HAL Id: hal-00539764
https://hal.archives-ouvertes.fr/hal-00539764
Submitted on 25 Nov 2010
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.
Focalisation bayésienne: une approche unifiée du problème inverse en acoustique
Jérôme Antoni
To cite this version:
Jérôme Antoni. Focalisation bayésienne: une approche unifiée du problème inverse en acoustique.
10ème Congrès Français d’Acoustique, Apr 2010, Lyon, France. �hal-00539764�
10`eme Congr`es Fran¸cais d’Acoustique
Lyon, 12-16 Avril 2010
Focalisation bay´esienne: une approche unifi´ee du probl`eme inverse en acoustique
J´ erˆ ome Antoni
11Universit´e de Technologie de Compi`egne, UMR CNRS 6253, 60205 Compi`egne, France, e-mail: antoni@utc.f
La localisation et/ou la reconstruction de sources acoustiques ` a partir des mesures fournies par une antenne discr` ete est un probl` eme acoustique inverse abord´ e suivant de multiples approches. Les m´ ethodes classiques (formation de voie, holographie, sources ´ equivalentes) se ram` enent toutes, implicitement ou explicitement, ` a interpoler les mesures de l’antenne sur une base de fonctions spatiales dont la propagation est connue, puis ` a reconstruire les sources par r´ etro-propagation (extrapolation).
Cette communication se propose de r´ epondre de mani` ere g´ en´ erale ` a la question du choix optimal des fonctions de base spatiales ´ etant donn´ es une surface source et une g´ eom´ etrie d’antenne, connues mais quelconques, et
´
eventuellement des connaissances apriori sur la distribution spatiale des sources. La r´ eponse ` a cette question est non seulement fondamentale pour guider l’utilisateur vers le choix d’une m´ ethode inverse optimale, mais aussi en raison des nombreux enseignements qui en d´ ecoulent sur la mani` ere de r´ egulariser le probl` eme inverse, de quantifier l’erreur de reconstruction, d’optimiser la conception de l’antenne.
L’approche suivie pour ´ etudier cette question se fonde sur l’inf´ erence bay´ esienne qui permet de fusionner des informations de nature ` a la fois physique et probabiliste. Les principales conclusions sont les suivantes :
– ´ etant donn´ e une antenne de M capteurs, les fonctions de base spatiales optimales sont les fonctions propres associ´ ees au M premi` eres valeurs singuli` eres d’un op´ erateur de propagation sp´ ecifique continu-discret entre la surface source et les capteurs de l’antenne,
– la prise en compte des aprioris sur la distribution spatiale des sources se traduit par l’ajout d’une m´ etrique sp´ ecifique sur l’op´ erateur pr´ ec´ edant,
– ces aprioris permettent d’am´ eliorer, parfois de fa¸ con consid´ erable, la r´ esolution spatiale du probl` eme inverse selon un principe de “focalisation bay´ esienne”,
– ces aprioris contribuent ` a r´ egulariser le probl` eme inverse.
1 Introduction
Nous consid´ erons dans cette communication le probl` eme acoustique inverse qui consiste ` a reconstruire une distribu- tion source sur une surface donn´ ee ` a partir d’un ensemble de mesures restitu´ ees par une antenne de microphones.
L’op´ erateur de propagation qui caract´ erise le transfert des ondes de la surface source aux microphones est suppos´ e connu, soit sous forme analytique, soit sous forme num´ erique.
La distance entre entre la surface source et les microphones est arbitraire de mani` ere ` a englober aussi bien les probl` emes en champ lointain qu’en champ proche. Cette probl´ ematique est suffisamment g´ en´ erale pour accepter comme cas parti- culiers la formation de voies (beamforming), l’holographie acoustique ou la reconstruction de sources ´ equivalentes.
De mani` ere g´ en´ erale, le probl´ ematique implique d’abord une phase d’interpolation qui consiste ` a projeter les mesures des microphones sur une base de repr´ esentation spatiale, continue et connue, puis une phase de r´ etro-propagation qui consiste ` a calculer la distribution source qui, par rayonne- ment, produit le champ acoustique repr´ esent´ e par cette base.
Par exemple, la formation de voie r´ ealise une interpolation des mesures sur des ondes planes ou sph´ eriques selon l’hy- poth` ese de champ lointain ou proche, l’holographie acous- tique en champ proche une interpolation sur des ondes planes [1][2], des harmoniques sph´ eriques [3] ou cylindriques [4] se- lon la topologie de la surface source et la m´ ethode des sources
´ equivalentes une interpolation sur des champs monopolaires d´ ecentralis´ ees [5]. Ces approches soul` event naturellement les questions du choix critique du nombre de fonctions d’ondes
`
a utiliser, du positionnement des centres des harmoniques
sph´ eriques ou des sources monopolaires ´ equivalentes, de la direction et des fr´ equences spatiales des ondes planes, etc.
