You are on page 1of 40

Notes de cours sur lgalisation aveugle

Jol Le Roux
5 janvier 2004
Table des matires
1 Introduction 3
1.1 Objectif de lgalisation aveugle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Plan du cours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Les premires techniques de dconvolution aveugle 4
2.1 Le forage zro des coefcients de la rponse impulsionnelle de Lucky (zero forcing) . 4
2.2 Le critre de Sato . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Le forage module constant de Godard (CMA constant modulus algorithm) . . . . . . 6
2.3.1 Analyse du critre de Godard . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.4 La formulation de Benveniste et al . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5 Lgalisation nutilisant que les statistiques dordre deux de Tong et al. . . . . . . . . . . . 12
3 Formulation en termes de statistiques dordre suprieur 12
3.1 Formules de base, cumulants . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1 Fonctions caractristiques, moments et cumulants dans le cas dune variable ala-
toire scalaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.2 Fonctions caractristiques, moments et cumulants dans le cas de vecteurs alatoires 14
3.1.3 Relation entre cumulants et moments de v.a. relles . . . . . . . . . . . . . . . . . 14
3.1.4 Quelques proprits des moments et des cumulants . . . . . . . . . . . . . . . . . 15
3.1.5 Cumulant dordre quatre pour des variables alatoires complexes . . . . . . . . . . 16
3.2 Triple corrlation et ltrage linaire, mthode didentication de Giannakis et Mendel . . . 16
3.2.1 Corrlation dordre trois (triple corrlation) . . . . . . . . . . . . . . . . . . . . . 16
3.2.2 Filtrage dune squence i.i.d. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2.3 Support de la corrlation dordre trois dune squence i.i.d. ltre par un ltre
rponse impulsionnelle nie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.2.4 Identication de ltre non minimum de phase (Giannakis et Mendel) . . . . . . . 18
3.3 La maximisation du kurtosis de Shalvi et Weinstein . . . . . . . . . . . . . . . . . . . . . 19
3.3.1 Corrlation dordre quatre des signaux complexes . . . . . . . . . . . . . . . . . . 19
3.3.2 Maximisation du kurtosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.3 Minimisation dun critre en respectant une contrainte . . . . . . . . . . . . . . . 25
4 Interprtation spectrale, spectres dordre trois (bispectre) et dordre quatre (trispectre) 26
4.1 Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.1.1 Stationnarit dans le cas des signaux temps continu . . . . . . . . . . . . . . . . 27
4.1.2 Spectre dordre trois ou bispectre . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1.3 Spectre dordre quatre ou trispectre . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Spectres dordre suprieur, stationnarit et chantillonnage . . . . . . . . . . . . . . . . . 30
4.3 Spectres dordre suprieur et ltrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.1 Spectre dordre trois et ltrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.3.2 Obtention de la triple corrlation par transforme de Fourier inverse du spectre
dordre trois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.3.3 Rsultat du ltrage sur le spectre dordre quatre dune squence i.i.d. . . . . . . . 33
4.3.4 Validation des hypothses sur la gnration du signal tudi . . . . . . . . . . . . 33
4.4 Effet dun retard sur les spectres dordre suprieur des signaux chantillonns . . . . . . . 33
1
2 J. Le Roux
4.4.1 Statistiques dordre quatre et synchronisation . . . . . . . . . . . . . . . . . . . . 35
4.4.2 Statistiques dordre quatre et stationnarit . . . . . . . . . . . . . . . . . . . . . . 35
4.5 Reconstruction dune fonction de transfert dans le domaine des frquences . . . . . . . . . 35
4.6 Les perturbations en imagerie par interfromtrie en astronomie . . . . . . . . . . . . . . 35
4.7 Clture de phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.8 Maximisation du kurtosis dans le domaine des frquences . . . . . . . . . . . . . . . . . . 39
Egalisation 3
E E E
canal de
transmission
h(t)
galiseur
c(t)
signal
mis
signal
reu
message
reconstitu
m(t) x(t) y(t)
canal complet b(t)
Figure 1: Schma de lgalisation
1 Introduction
1.1 Objectif de lgalisation aveugle
Dans un systme de transmission, le milieu o se propage londe porteuse du signal informatif dforme cette
onde et donc le signal utile. Faute dlments de connaissances supplmentaires, on suppose en gnral que
cette dformation est linaire et que ses effets sont toujours les mmes, quil y a (au moins dans une certaine
mesure) stationnarit ou invariance dans le temps. (Nous ne considrons pas le cas de lvanouissement
brusque du signal qui ne vrie pas ce type dhypothses).
Par ailleurs lantenne qui capte le signal lentre du rcepteur capte aussi dautres signaux parasites,
qui seront en gnral considrs en labsence dinformations supplmentaires comme des bruits souvent
supposs blancs et gaussiens. On suppose que le signal capt se prsente sous la forme du rsultat dune
convolution laquelle sadditionne un bruit de mesure v(t), en principe indpendant du signal mis m(t)
x(t) =
q

k=0
h(k)m(t k) +v(t). (1)
Les donnes mises, les caractristiques du canal, les coefcient des ltres seront des nombres complexes;
les problmes de synchronisation et de gnration du signal complexe partir du signal rel modul capt
sont supposs connus et rsolus ; on traitera donc le signal en bande de base valeurs complexe aprs
dmodulation.
Un exemple quon trouve couramment est celui dun cho o le signal capt est la somme du signal
original retard et dune rplique attnue de ce signal elle aussi retarde:
x(t) = am(t ) +a

m(t

), (2)
mais o les retards et

ne sont pas ncessairement des multiples de la priode dchantillonnage.


Dans ce cas, la rponse du canal de transmission (aprs ltrage passe-bas) est
h(t) = a
sin (t )
(t )
+a

sin (t

)
(t

)
. (3)
Ceci se traduit par une interfrence intersymbole (ISI inter symboles interference) et une dtrioration
du diagramme de lil qui peut engendrer des erreurs de transmission. Pour amliorer les performances
du systme de transmission, il faut compenser ces dformations. Cette opration est appele galisation.
On peut rmdier ces dfauts en transmettant une squence connue du rcepteur (squence dapprentissage).
Cette squence est constitue de donnes pseudo-alatoires judicieusement choisies pour que la fonction
dautocorrlation r() de cette squence soit nulle lorsque = 0.
Si on calcule la fonction dintercorrlation entre le signal capt x
0
(t) lorsque cette squence m
0
(t) a
t mise, on obtient la rponse impulsionnelle du canal de transmission. Dans le cas o les caractristiques
du canal de transmission voluent au cours du temps, on peut adapter les coefcients du ltre modlisant le
canal en utilisant des algorithmes rcursifs comme le gradient stochastiques ou les moindres carrs rcursifs.
Jinvite le lecteur se reporter au polycopi Estimation rcursive des paramtres dun modle sur la page
www.essi.fr/ leroux, o on trouvera une prsentation des mthodes de ce type.
Dans ces approches o on suppose que lentre est connue ou du moins correctement estime, on
cherche minimiser la variance de lcart entre le signal aprs galisation y(t) et le signal mis m(t)
E

|y(t) m(t t
0
)|
2

,
4 J. Le Roux
en acceptant un retard dans la reconstruction du signal transmis. Dans la plupart des formulations, ce retard
sera omis, on suppose quon admet la ralisation de ltres non causaux, ce qui est quivalent.
Le signal capt par le rcepteur est x(t). On suppose que ce signal est le rsultat de la convolution de
m(t) par la rponse impulsionnelle dun ltre linaire inconnu (le canal de transmission) h(t). Le signal
transform par lgaliseur sen dduit par la convolution (gure 1)
y(t) =
K

k=K
c(k)x(t k). (4)
Pour corriger les paramtres de lgaliseur c(k), on utilise souvent des algorithmes de type gradient sto-
chastique o on modie c(k) chaque chantillon de manire rduire |y(t) m(t t
0
)|
2
, ce qui se
traduit par
c
t
(k) = c
t1
(k) [c
t1
(k)] x(t k) [y(t) m(t t
0
)] . (5)
Le pas du gradient (c
t1
(k)) peut prendre plusieurs formes plus ou moins complexes et efcaces.
Toutefois il peut tre utile de pallier les dfauts du systme de transmission sans avoir mettre un
signal connu, ou du moins damliorer les performances de lgalisateur en tenant compte de toutes les
donnes reues, aussi bien les donnes connues du rcepteur que les donnes utiles. On dispose pour cela
dune information importante: le signal mis appartient un alphabet ni connu du rcepteur.
Si pour atteindre cet objectif on utilise les statistiques ou les informations spectrales dordre deux (au-
tocorrlation ou densit spectrale du signal capt x(t), on perd linformation de phase sur la rponse en
frquence du canal de transmission. Par exemple, en utilisant les techniques de prdiction linaire, on peut
blanchir le signal x(t) (cest dire rendre constant le module de sa densit spectrale) mais on ne peut pas
contrler la compensation apporte sur la phase. Ainsi la prdiction linaire (cf. techniques numriques
pour le traitement du signal sur la page www.essi.fr/leroux) permet de trouver un modle phase mi-
nimum, alors que le canal de transmission na aucune raison de prsenter cette caractristique. Toutefois
il est utile de commencer lgalisation par cette tape pralable de blanchiment; ceci permet de traiter
indpendemment le module et la phase du modle de la rponse en frquence du canal de transmission.
Nous verrons que les mthodes employes pour effectuer lgalisation se fondent implicitement sur
lutilisation des caractristiques statistiques et spectrales dordre suprieur deux. Ceci nest possible que
parce que le signal de communication prsente des caractristiques statistiques connues, les signaux mis
appartiennnent un ensemble de formes ni (en particulier son moment dordre quatre nest pas celui dune
variable alatoire gaussienne, son kurtosis nest pas nul).
Il existe toutefois une approche propose par Tong, Xu et Kailath, qui permet de raliser une galisation
en se fondant uniquement sur les statistiques dordre deux en utilisant le signal reu par plusieurs capteurs,
la conditions que ces signaux prsentent des diffrences sufsantes. Nous la dcrirons succintement dans
le paragraphe 2.5.
1.2 Plan du cours
Nous tudierons dans le deuxime chapitre les approches les plus souvent cites (Lucky, Sato, Godard,
Benvniste) et considres comme les travaux crateurs fondamentaux en galisation aveugle, en dtaillant
plus particulirement les travaux de Godard et de Benvniste. Ensuite nous tudierons la formalisation
fonde sur la maximisation du kurtosis propose par Shalvi et Weinstein ce qui nous amnera employer
dans le troisime chapitre les outils dvelopps dans le cadre de lanalyse statistique dordre suprieur
deux (HOS, higher order statistics) et les mthodes didentication qui sen dduisent comme celles de
Giannakis et Mendel. Enn, dans un quatrime chapitre nous donnerons linterprtation spectrale de cette
approche fonde sur les statistiques dordre suprieur deux qui est une approche quivalente trouvant des
applications en interfromtrie astronomique (Lohmann et al.)
2 Les premires techniques de dconvolution aveugle
2.1 Le forage zro des coefcients de la rponse impulsionnelle de Lucky (zero
forcing)
Une premire proposition a t faite par R. Lucky des Bell Labs en 1966. Il cherche minimiser la distortion
du signal (ce quon peut interprter comme une ouverture de lil dans le diagramme du mme nom. Si la
Egalisation 5
E E
y(t)
E
c(t) h(t)
x(t) m(t) non-
lin
E '
T
ajust.
des coefs
Figure 2: Schma de lgaliseur de Sato
rponse impulsionnelle du canal aprs galisation est b(t), on cherche trouver les coefcients de lgaliseur
c(t) pour minimiser

t=0
|b(t)|
b(0)
. (6)
Cette approche ne peut tre envisage en pratique car elle est extrmement sensible au bruit.
2.2 Le critre de Sato
Le ltre galiseur produit un signal y(t) (gure 2)
y(t) =
K

k=K
c(k)x(t k) (7)
On applique ensuite une non linarit sans mmoire [y(t)], par exemple une saturation y(t) et on corrige
les coefcients C(k) de manire rduire lcart entre y(t) et [y(t)]). On peut interprter ce critre de la
manire suivante : on connait les caractristiques statistiques du signal mis: cest par exemple un signal
quanti; on ajuste les coefcients de lgaliseur de manire forcer le signal galis prendre des niveaux
quantis suivant cette loi connue. La non-linarit a pour fonction implicite de forcer une caractristique
de la densit de probabilit de y(t) de se rapprocher le plus possible de la mme caractristique portant sur
m(t). Dans le cas des signaux rels, Sato propose de minimiser
E

y
2
(t)

