République Algérienne Démocratique et Populaire

Ministère de l'Enseignement Supérieur et de la Recherche Scientifique

Ecole Nationale Polytechnique

Département d'Electronique

Laboratoire Signal & Communications

Thèse de Doctorat en Electronique

Présentée par :

MADDI Abdelkader

ALGORITHMES IMPLEMENTABLES D’IDENTIFICATION

PARAMETRIQUE : APPLICATION AU SIGNAL DE PAROLE
BRUITEE

Devant le jury :

Président : Mr F. BOUDJEMA, Professeur à l’ENP.

Examinateur : Mr M. BENSEBTI, Professeur à l’USD de Blida.
Examinateur : Mr H. SALHI, Maître de conférence à l’USD de Blida.
Examinatrice : Mme M. GUERTI, Professeur à l’ENP.
Rapporteur : Mr A. GUESSOUM, Professeur à l’USD de Blida.
Mr D. BERKANI, Professeur à l’ENP.

Février 2008
Remerciements

Remerciements

Je tiens tout d’abord à exprimer ma profonde reconnaissance et mes sincères

remerciements à Mr A. GUESSOUM, Professeur à l’Université Saad Dahlab de Blida
(USDB) et Directeur du Laboratoire de Traitement de Signal et Imagerie (LATSI), pour son
aide déterminante et pour ses conseils précieux en sa qualité de directeur de thèse qui ont
largement contribué dans l’avancement de mes travaux de recherche et l’amélioration de cette
thèse de Doctorat.

J’adresse également mes remerciements à Mr D. BERKANI, Professeur à l'Ecole

Nationale Polytechnique (ENP), pour avoir accepté la direction de cette thèse et d’avoir suivi
et contribué avec intérêt à l’évolution de ce travail de recherche. Je lui exprime aussi ma
gratitude pour ses précieux conseils.

J’exprime ma gratitude à Mr F. BOUDJEMA, le Président du jury, d’avoir bien voulu

présider mon jury.

Je suis très reconnaissant aux membres du jury :

¾ Mr M. BENSEBTI, Professeur à l’USDB.

¾ Mr H. SALHI, Maître de conférence à l'USDB.
¾ Mme M. GUERTI, Professeur à l’ENP.

D’avoir accepté d’êtres membres de la commission d’examen.

Je remercie chacun des membres de l'équipe Parole du Laboratoire LATSI pour leur
amitié, leur aide et leur soutien.

Je tiens à exprimer ma gratitude et mon amitié à Mr M. DJENDI, Enseignant

Chercheur à l’USDB, pour m’avoir soutenu dans les moments difficiles. Qu’il trouve ici ma
reconnaissance et mon respect.

Thèse de Doctorat ENP 2008 i

Résumé

‫ﻣﻠﺨﺺ‬
‫ ﻟﻬﺬا ﺗﻌﺘﺒﺮ اﻟﻤﺮﺣﻠﺔ‬.‫إن ﻟﺨﻮارزﻣﻴﺎت اﻟﻤﻄﺎﺑﻘﺔ ﻋﻼﻗﺔ ﺟﺪ وﻃﻴﺪة ﺑﻄﺮق اﻹﺣﺼﺎء و ﻃﺒﻴﻌﺔ اﻟﻨﻤﺎذج اﻟﺮﻳﺎﺿﻴﺔ‬
.‫اﻷﺳﺎﺳﻴﺔ ﻓﻲ ﻃﺮﻳﻘﺔ اﻟﻤﻄﺎﺑﻘﺔ ﻣﺒﻨﻴﺔ ﻋﻠﻰ اﻟﻤﻌﺮﻓﺔ اﻟﺠﻴﺪة ﻟﻜﻞ ﻧﻈﺎم ﻓﻴﺰﻳﺎﺋﻲ‬
‫ و‬LMS RLS : ‫و ﻓﻲ إﻳﻄﺎر هﺬﻩ اﻷﻃﺮوﺣﺔ ﻟﻨﻴﻞ ﺷﻬﺎدة اﻟﺪآﺘﻮراﻩ ﻧﻘﻮم ﺑﺪراﺳﺔ و اﻧﺠﺎز اﻟﺨﻮارزﻣﻴﺎت اﻟﺘﺎﻟﻴﺔ‬
‫ ﻋﻠﻤﺎ أن أﻏﻠﺒﻴﺔ‬, ‫ﻧﻴﻮﺗﻦ ﻟﻤﻄﺎﺑﻘﺔ اﻷﺑﻌﺎد اﻟﻘ ْﺎْﺋﻤﺔ ﻋﻠﻰ ﺗﺒﻴﻴﺾ اﻟﺨﻄﺄ ﻟﻠﺤﺼﻮل ﻋﻠﻰ ﺧﻄﺄ ﻳﺆول إﻟﻰ اﻟﻀﻮﺿﺎء اﻟﺒﻴﻀﺎء‬
. ARX ‫ او‬ARMA, ARMAX ‫اﻷﻧﻈﻤﺔ اﻟﻔﻴﺰﻳﺎﺋﻴﺔ ﺗﻤﺜﻞ وﻓﻖ ﻧﻤﻮذج‬
‫ ﺛﻢ ﻧﻘﻮم ﺑﺘﻄﺒﻴﻘﻬﺎ ﻋﻠﻰ‬ARMAX ‫ ﻟﻤﻄﺎﺑﻘﺔ ﻧﻤﻮذج‬RELS ‫وﻓﻲ اﻷﺧﻴﺮ ﻧﻘﺘﺮح ﺻﻴﻐﺔ ﻣﺘﻄﻮرة ﻟﺨﻮارزﻣﻴﺔ‬
.‫اﻹﺷﺎرة اﻟﺼﻮﺗﻴﺔ اﻟﺘﻲ ﺳﺘﻜﻮن ﺛﻤﺮة هﺬا اﻟﻌﻤﻞ‬

.‫ إﺷﺎرة ﺻﻮﺗﻴﺔ‬- ‫ ﺧﻮارزﻣﻴﺔ اﻟﺘﻔﺎﺿﻞ – ﻓﺎرق‬- R SL ‫ ﺧﻮارزﻣﻴﺔ‬- ‫ ﻧﻤﻮذج رﻳﺎﺿﻲ‬- ‫ ﻃﺮﻳﻘﺔ اﻟﻤﻄﺎﺑﻘﺔ‬: ‫آﻠﻤﺎت اﻟﻤﻔﺘﺎح‬

Résumé
L’identification de systèmes est fortement liée aux méthodes statistiques et à la
construction de modèles décrivant de manière mathématique les processus physiques. La
principale étape d’identification se traduit donc par une meilleure connaissance du système.
Dans cette Thèse de Doctorat, nous nous sommes intéressés plus particulièrement, à
des méthodes d’identification paramétrique. Les méthodes que nous présentons sont :
Gradient Stochastique, Newton Stochastique et Moindres Carrés pour identifier sans biais les
paramètres d’un processus physique basées sur le blanchissement de l’erreur de prédiction.
Elles consistent à déterminer, d'une façon récursive, un modèle mathématique linéaire, basé
sur les données d'observation, pour représenter le système considéré. La plupart des systèmes
peuvent être représentés par des modèles ARMAX, ARMA ou ARX.
Enfin, nous proposons la méthode des Moindres Carrés Etendue pour estimer
simultanément les paramètres du modèle ARMAX. Une application de cette méthode a été
réalisée pour identifier les paramètres du modèle ARX de la parole dans un contexte bruité.

Mots-clés : Identification, Modèle Mathématique, Moindres Carrés, Gradient Stochastique, Biais,

Signal de parole.

Abstract
The identification of systems is strongly related on the statistical methods and the
construction of models describing in a mathematical way the physical processes. The
principal stage of identification thus results in a better knowledge of the system.
In this Doctoral Thesis, we present the parametric identification methods, which are
the stochastic gradient method, stochastic Newton and recursive least squares method to
identify with unbiased estimates parameters of a physical process based on whitening error of
prediction. They consist in determining, in a recursive way, a linear mathematical model,
based on the data of observation, to represent the system considered. The majority systems
can be represented by ARMAX, ARMA or ARX models.
Finally, we propose the Recursive Extended Least Squares method to estimate the
parameters of the ARMAX model. An application of this method is realised to identify the
parameters of ARX model corresponding to the noisy speech signal.

Keywords : Identification, Mathematic Model, Least Squares, Stochastic Gradient, Bias, Speech
Signal.

Thèse de Doctorat ENP 2008 ii

Liste des Abréviations

Liste des Abréviations

AR : Autorégressif

ARMA : Autorégressif à Moyenne Ajustée

ARMAX : Autorégressif à Moyenne Ajustée avec entrée auxiliaire

E : Espérance

EM : Expectation Minimisation

EQM : Erreur Quadratique Moyenne

FA : Fonction Aléatoire

FIR : Finite Impulse Response

IIR: Infinite Impulse Response

LMS: Least Mean Squares

LPC : Linear Predictive Coding

MA : Moyenne Ajustée

ML: Maximum Likelihood

MSE: Mean Square Error

NLMS: Normalized Least Mean Squares

SN: Stochastic Newton

RLS: Recursive Least Squares

SBPA : Séquence Binaires Pseudo Aléatoires

SNR : Signal Noise Ration

VAR : Variance

Thèse de Doctorat ENP 2008 iii

Liste des Figures

Liste des Figures

Fig.I.1 : Génération d’un signal aléatoire corrélé……………………………………… 9

Fig.I.2 : Estimateur biaisé de faible variance…………………………………………… 13
Fig.I.3 : Estimateur non biaisé de forte variance……………………………………….. 14
Fig. I.4 : Deux segments de voix, l’un non voisé et l’autre voisé……………………… 17
Fig. 1.5 : Modèle simplifié de production de la parole…………………………………….. 19
Fig. 1.6 : Analogie entre le modèle physique et le modèle acoustique……………… 19
Fig. II.1 : Schéma d’identification paramétrique………………………………………… 27
Fig. III.1 : Représentation graphique de la méthode de Newton………………………… 34
Fig.III.2 : Structure de réalisation d’un modèle ARMA…………………………………. 38
Fig.III.3 : Structure du modèle ARMAX………………………………………………… 42
Fig. IV.1: Séquence d’entrée SBPA……………………………………………………… 47
Fig. IV.2 : Bruit additif gaussien et sa fonction d'autocorrelation ………………………. 47
Fig. IV.3: Menu simple des algorithmes implémentés sous MATLAB………………………
49
Fig. IV.4 : (a) - Evolution des paramètres (N = 256*4, µ = 0.0145 ),
(b) - Autocorrelation de l’erreur de prédiction…………………………………………… 50
Fig. IV.5 : (a) - Convergence lente µ = 0.0097 , (b) – Convergence
Rapide µ = 0.0193 ………………………………………………………………………. 51

Fig. IV.6 : (a) - Evolution des paramètres (N = 256*4, σ 2 = 0.01 ),

(b) - Autocorrelation de l’erreur de prédiction……………………………….................. 52
Fig. IV.7 : (a) - Convergence lente µ = 0.0033 ,
(b) - Convergence rapide µ = 0.0066 ………………………………………… ………. 53

Fig. IV.8 : Evolution des paramètres (N = 256*10, σ 2 = 0.25 )………………………… 55

Fig. IV.9 : (a) - Erreur de prédiction (N = 256*10, σ 2 = 0.25 ),
(b) - Autocorrelation de l’erreur de prédiction………………………………………….. 55
Fig. IV.10 : Erreur d’identification par l'algorithme SN au cas d'un système à
phase minimale………………………………………………………………………….. 56

Thèse de Doctorat ENP 2008 iv

Liste des Figures

Fig. IV.11 : Erreur d’identification par l'algorithme SN au cas d'un système à

phase non minimale……………………………………………………………………… 57
Fig. IV.12 : (a) - Evolution des paramètres (N = 256*4, σ 2 = 0.25),
(b) - Autocorrelation de l’erreur de prédiction dans le cas d'un système à phase
minimale…………………………………………………………………….................... 59
Fig. IV.13 : (a) - Evolution des paramètres (N = 256*4, σ 2 = 0.25),
(b) - Autocorrelation de l’erreur de prédiction dans le cas d'un système à
phase non minimale………………………………………………………………………… 60
Fig. IV.14 : Evolution des paramètres (N = 256*10, σ 2 = 0.25 ) dans le cas du modèle
ARMAX…………………………………………………………………………………… 63
Fig. IV.15 : (a) - Erreur de prédiction (N = 256*10, σ 2 = 0.25 ),
(b) - Autocorrelation de l’erreur de prédiction. Cas du modèle ARMAX………………… 63
Fig. IV.16 : (a), (b) - Erreur d’identification des paramètres par l'algorithme RELS…………
65
Fig.V.1 : Exemples de parole (Signal (x1) : locuteur en haut, locutrice en bas)…. 64
Fig.V.2 : Exemples de parole (Signal (x2) : locuteur en haut, locutrice en bas) ………… 67
Fig.V.3 : Exemples de son voisé (droit) et non voisé (gauche)…………………………… 68
Fig.V.4 : Tranche voisée de 32 ms du signal (M1) et son spectre de puissance. …………. 69
Fig.V.5 : Tranche non voisée de 32 ms du signal (M1) et son spectre de puissance. …………
70
Fig.V.6 : Tranche de 32 ms du signal (M1) et son spectre de puissance. Cas : RLS…………
72
Fig.V.7 : Tranche de 32 ms du signal (F1) et son spectre de puissance. Cas : RLS……………
73
Fig.V.8 : Tranche de 32 ms du signal (M2) et son spectre de puissance. Cas : RLS …. 74
Fig.V.9 : Tranche de 32 ms du signal (F2) et son spectre de puissance. Cas : RLS … 75
Fig.V.10 : Evolution temporelle du paramètre a1 et a2 du signal (M1) …………………… 76
Fig.V.11 : Evolution temporelle du paramètre a4 et a5 du signal (M1)…………………… 76
Fig. V.12 : Bruit gaussien de moyenne nulle et variance égale à l'unité………………… 77
Fig. V.13 : Taux de l'EQM des signaux de parole………………………………………. 83

Thèse de Doctorat ENP 2008 v

Liste des Tableaux

Liste des Tableaux

Tab. IV.1 : Influence du nombre d’échantillons N, ( σ 2 = 0.01 , µ = 0.0145 )……………….50

Tab. IV.2 : Influence du gain d’adaptation µ , ( σ 2 = 0.01 , N = 256*4)……………………..51

Tab. IV.3 : Influence du nombre d’échantillons N, ( σ 2 = 0.01 , µ = 0.0050 )……………….52

Tab. IV.4 : Influence du gain d’adaptation µ (N =256*10, σ 2 = 0.01 )……………………...53

Tab.IV.5 : Influence du nombre d’échantillons N, ( σ 2 = 0.25 )…………………………….54

Tab. IV.6 : Influence de la variance σ 2 , (N = 256*10)………………………………………54
Tab. IV.7 : Influence du nombre d’échantillons N, ( σ 2 = 0.25 ) ……………………………56
Tab. IV.8 : Influence du variance σ 2 , (N = 256*10)…………………………………………57
Tab.IV.9 : Influence du nombre d’échantillons N, ( σ 2 = 0.25)……………………………..58
Tab. IV.10 : Influence de la variance σ 2 , (N =256*10)……………………………………...58
Tab. IV.11 : Influence du nombre d’échantillons N, ( σ 2 = 0.25)…………………………..59
Tab. IV.12 : Influence de la variance σ 2 , (N =256*4)…………………………………….…60
Tab. IV.13 : Biais des estimateurs utilisés, N = 256*4, σ 2 = 0.25…………………………..61
Tab. IV.14 : Influence du nombre d’échantillons N, ( σ 2 = 0.25 )…………………………..62
Tab. IV.15 : Influence du variance σ 2 , (N = 256*10)……………………………………….62
Tab.V.1 : Propriété de l'estimateur RLS. Cas : Tranche de 32 ms du signal (M1) ………….72
Tab.V.2 : Propriété de l'estimateur RLS. Cas : Tranche de 32 ms du signal (F1) …………..73
Tab.V.3 : Propriété de l'estimateur RLS. Cas : Tranche de 32 ms du signal (M2) ………….74
Tab.V.4 : Propriété de l'estimateur RLS. Cas : Tranche de 32 ms du signal (F2) …………..75
Tab.V.5 : Estimation des paramètres du modèle AR par l'algorithme RELS.
Cas : Tranche de 32 ms du signal (M1), SNR = 40dB……………………………..78
Tab.V.6 : Estimation des paramètres du modèle AR par l'algorithme RELS.
Cas : Tranche de 32 ms du signal (M1), SNR = 30dB……………………………..78
Tab.V.7 : Estimation des paramètres du modèle AR par l'algorithme RELS.
Cas : Tranche de 32 ms du signal (M1), SNR = 20dB……………………………..79

Thèse de Doctorat ENP 2008 vi

Liste des Tableaux

Tab.V.8 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas : Tranche de 32 ms du signal (M1), SNR = 10dB……………………………..79
Tab.V.9 : Estimation des paramètres du modèle AR par l'algorithme RELS.
Cas : Tranche de 32 ms du signal (F1), SNR = 40dB………………...…………....80
Tab.V.10 : Estimation des paramètres du modèle AR par l'algorithme RELS.
Cas : Tranche de 32 ms du signal (F1), SNR = 10dB………………..………..…..80
Tab.V.11 : Estimation des paramètres du modèle AR par l'algorithme RELS.
Cas : Tranche de 32 ms du signal (M2), SNR = 40dB………………..…………..81
Tab.V.12 : Estimation des paramètres du modèle AR par l'algorithme RELS.
Cas : Tranche de 32 ms du signal (M2), SNR = 10dB. …..……………..………..81
Tab.V.13 : Estimation des paramètres du modèle AR par l'algorithme RELS.
Cas : Tranche de 32 ms du signal (F2), SNR = 40dB. .…………………..…..…..82
Tab.V.14 : Estimation des paramètres du modèle AR par l'algorithme RELS.
Cas : Tranche de 32 ms du signal (F2), SNR = 10dB.……………………………..82
Tab.V.15 : Etude comparative des EQM. Cas des signaux faiblement bruités……..………..83
Tab.V.16 : Etude comparative des EQM. Cas des signaux fortement bruités……...………..83
Tab.V.17 : Modélisation ARMA de la parole par l'estimateur RLS.
Cas: Tranche de 32 ms du signal (M1)………………………………………… 84