Ces questions se ram` enent ` a celle, centrale, du “meilleur”
choix possible d’une base d’interpolation pour un probl` eme donn´ e. ´ Etant donn´ ees une topologie de surface source et une g´ eom´ etrie d’antenne (impliquant un nombre M de micro- phones et une distance z
m` a la surface source), quelle est la base d’interpolation de dimension la plus petite possible qui minimise l’erreur de reconstruction de la distribution source ? La r´ eponse ` a cette question a des implications importantes pour la r´ esolution du probl` eme inverse :
– elle garantie d’atteindre syst´ ematiquement la plus pe- tite erreur de reconstruction possible
– et ce avec le minimum de fonctions de base n´ ecessaires, ce qui r´ ealise une ´ economie certaine en termes de temps de calcul et de capacit´ e de stockage.
Nous proposons dans cette communication une solution qui d´ ecoule d’une approche probabiliste bay´ esienne.
2 Probl` eme directe
Bien que l’approche que nous proposons soit g´ en´ erale, nous la pr´ esentons ici sur le probl` eme simplifi´ e o` u la fonc- tion de Green G(r|r
′) caract´ eris´ ee par des conditions de Neu- mann homog` enes sur la surface source S est disponible. Le probl` eme directe dans le domaine fr´ equentiel (convention e
−iωt) se formule alors
p
M(r
i) =
∫
S
s(r)G(r
i|r)dS(r) +ν
i, i = 1, ..., M (1)
avec p
M(r
i) la pression acoustique mesur´ ee par le i` eme mi- crophone positionn´ e en
ri, ν
ile bruit de mesure au micro- phone et s(r) = iωρ
0v
n(r) la distribution source exprim´ ee en fonction de la composante v
n(r) de la vitesse particulaire normale en S (orient´ ee de l’antenne vers la source). Apr` es concat´ enation des M mesures microphones dans un vecteur colonne
pM, le probl` eme directe se reformule
pM
=
∫
S
s(r)G(r)dS(r) +
n,i = 1, ..., M (2) o` u le i` eme ´ el´ ement du vecteur colonne
G(r) estG(r
i|r).3 Formulation du probl` eme in- verse
L’objectif du probl` eme inverse est de reconstruire la distribution source inconnue ` a partir des mesures bruit´ ees restitu´ ees par les microphones. Les solutions lin´ eaires ` a ce probl` eme, quel que soit l’approche consid´ er´ ee, conduisent toutes ` a une estimation ˆ s(r) de la source sous la forme d’une combinaison lin´ eaire des M mesures p
M(r
i) dont les coeffi- cients d´ ependent du point de calcul
r, soit [6]ˆ s(r) =
∑
M i=1a
i(r)p
M(r
i) (3) Une mani` ere alternative de poser le probl` eme est sous la forme
ˆ s(r) =
∑
P k=1c
kϕ
k(r) .
=
Φtc(4)
o` u les c
ksont des coefficients qui d´ ependent des mesures p
M(r
i) et o` u les ϕ
k(r) sont des fonctions de base spatiales ind´ ependantes des mesures, qui constituent une base de d´ ecomposition pour la distribution source. A ce stade il est important de noter que les inconnues sont ` a la fois les c
k, les ϕ
k(r) et leur nombre P .
3.1 R´ esolution du probl` eme inverse
3.1.1 Fonctionnelle de coˆ ut
Sur la base de l’´ equation (4), la r´ esolution du probl` eme inverse est ´ equivalente ` a l’estimation des param` etres c
ket ϕ
k(r) ` a partir des mesures
pM. L’inf´ erence bay´ esienne offre une mani` ere ´ el´ egante de r´ ealiser cet objectif en fournissant la distribution de probabilit´ e des param` etres cherch´ es condi- tionn´ ee ` a l’observation des mesures, soit [c,
Φ|pM] (nous uti- lisons la notation [x] pour exprimer la disribution de proba- bilit´ e d’une variable al´ eatoire x). Par application de la r` egle de Bayes, il s’ensuit :
[c,
Φ|pM] = [p
M|c,Φ][c,Φ][p
M] (5)
o` u
i) la fonction de vraisemblance [p
M|c,Φ] repr´esente la probabilit´ e d’observer les mesures ´ etant donn´ e un jeu de param` etres c
ket ϕ
k(r), k = 1, ..., P,
ii) [c,
Φ] la proba-bilit´ e
a priorides param` etres et
iii) l’´evidence [p
M] =
∫ [p
M|c,Φ][c,Φ]dcdΦla probabilit´ e d’observer les donn´ ees moyenn´ ee sur tout l’espace des r´ ealisations possibles des pa- ram` etres. A noter que l’´ equation (5) illustre de mani` ere re- marquablement concise comment le probl` eme inverse (pro- babilit´ e [c,
Φ|pM] d’obtenir la source ´ etant donn´ e les obser- vations) s’exprime en fonction du probl` eme directe (proba- bilit´ e [p
M|c,Φ] de pr´edire les observations ´ etant donn´ ee la source).
a)
VraisemblanceEn vertu du th´ eor` eme de la limite centrale appliqu´ e ` a la
transformation de Fourier, la vraisemblance tend asymptoti- quement vers une distribution normale centr´ ee de matrice de covariance β
2Ω
N=
E{nnH}avec Ω
Nune matrice de struc- ture connue (bruit spatialement blanc, bruit isoptropique, etc.) telle que trace
{Ω
N}= M et o` u β
2est la puissance moyenne inconnue du bruit.
b)
Distribution a prioriLa distribution
a priorides param` etres se d´ eduit de l’apriori que l’exp´ erimentateur poss` ede sur la distribution source.