E(m
2
(t))
E(|m(t)|)
E (|y(t)|)
ou plus exactement de minimiser
E (y(t) signe (y(t)))
o le coefcient est ajust pour que lamplitude du signal aprs galisation soit identique celle du signal
mis. La minimisation se fait en appliquant un mthode du type gradient stochastique : on calcule
chaque itration le gradient du critre par rapport aux coefcients c
k
de lgaliseur. Le fait de faire apparaitre
une non-linarit dans le calcul de lerreur minimiser fait intervenir implicitement les statistiques dordre
suprieur deux dans le processus dgalisation. Ce critre sera ensuite prcis et justi dune part par
Godard et dautre part par Benveniste et al.
La minimisation dun critre a en gnral pour consquence une bonne robustesse des algorithme
destimation, toutefois la forme du critre ne garantit pas ncessairement lunicit du minimum: on peut
donc obtenir des solutions tout--fait erronnes dans ce cas.
Remarques : Plusieurs articles font rfrence au travail de Bussgang [2] comme source historique de
cette approche. Mais le lien entre larticle de Bussgang, qui traite des signaux gaussiens, et lgalisation
ne me semble pas direct. Plusieurs articles font une rfrence errone au travail de Sato, quia publi deux
articles diffrents dans le mme numro dune revue ! )
6 J. Le Roux
T
E
Signal sans interfrence intersymboles
Signal avec un terme dinterfrence intersymboles
Figure 3: Effet dune interfrence intersymboles sur une constellation: le motif est dilat, ce qui se
remarque en particulier sur lamplitude qui est moins concentre
2.3 Le forage module constant de Godard (CMAconstant modulus algorithm)
La squence mise considre comme un squence i.i.d. est m(t). Le signal capt par le rcepteur est
x(t) =

n
m(t n)h(n)e
j(t)
+v(t), (8)
o h(t) est la rponse impulsionnelle du canal de transmission suppos linaire, e
j(t)
est un terme alatoire
de uctuation de phase et v(t) un bruit de mesure. La sortie de lgaliseur est
y(t) =

k
c(k)x(t k), (9)
ou bien en fonction de lentre m(t) et du ltre complet (canal plus galiseur, cf gure 1)
y(t) =

k
b(k)m(t k). (10)
Dans cette approche on suppose que les bruits de mesure sont ngligeables ; nous verrons, en utilisant
lanalyse statistique aux ordres suprieurs, que les bruits de mesure gaussiens indpendants du signal mis
nont pas deffet sur les mthodes dgalisation, du moins en thorie. Par construction, le signal mis m(t)
vrie les deux hypothses :

m
2
(t)

= 0, (11)
(le carr qui est complexe de m(t) est une variable alatoire de moyenne nulle).
Lorsque k = 0
E

m(t)m(t k)

= 0. (12)
E

|m(t)|
2

est connu et indpendant de t ainsi que E

|m(t)|
4

. Une forme simplie du critre mini-


miser propos par Godard est
E

|y(t)|
2
r

. (13)
(Godard considre le cas ou lexposant est un entier positif quelconque et non gal 2).
Sil y a une interfrence intersymboles, une constellation sera tale ( variance constante); ce qui se
traduit en termes de probabilit sur la modication des moments dordre suprieur deux.
Lide propose par D. Godard est de rduire cet talement en se xant un gain, par exemple pour
que les constellations mises et reconstitues correspondent des signaux de mme variance. Le choix de
Egalisation 7
ce gain sera discut ultrieurement. Dans le cas dune modulation de phase, on conoit bien, daprs la
gure 3, que le forage module constant de la sortie de lgaliseur annulera ncessairement linterfrence
intersymboles. Lorsque la modulation nest pas une simple modulation de phase, le fait de rapprocher le plus
possible le module de la sortie y(t) dun module constant aura sous certaine hypothses un effet identique.
2.3.1 Analyse du critre de Godard
Pour tudier le critre (13-26), nous aurons besoin des valeurs de E

|y(t)|
4

et E

|y(t)|
2
|m(t)|
2

:
E

|y(t)|
4

= E

k
b(k)m(t k)|
4

, (14)
soit
E

|y(t)|
4

= E

k
b(k)m(t k)

b()m(t )

, (15)
ou encore
E

|y(t)|
4

= E

b(k)b()m(t k)m(t )

, (16)
qui devient
E

|y(t)|
4

= E

b(k)b()m(t k)m(t )b(k

)b(

)m(t k

)m(t

, (17)
et nalement
E

|y(t)|
4

b(k)b()b(k

)b(

)E

m(t k)m(t k

)m(t )m(t

. (18)
Dans le dveloppement de cette somme, tous les termes qui apparaissent comme des produits de moments
dordre impair sont nuls par construction de lensemble des valeurs possibles de m(t). Il ny a de termes
non nuls que lorsque
: k = k

, =

, = k
: k = , k

, k

= k
: k =

, k

= , k

= k
: k = = k

Dans le premier cas, daprs lhypothse (11)


E

m(t k)m(t k

)m(t )m(t

= E (m(t k)m(t k

)) E

m(t )m(t

= 0.
(19)
Dans le deuxime et le troisime cas
E

m(t k)m(t k

)m(t )m(t

= E

|m(t k)|
2

|m(t k

)|
2

. (20)
Dans le quatrime cas
E

m(t k)m(t k

)m(t )m(t

= E

|m(t k)|
4

(21)
On en dduit que
E

|y(t)|
4

= E

|m(t)|
4

k
|b(k)|
4
+2

|m(t)|
2

=k
|b(k)|
2
|b(k

)|
2
, (22)
8 J. Le Roux
quon rcrit
E

|y(t)|
4

= E

|m(t)|
4

k
|b(k)|
4
+2

|m(t)|
2

k
|b(k)|
2

2
2

|m(t)|
2

k
|b(k)|
4
, (23)
soit
E

|y(t)|
4

|m(t)|
4

|m(t)|
2

k
|b(k)|
4
+2

|m(t)|
2

k
|b(k)|
2

2
. (24)
Par ailleurs
E

|y(t)|
2

= E

|m(t)|
2

k
|b(k)|
2

(25)
Le critre minimiser (13) scrit
E

|y(t)|
2
r

= E

|y(t)|
4

2rE

|y(t)|
2

+r
2
(26)
ou bien
E

|y(t)|
2
r

|m(t)|
4

|m(t)|
2

k
|b(k)|
4
+2

|m(t)|
2

k
|b(k)|
2

2
2rE

|m(t)|
2

k
|b(k)|
2

+r
2
(27)
On veut quil y ait un minimum pour
b(0) = 1, (28)
k = 0 : b(k) = 0, (29)
Ceci nous permet dvaluer la constante r: En posant

k
= |b(k)|
2
, (30)
on calcule
E

(|y(t)|
2
r)
2

k
:
E

|y(t)|
2
r

k
=

|m(t)|
4

|m(t)|
2

2
k
+2

|m(t)|
2

2
2

2rE

|m(t)|
2

(31)
Une condition ncessaire dannulation des drives partielles est donc que
r =
E

|m(t)|
4

E (|m(t)|
2
)
. (32)
Egalisation 9
Pour vrier quil y a un minimum du critre (13) lorsque lgalisation est ralise, cest dire pour
b(0) = 1, (33)
k = 0 : b(k) = 0, (34)
on remplae r par sa valeur (32) et on spare dans

k
|b(k)|
2
et

k
|b(k)|
4
le terme fonction de b(0) des
autres
E

|y(t)|
2
r

= E

|m(t)|
4

1 |b(0)|
2

2
+E

|m(t)|
4

k=0
|b(k)|
4

+2

|m(t)|
2

k=0
|b(k)|
2

k=0
|b(k)|
4

|m(t)|
2

2
|b(0)|
2
2E

|m(t)|
4

k=0
|b(k)|
2

+r
2
E

|m(t)|
4

(35)
quon crit en fonction des
k
E

|y(t)|
2

|m(t)|
4

E (|m(t)|
2
)

= E

|m(t)|
4

(1 (0))
2
+E

|m(t)|
4

k=0

2
(k)

+2

|m(t)|
2

k=0
(k)

k=0

2
(k)

|m(t)|
2

2
(0) 2E

|m(t)|
4

k=0
(k)

|m(t)|
4

E (|m(t)|
2
)

2
E

|m(t)|
4

(36)
soit
E

|y(t)|
2

|m(t)|
4

E (|m(t)|
2
)

= E

|m(t)|
4

(1 (0))
2
+E

|m(t)|
4

k=0
(k)
2

+2

|m(t)|
2

k=0
(k)

k
(k)
2

|m(t)|
2

2
(0) 2E

|m(t)|
4

k=0
(k)

|m(t)|
4

E (|m(t)|
2
)

2
E

|m(t)|
4

(37)
10 J. Le Roux
Le point tudi correspond
(0) = 1, (38)
k = 0 : (k) = 0, (39)
Si on fait une petite variation (k) (ncessairement positive) des (k), lorsque k = 0 et (0) partir de ce
point, la variation du critre est, en ne conservant que les termes du premier ordre
= +

|m(t)|
2

2
2E

|m(t)|
4

k =0
(k)

(40)
Ce terme est ncessairement positif condition que
2

|m(t)|
2

2
E

|m(t)|
4

> 0 (41)
qui nest autre quune condition sur le signe du kurtosis de m(t), point qui sera repris dans ltude de
lapproche de Shalvi et Weinstein.
Nous verrons que le critre du module constant est trs semblable au critre de maximisation du kurtosis
de Shalvi et Weinstein. (Les calculs de Godard sont dailleurs similaires aux dveloppements effectus dans
le contexte des statistiques dordre suprieur bien quil ny fasse pas rfrence. Lapproche de Shalvi et
Weinstein parait plus directe et nous tudierons le problme fondamental de lunicit de la solution en nous
fondant sur leur travail.
2.4 La formulation de Benveniste et al
Benveniste et al partent de la remarque suivante, qui se rapproche de lanalyse en composantes indpen-
dantes [4]: on considre deux variables alatoires indpendantes m
1
et m
2
de mme densit de probabilit
p(m) et une autre variable alatoire y combinaison linaire de m
1
et m
2
y = a
1
m
1
+a
2
m
2
. (42)
telle que
a
2
1
+a
2
2
= 1 (43)
de sorte que y ait la mme variance que x
1
et x
2
.
Dans lapplication en galisation, y sera la sortie de lgaliseur (y(t)) ; m
1
et m
2
seront deux chan-
tillons successifs du signal mis (m(t) et m(t1)). Le fait que y(t) soit une combinaison linaire de m(t) et
de m(t 1) traduit une interfrence intersymboles quon cherche liminer. Llimination de linterfrence
intersymboles implique que y(t) doit avoir la mme densit de probabilit p que m
1
et m
2
. On arrive ainsi
la question:
Dans quelle mesure y peut-elle avoir la mme densit de probabilit p
m
que m
1
et m
2
?
La densit de probabilit de y est par construction gale la convolution de la fonction
1
a
1
p(
y
a
1
) par
1
a
2
p(
y
a
2
) car les variables alatoires a
1
m
1
et a
2
m
2
sont des variables indpendantes dont les densits de
probabilits sont
1
a1
p(
m1
a1
) et
1
a2
p(
m2
a2
).
On peut crire la fonction caractristique P
y
(u) de la variable alatoire y
P
y
(u) = P
m
(a
1
u)P
m
(a
2
u) (44)
On veut que cette fonction caractristique soit gale P
m
(u)
P
m
(u) = P
m
(a
1
u)P
m
(a
2
u) (45)
en respectant la contrainte (43).
En dveloppant en srie de type Taylor MacLaurin le logarithme de P
y
(u), on fait apparatre les mo-
ments dordre deux et quatre (nous supposons que la densit de probabilit p(m) est symtrique et donc
que sa moyenne et son moment dordre trois sont nuls)
log(P
y
(u)) =

