Filtrage de Wiener. Le filtrage de Wiener est adéquat pour les situations dans lesquelles le signal ou le bruit sont stationnaires.
|
|
- Mathieu Leclerc
- il y a 6 ans
- Total affichages :
Transcription
1 Filtrage de Wiener Le filtrage de Wiener est adéquat pour les situations dans lesquelles le signal ou le bruit sont stationnaires. INRS-EMT J. Benesty
2 Plan Formulation du problème Principe d orthogonalité Equation de Wiener-Hopf Surface de l erreur quadratique moyenne (EQM) Erreur quadratique moyenne (EQM) minimale Forme canonique de l EQM Exemples Résumé INRS-EMT J. Benesty 1
3 Formulation du problème On a un ensemble d échantillons d un signal d entrée {x(0),x(1),x(2), }et un ensemble d échantillons d une réponse désirée {d(0), d(1), d(2), } Dans la famille des filtres calculant leur sortie selon: y(n) = L 1 l=0 h l x(n l), n =0, 1, 2, (1) Trouver les paramètres {h 0,h 1,h 2, } de telle manière de minimiser l erreur quadratique moyenne (EQM ou MSE mean-square-error) ou critère où le signal d erreur est: e(n) =d(n) y(n) =d(n) J = E{e 2 (n)} (2) L 1 l=0 h l x(n l). (3) La famille des filtres (1) est la famille des filtres linéaires RIF. INRS-EMT J. Benesty 2
4 C est plus pratique d utiliser une notation matricielle pour la sortie du filtre: où y(n) = L 1 l=0 h l x(n l) = h T x(n) =x T (n)h, (4) h = [ h 0 h 1 h L 1 ] T est un vecteur de longueur L contenant les coefficients du filtre RIF et x(n) = [ x(n) x(n 1) x(n L +1) ] T est le vecteur des L données d entrée les plus récentes. INRS-EMT J. Benesty 3
5 Principe d orthogonalité Le vecteur optimum h opt est celui qui annule le gradient du critère: J h = 0 L 1. (5) On a: J h = 2E { e(n) e(n) } h = 2E {e(n)x(n)}. (6) Par conséquent, à l optimum, on a: E {e min (n)x(n)} = 0 L 1, (7) où e min (n) est l erreur pour laquelle J est minimisée (càd pour le filtre optimal). C est le principe d orthogonalité signifiant que toutes les entrées x(n l), 0 l L 1, sont décorrélées de l erreur e min (n). En d autres termes, le critère J atteind son minimum si et seulement si l erreur e(n) est orthogonale aux échantillons du signal d entrée x(n l). INRS-EMT J. Benesty 4
6 A l optimum, on a aussi: E {e min (n)y(n)} = E = { L 1 l=0 e min (n) L 1 l=0 h opt,l x(n l) h opt,l E {e min (n)x(n l)} } = 0, (8) c est le corollaire du principe d orthogonalité. sont les coefficients du filtre optimal h opt : h opt,l h opt = [ h opt,0 h opt,1 h opt,l 1 ] T. En d autres termes, quand le critère J atteind son minimum alors l erreur e min (n) est orthogonale àla sortie du filtre y(n). INRS-EMT J. Benesty 5
7 Equation de Wiener-Hopf Nous savons que pour le filtre optimum h opt, nous avons E {e min (n)x(n)} = 0 L 1.Endéveloppant cette équation, nous obtenons: soit ou encore E { x(n) [ d(n) x T (n)h opt ]} = 0L 1, E { x(n)x T (n) } h opt = E {x(n)d(n)}, (9) Rh opt = p avec solution h opt = R 1 p. (10) R = E { x(n)x T (n) } est la matrice d autocorrélation du signal d entrée x(n). Cette matrice est définie positive, de Toeplitz et symétrique. p = E {x(n)d(n)} est le vecteur d intercorrélation entre la sortie désirée d(n) et l entrée x(n). L équation (10) est appelée l équation de Wiener-Hopf. INRS-EMT J. Benesty 6