Thèse de Doctorat ENP 2008 vii

Sommaire

Sommaire

Remerciement……………………………………………………………………………… i
Résumé…………………………………………………………………………………….. ii
Liste des Abréviations………………………………………………………………………….
iii
Liste des Figures……………………………………………………………………………. iv
Liste des Tableaux………………………………………………………………………….. vi

INRODUCTION GENERALE…………………………………………………………….. 1

CHAPITRE I :
NOTIONS DE PROCESSUS STOCHASTIQUES
ET LA PAROLE

I.1. Introduction……………………………………………………………………………....4
I.2. Notions de processus stochastique……………………………………………………….4
I.2.1. Densité de probabilité d’une fonction aléatoire en temps continu.......................... 4
I.2.2. Indépendance……………………………………………………………………... 5
I.2.3. Moment d’une fonction aléatoire…………………………………………………. 5
I.2.3.1. Moyenne………………………………………………………………….. 5
I.2.3.2. Variance et covariance……………………………………………………. 5
I.2.3.3. Covariance mutuelle……………………………………………………… 6
I.2.4. Stationnarité et Ergodicité………………………………………………………… 6
I.2.4.1. Stationnarité………………………………………………………………. 6
I.2.4.2. Ergodicité…………………………………………………………………. 7
I.2.5. Densité spectrale de puissance……………………………………………...…….. 9
I.2.6. Modèles stochastiques……………………………………………………………. 9
I.2.7. Processus stochastiques remarquables………………………………...………….. 9
I.2.7.1. Processus Gaussien……………………………………………………..… 10
I.2.7.2. Processus Markovien…………………………………………….…………10
I.3. Notions de la théorie d’estimation……………………………………………………..…10
I.3.1. Estimation d'une distribution………………………………………………. 11
I.3.2. Estimation des paramètre d'une distribution …………………………………. 11
I.3.3. Estimation des paramètre d'un modèle…. …………………………………. 11
I.3.4. Estimateurs et estimations………………………………………………….. 12
I.3.5. Propriétés d'un bon estimateur.…………………………………………….. 12

Thèse de Doctorat ENP 2008

Sommaire

I.4. Notions de bruits……………………………………………………………………….... 15

I.4.1. Bruit blanc…………………………………………………………………………...15
I.4.2. Séquence binaire pseudo aléatoire…..…………………………………………….. 15
I.4.3. Bruit coloré………………………….…………………………………..………… 15
I.5. Notions sur le signal de parole…………………………………………………………….... 16
I.5.1. Description du signal vocal……………………………………………………..… 16
I.5.2. Détection de la fréquence fondamentale de la parole …………………………….…16
I.5.3. Classification des sons……………………………………………………............. . 16
I.5.4. Modèle de production de la parole………………………………………….......... 18
I.6. Conclusion……………………………………………………………………………….. 20

CHAPITRE II :
MODELISATION ET IDENTIFICATION
DES PROCESSUS PHYSIQUES

II.1. Introduction………………………………………………………………………….….. 21
II.2. Modélisation des processus physiques……………………………………………….… 21
II.2.1. Différentes approches d’établissement d’un modèle…………………………... 22
II.2.2.1. Modèle de connaissance……………………………………………… 22
II.2.2.2. Modèle de représentation……………………………………………... 22
II.2.2. Modélisation autorégressive à moyenne ajustée (ARMA)……………………... 22
II.2.3.1. Modélisation autorégressive (AR)…………………………………..… 23
II.2.3.2. Modélisation à Moyenne Ajustée (MA)……………………………… 23
II.2.3. Principales étapes de la modélisation…………………………………………... 24
II.2.4.1. Système…………………………………………….………………… 24
II.2.4.2. Modèle……………………………………………………………….... 24
II.2.4.3. Critère…………………………………………………………..…….. 25
II.2.4.4. Optimisation………………………………………………..…………. 25
II.2.4.5. Incertitude sur les paramètres……………………………………….... 25
II.2.4.6. Analyse critique des résultats obtenus………………………………… 25
II.2.4. Difficultés de la modélisation……………………………….............................. 25
II.2.4.1. Définition du problème de modélisation……………………………… 25
II.2.4.2. Qualité des données de modélisation……………………………….... 25
II.2.4.3. Choix de la technique utilisée…………………………………..…….. 26
II.2.4.4. Choix des variables disponibles……………………………..………….26
II.2.4.5. Sélection de modèle adéquat………………………………….................26
II.3. Identification des paramètres d'un processus physique……………………………………. 27
II.3.1. Identification non paramétrique…………………………………….................... 27
II.3.2. Identification paramétrique……………………………………….……………. 27
II.3.3. Etapes d’identification………………………………………..………………… 28
II.3.2.1. Acquisition des entrées et sorties …………………………………..… 28
II.3.2.2. Choix de la complexité du modèle……………………………………. 28
II.3.2.3. Estimation des paramètres du modèle……………………...………… 29
II.3.2.4. Validation du modèle……………………………………………….... 29
II.3.4. Algorithme d’identification récursif………………………………………….… 29
II.4. Conclusion………………………………………………………………………….…… 29

Thèse de Doctorat ENP 2008

Sommaire

CHAPITRE III :
ETUDE ET DEVELOPPEMENT DES ALGORITHMES
D’IDENTIFICATION PARAMETRIQUE

III.1. Introduction…………………………………………………………………………….. 30
III.2. Algorithme du gradient stochastique…………………………………………………. 31
III.2.1. Rappel sur la méthode du gradient…………………………………………...… 31
III.2.2. Identification d’un modèle ARMA……………………………………………. 31
III.2.3. Les avantages de la méthode du gradient…………………………………….... 33
III.3. Algorithme de Newton stochastique…………………………………………………... 34
III.3.1. Principe de la méthode……………………………………………………….... 34
III.3.2. Equations de mise en œuvre de la méthode de Newton………………………...35
III.3.3. Identification du modèle ARMA…………………………………………….… 36
III.4. Algorithme des moindres carrés………………………………………………………. 37
III.4.1. Identification du modèle ARMA…………………………………….. 37
III.4.2. Solution optimale au sens des moindres carrés………………………. 38
III.4.3. Algorithme des moindres carrés récursif……………………………… 39
III.4.4. Propriétés de l’estimateur des moindres carrés…………………….… 41
III.5. Algorithme des moindres carrés étendu RELS……………………………………….....41
III.5.1. Structure d’un modèle ARMAX…………………………………………..…… 42
III.5.2. Détermination des paramètres………………………………………………..…43
III.5.3. Les équations mise en œuvre de l’algorithme RELS………………………..…..44
III.5.4. Initialisation de l’algorithme RELS……………………………………….…….44
III.6. Conclusion………………………………………………………………………….….. 45

CHAPITRE IV :
IMPLEMENTATION DES ALGORITHMES
ET RESULTATS DE SIMULATION

IV.1. Introduction…………………………………………………………………...……….. 46
IV.2. Etapes de simulation…………………………………………………..……………... 46
IV.2.1. Choix des paramètres du système …………………………..…………………..46
IV.2.2. Choix des signaux de test……………………………...……………………… 46
IV.2.3. Identification des paramètres du modèle………………………………….…. 48
IV.2.4. Test de validation……………………………………………………………… 48
IV.3. Mise en œuvre des algorithmes implémentés……………………………………….. 49
IV.4. Identification des paramètres par l’algorithme LMS.................................................... 49
IV.4.1. Système à phase minimale…………………………………………………..… 49
IV.4.2. Système à phase non minimale………………………………………………... 52
IV.5. Identification des paramètres par l’algorithme de Newton stochastique…………….…54
IV.5.1. Système à phase minimale………………………………………………….…. 54
IV.5.2. Système à phase non minimale………………………………………………... 56
IV.6. Identification des paramètres par l’algorithme RLS…………………………………. 58
IV.6.1. Système à phase minimale…………………………………………………….. 59
IV.6.2. Système à phase non minimale………………………………………………... 58

Thèse de Doctorat ENP 2008

Sommaire

IV.7. Etude comparative des algorithmes d’identification paramétrique…………………… 61

IV.8. Identification des paramètres d’un modèle ARMAX………………………………… 62
IV.9. Interprétation des résultats obtenus…………………………………………………… 64
IV.10. Conclusion…………………………………………………………………………… 65

CHAPITRE V :
APPLICATION AU SIGNAL DE PAROLE

V.1. Introduction………………………………………………………………………………66
V.2. Base de données………………………………………………………………….……….66
V.3. Exemples de son voisé et non voisé………..…………………………………….………68
V.4. Transformée de Fourier à court terme……………………………………………………68
V.5. Modélisation de la parole non bruitée.……………………………………………..…… 70
V.6. Modélisation de la parole bruitée.……………………………………………..…………77
V.7. Etude comparative………………………………………………………………………..83
V.8. Modélisation ARMA de la parole non bruitée……………………………………………..
84
V.9. Conclusion………………………………………………………………………………..85

CONCLUSION GENERALE ET PERSPECTIVES……………………………………..……

87

Références bibliographie………………………………………………………………………89

Biographie

Thèse de Doctorat ENP 2008

Introduction Générale

Introduction Générale

1. Problématique
L'intérêt des approches d'identification paramétrique fait l'objet de nombreux
développements ces dernières années. Les résultats théoriques établis concernent
généralement les performances asymptotiques des méthodes dans le cas de signaux d'entrée
connus et suffisamment excitants. Le cas plus réaliste de données faiblement informatives, en
nombre fini ou avec des incertitudes non seulement sur les signaux de sortie mais aussi sur les
signaux d'entrée a reçu moins d'attention jusqu'a présent ; de ce fait, de nombreux problèmes
théoriques et pratiques restent ouverts.
Le sujet proposé est motivé par les problèmes rencontrés lors des récents travaux de
recherche effectués sur l'analyse des processus physiques. Dans ce domaine applicatif, la
recherche des modèles à temps discrets ayant un sens physique est primordiale. En outre, les
récentes évolutions technologiques pour l'acquisition de données permettent aujourd'hui
d'envisager le développement de nouvelles techniques de modélisation et d'identification des
processus physiques.
Différents travaux concernant cette classe de traitements pour l’identification et/ou la
reconstruction de signaux ont été menés. L’algorithme de type LMS permet effectivement un
traitement en temps réel mais conduit à une estimation biaisée des paramètres du modèle
ARMA. L’algorithme EM est une adaptation d’un algorithme hors ligne, il souffre d’une
grande complexité de calcul. Par contre, il fournit une estimation non biaisée des paramètres
du modèle ARMA.
D'autres auteurs introduisent une autre catégorie d'algorithmes pour supprimer le bruit
[1]. Ils considèrent que chaque segment du signal est stationnaire et modélisé par un système
autorégressif d'ordre p. La plupart des modèles temps-fréquences de la parole sont construits
sur un modèle linéaire fonctionnel très simple de production de la parole décrit par [Markel &
Gray, 1976].
[Makhoul, 1977] a établi les coefficients de prédiction dans le domaine fréquentiel et
temporel. II a traité les cas ou le signal est considéré déterministe (voisement) ou non
déterministe (bruit, non voisé) en abordant également la question de la stabilité et du gain du
système.

Thèse de Doctorat ENP 2008 1

Introduction Générale

[Lim et Oppenheim, 1978 - 1983] cherchent à estimer les paramètres du modèle AR et

le signal de parole non bruitée, en utilisant une méthode d'estimation du maximum à
posteriori. Une estimation sous optimale est obtenue à l'aide de l'algorithme EM [Dempster et
Al., 1977], par un procédé itératif. Les paramètres du modèle AR sont tout d'abord déterminés
en supposant le signal non bruité connu. Une estimation du signal bruité est ensuite calculée
en utilisant le modèle non bruité estimé et en supposant connue l'estimation de la densité
spectrale de puissance du bruit. Cependant, si un vecteur de parole non bruitée ainsi que le
modèle AR sont estimés à partir du vecteur correspondant de parole bruitée, le nombre
d'inconnues (nombre d'échantillons de parole non bruitée + nombre de coefficients du modèle
AR) est supérieur au nombre d'observations bruitées. Il est donc impossible d'obtenir une
faible variance à la fois pour l'estimateur des paramètres du modèle AR et pour l'estimateur du
signal non bruité. Donc, la méthode de Lim et Oppenheim est limitée au bruit blanc gaussien;
[Hansen et Clements, 1985] l'étendent pour des bruits colorés. Une variante de l'approche de
Lim et Oppenheim est développée dans [Paliwal et Basu, 1987], où le modèle AR est d'abord
estimé à partir du signal bruité, puis utilisé pour estimer le signal non bruité.
[Paliwal et Basu, 1987] supposent que le bruit est blanc, centré, additif et non corrélé
avec le signal original. Premièrement, ils estiment les p coefficients du modèle AR par une
des méthodes conventionnelles. Ensuite, ils appliquent l'algorithme du filtrage de Kalman en
utilisant les p coefficients estimés auparavant pour estimer de nouveau le signal de parole.
[Koo, 1989] et [Baillargeat, l991] ont considéré une autre approche plus réaliste qui
introduit une modélisation autorégressive pour le bruit également. Macaulay [1980] et Yang
[1993] ont suggéré d'autres techniques utilisant les notions probabilistes pour estimer le
spectre d'énergie.
L'ensemble des algorithmes qu'on a cité jusqu'à présent analyse le signal parvenant
d'une seule source. II existe d'autres catégories d'algorithmes qui utilisent deux sources
d'informations ou plus pendant le processus d'analyse.

2. Solutions proposées
L'utilisation des méthodes d'identification traditionnelles sans bruit conduit souvent à
des estimations biaisées. C'est pourquoi, le problème d'identification de systèmes dans un
contexte dénommé bruité est reconnu pour être beaucoup plus délicat à traiter et reste encore
largement ouvert.

Thèse de Doctorat ENP 2008 2

Introduction Générale

Des algorithmes d’identification paramétrique ayant une formulation récursive adaptée

aux problèmes d’identification en temps réel et leurs mises en œuvre sur micro-ordinateur, ont
été développés. Une première partie de la thèse concerne la mise au point des algorithmes de
type Newton stochastique, Gradient stochastique et Moindres carrés ordinaire, dédiés à
l'identification des paramètres du modèle ARMA.
Ensuite, nous proposons dans ce travail de thèse de Doctorat un algorithme récursif
RELS permettant une estimation non biaisée des paramètres du modèle ARMAX. Cette
méthode est fondée sur la famille des moindres carrés récursifs qui généralise l’algorithme
RLS au cas des signaux discrets. L'application concernée, est la modélisation d’un signal de
parole dans un environnement bruité.

3. Organisation de la thèse
Le premier chapitre de cette thèse est un rappel bref sur des notions et généralités de
processus stochastiques et la parole.
Le second chapitre est réservé pour la modélisation et l’identification paramétrique des
processus physiques.
Dans le troisième chapitre, nous présentons l’étude et développement des algorithmes
d’identification paramétriques tel que l’algorithme de Newton stochastique, Gradient
stochastique et Moindres carrés récursifs. Une version étendue RELS est aussi obtenue pour
identifier sans bais les paramètres d’un processus physique de type ARMAX.
Le quatrième chapitre est consacré à l'implémentation des algorithmes d'identification
et aux résultats obtenus par simulation. Plusieurs tests ont été effectués sur différents
processus physiques stables à phase minimale ou non minimale ainsi que leurs interprétations
physiques.
Le dernier chapitre, est une application au signal de parole qui sera le fruit de notre
travail. Enfin, en conclusion générale de ce travail, nous résumons les méthodes proposées et
les résultats obtenus, et pressentons des perspectives d'études.
En conclusion, le travail réalisé dans cette thèse a permis d’étudier et implémenter les
algorithmes d’identification paramétrique et tester leurs performances. Les perturbations
aléatoires qui entachent la sortie mesurée du processus physique peuvent causer un biais sur
l’estimation des paramètres. Pour différents types de perturbations, il existe des méthodes
appropriées d’identification récursive assurant asymptotiquement une estimation non biaisée
des paramètres.

Thèse de Doctorat ENP 2008 3

Chapitre I Notions de Processus Stochastiques et Parole

Chapitre

I Notions de Processus Stochastiques

Et Parole
I.1. Introduction
Ce chapitre a pour objectif de donner aux lecteurs une autre vision du traitement qui
peut être appliqué à des signaux ou des systèmes. Dans les cours du traitement du signal, les
signaux et systèmes considérés et modélisés sont supposés connus parfaitement (de manière
déterministe). Or, dans de nombreux systèmes réels, les signaux à traiter ne peuvent être
modélisés de la sorte. C’est le cas par exemple des signaux de télécommunications qui, par
nature, ne sont pas connus de façon certaine, sinon ils ne véhiculeraient aucune information.
C’est aussi le cas de nombreux signaux qui proviennent de mesures ou d’observations
bruitées, qui font que le signal réellement observé est une forme corrompue du signal voulu.
De ce fait, de nombreuses opérations de traitement du signal pensées pour des signaux
déterministes doivent être repensées et optimisées en fonction de l’information dont on
dispose à propos du signal à traiter [2]. C’est l’objet de ce chapitre.

I.2. Notions de processus stochastique

Un processus stochastique ou processus aléatoire se définit par l’évolution au cours du
temps d’un phénomène statistique selon des lois de probabilités. Cette fonction est appelée
fonction aléatoire par opposition à une fonction certaine. En d’autres termes, un processus
aléatoire est un mode de génération d’une fonction aléatoire. Si la variable indépendante dont
dépend la fonction est continue, on parle d’un processus en temps continu. Si cette variable
indépendante est l’ensemble des entiers, alors on parle de processus en temps discret. Ce
second type de processus n’est donc rien d’autre qu’une séquence de variables aléatoires.
Exemples de processus aléatoires: signal de parole, signal radar, bruit, etc. ...