2
2!
(a
2
1
u
2
+a
2
2
u
2
) +
K
4!
(a
4
1
u
4
+a
4
2
u
4
) +. . . (46)
Egalisation 11
a
1
a
2
a
4
1
+a
4
2
Figure 4: Evolution de a
4
1
+a
4
2
en fonction de a
1
et a
2
Une condition ncessaire dgalit est donc que
K(a
4
1
+a
4
2
) = 0 (47)
Le cumulant dordre 4, K est nul si m est une variable alatoire gausssienne. Dans ce cas il est connu
quune combinaison linaire de variables gaussiennes est une variable gaussienne : on ne pourrait pas
alors effectuer lgalisation; ce qui est tout fait cohrent avec le fait que les statistiques dordre deux
ne permettent pas de retrouver linformation de phase sur un systme linaire, un signal gaussien tant
compltement caractris par ses statistiques dordre deux. Nous cartons ce cas parce que m(t) est une
variable prenant un nombre ni de valeurs et nest donc pas gaussienne.
La condition pour que lidentit (44) soit vrie est
a
4
1
+a
4
2
= 1 (48)
Or cette condition nest vri que si
a
2
1
= 1, a
2
= 0 (49)
ou
a
1
= 0, a
2
2
= 1 (50)
ce quon peut vrier en crivant a
1
= cos et a
2
= sin :
a
4
1
+a
4
2
=
3 + cos 4
4
(51)
Il ny a donc galit que lorsque y(t) nest constitu que dune seule des deux composantes m
1
(t) ou
m
2
(t), cest dire lorsque lgalisation est ralise et donc que le ltre b(k) est le ltre identit. On peut
gnraliser lapproche au cas des cumulants dordre quelconque Toute mthode qui permet dassurer que
la densit de probabilit de la sortie est identique la densit de probabilit de lentre garantira ainsi la
reconstruction du signal original. En particulier le critre de Sato force les rapports de moments
E(y
2
(t))
E(|y(t)|)
et
E(m
2
(t))
E(|m(t)|)
tre aussi proches que possible. Dans lapproche de Benveniste, Goursat et Ruget, on peut envisage dif-
frents critres de similarit entre les densits de probabilit, en particulier la similarit entre les moments
dordre quatre comme le propose en fait Godard, et que nous retrouverons dans la formulation de Shalvi et
Weinstein. Il est aussi envisageable de proposer des fonctions plus appropries.
Analysons plus en dtail le dveloppement du logarithme de la fonction caractristique P

y
(u) (encore
appel seconde fonction caractristique). Si on crit P

y
(u) dans le cas o il a seulement interfrence entre
deux symboles et lorsque la variance de y(t) est gale celle de m(t) (ce qui se traduit par a
2
1
+a
2
2
= 1)
P

y
(u) = P

m
(a
1
u) +P

m
(a
2
u) (52)
Quand lgalisation est ralise on a donc
P

m
(u) = P

m
(a
1
u) +P

m
(a
2
u) (53)
12 J. Le Roux
En dveloppant en fonction des cumulants (que nous dnirons au paragraphe 3.1

2
m
u
2
=
2
m
(a
2
1
+a
2
2
)u
2
(54)
cum
4
u
4
= cum
4
(a
4
1
+a
4
2
)u
4
(55)
cum
6
u
6
= cum
6
(a
6
1
+a
6
2
)u
6
(56)
. . . (57)
identits qui ne peut tre vries dans le cas non gaussien que si un seul des coefcients a
1
et a
2
est non
nul.
Si on trouve une mthode pour forcer lun des cumulants de y(t) tre gal un des cumulants de
m(t), on aura bien ralis lgalisation. On peut aussi envisager de forcer lgalit entre une fonction de ces
diffrents cumulants.
Du point de vue de la robustesse des algorithmes (dans le cas des donnes bruites) et le la facilit
dimplmentation (fonde en gnral sur une mthode de type gradient stochastique), il est prfrable de
dnir un critre qui sera minimum lorsque lgalit est atteinte. Une fois ce critre dni, et aprs stre
assur quil ne prsente pas de mninima locaux. On peut chercher ainsi minimiser une fonction de la
forme
E (f(y)) =

f(y)p
x
(y)dy (58)
la fonction f(y) est norme et choisie pour atteindre son minimum lorsque la densit de probabilit de y
est celle de x. Une fois quon sest assur de la validit de ce minimum, on cherche chaque chantillon
rduire

t
f(y(t)).
2.5 Lgalisation nutilisant que les statistiques dordre deux de Tong et al.
Nous en donnons linterprtation dans le domaine des frquences: On suppose quon mesure les sorties
x
1
(t) et x
2
(t) de deux canaux H
1
(z) et H
2
(z) soumis au mme signal mis m(t). On calcule les corrla-
tions R
11
(z), R
12
(z) et R
22
(z)
R
11
(z) = E

X
1
(z)X
1
(z
1
)

(59)
R
12
(z) = E

X
1
(z)X
2
(z
1
)

(60)
R
22
(z) = E

X
2
(z)X
2
(z
1
)

(61)
On suppose que les deux canaux H
1
(z) et H
2
(z) sont des ltres rponse impulsionnelle nie qui nont
pas de zros communs ; si la squence mise m(t) est une squence i.i.d., R
11
(z), R
12
(z) et R
22
(z) seront
des polynmes (aprs une multiplication par un facteur de la forme z
p
).
On calcule les racines de R
12
(z). Sot z
0
une de ces racines. On cherche savoir si z
0
est racine de
H
1
(z) ou de H
2
(z
1
). Dans le premier cas z
0
est ncessairement racine de R
11
(z). Dans le deuxime cas
z
0
est ncessairement racine de R
22
(z). Le seul cas o on ne peut pas dcider est celui o z
0
est la fois
racine de R
11
(z) et de R
22
(z). Il faut donc carter ce cas correspondant la situation o H
1
(z) et H
2
(z)
ont des racines communes.
La limitation principale de cette approche comme de celle de Giannakis et Mendel que vous verrons au
paragraphe 3.2 est la ncessit de la validit du modle linaire et la connaissance de lordre du modle du
canal. Tandis que le mthodes robustes se fondent sur la minimisation dun critre.
3 Formulation en termes de statistiques dordre suprieur
Pour dvelopper le critre qui est fondamental dans toutes ces approches, la maximisation du kurtosis sous
contrainte, il est ncessaire de dnir les outils dvelopps pour ltude des moments dordre suprieur
deux.
Egalisation 13
E
T
E
T
E
E
T
E
j
B
R
11
(z) R
22
(z)
R
12
(z)
Figure 5: Choix des regroupements de racines dans lidentication conjointe de deux canaux de transmis-
sion qui ne prsentent pasde racines communes
3.1 Formules de base, cumulants
3.1.1 Fonctions caractristiques, moments et cumulants dans le cas dune variable alatoire scalaire
La (premire) fonction caractristique dune variable alatoire est la transforme de Fourier de sa densit
de probabilit
P
x
(u) = E(e
jux
) =

p
x
(x)e
jux
dx (62)
En en calculant le dveloppement en fonction des puissances de u
P
x
(u) = E(e
jux
) =

p
x
(x)

1 +jux +
j
2
u
2
x
2
2!
+
j
3
u
3
x
3
3!
+
j
4
u
4
x
4
4!
+. . .

dx (63)
P
x
(u) = E(e
jux
) =

p
x
(x)dx +ju

p
x
(x)xdx +
j
2
u
2
2!

p
x
(x)x
2
dx
+
j
3
u
3
3!

p
x
(x)x
3
dx +
j
4
u
4
4!

p
x
(x)x
4
dx +. . . (64)
P
x
(u) = 1 +juE(x) +
j
2
u
2
2!
E(x
2
) +
j
3
u
3
3!
E(x
3
) +
j
4
u
4
4!
E(x
4
) +. . . (65)
Le moment dordre k se calcule partir de la fonction caractristique
E(x
k
) =
1
j
k

d
k
P
x
(u)
du
k

u=0
(66)
On appelle seconde fonction caractristique le logarithme (nperien) de la premire fonction caractristique
P

x
(u) = log P
x
(u) (67)
Son dveloppement en srie de MacLaurin donne des coefcients qui ne sont plus les moments de x mais
ses cumulants que nous noterons cum dans les formules.
cum
k
(x) =
1
j
k
d
k
P

x
(u)
du
k
(68)
14 J. Le Roux
Le cumulant dordre un est la moyenne; le cumulant dordre deux est la variance (moment dordre deux
aprs soustraction du carr de la moyenne). Le cumulant dordre trois (skewness en anglais, dissymtrie (? )
en franais) est nul lorsque la variable alatoire est centre et sa densit de probabilit est symtrique. Nous
nous nous intresserons surtout au cumulant dordre quatre appel kurtosis partir du mot grec signiant
paule.
3.1.2 Fonctions caractristiques, moments et cumulants dans le cas de vecteurs alatoires
Il est ncessaire dutiliser ces dnitions assez lourdes pour traiter le cas des fonctions alatoires.
Soit un vecteur x de composantes (x
1
, . . . , x
N
). La fonction caractristique de ce vecteur sera une fonc-
tion de N variables, u = (u
1
, . . . , u
N
)
T
calcule comme la transforme de Fourier multidimensionnelle de
la densit de probabilit p
x
(x
1
, . . . , x
N
)
P
x
(u
1
, . . . , u
N
) =

R
N
e
jx
T
u
p
x
(x
1
, . . . , x
N
)dx
1
. . . dx
N
(69)
Le dveloppement de cette fonction fera apparatre les moments joints dordre k quelconque en particulier
les moments joints dordre trois et quatre.
P
x
(u
1
, . . . , u
N
) =

k0
j
k
n
1
! . . . n
N
!
E (x
n
1
1
. . . x
n
N
N
) u
n
1
1
. . . u
n
N
N
(70)
o les n
1
, . . . , n
N
vrient
n
1
+. . . +n
N
= k (71)
Le dveloppement de la seconde fonction caractristque (logarithme de la premire)
P

x
(u
1
, . . . , u
N
) = log P
x
(u
1
, . . . , u
N
) (72)
donne encore les cumulants joints
3.1.3 Relation entre cumulants et moments de v.a. relles
En identiant les dveloppements de la seconde fonction caractristique et du logarithme de la premire,
on obtient les relations entre cumulants et moments.
Ainsi le cumulant dordre un est gal au moment dordre un.
E (x(t
1
)) = cum
1
(x(t
1
)) (73)
E (x(t
1
)x(t
2
)) = cum
1
(x(t
1
)) cum
1
(x(t
2
)) +cum
2
(x(t
1
)x(t
2
)) (74)
ou encore
cum
2
(x(t
1
)x(t
2
)) = E (x(t
1
)x(t
2
)) E (x(t
1
)) E (x(t
2
)) (75)
Le cumulant dordre deux est gal la variance (aprs soustraction du carr de la moyenne au moment
dordre deux.) Pour donner les formules lordre trois nous supposerons que le signal est moyenne nulle.
Dans ce cas
cum
3
(x(t
1
)x(t
2
)x(t
3
)) = E (x(t
1
)x(t
2
)x(t
3
)) (76)
Si x(t) a une moyenne nulle, il y a identit entre moment et cumulant dordre trois, exactement comme
lordre deux ; mais ce nest pas le cas si x(t) nest pas de moyenne nulle. A lordre quatre nous donnerons
les relation en supposant que les densits de probabilit sont centres et symtriques, (p
x
(x) = p
x
(x) et
donc que les moments et cumulants dordre trois sont nuls ce qui est le cas la plupart du temps dans les
applications.
On a alors la relation
E (x(t
1
)x(t
2
)x(t
3
)x(t
4
)) = cum
4
(x(t
1
)x(t
2
)x(t
3
)x(t
4
))
+cum
2
(x(t
1
)x(t
2
)) cum
2
(x(t
3
)x(t
4
))
+cum
2
(x(t
1
)x(t
3
)) cum
2
(x(t
2
)x(t
4
))
+cum
2
(x(t
1
)x(t
4
)) cum
2
(x(t
2
)x(t
3
)) (77)
Egalisation 15
E (x(t
1
)x(t
2
)x(t
3
)x(t
4
)) = cum
4
(x(t
1
)x(t
2
)x(t
3
)x(t
4
))
+E (x(t
1
)x(t
2
)) E (x(t
3
)x(t
4
))
+E (x(t
1
)x(t
3
)) E (x(t
2
)x(t
4
))
+E (x(t
1
)x(t
4
)) E (x(t
2
)x(t
3
)) (78)
Un moment dordre k se dduit des moments dordre infrieur par addition dun terme qui nen dpend pas
et nest autre que le cumulant dordre k. En particulier, dans le cas des signaux rels
cum
4
(x) = E(x
4
) 3

E(x
2
)

