Le bruit additif blanc gaussien est un modèle élémentaire de bruit utilisé en théorie de l'information pour imiter de nombreux processus aléatoires qui se produisent dans la nature. Les adjectifs indiquent qu'il est :
additif il s'ajoute au bruit intrinsèque du système d'information ;
blanc sa puissance est uniforme sur toute la largeur de bande de fréquences du système, par opposition avec un bruit coloré qui privilégie une bande de fréquences par analogie avec une lumière colorée dans le spectre visible ;
gaussien il a une distribution normale dans le domaine temporel avec une moyenne nulle (voir bruit gaussien).
De nombreuses sources naturelles produisent un bruit à large bande : les vibrations thermiques des atomes (bruit thermique dans les conducteurs, rayonnement de corps noir de la terre et des autres objets chauds, y compris les sources célestes comme le Soleil), bruit de grenaille. Le théorème central limite de la théorie des probabilités indique qu'une somme de nombreux processus stochastiques tend vers une distribution gaussienne (normale).
Le bruit additif blanc gaussien produit des modèles mathématiques relativement simples utiles pour caractériser le comportement du système avant que d'autres phénomènes ne soient considérés. Ces modèles s'appliquent aux canaux de communication à condition que le seul obstacle significatif à la communication soit une interférence linéaire assimilable à un bruit blanc avec une densité spectrale, exprimée en watts par hertz, constante et une distribution gaussienne de l'amplitude. Le modèle ne tient pas compte des atténuations, de la sélectivité du canal en fréquence, des non-linéarités ou de la dispersion.
Le modèle avec bruit additif blanc gaussien convient pour simuler le bruit de fond du canal étudié. Il est suffisant pour beaucoup de liaisons par satellite et spatiales. Pour la plupart des liaisons radio terrestres, il est médiocre à moins d'être complété par des modèles des trajets multiples, des effets de sol, de l'autobrouillage (self-interference).
Catégorie:B
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.
En métrologie, le bruit de mesure est l'ensemble des signaux parasites qui se superposent au signal que l'on cherche à obtenir au moyen d'une mesure d'un phénomène physique. Ces signaux sont une gêne pour la compréhension de l'information que le signal transporte. La métrologie vise donc notamment à connaître leurs origines et à les caractériser, afin de les éliminer et d'obtenir le signal d'origine aussi distinctement que possible. La source du bruit d'origine externe est externe au système physique générant le signal utile et agit par influence sur celui-ci.
En traitement du signal, un bruit gaussien est un bruit dont la densité de probabilité est une distribution gaussienne (loi normale). L'adjectif gaussien fait référence au mathématicien, astronome et physicien allemand Carl Friedrich Gauss. La densité de probabilité d'une variable aléatoire gaussienne est la fonction : où représente le niveau de gris, la valeur de gris moyenne et son écart type. Un cas particulier est le bruit blanc gaussien, dans lequel les valeurs à toute paire de temps sont identiquement distribuées et statistiquement indépendantes (et donc ).
En statistique, la théorie de l'estimation s'intéresse à l'estimation de paramètres à partir de données empiriques mesurées ayant une composante aléatoire. Les paramètres décrivent un phénomène physique sous-jacent tel que sa valeur affecte la distribution des données mesurées. Un estimateur essaie d'approcher les paramètres inconnus à partir des mesures.
The students will learn about the basic principles of wireless communication systems, including transmission and modulation schemes as well as the basic components and algorithms of a wireless receive
We explore statistical physics in both classical and open quantum systems. Additionally, we will cover probabilistic data analysis that is extremely useful in many applications.
We explore statistical physics in both classical and open quantum systems. Additionally, we will cover probabilistic data analysis that is extremely useful in many applications.
Information theory has allowed us to determine the fundamental limit of various communication and algorithmic problems, e.g., the channel coding problem, the compression problem, and the hypothesis testing problem. In this work, we revisit the assumptions ...
We prove global in time well-posedness for perturbations of the 2D stochastic Navier-Stokes equations partial derivative( t)u + u center dot del u = Delta u - del p + sigma + xi, u(0, center dot ) = u(0),div (u) = 0, driven by additive space-time white noi ...
We study the hitting probabilities of the solution to a system of d stochastic heat equations with additive noise subject to Dirichlet boundary conditions. We show that for any bounded Borel set with positive (d-6)\documentclass[12pt]{minimal} \usepackage{ ...