I.2.1. Densité de probabilité d’une fonction aléatoire en temps continu

Soit une fonction aléatoire X (t ) . En considérant l’instant particulier t = t1 , on obtient

une VA notée X (t1 ) . On note la densité de probabilité de cette variable aléatoire par

PX [x(t1 )] pour rappeler la dépendance à l’égard de l’instant considéré. De la même façon on

Thèse de Doctorat ENP 2008 4

Chapitre I Notions de Processus Stochastiques et Parole

note la fonction de répartition par FX [x(t1 )] . En considérant des instants t1 , . . . , t n , on

obtient une variable aléatoire à n dimensions. Sa densité de probabilité est
notée PX [x(t1 ), . . ., x(t n )] . Cette densité est appelée densité de probabilité du nième ordre de
la fonction aléatoire. A partir d’une densité de probabilité d’un certain ordre, on en déduit
celles d’ordres inférieurs par passage aux densités marginales. Les notions de la fonction
aléatoire en temps discret sont tout à fait semblables à celles exposées pour des fonctions
aléatoires en temps continu. On utilise la notation PX [x (n) ] .

I.2.2. Indépendance
On dit d’une FA qu’elle est à valeurs indépendantes si [3]
PX [x(t1 ), . . ., x(t n )] = PX [x(t1 )] × ... × PX [x(t n )] (I.1)
A tout instant, le futur est indépendant du présent et du passé puisque
PX [x(t n ) x(t1 ), . . ., x(t n −1 )] = PX [x(t n )] (I.2)

I.2.3. Moment d’une fonction aléatoire

La connaissance totale d’une fonction aléatoire requiert que l’on connaisse les densités
de probabilités de tous ordres. En pratique on accède très rarement à ce niveau de
connaissance de la fonction aléatoire. La plupart des méthodes qui seront vues plus loin
requièrent que soient connues les densités de probabilité des deux premiers ordres.

I.2.3.1. Moyenne
On appelle moyenne de la fonction aléatoire en temps continu X (t ) , la fonction de t
qui pour toute valeur de t donne la moyenne de la variable aléatoire obtenue à cet instant, soit
+∞
m X (t ) = E [ X (t )] = ∫ x P [x(t )]dx
X (I.3)
−∞

I.2.3.2. Variance et covariance

De façon similaire, la variance d’une fonction aléatoire scalaire est une fonction de t
définie par [2]:
{
σ X2 (t ) = E [X (t ) − m X (t )][X (t ) − m X (t )]∗ }
+∞

∫ [x − m (t )][x − m X (t )] PX [x (t )] dx
∗
= X
−∞ (I.4)

Thèse de Doctorat ENP 2008 5

Chapitre I Notions de Processus Stochastiques et Parole

On appelle fonction de covariance C X (t1 , t 2 ) la fonction des 2 variables t1 et t2 donnée par :

{
C X (t1 , t 2 ) = E [ X (t1 ) − m X (t1 )][X (t 2 ) − m X (t 2 )]
∗
}
∫∫ [x − m X (t1 )][x 2 − m X (t 2 )] PX [x(t1 ), x(t 2 )] dx1 dx 2
=
∗ (I.5)
1
x1, x 2

On a dés lors σ X2 = C X (t , t ) . Pour une fonction aléatoire réelle, on a C X (t1 , t 2 ) = C X (t 2 , t1 ) .

La fonction aléatoire réelle est non corrélée si C X (t1 , t 2 ) = σ X2 δ (t1 − t 2 ) .

I.2.3.3. Covariance mutuelle

Deux fonctions aléatoires X (t) et Y (t) ont la fonction de covariance mutuelle donnée par [3] :

{
C XY (t1 , t 2 ) = E [X (t1 ) − m X (t1 )][Y (t 2 ) − mY (t 2 )]
∗
}
[ ]
= ∫∫ [x − m X (t1 )] y − m y (t 2 ) PXY [x(t1 ), y (t 2 )] dx dy
∗ (I.6)
x, y

Par ailleurs, on a CYX (t1 , t 2 ) = C YX

*
(t 2 , t1 )

I.2.4. Stationnarité et Ergodicité

Ces propriétés sont très importantes, car si les fonctions aléatoires que l’on traite n’en
bénéficiaient pas, nous serions vraiment limités dans l’interprétation et l’utilisation de celles
ci.

I.2.4.1. Stationnarité
Dans le langage courant, la notion de stationnarité est utilisée pour un phénomène dont
les caractéristiques essentielles ne se modifient pas au cours du temps : on parle de météo
stationnaire, d’état stationnaire d’une maladie, etc. … Le caractère stationnaire d’une fonction
aléatoire est associé à cette acception du mot, mais se définit précisément au moyen de ses
propriétés.

I.2.4.1.1. Stationnarité au sens strict

On dit d’une fonction aléatoire qu’elle est stationnaire au sens strict si toutes ses
densités de probabilité (de tous ordres) ne dépendent pas de l’origine des temps. Si donc, t
étant remplacé par t + t 0 avec t0 quelconque, la densité de probabilité ne change pas. Ceci

implique que la densité de probabilité d’ordre 1 ne dépende pas du temps PX [x(t )] = PX ( x) .

Thèse de Doctorat ENP 2008 6

Chapitre I Notions de Processus Stochastiques et Parole

I.2.4.1.2. Stationnarité au sens faible

La notion de stationnarité au sens strict est rarement utilisable en pratique car l’on
dispose rarement de toutes les densités de probabilité d’une fonction aléatoire. On dit d’une
F.A qu’elle est stationnaire au sens faible lorsque la moyenne ne dépend plus du temps, et la
fonction de covariance ne dépend plus que de la différence entre les deux arguments, soit [3] :
ƒ m X (t ) = m X (I.7)

ƒ C X (t1t 2 ) = C X (τ = t1 − t 2 ) (I.8)
De ce fait la variance est aussi constante puisque :
σ X2 = C X (t , t ) = C X (0) = σ X2 (I.9)

I.2.4.2. Ergodicité
L’ergodicité est une propriété importante qui lie les moyennes statistiques et les
moyennes temporelles. Tout comme pour la stationnarité, il existe différents types
d’ergodisme. Un processus aléatoire est ergodique au sens strict, si tous les moments
statistiques sont égaux aux moments temporels. Un processus aléatoire est ergodique au sens
large (ou du second ordre), si il y a égalité des moyennes statistiques et temporelles ainsi que
des fonctions d’autocorrelation [4]. Dans ce qui suit, on se limitera à étudier l’ergodisme pour
des fonctions aléatoires stationnaires.

I.2.4.2.1. Ergodicité relativement à la moyenne

On définit la moyenne temporelle η (t 0 ) sur un intervalle T d’une fonction aléatoire

X (t ) par :
t0 +T

ηT (t0 ) = ∫ X (t )dt
t0
(I.10)

Il s’agit clairement d’une V.A dépendant de l’origine choisie t0. On peut se demander
ce que devient cette valeur pour T → ∞ . On dit d’une F.A qu’elle est ergodique relativement à
la moyenne si, lorsque T tend vers l’infini, la moyenne temporelle est indépendante de t0 et
tend vers la moyenne (espérance mathématique, moyenne d’ensemble) :

lim η T (t 0 ) = m X ∀ t0 (I.11)
T →∞

Thèse de Doctorat ENP 2008 7

Chapitre I Notions de Processus Stochastiques et Parole

On peut définir divers types de convergence : en probabilité, en moyenne quadratique,

etc. .... La convergence en moyenne quadratique, ce qui signifie :

T →∞
[
lim E ηT (t0 ) − mX
2
]= 0 (I.12)

Pour une FA continue, une condition nécessaire et suffisante d’ergodisme est que :

1
T
τ
lim ∫
T →∞ T 0
(1 − ) C X (τ ) dτ = 0
T
(I.13)

Une condition suffisante d’ergodisme relativement à la moyenne est que :

τ
lim (1 − ) C X (τ ) = 0 (I.14)
T →∞ T

I.2.4.2.2. Ergodicité relativement à la fonction de corrélation

La fonction de corrélation φ X (τ , t 0 ) d’une F.A stationnaire X (t ) (éventuellement
complexe) se définit par [2] :

t0 +T

∫ [X (t + τ ) − η (t 0 + τ )][X (t ) − ηT (t 0 )] dt
1
φ X (τ , t 0 ) = T
*
(I.15)
T 0

On dit de la fonction aléatoire qu’elle est ergodique relativement à la fonction de

corrélation lorsque :

ƒ Elle est ergodique relativement à la moyenne

ƒ La limite de la fonction de corrélation pour T tendant vers l’infini existe, est certaine,
ne dépend plus de t0 et est égale à la fonction de covariance, soit :

lim φ X (τ , t 0 ) = C X (τ ) (I.16)
T →∞

Thèse de Doctorat ENP 2008 8

Chapitre I Notions de Processus Stochastiques et Parole

I.2.5. Densité spectrale de puissance

La fonction d’autocorrelation est une description dans le domaine temporel d’un
processus stochastique stationnaire du second ordre. L’équivalent dans le domaine fréquentiel
est la densité spectrale de puissance ou spectre. La densité spectrale de puissance d’un
processus continu X (t ) stationnaire au sens large est la transformée de Fourier de sa fonction
d’autocorrelation. Le spectre et la fonction d’autocorrelation sont reliés comme suit :
+∞
S XX (ω ) = ∫ φ X (τ ) exp(− jωτ ) dτ (I.17)
−∞

Si le signal est plus ergodique, la fonction d'autocorrelation peut être obtenu à partir
d'une réalisation de la variable aléatoire.

I.2.6. Modèles stochastiques

Un signal est souvent modélisé comme la réponse d’un système à un autre signal de
caractéristiques plus simples. L’idée essentielle est qu’une suite temporelle dont les
observations sont très corrélées peut être générée à la sortie d’un filtre linéaire qui a pour
entrée une suite de nombres statistiquement indépendants.
L’entrée du filtre est souvent supposée être un bruit blanc gaussien de moyenne nulle
avec une variance constante [5]. (Fig.I.1)

u(n) x(n)
FILTRE
LINEAIRE
Bruit blanc Suite corrélée
Fig.I.1 : Génération d’un signal aléatoire corrélé.

Le filtre linéaire peut avoir différentes structures qui correspondent à différents modèles
pour le signal de sortie. Il existe trois modèles linéaires stochastiques classiques:

ƒ Modèle à moyenne ajustée (MA),

ƒ Modèle autorégressif (AR),
ƒ Modèle autorégressif à moyenne ajustée (ARMA.)

Thèse de Doctorat ENP 2008 9

Chapitre I Notions de Processus Stochastiques et Parole

I.2.7. Processus stochastiques remarquables

Parmi les processus stochastiques rencontrés lors de la modélisation des processus
physiques sont :

I.2.7.1. Processus Gaussien

Les processus gaussiens sont des processus très importants du fait qu’on les rencontre
très souvent en pratique et du fait que de nombreux processus physiques sont
approximativement gaussiens [2]. On dit qu'une variable aléatoire réelle X a une distribution
normale ou gaussienne si sa loi de probabilité a une densité PX (x) qui suit une loi normale ou
de Gauss:
1 ⎡ ( x − m) 2 ⎤
PX ( x ) = exp ⎢ − ⎥ (I.18)
σX 2π ⎣ 2σ X2 ⎦

Avec m et σ X représentent la moyenne et l'écart type de la variable aléatoire X

respectivement.
Les lois gaussiennes préservent leur caractère gaussien dans toute opération linéaire,
convolution, filtrage, dérivation, intégration. Par suite, si l’entrée d’un système linéaire est
gaussienne, il en est de même pour la sortie.

I.2.7.2. Processus Markovien

Cette classe de processus stochastiques est importante du fait qu’elle généralise à
l’univers stochastique une propriété fondamentale des équations différentielles ordinaires. En
o
effet, la solution x (t 2 ) = g (t 2 , x (t1 ), t1 ) de l’équation différentielle x(t ) = f ( x(t )) est fonction

de x(t1 ) et ne dépend pas de x (τ ), τ 〈 t 1 . Toute l’information sur le passé est concentrée dans
le dernier état observé. Un processus de Markov est donc un processus stochastique dont le
passé n’a pas d’influence sur le futur si le présent est connu [5].

I.3. Notions de la théorie d’estimation

L'estimation est une des activités principales du statisticien. Les distributions de
probabilité ne sont en général connues que par le biais des échantillons qu'elles génèrent, et
l'estimation est l'art d'extraire d'un échantillon de l'information utile sur la distribution de
probabilité qui l'a engendré. Le terme "Estimation" recouvre plusieurs réalités différentes
mais étroitement reliées entre elles, et que nous passons ici brièvement en revue.

Thèse de Doctorat ENP 2008 10

Chapitre I Notions de Processus Stochastiques et Parole

I.3.1. Estimation d'une distribution

Le rêve ultime de la statistique est de pouvoir identifier sans ambiguïté la distribution
derrière un phénomène aléatoire. Mais cette distribution n'est connue que par le biais d'un
échantillon fini et aléatoire, et ne peut donc jamais être identifiée avec certitude. Cependant, il
est possible de formuler des conjectures sur la nature de la distribution qui a engendré
l'échantillon. Cette question est relativement simple pour les distributions de probabilité
discrètes, mais est beaucoup plus difficile pour les distributions de probabilité continues.
Proposer une distribution de probabilité complètement définie comme "distribution
candidate pour l'échantillon considéré" est appelé estimation de distribution de probabilité, et
plus particulièrement estimation de densité de probabilité dans le cas continu.

I.3.2. Estimation des paramètres d'une distribution

L'estimation des paramètres d'une distribution peut se faire de deux façons :
ƒ On peut renoncer à complètement caractériser la distribution, et se satisfaire de ne
caractériser que certains aspects particuliers de cette distribution, comme sa moyenne,
sa variance, son mode, ou tout autre quantité définie sur la distribution.

ƒ On peut également faire l'hypothèse que la distribution appartient à une famille de

distributions décrite par une expression mathématique contenant un ou plusieurs
paramètres numériques. Identifier la distribution revient alors à estimer les valeurs
numériques de quelques paramètres.

I.3.3. Estimation des paramètres d'un modèle

Un modèle, qu'il soit prédictif ou descriptif, peut être perçu comme une représentation
particulière d'une distribution de probabilité. Un modèle paramétrique contient des paramètres
dont les valeurs sont calculées à partir de l'échantillon. Ces paramètres sont donc des variables
aléatoires qui ont leurs distributions propres. Identifier ces distributions est une tâche
essentielle en modélisation de données, car leur analyse permettra de juger de la fiabilité du
modèle : un modèle dont les paramètres ont des distributions larges sont peu fiables.
Nous passons maintenant brièvement en revue certains aspects de l'estimation de
paramètres.

Thèse de Doctorat ENP 2008 11

Chapitre I Notions de Processus Stochastiques et Parole

I.3.4. Estimateurs et estimations

Soit θ un paramètre de la distribution, dont la vraie valeur (inconnue) est θ0. Un
estimateur est une fonction des observations de l'échantillon, et dont la valeur sera utilisée en
lieu et place de la valeur vraie θ0 du paramètre θ. La valeur prise par un estimateur sur un
échantillon donné est appelée une estimation de θ0.
On attend d'une estimation qu'elle ait une valeur proche de la vraie valeur du
∧
paramètre. Mais l'échantillon étant aléatoire, l'estimateur θ est une variable aléatoire, dont
l'estimation n'est qu'une réalisation. Il ne peut donc jamais être dit avec certitude qu'une
estimation est proche de la vraie valeur θ0.
Il apparaît ainsi que la théorie de l'estimation ne portera pas sur les estimations, mais
sur les estimateurs considérés comme variables aléatoires, c'est à dire, sur leurs distributions,
ou sur certains aspects de leurs distributions (essentiellement moyenne et variance).

I.3.5. Propriétés d'un bon estimateur

Rien dans la structure de l'équation définissant une statistique ne permet de dire à
priori qu'elle est un estimateur de quoi que ce soit. On peut dire qu'il n'existe pas de définition
d'un estimateur. Mais une statistique particulière peut être utilisée pour estimer un paramètre
si elle possède certaines bonnes propriétés.

I.3.5.1. Estimateur convergent

Une idée de la statistique est que les grands échantillons donnent une image
raisonnablement fidèle de la distribution elle-même. En d'autres termes on espère que la
distribution empirique des grands échantillons est proche de la distribution réelle. On est donc
∧
en droit d'attendre d'un bon estimateur θ d'un paramètre θ qu'il produise des estimations qui
soient de plus en plus proches de la vraie valeur θ0 quand on considère des échantillons de
plus en plus grands.
Si nous tenons pour acquis que la variance de l'estimateur tend vers zéro quand la
taille de l'échantillon tend vers l'infini, la notion d'estimateur convergent veut alors
simplement dire que la moyenne de la distribution de l'estimateur tend vers θ0 quand la taille
de l'échantillon tend vers l'infini.

Thèse de Doctorat ENP 2008 12

Chapitre I Notions de Processus Stochastiques et Parole

I.3.5.2. Biais
La convergence est une propriété asymptotique: définir la convergence demande de
considérer des échantillons de taille arbitrairement grande. Dans la réalité, la taille des
échantillons est limitée pour des raisons de délais ou de budget. Il est donc naturel de se
demander quelle qualité est attendue d'un estimateur limité à des échantillons de taille donnée
t. On espère alors certainement que la région centrale de la distribution de cet estimateur soit
proche de la valeur vraie θ0 du paramètre (Fig. I.2). Une façon d'exprimer cette idée est de
considérer les estimateurs dont la moyenne de la distribution (l'espérance) soit égale à θ0 pour
toute valeur de t. Un tel estimateur est dit non biaisé, ou sans biais, si cette propriété est
vérifiée :

⎡∧ ⎤
E ⎢θ ( t ) ⎥ = θ 0 (I.19)
⎣ ⎦
Avec E désigne l'espérance mathématique

Fig.I.2: Estimateur biaisé de faible variance

I.3.5.3. Efficacité

La définition de l'efficacité relativeη de deux estimateurs sans biais θˆ1 et θˆ2 d'un
même paramètre θ pour une taille d'échantillon donnée n est le rapport de leurs variances :

η=
Var {θˆ (t ) }
{θˆ (t ) }
1
(I.20)
Var 2

Thèse de Doctorat ENP 2008 13

Chapitre I Notions de Processus Stochastiques et Parole

I.3.5.4. Ecart quadratique moyen d'un estimateur

Un bon estimateur est proche de θ0 en moyenne. Cette proximité est mesurée par la
moyenne du carré de l'erreur d'estimation, que l'on appelle: Ecart Quadratique Moyen (EQM)

de l'estimateur θˆ :

⎢⎣
(
EQM = E ⎡ θˆ − θ 0 ⎤
2
)
⎥⎦ (I.21)

Nous pouvons facilement montrer que :

() (
EQM = Var θˆ + Biais θˆ ( ))2
(I.22)

Cette expression explique pourquoi un estimateur sans biais n'est pas toujours
systématiquement préférable à un estimateur biaisé, mais de faible variance. En pratique,
cependant, on considère surtout les estimateurs sans biais parce qu'ils sont plus faciles à
identifier que les estimateurs d'EQM minimal, et qu'ils ont de "bonnes" propriétés
mathématiques.
L'identification d'estimateurs d'erreur quadratique moyenne minimale est cependant
malaisée, et la plupart des estimateurs communément utilisés sont simplement des estimateurs
sans biais.
Etant donnés deux estimateurs:
ƒ θˆ1 non biaisé, mais de variance importante

ƒ θˆ2 biaisé, mais de faible variance.