2
. (79)
3.1.4 Quelques proprits des moments et des cumulants
Multiplication des variables par des constantes
E(
1
x
1
, . . . ,
N
x
N
) =

i=1

E(x
1
, . . . , x
N
) (80)
(relation similaire pour les cumulants)
Permutation des variables
Si on modie lordre des variables (x
1
, . . . , x
N
) les moments et cumulants sont inchangs.
Addition des variables
E(x
1
+y
1
, . . . , x
N
) = E(x
1
, . . . , x
N
) +E(y
1
, . . . , x
N
) (81)
(relation similaire pour les cumulants)
Invariance par translation dune variable pour les cumulants dordre suprieur un
cum
k
(x
1
+c, . . . , x
N
) = cum
k
(x
1
, . . . , x
N
) (82)
(cette relation nest pas vrie pour les moments)
Sommes de variables indpendantes
Si x
i
et y
i
sont deux variables alatoires indpendantes
cum
k
(x
1
+y
1
, . . . , x
N
+y
N
) = cum
k
(x
1
, . . . , x
N
) +cum
k
(y
1
, . . . , y
N
) (83)
(cette relation nest pas vrie pour les moments)
Indpendance des composantes
Si les premires composantes x
1
, . . . , x
p
sont indpendantes des dernires
cum
k
(x
1
, . . . , x
N
) = cum
k
(x
1
, . . . , x
p
) +cum
k
(x
p+1
, . . . , x
N
) (84)
(cette relation nest pas vrie pour les moments)
Par consquent, les cumulants des chantillons dune squence dchantillons indpendants de moyenne
nulle
x(t
1
), . . . , x(t
N
)
sont tous nuls sauf si
t
1
= t
2
= . . . = t
N
(85)
Un des intrts majeurs des cumulants est la consquence de lindpendance qui simplie considrablement
les formules et les traitements.
En particulier, si deux signaux sont indpendants et que lun dentre eux est gaussien moyenne nulle,
les cumulants dordre suprieur deux seront ceux du deuxime signal car les cumulants du signal gaus-
sien sont nuls; on peut ainsi tudier les caractristiques des signaux malgr la prsence dun bruit additif
gaussien.
16 J. Le Roux
3.1.5 Cumulant dordre quatre pour des variables alatoires complexes
Pour dnir les moments prsentant un intrt, on fait intervenir les variables ainsi que leurs complexes
conjugues Nous supposerons, comme cest souvent le cas des constellations complexes utilises en trans-
mission numrique que la variable alatoire complexe z prsente les symtries telles que
E(z) = 0 (86)
E(z
2
) = 0 (87)
(cette deuxime hypothse nest pas toujours suppose vrie; bien sr, elle nimplique pas que E(|z|
2
) =
0).)
E(z
3
) = 0 (88)
E(z
2
z) = 0 (89)
Nous nous intresserons plus particulirement au cumulant
cum
4

z(t
1
)z(t
2
)z(t
3
)z(t
4
)

= E

z(t
1
)z(t
2
)z(t
3
)z(t
4
)

(90)
E (z(t
1
)z(t
2
)) E

z(t
3
)z(t
4
)

z(t
1
)z(t
3
)

z(t
2
)z(t
4
)

z(t
1
)z(t
4
)

z(t
2
)z(t
3
)

les autres tant gaux zro pour plusieurs congurations intressantes des constellations en transmission
numrique. Notons que les moments du deuxime ordre apparaissant dans la formule (90) seront nuls
la plupart du temps du fait des hypothses sur z. Dans le cas particulier o les instants de mesure sont
identiques
t
1
= t
2
= t
3
= t
4
= t (91)
cum
4

|z(t)|
4

= E

|z(t)|
4

2E

|z(t)|
2

|E(z
2
)|

2
(92)
(Le dernier terme sannule dans le cas de lhypothse (87) ; noter la diffrence avec le cas des signaux
rels.)
On retrouve des formules similaires celles du critre propos par Godard; ou pourra ainsi tablir un
lien entre les algorithmes dgalisation fonds sur le module constant et ceux fonds sur la maximisation
du kurtosis que nous verrons dans le paragraphe 3.3.
3.2 Triple corrlation et ltrage linaire, mthode didentication de Giannakis et
Mendel
A partir de ces cumulants, on peut dnir les corrlations dordre suprieur pour une fonction du temps.
3.2.1 Corrlation dordre trois (triple corrlation)
Si le moment dordre un est nul, elle scrit dans le cas des signaux rels (elle nest gure utilis dans le cas
complexe car les symtries des constellations impliquent souvent sa nullit)
E (x(t
1
)x(t
2
)x(t
3
)) (93)
Si x(t) est stationnaire lordre trois
r
(3)
x
(
1
,
2
) = E (x(t)x(t +
1
)x(t +
2
)) (94)
(la stationnarit lordre trois est plus contraignante que la stationnarit lordre deux: un signal peut tre
stationnaire lordre deux sans ltre lordre trois) Cest une fonction de deux variables. Nous allons voir
que cette fonction applique la sortie dun ltre linaire inconnu permet den retrouver les paramtres
lorsque lentre du ltre est un bruit blanc ou une squence i.i.d. sans faire rfrence au signal dentre
condition que la corrlation dordre trois existe. Nous verrons aussi dans le chapitre 4 que cette identication
aveugle peut aussi se raliser dans le domaine des frquences.
Egalisation 17
3.2.2 Filtrage dune squence i.i.d.
Un signal i.i.d. x(t) a une triple corrlation qui est nulle partout sauf lorigine du plan o elle est gale au
facteur dasymtrie (skewness) cum
3
(x).
Si x(t) est ltr par une ltre numrique non rcursif de rponse impulsionnelle b(t), produisant la
sortie y(t),
y(t) =

k
b(k)x(t k) (95)
la corrlation dordre trois de y(t) est
r
(y)
3
(
1
,
2
) = E


k,k

,k

x(t k)b(k)x(t k

+
1
)b(k

)x(t k

+
2
)b(k

(96)
en rarrangeant les termes
r
(y)
3
(
1
,
2
) =

k,k

,k

b(k)b(k

)b(k

)E (x(t k)x(t k

+
1
)x(t k

+
2
)) (97)
x(t) tant une squence i.i.d., les seuls termes de la somme qui ne sont pas nuls vrient
t k = t k

+
1
= t k

+
2
(98)
soit
k

= k
1
(99)
k

= k
2
(100)
ce qui se traduit par
r
(y)
3
(
1
,
2
) = cum
3
(x)

k
b(k)b(k
1
)b(k
2
) (101)
La sommation est une gnration dun calcul de corrlation classique : ici on fait intervenir un double
produit et trois valeurs de la fonction, au lieu du produit de deux valeurs dans la corrlation dordre deux.
3.2.3 Support de la corrlation dordre trois dune squence i.i.d. ltre par un ltre rponse
impulsionnelle nie
La fonction de transfert est
B(z) =
K

k=0
b(k)z
k
(102)
Daprs lquation (101)
r
(y)
3
(
1
,
2
) = cum
3
(x)

k
b(k)b(k
1
)b(k
2
) (103)
Lorsque k est x, le domaine de variation du couple de variables (
1
,
2
) est le carr (gure 6)
k K
1
k (104)
k K
2
k (105)
Lorsque k varie de 0 K chaque point de ce carr se translate le long dun segment dont les extrmits ont
pour coordonnes
(
1
(0),
2
(0)) dans le carr (K, 0) (K, 0)
(
1
(0) +K,
2
(0) +K) dans le carr (0, K) (0, K)
18 J. Le Roux
E
T

1
(0)

2
(0)

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
6
?
Donnes
utilises
pour liden-
tication
Figure 6: Support hexagonal de la corrlation dordre trois dun signal iid ltr par un ltre rponse
impulsionnelle nie. Les donnes utilises dans la mthode de Giannakis sont sur la lisire du domaine.
Tableau 1: Valeur des coefcients de la corrlation dordre trois du rsultat du ltrage dune squence i.i.d.
par le ltre b(z) = 1 +bz
1
0 0 0 0 0
0 0 b b
2
0
0 b
2
b
3
+ 1 b 0
0 b b
2
0 0
0 0 0 0 0
Ainsi lorsque k varie le carr glisse le long de la premire diagonale et le support de la triple corrlation
est un hexagone reprsent sur la gure 6 La corrlation dordre trois prsente plusieurs symtries en
particulier le changement de signe simultan sur les deux variables
1
et
2
, lchange de ces variables
1
et
2
, ainsi que la transformation

1
=
1
(106)

2
=
2

1
(107)
Un exemple de corrlation dordre trois pour le ltre non rcursif
B(z) = 1 +bz
1
(108)
est donn dans le tableau 1
3.2.4 Identication de ltre non minimum de phase (Giannakis et Mendel)
La corrlation dordre deux permet de retrouver les caractristiques dun ltre minimum de phase par
factorisation spectrale (ltre rponse impulsionnelle nie) ou dun ltre rcursif stable par rsolution des
quations de Yule-Walker (algorithme de Levinson). On ne peut pas partir de ces informations sparer les
racines dun ltre qui seraient soit lintrieur soit lextrieur du cercle de rayon un. On voit que cette
identication est possible lorsquon se base sur la corrlation dordre trois.
Si on xe
2
= K lquation (101) reliant la corrlation dordre trois aux coefcients du ltre devient
r
(y)
3
(
1
, K) = cum
3
(x)

k
b(k)b(k
1
)b(k K) (109)
Comme (k K) ne doit pas tre ngatif pour que b(k K) ne soit pas nul, la somme se rduit un seul
terme non nul (k = K)
r
(y)
3
(
1
, K) = cum
3
(x)b(0)b(K)b(K
1
) (110)
Egalisation 19
Les chantillons situs sur la lisire du support de la triple corrlation (gure 6) permettent un coefcient
multiplicatif prs de retrouver la rponse impulsionnelle du ltre.
Toutefois cette mthode est peu robuste (il faut une excellente estimation de la triple corrlation, tre
assur de lordre du modle, etc. . . . Il en existe de nombreuses variantes.
On remarque que si la densit de probabilit de x(t) est symtrique, le moment dordre trois est nul
et cette identication nest pas possible; il faudra alors tendre lapproche lordre quatre, condition
que le cumulant dordre quatre de x(t) ne soit pas nul. Dans le cas des signaux dentre gaussiens tous les
cumulants dordre suprieur deux sont nuls et il nest pas possible deffectuer cette identication de ltres
non minimum de phase.
3.3 La maximisation du kurtosis de Shalvi et Weinstein
Kurtosis positif et kurtosis ngatif Dans les applications en galisation on sintresse surtout au cumu-
lant dordre quatre, et il peut tre important (par exemple dans les hypothses de Godard et Benveniste) de
connaitre le signe du kurtosis du signal tudi (le signal mis et le signal reu ont des kurtosis de mme
signe sils ne sont pas perturbs par des bruits non gaussiens).
On parle parfois de variable surgaussienne quand le kurtosis est positif (loi de Cauchy par exemple)
et de variable sousgaussienne quand le kurtosis est ngatif (variable quirpartie).
Si une densit de probabilit est borne dans [A, A] centre et de variance xe, le kurtosis le plus
petit (ngatif) est obtenu lorsque
p(x) =
1
2
(x A) +
1
2
(x +A) (111)
pour une variance gale A
2
Si la densit de probabilit est borne dans [A, A] centre et de variance xe gale
2
(on suppose
que A
2
> 3
2
), le kurtosis le plus grand(positif) est obtenu lorsque
p(x) = (1 )(x) +

2
(x A) +

2
(x +A) (112)
pour une variance xe
2
et o est gal

2
2A
2
3.3.1 Corrlation dordre quatre des signaux complexes
Nous supposerons que les moments dordre un et trois sont nuls. Le cumulant dordre quatre scrit dans le
cas des signaux stationnaires
cum
(x)
4
(
1
,
2
,
3
) = E

x(t)x(t +
1
)x(t +
2
)x(t +
3
)