8 Surface de l erreur quadratique moyenne (EQM) Rappelons que le signal d erreur est: e(n) =d(n) h T x(n), donc la fonction coût peut encore s écrire: J (h) = J = E{e 2 (n)} = E{d 2 (n)} 2E{d(n)x T (n)}h + h T E{x(n)x T (n)}h = σ 2 d 2p T h + h T Rh, (11) où σ 2 d = E{d2 (n)} est la variance du signal désiré. J (h) est une fonction quadratique des paramètres {h 0,h 1,,h L 1 }. J (h) est une paraboloide de dimension L qui a un minimum unique obtenu en prenant le gradient égal à zero: J (h) / h = 0 L 1. L équation (11) représente la surface de l EQM. INRS-EMT J. Benesty 7
9 Erreur quadratique moyenne (EQM) minimale La fonction coût s écrit: J (h) = σ 2 d 2p T h + h T Rh. (12) A l optimum, sachant que h opt = R 1 p,nousavons: J min = J (h opt )=σ 2 d 2p T h opt + h T optrh opt = σ 2 d h T optrh opt = σ 2 d p T R 1 p = σ 2 d σ 2 d opt, (13) où d opt (n) =h T optx(n) est le signal filtré optimal et σ 2 d opt = E { d 2 opt(n) } la variance de ce signal. Cette relation montre que pour le filtre optimal, l EQM est la différence entre la variance du signal désiré et celle de l estimée de ce signal produite par le filtre. Ainsi, la valeur de l EQM minimale (MMSE minimum mean-square-error) pour le filtre optimal de Wiener est: J min =min h J (h) =J (h opt ). (14) INRS-EMT J. Benesty 8
10 On définit l EQM minimale normalisée comme suit: J min = J min σ 2 d (15) = 1 σ2 d opt σd 2. L EQM minimale normalisée satisfait 0 J min 1. INRS-EMT J. Benesty 9
11 Forme canonique de l EQM La fonction coût s écrit: J (h) = σ 2 d 2p T h + h T Rh. (16) En ajoutant et retranchant le terme p T R 1 p dans l expression précédente, nous avons: J (h) = σ 2 d p T R 1 p +(h R 1 p) T R(h R 1 p) = J min +(h h opt ) T R(h h opt ). (17) Soient λ 0,λ 1,,λ L 1 les valeurs propres de la matrice d autocorrelation R et q 0, q 1,, q L 1 les vecteurs propres correspondants, qui satisfont: Rq l = λ l q l, l =0, 1,,L 1, (18) alors la matrice Q =[q 0 q 1 q L 1 ] peut diagonaliser R comme suit: où Λ est une matrice diagonale. R = QΛQ T, (19) INRS-EMT J. Benesty 10
12 Utilisant la décompositon précédente dans l EQM, on a: J (h) = J min +(h h opt ) T R(h h opt ) où le vecteur = J min +(h h opt ) T QΛQ T (h h opt ) = J min + v T Λv = J min + L 1 l=0 v = Q T (h opt h) λ l v 2 l, (20) = [v 0 v 1 v L 1 ] T est une transformée du vecteur misalignment h opt h. L équation (20) est la forme canonique de l EQM. Cette expression ne contient plus de termes croisés. Comme les valeurs propres λ l sont non négatives, il apparait clairement que la surface d erreur est du type paraboloide elliptique dans un hyperespace. INRS-EMT J. Benesty 11
13 Premier exemple Soit d(n) un signal observé dont la variance est σ 2 d = On choisit un filtre de longueur L =2,et: R = p = [ [ ], ]. La surface de l erreur quadratique moyenne s écrit: J(h 0,h 1 )= [0.5272, ] +[h 0,h 1 ] [ ][ h0 [ h0 ], h 1 h 1 ] soit: J(h 0,h 1 )= h h 1 + h 0 h (h h 2 1). La figure 1 donne un tracé de l erreur quadratique moyenne J(h 0,h 1 ) en fonction des coefficients du filtre h 0 et h 1. INRS-EMT J. Benesty 12
14 15 10 EQM h h Figure 1: Exemple de surface de l EQM pour un filtre à deux coefficients. Le filtre optimum est donné parl équation de Wiener- Hopf: [ ] h opt = R p =, et l EQM minimale est: J min = [0.5272, ] = [ ] Ce point est representé tout au bas de la figure 1. INRS-EMT J. Benesty 13
15 Second exemple: débruitage Soit x(n) un signal observé: x(n) =d(n)+u(n), (21) où d(n) est un signal utile (non observable) de moyenne nulle et u(n) est un bruit blanc (non observable) de moyenne nulle dont la variance σu 2 est connue. On suppose que les signaux d(n) et u(n) sont décorrélés. L objectif est de trouver le filtre optimal de Wiener h opt qui va débruiter le signal observé x(n). On définit le signal d erreur: e(n) =d(n) h T x(n) (22) et la fonction coût associée: J = E{e 2 (n)}. (23) La minimisation du critère précédent par rapport à h, donne: E{x(n)x T (n)}h opt = E{x(n)d(n)}, Rh opt = p. (24) INRS-EMT J. Benesty 14