θˆ2 peut s'avérer en pratique être un meilleur estimateur que θˆ1 (Fig. I.3).

Fig.I.3: Estimateur non biaisé de forte variance

Thèse de Doctorat ENP 2008 14

Chapitre I Notions de Processus Stochastiques et Parole

I.4. Notions de bruits

On appelle bruit, tout phénomène perturbateur gênant la perception ou l’interprétation
d’un signal par analogie avec les nuisances acoustiques. Le bruit est inhérent à
l’environnement naturel et à l’équipement électronique caractérisant aussi le bruit d’origines
externe et interne.

I.4.1. Bruit blanc

Un bruit blanc est un processus stochastique utilisé afin de modéliser les bruits intervenant
dans toute modélisation de systèmes dynamiques. Une fonction aléatoire faiblement
stationnaire X (t ) est un bruit blanc si elle est incorrélée. Cela montre qu’un bruit blanc
gaussien stationnaire à une densité de puissance identique à toutes les fréquences qui justifie
la dénomination de bruit blanc par analogie avec la lumière blanche. Toutefois, si l’on calcule
la puissance totale d’un bruit blanc, nous obtenons une valeur infinie qui montre que ce type
de processus n’existe pas dans le monde physique [6].

I.4.2. Séquence Binaire Pseudo Aléatoire (SBPA)

Les séquences binaires pseudo aléatoires sont des successions d’impulsions
rectangulaires modulées en largeur, qui approchent un bruit blanc discret et donc qui ont un
contenu riche en fréquences [2]. Elles s’appellent pseudo aléatoire car elles sont caractérisées
par une « longueur de séquence » à l’intérieur de laquelle les variations de la largeur des
impulsions varient aléatoirement, mais, sur un grand horizon de temps, elles sont périodiques,
la période étant définie par la longueur de la séquence.
En pratique, on utilise le bruit pseudo blanc qui possède une densité spectrale de
puissance constante sur une bande fréquentielle.

I.4.3. Bruit coloré

Un bruit coloré est un bruit blanc filtré, ainsi la fonction d’autocorrélation d’un tel
bruit ne sera pas une impulsion de Dirac, mais plutôt une courbe étroite [7]. Un bruit coloré de
basse fréquence est parfois appelé bruit rose car il ne conserve que les grandes longueurs
d’onde, ce qui dans le spectre du visible correspond aux teintes rouges.

Thèse de Doctorat ENP 2008 15

Chapitre I Notions de Processus Stochastiques et Parole

I.5. Notions sur le signal de parole

La parole apparaît physiquement comme une variation de la pression de l’air causée et
émise par le système articulatoire. La phonétique acoustique étudie ce signal en le
transformant dans un premier temps en signal électrique grâce au transducteur approprié : le
microphone (lui-même associé à un préamplificateur). De nos jours, le signal électrique
résultant est le plus souvent numérisé. Il peut alors être soumis à un ensemble de traitements
statistiques qui visent à en mettre en évidence les traits acoustiques : sa fréquence
fondamentale, son énergie, et son spectre. Chaque trait acoustique est lui-même intimement
lié à une grandeur perceptuelle : pitch, intensité et timbre.

I.5.1. Description du signal vocal

La parole est un signal réel, continu, d’énergie finie, non stationnaire. Sa structure est
complexe et variable dans le temps : tantôt périodique (plus exactement pseudopériodique)
pour les son voisés, tantôt aléatoire pour les sons fricatifs, tantôt impulsionnelle dans les
phases explosives des sons occlusifs [8]. Cette structure reflète l’organisation temporelle des
gestes de production et sur l’onde sonore apparaissent quelques caractéristiques de la source
et du conduit tel que la fréquence fondamentale F0 et la fréquence des formants Fi.

I.5.2. Détection de la fréquence fondamentale

Les sons de la parole dits voisés sont produits avec vibration des cordes vocales ou
vibration laryngienne. La mesure de la fréquence fondamentale F0 par l’analyse de Fourier du
signal de parole apparaît comme estimation de la fréquence de vibration laryngée.
Les variations des valeurs de F0 au cours du temps constituent la courbe mélodique de
la phrase. Cette mesure peut se faire a partir du signal de parole dans le domaine temporel, par
exemple après filtrage du signal, ou dans le domaine spectral, à partir de la fréquence
fondamentale du spectre d’un son voisé [9].

1.5.3. Classification des sons

Les signaux de parole peuvent être classés en deux catégories : signaux voisés
caractérisés par des segments quasi-périodiques et d'énergie élevée tels que les voyelles, et
signaux non voisés qui présentent généralement des segments de basse énergie tels que les
consonnes. Les sons voisés résultent, d’une vibration périodique des cordes vocales. Le larynx
est d’abord complètement fermé, ce qui accroît la pression en amont des cordes vocales et
force ces dernières à s’ouvrir, ce qui fait tomber la pression en permettant aux cordes vocales

Thèse de Doctorat ENP 2008 16

Chapitre I Notions de Processus Stochastiques et Parole

de se refermer. Des impulsions périodiques de pression sont ainsi appliquées au conduit vocal.
Le taux auquel les cordes vocales s'ouvrent et se ferment s'appelle la fréquence fondamentale
(dénotée par F0) qui correspond physiquement au pitch perçu, sa valeur change avec la taille
du conduit vocal. La fréquence fondamentale peut varier de 80 à 200 Hz pour une voix
masculine, de 150 à 450 Hz pour une voix féminine, et de 200 à 600 Hz pour une voix
d’enfant.
La Fig.I.4 présente des segments de sons voisés et non voisés avec leurs spectres
correspondants.

1/F0

(a)

Structure
Formantique

(b) (c)

Fréquence (Hz)

Fig. I.4 : (a) - Deux segments de voix, l’un non voisé et l’autre voisé.
(b) - Spectre de puissance pour un segment de 32 ms non voisé.
(c) - Spectre de puissance et sa structure formantique correspondante pour
un segment de 32 ms voisé.

Les sons voisés présentent dans le domaine temporel un signal quasi-périodique tandis
qu’ils présentent une structure harmonique dans le domaine fréquentiel, l’espacement entre
les harmoniques est égal à la fréquence fondamentale F0 (pitch). L’enveloppe spectrale
possède une structure formantique, elle est caractérisée par un nombres de pics (dénotés par
Fi), chacun d’eux est appelé Formant, Les trois premiers formants sont essentiels pour
caractériser le spectre vocal. Les formants d’ordre supérieur ont une influence plus limitée.

Thèse de Doctorat ENP 2008 17

Chapitre I Notions de Processus Stochastiques et Parole

La structure formantique est attribuée au conduit vocal qui agit comme un filtre ayant
comme résonances les pôles de la fonction de transfert ou formants, et comme anti-résonances
les zéros de la fonction de transfert.
Les sons non voisés sont le résultat du passage du flux d’air par une étroite
constriction au niveau du conduit vocal causant des turbulences, c'est-à-dire du bruit.
Contrairement aux sons voisés, les sons non voisés ne présentent pas de structure périodique.
Ils peuvent être modélisés par un bruit blanc filtré par le conduit vocal.

1.5.4. Modèle de production de la parole

L’analyse de la parole est une étape indispensable à toute application de synthèse, de
codage ou de reconnaissance. Elle repose en général sur un modèle. Il existe de nombreux
modèles de parole. On distingue les modèles articulatoires, les modèles de production, et les
modèles phénoménologiques [10]. Dans le processus de codage, on s’intéresse au model de
production. On y décrit la parole comme le signal produit par un assemblage de générateurs et
de filtres numériques (modèle source filtre). Les paramètres de ces modèles sont ceux des
générateurs et filtres qui les constituent. Le modèle Autorégressif (AR) en est l'exemple le
plus utilisé.
Fant a proposé en 1960 un modèle de production qui spécifie qu’un signal voisé peut
être modélisé par le passage d’un train d’impulsions u (n) à travers un filtre numérique
récursif de type tous pôles. On montre que cette modélisation reste valable dans le cas des
sons non voisés, à condition que u (n) soit cette fois un bruit blanc. Le modèle final est illustré
à la figure I.5. Il est souvent appelé modèle auto régressif (AR), parce qu’il correspond dans le
domaine temporel à une régression linéaire de la forme :

p
y ( n) = G ⋅ u ( n ) + ∑ − a i y ( n − i ) (I.23)
i =1

Où u (n), G et p sont respectivement le signal d’excitation, le gain et l’ordre du système.

Chaque échantillon est obtenu en ajoutant un terme d’excitation à une prédiction

obtenue par combinaison linéaire des p échantillons précédents. Les coefficients du filtre {ai}
sont appelés coefficients de prédiction et le modèle AR est souvent appelé modèle de
prédiction linéaire LP (Linear Prediction).

Thèse de Doctorat ENP 2008 18

Chapitre I Notions de Processus Stochastiques et Parole

Les paramètres du modèle AR sont : la période du train d’impulsions (sons voisés

uniquement), la décision son voisé/non voisé, le gain G et les coefficients du filtre 1/A (z),
appelé filtre de synthèse.
Le problème de l’estimation d’un modèle AR, souvent appelée analyse LP revient à
déterminer les coefficients d’un filtre tous pôles dont on connaît le signal de sortie, mais pas
celui de l’entrée. Il est par conséquent nécessaire d’adopter un critère, afin de faire un choix
parmi l’ensemble infini de solutions possibles. Le critère généralement utilisé est celui de la
minimisation de l’énergie de l’erreur de prédiction.

Fig. I.5 : Modèle simplifié de production de la parole.

Par analogie entre le modèle physique et le modèle mathématique, ont peut donner les
relations d’équivalences illustrées sur la figure I.6.

Conduit vocal Filtre LP (1/A (z))

Flux d'air Signal d'excitation (u (n))
Vibrations des cordes vocales Son voisé
Période de vibration des cordes vocales Période du pitch (T = 1/ F0)
Fricatives et plosives Son non voisé/voisé
Volume d'air Gain (G)

Fig. I.6 : L'analogie entre le modèle physique et le modèle acoustique.

Thèse de Doctorat ENP 2008 19

Chapitre I Notions de Processus Stochastiques et Parole

I.6. Conclusion
En conclusion, les fonctions aléatoires jouissent de propriétés remarquables qui en
simplifient souvent l'étude et la caractérisation. La propriété la plus usuelle est la stationnarité
puisqu'elle consiste à reconnaître une quasi-invariance du comportement statistique de la
variable aléatoire quelle que soit la valeur attribuée au paramètre déterministe de l'origine du
temps.
Autrement dit, un signal aléatoire est stationnaire si les moments et la densité de
probabilité sont indépendants du temps. Une étude plus attentive des fonctions aléatoires
montre cependant que la stationnarité n'est pas toujours acquise et qu'il faut parfois distinguer
la stationnarité au sens strict de celle qui regarde l'ordre des moments de la fonction. Une
autre propriété, étroitement associée à la précédente, s'appelle l'ergodisme. L'ergodisme
apporte d'intéressantes simplifications dans la mesure où l'on peut exploiter la convergence
existant entre les moments de la variable aléatoire et les valeurs moyennes de la fonction
calculée par intégration sur le paramètre déterministe. Cette propriété n'est pas très aisée à
justifier sur le plan théorique, aussi faut-il souvent user de considérations intuitives pour la
découvrir. Le domaine d'application le plus répandu des fonctions aléatoires est certainement
le traitement du signal.

Thèse de Doctorat ENP 2008 20

Chapitre II Modélisation et Identification des Processus Physiques

Chapitre

II Modélisation et Identification des

Processus Physiques

II.1. Introduction
Ce chapitre est certainement le plus philosophique et le plus stratégique. En effet, la
modélisation et l’identification ne se réduisent pas à utiliser un logiciel de traitement de
données sur un signal venant d’un processus observé passivement. Représenter le monde réel,
bruité, non linéaire, non stationnaire par une équation mathématique forcement limitée est un
acte précieux. Il est donc nécessaire de bien saisir les limites de la démarche et la valeur
relative de la modélisation. Ajoutons que la grande et bénéfique accessibilité des moyens de
calculs modernes augmente le risque pour l’utilisateur non averti, de ne voir que l'aspect
algorithmique du problème.
La modélisation consiste à trouver une représentation du comportement d’un système
c’est à dire la relation entre l’entrée et la sortie de ce système, et voir les différentes
approches pour l'établissement d'un modèle. L'identification consiste aussi à déterminer les
caractéristiques dynamiques de ce système, c'est-à-dire, à ajuster les paramètres inconnus du
modèle de manière à ce que celui-ci décrire au mieux le fonctionnement du système.

II.2. Modélisation des processus physiques

Le but de la modélisation a toujours été de tenter de plaquer sur une réalité physique
mesurable d’un monde extérieur sensible, une représentation rationnelle, en fait
logicomathématique. L’objectif de la modélisation n’est donc pas nouveau et s’il doit être
rattaché à celui des sciences expérimentales, la modélisation moderne apporte cependant une
contribution spécifique. Un système dynamique peut être représenté par un modèle
mathématique qui lie les variables mesurées d’entrées et de sorties. Les modèles
dynamiques sont devisés en deux types [21], [22] :
ƒ Modèle non paramétrique (exemple : réponse fréquentielle, réponse indicielle).
ƒ Modèle paramétrique (exemple : fonction de transfert, équation différentielle et
équation aux différences).

Thèse de Doctorat ENP 2008 21

Chapitre II Modélisation et Identification des Processus Physiques

II.2.1. Différentes approches d’établissement d’un modèle

Fondamentalement, au moins deux approches sont possibles pour établir un modèle [23] :

II.2.1.1. Modèle de connaissance

Les modèles de connaissance (ou phénoménologiques) sont familiers à tous ceux qui
ont suivi des cours de physique ou de chimie, donc les paramètres de modèle de connaissance
ont un sens physique (longueur, résistance électrique,...).
Prenant en compte de manière précise la complexité du problème physique,
s’intéressant à des objectifs ambitieux et ne négligeant aucun élément d’information
récupérable, cette approche vise donc la compréhension finie de phénomènes, ce qui se traduit
par des relations en générale, complexes et coûteuses en temps de calcul. Les modèles
associés sont généralement difficiles à simuler et donc rarement utilisables tels quels pour
calculer par exemple une commande, ils sont par contre bien adaptés à une simulation
détaillée en vue d’une prédiction de comportement à long terme.

II.2.1.2. Modèle de représentation

Ces modèles n’ont aucun pouvoir explicatif de la structure physique de l’objet, leur
structure n’est qu’une relation mathématique qui va relier localement les mesures des
différentes variables du processus. Ces modèles de représentation sont de type boite noire, et
les paramètres donc n’ont aucun sens physique mais sont suffisants dans les problèmes de
traitement de signal.
Les modèles de représentation sont en générale assez simples à simuler et mieux
adaptés à la détermination d’une commande, ils sont d’utilisations très fréquentes.

II.2.2. Modélisation Auto-Régressive à Moyenne Ajustée (ARMA)

Un modèle autorégressive à moyenne ajusté d’ordre (n, m), noté ARMA (n, m) est
définie par l’équation aux différences suivante [11], [25] :
n m

∑ a i y (t − i ) =
i=0
∑ b u (t − i )
i=0
i (II.1)

Avec ai : représente les paramètres de la partie autorégressive AR. ( a 0 = 1 )

bi : représente les paramètres de la partie moyenne ajustée MA

n, m: l’ordre du modèle ARMA.

Thèse de Doctorat ENP 2008 22

Chapitre II Modélisation et Identification des Processus Physiques

D’où l’expression (II.1) devient :

n m
y (t ) = −∑ a i y (t − i ) + ∑ bi u (t − i ) (II.2)
i =1 i =0

En prenant la transformée en Z des deux membres de l’équation (II.1), nous

aboutissons à la fonction de transfert du modèle ARMA :
m

Y ( z) = ∑b z i
−1
B( z )
H ( z) = i =0 = (II.3)
U ( z) n A( z )
1 + ∑ a i z −1
i =1

Où H (z ) : Fonction de transfert du modèle

A(z ) : Transformée en Z de la partie AR
B(z ) : Transformée en Z de la partie MA.
Le modèle ARMA peut être interprété comme un filtre de fonction de transfert H (z ) , ayant
des pôles et des zéros, excité par une entrée U (z ) et délivrant à sa sortie un signal Y (z ) . Les
polynômes A(z ) et B(z ) sont caractérisés par la position de leurs zéros dans le plan complexe.