(113)
E (x(t)x(t +
1
)) E

x(t +
2
)x(t +
3
)

x(t)x(t +
2
)

x(t +
1
)x(t +
3
)

x(t)x(t +
3
)

x(t +
1
)x(t +
2
)

en particulier , si
1
=
2
=
3
= 0
cum
(x)
4
(0, 0, 0) = E

|x(t)|
4

|E

x
2
(t)

|
2
2E

|x(t)|
2

2
(114)
Si, pour des raisons de symtrie de la densit de probabilit de x(t), le terme E

x
2
(t)

sannule, on retrouve
les donnes utilises par Godard dans le critre du module constant.
3.3.2 Maximisation du kurtosis
Le point de dpart de lapproche de Benveniste est dessayer de ltrer le signal mesur x(t) pour que
certaines caractristiques de la densit de probabilit de y(t) se rapprochent le plus possibles des mmes
caractristiques concernant le signal mis m(t); ce que font aussi Sato et Godard. Shalvi et Weinstein vont
un peu plus loin; ils montrent quil suft de maximiser (en valeur absolue) le kurtosis de la sortie pour
trouver les paramtres de lgaliseur un retard et ventuellement un dphasage prs.
20 J. Le Roux
.........
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.........
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..........
.
.
.
.
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.........
.
.
.
.
.
.
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Figure 7: Support dodcadrique de la corrlation dordre quatre dun signal iid ltr par un ltre rponse
impulsionnelle nie. Ce support est le volume obtenu en faisant glisser un cube dont les cts de longueur
(K + 1) sont parallles aux axes et dont un des sommets est situ lorigine de lespace. Le glissement se
fait suivant le vecteur ((K + 1), (K + 1), (K + 1)) de sorte qu la n du glissement le sommet oppos au
premier se retrouve lorigine.
Quelques formules pralables Nous reprenons pour prparer les calculs quelques formules semblables
celles de Godard (en supposant toujours que m(t) est une squence i.i.d.)
E

|y(t)|
2

= E

k
m(t k)b(k)|
2

(115)
E

|y(t)|
2

= E

|m(t)|
2

k
|b(k)|
2
(116)
Si on ne suppose pas a priori que E

m
2
(t)

est nul, on a aussi


E

y(t)
2

= E

m(t)
2

k
b(k)
2
(117)
Daprs les proprits (90)
E

|y(t)|
4

= E

|m(t)|
4

k
|b(k)|
4

(118)
+2

|m(t)|
2

k
|b(k)|
2

k
|b(k)|
4

E (|m(t)) |
2

k
|b(k)|
2

k
|b(k)|
4

Le kurtosis cum
4
(y) scrivant
K(y) = cum
4
(y) = E

|y(t)|
4

|y(t)|
2

y
2
(t)

2
(119)
on fait disparatre les termes dordre deux et on obtient daprs les quations (116) et (117)
K(y) = K(m)

k
|b(k)|
4

(120)
Ce rsultat nest valable que sous lhypothse selon laquelle m(t) est une squence i.i.d. Cette formule
implique que le kurtosis ne change pas de signe lorsquun signal est ltr par un signal linaire. Cette
formule permet de mettre en vidence un rsultat semblable celui de Benveniste:
Egalisation 21
Si les modules des signaux m(t) et y(t) ont la mme variance
E

|y(t))|
2

= E

|m(t)|
2

(121)
on a le rsultat fondamental:
(a) -
|K(y)| |K(m)| (122)
K(y) ayant toujours le mme signe que K(m)
(b) -
|K(y)| = |K(m)| (123)
seulement si B(z) se rduit un retard dun nombre entier dchantillons en dphasage prs.
En effet

k
|b(k)|
2

2
=

k
|b(k)|
4

=k
|b(k)|
2
|b()|
2

(124)
Le deuxime terme de la somme est toujours positif ou nul. Il nest nul que lorsquun seul des |b(k)|
2
est
diffrent de zro. Do le rsultat.
Tout ltrage dun signal i.i.d. tel que le signal de sortie ait la mme variance que le signal dentre
rduira donc le module du kurtosis du signal de sortie; il le conservera uniquement sil ralise un simple
dcalage (dun nombre entier dchantillons).
Retrouver le signal original revient donc trouver un ltre tel que la squence de sortie ait la mme
variance et le kurtosis maximum en valeur absolue.
Il sagit donc de retrouver les coefcients de lgaliseur maximisant |K(y)| sous la contrainte

k
|b(k)|
2
= 1 (125)
(imposer la contrainte reviendra en pratique appliquer un gain y(t) de manire ce que la variance de
|y(t)| soit gale celle de |m(t)|.)
Il faut toutefois sassurer que cette recherche de maximum naboutit pas sur des maxima locaux (pro-
blme trait de manire moins simple dans les approches de Godard et Benveniste).
Pour recherche ce maximum on utilise la mthode des multiplicateurs de Lagrange
L(B, ) =

k
|b(k)|
4

k
|b(k)|
2
1

(126)
Les points stationnaires de L(B, ) vrient
L(B, )
b()
= 4b()

|b()|
2

(127)
pour tout et
L(B, )

k
|b(k)|
2
+ 1 = 0 (128)
Daprs lquation (127), il faut que
soit
b() = 0 (129)
soit
|b()|
2


2
= 0. (130)
Supposons donc quil y ait N coefcients b(k) non nuls (et donc tous gaux en valeur absolue

/2).
Daprs la contrainte (128), il faut que
soit
|b(k)|
2
= 1/N (131)
22 J. Le Roux
soit
b(k) = 0 (132)
On est amen envisager trois cas :
(a) Le cas o tous les |b(k)| sont gaux et valent donc
1
K
(en supposant quon ne considre que le cas
o la chane complte : ltre + galiseur est un ltre rponse impulsionnelle nie, ce qui nest pas trs
raliste en thorie et nest dailleurs pas envisag dans larticle de Shalvi et Weinstein;
(b) Le cas gnral o N = K etN = 1
(c) Le cas o un seul des b(k) est diffrent de zro et vaut donc un;
Shalvi et Weinstein montrent que les solutions sont des points selles (ou cols) dans le cas (b) et que le
maximum nest obtenu que dans le cas (c), le cas (a) donnant un minimum.
Pour cela on tudie les petites variations relles () des composantes |b(k)|
2
telles que

() = 0 (133)
Cas (a) Il y a un minimum lorsque tous les b(k) sont diffrents de zro
Dans ce cas, N = K. Lorquon ajoute une petite variation aux K composantes b(k) le critre (126)
devient
L(B +, ) =

k
|b(k)|
4
+

2
() (134)
La valeur du critre au point dquilibre (() = 0) augmente quelquesoit la variation vriant la contrainte
(133), et le point ne peut tre quun minimum.
Cas (b) Il y a un col (point-selle) lorsque le nombre N de b(k) diffrents de zro est infrieur
K et suprieur un
(b1) Lorquon ajoute au critre (126) une petite variation non nulle seulement pour les N composantes
non nulles b(k) et nulle pour les (K N) composantes nulles , on obtient
L(B +, ) =

k
|b(k)|
4
+

2
() (135)
La valeur du critre au point dquilibre (() = 0) est dpasse, et le point ne peut tre quun minimum ou
un point selle.
(b2) Considrons le cas o au moins une des composantes b(k), soit b(0), est nulle.
Les petites variations (k) sont ncessairement positives lorsque B(k) = 0 car un carr de module ne
peut quaugmenter.
Le critre est dans ce cas pour une petite variation vriant la contrainte (133)
L(B +, ) =
2
(0) +

k=0

|b(k)|
2
+(k)

2
(136)
En remplaant les b(k) par leurs valeurs
L(B +, ) =
2
(0) +

k=0

1
N
+(k)

2
(137)
En dveloppant le carr
L(B +, ) =
2
(0) +

k=0

1
N
2
+ 2
1
N
(k) +
2
(k)

2
(138)
Daprs la contrainte (133)

k=0
(k) = (0) (139)
et le critre devient
L(B +, ) =
2
(0) +
1
N
2
1
N
(0) +

k=0

2
(k) (140)
Egalisation 23
L(B +, ) =
1
N
+
2
(0) +

k=0

2
(k) 2
1
N
(0) (141)
En ngligeant les termes du deuxime ordre
L(B +, ) =
1
N
2
1
N
(0) (142)
une variation positive (0) entrane dans ce cas une diminution du critre.
(b3) Ainsi, en effectuant une petite variation dans une direction (premier cas considr), on augmente
le critre (135); en effectuant une petite variation dans une autre direction on diminue ce critre (142); par
consquent, le point analys est un point selle et non un point dquilibre pour la recherche dun maximum.
Cas (c) : Il y a un maximum lorsque un seul des b(k) diffrent de zro Dans ce cas ce b(k) vaut
un. On suppose que cest le premier (k = 0), mais on peut appliquer lapproche nimporte lequel des b(k)
(on rappelle que la solution nest recherche qu une translation temporelle prs).
Les petites variations (k) sont ncessairement positives lorsque b(k) = 0 cest dire lorsque k = 1 et
donc la variation (0) est ngative daprs la contrainte (133).
Le critre est dans ce cas pour une petite variation vriant la contrainte (133)
L(B +, ) =

k=0
(k) +

|b(0)|
2
+(0)

2
(143)
Daprs la contrainte (133)

k=0
(k) = (0) (144)
Tous les () sont positifs lorsque = 0, par consquent, daprs la contrainte (133)
(0) < 0 (145)
Le critre devient
L(B +, ) = (0) + 1 + 2(0) +
2
(0) (146)
L(B +, ) = 1 +(0) +
2
(0) (147)
En ngligeant les termes du deuxime ordre
L(B +, ) = 1 +(0) (148)
une variation (ncessairement ngative) (0) associe nimporte quelle variation (ncessairement positive)
des autres () entrane donc une diminution du critre : il sagit bien dun maximum.
Remarques : Le critre ne prsente quun seul minimum, au signe prs ou dans le cas complexe un
dphasage prs: on peut multiplier B(z) un facteur e
j
dans le dveloppement prcdent sans rien changer
au rsultat; la constellation du signal aprs galisation peut subir une rotation quelconque quil faudra
compenser en introduisant une connaissance connue a priori du rcepteur sur le message mis.
Shalvi et Weinstein supposent que le ltre complet (canal + galiseur) a une longueur innie, et ne
considrent donc pas le cas du minimum absolu, obtenu lorsque tous les |b(k)|
2
sont identiques et gaux
1/K; pour quil y ait un point selle il faut quau moins une des composantes b(k) soit nulle. Sinon on se
trouve toujours dans le cas (135): il y a augmentation du critre quelquesoit la variation (k): su toutes les
composantes sont non nulles et donc gales 1/K le kurtosis est minimum (on trouve le ltre de longueur
k qui mlange le plus les m(t).
Les considrations sur la recherche du maximum ont t faites en rfrence au canal complet (B(z))
et non de lgaliseur C(z). Le passage de B(z) C(z) est immdiat: on passe de lun lautre par une
transformation linaire inversible
B(z) = H(z)C(z) (149)
et on peut effectuer la recherche du minimum en faisant varier les coefcients c(k) et non les coefcients
b(k).
24 J. Le Roux
-0.8
-0.6
-0.4
-0.2
-0.0
0.2
0.4
0.6
0.8
1.0
1/3
1/3
1/3
1/3
1/2
1/2
1/2 1/2
1
1
1
1
1
Figure 8: Courbes de niveau de la fonction x
4
+y
4
+z
4
sur la sphre x
2
+y
2
+z
2
= 1 ; Les coordonnes
des six maxima sont (1, 0, 0),(0, 1, 0),(0, 0, 1), celles des huit minima sont
1

3
(1, 1, 1) celles
des douze points selle sont
1

2
(0, 1, 1),
1

2
(1, 0, 1),
1

2
(1, 1, 0)
Egalisation 25

-
s
C = 0
dx
Q = cste
Q
x
C
x
Figure 9: Projection du gradient sur la tangente la contrainte
3.3.3 Minimisation dun critre en respectant une contrainte
Si on cherche minimiser un critre Q par la mthode du gradient en respectant une contrainte C = 0, on
peut procder de la manire suivante :
On cherche diminuer Q+C. Le gradient est
Q
x
+
C
x
. Dans cette expression, lcriture condense
Q
x
signie drivation par rapport chacune des variables x
i
composant le vecteur x. On calcule une
premire correction qui est tangente la contrainte C = 0 partir dun point courant qui vrie aussi cette
contrainte (voir gure 9)
C(x(n)) = 0 (150)
C(x(n) +dx) = 0 (151)
en premire approximation
C(x(n))
C
x
= 0 (152)
On veut que la variation dx soit de la forme
dx =
Q
x
+
C
x
(153)
et vrie la condition dorthogonalit
< dx,
C
x
>= 0 (154)
<
Q
x
+
C
x
,
C
x
>= 0 (155)
=
<
Q
x
,
C
x
>
<
C
x
,
C
x
>
(156)
La correction suivant la direction du gradient est donc dans la direction
dx =
Q
x

C
x
<
Q
x
,
C
x
>
<
C
x
,
C
x
>
(157)
Il faut cependant que le rsultat de la correction vrie la contrainte
C(x(n + 1)) = 0 (158)
26 J. Le Roux