16 Cependant le signal d(n) n est pas observable, il est donc difficile de calculer directement p. Mais: p = E{x(n)d(n)} = E {x(n)x(n)} E Finalement: = E {x(n)[x(n) u(n)]} = E {x(n)x(n)} E {x(n)u(n)} p = E {x(n)x(n)} σ 2 u d(n)+u(n) d(n 1) + u(n 1) u(n).. (25) A présent, l équation (25) ne dépend plus du signal d(n) mais seulement du vecteur d autocorrélation du signal observé et de la variance du bruit u(n). INRS-EMT J. Benesty 15
17 On en déduit le filtre optimal de Wiener: h opt = R 1 p = R 1 E {x(n)x(n)} σ 2 ur 1 = [ I σ 2 ur 1] (26) Le filtre optimal de Wiener dépend de l inverse de la matrice d autocorrélation du signal observé x(n) et de la variance du bruit u(n). D où le signal filtré optimal: d opt (n) = h T optx(n) = x(n) σuv 2 T 1 R 1 x(n) = x(n) σuv 2 T 1 k(n) = x(n) σuk 2 0 (n), (27) INRS-EMT J. Benesty 16
18 avec: k(n) = R 1 x(n) = [k 0 (n) k 1 (n) k L 1 (n)] T, v 1 = [1 0 0] T. La variance du signal utile est: σd 2 = E { d 2 (n) } = E { [x(n) u(n)] 2} = σx 2 + σu 2 2E {x(n)u(n)}, or E {x(n)u(n)} = E {[d(n)+u(n)]u(n)} = σ 2 u, par conséquent: σ 2 d = σ 2 x σ 2 u. (28) INRS-EMT J. Benesty 17
19 La variance du signal filtré optimal est: σd 2 opt = = E { d 2 opt(n) } E { [x(n) σuv 2 T 1 R 1 x(n)] 2} = σx 2 +(σu) 2 2 v T 1 R 1 v 1 2σuv 2 T 1 R 1 E {x(n)x(n)} = σx 2 +(σu) 2 2 v T 1 R 1 v 1 2σu. 2 (29) On en déduit l erreur quadratique moyenne minimale: J min = σ 2 d σ 2 d opt = σ 2 u [ 1 σ 2 u v T 1 R 1 v 1 ]. (30) On peut voir que J min σ 2 u, ce qui veut dire que le filtre optimal de Wiener peut réduire le bruit d un signal observé à condition que certaines statistiques de ce bruit soient connues. INRS-EMT J. Benesty 18
20 Résumé Signal d erreur: e(n) =d(n) y(n) =d(n) h T x(n). Erreur quadratique moyenne (EQM): J = E{e 2 (n)}. La minimisation de J par rapport au vecteur h donne: E {e min (n)x(n)} = 0 L 1, c est le principe d orthogonalité. On en déduit l équation de Wiener-Hopf: et le filtre optimal: Aussi: Rh opt = p h opt = R 1 p. h opt = arg min h J (h). INRS-EMT J. Benesty 19
21 L EQM peut encore s écrire: J (h) = σ 2 d 2p T h + h T Rh, et l EQM minimale est: J min = minj (h) h = J (h opt ) = σ 2 d p T R 1 p. Forme canonique de l EQM: J (h) =J min + L 1 l=0 λ l v 2 l. INRS-EMT J. Benesty 20
Quantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
Plus en détailPartie 1: Gestion de l interférence entre symboles
Partie 1: Gestion de l interférence entre symboles Philippe Ciblat Télécom ParisTech, France Algo de Viterbi Egalisation OFDM Section 11 : Algorithme de Viterbi Philippe Ciblat Gestion de l interférence
Plus en détailProjet de Traitement du Signal Segmentation d images SAR
Projet de Traitement du Signal Segmentation d images SAR Introduction En analyse d images, la segmentation est une étape essentielle, préliminaire à des traitements de haut niveau tels que la classification,
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailExercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détailCorrection de l examen de la première session
de l examen de la première session Julian Tugaut, Franck Licini, Didier Vincent Si vous trouvez des erreurs de Français ou de mathématiques ou bien si vous avez des questions et/ou des suggestions, envoyez-moi