II.2.2.1. Modélisation Auto-Régressive (AR)

Dans le cas où les bi sont nuls pour 1≤ i ≤ n, le modèle dont l'équation (II.2) se
n
réduit à : y (t ) = − ∑ a i y (t − i ) + b0 u (t ) (II.4)
i =1

Ainsi le polynôme B(z ) se réduit à une constante B( z ) = b0 et la fonction de transfert

H (z ) ne contient que des pôles, c’est pour cette raison que ce modèle est aussi appelé modèle
tout pôles. La fonction de transfert peut s'écrire sous la forme suivante:
b0
H ( z) = n
(II.5)
1 + ∑ ai z −1

i =1

II.2.2.2. Modélisation à Moyenne Ajustée (MA)

Dans le cas ou les ai sont nuls, pour 1≤ i ≤ m, le modèle dont l'Eq.II.2 se réduit à :
m
y (t ) = ∑ bi u (t − i ) (II.6)
i =0

Dans le domaine spectral, le modèle sera alors caractérisé par la position de ses zéros
dans le plan complexe, ce modèle est appelé tout zéros.

Thèse de Doctorat ENP 2008 23

Chapitre II Modélisation et Identification des Processus Physiques

II.2.3. Principales étapes de la modélisation

On distingue six étapes essentielles de la modélisation comme se suit [22] :

II.2.3.1. Système
Un système (où processus) sera pour nous une partie de l’univers qui nous entoure, et
que nous avons décidé, plus ou moins arbitrairement d’appréhender comme un tout avec
lequel nous interagissons. Nous observons certaines grandeurs caractéristiques du système et
le résultat de ces observations forme le vecteur des sorties y et d’autres grandeurs
caractéristiques du système forment un vecteur qui peut contenir des grandeurs
inaccessibles à la mesure. Nous agissons sur le système par des grandeurs qui peuvent
être connues et maîtrisables, ou non maîtrisables et plus ou moins inconnues, ce sont les
perturbations ou bruit.

II.2.3.2. Modèle
Le modèle est une règle permettant de calculer, à partir de grandeurs connues ou
mesurées, d’autres grandeurs dont nous espérons qu’elles ressembleront aux grandeurs du
système qui nous intéresse. Fréquemment, le modèle calcule, à partir de l’entrée u du système
une sortie ŷ qui ressemble le plus possible à y. Puisque le modèle et le système ont alors la
même entrée, on parlera de modèle parallèle. Par contre dans le cas où le modèle calcule à
partir de la sortie y un vecteur û dont on souhaite qu’il ressemble le plus possible aux
entrées u du système, on parlera du modèle série ou inverse.

II.2.3.3. Critère
Pour fixer les idées, nous supposons le modèle de type parallèle, c'est-à-dire,
soumis aux mêmes entrées et aux mêmes conditions initiales que le système, on appelle
alors erreur de sortie, la différence entre la sortie du système et celle du modèle. L'erreur
de sortie peut s'écrire sous la forme:

ε r = y (t ) − yˆ (t ) (II.7)
Le plus souvent , on souhaite que cette erreur de sortie soit aussi proche que possible
de zéro , l’échelle de valeurs qui sera utilisée pour effectuer la comparaison prendra la
forme d’une fonction scalaire J (θ) appelée « critère ». Le choix du critère doit traduire
le but fixé à la modélisation quelque soit le critère choisi, il convient ensuite de
l’optimiser.

Thèse de Doctorat ENP 2008 24

Chapitre II Modélisation et Identification des Processus Physiques

II.2.3.4. Optimisation
L’algorithme d’optimisation reçoit toute les informations disponibles et les utilise
pour minimiser J (θ ) de façon à calculer θˆ .

II.2.3.5. Incertitude sur les paramètres

La valeur de θˆ obtenue avec l’algorithme d’optimisation correspond au meilleur
modèle possible choisi parmi un ensemble de modèles acceptables qui dépend de l’expérience
réalisée pour le recueil des données, donc on pourra faire la planification d’expérience, de
façon à essayer de recueillir l’information la plus pertinente possible au sens du critère utilisé.

II.2.3.6. Analyse critique des résultats obtenus

La phase d’analyse critique des résultats obtenus est indispensable, il faut donc
soumettre le modèle à un ensemble d’épreuves destinées à l’invalider, si l’on parvient ainsi à
détecter des erreurs, alors on a un mauvais choix du modèle.

II.2.4. Difficultés de la modélisation

Les principales difficultés de la modélisation sont :

II.2.4.1. Définition du problème de modélisation

La collecte et la mise en forme des données, la construction, la validation et
l'interprétation d'un modèle sont des tâches longues et coûteuses. Le temps passé à définir
clairement l'objectif de l'étude, les critères permettant de savoir si celui-ci a ou non été atteint,
l'identification de la nature et du volume des données nécessaires à la construction d'un
modèle adéquat, est toujours du temps gagné, jamais du temps perdu.

II.2.4.2. Qualité des données de modélisation

Celles-ci ont la fâcheuse habitude d'être rares, chères, mal formatées, incomplètes, non
synchronisées, entachées d'erreurs et biaisées. Les données sont pourtant le carburant de la
modélisation, et doivent recevoir toute l'attention requise pour atteindre le niveau de qualité
requis par l'application, sous peine de rendre vains tous les efforts de modélisation.

Thèse de Doctorat ENP 2008 25

Chapitre II Modélisation et Identification des Processus Physiques

II.2.4.3. Choix de la technique utilisée

Le développement considérable de la modélisation met à la disposition du praticien un
grand nombre de techniques différentes permettant, théoriquement, d'atteindre un objectif
donné. Mais chaque technique a ses avantages et ses inconvénients, et le choix de la technique
la plus appropriée est une des conditions essentielles du succès de la modélisation.
Malheureusement, en dehors de considérations d'ordre général, seulement une longue pratique
permet d'éviter les choix malheureux.

II.2.4.4. Choix des variables disponibles

Pour des raisons fondamentales de statistique (et souvent ignorées des praticiens), il
est indispensable de procéder à une sélection rigoureuse des variables parmi les variables
disponibles dans le tableau de données. Si trop de variables sont incluses dans le modèle,
celui-ci devient exagérément sensible à de petites modifications de l'échantillon, et le modèle
obtenu est alors peu crédible (compromis biais - variance). Des objectifs différents, ou même
des techniques différentes mais ayant le même objectif, conduiront à des ensembles optimaux
de variables différentes.

II.2.4.5. Sélection de modèle adéquat

Tout modèle contient des paramètres (même les modèles dits: "non paramétriques").
Les valeurs de ces paramètres sont :
ƒ Soit calculées par un algorithme d'apprentissage,
ƒ Soit définies arbitrairement.

Dans les deux cas, le choix du nombre de paramètres du modèle est laissé à l'analyste.
On se convainc facilement qu'une augmentation du nombre de paramètres du modèle
augmente sa souplesse, et donc sa capacité à rendre compte des données d'apprentissage. Mais
on découvre également qu'à partir d'un certain point, une augmentation du nombre de
paramètres conduit à une dégradation des performances du modèle sur les données nouvelles.
Donc, le modèle une fois construit, il convient d'estimer ses performances réelles sur
des données nouvelles (et non pas sur les données qui ont servi à le construire). Ceci se fait en
soumettant plusieurs modèles candidats à une série de tests de validation. Le modèle
finalement retenu est celui qui aura obtenu les meilleurs résultats lors de ces tests (et ce ne
sera vraisemblablement pas celui qui aura obtenu les meilleurs résultats sur les données
d'apprentissage).

Thèse de Doctorat ENP 2008 26

Chapitre II Modélisation et Identification des Processus Physiques

II.3. Identification des paramètres d'un processus physique

L’identification c’est l’opération de détermination des caractéristiques dynamiques
d’un procédé (système). On s’intéresse à l’identification des modèles dynamiques
paramétriques échantillonnées qui sont les plus appropriés pour la conception et l’ajustement
des systèmes numériques [11], [22].

II.3.1. Identification non paramétrique

Les méthodes non paramétriques se comportent de façon neutre vis-à-vis des données,
se refusant à inclure trop d’à priori sur la véritable nature du signal. Elles consistent à
déterminer ce qui aurait été fait dans le cas idéal d’un signal déterministe connu et à bâtir des
estimateurs point par point de l’autocorrelation et du spectre.

II.3.2. Identification paramétrique

Les méthodes paramétriques consistent à ajuster un modèle aux données observées.
Les paramètres des modèles, en nombre faible, caractériseront le signal ; on pourra ainsi
injecter des connaissances à priori sur le processus physique qui a engendré le signal.
La procédure standard pour réaliser cet ajustement est l’identification paramétrique
dont le schéma est rappelé en Fig.II.1.

u (t ) y(t )
Système
+
Critère

yˆ (t ) -
Modèle
Optimisation

Fig. II.1: Schéma d’identification paramétrique

Cette procédure comporte un très grand nombre de variantes, correspondant au choix à

priori, au niveau du modèle, du critère de mesure d’erreur de l’entrée choisie et de
l’algorithme d’optimisation. Cette approche, commune à un grand nombre de domaines
scientifiques, possède un caractère fondamental marqué et un large champ d’applications.

Thèse de Doctorat ENP 2008 27

Chapitre II Modélisation et Identification des Processus Physiques

Les avantages qui peuvent en être attendus sont la souplesse de l’analyse,

l’introduction naturelle d’informations à priori, la parcimonie de la représentation et des choix
variés d’espèces de représentations paramétriques et offre d’autres possibilités telles que :
ƒ Modélisation des bruits.
ƒ Identification des modèles de perturbation.
ƒ Détection et mesure des fréquences d'oscillations
ƒ Analyse spectrale des signaux.

II.3.3. Etapes d’identification

Pour parvenir à un bon modèle, nous devons généralement suivre les quatre étapes
suivantes [22], [25] :

II.3.3.1. Acquisition des entrées et sorties

Il s’agit essentiellement de choisir un signal d’excitation avec une densité spectrale
homogène couvrant l’ensemble de la bande passante du procédé à identifier. En pratique, nous
utilisons deux catégories de signaux de tests (entrées) :
ƒ Les signaux déterministes tel que l’échelon, la sinusoïde etc., ces signaux sont
décrit par une fonction de temps.
ƒ Les signaux aléatoires, complètement décrits par leurs propriétés statistiques, un
des signaux les plus utilisés pour l’identification est la séquence binaire pseudo
aléatoire.

En pratique l’entrée du système n’est intéressante que si elle est :

ƒ Centrée
ƒ Riche en fréquence
ƒ Déterministe si possible

II.3.3.2. Choix de la complexité du modèle

Le problème typique rencontré dans le cas du modèle paramétrique est le choix de
l’ordre des polynômes (numérateurs, dénominateurs) de la fonction de transfert, ce choix de
la complexité peut se faire par une procédure essais et erreur. On peut maintenant disposer des
algorithmes qui estiment à partir des données, la complexité des modèles.

Thèse de Doctorat ENP 2008 28

Chapitre II Modélisation et Identification des Processus Physiques

II.3.3.3. Estimation des paramètres du modèle

Une fois la complexité du modèle fixée, nous pouvons estimer les paramètres du
modèle de façon à minimiser un critère de performance. La qualité de cette estimation
dépendra de la méthode choisie, et de l’information contenue dans les données d’entrée/sortie.

II.3.3.4. Validation du modèle

Cette étape est certainement la plus importante lors d’une identification, elle
consiste à accepter ou rejeter le modèle obtenu. L’ensemble du processus d’élaboration
d’un modèle est itératif et le rejet d’un modèle qui ne répond pas à ses objectifs remet en
cause l’ensemble des étapes déjà citées.

II.3.4. Algorithme d’identification récursif

Dans les algorithmes récursifs, les paramètres estimés sont optimisés progressivement
en utilisant chaque fois une seule paire de données entrée-sortie. Les algorithmes récursifs
permettent une identification en temps réel, utilisation d’une taille mémoire réduite et de
suivre l’évolution des systèmes lentement variables dans le temps [22].

II.4. Conclusion
Nous avons présenté deux notions très importantes, la modélisation et l’identification.
Un modèle de procédé est un ensemble de relations mathématiques permettant de prédire
certains aspects de son fonctionnement. L’efficacité des modèles repose sur une analogie,
entre le comportement des objets physiques et celui des êtres mathématiques.
La modélisation permet de représenter sous forme synthétique et cohérente un
ensemble de connaissances, l’utilisation de matériel informatique impose de travailler avec
des valeurs discrètes des différents signaux, nous nous intéressons au modèles qui décrivent
l’évolution des procédés au cours du temps.
L’identification consiste à ajuster les paramètres inconnus du modèle de manière à ce
que celui-ci décrit au mieux le fonctionnement du procédé.
Les algorithmes d’identification récursifs peuvent être utilisés pour l’estimation des
paramètres d’un modèle à partir des données entrée/sortie et présentent plusieurs avantages
par rapport aux algorithmes non récursifs.

Thèse de Doctorat ENP 2008 29

Chapitre III Etude et Développement des Algorithmes d'Identification

Chapitre

III Etude et Développement des

Algorithmes d'Identification

III.1. Introduction
L’identification de systèmes est fortement liée à la construction de modèles décrivant
de manière mathématique les processus physiques. La principale valeur ajoutée apportée par
l’étape d’identification se traduit par une meilleure connaissance du système. Ainsi, lorsque
l’étape préliminaire relative à l’identification du processus est réalisée, il est possible
d’atteindre des objectifs classiques d’automatique comme l’observation de variables non
accessibles directement à la mesure ou à la commande de ces processus. Au tout début,
l’identification en tant que telle est fortement liée aux méthodes statistiques comme la
méthode des Moindres Carrés récursifs ou du Maximum de Vraisemblance, très largement
appliquées sur des processus industriels. Ces deux méthodes sont obtenues grâce à
l’optimisation d’un critère dépendant des paramètres du système et elles sont très souvent
utilisées sur des processus discrétisés. Il est clair que décrire un système en temps discret
présente un avantage en termes de calculs informatiques.
Mais, beaucoup de systèmes réels sont modélisés en temps continu. De plus, les
paramètres ont, la plupart du temps, une signification physique en temps continu. Les
algorithmes peuvent être, soit implémentés tels quels sur des processus réels en considérant la
faible fréquence d’échantillonnage de la carte d’acquisition par rapport à la bande passante du
système étudié, soit discrétisés si nécessaire par les méthodes habituelles.
Dans le cadre de cette thèse, nous nous sommes intéressés plus particulièrement, à
l’identification paramétrique par les algorithmes suivants:
ƒ Algorithme du gradient stochastique (Least Mean Squares (LMS))
ƒ Algorithme de Newton stochastique (Stochastic Newton (SN))
ƒ Algorithme des moindres carrés récursif (Recursive Least Squares (RLS))
ƒ Algorithme des moindres carrés étendu (Recursive Extended Least Squares (RELS))

Thèse de Doctorat ENP 2008 30

Chapitre III Etude et Développement des Algorithmes d'Identification

III.2. Algorithme du gradient stochastique

L’algorithme LMS introduit par Widrow en 1970 est une approximation de l’algorithme
du gradient déterministe. L’algorithme LMS est certainement l’algorithme adaptatif le plus
populaire qui existe en raison de sa simplicité. Il pilote les paramètres du modèle ajustable de
prédiction à partir des informations recueillies sur le système à chaque pas d’échantillonnage
[11], [41]. L’objectif de l’algorithme du gradient stochastique est de minimiser un critère
quadratique en terme d’erreur de prédiction.

III.2.1. Rappel sur la méthode du gradient

Soit une fonctionnel quadratique J(x). Et on veut trouver l’optimal de J(x) c'est-à-dire
qu’on cherche x̂ de telle façon que J (x) est minimal. La méthode du gradient est donnée par :

⎡ ∂J ( x) ⎤
xˆ (t ) = xˆ (t − 1) + µ ⎢− ⎥ (III.1)
⎣ ∂ ( x) ⎦ x = xˆ ( t −1)
Avec µ représente le pas d’adaptation.

III.2.2. Identification du modèle ARMA

La modélisation auto- régressive à moyenne ajustée d’ordre (n, m) noté ARMA
(n, m) est définie par l’équation aux différences suivante [51], [21] :
n m

∑ ai y(t − i) = ∑ bi u(t − i) + e(t )

i =0 i =0
(III.2)

Avec a 0 = 1 , b0 = 1

u (t ) : Entrée du système
y (t ) : Sortie du système
e(t ) : Bruit blanc.

En développant l’équation (III.2), on obtient :

y(t ) = −a1 y(t − 1) − a2 y(t − 2) − ... − an y(t − n) +

(III.3)
b1u(t − 1) + ... + bm u(t − m) + e(t )

Thèse de Doctorat ENP 2008 31

Chapitre III Etude et Développement des Algorithmes d'Identification

Comme on peut représenter cette dernière équation sous une forme matricielle:

y(t ) = θ Tϕ(t ) + e(t) (III.4)

Avec T : Transposé

Posons pour la commodité des notations [11] :

θ T = [a1 a 2 ... a n , b1 b2 ... bm ]

ϕ T (t ) = [− y (t − 1) ... − y (t − n) , u (t − 1) ... u (t − m) ]
Avec
θ T : Vecteur des paramètres à identifier
ϕ T : Vecteur des données.
L’identification du vecteur paramètre θ T au sens de l’erreur quadratique moyenne est :

J (θ ) =
1
2
[
E ε 2 (t ) ] (III.5)

Avec E[.] désigne l’espérance mathématique.

Or l’erreur de prédiction est définie comme se suit :

ε (t ) = [ y (t ) − θˆ T ϕ (t ) ] (III.6)

La solution optimale aux sens de l’erreur quadratique moyenne est donnée par:

T
⎡ ∂J (θ ) ⎤
{
⎢⎣ ∂θ ⎥⎦ = − E ϕ (t )[ y (t ) − θ ϕ (t )
T
} θ =θˆ ( t −1)
(III.7)

D’où l’algorithme du gradient s’écrira :

T
⎡ ∂J (θ ) ⎤
θˆ(t ) = θˆ(t − 1) + µ ⎢− (III.8)
⎣ ∂θ ⎥⎦
θ =θˆ ( t −1)

Avec µ représente le pas d’adaptation.

