HAL Id: jpa-00205893
https://hal.archives-ouvertes.fr/jpa-00205893
Submitted on 1 Jan 1964
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Le lissage optimisé
Max Tournarie
To cite this version:
Max Tournarie. Le lissage optimisé. Journal de Physique, 1964, 25 (10), pp.909-916.
�10.1051/jphys:019640025010090900�. �jpa-00205893�
909.
LE LISSAGE OPTIMISÉ Par MAX TOURNARIE,
Service de Physique du Solide et de Résonance Magnétique, C. E. N., Saclay.
Résumé.
2014On rappelle que les notions de distorsion 0394 et de fluctuation 03A6 permettent l’analyse
de la structure de l’écart quadratique moyen E lorsque ce dernier est défini comme la distance entre les mesures lissées et leur valeur probable. On montre que la connaissance de la fonction de
corrélation du bruit de fond suffit pour mesurer E, 0394 et 03A6 sans qu’il soit nécessaire de connaître les valeurs probables du signal. Ceci permet de se placer facilement dans les conditions optimales de lissage.
Abstract.
2014It is recalled that the concept of distortion 0394 of a signal and the concept of
fluctuation 03A6 of a noise permit the description of the properties of the mean square error E when E is defined as the distance between the smoothed data and their probable value. It is shown that
only the knowledge of the correlation function of the noise is sufficient to evaluate E, 0394 and 03A6. This property permits optimization of the smoothing.
PHYSIQUE 25, OCTOBRE 1964,
Premi6re partie
Definition, existence et détermination d’un pro- edd6 de lissage.
-Pour 6tudier un phenomene physique qui depend d’un ou de plusieurs paramè- tres, on realise généralement des series de mesures
dont on cherche ensuite a extraire le maximum d’information. °
L’exploitation des resultats expérimentaux est
f acilitee par l’usage d’un processus de lissage att6-
nuant les erreurs statistiques sans trop alterer les series.
Nous avons tente de mettre au point un proces-
sus de lissage pratique et impersonnel, c’est-h-dire
ne 8supposant pas d’équation pour le phénomène,
mais admettant qu’aucun d6tail important n’a
entibrement échappé a l’experience.
Critdre de 1’6eart quadratique moyen. - On se
propose d’approcher le plus possible de la fonction probable (signal pur) f k au point k, par combi- naison lin6aire des valeurs observees (signal brouillé) /1 + fi, ceci en attribuant un poids Wk à chaque observation. On entend par fk la valeur
moyenne prise sur un ensemble de systèmes iden-
tiques fournissant f au point k, autrement dit 1’esp6rance mathématique du signal, et on entend
par sk 1’ecart entre fk et le tirage unique de f dont
on dispose au point k. (La liste des symboles est
donnée en annexe a la fin de l’article.)
Avec ces definitions la valeur liss6e fk s’ écrit :
L’erreur E est d6finie comme :
Le choix des Wk est précisé plus lqin. En por- tant (1) dans (2), et en developpant le carr6,
1’ erreur s’ ecrit :
On veut rendre minimale Fesperance math6- matique de cette quantite en choisissant conve-
nablement les Akl-
L’intérêt du crit6re de 1’ecart quadratique
moyen r6sulte, outre la simplicité des calculs qu’il permet, du fait qu’il se justifie par des conside- rations de probabilit6s.
La probabilite de ]a s6rie des valeurs apr6s ]is- sage est souvent une fonction d6croissante de E,
notamment dans le cas de grandeurs al6atoires gaussiennes.
Cette probabilite est alors effectivement maxi- mis6e par la minimisation de E.
Solution.
-Nous ne voulons pas que A (l’en-
semble des Akl) soit optimal pour le f particulier (d’ailleurs inconnaissable) sur lequel porte le lis-
sage. Mais nous voulons que A soit optimal pour l’ensemble moyen des f possibles, ensemble défini par la matrice F, dont les coefficients sont :
L’erreur totale a pour esp6rance mathématique :
On voit que E est une forme quadratique des
Article published online by EDP Sciences and available at http://dx.doi.org/10.1051/jphys:019640025010090900
910
coefficients Akl- Écrivons que nous sommcs au
minimum de E, c’est-a-dire que :
ou encore
En definissant les matrices C, D et S dont les
coefficients sont :
les relations de minimisation peuvent s’écrire sim-
plement :
La solution est donc :
Remarquons bien, ce resultat est independant
des poids wk choisis pourvu qu’ils ne soient pas nuls. Aussi, pour simplifier, nous prenons par ]a suite :
Si l’inversion de [F + C + D + S] n’est pas
possible, c’est que l’hyper-ellipsoide des 6carts types
est complètement aplati dans certaines directions.
