux
39 / 70 Traitement de la mesure
La mesure a un but.
Est-on sûr de mesurer ce qu’on dit que l’on mesure ?
Le traitement de la mesure repose toujours sur un modèle.
Soit le système linéaire de dynamique et d’observation:
Xn+1 = An.Xn + Bn.Un
Yn = Cn.Xn
Christophe Baehr Introduction à l’étude des signaux
40 / 70 Traitement de la mesure
Commandabilité :Un système est commandable (ou contrôlable) si tout point X del’espace d’état E est atteignable en temps fini.
Observabilité :Un système est observable si par l’observation des entrées et dessorties sur un intervalle de temps fini, on peut déterminer l’état initialdu système.
Ergodicité :Un système aléatoire est ergodique si tous les points de l’espace d’étatsont visités un nombre infini de fois (plus quelques bricoles :irréductible et apériodique).
Christophe Baehr Introduction à l’étude des signaux
41 / 70 Traitement de la mesure
Critère de Kalman de commandabilité dans le cas linéaire:La matrice [B | A.B| . . . |AN−1.B] est de rang d. (N le temps, d ladimension de E)
Critère d’observabilité dans le cas linéaire:La matrice [C | C .A| . . . |C .AN−1]T est de rang d.
Critère d’ergodicité pour un système Markovien:Une chaine de Markov (Xn)n∈N est ergodique s’il existe une probabilitéµ, telle que pour tout état initial X0, la suite (Xn)n∈N converge en loivers µ.
En dehors de ces situations, il faut s’en assurer au cas par cas.
Mais une fois que l’on s’est posé ces questions, on peut
effectivement passer à leur traitement.
Christophe Baehr Introduction à l’étude des signaux
42 / 70 Traitement de la mesure
Il existe des mesures directes et des mesures déduites.
Toujours traiter les paramêtres en amont, bruts, à la fréquence denumérisation.
On peut lister les étapes typiques des séquences de traitement.
Tendance, cycles, de-spike.
Pour les mesures déduites, il conviendrait de colocaliser, d’acquérir
à la même fréquence et de manière synchronisée les mesures brutes.
Christophe Baehr Introduction à l’étude des signaux
43 / 70 Traitement de la mesure
On peut colocaliser empiriquement automatiquement. Un exemplede 2 anémomètres côte-à-côte (bleu et vert → rouge):
Christophe Baehr Introduction à l’étude des signaux
44 / 70 Traitement de la mesure
Le déphasage avant/aprés:
Christophe Baehr Introduction à l’étude des signaux
45 / 70 Traitement de la mesure
Les chaines de traitement reposent en général sur desapproximations (valables aux échelles considérées) des équationsd’état pour des variables non bruités.
Il faut être précautionneux sur le domaine d’applicationnotamment en présence de bruit.
On doit alors filtrer les perturbations.
On peut distinguer filtrage linéaire et estimation non-linéaire.
Christophe Baehr Introduction à l’étude des signaux
46 / 70 Exemple de filtrages linéaires
La moyenne mobile
Signal sans BruitSignal BruitéSignal filtré moyenne
−210
−110
010
110
210
−60
−55
−50
−45
−40
−35
−30
−25
−20
−15
−10Densités Spectrales de Puissance moyennées sur 1024 points
fréquence (Hz)D
SP (d
B)
Le filtre Butterworth du 2nd ordre
Signal sans BruitSignal BruitéSignal Filtré Butterworth
−210
−110
010
110
210
−60
−55
−50
−45
−40
−35
−30
−25
−20
−15
−10Densités Spectrales de Puissance moyennées sur 1024 points
fréquence (Hz)
DSP
(dB
)
Christophe Baehr Introduction à l’étude des signaux
47 / 70 Exemple de filtrages linéaires
Le filtre en troncature de Fourier
Signal sans BruitSignal BruitéSignal filtré Fourier
−210
−110
010
110
210
−60
−55
−50
−45
−40
−35
−30
−25
−20
−15
−10Densités Spectrales de Puissance moyennées sur 1024 points
fréquence (Hz)D
SP (d
B)
Un filtre particulaire (mais on change de domaine)
Signal sans bruitSignal Bruité Signal filtre particulaire
pente −5/3−2
10−1
100
101
102
10−60
−55
−50
−45
−40
−35
−30
−25
−20
−15
−10Densités Spectrales de Puissance moyennées sur 1024 points
fréquence (Hz)
DSP
(dB
)
Christophe Baehr Introduction à l’étude des signaux
48 / 70
Filtres non-linéaires aléatoires
Christophe Baehr Introduction à l’étude des signaux
49 / 70 Introduction à l’estimation probabiliste.