On remplaçant l’équation (III.7) dans l’équation (III.8), nous obtenons :

{
θˆ(t ) = θˆ(t − 1) + µE ϕ (t )[ y (t ) − θˆ T (t − 1)ϕ (t )] } (III.9)

Thèse de Doctorat ENP 2008 32

Chapitre III Etude et Développement des Algorithmes d'Identification

Cet algorithme est porte le nom : Algorithme du gradient déterministe, en général les
stochastiques de ( (ϕ (t ), y (t )) sont inconnus. Cependant, on remplace la valeur moyenne par
sa valeur instantanée, et dans ce cas, l’algorithme est appelé par l’algorithme du gradient
stochastique, et on écrit :

θˆ(t ) = θˆ(t − 1) + µ ϕ (t )[ y (t ) − θˆ T (t − 1)ϕ (t )] (III.10)

Pour que l’algorithme converge [1], [16], il faut que :

0<µ ≤
2
λmax
{
Avec λmax : la plus grande valeur propre de la matrice E ϕ (t )ϕ T (t ) . }

III.2.3. Les avantages de la méthode du gradient

La méthode du gradient est simple et facile à mettre en œuvre. Elle permet de
diminuer rapidement la valeur du critère lorsque le point initial et situé loin du point
recherché. Cependant, l’utilisation d’informations du premier ordre uniquement rend la
convergence très lente au voisinage de ce point.

L’algorithme du gradient présente plusieurs avantages tel que:

ƒ L’algorithme LMS est très simple

ƒ Les performances du LMS dépendent de trois facteurs :
o le pas d’adaptation µ,
{
o les valeurs propres λl de la matrice E ϕ (t )ϕ T (t ) }
o la longueur du filtre L.
ƒ Avec un pas d’adaptation petite, le LMS converge lentement mais l’erreur
quadratique moyenne EQM excédentaire est petite
ƒ Avec un pas d’adaptation grande, le LMS converge rapidement mais l’erreur
quadratique moyenne excédentaire est grande
ƒ Le temps de convergence de l’algorithme LMS dépend du conditionnement de la
{
matrice E ϕ (t )ϕ T (t ) }

Thèse de Doctorat ENP 2008 33

Chapitre III Etude et Développement des Algorithmes d'Identification

III.3. Algorithme de Newton stochastique

L’algorithme de Newton stochastique est désigné pour l’identification des paramètres
du processus physique. Il permet de minimiser l’erreur d’une manière plus efficace. Cet
algorithme est utilisé dans plusieurs applications du traitement de signal.

III.3.1. Principe de la méthode

La méthode de Newton est parmi les plus utilisées pour la résolution des équations.
Considérons une fonction f(x), et on cherche x tel que f(x) = 0.
En commençant par une valeur initiale x0 qui est assez proche de x en extrapolant la
tangente en x0 jusqu'à son intersection avec l’axe OX, on continue jusqu'à obtenir une valeur
de x tel que : f(x) = 0.

La figure suivante nous donne une description graphique de la méthode de Newton.

f (x)

f ( x0 )
f ( x1 )
f ( x2 ) α x

0 x2 x1 x0

Fig. III.1 : Représentation graphique de la méthode de Newton

D'après la figure précédente, on écrit:

f ( x0 ) − f ( x1 ) f ( x0 )
tg (α ) = f ' ( x0 ) = = (III.11)
x 0 − x1 x 0 − x1

Thèse de Doctorat ENP 2008 34

Chapitre III Etude et Développement des Algorithmes d'Identification

A partir de cette dernière équation, on peut écrire les termes suivants:

f ( x0 ) f (x ) f (x ) f ( xn )
x1 = x0 − '
, x 2 = x1 − ' 1 , x3 = x 2 − ' 2 , … x n +1 = x n −
f ( x0 ) f ( x1 ) f ( x2 ) f ' ( xn )

D’où la formule générale s'écrira:

f [ x(t − 1)]
x(t ) = x(t − 1) − (III.12)
f ' [ x(t − 1)]

III.2.2. Equations de mise en œuvre de la méthode de Newton

Soit J(x) une fonction quadratique, et on veut la minimiser, en utilisant la méthode de
Newton alors on écrit :
∂J ( x)
Min J ( x) ⇒ x = xˆ =0 (III.13)
∂x
On pose :
∂J ( x)
f ( x) = = J ' ( x) (III.14)
∂x
∂ 2 J ( x)
f ' ( x) = = J " ( x) (III.15)
∂x 2

En remplaçant dans l’équation III.12 on a :

J ' [ x(t − 1)]

x(t ) = x(t − 1) − " (III.16)
J [ x(t − 1)]

Cette dernière équation porte le nom : Algorithme de Newton, cas scalaire.

Comme il peut être représenté dans le cas vectoriel par l’équation (III.17):

xˆ (t ) = xˆ (t − 1) − [ J " ( xˆ (t − 1))] −1 [ J ' ( xˆ (t − 1))] T (III.17)

Où J T représente un vecteur ligne.

Thèse de Doctorat ENP 2008 35

Chapitre III Etude et Développement des Algorithmes d'Identification

III.3.3. Identification du modèle ARMA

Rappelant les équations (III.4, 5, 6), la minimisation du critère J (θ ) consiste de trouver
l’optimum, c’est-à-dire de trouver le point où la dérivée s’annule, d’où on écrit :
T
⎡ ∂J (θ ) ⎤
[
⎢⎣ ∂θ ⎥⎦ = − E {ϕ (t ) y (t ) − θ ϕ (t )
T
]} (III.18)

⎡ ∂ 2 J (θ ) ⎤
⎢ 2 ⎥
[ ]
= E ϕ (t )ϕ T (t ) = R (III.19)
⎣ ∂θ ⎦

L’utilisation de la procédure d’approximation stochastique, permet d'écrire l’équation

(III.17) sous la forme:

(
θˆ(t ) = θˆ(t − 1) + γ 1 (t ) R −1 (t )ϕ (t ) y (t ) − θˆ T (t − 1)ϕ (t ) ) (III.20)

Avec γ 1 (t ) gain scalaire, γ 1 (t ) → 0 lorsque t → ∞

Si R est inconnue, alors R peut être estimée par :

( ) (
E ϕ (t )ϕ T (t ) = R ⇒ E ϕ (t )ϕ T (t ) − R = 0 ) (III.21)

En utilisant la procédure d’approximation. D’où :

(
R(t ) = R(t − 1) + γ 2 (t ) ϕ (t )ϕ T (t ) − R(t − 1) ) (III.22)
Avec γ 2 (t ) représente un gain scalaire

De l’équation (III.20) et (III.22), on peut tirer l’algorithme de Newton stochastique

(
θˆ (t ) = θˆ (t − 1) + γ 1 (t ) R −1 (t )ϕ (t ) y (t ) − ϕ T ( t )θˆ ( t − 1) ) (III.23)

(
R(t ) = R(t − 1) + γ 2 (t ) ϕ (t )ϕ T (t ) − R(t − 1) ) (III.24)

Remarques
ƒ Si R (t) = I (matrice d’identité) alors on obtient l’algorithme du gradient stochastique
1
ƒ Si γ 1 (t ) = γ 2 (t ) = alors on obtient l’algorithme RLS.
t

Thèse de Doctorat ENP 2008 36

Chapitre III Etude et Développement des Algorithmes d'Identification

III.4. Algorithme des moindres carrés

La méthode des moindres carrés a été introduite par Karl Gauss en 1809. Elle a été à
la base de toutes les méthodes d’identification et d’estimation des paramètres, cette méthode
est basée sur la minimisation d’une fonction quadratique J définie comme [42] :

N
1
J N (θ ) =
N
∑t =1
[ ε (t) ] 2 (III.25)

Où
ε (t): représente l’erreur de prédiction.
N: nombre d'échantillons

III.4.1. Identification du modèle ARMA

La modélisation auto- régressive à moyenne ajustée d’ordre (n, m) noté ARMA
(n, m) est définie par l’équation aux différences. En utilisant la transformée en Z, l’équation
(III.2) peut s’écrire :

n m

∑ a Y ( z) z
i =0
i
−i
= ∑ biU ( z ) z −i + E ( z )
i =0
(III.26)

On pose:
n
A (z) = ∑ a i z −i
i =0

m
B(z) = ∑ b i z −i
i =0

Donc, l’équation (III.26) s’écrira sous cette forme :

A( z ) Y ( z ) = B( z ) U ( z ) + E ( z ) (III.27)

Ce qui donne comme erreur de prédiction :

E ( z ) = A( z ) Y ( z ) − B( z ) U ( z ) (III.28)

Thèse de Doctorat ENP 2008 37

Chapitre III Etude et Développement des Algorithmes d'Identification

A partir de l’équation (III.28), on peut tirer le schéma suivant:

u (t) y(t)
Système

- +
B (Z) A (Z)

e (t)

Fig.III.2 : Structure de réalisation d’un modèle ARMA

III.4.2. Solution optimale au sens des moindres carrés

On peut donc, penser de manière intuitive que si l’on augmente le nombre
d’observations, le problème se ramènera à la résolution d’un système d’équations linéaires.
Dans le cas d’un système de type ARMA, nous effectuons N mesures d'observations, nous
pouvons écrire [42], [54] d’après l’équation (III.3), une forme matricielle :

y(t ) = θ Tϕ(t ) + e(t) (III.29)

Avec
θ T = [a1 a 2 ... a n , b1 b2 ... bm ]
ϕ T (t ) = [− y (t − 1) ... − y (t − n) , u (t − 1) ... u (t − m) ]

On définit l’erreur de prédiction comme étant la différence entre la sortie du système et la

sortie du modèle :
ε (t ) = y(t ) − yˆ (t ) (III.30)

Sachant que :

yˆ ( t ) = ϕ T ( t )θˆ ( t − 1) (III.31)
Avec
θˆ ( t − 1) : Vecteur des paramètres estimés.

Thèse de Doctorat ENP 2008 38

Chapitre III Etude et Développement des Algorithmes d'Identification

La méthode des moindres carrés est basée sur la détermination des meilleurs
paramètres, c’est à dire ceux qui minimiseront un certain critère d’optimalité [43]. Il
représente la somme des carrés des erreurs de prédictions, et qui est mentionné par l'Eq.III.25.
La minimisation du critère JN ( θ ) consiste à trouver un optimum, c’est à dire de
calculer sa dérivée :

⎡∂ JN (θ )⎤
⎢ ⎥ = 0 (III.32)
⎣ ∂ θ ⎦θ =θˆ(N)

⎡∂ JN (θ )⎤
⎢ ⎥ = −
2 ⎧ N T
[⎫
⎨ ∑ ϕ (t ) y(t) − θ ϕ (t) ⎬ ] (III.33)
⎣ ∂ θ ⎦θ =θˆ( N) N ⎩ t =1 ⎭ θ =θˆ( N)

A partir de ces deux dernières équations (Eq.III.32) et (Eq.III.33), on déduit la solution

optimale au sens des moindres carrés de la forme suivante :

N N
θˆ (N) = [ ∑ϕ (t ) ϕ T (t ) ]−1.∑ϕ(t) y(t) (III.34)
t =1 t =1

Nous constatons que la matrice ( ϕ (t ) ϕ T (t ) ) est grande, si le nombre d’échantillons N

est important, d’où le calcul de son inverse n’est pas conseillé, pour cela on utilise
l’estimation récursive des moindres carrés .

III.4.3. Algorithme des moindres carrés récursif (RLS)

Pour la mise en œuvre de l’algorithme récursif, on pose :

t
R(t) = ∑ϕ(k)ϕT (k) = R(t −1) + ϕ(t)ϕT (t) (III.35)
k =1

D’après les équations (III.34) et (III.35), on a :

t
θˆ ( t ) = R − 1 ( t ) ∑ ϕ (k ) y ( k ) (III.36)
k =1

⎡ t−1
⎤
θˆ ( t ) = R − 1 ( t ) ⎢ ∑ ϕ (k ) y ( k ) + ϕ (t ) y (t )⎥ (III.37)
⎣k =1 ⎦

θˆ (t ) = R −1 (t ) ⎡⎢ R (t − 1) θ (t − 1) + ϕ (t ) y (t ) ⎤⎥
∧
(III.38)
⎣ ⎦

Thèse de Doctorat ENP 2008 39

Chapitre III Etude et Développement des Algorithmes d'Identification

θˆ (t) = R−1(t)⎡⎢R(t)θ(t −1) −ϕ(t)ϕT (t)θ(t −1) +ϕ(t) y(t)⎤⎥

∧ ∧
(III.39)
⎣ ⎦
⎡ ∧
⎤
θˆ (t) = θˆ(t − 1) + R −1 (t)ϕ(t)⎢ y(t) − θ T (t − 1)ϕ(t)⎥ (III.40)
⎣ ⎦

D’après cette dernière équation (III.40), on remarque que la solution des moindres
carrés récursive contient le terme R-1(t) qui nécessite une inversion matricielle à chaque
instant t.
Rappelons, le lemme d’inversion matricielle qui se présente sous la forme [11] :

[A + BCD]−1 = A −1 − A −1 B[DA−1 B + C −1 ]−1 DA−1 (III.41)

Nous posons:
A = R(t − 1) , B = ϕ (t ) , C = 1 , D = ϕ T (t )
Or

[
R −1 (t ) = R(t − 1) + ϕ (t )ϕ T (t ) ]−1
(III.42)

En utilisant le lemme d'inversion matricielle [1], l'équation (III.42) peut se réécrire :

R−1(t −1)ϕ(t)ϕT (t)R−1(t −1)

R−1(t) = R−1(t −1) − (III.43)
1+ϕT (t)R−1(t −1)ϕ(t)

L’introduction de la matrice du gain d’adaptation P(t ) = R −1 (t ) , permet la mise en

œuvre de l’algorithme des moindres carrés récursif RLS de la forme suivante :

(
θˆ (t) = θˆ(t − 1) + P(t)ϕ(t) y(t) − θˆT (t − 1)ϕ(t) ) (III.44)

P(t −1)ϕ(t)ϕT (t)P(t −1)

P(t) = P(t −1) − (III.45)
1+ϕT (t)P(t −1)ϕ(t)

Thèse de Doctorat ENP 2008 40

Chapitre III Etude et Développement des Algorithmes d'Identification

III.4.4. Propriétés de l’estimateur des moindres carrés

∧
L’estimateur θ est non biaisé si cette condition est vérifiée :

⎡∧ ⎤
E ⎢θ ( t ) ⎥ = θ 0 (III.46)
⎣ ⎦

En remplaçant l’équation (III.29) dans (III.34), on obtient :

−1
⎡ ⎤
∑ϕ(k)[ ϕ (k)θ +e(k) ]
N N
θˆ ( N ) = ⎢ ∑ ϕ (k) ϕ ( k)⎥
T T 0 (III.47)
⎣ k =1 ⎦ k =1

⎛ N N
⎞
θˆ (N) = θ0 + ⎜[ ∑ϕ (k ) ϕT (k ) ]−1.∑ϕ(k)e(k)⎟ (III.48)
⎝ k =1 k =1 ⎠

Donc, pour que la méthode des moindres carrés fournisse une estimation non biaisée
c'est-à-dire l'équation (III.46) est vérifiée, il faut que:

ƒ e (k) et φ (k) sont statistiquement indépendants (non corrélés),

ƒ e (k) est une séquence aléatoire centrée (moyenne nulle).

III.5. Algorithme des moindres carrés étendu (RELS)

Cette méthode a été développée pour pouvoir identifier sans biais des modèles
« système + perturbation » de type ARMAX dont la structure suivante :

A( z ) y (t ) = B ( z ) u (t ) + C ( z ) e(t ) (III.49)

Rappelons que l'algorithme RLS suppose que le bruit additif en sortie est un bruit
blanc par contre dans le cas du RELS considère que le bruit ajouté en sortie est un bruit
coloré. Ce bruit peut être considéré comme étant le résultat du filtrage d’un bruit blanc.
L’idée est d'identifier simultanément le modèle du procédé et le modèle de la
perturbation, pour pouvoir obtenir une erreur de prédiction asymptotiquement "blanche" [44].

Thèse de Doctorat ENP 2008 41

Chapitre III Etude et Développement des Algorithmes d'Identification

III.5.1. Structure d’un modèle ARMAX

Le modèle ARMAX ayant la structure suivante :

e(t )

C (z )

+
v(t )
u(t ) y(t )
+ 1
B(z)
A( z )

Fig.III.3 : Structure du modèle ARMAX

Reprenons le modèle ARMAX décrit par l’équation suivante [7] :

m n
y( t ) = ∑ bi u ( t −i ) − ∑ a y ( t − i)
i + v( t ) (III.50)
i=0 i =1

Avec
n , m : Ordre du modèle
u (t ) , y (t ) : Entrée, Sortie du système respectivement
v(t ) : Bruit coloré.

La perturbation v(t ) est considérée comme le résultat d’un bruit banc filtré, et on écrit:

v(t ) = e(t ) + c1e(t ) + c2 e(t − 1) + ... + c p e(t − p) (III.51)

En utilisant la transformée en Z, l’Eq.III.50 peut s’écrire sous cette forme:

n m p

∑ ai z −iY ( z) = ∑ bi z −iU ( z) + ∑ ci z −i E( z)
i =0 i =0 i =0
(III.52)

Nous posons:
n m p
A( z ) = ∑ ai z −i
, B ( z ) = ∑ bi z −i
, C ( z ) = ∑ c i z −i
i =0 i =0 i =0

Thèse de Doctorat ENP 2008 42

Chapitre III Etude et Développement des Algorithmes d'Identification

Ce qui permet de réécrire l'équation (III.52) sous la forme:

B( z ) C ( z)
Y ( z) = U ( z) + E( z) (III.53)
A( z ) A( z )

Or
B( z )
H 1 ( z) = ; H 2 ( z) = C ( z)
A( z ) A( z )

Avec
H 1 ( z ) : Fonction de transfert du système.
H 2 ( z ) : Fonction de transfert du filtre.

III.5.2. Détermination des paramètres du modèle ARMAX

On peut donc, penser de manière intuitive que si l’on augmente le nombre
d’observations, le problème se ramènera à la résolution d’un système d’équations linéaires.
Dans le cas d’un système bruité, nous effectuons N mesures d'observations, nous pouvons
écrire d’après l’équation III.50, une forme matricielle :

y (t ) = θ T ϕ (t ) + e (t ) (III.54)

Posons pour la commodité des notations [5] :

θ T = [a1 a2 ... an , b1 b2 ... bm , c1 c2 ... c p ]

ϕT (t) = [− y(t −1) − y(t −2) ...− y(t −n) , u(t −1) u(t −2) ... u(t −m) , e(t −1) e(t −2) ... e(t − p) ]

On définit l’erreur de prédiction a priori comme étant la différence entre la sortie du système
et la sortie du modèle :

ε (t ) = y (t ) − yˆ (t ) (III.55)
Sachant que :
yˆ ( t ) = θˆ T ( t − 1)ϕ ( t ) (III.56)

Avec θˆ(t − 1) représente les paramètres estimés.

