Filtrage des mesures gradiométriques - PowerPoint PPT Presentation

zev
filtrage des mesures gradiom triques n.
Skip this Video
Loading SlideShow in 5 Seconds..
Filtrage des mesures gradiométriques PowerPoint Presentation
Download Presentation
Filtrage des mesures gradiométriques

play fullscreen
1 / 55
Download Presentation
Filtrage des mesures gradiométriques
161 Views
Download Presentation

Filtrage des mesures gradiométriques

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. Filtrage des mesures gradiométriques Gilles Métris CERGA Observatoire de la Côte d’Azur

  2. Filtrage Opération consistant à extraire d ’un signal observé, le signal utile pour l ’observateur. Ecole d ’été GRGS

  3. Généralité sur les variables aléatoires • Espérance d ’une variable aléatoire: • Moments : • Covariance de deux VA :Coefficient de corrélation :En dimension n :Matrice de covariance Ecole d ’été GRGS

  4. Processus aléatoires • Processus aléatoire (ou stochastique) : génération d’une VA au cours du temps (au sens large) = fonction aléatoire.En discret : séquence de VA • Exemple : • Résultat d’un lancé de dès = variable aléatoire • Succession de lancés de dès = processus stochastique • Les moments sont maintenant une fonction du temps : • Covariance mutuelle : Ecole d ’été GRGS

  5. Stationnarité - Ergodicité • Stationnarité : • Un processus aléatoire est stationnaire si tous ses moments sont indépendants de l’origine du temps. • Stationnarité d’ordre 2 (ou faible) : la moyenne ne dépend pas du temps et la covariance ne dépend que de la différence entre les deux arguments Þ fonction d ’autocorrélation: • Ergodisme : un processus est ergodique si on peut remplacer les sommes sur des ensembles par des sommes temporelles.Ex : au lieu de lancer N dés, on lance N fois successivement le même dés.Ergodisme en moyenne : Ecole d ’été GRGS

  6. Densité spectrale de puissanceBruit blanc - bruit coloré • Densité spectrale de puissance (DSP) : c’est la transformée de Fourier de la fonction d’autocorrélation :La DSP décrit la répartition de la puissance s2 suivant les fréquences. • Cas d’un processus non corrélé :La DSP est la même à toutes les fréquences : on a un bruit blanc.Inversement, si la DSP varie avec la fréquence (bruit coloré), le processus est corrélé. Ecole d ’été GRGS

  7. GOCE : densité spectrale de bruit du gradiomètre (200 s) (10 s) Spécification initiale : 3 mE/Hz entre 0.005 et 0.1 Hz Performances prédites (à partir d ’analyses et de tests)

  8. Exemple d’un gradiomètre La structure de l’équation d’observation est : Bruit Biais Bras du gradiomètre Matrice instrumentale Tenseur d’inertie Tenseur gradient de gravité = combinaison linéaire des coefficients du champ de gravité que l’on veut déterminer. Ecole d ’été GRGS

  9. Gradiomètre (suite) Þ Equations d’observations linéaires classiques : [M] = Vecteur des observations [X] = Vecteur des paramètres à déterminer (gravité…) [h] = Matrice de configuration [B] = Bruit (supposé centré et stationnaire d’ordre 2) [P]T[P] = Matrice de pondération Þ Solution classique (MC) = minimise erreur sur les observation Pondération Ecole d ’été GRGS

  10. Choix de la pondération Matrice [P] qui minimise la variance sur l’estimation de [X] : [Rb] = Matrice de covariance Il faut donc : • Evaluer la fonction d’autocorrélation, • En déduire la matrice de covariance et l’inverser. Ecole d ’été GRGS

  11. Fonction d’autocorrélation • Par définition, la densité spectrale de puissance (DSP) est la TF de la fonction d’autocorrélation. • Inversement, connaissant la DSP (PSD en anglais), on peut en principe calculer la la fonction d’autocorrélation par TF inverse… • … mais : • la DSP à priori reste un modèle et est difficile à quantifier avec grande précision (les instruments ne peuvent être testés complètement au sol) • si la dynamique de bruit est très grande, une petite erreur relative de modèle dans une zone de bruit important peut dégrader nettement la restitution. Ecole d ’été GRGS

  12. Inversion de la matrice de covariance • En l’absence d’hypothèses (trop) restrictives, c’est une matrice carrée, pleine, de grande taille (autant que le nombre d’observations) • C’est une matrice de Toeplitz symétrique (Rij =Rji =Ri-j) qui offre des algorithmes particuliers d’inversion (ou de décomposition). • Le calcul est toujours lourd (si pas impraticable) dans le cas de plusieurs centaines de milliers d’observations. Ecole d ’été GRGS

  13. Bilan : • L’utilisation d’une matrice de pondération non diagonale dans l’espoir d’obtenir un estimateur à variance minimale en présence de bruit coloré représente un gros effort calculatoire pour une optimisation incertaine. • Il est plus efficace d’effectuer un prétraitement sur le signal pour pouvoir ensuite appliquer une inversion par MC non pondérés (ou avec une pondération diagonale). Ecole d ’été GRGS