Dans la plupart des cas, celui ci pourra se r´ eduire ` a une infor- mation spatiale sur la zone d’o` u est susceptible de provenir (ou de ne pas provenir) le champ acoustique mesur´ e, ainsi qu’` a une information statistique sur le fait que la corr´ elation spatiale des sources est
a priorinulle (champ stochastique blanc) de mani` ere ` a forcer l’obtention d’une solution avec la r´ esolution spatiale la plus fine possible. Il s’en d´ eduit que la distribution
aprioride ˆ s(r) peut par exemple ˆ etre repr´ esent´ ee par une loi normale, telle que
[c,
Φ]∝1 α
2exp
{ α
−2∫
S
|
∑
P k=1c
kϕ
k(r)|
2σ
−s2(r)dS(r) }
(6) o` u α
2σ
2s(r)δ(r
−r′) =
E{s(r)s
∗(r
′)
}avec σ
s2(r) une fonc- tion d’ouverture spatiale telle que ∫
S
σ
s2(r)dS(r) = 1, α
2est la puissance moyenne inconnue des sources et
El’esp´ erance math´ ematique sur toutes les r´ ealisations possible de la source.
c)
Distribution a posterioriLe probl` eme inverse se r´ esume finalement ` a trouver la dis- tribution
aposterioride toutes les inconnues du probl` eme, soit
J
AP(c,
Φ, β2, α
2) = [c,
Φ, β2, α
2|pM] (7)
∝
exp {
β
−2||pM−∑
P k=1c
k∫
S
ϕ
k(r)G(r)dS(r)
||2ΩN}
×
exp {
α
−2||u||2σ2 s} 1 α
2β
2avec comme convention d’´ ecriture
||x||2A= .
xHA−1xpour le carr´ e de la norme d’un vecteur
xavec la m´ etrique
A−1et
||
u
||2σ2 s= . ∫
S|
u(r)
|2σ
−2s(r)dS(r) pour le carr´ e de la norme d’une fonction u(r) avec la m´ etrique σ
−2s(r). Notons que cette formulation peut encore ˆ etre g´ en´ eralis´ ee en rajoutant des aprioris sur les puissances β
2et α
2dans le cas o` u ceux-ci seraient disponibles.
3.1.2 Maximum aposteriori
Int´ eressons-nous ici ` a l’´ evaluation des param` etres c
ket ϕ
k(r), celle des param` etres β
2et α
2´ etant trait´ ee au para- graphe 3.3.2. Une mani` ere simple d’obtenir des estimations ponctuelles des param` etres est de chercher les valeurs qui maximisent la probabilit´ e (7) de r´ ealisation de ces derniers
´ etant donn´ e l’observation des mesures – estimateurs du maxi- mum
aposteriori(MAP). Ceci conduit ` a un calcul variation- nel dont nous ne donnons pas les d´ etails, mais seulement les r´ esultats. Posons pour cela
σ
2s(r)G(r)
HΩ
−1 2
N
=
∑
M k=1s
kϕ
k(r)U
Hk(8) la d´ ecomposition en valeurs singuli` eres de l’op´ erateur de pro- pagation continu-discret
G(r) 1×Mau travers de l’ouverture σ
2s(r) et blanchi par rapport ` a la matrice de covariance Ω
N(l’op´ erateur est continu ` a gauche par rapport ` a la variable
(r) et discret ` a droite par rapport aux ´ el´ ements d’un vecteur
de dimension M), telle que
s
1≥s
2≥ · · · ≥s
M ≥0
∫
S
ϕ
k(r)ϕ
l(r)
∗σ
−s2(r)dS(r) = δ
klUHkUl
= δ
kl(9)
avec ϕ
k(r) des fonctions scalaires de la variable
rsur S et
Ukdes vecteurs 1
×M . On v´ erifie alors que
1. les fonctions de base spatiales inconnues dans (4) s’identifie avec les fonctions propres de la d´ ecomposition (8) ;
2. elles sont donc orthogonales au sens de (9) et au nombre de P = M ;
3. les coefficients de la combinaison lin´ eaire (4) sont donn´ es par
ˆ
c
k= s
ks
2k+
βα22UHkΩ
−1 2
N pM
(10)
4. d’o` u la distribution source reconstruite ˆ
s(r) =
∑
P k=1s
ks
2k+
βα22ϕ
k(r)U
HkΩ
−1 2
N pM
(11)
`
a mettre en relief avec l’´ equation (3) o` u a
i(r) s’identifie avec le i` eme ´ el´ ement du vecteur ligne s
k/(s
2k+ β
2/α
2)ϕ
k(r)U
HkΩ
−1/2N.