Thèse de Doctorat ENP 2008 43

Chapitre III Etude et Développement des Algorithmes d'Identification

III.5.3. Les équations de la mise en œuvre de l’algorithme RELS

Le problème de la méthode des moindres carrés ordinaire c’est que e (t) n’est pas
mesurable, donc il faut l’estimer. D’après les équations (III.50), et (III.51), on écrit :

e(t) = y(t) + a1 y(t −1) + ... an y(t − n) − b1u(t −1) − ... − bmu(t − m) − c1e(t −1) ... cpe(t − p) (III.57)

On appelle ε (t) l’estimateur de e (t), d’où l’Eq.III.57 s’écrira sous la forme :

ε (t) = y(t) + aˆ1 y(t −1) + ... aˆn y(t − n) − bˆ1u(t −1) −... − bˆmu(t − m) − cˆ1ε (t −1) ... cˆ pε (t − p) (III.58)

La prédiction ajustable a priori dans le cas des moindres carrés étendus s’obtient de
l’équation (III.56), en remplaçant les paramètres connus par les paramètres estimés :

[
θˆ T (t ) = aˆ1 (t ) aˆ 2 (t ) ... aˆ n (t ) , bˆ1 (t ) bˆ2 (t ) ... bˆm (t ) , cˆ1 (t ) cˆ 2 (t ) ... cˆ p (t ) ]
ϕT (t) = [− y(t −1) − y(t −2) ... − y(t −n) , u(t −1) u(t −2) ... u(t −m) , ε(t −1)ε(t −2) ... ε(t − p) ]

En résumé les équations permettant la mise en œuvre de l’algorithme RELS seront :

ε ( t ) = y ( t ) − θˆ T ( t − 1 )ϕ ( t ) (III.59)

θˆ (t) = θˆ(t − 1) + P(t)ϕ(t)ε (t) (III.60)

P(t −1)ϕ(t)ϕT (t)P(t −1)

P(t) = P(t −1) − (III.61)
1+ϕT (t)P(t −1)ϕ(t)

III.5.4. Initialisation de l’algorithme RELS

L’initialisation concernant la matrice P (t) et le vecteur des paramètres θˆ (t) se fait
souvent comme suit :
⎧θ p à priori
⎪
θˆ (0 ) = ⎨
⎪ 0 si non
⎩
P (0) = C.I tel que C : Constante et I : matrice identité.

Thèse de Doctorat ENP 2008 44

Chapitre III Etude et Développement des Algorithmes d'Identification

III.6. Conclusion
Nous avons présenté dans ce chapitre les méthodes récursives, d'identification de
modèles paramétriques des signaux et systèmes. L'accent a été mis sur la présentation de la
structure des différentes méthodes, leur raison d'être, les conditions de convergence dans un
environnement stochastique et sur leur domaine d'application.
La structure des algorithmes d'adaptation paramétrique commune à toutes les
méthodes d'identification a été présentée en détail indiquant l'influence du choix des différents
paramètres sur la précision de l'estimation et la capacité de suivi de variation des modèles. Les
algorithmes d’identification paramétrique développés sont :

ƒ Algorithme du Gradient stochastique

ƒ Algorithme de Newton stochastique
ƒ Algorithme des Moindres carré récursif
ƒ Algorithme des Moindres carrés étendu.

Dans le chapitre qui suit, nous aborderons l'implémentation de ces algorithmes sur
MATLAB ainsi que les résultats obtenus par simulation pour tester les performances de
chaque algorithme.

Thèse de Doctorat ENP 2008 45

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

Chapitre

IV Implémentation des Algorithmes et

Résultats de Simulation

IV.1. Introduction
Dans ce chapitre, nous allons présenter les résultats obtenus par l’application des
algorithmes d’identification paramétrique pour identifier les paramètres d’un processus
physique tel que l’algorithme du gradient, Newton stochastique et moindres carrés récursif
d’une part et d’autre part une étude comparative entre ces algorithmes pour envisager les
avantages et les inconvénients de ces algorithmes.

IV.2. Etapes de simulation

Pour bien identifier les paramètres inconnus d’un processus physique, il est meilleur
de suivre les étapes suivantes :

IV.2.1. Choix des paramètres du système

Les paramètres du système que nous allons utiliser tout le long de notre travail sont
choisis de telle façon que notre système est stable, que ce soit le système à phase minimale ou
non minimale. A titre d’exemple de simulation, on prend :
1er Cas: Système à phase minimale:
1 + 0.5 z −1
H 1 ( z ) = z −1 (IV.1)
1 + 0.3z −1 + 0.8 z − 2

2ème Cas: Système à phase non minimale :

1 + 2 z −1
H 2 ( z ) = z −1 (IV.2)
1 + 0.3 z −1 + 0.8 z − 2
IV.2.2. Choix des signaux de test
L’objectif de notre travail de simulation est d’identifier les paramètres inconnus d’un
processus physique. Pour cela, on utilise des signaux de test qui sont très riches en fréquences
de la Fig.IV.1 et Fig.IV.2.

Thèse de Doctorat ENP 2008 46

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

2
Figure (a)
Amplitude 1

-1

-2
0 100 200 300 400 500 600
Nombre d'échantillons N
600
Figure (b)
400
Amplitude

200

-200
0 200 400 600 800 1000 1200
Nombre d'échantillons N

Fig. IV.1: Séquence d’entrée SBPA et sa fonction d'autocorrelation

( mu = 0, σ u2 = 1 )

4
Figure (a)
2
Amplitude

-2

-4
0 100 200 300 400 500 600
Nombre d'échantillons N
600
Figure (b)
400
Amplitude

200

-200
0 200 400 600 800 1000 1200
Nombre d'échantillons N

Fig. IV.2 : Bruit additif gaussien et sa fonction d'autocorrelation

mv = 0, σ v2 = 1

La figure en haut, nous montre une Séquence Binaire Pseudo Aléatoire (SBPA) et sa
fonction d'autocorrelation qui rapproche à un bruit blanc. Par contre, la figure en bas
représente un bruit additif Gaussien de moyenne nulle et de variance égale à l'unité. Ce
dernier est généré par la fonction RANDN du logiciel MATLAB.

Thèse de Doctorat ENP 2008 47

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.2.3. Identification des paramètres du modèle

Les algorithmes d’identification paramétrique étudiés sont appliqués pour identifier les
paramètres d’un système stable, pour cela, plusieurs tests de simulations ont été effectués afin
d’établir les performances de chaque algorithme.

IV.2.4. Test de validation

La validation du modèle identifié a une grande importance car elle permet de juger son
aptitude à représenter un certain type de signal. La validation porte essentiellement sur deux
aspects:
ƒ La variance de l'erreur de prédiction résiduelle
ƒ Les propriétés statistiques des erreurs de prédiction résiduelle.

En effet si la méthode d'estimation utilisée est appropriée pour un type de signal, les
propriétés statistiques de l'erreur de prédiction résiduelle sont celles qui correspondent à la
convergence de l'algorithme. En concret, on teste:

ƒ Soit la blancheur des erreurs résiduelles, pour les méthodes d'estimation basées sur le
blanchissement asymptotique de l'erreur de prédiction, par calcul des autocorrélations.
ƒ Soit la décorrélation entre l'erreur de prédiction résiduelle et le signal prédit par le
modèle, pour les méthodes basées sur la décorrélation asymptotique du vecteur des
observations et de l'erreur de prédiction (variable instrumentale, erreur de sortie), par
calcul des intercorrélations.

IV.3. Mise en œuvre des algorithmes implémentés

Un simple menu de la figure IV.3 a fait l’objet d’une implémentation des algorithmes
d'identification paramétrique sur MATLAB. Il permet de traiter des fichiers préalablement
enregistrés sous forme des fonctions, et d'exécuter la fonction correspondante à l'algorithme
d'identification (LMS, SN, RLS et RELS). Enfin, un ensemble de représentations graphiques
permet de visualiser l'évolution temporelle des paramètres estimés du modèle, l'erreur
d'identification et la fonction d'autocorrelation de l'erreur de prédiction, ce qui en fait un
véritable outil de recherche utilisé lors de la simulation.

Thèse de Doctorat ENP 2008 48

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

Evolution temporelle des paramètres estimés

1.5

1 LMS
Amplitude

0.5

0
SN
-0.5
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
Evolution temporelle de l'EQM
0 RLS
EQM en Db

-5

RELS
-10

-15
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons Fermer

Function result = RLS( NUM, DEN)

%RLS Computes LS-estimates of ARMA-models.
%RESULT = RLS(NUM,DEN)
%RESULT: returned as the estimated parameters of the ARMA model
%A(z) y(t) = B(z) u(t) + e(t)
%NUM=[b1 b2 .....bm] and b0=0
%DEN=[a1 a2 .....an] and a0=1
%Vectors NUM and DEN are returned with A(z) and B(z)coefficients
%in descending powers of z .
» DEN = [0.3 0.8];
» NUM = [1 0.5];

Fig. IV.3: Menu simple des algorithmes implémentés sous MATLAB.

IV.4. Identification des paramètres par l’algorithme LMS

Les résultats de simulation obtenus par l’algorithme LMS sont illustrés sur les
tableaux et les figures qui suivent. En prenant deux exemples différents, le premier exemple
correspond à un système à phase minimale et le second correspond à système à phase non
minimale.

IV.4.1. Système à phase minimale

Considérons un système stable d’ordre 2 dont les zéros de la fonction de transfert
sont à l’intérieur du cercle unité. Equation IV.1, s’écrira donc sous cette forme :
y(t ) = −a1 y(t − 1) − a2 y(t − 2) + b1u(t − 1) + b2 u(t − 2) + v(t ) (IV.3)
Avec a1 = 0.3, a2 = 0.8, b1 = 1, b2 = 0.5

Thèse de Doctorat ENP 2008 49

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.4.1.1. Influence du nombre d’échantillons

Pour tester l’influence du nombre d’échantillons N sur le biais d’estimation des
paramètres du système, on dresse le tableau ci-dessous suivi par l’évolution des paramètres du
système ainsi que l’auto corrélation de l’erreur de prédiction (Figure IV.4).

Paramètres estimés
Nombre Moyenne du
d’échantillons â1 â 2 b̂1 b̂2 Biais
256*2 0.2217 0.7263 0.9539 0.4130 0.2629
256*4 0.3115 0.8056 0.9979 0.4925 0.0585
256*10 0.3039 0.7959 0.9997 0.5008 0.0251
256*20 0.3011 0.8211 0.9919 0.4990 0.0122
256*50 0.2856 0.8121 1.0156 0.4802 0.0060

Tab. IV.1 : Influence du nombre d’échantillons N, ( σ 2 = 0.01 , µ = 0.0145 )

Les résultats obtenus montrent que lorsque le nombre d'échantillons N est grand alors
les paramètres estimés sont plus proches aux valeurs réelles et l'erreur de prédiction est
asymptotiquement blanche.

1.5
Figure (a)
1
Amplitude

0.5

-0.5
0 200 400 600 800 1000 1200
Nombre d'échantillons
4000
Figure (b)
3000
Amplitude

2000

1000

-1000
0 0.5 1 1.5 2 2.5 3
Nombre d'échantillons 4
x 10

Fig. IV.4 : (a) - Evolution des paramètres (N = 256*4, µ = 0.0145 )

(b) - Autocorrelation de l’erreur de prédiction

Thèse de Doctorat ENP 2008 50

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.4.1.2. Influence du gain d’adaptation

Pour différentes valeurs du gain d’adaptation µ , les résultats obtenus par simulation
sont illustrés dans le tableau IV.2, suivi par l’évolution temporelle des paramètres du système
aux cas de la convergence lente et rapide (Fig. IV.5).

Paramètres estimés
Facteur µ Moyenne du
â1 â 2 b̂1 b̂2 Biais
0.0049 0.2774 0.7873 0.9877 0.4889 0.1468
0.0098 0.2949 0.8021 1.0005 0.5035 0.0782
0.0144 0.3017 0.7968 0.9877 0.4924 0.0467
0.0194 0.2987 0.7933 0.9793 0.5169 0.0429

Tab. IV.2 : Influence du gain d’adaptation µ , ( σ 2 = 0.01 , N = 256*4)

1.5
Figure (a)
1
Amplitude

0.5

-0.5
0 200 400 600 800 1000 1200
Nombre d'échantillons
1.5
Figure (b)
1
Amplitude

0.5

-0.5
0 200 400 600 800 1000 1200
Nombre d'échantillons

Fig. IV.5 : (a) – Convergence lente µ = 0.0097

(b) – Convergence rapide µ = 0.0193

La figure ci-dessus montre un exemple de convergences (lente et rapide) pour deux

valeurs différentes du pas d'adaptation de l'algorithme LMS. Si µ augmente alors le temps de
convergence des paramètres estimés vers les vraies valeurs diminue. Pour µ = 0.0097 , le
temps de convergence correspond à 400 échantillons, par contre si µ = 0.0193 alors la
convergence est assurée après 200 échantillons.

Thèse de Doctorat ENP 2008 51

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.4.2. Système à phase non minimale

Considérons un système stable d’ordre 2 dont les zéros de la fonction de transfert
sont situés à l’extérieur du cercle unité (Eq. IV.2), avec a1 = 0.3, a2 = 0.8, b1 = 1, b2 =2.

IV.4.2.1. Influence du nombre d’échantillons

Pour différentes valeurs de N, on obtient les résultats du tableau IV.3, suivi par
l’évolution des paramètres et l’autocorrelation de l’erreur de prédiction (Figure IV.6).

Paramètres estimés
Nombre Moyenne du
d’échantillons â1 â 2 b̂1 b̂2 Biais
256*2 0.2878 0.7899 0.9297 1.8581 0.2830
256*4 0.2957 0.8061 0.9835 2.0068 0.1602
256*10 0.2992 0.8024 0.9932 1.9925 0.0616
256*20 0.2966 0.7998 0.9896 1.9994 0.0338
256*50 0.3025 0.7931 0.9823 2.0100 0.0135

Tab. IV.3 : Influence du nombre d’échantillons N, ( σ 2 = 0.01 , µ = 0.0050 )

2
Figure (a)
1.5
Amplitude

0.5

-0.5
0 200 400 600 800 1000 1200
Nombre d'échantillons
4000
Figure (b)
3000
Amplitude

2000

1000

-1000
0 0.5 1 1.5 2 2.5 3
Nombre d'échantillons 4
x 10

Fig. IV.6 : (a) - Evolution des paramètres (N = 256*4, σ 2 = 0.01 ).

(b) - Autocorrelation de l’erreur de prédiction.
Nous remarquons que les paramètres estimés convergent vers les paramètres réels du système
et la position des zéros du système dans la carte des pôles et des zéros n'influe pas sur la
convergence de l'algorithme. L'erreur de prédiction est considérée asymptotiquement blanche.

Thèse de Doctorat ENP 2008 52

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.4.2.2. Influence du gain d’adaptation

Pour différentes valeurs de µ , on obtient les résultats du tableau IV.4, suivi par
l’évolution des paramètres du système en cas de la convergence lente et rapide (Figure IV.7).

Paramètres estimés
Facteur µ Moyenne du
â1 â 2 b̂1 b̂2 Biais
0.0033 0.3016 0.8013 1.0129 1.9921 0.1047
0.0049 0.2995 0.8039 0.9976 2.0019 0.0611
0.0066 0.2988 0.7960 1.0160 1.9866 0.0426
0.0098 0.3137 0.8114 0.9922 1.9861 0.0225

Tab. IV.4 : Influence du gain d’adaptation µ (N =256*10, σ 2 = 0.01 )

3
Figure (a)
2
Amplitude

-1
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
3
Figure (b)
2
Amplitude

-1
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons

Fig. IV.7 : (a) – Convergence lente µ = 0.0033

(b) – Convergence rapide µ = 0.0066

D'après les résultats obtenus, nous remarquons que l'algorithme LMS permet une
convergence suffisamment rapide pour un bon choix de µ et la présence des zéros en dehors
du cercle unité n'influe pas sur le temps de convergence. Cependant, l'estimateur LMS est
considéré asymptotiquement non biaisé.

Thèse de Doctorat ENP 2008 53

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.5. Identification des paramètres par l’algorithme de Newton stochastique

Les résultats de simulation par l’algorithme de Newton stochastique sont donnés par
les tableaux et les figures qui suivent.

IV.5.1. Système à phase minimale

Considérons le même système physique décrit par l’équation IV.1 dont les zéros de la
fonction de transfert sont à l’intérieur du cercle unité.
L’influence du nombre d’échantillons N et la variance σ 2 du bruit additif sur le biais
de l’estimateur sont données dans les tableaux IV.5 et IV.6. L’évolution des paramètres en
fonction du temps et l’erreur de prédiction sont illustrés sur les figures IV.8 et IV.9. On note
aussi que l’erreur d’identification converge vers zéro telle qu’elle est montrée sur la figure
IV.10.
Paramètres estimés
Nombre Moyenne
d’échantillons â1 â 2 b̂1 b̂2 du Biais
256*2 0.2706 0.7880 1.0317 0.4587 0.0394
256*4 0.3069 0.7884 0.9981 0.5067 0.0210
256*10 0.3067 0.7970 0.9910 0.5007 0.0101
256*20 0.2991 0.8011 0.9881 0.5085 0.0063
256*50 0.2974 0.8014 0.9972 0.4958 0.0059

Tab.IV.5 : Influence du nombre d’échantillons N, ( σ 2 = 0.25 )

Paramètres estimés
variance σ 2 Moyenne du
â1 â 2 b̂1 b̂2 Biais
1.00 0.2905 0.8016 1.0343 0.5018 0.0195
0.25 0.2987 0.8057 1.0078 0.5142 0.0100
0.04 0.2992 0.8013 0.9958 0.4956 0.0096
0.01 0.3014 0.8034 1.0020 0.4995 0.0073

Tab. IV.6 : Influence de la variance σ 2 , (N = 256*10)

Les tableaux ci-dessus montrent lorsque le nombre d'échantillons augmente ou la

variance du bruit additif diminue alors le biais de l'estimateur diminue, et les paramètres
estimés sont plus proches aux valeurs réelles.