  14. Principe Au lieu de considérer les équations d’observations pour différentes dates :On peut travailler en fréquentiel et considérer les équations d’observation pour différentes fréquences : Ecole d ’été GRGS

  15. Avantages : • On obtient un bruit non corrélé (propriété de la TF) • Connaissant la DSP, la pondération (diagonale) est directe. • Inconvénient : la projection en fréquentiel est toujours délicate. • Quelles raies de projection choisir ? • Celles prévues par une théorie linéaire du satellite ? • Gros risque de perdre de l’information. • Appliquer la FFT en utilisant toutes les raies (pas de perte d’information) ? Ecole d ’été GRGS

  16. Simplification supplémentaire • Utiliser seulement le domaine fréquentiel sur lequel la DSP peut être considérée comme uniforme • Cela revient à appliquer un filtre passe bande : • Avantage : ce filtre (classique) peut-être appliqué directement en temporel Ecole d ’été GRGS

  17. GOCE : densité spectrale de bruit du gradiomètre (200 s) (10 s) Spécification initiale : 3 mE/Hz entre 0.005 et 0.1 Hz Performances prédites (à partir d ’analyses et de tests)

  18. Stratégie • Choisir un filtre passe-bande, • Appliquer ce filtre (en temporel) • Aux observations, • Aux dérivées partielles (matrice de configuration)Þ Signaux ne comprenant que les fréquences « utilisables » Il est indispensable d ’appliquer le même filtre aux observations et aux dérivées partielles pour obtenir les mêmes « distorsions » • Appliquer les MC aux signaux filtrés. Ecole d ’été GRGS

  19. Caractéristiques du filtre • Contraintes fortes : • Passe bande, • Très forte atténuation loin de la bande passante (le bruit devient très fort). • Contraintes faibles :Grâce au fait que l’on applique le même filtre aux observations et aux dérivées partielles, on peu admettre • Un gain un peu différent de 1 dans la bande passante, • Une transition pas spécialement raide, • Un déphasage à peu près quelconque. Ecole d ’été GRGS

  20. Ecole d ’été GRGS

  21. Filtres numériques • Filtre = Système Linéaire Invariant (SLI) • Système linéaire : Le signal en sortie du système est obtenu à partir du signal d entrée par un opérateur linéaire. Exemple : La transformée de fourier est un SL • Système invariant : La transformation effectuée par le système est indépendante de l’origine temporelle (sauf phase transitoire) Ecole d ’été GRGS

  22. Représentation des filtres numériques • Filtre numérique = discret (par opposition à filtre analogique = continu) • Discrétisation = échantillonnage à pas fixe TeÞ Fréquence d ’échantillonnage fe • Notation : • Filtrage linéaire : • Le système est en général dynamique : y[k0] est fonction de x à la date k0 mais aussi à d’autres dates k Ecole d ’été GRGS

  23. Réponse impulsionnelle C’est la réponse du filtre à une impulsion : h = réponse impulsionnelle ou séquence de pondération. Ecole d ’été GRGS

  24. Relation de convolution • Problème : • entrée x[k] (k = variable et non pas une date fixée) • sortie y[k0] (k0 = date fixée) ? Ecole d ’été GRGS

  25. Systèmes IIR et FIR Réalisation ? Stabilité ? Exemple : Ecole d ’été GRGS

  26. Filtres réalisables • Un filtre FIR est toujours réalisable car il demande un nombre fini d’opérations. • Un filtre IIR numérique n’est pas pas réalisable en appliquant directement la relation de convolution qui demande un nombre infini d’opérations. • A une date k, on peut utiliser : • un nombre fini d’entrées antérieures (système causal), • un nombre fini de sorties strictement antérieures Þ filtre causalle plus général réalisable : Equation aux différences d’ordre I Ecole d ’été GRGS

  27. Relation entre RI et équation aux différences Ainsi l’ensemble des filtres réalisables est restreint par cette récurrence sur la RI. Ecole d ’été GRGS

  28. Exemple Ecole d ’été GRGS

  29. Fonctions propres d’un filtre • La réponse est proportionnelle à l’entrée • zk est une fonction propre du filtre • H(z) est la transmittance (ou fonction de transfert) du filtre Ecole d ’été GRGS

  30. Réponse en fréquence Des fonctions propres particulières sont les fonctions harmoniques Ecole d ’été GRGS

  31. Transformée en Z • Par analogie avec la TF discrète la fonction est appelée Transformée en z de x. • C ’est une série de Laurent, convergente sur une couronne centrée sur O : • Ainsi la fonction de transfert est la Transformée en z de la RI. Ecole d ’été GRGS

  32. Propriétés de la TZ • Retard : • Transformation du produit de convolution en produit simple : • Linéarité Ecole d ’été GRGS

  33. Transmittance d’un filtre réalisable • Equation aux différences : • Transformée en Z : La transmittance est une fraction rationnelle de deux polynômes en z-1 (ou en z) • n = ordre du filtre • les racines de N(z) sont les zéros de la transmittance • les racines de D(z) sont les pôles de la transmittance. Ecole d ’été GRGS