Plus en détailÉconometrie non paramétrique I. Estimation d une densité
Économetrie non paramétrique I. Estimation d une densité Stéphane Adjemian Université d Évry Janvier 2004 1 1 Introduction 1.1 Pourquoi estimer une densité? Étudier la distribution des richesses... Proposer
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailTD1 Signaux, énergie et puissance, signaux aléatoires
TD1 Signaux, énergie et puissance, signaux aléatoires I ) Ecrire l'expression analytique des signaux représentés sur les figures suivantes à l'aide de signaux particuliers. Dans le cas du signal y(t) trouver
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailSystèmes de transmission
Systèmes de transmission Conception d une transmission série FABRE Maxime 2012 Introduction La transmission de données désigne le transport de quelque sorte d'information que ce soit, d'un endroit à un
Plus en détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailBien lire l énoncé 2 fois avant de continuer - Méthodes et/ou Explications Réponses. Antécédents d un nombre par une fonction
Antécédents d un nombre par une fonction 1) Par lecture graphique Méthode / Explications : Pour déterminer le ou les antécédents d un nombre a donné, on trace la droite (d) d équation. On lit les abscisses
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailManuel de validation Fascicule v4.25 : Thermique transitoire des structures volumiques
Titre : TTLV100 - Choc thermique dans un tuyau avec condit[...] Date : 02/03/2010 Page : 1/10 Manuel de Validation Fascicule V4.25 : Thermique transitoire des structures volumiques Document : V4.25.100
Plus en détail3. Conditionnement P (B)
Conditionnement 16 3. Conditionnement Dans cette section, nous allons rappeler un certain nombre de définitions et de propriétés liées au problème du conditionnement, c est à dire à la prise en compte
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailLa couche physique de l ADSL (voie descendante)
La couche physique de l ADSL (voie descendante) Philippe Ciblat École Nationale Supérieure des Télécommunications, Paris, France Problématique qq kilomètres CENTRAL câble de 0,4mm Objectifs initiaux :
Plus en détail4. Martingales à temps discret
Martingales à temps discret 25 4. Martingales à temps discret 4.1. Généralités. On fixe un espace de probabilités filtré (Ω, (F n ) n, F, IP ). On pose que F contient ses ensembles négligeables mais les
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailProcessus Aléatoires
Processus Aléatoires Luc Deneire Iannis Aliferis École Polytechnique de l Université de Nice Sophia Antipolis Polytech Nice Sophia,, 29 21 deneire@unice.fr Ce document contient une grande partie des informations
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
Plus en détailRÈGLES DE TRANSFORMATION DU MCD AU MLD (MRD)
1 RÈGLES DE TRANSFORMATION DU AU MLD () Nous allons définir les règles de transformation pour le passage du au MLD, en respectant les différents cas qui se posent. Transformation des entités Toute entité
Plus en détailTempérature corporelle d un castor (une petite introduction aux séries temporelles)
Température corporelle d un castor (une petite introduction aux séries temporelles) GMMA 106 GMMA 106 2014 2015 1 / 32 Cas d étude Temperature (C) 37.0 37.5 38.0 0 20 40 60 80 100 Figure 1: Temperature
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailExpérience 3 Formats de signalisation binaire