11 y a donc une ou plusieurs quantités certaines qu’on peut extraire des donn6es. Une fois ceci fait,
on projette dans le sous-espace restant ou 1’inver- sion est possible.
D’autre part, le problème des bords de table est
rigoureusement r6solu. On evite ainsi un def aut inherent a la plupart des m6thodes de lissage, a
savoir qu’il leur est impossible de lisser la totalite d’une s6rie donn6e de mesures.
Par contre ce proc6d6 n’a aucune raison d’être conservatif des moments car, en general, on a :
ce qui entraine :
Bruit de fond quantique.
-Lorsque le signal f
et sa perturbation s sont independants, les formules pr6c6dentes se simplifient. Ce cas se pr6sente lorsque f + s r6sulte d’un comptage de particules.
Meme si le flux est constant, l’aspect corpusculaire
se manifeste par une sorte d’eff et de grenaille, dont
les caractéristiques sont telles que :
et aiissi
qui est la traduction de l’ind6pendance des 6carts.
La condition de minimisation de E devient alors :
Cas particulier du signal stationnaire d’ordre deux.
-La mise en pratique de ta solution g6n6-
rale pr6c6dente conduit a des calculs de volume important lorsque le nombre N d’observations
augmente. En eff et A est obtenu par une inversion et un produit de matrices. Le travail croit done
comme N3.
Une methode moins volumineuse consiste a lis,ser par une s6rie de translat6s d’une fonction donn6e
go(x) que nous déterminerons plus loin. Le volume des calculs croit seulement comme N.
Ce cas se pr6sente en toute rigueur lorsque le signal et le bruit sont stationnaires d’ordre deux.
Alors :
Les matrices F et S sont ainsi donn6es par les distributions d’auto-correlation cp du signal et 5
du bruit de fond définies par :
et
ou les observations sont consid6r6es comme ayant
ete r6alis6es sur des points d’abscisses- egalement espac6es. C’est cet intervalle d’abscisse qui est pris comme unite des t dans les transformations de Fourier dont nous avons besoin.
L’espace t porte ainsi des distributions de masses
diverses équidistantes. Les transf ormees de Fourier que nous consid6rons sont alors des fonctions perio- diques de p6riode 1. Les int6grales sur T seront
donc limitées de - 1/2 a 1/2.
La matrice A s’exprime par suite en fonction des valeurs d’une fonction transl atee
En appliquant cette methode 4 un signal non
stationnaire on se prive des avantages que permet
une certaine information sur la localisation du
signal. Par contre on evite ainsi les consequences
d’une localisation r6elle différente de la locali- sation escompt6e. Enfin, pour une puissance donne,
de bruit de fond, un meme signal donnera le meme
lissage quelle que soit sa position, ce qui n’est pas obtenu par les formules 12 ou 18.
Analyse harmonique du lissage.
-L’analyse harmonique permet d’expliciter et de s6parer les
contributions diverses qui forment l’espérance
math6matique de l’erreur totale E [36].
911 La densite spectrale FF* du signal pur est
elle est en general assez mal connue.
Par contre la densite spectrale SS* du bruit de
fond
qui est ind6pendante de T (bruit blanc) est souvent
aisee a estimer a priori. Du reste, nous verrons que
sa connaissance préalable n’est pas indispensable
car elle peut etre appr6ei6e au cours du lissage.
Le lissage est analogue a un filtrage linéaire
dont le coefficient G de transmission a ]a fr6- quence T est
La densite spectrale du signal brouillé avant lissage est FF* + SS*. Après lissage elle devient
G2[FF* + SS*].
L’erreur moyenne peut maintenant s’exprimer
comme la somme de deux quantites
est la distorsion subie par le signal pur. C’est une forme quadratique des 6carts entre le signal vrai
et le signal pur liss6.
est ]a fluctuation. Elle traduit les incertitudes res- tantes sur le signal perturb6 liss6.
Un calcul des variations permet de determiner
quel est le filtre G qui tend E minimal. C’est le filtre de Gabor qui vaut
lorsqu’il n’y a pas de correlation entre le signal pur et le bruit de fond, ce que nous supposons. Toute- fois cette hypothèse n’est pas essentielle pour la suite. Elle a seulement l’ avantage de simplifier les
formules. Le traitement en cas de correlation serait le meme, mais avec un filtre optimal diff6rent.
Variation produite par le lissage sur le signal brouillé.