1
C
x
x(n)
x(n) +dx
x(n + 1)
Figure 10: Deuxime correction forant la vrication de la contrainte
Si la contrainte est assez rgulire, on peut effectuer une approximation de projection, cest dire trouver
lamplitude (scalaire) telle que la correction prenne la forme (voir gure 10).
x(n + 1) = x(n) +dx +
C
x
(159)
et vrie
C(x(n) +dx +
C
x
) = 0 (160)
A chaque tape, il est prudent de vrier a posteriori que le critre a effectivement t rduit par cette
correction.
4 Interprtation spectrale, spectres dordre trois (bispectre) et dordre
quatre (trispectre)
Linterprtation dans le domaine des frquences des statistiques dordre suprieur est trs utile: beaucoup
de rsultats snoncent simplement dans ce domaine et on rejoint un champ dapplication important de
lidentication (et de la dconvolution) aveugles en traitement dimages, la suppression deffets de miroite-
ment en observation astronomique.
4.1 Formules
Nous luderons les problmes thoriques lis lexistence et la formalisation correcte du problme de
la reprsentation frquencielle et nous invitons le lecteur intress par les dveloppements thoriques se
rfrer aux ouvrage de A. Blanc-Lapierre et R. Fortet,Thorie des fonctions alatoires, publi aux ditions
Masson en 1953 et de B. Picinbono, Signaux alatoires, publi aux ditions Dunod en 1994 ou encore
les prsentations de Brillinger, An introduction to polyspectra, in the annals of mathematical statistics,
vol. 36, 1965, pp 1351-1374, et de Brillinger et Rosenblatt, computation and interpretation of k-th order
spectra, Wiley, 1967, pp 189-232. En ce qui concerne le dveloppement prsent ici nous supposerons
que les corrlations dordre trois et quatre des signaux tudis possdent des transformes de Fourier et
en particulier, nous supposerons la stationnarit lordre trois et quatre des signaux chantillonns. Cette
hypothse est, nous le verrons plus contraignante que la stationnarit lordre deux.
Egalisation 27
4.1.1 Stationnarit dans le cas des signaux temps continu
La stationnarit se traduit par une invariance par translation
cum
k
(x(t
1
), . . . , x(t
k
)) = cum
k
(x(t
1
+), . . . , x(t
k
+)) (161)
Ceci implique que la transforme de Fourier Cum
k
(X(
1
, . . . ,
k
) est nulle en dehors des sous-espace

1
+. . . +
k
= 0 (162)
dans le cas des signaux temps continu et

1
+. . . +
k
= 0 mod 2 (163)
dans le cas des signaux temps discret.
En gnral, on traduit cette condition de support en rduisant lespace des variables un espace de
dimension infrieure :
dimension deux lordre trois en posant

3
=
1

2
(164)
et dimension trois lordre quatre en posant

4
=
1

3
(165)
Toutefois il peut tre prfrable de revenir la formulation en fonction de toutes les variables pour mieux
tudier certains problmes comme les symtries des spectres dordre suprieur comme dans la thse de C.
Huet [10].
4.1.2 Spectre dordre trois ou bispectre
La transforme de Fourier dune corrlation dordre trois est souvent appele bispectre (mais pour viter les
confusions des terminologies dans le domaine temporel et frquenciel il est peut-tre prfrable dutiliser
les termes de spectre dordre trois).
Si la corrlation dordre trois est note
r
(x)
3
(
1
,
2
) = E (x(t)x(t +
1
)x(t +
2
)) (166)
le spectre dordre trois est, dans le cas des signaux chantillonns
R
(x)
3
(
1
,
2
) =

1
=

2
=
r
(x)
3
(
1
,
2
) exp j(
1

1
+
2

2
) (167)
La transformation inverse est
r
(x)
3
=
1
4
2

R
(x)
3
(
1
,
2
) exp j(
1

1
+
2

2
)d
1
d
2
(168)
On peut calculer directement ce spectre dordre trois partir des transformes de Fourier de diffrentes
ralisations
R
(x)
3
(
1
,
2
) = E (X(
1
)X(
2
)X(
1

2
)) (169)
Si on suppose que le support de X() est born entre et , le support est un hexagone reprsent sur
la gure 11 : le facteur X(
1
) a un support born, ce qui rduit le support de R
(x)
3
(
1
,
2
) une bande
verticale
<
1
< ; (170)
de mme le facteur X(
2
) a un support born
<
2
< ; (171)
28 J. Le Roux
T
E

2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Figure 11: Support hexagonal du spectre dordre trois dun signal dont la bande de frquence est limite;
les axes de symtrie sont les lignes pointilles
ce qui rduit le support de R
(x)
3
(
1
,
2
) lintersection de cette bande verticale avec une bande horizontale;
nalement le facteur X(
1

2
) a pour support une bande diagonale,
<
2
+
1
< ; (172)
Le support de R
(x)
3
(
1
,
2
) est lhexagone intersection ce ces trois supports, reprsent sur la gure 11.
Daprs la formule (169), dans le cas des signaux rels, ce spectre dordre trois prsente six axes de
symtrie. On peut aussi interprter ce support partir de la formule (188)
R
(x)
3
(
1
,
2
) = E (X(
1
)X(
2
)X(
3
)) (173)
o les trois frquences
1
,
2
et
3
vrient

1
+
2
+
3
= 0 (174)
On voit ainsi que le support du spectre dordre trois est lintersection dun cube centr lorigine et de ct
2 avec le plan (174), ce qui permet de voir plus facilement les symtries.
On trouvera plusieurs rsultats concernant les proprits parfois peu connues des spectres dordre trois
dans la thse de Delphine Rossille [19].
4.1.3 Spectre dordre quatre ou trispectre
Dans le cas du spectre dordre quatre nous nous intressons aux signaux complexes aussi bien que rels.
Dans le cas des signaux complexes, il faut choisir les donnes pour lesquelles on utilise la complexe conju-
gu. La formulation la plus utile de la corrlation dordre quatre est celle qui permettra de calculer E(|x|
4
)
donne dans la dnition (114)
cum
(x)
4
(
1
,
2
,
3
,
4
) = E

x(t +
1
)x(t +
2
)x(t +
3
)x(t +
4
)

(175)
E (x(t +
1
)x(t +
2
)) E

x(t +
3
)x(t +
4
)

x(t +
1
)x(t +
3
)

x(t +
2
)x(t +
4
)

x(t +
1
)x(t +
4
)

x(t +
2
)x(t +
3
)

invariante par translation de la forme (t, t, t, t) La transforme de Fourier appartient donc

1
+
2
+
3
+
4
= 0 (176)
Egalisation 29
Elle scrit sous la forme
Cum
(x)
4
(
1
,
2
,
3
,
4
) = E

X(
1
)X(
2
)X(
3
)X(
4
)

(177)
E (X(
1
)X(
2
)) E

X(
3
)X(
4
)

X(
1
)X(
3
)

X(
2
)X(
4
)

X(
1
)X(
4
)

X(
2
)X(
3
)

Les termes du deuxime ordre vrient la stationnarit lordre deux (qui est implique par la stationnarit
lordre quatre); donc le premier terme soustrait est nul en dehors du support

1
+
2
= 0 et
3
+
4
= 0 (178)
le deuxime terme est nul en dehors du support

1
+
3
= 0 et
2
+
4
= 0 (179)
et le troisime en dehors du support

1
+
4
= 0 et
2
+
3
= 0 (180)
Comme
4
peut tre limin, le spectre dordre 4 (178) scrit
Cum
(x)
4
(
1
,
2
,
3
,
1

3
) = E

X(
1
)X(
2
)X(
3
)X(
1
+
2
+
3
)

(181)
E

X
2
(
1
)

X
2
(
3
)

(
1
+
2
)
E

|X(
1
)|
2

|X(
2
)|
2

(
1
+
3
)
E

(|X(
1
)|
2

|X(
2
)|
2

(
2
+
3
)
Soustraction des termes spectraux dordre deux En pratique on commence par calculer des moments
pour en dduire des cumulants. Les termes spectraux du deuxime ordre apparaissent ainsi comme des
donnes quil faut retrancher du spectre des moments dordre quatre pour obtenir les spectres de cumulants
dordre quatre. Ces termes dordre deux sont non nuls sur les plans

1
+
2
= 0 (182)

2
+
3
= 0 (183)

3
+
1
= 0 (184)
Le premier des trois termes retrancher est diffrent dans le cas rel et dans le cas complexe: dans ce
dernier cas ce terme
E

X
2
(
1
)

X
2
(
3
)

(
1
+
2
)
est un nombre complexe qui ne se ramne pas un calcul de densit spectrale. Ce terme peut tre nul pour
certaines symtries du de la densit de probabilit du signal dentre.
La soustraction de ces termes du deuxime ordre, dont le support est form de sous espaces de dimension
deux est dlicate: on doit soustraire des fonction qui ont sur ce sous espace une amplitude bien plus
leve que le spectre dordre quatre et le rsultat peut tre biais. De plus les consquences implicites de
lutilisation de fentres danalyse spectrale peut conduire ce que les termes dordre deux soient aussi
visibles dans le voisinage des plans (184). Une analyse dtaille de ce problme se trouve dans la thse de
Ccile Huet [10].
Symtries du spectre dordre quatre Dans le cas des signaux bande limite ( temps continu), le
spectre dordre quatre est une fonction de trois variable non nulle lintrieur dun support octadrique
reprsent sur la gure 12. Exactement comme le support du spectre dordre trois est obtenu en coupant
deux des quatre sommets dun carr, le support du spectre dordre quatre est obtenu en coupant deux
30 J. Le Roux
T
j

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
....
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Figure 12: Support octaedrique du spectre dordre quatre dun signal dont la bande de frquence est limite
sommets dun cube, ce qui forme un octadre. Lanalyse des symtries du spectre dordre quatre se fait
plus simplement si on considre lexpression
R
(x)
4
(
1
,
2
,
3
, ,
4
) = E

X(
1
)X(
2
)X(
3
)X(
4
)

X(
1
)X(
3
)

X(
2
)X(
4
)

(185)
E

X(
1
)X(
4
)

X(
2
)X(
3
)

(186)
E (X(
1
)X(
2
)) E

X(
3
)X(
4
)

(187)
(188)
en la restreignant lhyperplan

1
+
2
+
3
+
4
= 0 (189)
Une analyse dtaille de ces symtries se trouve aussi dans la thse de Ccile Huet [10].
4.2 Spectres dordre suprieur, stationnarit et chantillonnage
Lorsquon traite des signaux chantillonns, la notion de stationnarit nest pas en gnral la mme que
celle utiliss pour le temps continu: on fait lhypothse quil y a stationnarit uniquement aux instants
dchantillonnage et non entre les instants dchantillonnage. Un signal chantillonn nest pas un signal
stationnaire car cest une suite dimpulsions rgulirement espaces et modules en amplitude, le signal
tant nul entre les instants dchantillonnage. Le support des spectres dordre deux et trois des signaux
chantillonns ne se rduisent pas lhexagone de la gure ni loctadre de la gure. Ce sont un carr
contenant lhexagone et un cube contenant loctadre. Il ny a identit entre les spectres dordre trois du
signal temps continu et du mme signal aprs chantillonnage que si la frquence maximale du signal est
gale au tiers de la frquence dchantillonnage. On peut montrer ce rsultat graphiquement en rappelant
que le la tranforme de Fourier du signal chantillonn est la priodisation (modulo 2) de la transforme
de Fourier du signal temps continu. Dans ce cas, le support de
E (X(
1
)X(
2
)X(
1

2
))
est obtenu par intersection de bandes horizontales, verticales et obliques correspondant aux supports prio-
diques des spectres des signaux chantillonns (gure 13): Lhexagone est complt par deux triangles qui
disparaissent si le support spectral est dans la bande ] 2/3, 2/3[; si la bande de frquence du signal
temps continu est ] , [, les deux triangles et lhexagone se rejoignent et le support est le carr complet.
De mme pour quil y ait identit entre les spectres dordre quatre du signal temps continu et du
signal chantillonn, il faut que la frquence maximale du signal soit infrieure au quart de la frquence
dchantillonnage.
Egalisation 31

1

T

..................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
E
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
...................................
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Figure 13: Support du spectre dordre trois dun signal dont la bande de frquence est limite
Une analyse dtaille des consquences de cette remarque sur lchantillonnage se trouve dans la thse
de Delphine Rossille [19].
4.3 Spectres dordre suprieur et ltrage
Nous considrerons essentiellement le cas du spectre dordre trois dont nous tendrons les rsultats au cas
des spectres dordre quatre rels ou complexes.
Pour que ces rsultats sappliquent, il est essentiel que la squence ltre y(t) soit un bruit blanc dans
le cas du temps continu ou une squence i.i.d. dans le cas du temps discret.
4.3.1 Spectre dordre trois et ltrage
Soit une squence i.i.d. x(t) stationnaire et centre ltre par un ltre B(z)
y(t) =

n
b(n)x(t n) (190)
La corrlation dordre trois de y(t) est (voir lquation (101))
r
(y)
3
(
1
,
2
) = cum
3
(x)

k
b(k)b(k
1
)b(k
2
) (191)
Sa transforme de Fourier bidimensionnelle est
R
3
(
1
,
2
) =