Expérience 3 Formats de signalisation binaire Introduction Procédures Effectuez les commandes suivantes: >> xhost nat >> rlogin nat >> setenv DISPLAY machine:0 >> setenv MATLABPATH /gel/usr/telecom/comm_tbx
Plus en détailERRATA ET AJOUTS. ( t) 2 s2 dt (4.7) Chapitre 2, p. 64, l équation se lit comme suit : Taux effectif = 1+
ERRATA ET AJOUTS Chapitre, p. 64, l équation se lit comme suit : 008, Taux effectif = 1+ 0 0816 =, Chapitre 3, p. 84, l équation se lit comme suit : 0, 075 1 000 C = = 37, 50$ Chapitre 4, p. 108, note
Plus en détailMesures gaussiennes et espaces de Fock
Mesures gaussiennes et espaces de Fock Thierry Lévy Peyresq - Juin 2003 Introduction Les mesures gaussiennes et les espaces de Fock sont deux objets qui apparaissent naturellement et peut-être, à première
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
Plus en détailLA PHYSIQUE DES MATERIAUX. Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE
LA PHYSIQUE DES MATERIAUX Chapitre 1 LES RESEAUX DIRECT ET RECIPROQUE Pr. A. Belayachi Université Mohammed V Agdal Faculté des Sciences Rabat Département de Physique - L.P.M belayach@fsr.ac.ma 1 1.Le réseau
Plus en détailApprentissage non paramétrique en régression
1 Apprentissage non paramétrique en régression Apprentissage non paramétrique en régression Résumé Différentes méthodes d estimation non paramétriques en régression sont présentées. Tout d abord les plus
Plus en détailK W = [H 3 O + ] [OH - ] = 10-14 = K a K b à 25 C. [H 3 O + ] = [OH - ] = 10-7 M Solution neutre. [H 3 O + ] > [OH - ] Solution acide
La constante d autoprotolyse de l eau, K W, est égale au produit de K a par K b pour un couple acide/base donné : En passant en échelle logarithmique, on voit donc que la somme du pk a et du pk b d un
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailCAPTEURS - CHAINES DE MESURES
CAPTEURS - CHAINES DE MESURES Pierre BONNET Pierre Bonnet Master GSI - Capteurs Chaînes de Mesures 1 Plan du Cours Propriétés générales des capteurs Notion de mesure Notion de capteur: principes, classes,
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailDETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES
Agence fédérale pour la Sécurité de la Chaîne alimentaire Administration des Laboratoires Procédure DETERMINATION DE L INCERTITUDE DE MESURE POUR LES ANALYSES CHIMIQUES QUANTITATIVES Date de mise en application
Plus en détailVision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007
Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailModèles et Méthodes de Réservation
Modèles et Méthodes de Réservation Petit Cours donné à l Université de Strasbourg en Mai 2003 par Klaus D Schmidt Lehrstuhl für Versicherungsmathematik Technische Universität Dresden D 01062 Dresden E
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailK. Ammar, F. Bachoc, JM. Martinez. Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau
Apport des modèles de krigeage à la simulation numérique K Ammar, F Bachoc, JM Martinez CEA-Saclay, DEN, DM2S, F-91191 Gif-sur-Yvette, France Séminaire ARISTOTE - 23 octobre 2014 - Palaiseau Apport des
Plus en détailExemples de problèmes et d applications. INF6953 Exemples de problèmes 1
Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation
Plus en détailExtraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
Plus en détailExercice autour de densité, fonction de répatition, espérance et variance de variables quelconques.