L’effort porte alors sur la modélisation stochastique de l’état, de lamesure et de ses perturbations.
Les plus grandes difficultés viendront de la partie aléatoire.
Avec l’observabilité, la commandabilité, il faudra assurer lecaractère Markovien du système.
L’estimation non-linéaire se rapproche alors de l’assimilation, lestechniques peuvent être partagés.
L’estimation probabiliste est l’estimation des lois de probabilités.
Christophe Baehr Introduction à l’étude des signaux
50 / 70 Introduction à l’estimation probabiliste.
Soit un état évoluant dans le temps (X0, . . . ,Xn)n≥0 observé parY0, . . . ,Yn avec pour tout n ≥ 0, Yn = Hn(Xn,Vn) où Vn est un bruit.
Le filtrage non-linéaire des processus stochastiques est l’estimationdes lois conditionnelles:
ηn = Loi [(X0, . . . ,Xn) | Y0 = y0, . . . ,Yn = yn]
ηn = Loi [(X0, . . . ,Xn) | Y0 = y0, . . . ,Yn−1 = yn−1]
On montre que le filtrage non-liénaire se résoud par unalgorithme séquentiel:
ηn
Sn,ηn−−−→ ηn = ηn Sn,ηn
Mn+1−−−→ ηn+1 = ηn Mn+1
Christophe Baehr Introduction à l’étude des signaux
51 / 70 Solutions particulaires des filtres
non-linéaires
Dans le cas linéaire Gaussien, il existe un estimateur optimal(pouvant être écrit explicitement) : le filtre de Kalman.
Mais les équations intégrales non-linéaires (générales) ne sont pascalculables analytiquement.
On utilise une approximation particulaire. C’est à dire que l’onéchantillonne les lois du filtrage en utilisant des états-test de l’espacedes phases que l’on nomme particules.
Le filtre particulaire approche le filtre non-linéaire optimal quandle nombre de particules devient grand.
Méthode de Monte-Carlo.
Christophe Baehr Introduction à l’étude des signaux
52 / 70 Le filtre particulaire en images
Christophe Baehr Introduction à l’étude des signaux
53 / 70 Le filtre particulaire en images
Christophe Baehr Introduction à l’étude des signaux
54 / 70 Le filtre particulaire en images
Christophe Baehr Introduction à l’étude des signaux
55 / 70 Le filtre particulaire en images
Christophe Baehr Introduction à l’étude des signaux
56 / 70 Le filtre particulaire en images
Christophe Baehr Introduction à l’étude des signaux
57 / 70 Le filtre particulaire en images
Christophe Baehr Introduction à l’étude des signaux
58 / 70 Le filtre particulaire en images
Christophe Baehr Introduction à l’étude des signaux
59 / 70 Le filtre de Kalman en action
Christophe Baehr Introduction à l’étude des signaux
60 / 70 Le filtre particulaire en action
Christophe Baehr Introduction à l’étude des signaux
61 / 70 Exemple du Filtrage du vent
On peut filtrer les mesures d’un anémomètre sonique que l’onbruite artificiellement (fréquence > 10 Hz).
Il faut utiliser un modèle stochastique de turbulence.
Il est nécessaire de modéliser la mesure mobile par un processusstochastique.
On doit modéliser le capteur et ses perturbations.
La description complète pour une plateforme de mesure
quelconque est un travail de recherche en cours.
Christophe Baehr Introduction à l’étude des signaux
62 / 70 Filtrage d’un vent 1D simulé
On débruite avec 300 particules le signal perturbé.