On v´ erifie par ailleurs que ces solutions sont aussi celles qui r´ ealisent le minimum du crit` ere de l’erreur quadratique moyenne
J
EQM(c,
Φ) =E{
||
s
−∑
P k=1c
kϕ
k||2σs2}
(12) sous la contrainte d’avoir les fonctions de base ϕ
k(r) ortho- gonales par rapport ` a la m´ etrique σ
−s2(r) et o` u l’esp´ erance math´ ematique
Eest prise sur toutes les r´ ealisations possible de la source et du bruit de mesure.
Ce r´ esultat est remarquable, car il fournit les fonctions de base optimales – au sens de l’extr´ emisation de deux crit` eres distincts, J
APet J
EQM– sur lesquelles doit ˆ etre d´ evelopp´ ee la distribution source inconnue. Celles-ci sont ind´ ependantes des mesures, ne d´ ependent que de la topologie de la surface source, d’une g´ eom´ etrie d’antenne, de la structure spatiale du bruit de mesure et d’une fonction d’ouverture qui traduit l’apriori spatial sur la localisation des sources. Elles four- nissent une base de d´ ecomposition de dimension minimale
´ egale au nombre de microphones de l’antenne.
3.2 Questions d’interpr´ etation
L’interpr´ etation des fonctions de base spatiales ϕ
k(r) et des valeurs singuli` eres s
kassoci´ ees est ` a la fois physique et probabiliste.
3.2.1 Principe de r´ eciprocit´ e Remarquons que d’apr` es l’´ equation (8),
ϕ
k(r) = σ
2s(r)
∑
M i=1U
kis
kG(r
i|r)∗(13) Etant donn´ e la sym´ etrie de la fonction de Green, ce r´ esulta indique que les fonctions de base optimales se d´ eduisent de la superposition des M champ d’ondes produits par des sources ponctuelles de distributions G(r
|ri) positionn´ ees ` a la place des microphones. Il s’agit d’une illustration du principe de r´ eciprocit´ e.
Il faut remarquer par ailleurs que, en raison de la pond´ eration des fonctions de Green dans l’´ equation (13) par la fonction d’ouverture σ
2s(r), les fonctions de base ϕ
k(r) ne v´ erifient pas en g´ en´ eral l’´ equation des ondes sur S ; elles la v´ erifient cependant approximativement lorsque l’ouverture σ
2s(r) est grande devant les longueurs d’ondes de G(r|r
i), d’o` u une interpr´ etation possible dans ce cas des ϕ
k(r) en termes de fonctions d’ondes.
Enfin, il r´ esulte de l’´ equation (13) que la distribution source reconstruite s’exprime comme une superposition des champs d’ondes tels qu’ils seraient rayonn´ es sur S par des sources ponctuelles positionn´ ees ` a la place des microphones :
ˆ
s(r) = σ
2s(r)
∑
M i=1m
iG(r
i|r)∗(14)
avec m
i= ∑
Mk=1
U
kic
i/s
iqui s’interpr` etent comme des d´ ebits g´ en´ eralis´ es. Il s’agit d’une illustration du principe du retournement temporel (la conjugaison de phase
∗correspon- dant ` a un retournement de l’axe temporel) o` u le probl` eme in- verse s’interpr` ete explicitement comme un rayonnement des microphones vers la source.
3.2.2 Coefficients de rayonnement
Une autre interpr´ etation possible des fonctions de base ϕ
k(r) permet de les identifier avec les distributions source de rayonnement le plus efficace possible sur l’antenne. Soit u(r) une distribution source quelconque dont la puissance est normalis´ ee par rapport ` a la fonction d’ouverture σ
s2(r) de sorte que
||u||2σ2s
= 1. Elle produit aux microphones un vecteur de mesures
pM= s
kΩ
−N1/2Ukdont la puissance est
||pM||2ΩN= s
2k. Il s’ensuit que parmi toutes les distri- butions source possibles, u(r) = ϕ
1(r) (associ´ ee ` a la plus grande valeur singuli` ere s
1) est celle qui maximise la puis- sance rayonn´ ee au travers de la fonction d’ouverture sur l’an- tenne. De mˆ eme, u(r) = ϕ
2(r) est la distribution source, or- thogonale ` a la pr´ ec´ edente au travers de l’ouverture, qui maxi- mise l’´ energie rayonn´ ee sur l’antenne et ainsi de suite. Ce r´ esultat conf` ere aux carr´ es des valeurs singuli` eres s
2kune in- terpr´ etation en tant que “coefficients ´ energ´ etiques de rayon- nement” : les fortes valeurs de s
2kcaract´ erisent des ondes qui se propagent facilement jusqu’` a l’antenne, tandis que les va- leurs proches de z´ ero caract´ erisent un comportement d’ondes
´ evanescentes qui se propagent plus difficilement.