14-3- 214 J.F.C. p. 1 I Exercice autour de densité, fonction de répatition, espérance et variance de variables quelconques. Exercice 1 Densité de probabilité. F { ln x si x ], 1] UN OVNI... On pose x R,
Plus en détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
Plus en détailMaster IMA - UMPC Paris 6 RDMM - Année 2009-2010 Fiche de TP
Master IMA - UMPC Paris 6 RDMM - Année 2009-200 Fiche de TP Préliminaires. Récupérez l archive du logiciel de TP à partir du lien suivant : http://www.ensta.fr/~manzaner/cours/ima/tp2009.tar 2. Développez
Plus en détailÉvaluation de la régression bornée
Thierry Foucart UMR 6086, Université de Poitiers, S P 2 M I, bd 3 téléport 2 BP 179, 86960 Futuroscope, Cedex FRANCE Résumé. le modèle linéaire est très fréquemment utilisé en statistique et particulièrement
Plus en détail2.4 Représentation graphique, tableau de Karnaugh
2 Fonctions binaires 45 2.4 Représentation graphique, tableau de Karnaugh On peut définir complètement une fonction binaire en dressant son tableau de Karnaugh, table de vérité à 2 n cases pour n variables
Plus en détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailUne réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen
Une réponse (très) partielle à la deuxième question : Calcul des exposants critiques en champ moyen Manière heuristique d'introduire l'approximation de champ moyen : on néglige les termes de fluctuations
Plus en détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Plus en détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailCalculs et Certificats de Quantités d Intérêts Non Linéaires d un Mousqueton Cédric Bellis
Ecole Normale Supérieure de Cachan Département de Génie Mécanique Rapport de Stage de M1 Mécanique et Ingéniérie des Systèmes Stage effectué du 10/04 au 27/08 Laboratori de Càlcul Numèric - Universitat
Plus en détailMéthodes de quadrature. Polytech Paris-UPMC. - p. 1/48
Méthodes de Polytech Paris-UPMC - p. 1/48 Polynôme d interpolation de Preuve et polynôme de Calcul de l erreur d interpolation Étude de la formule d erreur Autres méthodes - p. 2/48 Polynôme d interpolation
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailPerrothon Sandrine UV Visible. Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6
Spectrophotométrie d'absorption moléculaire Étude et dosage de la vitamine B 6 1 1.But et théorie: Le but de cette expérience est de comprendre l'intérêt de la spectrophotométrie d'absorption moléculaire
Plus en détailTraitement bas-niveau
Plan Introduction L approche contour (frontière) Introduction Objectifs Les traitements ont pour but d extraire l information utile et pertinente contenue dans l image en regard de l application considérée.