  34. Stabilité • Stabilité EBSB : un filtre est stable EBSB si à toute Entrée Bornée correspond une Sortie Bornée. • Equation de convolution : • Un FIR est toujours stable (suite finie) • Un IIR peut être instable (suite infinie) • Confirmé par l’étude de la transmittance :Rôle fondamental des 0 et des pôles • m = 0 : non récursif ; FIR ; tous zéros ; MA • n=0 : récursif ; IIR ; tous pôles ; AR • m ¹ 0 et n ¹ 0 : récursif ; IIR ; pôle-zéros ; ARMA Ecole d ’été GRGS

  35. Stabilité d’un filtre causal • Stabilité EBSB : • Filtre causal : Ecole d ’été GRGS

  36. Stabilité d’un filtre causal • Filtre causal stable : • Un filtre causal est stable EBSB si et seulement si tous les pôles de sa transmittance sont strictement à l’intérieur du cercle unité du plan complexe. Cercle unité Instabilité Stabilité Ecole d ’été GRGS

  37. Ám Ám 1 O z1 O z1 1 X p2 X p1 Âe X p1 Âe X p2 X p2* X p1* X p1* X p2* O z1* O z1* Filtre stable Filtre instable Ecole d ’été GRGS

  38. Caractéristiques générales • Les filtres FIR sont les seuls à permettre un déphasage linéaire (par rapport à la fréquence) • Les filtres IIR sont en général plus économiques mais plus sujets à des erreurs numériques, même quand ils sont stables (récursivité) • Un zéro zi de H placé sur le cercle unité correspond à un zéro de transmission de la fréquence ni=Arg(zi). • Un pôle pi de H placé sur le cercle unité correspond à une résonance de transmission de la fréquence ni=Arg(pi). Ecole d ’été GRGS

  39. Exemple : filtre de Butterworth Fonctions de Butterworth : Filtre analogique : Ecole d ’été GRGS

  40. Fonctions de Butterworth Ecole d ’été GRGS

  41. Passage au discret La transformation bilinéaire est la méthode la plus courante pour synthétiser un filtre numérique à partir d’un filtre analogique Fonction de transfert en p Þ Fonction de transfert en z Correspondance entre fréquence numérique et fréquence analogique : Substitution : Ecole d ’été GRGS

  42. Filtre passe bas Þ filtre passe bande wp Þ (wb, wh) Ecole d ’été GRGS

  43. Aspects pratiques Choix du filtre : - fonctions de base: Butterworth, Tchebytcheff, elliptique... - ou filtre spécial (Þ équations de Yule-Walker...) - ordre : ordre augmente Þ @amélioration desperformances en amplitude, @ augmentation du déphasage (en général), @ perte de données au début (phase d’initialisation) @ augmentation du coût en temps de calcul. - ou gabarit. - fréquences de transition : @ le filtre utilise des numéros d'événement, pas le temps Þ utilisation de fréquences normalisées : Ecole d ’été GRGS

  44. Gabarit d’un filtre Ecole d ’été GRGS

  45. Aspects pratiques (suite) Utilisation du filtre : - fonction de transfert - programmation en cellule Elaboration du filtre :logiciels existants Ecole d ’été GRGS

  46. Utilisation de la fonction de transfert Fonction de transfert : Equation aux différences : Programmation récursive (boucle sur k) Initialisation : Ecole d ’été GRGS

  47. Représentation en cellules Il est pratique d’utiliser une factorisation de la fonction de transfert en cellules du second ordre (fournie par les logiciels en général) : Fonction de transfert : Réponse impulsionnelle : Programmation séquentielle des cellules : Ecole d ’été GRGS

  48. Traitement du signal interactif • Directement sur le WEB : • Liste de sites montrants des démos : http://www.ensicaen.ismra.fr/~furon/Liens_Java/_appletsJava.html • Un tableau de bord permettant de visulaiser à la fois les zéros et les pôles, la RI, la réponse en fréquence pour les fitres les plus courants : http://wwwext.enssat.fr:8080/RECHERCHE/ARCHI/Enseignement/Signal/V2/Java_Filtre.html • Conception automatique de filtres, visualisation de leur réponse en fréquence et affichage de la fonction de transfert : http://www.nauticom.net/www/jdtaft/ http://dolphin.wmin.ac.uk/filter_design.html • Logiciels : • MATLAB : logiciel universellement utilsé dans le monde du traitement du signal ; puissant mais onéreux. • SCILAB : logiciel gratuit développé par l’INRIA (http://www-rocq.inria.fr/scilab/)offrant des fonctions intéressantes mais peu convivial. • OCTAVE : une autre alternative gratuite à MATLAB(plus répandue apparemment) : http://www.octave.org/ Ecole d ’été GRGS

  49. Exemples • Construction interactive de filtre sur http://www.nauticom.net/www/jdtaft/iir.htm • Mise en évidence du déphasage • GOCE : Ecole d ’été GRGS

  50. - Le filtre d ’ordre 2 a un gain plus proche de 1... - … mais il déphase plus. - Noter les effets de l’initialisation