1 / 55

Filtrage des mesures gradiométriques

Filtrage des mesures gradiométriques. Gilles Métris CERGA Observatoire de la Côte d’Azur. Filtrage. Opération consistant à extraire d ’un signal observé, le signal utile pour l ’observateur. Généralité sur les variables aléatoires. Espérance d ’une variable aléatoire: Moments :

zev
Download Presentation

Filtrage des mesures gradiométriques

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

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

More Related