L'estimation spectrale regroupe toutes les techniques d'estimation de la densité spectrale de puissance (DSP). Les méthodes d'estimation spectrale paramétriques utilisent un modèle pour obtenir une estimation du spectre. Ces modèles reposent sur une connaissance a priori du processus et peuvent être classées en trois grandes catégories : Modèles autorégressif (AR) Modèles à moyenne ajustée (MA) Modèles autorégressif à moyenne ajustée (ARMA). L'approche paramétrique se décompose en trois étapes : Choisir un modèle décrivant le processus de manière appropriée. Estimer les paramètres du modèle à partir de données disponibles. Estimer le spectre à partir des paramètres du modèle. Processus autorégressif Un processus autorégressif est semblable à la fonction de transfert d'un filtre à réponse impulsionnelle infinie, en ce sens où la sortie dépend de ses états précédents. Ces méthodes d'estimation spectrale dites classiques ou non-paramétriques sont toutes basées sur le périodogramme, voici le raisonnement qui mène à celui-ci. En considérant un processus discret x(n) aléatoire stationnaire du second ordre, on écrit sa fonction d'autocorrélation : D'après le théorème de Wiener-Khintchine, la densité spectrale de puissance est la transformée de Fourier de l'autocorrélation : Estimer la densité spectrale de puissance revient à estimer l'autocorrélation du signal. De manière rigoureuse, l'autocorrélation s'écrit : En pratique, obtenir un signal sur une durée infinie et l'acquérir sans bruit est impossible. Ainsi, on calcule l'autocorrélation sur un intervalle connu : En prenant la transformée de Fourier de cette approximation, on obtient le périodogramme : Le périodogramme permet une estimation simple de la densité spectrale de puissance en prenant le carré de la transformée de Fourier. Il a été introduit par Arthur Schuster en 1898. N représente le nombre d'échantillons fixés ω représente la pulsation Le périodogramme est un estimateur biaisé de la densité spectrale de puissance.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (28)
MATH-342: Time series
A first course in statistical time series analysis and applications.
COM-500: Statistical signal and data processing through applications
Building up on the basic concepts of sampling, filtering and Fourier transforms, we address stochastic modeling, spectral analysis, estimation and prediction, classification, and adaptive filtering, w
EE-512: Applied biomedical signal processing
The goal of this course is twofold: (1) to introduce physiological basis, signal acquisition solutions (sensors) and state-of-the-art signal processing techniques, and (2) to propose concrete examples
Afficher plus
Concepts associés (21)
Matched filter
In signal processing, a matched filter is obtained by correlating a known delayed signal, or template, with an unknown signal to detect the presence of the template in the unknown signal. This is equivalent to convolving the unknown signal with a conjugated time-reversed version of the template. The matched filter is the optimal linear filter for maximizing the signal-to-noise ratio (SNR) in the presence of additive stochastic noise.
Least-squares spectral analysis
Least-squares spectral analysis (LSSA) is a method of estimating a frequency spectrum based on a least-squares fit of sinusoids to data samples, similar to Fourier analysis. Fourier analysis, the most used spectral method in science, generally boosts long-periodic noise in the long and gapped records; LSSA mitigates such problems. Unlike in Fourier analysis, data need not be equally spaced to use LSSA.
Spectrogramme
Le spectrogramme est un diagramme représentant le spectre d'un phénomène périodique, associant à chaque fréquence une intensité ou une puissance. L'échelle des fréquences et celle des puissances ou intensités peuvent être linéaires ou logarithmiques. Le spectre d’émission d’une espèce chimique est l’intensité d’émission de ladite espèce à différentes longueurs d’onde quand elle retourne à des niveaux d’énergie inférieurs. Il est en général centré sur plusieurs pics.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.