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. 2-6 septembre 2002 Ecole d ’été GRGS

Généralité sur les variables aléatoires Espérance d ’une variable aléatoire: Moments : Covariance de deux VA : Coefficient de corrélation : En dimension n : Matrice de covariance 2-6 septembre 2002 Ecole d ’été GRGS

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 : 2-6 septembre 2002 Ecole d ’été GRGS

Stationnarité - Ergodicité 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 : 2-6 septembre 2002 Ecole d ’été GRGS

Densité spectrale de puissance Bruit 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. 2-6 septembre 2002 Ecole d ’été GRGS

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

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. 2-6 septembre 2002 Ecole d ’été GRGS

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 2-6 septembre 2002 Ecole d ’été GRGS

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. 2-6 septembre 2002 Ecole d ’été GRGS

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. 2-6 septembre 2002 Ecole d ’été GRGS

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. 2-6 septembre 2002 Ecole d ’été GRGS

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). 2-6 septembre 2002 Ecole d ’été GRGS

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 : 2-6 septembre 2002 Ecole d ’été GRGS

On obtient un bruit non corrélé (propriété de la TF) 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) ? 2-6 septembre 2002 Ecole d ’été GRGS

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 2-6 septembre 2002 Ecole d ’été GRGS

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

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. 2-6 septembre 2002 Ecole d ’été GRGS

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. 2-6 septembre 2002 Ecole d ’été GRGS

2-6 septembre 2002 Ecole d ’été GRGS

Filtres numériques Filtre = Système Linéaire Invariant (SLI) 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) 2-6 septembre 2002 Ecole d ’été GRGS

Représentation des filtres numériques Filtre numérique = discret (par opposition à filtre analogique = continu) Discrétisation = échantillonnage à pas fixe Te Þ 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 2-6 septembre 2002 Ecole d ’été GRGS

Réponse impulsionnelle C’est la réponse du filtre à une impulsion : h = réponse impulsionnelle ou séquence de pondération. 2-6 septembre 2002 Ecole d ’été GRGS

Relation de convolution Problème : entrée x[k] (k = variable et non pas une date fixée) sortie y[k0] (k0 = date fixée) ? 2-6 septembre 2002 Ecole d ’été GRGS

Systèmes IIR et FIR Exemple : Réalisation ? Stabilité ? 2-6 septembre 2002 Ecole d ’été GRGS

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 causal le plus général réalisable : Equation aux différences d’ordre I 2-6 septembre 2002 Ecole d ’été GRGS

Relation entre RI et équation aux différences Ainsi l’ensemble des filtres réalisables est restreint par cette récurrence sur la RI. 2-6 septembre 2002 Ecole d ’été GRGS

Exemple 2-6 septembre 2002 Ecole d ’été GRGS

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 2-6 septembre 2002 Ecole d ’été GRGS

Réponse en fréquence Des fonctions propres particulières sont les fonctions harmoniques 2-6 septembre 2002 Ecole d ’été GRGS

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. 2-6 septembre 2002 Ecole d ’été GRGS

Propriétés de la TZ Retard : Transformation du produit de convolution en produit simple : Linéarité 2-6 septembre 2002 Ecole d ’été GRGS

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. 2-6 septembre 2002 Ecole d ’été GRGS

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 2-6 septembre 2002 Ecole d ’été GRGS

Stabilité d’un filtre causal Stabilité EBSB : Filtre causal : 2-6 septembre 2002 Ecole d ’été GRGS

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 2-6 septembre 2002 Ecole d ’été GRGS

Âe Ám Âe Ám Filtre stable Filtre instable 2-6 septembre 2002 X p1 X p2* X p1* X p2 Filtre stable O z1* O z1 1 Âe Ám X p1 X p2* X p1* X p2 Filtre instable O z1* O z1 1 2-6 septembre 2002 Ecole d ’été GRGS

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). 2-6 septembre 2002 Ecole d ’été GRGS

Exemple : filtre de Butterworth Fonctions de Butterworth : Filtre analogique : 2-6 septembre 2002 Ecole d ’été GRGS

Fonctions de Butterworth 2-6 septembre 2002 Ecole d ’été GRGS

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 : 2-6 septembre 2002 Ecole d ’été GRGS

Filtre passe bas Þ filtre passe bande wp Þ (wb, wh) 2-6 septembre 2002 Ecole d ’été GRGS

Aspects pratiques Choix du filtre : - fonctions de base : Butterworth, Tchebytcheff, elliptique... - ou filtre spécial (Þ équations de Yule-Walker...) - ordre : ordre augmente Þ @ amélioration des performances 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 : 2-6 septembre 2002 Ecole d ’été GRGS

Gabarit d’un filtre 2-6 septembre 2002 Ecole d ’été GRGS

Aspects pratiques (suite) Utilisation du filtre : - fonction de transfert - programmation en cellule Elaboration du filtre : logiciels existants 2-6 septembre 2002 Ecole d ’été GRGS

Utilisation de la fonction de transfert Equation aux différences : Programmation récursive (boucle sur k) Initialisation : 2-6 septembre 2002 Ecole d ’été GRGS

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 : 2-6 septembre 2002 Ecole d ’été GRGS

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/ 2-6 septembre 2002 Ecole d ’été GRGS

Exemples Construction interactive de filtre sur http://www.nauticom.net/www/jdtaft/iir.htm Mise en évidence du déphasage GOCE : 2-6 septembre 2002 Ecole d ’été GRGS

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

Processus MA, AR, ARMA Ce sont des modèles de processus stochastiques qui reposent sur la transformation d’un bruit blanc par un filtre linéaire. Filtre FIR Þ Modèle à moyenne mobile (MA) Filtre IIR tous pôles Þ Modèle autorégressif (AR) Filtre IIR Þ Modèle autorégressif à moyenne mobile (ARMA) 2-6 septembre 2002 Ecole d ’été GRGS

Filtrage optimal de Wiener Position du problème : On cherche un filtre linéaire w(t) tel que : Filtre optimal Þ minimisation de l’erreur d’estimation Û principe d’orthogonalité Signal observé Signal cherché bruit 2-6 septembre 2002 Ecole d ’été GRGS

La DSP de y peut-être calculée à partir des observations mais on n’a en général pas accès à la DSP mutuelle de x et y…. 2-6 septembre 2002 Ecole d ’été GRGS

… un truc à essayer Calculable si on une idée à priori de la DSP du bruit. 2-6 septembre 2002 Ecole d ’été GRGS

Bibliographie « Processus stochastiques, estimation et prédiction », cours de M. Gevers et L. Vandendorpe, Université catholique de Louvain. Représentation des signaux certains et des systèmes », Dominique Beauvois et Yves Tanguy, Supélec, 01139. « Traitement numérique des signaux certains », Yves Tanguy, Supélec, 01140. « Filtrage analogique et numérique », cours Dept GEII IUT Bordeaux I, G. Couturier. 2-6 septembre 2002 Ecole d ’été GRGS