reur de mesure
III.1.1 Modéliser la mesure ou modéliser son inversion ?
Les données d’entrée d’un processus de traitement du signal proviennent la plupart du temps de systèmes de mesure appelés communément des capteurs. L’objet même d’un capteur est d’utiliser un dispositif de conversion d’énergie pour mesurer une grandeur à partir d’une autre. Pour donner un exemple simple : une mesure de déformation peut être obtenue facilement en utilisant un système comportant un cristal piezzo-électrique convertissant une contrainte en tension électrique. Lorsque la relation entre la grandeur à mesurer ou mesurande (dans cet exemple la déformation) et la sortie du dispositif de conversion ou mesure (dans cet exemple la tension) est linéaire (ou peut être supposée linéaire) alors la relation entre l’entrée et la sortie du processus peut être facilement mo- délisée par la réponse impulsionnelle du système. Il est alors possible d’utiliser la mesure comme si elle était la grandeur à mesurer en inversant simplement (on parle de décon- volution) la relation entrée-sortie. De fait, c’est le modèle inverse qui est généralement utilisé et non le modèle direct.
Le modèle sommatif permet de réaliser plutôt simplement cette inversion. Quand on connaît le passage du mesurande à la mesure, par un noyau sommatif κω, l’inversion de ce passage consiste à retrouver les noyaux sommatifs (ηu)
u∈Ω utilisés pour passer d’une mesure en ω ∈ Ω au mesurandes sur tout u ∈ Ω en résolvant ce qu’on appelle une équation orthogonale généralisée.
Les équations orthogonales généralisées s’inspirent des conditions d’orthogonalité des noyaux sommatifs utilisées pour l’adéquation parfaite (I.46) et (I.47). Dans ce type d’équa- tion orthogonale généralisée, on cherche la famille de noyaux sommatifs (ηu)
u∈Ωqui, pour un noyau sommatif κω donné, permet de vérifier la condition d’orthogonalité généralisée :
Z Ωc
ηu(v)κω(u)du = δω(v), (III.1)
où δωest l’impulsion de Dirac en ω. Ce type d’équation est une généralisation des équations de convolution dont on peut trouver des méthodes de résolutions numériques simples dans [42]. Ces méthodes suivent en général le même schéma simple qui consiste en une résolution dans le domaine de Fourier de l’équation (III.1). Unser [102] propose notamment l’utilisation des B-splines pour faciliter cette résolution.
Il n’en reste pas moins que l’identification même de la réponse impulsionnelle modé- lisant le capteur, c’est-à-dire le passage du mesurande à la mesure, peut être sujette à débats. En effet, identifier une réponse impulsionnelle veut dire mettre en œuvre une série d’expérimentations nécessitant de
1. émettre une hypothèse sur une fonction paramétrée pouvant modéliser cette réponse, 2. identifier (généralement par régression) les paramètres de cette fonction.
On a donc à la fois une part d’arbitraire (choix de la fonction, choix de l’expérimentation) et une part d’aléatoire (bruit de mesure) qu’il est souvent difficile de répercuter sur le modèle. Pour continuer avec l’exemple précédent, une identification fréquentielle de la réponse impulsionnelle du capteur implique qu’on est capable d’exciter le système piezzo- électrique de façon pure avec des contraintes sinusoïdales dont les fréquences vont de 0 à l’infini, ainsi que de mesurer la réponse fréquentielle en tension.
III.1.2 Modélisation de la réponse impulsionnelle, l’approche maxi-
tive
Un capteur est un dispositif permettant de mesurer, de façon généralement indirecte, une grandeur physique x, qui est le mesurande. Une “mesure” est la grandeur délivrée par le processus d’acquisition associé à ce capteur. Si le processus de mesure est linéaire et invariant par translation, il peut être modélisé par la convolution du signal entrant (associé ici au mesurande) avec la réponse impulsionnelle du capteur, c’est-à-dire par un processus d’extraction sommative d’informations (cf. section I.3.1). On peut alors, à une constante multiplicative près, associer la réponse impulsionnelle du capteur à un noyau sommatif κω en ω. La mesure est alors modélisée par ˇx(ω) = E
κω(x).
La validité de ce modèle convolutif dépend de la possibilité d’identifier précisément la réponse impulsionnelle du capteur. Or comme nous l’avons dit, cette identification est sujette à caution. Dans ce contexte, l’utilisation d’un noyau maxitif en lieu et place d’un noyau sommatif permet de représenter une méconnaissance de la réponse impulsionnelle du capteur. La généralisation à l’approche maxitive est donnée par :
ˇ
X(ω) = [ ˇX(ω), ˇX(ω)] = [Ccπω(x), Cπω(x)]. (III.2) où πω est un noyau maxitif qui représente une famille de réponses impulsionnelles M(πω).
III.1.3 Inversion du modèle maxitif de la mesure et erreur de
mesure
Comme nous l’avons déjà dit, les capteurs actuels délivrent toujours des mesures pré- cises. Pourtant, certains appareils de mesure (certains voltmètres par exemple) peuvent éventuellement afficher un intervalle, mais cet intervalle est issu d’une construction à partir d’une connaissance (d’un étalonnage) que le capteur a de ses défauts. Dans les approches probabilistes de traitement du signal, les erreurs de mesure sont directement modélisées par une distribution de probabilité. Cette modélisation de l’erreur vient se rajouter à la déconvolution du modèle sommatif de la mesure. Cette modélisation séparée des erreurs de mesure d’une part et de la mesure d’autre part produit une valeur imprécise du mesurande, qui correspond à la combinaison de la mesure et de l’erreur de mesure.
Définir l’inversion du modèle maxitif de mesure va nous permettre de proposer en un seul modèle, la combinaison de la mesure et de la connaissance des défauts du capteur. Ces défauts de capteurs pouvant représenter toutes les erreurs usuelles de mesures.
Le problème de l’inversion, si nous l’avons qualifié de simple en modélisation sommative de la mesure, s’avère plus compliqué avec le modèle maxitif. La mesure maxitive passe d’un mesurande précis à une mesure imprécise. Une inversion de type adéquation parfaite consisterait donc à déterminer l’opération qui permet de passer d’une mesure imprécise à un mesurande précis, quand on connait le modèle maxitif de la mesure. Cependant, la réalité nous impose un constat simple : les capteurs actuels délivrent toujours des mesures précises. Une inversion plus judicieuse de ce processus serait plutôt de passer d’une mesure précise à un mesurande imprécis, par l’intermédiaire d’une famille de modèles sommatifs inverses. On impacte ainsi, à partir d’une mesure précise, les défauts d’identification du modèle du capteur utilisé sur l’imprécision du mesurande estimé.
L’inversion du modèle maxitif de mesure que nous préconisons est une inversion un à un de tous les modèles sommatifs dominés par le modèle maxitif de la mesure. Des pistes de résolution de cette inversion constructive se trouvent dans le domaine de l’analyse convexe. En particulier, la notion d’Inf-convolution se rapproche singulièrement du calcul de la borne inférieure de l’extraction maxitive d’informations. Une étude approfondie des preuves d’existence de solutions d’équations d’Inf-convolution, que l’on peut trouver dans [55, 66], pourraient nous inspirer pour construire l’inverse d’une mesure maxitive. Une preuve d’existence par construction serait évidemment des plus plus utiles pour ce problème, mais ce sera pour un prochain épisode.
L’approche la plus simple est de ne pas passer par un noyau maxitif d’acquisition, mais directement de définir le noyau maxitif de passage des mesures à la réalité. On modélise ainsi, dans un seul objet mathématique, la mesure et ses erreurs.