2
cum
3
(x)

k
b(k)b(k
1
)b(k
2
) exp j(
1

1
+
2

2
) (192)
En effectuant le changement de variable

1
k =

1
(193)

2
k =

2
(194)
Lquation (192) devient
R
3
(
1
,
2
) =

2
cum
3
(x)

k
b(k)b(

1
)b(

2
) exp j (
1

1
+
2

2
+ (
1
+
2
)k) (195)
R
3
(
1
,
2
) = cum
3
(x)

k
b(k) exp j(
1
+
2
)k

(196)

1
b(

1
) exp j
1

2
b(

2
) exp j
2

32 J. Le Roux
R
3
(
1
,
2
) = cum
3
(x)B(exp j
1
) B(exp j
2
) B(expj(
1
+
2
)) (197)
Le spectre dordre trois est obtenu en multipliant lasymtrie de lentre par trois facteur qui sont la rponse
en frquence du ltre calcule pour les frquences
1
,
2
et
1

2
.
4.3.2 Obtention de la triple corrlation par transforme de Fourier inverse du spectre dordre trois
Nous avons vu que le spectre dordre trois est la transforme de Fourier de la triple corrlation. Inversement,
on peut retrouver la triple corrlation partir du spectre dordre trois.
Nous nous placerons dans le cas des signaux dterministes quon peut gnraliser, sous les hypothses
convenables au cas des signaux alatoires (cas des squences i.i.d. transformes par un ltre linaire inva-
riant dans le temps).
Soit un bispectre vriant
R(
1
,
2
) = F(
1
)F(
2
)F(
1

2
). (198)
Cest une fonction de deux variables. Sa transforme de Fourier inverse est
r(
1
,
2
) =
1
4
2

F(
1
)F(
2
)F(
1

2
) exp(j
1

1
+j
2

2
)d
1
d
2
(199)
ou encore
r(
1
,
2
) =
1
2

F(
1
) exp(j
1

1
)

1
2

F(
2
)F(
1

2
) exp(j
2

2
)d
2

d
1
(200)
La transforme de Fourier inverse du produit de deux fonctions F()G() est une convolution
1
2

F()G() exp(jt)d =

=
f()g(t ) (201)
Si on choisit pour variable
2
la place de et la fonction
G(
2
) = F(
1

2
), (202)
on obtient
g(t) =
1
2

F(
1

2
) exp(j
2
t)d
2
(203)
soit, en effectuant le changement de variable

2
+
1
= (204)
g(t) =
1
2

F() exp[j(
1
)t]d (205)
ce qui donne une translation
1
dans le domaine des frquences () ou une modulation dans le domaine
temporel (t)
g(t) = f(t) exp(j
1
t) (206)
On peut reporter cette valeur de g(t) dans la convolution transforme de Fourier inverse du produit (201)
1
2

F(
2
)F(
1

2
) exp(j
2

2
)d
2
=

=
f()f(
2
) exp j(
1

1

2
) (207)
r(
1
,
2
) scrit alors
r(
1
,
2
) =
1
2

F(
1
) exp(j
1

1
)

=
f()f(
2
) exp j(
1

1

2
)

d
1
(208)
En commutation les oprateurs de sommation
r(
1
,
2
) =

=
f()f(
2
)

1
2

F(
1
) exp j(
1

1
+
1

1
y)d
1

(209)
Egalisation 33
cest dire, en exprimant la transforme de Fourier inverse
1
2

F(
1
) exp j(
1

1
+
1

1

2
)d
1
= f(
1
+
2
) (210)
r(
1
,
2
) =

=
f()f(
1
+
2
)f(
2
)d (211)
En posant

2
=

(212)
cette expression devient
r(
1
,
2
) =

=
f(

)f(

+
1
)f(

+
2
)d (213)
On retrouve bien la triple corrlation dun signal dterministe.
4.3.3 Rsultat du ltrage sur le spectre dordre quatre dune squence i.i.d.
A lordre quatre, dans le cas des signaux rels, on obtient lexpression
R
4
(
1
,
2
,
3
) = cum
4
(x)B(exp j
1
) B(exp j
1
) B(exp j
1
) B(exp j(
1
+
2
+
3
)) (214)
Dans le cas des signaux complexes, si on calcule le cumulant cum
4

x(t)x(t +
1
)x(t +
2
)x(t +
3
)

le
spectre dordre quatre sera
R
4
(
1
,
2
,
3
) = cum
4
(x)B(exp j
1
) B(exp j
2
)B(exp j
3
) B(exp j(
1
+
2
+
3
)) (215)
4.3.4 Validation des hypothses sur la gnration du signal tudi
Nous avons insist plusieurs reprises sur limportance de lhypothse selon laquelle le signal tudi est
obtenu en appliquant un ltre linaire invariant dans le temps une squence i.i.d. stationnaire; on peut
vrier que le spectre dordre suprieur est compatible avec cette hypothse en sassurant que lon a pour
tout
1
et tout
2
et pour un non nul :
R
3
(
1
, )R
3
(
1
+,
2
)
R
2
(
1
+)
=
R
3
(
1
,
2
)R
3
(
1
+
2
, )
R
2
(
1
+
2
)
. (216)
o R
2
() est le spectre dordre deux; (il faut aussi que les symtries du spectre dordre trois soient vrie,
ce qui est en gnral le cas par construction.) Cette formule est donne ici lordre trois. On peut gnraliser
un ordre quelconque. Ce point est dtaill dans larticle [12].
4.4 Effet dun retard sur les spectres dordre suprieur des signaux chantillonns
Nous avons vu que le repliement spectral d lchantillonnage fait apparaitre des informations suppl-
mentaires dans le spectre dordre trois ou dordre quatre du signal chantillonn. Cette remarque peut avoir
des consquences intressantes pour traitre les problmes de retard dune dure infrieure la priode
dchantillonnage
Invariance par translation des spectres dordre suprieur des signaux temps continu Exactement
comme le spectre dordre deux dun signal dterministe ou alatoire stationnaire est invariant par translation,
les spectres dordre suprieur sont invariants par translation du signal dans le domaine temporel ou par un
terme de dphasage linaire dans le domaine des frquences. Cette formulation simple permet de dvelopper
des algorithmes didentication et dgalisation dans le domaine des frquences.
34 J. Le Roux
T
E

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.................
..................................

Figure 14: Effet de dphasage linaire correspondant un retard infrieur la priode dchantillonnage
Invariance par translation dun nombre entier dchantillons dans le cas du temps discret Le mme
rsultat dinvariance par translation sapplique si la translation est un nombre entier dchantillons. Cette
invariance se voit directement sur le spectre dordre trois, le rsultat se gnralise directement aux spectres
dordre suprieur trois:
Si on ajoute un retard exp j la fonction de transfert B(z), tant un nombre entier dchantillons,
lquation (197) devient
R
3
(
1
,
2
) = (217)
cum
3
(x)B(exp j
1
) exp j
1
B(exp j
2
) exp j
1
B(exp j(
1
+
2
)) exp j(
1
+
2
)
en regroupant les dphasages linaires
R
3
(
1
,
2
) = (218)
cum
3
(x)B(exp j
1
) B(exp j
2
) B(exp j(
1
+
2
)) exp j
1
exp j
2
exp j(
1
+
2
)
R
3
(
1
,
2
) = cum
3
(x)B(exp j
1
) B(exp j
2
) B(expj(
1
+
2
)) (219)
Le spectre dordre trois est inchang.
Effet dun retard infrieur la priode dchantillonnage Dans le cas o le retard est infrieur la
priode dchantillonnage, le dphasage linaire traduisant ce retard dans le domaine des frquences est
exp j (220)
pour < . Il est priodique en de priode 2 et prsente en un saut qui est gal 2 et non
2 comme dans le cas du retard entier o = 1.
Pour < 3, on a
B(e
j
) = e
j(2)
(221)
Lorsquon calcule le bispectre par la formule (197) pour
B(e
j
) = e
j
(222)
on voit que leffet lintrieur du support carr (, ) (, ) est diffrent lintrieur de lhexagone
et dans les deux triangles qui le compltent: lintrieur de lhexagone,
R
3
(
1
,
2
) = 1 (223)
et dans les deux triangles
R
3
(
1
,
2
) = e
2
(224)
Il est intressant de noter que linformation contenue dans ces portions triangulaires du support peut tre
utilise pour caractriser des retards infrieurs une priode dchantillonnage : par exemple le facteur
dasymtrie dune squence i.i.d. ltre passe-bas ( la moiti de la frquence dchantillonnage) puis re-
tarde de et rchantillonne voit son facteur dasymtrie cum
3
multipli par
3
4
+
1
4
cos(2).
Egalisation 35
4.4.1 Statistiques dordre quatre et synchronisation
On aboutit une constatation identique dans le cas des spectres dordre quatre, mais leffet est plus sensible
car les pyramides base triangulaires qui compltent loctadre occupent un sous-espace proportionnelle-
ment plus important que les triangles du cas du spectre dordre trois. Dans le cas du spectre dordre quatre
le kurtosis dun signal i.i.d. ltr la moiti de la frquence dchantillonnage et retard de sera
2
3
+
1
3
cos(2).
La synchronisation sur une source pourrait tre fonde directement sur la mesure de cette fonction.
Dailleurs, tout comme lgalisation utilise implicitement des statistiques dordre quatre, les techniques
de synchronisation y font aussi appel par lutilisation de fonctions non linaires.
4.4.2 Statistiques dordre quatre et stationnarit
Notons que cet effet disparait si linformation contenue dans les triangles extrieurs lhexagone du spectre
dordre trois (ou les pyramides extrieures loctadre du spectre dordre quatre) est nulle ; cest dire si la
bande passante du signal est infrieure au tiers de la frquence dchantillonnage dans le premier cas et au
quart de la frquence dchantillonnage dans le second cas, cest dire quand les signaux temps continu
(avant chantillonnage) sont stationnaires respectivement lordre trois et lordre quatre.
Pour une analyse dtaille de ces rsultats, on se reportera la thse de Delphine Rossille [19].
4.5 Reconstruction dune fonction de transfert dans le domaine des frquences
Si on se donne R
3
(
1
,
2
) on peut retrouver B(e
j
) un dphasage linaire (retard prs). Nous traiterons le
cas dun signal rel pour lequel on a calcul le spectre dordre trois pour N valeurs discrtes des frquences
(
1
et
2
sont des multiples de 2/N)
On a, si le spectre dordre trois est parfaitement estim,
R
3

1
,
2
N

= cum
3
(x)B

exp
2j
N

B(exp j
1
)B

exp j

1
+
2
N

(225)
En gnral on sintresse la reconstruction de la phase () de B(exp j) dans la mesure ou les ca-
ractristiques des modules de fonctions de transfert peuvent se dduire des statistiques dordre deux. On
peut gnraliser aux modules lapproche donne ici pour les phases. En termes de phases lquation (225)
devient

1
,
2
N

2
N

+(
1
)

1
+
2
N

(226)
On peut forcer (0) zro (on peut choisir le signe de la fonction reconstituer et se donner arbitrairement

2
N

qui caractrisera le dphasage linaire quon doit choisir pour reconstituer la fonction de transfert
Lquation (226) est une quation rcurrente qui permet de retrouver toutes les valeurs de (): si on pose

1
=
2
N
n (227)

2
N
n +
2
N

2
N

+(
2
N
n)

