En estimation spectrale, la méthode de Welch fournit un estimateur consistant de la densité spectrale de puissance.
Cette méthode a été proposée par Peter D. Welch en 1967. Le biais de l'estimation est diminué en moyennant temporellement. Elle est à comparer à la méthode de Bartlett où on utilise les propriétés d'ergodicité du signal avec des moyennes statistiques. La méthode de Welch, comme la méthode de Bartlett, utilise une estimation du spectre du périodogramme ; dans les deux cas, on réduit le bruit aux dépens de la résolution en fréquence.
La méthode de Welch s’apparente à la méthode de Bartlett, mais avec deux différences :
L’intervalle des M points du signal est découpé en segments qui se recouvrent partiellement : le segment original est divisé en K segments de longueur N, qui sont décalés deux à deux de D points. Par exemple :
Si D = N / 3, le taux de recouvrement est de 66 %.
Si D = N, le taux de recouvrement est nul, et cette situation correspond à la méthode de Bartlett.
Chacun des K segments est ensuite « fenêtré », ce qui consiste à introduire une pondération temporelle des données. Le fenêtrage permet d’abord d’atténuer le phénomène de Gibbs.
Les fonctions de fenêtrage accordent généralement plus d’importance aux données du centre du segment qu’à celles du bord, ce qui entraîne une perte d'information. Le recouvrement des segments permet de réduire cet effet.
Le fenêtrage de la méthode de Welch génère ce qui est appelé un périodogramme modifié.
Une fois les données préparées de cette manière, le périodogramme de chaque segment est défini par les carrés des modules des coefficients de la transformée de Fourier discrète, puis le résultat final est la moyenne arithmétique des périodogrammes individuels. Ce procédé permet de réduire la variance des puissances individuelles. On obtient finalement des puissances en fonction des fréquences.
Découpe du signal en segments se chevauchant partiellement.
Fenêtrage de chaque segment.
Transformée de Fourier de chaque segment.
Moyenne des résultats de chaque segment.
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.
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.
En estimation spectrale, la méthode de Welch fournit un estimateur consistant de la densité spectrale de puissance. Cette méthode a été proposée par Peter D. Welch en 1967. Le biais de l'estimation est diminué en moyennant temporellement. Elle est à comparer à la méthode de Bartlett où on utilise les propriétés d'ergodicité du signal avec des moyennes statistiques. La méthode de Welch, comme la méthode de Bartlett, utilise une estimation du spectre du périodogramme ; dans les deux cas, on réduit le bruit aux dépens de la résolution en fréquence.
En estimation spectrale, la méthode de Bartlett fournit un estimateur consistant de la densité spectrale de puissance. En pratique, obtenir un signal sur une durée infinie et l'acquérir sans bruit est impossible. C'est pourquoi on peut utiliser la fenêtre de Bartlett dans le but de lisser un périodogramme. Cette méthode est utilisée en physique, en ingénierie ainsi qu'en mathématiques appliquées. Les applications courantes de cette méthode sont l'analyse en réponse fréquentielle ainsi que l'analyse spectrale générale.
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
A first course in statistical time series analysis and applications.
Explore les outils de traitement statistique des signaux pour les communications sans fil, y compris l'estimation spectrale et la détection, la classification et le filtrage adaptatif des signaux.
Explore les méthodes d'estimation du spectre paramétrique, y compris les spectres linéaires et lisses, et se penche sur l'analyse de la variabilité de la fréquence cardiaque.
Explore les signaux harmoniques, l'estimation du spectre et les méthodes d'analyse des signaux à l'aide des outils MATLAB.