4000 4500 5000 5500 6000 65001.10
1.15
1.20
1.25
1.30
1.35
1.40
1.45
1.50
1.55
1.60
5500 5550 5600 5650 5700 5750 5800 58501.1
1.2
1.3
1.4
1.5
1.6
1.7
Christophe Baehr Introduction à l’étude des signaux
63 / 70 Filtrage d’un vent 1D simulé
On complète l’analyse en examinant les spectres de puissance.
Vent originalVent filtré Vent bruité
−5/3−2
10−1
100
101
10−50
−45
−40
−35
−30
−25
−20
−15
−10
−5
0Densité Spectrale de Puissance 1024 points
fréquence (Hz)
DS
P (d
B)
Christophe Baehr Introduction à l’étude des signaux
64 / 70 Filtrage d’un vent 3D réel
Séries temporelles et DSP des composantes U et V de référence,bruitées et filtrés. Bruit corrélé à la variance locale du signal,estimateur à 800 particules.
0 500 1000 1500 2000 2500 3000 3500−4
−2
0
2
4
6
8
0 500 1000 1500 2000 2500 3000 3500−6
−4
−2
0
2
4
6
−310
−210
−110
010
110
−25−20−15−10
−505
1015
−310
−210
−110
010
110
−20
−10
0
10
20
Christophe Baehr Introduction à l’étude des signaux
65 / 70 Filtrage d’un vent 3D réel
Séries temporelles et DSP des composantes W et T de référence,bruitées et filtrés. Bruit corrélé à la variance locale du signal,estimateur à 800 particules.
0 500 1000 1500 2000 2500 3000 3500−4
−3
−2
−1
0
1
2
3
4
0 500 1000 1500 2000 2500 3000 3500293.6293.8294.0294.2294.4294.6294.8295.0295.2295.4295.6295.8
−310
−210
−110
010
110
−25−20−15−10
−505
10
−310
−210
−110
010
110
−35−30−25−20−15−10
−505
Christophe Baehr Introduction à l’étude des signaux
66 / 70 Filtrage d’un vent 3D réel
Séries temporelles des paramètres du milieu turbulent, estimateurà 800 particules.
0 500 1000 1500 2000 2500 3000 35000.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1025 1030 1035 1040 1045 1050 1055300
302
304
306
308
310
312
314
316
Christophe Baehr Introduction à l’étude des signaux
67 / 70 Filtrage d’un vent 3D réel
Séries temporelles des paramètres du milieu turbulent, estimateurà 800 particules.
0 500 1000 1500 2000 2500 3000 3500−0.8
−0.6
−0.4
−0.2
0.0
0.2
0.4
0.6
0.8
0 500 1000 1500 2000 2500 3000 3500−0.6
−0.4
−0.2
0.0
0.2
0.4
0.6
0.8
0 500 1000 1500 2000 2500 3000 3500−0.5−0.4−0.3−0.2−0.1
0.00.10.20.30.40.5
0 500 1000 1500 2000 2500 3000 35003.380e−03
3.385e−03
3.390e−03
3.395e−03
3.400e−03
3.405e−03
3.410e−03
3.415e−03
Christophe Baehr Introduction à l’étude des signaux
68 / 70 Filtrage d’un vent 3D réel
Pseudo-trajectoires des 800 particules.
Z
Y
X
Christophe Baehr Introduction à l’étude des signaux
69 / 70 Filtrage d’un vent 3D réel
Pseudo-trajectoire d’une particule sur 200 points.
−48
−46
−44
−42
−40
−38
−36
−34
−32
140177
213250−44 −40 −36 −32 −28 −24
Christophe Baehr Introduction à l’étude des signaux
70 / 70 Qu’avons-nous vu ?
1. Introduction et formalisation des mesures expérimentales.
2. Les processus aléatoires.
3. Représentation d’état des systèmes.
4. Discrétisation d’une fonction continue.
5. Analyse fréquentielle d’un signal.
6. Traitement de la mesure.
7. Filtrage non-linéaire.
Christophe Baehr Introduction à l’étude des signaux