-La différence entre le signal broui]16 f + s et le signal broul]16 liss6 f’ comporte deux
termes : l’un qui r6sulte de I’att6nuation du bruit de fond et qui est ais6ment calculable a priori,
l’autre qui r6sulte de la distorsion sur le signal.
Le spectre du signal brouillé avant lissage est
F + S, apr6s lissage il devient G(F + S). Nous
définissons la variation comme :
On peut donc exprimer V en fonction des gran-
deurs th6oriques, en explicitant i
ou l’on reconnait dans la premiere somme de droite 1’expression de la distorsion. D’autre part SS* est une constante qui sort de la deuxi6me somme.
Done
On remarque que
Finalement on constate que la variation V, seule quantite observable, est la somme de 1’erreur E entre le signal brouillé liss6 et le signal vrai inconnu,
et de la fluctuation initiale affectee d’un coefficient calculable :
D’où la conclusion, paradoxale en apparence, que l’on peut 6valuer E, A, O bien que f soit inconnue :
ceci parce qu’on sait que Ie bruit de fond est à micro-correlation et qu’on admet qu’on connait SS*, la puissance du bruit. Mais on peut deter-
miner une borne superieure du bruit de fond en
6crivant que A calcule (a fortiori E calcul6e) doit
etre positive. On trouve :
Relations satisfaites au minimum de E.
-Au minimum de E, les quantités E, A, (D et V s’expri-
ment facilement en fonction de SS*. En effet au
minimum G gr Go. Alors
d’ou
912
Done
Deuxième partie
RECHERCHE D’UN PROCÉDÉ PRATIQUE APPROCHANT L’OPTIMAL. EXEMPLES.
Ajustage de la bande passante.
-Supposons qu’on connaisse le filtre optimal sous la forme
d’une fonction reduite G(x) telle que
et que
Ceci revient a dire qu’on connait la forme du filtre optimal, mais qu’on ingore sa bande pas- sante. Alors
Si, en outre, y est plus grand que l’inverse de
largeur totale de bande de G,
Compte tenu que SS* est une constante, que
f dT
=1, on obtient
Donc l’optimum se caractérise par la verification de la relation
qui porte sur des quantités toutes connues. Une
fois connu le yo solution de (50), on peut eff ectuer
le lissage et 6valuer les quantités th6oriques.
On remarque que le rapport A,I(D. est toujours égal à (1 1
-C) IC.
Fonetion réduite d’usage général. - Nous avons
montre [34], [36], [37], [38] que le filtre optimal changeait peu de forme dans les cas courants, et
nous avons profit6 de cette propriete pour proposer
une fonction r6duite qui, mise a 1’6chelle conve- nable, permettait de s’approcher du filtre de Gabor,
tout en conservant tous les moments des signaux
liss6s. Cette fonction reduite G(x) est la transfor-
mée de Fourier de g(x) d6finie par
La recherche des conditions optimales se ram6ne
donc au choix de 1’echelle y qui determine la bande passante. Autrement dit, la formule de lissage est
la suivante
Notons que pour cette fonction et
Qualités de g(x) pour Ie lissage.
-L’avantage qu’il y a a utiliser la fonction g(x) plutbt que le filtre de Gabor r6sulte de l’existence simultan6e des deux propri6t6s suivantes :
1) La d6croissance a l’infini de g(x) est plus rapide que toute puissance inverse de x, c’est-a-dire
qu’il existe toujours un xo tel que
A elle seule cette propriete conditionne une
bonne localisation de l’approximation, c’est-a-dire que l’intervalle sur lequel se fait sentir 1’eff et d’une
singularite est extremement petit ([38], para-
graphe 11, 4°, formule 73, p. 24).
Precisions que xo
=(2/1t)(0153-l)/2.
D’autre part, on ne peut atteindre un ordre élevé d’approximation que si cette condition est remplie
en meme temps que la suivante.
2) Les moments de g(x) sont tels que
xv g(x) dx
=0 pour p 1 si grand que soit p. (57) Autrement dit dp dxp G = 0 pour x = 0. (58)
Ceci permet de profiter pleinement de la d6crois-
sance a l’infini en autorisant un ordre d’approxi-
mation aussi élevé qu’on veut, limit6 seulement par la precision des ordinateurs [34], paragraphe 5,
p. 2511.
Mise en applieation.
-La marche est done la
suivante :
Determiner SS* a partir des 6carts types
913 TABLEAU 1
c’est la densit6 spectrale de la fonction d’auto- correlation du bruit de fond avant lissage.
La variation V(y) est 6gale à
On sait que le y essay6 est le yo optimal lorsque
que nous r6solvons par iteration.
.