2
N
n,
2
N

(228)
Cette proposition est due Lohmann, Weigelt et Wirnitzer [14]. Il existe des variantes de cette formule et
on peut aussi en dduire des techniques plus labores. De nombreuses rfrences bibliographiques et des
algorithmes originaux sont dcrits dans les thses [19][10].
4.6 Les perturbations en imagerie par interfromtrie en astronomie
On peut montrer, daprs la thorie de Maxwell sur la propagation des ondes lectromagntiques, que
linformation qui se propage aprs mission par une source lumineuse (suppose bidimensionnelle) peut
sinterprter comme la transforme de Fourier bidimensionnelle de cette source. Par exemple dans les exp-
riences lmentaires dinterfromtrie, si on perce un cran vertical de deux ouvertures ponctuelles situes
sur la mme horizontale et quon claire par une source de lumire cohrente, la lumire qui se propage
horizontalement partir de ces deux ouvertures va interfrer, et si on lobserve sur un cran situ une
36 J. Le Roux
Figure 15: Les interfnces entre deux sources lumineuses ponctuelles cohrentes produisent un signal sinu-
sodal dont lamplitude et la phase caractrisent la gomtrie de ces sources
grande distance des deux sources et perpendiculaire la direction de propagation des ondes, on y verra
un signal sinusodal bidimensionnel dont les courbes de niveau sont perpendiculaires au vecteur reliant les
deux points et dont la frquence est inversement proportionnelle la distance entre les deux ouvertures.
Cest bien la transforme de Fourier de limage de lcran quon interprte comme deux impulsions. Cette
proprit est utilise en observation astronomique : comme il est pratiquement impossible de raliser des
tlescopes de trs grand diamtre, on capte les ondes en provenance dune direction par deux tlescopes et
on fait interfrer ces ondes. En mesurant lamplitude et la phase des franges dinterfrence pour une posi-
tion des tlescopes on obtient lamplitude et la phase de lobjet pour une frquence spatiale caractrise par
le vecteur donnant la diffrence de position entre les deux tlescopes; on peut ainsi arriver distinguer la
distance angulaire sparant deux composantes dune toile double. En dehors des problmes techniques
poss par la mise au point des franges dinterfrence, il existe une difcult supplmentaire parce que la tra-
verse de latmosphre par les ondes lumineuses les affecte dune perturbation: les ondes issues de lobjet
tudi considres comme planes sont dformes par les uctuations de pression de latmosphre, ce qui se
traduit par un effet de miroitement ou de scintillement (tavelures ou speckles en anglais ) qui peut rendre
limage indchiffrable. On peut considrer que cette perturbation est un dphasage alatoire dans le temps
et dans lespace, de moyenne nulle.
4.7 Clture de phase
Le signal dinterfrence obtenu partir de deux signaux issus de capteurs situs en deux points A et B
est gal un signal sinusodal bidimensionnel dont lamplitude et la phase sont celles de la transforme de
Fourier F(u, v) du signal analys (la rpartition spatiale f(x, y) de la luminosit de ltoile) calcule pour
la frquence spatiale (u

, v

) o u

et v

sont les composantes du vecteur AB. La phase de F(u

, v

) est
ainsi la diffrence de phase entre les signaux reus par le capteur A et le capteur B, soit
(
B

A
)
qui ne dpend que de limage analyse et non pas du temps. Lors de mesures travers latmosphre prsen-
tant une agitation thermique, une perturbation alatoire

B
(t)
A
(t)
est ajoute cette diffrence de phase. Elle ne peut donc pas tre mesure directement.
Cependant, il est possible dliminer ces dphasages alatoires de la manire suivante:
On considre trois points A, B et C, et on nomme ,

et les vecteurs

AB,

BC et

CA. Leurs
composantes sont respectivement (u

, v

), (u

, v

) et (u

, v

).
On a
+

+ = 0 (229)
si on mesure les amplitudes et les phases des trois composantes, on obtient
F(u

, v

) = (u

, v

) exp[j((u

, v

) +
B
(t)
A
(t))] (230)
Egalisation 37
A
B
C
j
U
A

(A)
(B)
(C)
Onde plane
Onde dforme par lagitation thermique

c
Figure 16: Schma reprsentant les perturbations sur les phases des signaux capts par trois tlescopes
38 J. Le Roux
F(u

, v

) = (u

, v

) exp[j((u

, v

) +
C
(t)
B
(t))] (231)
F(u

, v

) = (u

, v

) exp[j((u

, v

) +
A
(t)
C
(t))] (232)
On effectue le produit de ces trois valeurs, on obtient de cette faon le bispectre que nous nommerons
R(u

, v

, u

, v

)
. Il ne fait intervenir que les variables
u

, v

, u

, v

car les deux autres variables se dduisent des quatre premires daprs lq. (229), les trois termes de
dphasage alatoires ds aux perturbations atmosphriques se compensent. Cette proprit est connue sous
le nom de cloture (parfois de fermeture)de phase. Daprs lq. (229)
u

= (u

+u

) (233)
v

= (v

+v

) (234)
(235)
et le bispectre scrit
R(u

, v

, u

, v

) = (u

, v

)(u

, v

)(u

, v

)
exp j[(u

, v

) +(u

, v

) +(u

, v

)] (236)
car la somme des trois perturbations est nulle:

B
(t)
A
(t) +
C
(t)
B
(t)
A
(t)
C
(t) = 0 (237)
On a ainsi limin les perturbations alatoires. En effectuant cette opration on a aussi limin les ventuels
composantes linares de la forme (u + v) prsentes dans les phases (u

, v

), (u

, v

) et (u

, v

).
Cette limination na pas de consquences majeures car un dphasage linaire se traduit dans le domaine
spatial par une translation mais ne dforme pas limage analyse. Si on excepte cette translation, le bispectre
contient linformation F(u, v). Il faut bien sr trouver des moyens de dduire F(u, v) de R(u

, v

, u

, v

)
En pratique, il existe des techniques indpendantes de la mesure du bispectre pour calculer lamplitude
de la transforme de Fourier de limage ; le bispectre est surtout utile pour la reconstitution de la phase
de cette transforme et on sait que cette de phase est trs informative dans la reprsentation de la forme de
limage cherche.
En ce qui concerne la recherche de la phase de F(u, v) partir de la phase (u

, v

, u

, v

) de
R(u

, v

, u

, v

), on peut utiliser lalgorithe dcrit dans le cas monodimensionnel on peut initialiser un


algorithme en se xant a priori et arbitrairement (par exemple 0) deux premires valeurs de la phase
(u

, v

), (u

, v

). Ce choix arbitraire revient simplement se xer la translation que subira limage,


et cette translation na pas dimportance dans le problme tudi o on sintresse la forme dun objet .
Si on a mesur (u

, v

, u

, v

), on peut donc en dduire la phase en un troisime point du plan des


frquences
(u

, v

) = (u

, v

, u

, v

) +(u

, v

) +(u

, v

) (238)
Limage analyse est relle et sa phase est une fonction impaire
(u, v) = (u, v) (239)
On connait alors la phase en six points du plan des frquences : , , , , , . Il y a cloture de
phase pour le triplet (, , ) et pour le triplet (, , ). Si maintenant on mesure simultanment la
phase pour les frquences , et ( + ) et si on calcule le bispectre associ ce triplet on peut donc
en dduire la phase non perturbe (u, v) la frquence ( + ). Par un choix judicieux du triple de
frquences pour lequel on calcule le bispectre on peut donc augmenter le nombre dchantillons du plan
des frquences pour lesquels la phase est connue. Si de plus on tient compte dinformations connues a
priori sur limage cherche ou dhypothses permettant de complter la transforme de Fourier dans le plan
des frquences, on peut estimer cette transforme de Fourier de limage dans la rgion utile du domaine
bidimensionnel des frquences et donc par transforme inverse, reconstruire limage de lobjet tudi.
Egalisation 39
4.8 Maximisation du kurtosis dans le domaine des frquences
On peut interprter la maximisation du kurtosis dans le domaine des frquences, ce qui conduit des
rsultats assez simples.
Nous nous intressons au cas de lidentication dune fonction de transfert de module constant gal
un et qui agit donc comme un dphaseur pur sur un signal i.i.d. de kurtosis non nul. Le ltre B(z) a pour
forme
B(e
j
) = e
j()
(240)
La contrainte imposant que la variance de lentre est gale la variance de la sortie est donc ncessairement
respecte. La maximisation du kurtosis, connaissant le spectre dordre trois de la sortie du ltre inconnu
revient donc la maximisation de

e
j(1,2,3)

e
j(1)
e
j(2)
e
j(3)
e
j(1+2+3)

1
d
1
d
2
d
3
(241)
(par application du thorme de Parseval). Ce qui donne par symtrie

2 cos ((
1
,
2
,
3
) (
1
) +(
2
) (
3
) +(
1
+
2
+
3
)) d
1
d
2
d
3
(242)

2 sin
2
1
2
((
1
,
2
,
3
) (
1
) +(
2
) (
3
) +(
1
+
2
+
3
)) d
1
d
2
d
3
(243)
Cest lexpression dune distance euclidienne dans le plan complexe entre deux points de module un.
Cette expression dans le domaine des frquences permet une interprtation simple de lefcacit de la
recherche du maximum du kurtosis par la mthode du point xe propose par Shalvi et Weinstein [21]:
en labsence de bruit, pour une estimation parfaite des caractristiques statistiques dordre quatre, la fonc-
tion tudie passe par un maximum au point dquilibre de lalgorithme du point xe, ce qui garantit une
convergence trs rapide (voir [13]):
A litration p, la nouvelle estimation de () est ainsi donne par

p
() = arg

exp j ((,
2
,
3
) +
p1
(
2
) (
3
) +
p1
( +
2
+
3
)) d
2
d
3
(244)
Rfrences
[1] A. Benveniste, M. Goursat and G. Ruget, Robust identication of a nonminimumphase system: blind
adjustment of a linear equalizer in data communications, IEEE trans. automatic control, vol. AC-25,
no. 3, June 1980, pp. 1740-1748.
[2] J. J. Bussgang, Cross correlation functions of amplitude-distributed gaussian signals, technical re-
port 216, MIT Research laboratory of electronics, Cambridge, 1952.
[3] J. A. Cadzow, Blind deconvolution via cumulant extrema, IEEE sig. proc. magazine, 1996.
[4] P. Comon, Independent Component Analysis, a new concept? , Signal Processing, Special issue on
Higher-Order Statistics, vol. 36, no 3, April 1994pp 287-314.
[5] Z. Ding and Y. Li, Blind equalization and identication, Marcel Dekker ed. , 2000
[6] D. Donoho, On minimum entropy deconvolution, Applied time series analysis II, Academic Press,
1981, pp. 565-609.
[7] G. Giannakis and J. M. Mendel, Identication of non-minimum phase systems using higher-order
statistics, IEEE trans. ASSP, vol. 37, 1989, pp. 360-377.
[8] D. Godard, Self recovering equalization and carrier tracking in two-dimensional data communication
systems, IEEE trans. on Communications, vol. COM-28 no. 11, nov. 1980, pp. 1867-1875.
[9] S. Haykin, ed., Unsupervised adaptive ltering, vol. 2: Blind deconvolution, Wiley, 2000.
40 J. Le Roux
[10] C. Huet, Factorisation des spectres dordre suprieur de signaux complexes, application en identi-
cation aveugle de systmes et reconstruction dimages, Thse de luniversit de Nice, 1997.
[11] J. L. Lacoume, P.O. Amblard et P. Comomn, Statistiques dordre suprieur pour le traitement du
signal, Ed. Masson, 1997
[12] J. Le Roux and C. Huet, On a condition of higher order spectra factorization, IEEE trans. on Signal
Processing, vol. 47, nr 7, July 1999, pp. 1903-1909.
[13] J. Le Roux and S. Icart, System frequency response phase estimation based on skewness or kurtosis
maximization, ICASSP 2000 in Istambul, Turkey, 2000, June 5-9.
[14] A. W. Lohmann, G. Weigelt and B. Wirnitzer, Speckle masking in astronomy: triple correlation
theory and application, Applied physics, vol. 22, pp 4028-4037.
[15] R. W. Lucky, Techniques for adaptive equalization of digital communication systems, Bell system
tech. J., vol. 45, 1966, pp. 255-286.
[16] J. Mendel,Tutorial on higher-order statistics (spectra) in signal processing and system theory: theore-
tical results and some applications, Proceedings of the IEEE, vol. 79, no. 3, March 1991, pp. 278-305
[17] S. U. H. Qureshi, Adaptive equalization, Proc. IEEE, vol. 73, no. 9, Sept. 1985, pp. 1349-1387.
[18] Y. Sato, A method of self recovering equalization for multilevel amplitude modulation, IEEE trans.
communications, vol. COM-23, june 1975, pp. 679-682.
[19] D. Rossille, Reconstruction de signaux partir du bispectre, application lastronomie : effet de
lchantillonnage et de la stationnarit sur les spectres dordre suprieur, Thse de Doctorat, Univer-
sit de Nice, Juin 1995.
[20] O. Shalvi and E.Weinstein, New criteria for blind deconvolution of non-minimum phase systems
(channels), IEEE trans. information theory, vol. 36, March 1990, pp. 312-321.
[21] O. Shalvi and E.Weinstein, Super exponential methods for blind deconvolution, Proc. SPIE 1991,
Adaptive signal processing, vol. 1565, Jan. 1991, pp. 143-151 ; aussi dans IEEE Trans. Information
Theory vol. 39, no. 2, March 1993, pp 504-519.
[22] L. Tong, G. Xu and T. Kailath, Blind identication and equalization based on on second-order statis-
tics, : A time domain approach, IEEE trans. Information theory, vol. IT-40, no 2, March 1994, pp.
340-349.

You might also like