3.2.3 Probabilit´ e de bonne reconstruction L’interpr´ etation physique pr´ ec´ edente sugg` ere la reformu- lation probabiliste suivante : quelle est la distribution source u(r), parmi toutes celles possibles qui produisent une puis- sance constante
||pM||2ΩNsur l’antenne, qui maximise la pro- babilit´ e
Pr {
ˆ
s = u|p
M=
∫
S
G(r)u(r)dS(r)
}
(15) d’ˆ etre correctement reconstruite apr` es l’observation de son rayonnement sur l’antenne ? On montre que la solution est fournie par la fonction d’onde u(r) = ϕ
1(r). De mˆ eme la dis- tribution source, orthogonale ` a ϕ
1(r) au travers de l’ouver- ture, qui maximise le crit` ere (15) est u(r) = ϕ
2(r) et ainsi de suite. On v´ erifie que ce r´ esultat reste valable quelle que soit la puissance β
2du bruit de mesure
n, la probabilit´e maximis´ ee par les ϕ
k(r) ´ etant alors
E{Pr(ˆs = u|p
M= ∫
SGudS
+
n)}avec
El’esp´ erance math´ ematique sur le bruit de mesure.
3.2.4 Variance d’estimation et transfert d’infor- mation
Sur la base des r´ esultats trouv´ es, on v´ erifie que la dis- tribution de probabilit´ e
aposterioride la distribution source [s
|pM] = [c,
Φ|pM] est normale, de moyenne ˆ
ctelle que donn´ ee dans l’´ equation (12) et de matrice de covariance dia- gonale de terme g´ en´ erique 1/(1 + s
2kα
2/β
2). Il s’ensuit que la variance d’estimation du coefficient ˆ c
kest d’autant plus faible que le coefficient de rayonnement s
2kest grand devant le rapport bruit-` a-signal α
2/β
2. Une mani` ere de mesurer la qualit´ e de reconstruction de la distribution source est donc via la variance totale donn´ ee par la trace
P
=
∑
M k=11
1 + s
2kα
2/β
2(16) En particulier, on v´ erifie que le coˆ ut du crit` ere de l’erreur quadratique moyenne (12) lorsque
cet
Φsont remplac´ es par les solutions du paragraphe 3.1.2 devient
J
EQM= C
−M +
P(17) o` u C =
E{||s(r)||2σ2s}
est une constante et M le nombre de microphones. De mani` ere similaire, la quantit´ e d’information en nats (1.443 bits) qu’apportent les mesures
pMr´ ealis´ ees sur l’antenne pour reconstruire la distribution source s’ex- prime ` a partir de l’information mutuelle
I
=
E{
[s,
pM] ln
( [s,
pM] [s][p
M]
)}
=
∑
M k=1ln (
1 + s
2kα
2β
2)
(18) o` u s = (c,
Φ) etEest l’esp´ erance math´ ematique sur toutes les r´ ealisations de la distribution source et des mesures aux microphones. L’information mutuelle
Idonne une mesure du taux de transmission de l’information de l’antenne ` a la surface de r´ etro-propagation S et, par cons´ equent, permet de caract´ eriser le caract` ere plus ou moins bien (ou mal) pos´ e du probl` eme inverse.
Les indicateurs
Pet
Id´ efinis dans ce paragraphe se trouve ˆ etre particuli` erement utiles pour optimiser la concep- tion d’une antenne de microphones (g´ eom´ etrie et positionne- ment) ´ etant donn´ ee une surface source et un apriori spatial sur son rayonnement.
3.3 R´ egularisation
3.3.1 M´ ecanisme de r´ egularisation
C’est une des particularit´ es de l’approche bay´ esienne que de fournir, par construction, un m´ ecanisme de r´ egularisation interne. La solution (11) au probl` eme inverse (6) r´ ealise le meilleur compromis entre l’ajustement aux donn´ ees exp´ erimentales par rapport au carr´ e de la norme
||pM−∑
M k=1c
k∫
S
ϕ
k(r)G(r)dS(r)
||2ΩNet l’obtention d’une solu- tion physiquement admissible par rapport au carr´ e de la norme
||u
||2σ2s
. Ce compromis d´ epend du rapport bruit-` a- signal β
2/α
2. Ceci peut ˆ etre constat´ e ` a plusieurs niveaux.
Dans le cas o` u la distribution source est une fonction d’onde, s(r) = ϕ
k(r), on v´ erifie que sa reconstruction sur la surface de r´ etro-propagation S est
ˆ
s(r) = s
2ks
2k+
βα22ϕ
k(r) (19)
Par cons´ equent, la source sera d’autant mieux reconstruite que son coefficient de rayonnement s
2kest grand devant le
rapport bruit-` a-signal (ˆ s(r)
→s(r)). A l’autre extrˆ eme, les ondes ´ evanescentes qui n’atteignent pas l’antenne (s
2k= 0) ou l’atteignent avec une amplitude faible devant l’´ ecart-type du bruit de fond (β
2≪α
2) ne seront pas reconstruites (ˆ s(r)
→0) [1].
Dans le cas plus g´ en´ eral o` u la distribution source se d´ eveloppe selon l’expression (4), on v´ erifie que les coefficients estim´ es sont reli´ es aux coefficients r´ eels selon
ˆ
c
k= s
2ks
2k+
βα22c
k(20)
ce qui permet de g´ en´ eraliser l’interpr´ etation pr´ ec´ edente ` a chaque composante ϕ
k(r) du spectre de la source.