Plus en détail1 Définition de la non stationnarité
Chapitre 2: La non stationnarité -Testsdedétection Quelques notes de cours (non exhaustives) 1 Définition de la non stationnarité La plupart des séries économiques sont non stationnaires, c est-à-direqueleprocessusquiles
Plus en détailUniversité de Picardie - Jules Verne UFR d'economie et de Gestion
Université de Picardie - Jules Verne UFR d'economie et de Gestion 23/09/2014 Excel 2003 - Tableau Croisé Dynamique L information mise à disposition de l utilisateur est fréquemment une information de détail
Plus en détailAllocation Robuste et Restrictions sur les Contributions au Risque
Allocation Robuste et Restrictions sur les Contributions au Risque QuantValley/QMI Workshop, Geneve, 26 Septembre, 2013 http://ssrn.com/abstract=2192399 1/33 Les contributions du papier: Nous définissons
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailENSPS 3A ISAV Master ISTI AR. J. Gangloff
Commande prédictive ENSPS 3A ISAV Master ISTI AR J. Gangloff Plan 1.Introduction / Historique 2.Modélisation du système 3.Fonction de coût 4.Équations de prédiction 5.Commande optimale 6.Exemples 7.Réglage
Plus en détailProgrammation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailCours de Mécanique du point matériel
Cours de Mécanique du point matériel SMPC1 Module 1 : Mécanique 1 Session : Automne 2014 Prof. M. EL BAZ Cours de Mécanique du Point matériel Chapitre 1 : Complément Mathématique SMPC1 Chapitre 1: Rappels
Plus en détailFormation à la C F D Computational Fluid Dynamics. Formation à la CFD, Ph Parnaudeau
Formation à la C F D Computational Fluid Dynamics Formation à la CFD, Ph Parnaudeau 1 Qu est-ce que la CFD? La simulation numérique d un écoulement fluide Considérer à présent comme une alternative «raisonnable»
Plus en détailProjet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo
Projet Matlab/Octave : segmentation d'un ballon de couleur dans une image couleur et insertion d'un logo Dans ce projet, nous allons réaliser le code qui permet d'insérer sur une image, un logo sur un
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailInstitut Informatique de gestion. Communication en situation de crise
Institut Informatique de gestion Communication en situation de crise 1 Contexte Je ne suis pas un professionnel de la communication Méthode empirique, basée sur l(es) expérience(s) Je suis actif dans un
Plus en détailChapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
Plus en détailLe Modèle Linéaire par l exemple :
Publications du Laboratoire de Statistique et Probabilités Le Modèle Linéaire par l exemple : Régression, Analyse de la Variance,... Jean-Marc Azaïs et Jean-Marc Bardet Laboratoire de Statistique et Probabilités
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailOscillations libres des systèmes à deux degrés de liberté
Chapitre 4 Oscillations libres des systèmes à deux degrés de liberté 4.1 Introduction Les systèmes qui nécessitent deux coordonnées indépendantes pour spécifier leurs positions sont appelés systèmes à
Plus en détailCorrigé Problème. Partie I. I-A : Le sens direct et le cas n= 2
33 Corrigé Corrigé Problème Théorème de Motzkin-Taussky Partie I I-A : Le sens direct et le cas n= 2 1-a Stabilité des sous-espaces propres Soit λ une valeur propre de v et E λ (v) le sous-espace propre
Plus en détailAide à l exécution de la norme SIA 181:2006 révisée Protection contre le bruit dans le bâtiment
Aide à l exécution de la norme SIA 181:2006 révisée Protection contre le bruit dans le bâtiment Sommaire Introduction... 2 Variante 1...3 Variante 2...3 Variante 3...4 Comparaison des exigences pour les
Plus en détailCorrigé du baccalauréat S Asie 21 juin 2010
Corrigé du baccalauréat S Asie juin 00 EXERCICE Commun à tous les candidats 4 points. Question : Le triangle GBI est : Réponse a : isocèle. Réponse b : équilatéral. Réponse c : rectangle. On a GB = + =
Plus en détailL OPTIMISATION ÉCONOMIQUE DU VOLUME DU LOT DE FABRICATION DANS LE MANAGEMENT DE LA PRODUCTION EN SÉRIE
L OPTIMISATION ÉCONOMIQUE DU VOLUME DU LOT DE FABRICATION DANS LE MANAGEMENT DE LA PRODUCTION EN SÉRIE Gradinaru Dorule L Université de Pite ti, La Faculté de Sciences Économiques, 0752458187, gradinaru_dorulet@yahoo.com
Plus en détailCours de Tests paramétriques
Cours de Tests paramétriques F. Muri-Majoube et P. Cénac 2006-2007 Licence Ce document est sous licence ALC TYPE 2. Le texte de cette licence est également consultable en ligne à l adresse http://www.librecours.org/cgi-bin/main?callback=licencetype2.
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
Plus en détail