3.3.2 R´ eglage du param` etre de r´ egularisation Dans les approches classiques le r´ eglage du param` etre de r´ egularisation proc` ede selon diverses approches ad hoc. Le cadre bay´ esien offre une solution optimale et unifi´ ee dans le sens o` u le param` etre de r´ egularisation peut ˆ etre estim´ e ` a par- tir de la mˆ eme fonctionnelle de coˆ ut (7). Il est int´ eressant de constater que, contrairement ` a la m´ ethode de la courbe en L ou de la validation crois´ ee, le r´ eglage du rapport λ
2= β
2/α
2n´ ecessite ici l’estimation de deux param` etres : la puissance moyenne des sources α
2et la puissance moyenne du bruit de mesure β
2. Ceci peut se faire selon diff´ erentes strat´ egies.
a)
MAP conjointIl s’agit de trouver les valeurs de α
2et β
2qui maximisent la fonctionnelle [c,
Φ, β2, α
2|pM] de l’´ equation (7) dans la- quelle
cet
Φsont substitu´ es par les estimateurs MAP du paragraphe 3.1.2. Ceci conduit ` a minimiser la fonctionnelle
J
1(α
2, β
2) = M ln β
2+ M ln α
2+
∑
M k=1|yk|2
α
2s
2k+ β
2(21) o` u y
kest le k` eme ´ el´ ement du vecteur ligne
pHMΩ
1 2 NU.
b)
MAP marginalis´eUne autre approche consiste ` a maximiser la probabilit´ e de r´ ealisation des param` etres α
2et β
2´ etant donn´ e l’observation des mesures aux microphones, soit
[β
2, α
2|pM] =
∫
[β
2, α
2|pM][c,
Φ]dcdΦ(22) Deux choix possibles s’offrent pour la distribution conjointe [c,
Φ] des param`etres
cet
Φ. Soit la distribution aprioridu paragraphe 3.1.1 qui force la reconstruction d’une distri- bution source la plus spatialement d´ ecorr´ el´ ee possible, soit la distribution
aposteriori(en fait [c,
Φ|pM]) de l’´ equation (5) qui force la reconstruction d’une distribution source plus structur´ ee. Le premier choix donne lieu ` a la minimisation du crit` ere
J
2(α
2, β
2) = M ln β
2+
I+
∑
M k=1|
y
k|2α
2s
2k+ β
2(23) avec
Il’information mutuelle (18), et le second ` a la minimi- sation du crit` ere
J
3(α
2, β
2) = M ln β
2+
I+
∑
M k=1ln (
1 + 2s
2kα
2β
2)
+
∑
M k=1α
2|y
k|2(α
2s
2k+ β
2) (2α
2s
2k+ β
2) (24) c)
Estimation empiriqueLorsque la matrice de covariance β
2Ω
Ndu bruit sur l’an-
tenne est connue ou peut ˆ etre mesur´ ee et sous l’hypoth` ese
d’une distribution source spatialement blanche, le param` etre de r´ egularisation peut ˆ etre estim´ e selon l’expression
β
2α
2=
∑
M k=1s
2kM
·RSB (25)
o` u RSB =
||pM||2β2ΩN −1 est le rapport signal-` a-bruit sur l’antenne. Cette valeur empirique peut servir ` a initialiser la minimisation des crit` eres J
1, J
2et J
3.
Nous pensons que le fait d’avoir trois nouveaux crit` eres en plus des crit` eres classiques comme la courbe en L et la validation crois´ ee [5] est un avantage d´ eterminant de l’ap- proche bay´ esienne dans la r´ esolution, souvent d´ elicate, du r´ eglage du param` etre de r´ egularisation.
4 Focalisation bay´ esienne
4.1 M´ ecanisme de super-r´ esolution
Le rˆ ole de l’apriori dans la formulation bay´ esienne du probl` eme acoustique inverse ne se limite pas seulement ` a fou- nir un m´ ecanisme de r´ egularisation interne. Il permet aussi, et c’est l` a un autre r´ esultat majeur de l’approche propos´ ee, d’atteindre une super-r´ esolution spatiale.
Afin de s’en rendre compte, consid´ erons le cas particu- lier d’une distribution source spatialement blanche dans une largeur de bande B (fr´ equences spatiales) suppos´ ee finie. La puissance de la distribution au travers de l’ouverture σ
s2(r) est
E{||s||2σ2
s} ≈
B
2A
s(26)
o` u A
srepr´ esente l’aire du domaine de la surface S o` u la fonc- tion d’ouverture σ
s2(r) est non-nulle. On v´ erifie par ailleurs que la puissance de la distribution reconstruite est
E{||
s ˆ
||2σ2s}=
P(27) avec
Pla variance totale d´ efinie dans l’´ equation (16). Puisque
Pest homog` ene en unit´ es ` a B
2A
s(voir aussi l’´ equation (17)), il s’ensuit que la r´ esolution surfacique de la distribution re- construite est de l’ordre de A
s/P. Le minimum atteint en l’absence de bruit de mesure (
P= M ) est de l’ordre de l’aire d’ouverture A
sdivis´ ee par le nombre de degr´ es de li- bert´ e M apport´ es par les microphones. Il s’en d´ eduit qu’un r´ etr´ ecissement de l’ouverture σ
2s(r) va dans le sens d’un affi- nement de la r´ esolution spatiale.
Intuitivement, ce r´ esultat peut aussi se comprendre par le fait qu’un r´ etr´ ecissement de l’ouverture σ
s2(r) entraˆıne une focalisation des ondes sur la surface de reconstruction S lors la r´ etro-propagation des mesures comme indiqu´ e dans l’´ equation (14), la fonction d’ouverture σ
2s(r) jouant le rˆ ole d’une “lentille” dans l’inversion. Collat´ eralement, le trans- fert d’information
Is’en trouve accru, ce qui se traduit d’apr` es l’´ equation (18) par une augmentation des coefficients
´ energ´ etiques de rayonnement s
2ket, d’une mani` ere g´ en´ erale, par une am´ elioration de la qualit´ e de l’inversion (capacit´ e ` a mieux reconstruire les ondes ´ evanescentes d’apr` es (19) et ` a diminuer les variances d’estimation d’apr` es (16)).
4.2 Lien avec la formation de voie
Il est int´ eressant de constater que la m´ ethode inverse pro- pos´ ee accepte la formation de voie comme cas limite lorsque l’aire d’ouverture tend vers z´ ero, σ
2s(r) = δ(r
−r0), que l’an- tenne se situe en champ lointain ` a la distance R de la sur- face source et que le bruit de mesure est spatialement blanc (Ω
N=
I). Sous ces hypoth`ese, il vient
ˆ
s(r) = δ(r
−r0) 4πR M +
βα22(4πR)
2∑
M i=1p
M(r
i)e
−ik||ri−r0||(28)
la source ´ etant cherch´ ee sous la forme d’un monopole dont le d´ ebit est estim´ e par projection des pressions sur les fonctions d’ondes exp
{ik
||ri−r0||}, sph´ eriques ou plane selon le degr´ es d’approximation en champ lointain.
5 Aspects pratiques
La d´ ecomposition en valeurs singuli` eres (8) et la recons- truction (11) de la distribution source qui en r´ esulte peuvent ˆ etre calcul´ ees assez simplement de la mani` ere suivante :
1. calculer les corr´ elations spatiales C
ij=
∫
S
G(r
i|r)G(rj|r)∗σ
2s(r)dS(r) (29) 2. calculer la d´ ecomposition en valeurs propres
Ω
−N1/2CΩ−N1/2=
∑
M k=1s
2kUkUHk(30) avec
Cla matrice M
×M construite ` a l’´ etape pr´ ec´ edente,
3. ´ evaluer l’´ equation (14).
La principale charge de calcul se situe au niveau des int´ egrales C
ijqui doivent ˆ etre ´ evalu´ ees num´ eriquement. On prendra avantageusement en compte le fait que la fonction d’ouverture σ
s2(r) permet de restreindre ce calcul ` a une sur- face d’aire limit´ ee (contrairement ` a d’autres m´ ethodes, par exemple bas´ ees sur les ondes planes, qui impliquent une sur- face d’int´ egration th´ eoriquement infinie). Enfin, il faut insis- ter sur le fait que la reconstruction de la distribution source ne n´ ecessite pas le calcul explicite des fonctions de base spa- tiales ϕ
k(r) ce qui constitue une ´ economie substantielle d’al- location m´ emoire par rapport ` a d’autre m´ ethodes o` u la pro- jection sur une base de fonctions pr´ ed´ etermin´ ee se r´ ealise explicitement.
5.1 R´ esultats de simulation
Ce paragraphe pr´ esente quelques r´ esultats de simulation pour la reconstruction de deux sources ponctuelles espac´ ees de 10
√2
≃14 cm ` a diff´ erentes fr´ equences de travail et ` a diff´ erentes distances de la surface source. L’antenne est plane et circulaire, d’un rayon de 1 m, compos´ ee de 84 microphones r´ epartis al´ eatoirement, et positionn´ ee parall` element au plan qui contient les sources ` a une distance z de ce dernier. Un bruit gaussien spatialement blanc est ajout´ e sur les mesures avec un rapport signal-` a-bruit de 30dB. Les cas extrˆ emes suivants sont ´ etudi´ es : reconstruction ` a z = 10 cm et z = 1 m et aux fr´ equences f = 100 Hz et f = 5 kHz. La fonction d’ouverture utilis´ ee est une fonction de Hanning ` a sym´ etrie axiale dont le rayon du support est not´ e R. Les reconstruc- tions sont syst´ ematiquement compar´ ees avec une m´ ethode d’holographie acoustique en champ proche bas´ ee sur une d´ ecomposition en ondes planes (not´ ee NAH-OP) [2][6] et avec la formation de voie en ondes sph´ eriques (not´ ee FV).
La figure 1 pr´ esente les r´ esultats de reconstruction (mo- dule de la distribution source) dans le cas z = 10 cm, f = 100 Hz, R = 50 cm et 20 cm, c’est-` a-dire en champ proche et en basses-fr´ equences. Il s’agit, comme on peut le constater, du domaine d’applicabilit´ e de NAH-OP, mais pas de FV. La fo- calisation bay´ esienne avec R = 50 cm donne un r´ esultat com- parable ` a NAH-OP. Avec R = 20 cm la r´ esolution s’en trouve encore am´ elior´ ee et les amplitudes estim´ ees des sources sont plus proches des valeurs r´ eelles.
La figure 2 pr´ esente les r´ esultats relatifs ` a la mˆ eme
fr´ equence f = 100 Hz, mais ` a une distance z = 1 m de
l’antenne qui sort du domaine d’applicabilit´ e de NAH-OP.
Avec R = 50 cm, la focalisation bay´ esienne ne parvient pas
`
a distinguer les deux sources. La super-r´ esolution spatiale est forc´ ee avec R = 13 cm qui donne un r´ esulat satisfaisant dans un domaine o` u ` a la fois NAH-OP et FV sont inop´ erantes.
La figure 3 pr´ esente les r´ esultats de reconstruction dans le cas z = 10 cm, f = 5 kHz et R = 50 cm, c’est-` a-dire dans un domaine fr´ equentiel o` u NAH-OP devient instable, mais o` u FV offre une tr` es bonne r´ esolution spatiale. On v´ erifie que la focalisation bay´ esienne donne des r´ esultats comparables ` a FV, mais avec en plus une reconstruction des amplitudes en absolue, ce que la formation de voie qui est essentiellement une m´ ethode de localisation n’est pas capable de faire.
Enfin la figure 3 pr´ esente les r´ esultats de reconstruction dans le cas z = 1 m, f = 5 kHz, c’est-` a-dire en champ lointain et en hautes-fr´ equences. Ici encore la focalisation bay´ esienne pr´ esente des r´ esultats comparables ` a FV, avec cependant une estimation des amplitudes des sources qui s’am´ eliore en fer- mant progressivement la surface d’ouverture (R = 50 cm et et R = 20 cm).
-0.5 0 0.5
0 0.5
20 40 60 80 100
0 0
20 40 60
z = 10cm, f = 100Hz, R = 50cm + 20cm
50 100 150 200
-0.5 -0.5 0.5
0.5
-0.5 0
0
-0.5 0.5
0.5
-0.5
0 0
-0.2 0.2
0.2
-0.2
FOC NAH-OP FV
FOC
Figure 1 – z = 10 cm, f = 100 Hz, R = 50 cm et 20 cm.
z = 1m, f = 100Hz, R = 50cm + 13cm
10 20 30 40
0.5 1 1.5 2 2.5 3
50 100 150 200
0 0
-0.5 0.5
0.5
-0.5 0
0
-0.5 0.5
0.5
0 -0.5 0
-0.5 0.5
0.5
-0.5
0 0
-0.1 0.1
0.1
-0.1
FOC NAH-OP FV
FOC
Figure 2 – z = 1 m, f = 100 Hz, R = 50 cm et 13 cm.
50 100 150
10 20 30 40 50 60
-0.5 0 0.5
0 0.5
-0.5 -0.5 0 0.5
0 0.5
-0.5 -0.5 0 0.5
0 0.5
-0.5
z = 10cm, f = 5000Hz, R = 50cm
FOC NAH-OP FV
Figure 3 – z = 1 m, f = 5 kHz, R = 50 cm.
R´ ef´ erences
[1] Williams E.G., “Fourier Acoustics : Sound Radiation And Nearfield Acoustical Holography”, Academic Press (1999).
[2] Steiner R., Hald J., “Near-Field Acoustical Holography Without the Errors and Limitations Caused by the Use of Spatial DFT”,
Int. J. Acoust. Vib.6, 83-89 (2001).
50 100 150
10 20 30 40
100 200 300 400
-0.5 0 0.5
0 0.5
-0.5
-0.5 0 0.5
0 0.5
-0.5
-0.5 0 0.5
0 0.5
-0.5
-0.2 0 0.2
0 0.2
-0.2
z = 1m, f = 5000Hz, R = 50cm + 20cm
FOC NAH-OP FV
FOC
Figure 4 – z = 1 m, f = 5 kHz, R = 50 cm et 20 cm.
[3] Wu S.F., “On reconstruction of acoustic pressure fields using the Helmholtz equation least squares method”,
J.Acoust. Soc. Am.
107 (5), 2511-2522 (2000).
[4] Cho Y.T., Bolton J.S. and Hald J., “Source Visualiza- tion by using Statistically Optimized Near-Field Acous- tical Holography in Cylindrical Coordinates”,
J. Acoust.Soc. Am.
118 (4), 2355-2364 (2005).
[5] Leccl` ere Q. “Acoustic Imaging using Under-Determined Inverse Approaches : Frequency Limitations and Opti- mal Regularization”,
J. Sound Vib.321, 605-619 (2008).
[6] Hald J. “Basic theory and properties of statistically optimized near-field acoustical holography”,
J. Acoust.Soc. Am.