Thèse de Doctorat ENP 2008 54

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

Par exemple pour un choix de N = 256*10, σ 2 = 0.25 un nombre de 500 échantillons

est suffisamment large pour assurer la convergence aux valeurs réelles avec une erreur
d'identification de l'ordre de un millième comme nous montrent les figures ci-dessous.

1.2

0.8

0.6
Amplitude

0.4

0.2

-0.2

-0.4
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons

Fig. IV.8 : Evolution des paramètres (N = 256*10, σ 2 = 0.25 )

3
Figure (a)
2
Amplitude

-1

-2
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons
800
Figure (b)
600
Amplitude

400

200

-200
0 1000 2000 3000 4000 5000 6000
Nombre d'échantillons

Fig. IV.9 : (a) - Erreur de prédiction (N = 256*10, σ 2 = 0.25 )

(b) - Autocorrelation de l’erreur de prédiction.

Thèse de Doctorat ENP 2008 55

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

0.6 0.8
Figure (a) Figure (b)
0.6
0.4
Amplitude

Amplitude
0.4
0.2
0.2
0
0

-0.2 -0.2
0 1000 2000 3000 0 1000 2000 3000
Nombre d'échantillons Nombre d'échantillons
1.5 0.8
Figure (c) Figure (d)
0.6
1
Amplitude

Amplitude
0.4
0.5
0.2
0
0

-0.5 -0.2
0 1000 2000 3000 0 1000 2000 3000
Nombre d'échantillons Nombre d'échantillons

Fig. IV.10 : (a) - Erreur d’identification du paramètre a1

(b) - Erreur d’identification du paramètre a2
(c) - Erreur d’identification du paramètre b1
(d) - Erreur d’identification du paramètre b2

IV.5.2. Système à phase non minimale

Considérons le même système décrit par l’équation IV.2 dont les zéros de la fonction
de transfert sont à l’extérieur du cercle unité (phase non minimale). Les paramètres estimés
par la méthode de Newton stochastique sont donnés par les tableaux IV.7, IV.8. L’erreur
d’identification de ces paramètres est illustrée sur la figure IV.11.

Paramètres estimés
Nombre Moyenne du
d’échantillons â1 â 2 b̂1 b̂2 Biais
256*2 0.2821 0.7967 1.0041 1.9707 0.0474
256*4 0.2924 0.7953 0.9974 2.0027 0.0300
256*10 0.3004 0.7994 0.9988 2.0070 0.0103
256*20 0.2989 0.8003 0.9881 2.0078 0.0103
256*50 0.3002 0.8004 1.0002 2.0090 0.0032

Tab. IV.7 : Influence du nombre d’échantillons N, ( σ 2 = 0.25 )

Thèse de Doctorat ENP 2008 56

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

Paramètres estimés
Moyenne du
Variance σ 2 â1 â 2 b̂1 b̂2 Biais
1.00 0.3004 0.8028 1.0349 2.0104 0.0163
0.25 0.2987 0.7994 0.9970 1.9983 0.0115
0.04 0.2986 0.7971 0.9970 2.0026 0.0102
0.01 0.2995 0.8007 1.0001 1.9984 0.0100

Tab. IV.8 : Influence du variance σ 2 , (N = 256*10)

0.6 0.8
Figure (a) Figure (b)
0.4 0.6
Amplitude

Amplitude

0.2 0.4

0 0.2

-0.2 0
0 500 1000 1500 0 500 1000 1500
Nombre d'échantillons Nombre d'échantillons
1.5 2
Figure (c) Figure (d)
1.5
1
Amplitude

Amplitude

1
0.5
0.5
0
0

-0.5 -0.5
0 500 1000 1500 0 500 1000 1500
Nombre d'échantillons Nombre d'échantillons

Fig. IV.11 : (a) - Erreur d’identification du paramètre a1

(b) - Erreur d’identification du paramètre a2
(c) - Erreur d’identification du paramètre b1
(d) - Erreur d’identification du paramètre b2

Sur les tableaux IV.7 et IV.8 on voit que le fait de prendre le nombre d'échantillons
N = 256*10 et la variance du bruit additif varie dans l'intervalle [0.01 1] entraîne un biais de
l'estimateur de l'ordre de 0.01.

Thèse de Doctorat ENP 2008 57

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.6. Identification des paramètres par l’algorithme RLS

Les résultats de simulation par l’algorithme des moindres carrés récursifs sont illustrés
sur les tableaux et les figures qui suivent.

IV.6.1. Système à phase minimale

Considérons le même système décrit par l’équation IV.1 dont les zéros de la fonction
de transfert sont à l’intérieur du cercle unité (phase minimale).
Le tableau IV.9 montre les résultats de simulation obtenus lorsque nous faisons varier
le nombre d’échantillons N. Par contre le tableau IV.10 est réservé pour les résultats obtenus
en fonction de la variance σ 2 avec N constant.
La figure IV.12 montre l’évolution temporelle des paramètres estimés suivi par la
fonction d’autocorrelation de l’erreur de prédiction.

Paramètres estimés
Nombre Moyenne du
d’échantillons â1 â 2 b̂1 b̂2 Biais
2*256 0.2901 0.8072 0.9745 0.4519 0.0302
4*256 0.2956 0.8002 0.9909 0.4802 0.0241
10*256 0.2960 0.8002 0.9885 0.4992 0.0097
20*256 0.2953 0.8029 1.0134 0.4852 0.0050
50*256 0.2984 0.7997 0.9971 0.4968 0.0023

Tab.IV.9 : Influence du nombre d’échantillons N, ( σ 2 = 0.25)

Paramètres estimés
variance Moyenne du
â1 â 2 b̂1 b̂2
σ 2 Biais
1.00 0.3024 0.7986 1.0069 0.4966 0.0107
0.25 0.3001 0.7930 0.9942 0.4982 0.0094
0.04 0.2972 0.8015 0.9979 0.4947 0.0065
0.01 0.3017 0.8001 0.9982 0.5016 0.0047

Tab. IV.10 : Influence de la variance σ 2 , (N =256*10)

Nous remarquons que si le nombre d'échantillons augmente ou la variance du bruit

additif diminue alors le biais de l'estimateur RLS diminue et le temps de convergence sera
minimal de l'ordre de 200 échantillons comparativement aux algorithmes précédents.

Thèse de Doctorat ENP 2008 58

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

1.5
Figure (a)
1
Amplitude

0.5

-0.5
0 200 400 600 800 1000 1200
Nombre d'échantillons
300
Figure (b)
200
Amplitude

100

-100
0 500 1000 1500 2000 2500
Nombre d'échantions

Fig. IV.12 : (a) - Evolution des paramètres (N = 256*4, σ 2 = 0.25).

(b) - Autocorrelation de l’erreur de prédiction.

IV.6.2. Système à phase non minimale

Considérons le même système décrit par l’équation IV.2 dont les zéros de la fonction
de transfert sont à l’extérieur du cercle unité (phase non minimale). Les résultats obtenus sont
donnés par les tableaux IV.11, IV.12 et suivis par l’évolution des paramètres et la fonction
d’autocorrelation de l’erreur de prédiction (Figure IV.13).

Paramètres estimés
Nombre Moyenne du
d’échantillons â1 â 2 b̂1 b̂2 Biais
2*256 0.2957 0.8017 0.9740 1.9551 0.0466

4*256 0.2994 0.8002 0.9909 1.9824 0.0263

10*256 0.2979 0.8017 1.0078 1.9832 0.0110

20*256 0.3007 0.8018 1.0040 1.9872 0.0076

50*256 0.3011 0.8002 0.9988 1.9975 0.0033

Tab. IV.11 : Influence du nombre d’échantillons N, ( σ 2 = 0.25)

Thèse de Doctorat ENP 2008 59

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

Paramètres estimés
Variance σ 2 Moyenne
â1 â 2 b̂1 b̂2 du Biais
1.00 0.3005 0.8028 1.0353 2.0113 0.0171
0.25 0.3008 0.8011 0.9911 1.9919 0.0110
0.04 0.3008 0.8013 1.0026 1.9998 0.0078
0.01 0.3000 0.8009 0.9975 1.9992 0.0076

Tab. IV.12 : Influence de la variance σ 2 , (N =256*4)

3
Figure (a)
2
Amplitude

-1
0 200 400 600 800 1000 1200
Nombre d'échantillons
300
Figure (b)
200
Amplitude

100

-100
0 500 1000 1500 2000 2500
Nombre d'échantillons

Fig. IV.13 : (a) - Evolution des paramètres (N = 256*4, σ 2 = 0.25).

(b) - Autocorrelation de l’erreur de prédiction.

Nous venons de montrer que, par simulation, l'algorithme RLS est plus performant que
le LMS. En revanche, la comparaison théorique des deux algorithmes pour des évolutions
permanentes déterministes ou aléatoires ne donne pas toujours la bonne poursuite au RLS. La
réponse dépend des paramètres qui interviennent dans les résidus d'erreurs de sortie, à savoir
le nombre d'échantillons N, la variance et l'ordre du système. Il peut donc exister des cas où
l'algorithme LMS poursuit mieux que le RLS.

Thèse de Doctorat ENP 2008 60

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.7. Etude comparative des algorithmes d’identification paramétrique

La méthodologie de comparaison que nous venons de donner peut être utilisée dans
des situations non stationnaires variées. Dans la théorie, il est possible de bien classer ces
situations. Par contre, dans la pratique, c'est beaucoup plus difficile, lorsqu'on observe par
exemple, la variabilité du signal de parole dans la même phrase prononcée par le même
locuteur. C'est pourquoi, les conclusions des auteurs pourront parfois apparaître comme
mitigées. Pourtant, le passage par l'outil théorique est une première étape incontournable pour
pouvoir se représenter et comprendre un peu ce qui se passe dans une situation pratique.
Rappelons l'estimation des paramètres du modèle dans le cas de la méthode des
moindres carrés récursifs, c'est-à-dire la mise à jour du vecteur θˆ dépend de façon critique du
signal résiduel ε , qui est en fait l'erreur de prédiction. Ce mécanisme conduit à une bonne
précision de l'estimation car l'erreur de prédiction, reflète la différence entre le modèle et le
système, est en principe toujours minimisée. Elle peut même attendre une valeur nulle s'il n'y
a pas de bruit et si le modèle est parfaitement correct.
Dans ce paragraphe, nous présentons un tableau explicatif et comparatif des biais de
chaque estimateur appliqué au système physique à phase minimale.

Algorithmes utilisés
Biais
Moindre Newton Gradient
carrés stochastique stochastique
0.0018 0.0102 0.0177
⎡∧ ⎤
E ⎢θ − θ 0 ⎥ 0.0048 0.0008 0.0176
⎣ ⎦
0.0054 -0.0031 0.0187
-0.0034 0.0056 0.0397

Tab. IV.13 : Biais des estimateurs utilisés, N = 256*4, σ 2 = 0.25

De toute évidence, nous pouvons prévoir que cette imprécision de l'estimation se

manifestera plus clairement dans le cas où la structure du spectre est relativement complexe
comme, par exemple, le modèle ARMAX.

Thèse de Doctorat ENP 2008 61

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.8. Identification des paramètres d’un modèle ARMAX

Considérons un système physique stable de type ARMAX décrit par l’équation
suivante :
B( z −1 ) C ( z −1 )
y (t ) = z − d u (t ) + e(t ) (IV.4)
A( z −1 ) A( z −1 )
−1 −1 −2
Avec A( z ) = a 0 + a1 z + a 2 z + ...
B ( z −1 ) = b0 + b1 z −1 + b2 z −2 + ...
C ( z −1 ) = c0 + c1 z −1 + c 2 z −2 + ...

IV.8.1. Résultats de simulation

A titre d’exemple de simulation nous prenons le cas d’un système physique stable à
phase minimale dont :
a0 =1, a1 = 0.3, a2 = 0.8
b0 = 0, b1 = 1, b2 = 0.5
c0 = 1, c1 = 0.1, c2 = 0.4

L’implémentation de l’algorithme RELS sur PC, en utilisant le langage de

programmation MATLAB, nous a donné les résultats suivants :

Paramètres estimés
Nombre ∧ ∧ ∧ ∧ ∧ ∧
Moyenne
d’échantillons a1 a2 b1 b2 c1 c2 du Biais

2*256 0.3241 0.7868 0.9730 0.5152 0.1006 0.3081 0.0581

4*256 0.2981 0.7983 1.0174 0.5192 0.0381 0.3700 0.0276
10*256 0.2969 0.7984 0.9993 0.4760 0.1077 0.3931 0.0230
20*256 0.2971 0.8024 0.9934 0.4978 0.1045 0.3943 0.0124
50*256 0.2993 0.7986 1.0111 0.4966 0.1089 0.3881 0.0088

Tab. IV.14 : Influence du nombre d’échantillons N, ( σ 2 = 0.25 )

Paramètres estimés
Variance σ 2
∧ ∧ ∧ ∧ ∧ ∧
Moyenne
a1 a2 b1 b2 c1 c2 du Biais

1.00 0.2972 0.7843 1.0219 0.5065 0.0863 0.3429 0.0303

0.25 0.3042 0.8047 0.9867 0.5053 0.1181 0.3627 0.0236
0.04 0.2781 0.7939 0.9763 0.4623 0.0617 0.3806 0.0298
0.01 0.2990 0.8009 1.0013 0.4997 0.0837 0.3213 0.0355

Tab. IV.15 : Influence de la variance σ 2 , (N = 256*10)

Thèse de Doctorat ENP 2008 62

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

Les paramètres estimés obtenus par l’algorithme RELS appliqué au système à phase
minimale sont plus proches aux valeurs réelles avec un biais d’estimation de l’ordre de 2 %

pour un nombre d’échantillons N =256*10 et la variance du bruit additif σ 2 = 0.25 . On note

aussi que, le biais de l’estimateur est devenu de plus en plus important si les zéros du modèle
stochastique du bruit sont situés en dehors du cercle unité.

1.2

0.8

0.6
plitude

0.4
Am

0.2

-0.2

-0.4
0 500 1000 1500 2000 2500 3000
Nombre d'échantillons

Fig. IV.14 : Evolution des paramètres (N = 256*10, σ 2 = 0.25 )

3
Figure (a)
2
Amplitude

-1

-2
0 500 1000 1500 2000 2500 3000
Nombre d'échantillon
800
Figure (b)
600
Amplitude

400

200

-200
0 1000 2000 3000 4000 5000 6000
Nombre d'échantillon

Fig. IV.15 : (a) - Erreur de prédiction (N = 256*10, σ 2 = 0.25 )

Thèse de Doctorat ENP 2008 63

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

(b) - Autocorrelation de l’erreur de prédiction.

0.5 1
Figure (b)
Amplitude

Amplitude
Figure (a)
0.5
0
0

-0.5 -0.5
0 1000 2000 3000 0 1000 2000 3000
1 1
Figure (c) Figure (d)
Amplitude

Amplitude
0.5 0.5

0 0

-0.5 -0.5
0 1000 2000 3000 0 1000 2000 3000
0.5 1
Figure (f)
Amplitude

Amplitude
Figure (e)
0.5
0
0

-0.5 -0.5
0 1000 2000 3000 0 1000 2000 3000
Nombre d'échantillons Nombre d'échantillons

Fig. IV.16 : Erreur d’identification des paramètres ai, bi et ci

IV.9. Interprétation des résultats obtenus

On remarque, d’après les résultats obtenus dont seule une partie été montrée que
lorsque le nombre d’échantillons N augmente ou la variance σ 2 du bruit additif v (t) diminue
alors l’écart type de l’erreur de prédiction diminue, et les paramètres estimés sont plus
proches aux valeurs réelles. Et la position des zéros du système n’influe pas sur l’erreur
d’estimation des paramètres, par contre la position des pôles doit être située à l’intérieur du
cercle unité pour assurer la stabilité du système, sinon l’algorithme diverge.
L'évolution temporelle des paramètres estimés par l'algorithme LMS montre l'effet du
facteur d'adaptation µ sur la convergence. Une valeur plus grande de µ mène à une
convergence plus rapide. Cependant, quand la valeur de µ est trop haute elle mène à
l'instabilité de l'algorithme et mène à un résultat incorrect.
Nous venons de conclure que la vitesse de convergence est une propriété importante
concernant l'estimation des paramètres du modèle par rapport à l'erreur d'identification. C'est
pourquoi avant de conclure à la supériorité des algorithmes RLS il faut préciser quel critère de
performance est utilisé. Il est clair que pour les problèmes transitoires (acquisition), c'est bien
la vitesse de convergence, mais pour les problèmes permanents (poursuite).

Thèse de Doctorat ENP 2008 64

Chapitre IV Implémentation des Algorithmes et Résultats de simulation

IV.10. Conclusion
Dans ce chapitre nous avons implémenté sous MATLAB les algorithmes
d’identification paramétrique basés sur le blanchissement de l’erreur de prédiction, qui sont :
l’algorithme du gradient stochastique, Newton stochastique et l’algorithme des moindres
carrés récursif.
Comme il est bien connu, il y a essentiellement deux familles d'algorithmes
d'adaptation, les gradients, encore dénommés (LMS) et les moindres carrés récursifs (RLS).
Les premiers sont appréciés pour leurs simplicités et performances. Puisque ce sont des
algorithmes itératifs ils peuvent être appliqués à un système très variant dans le temps. Ils ont
une exécution stable et robuste contre différents états de signal. Cependant ils peuvent ne pas
avoir une vitesse vraiment rapide de convergence.
Les seconds sont connus comme ayant une vitesse de convergence supérieure. Pour
cette dernière raison beaucoup d'auteurs ont pensé que les RLS sont capables d'une meilleure
poursuite dans un contexte non stationnaire.

Thèse de Doctorat ENP 2008 65

Chapitre V Application au Signal de Parole

Chapitre

V Application au Signal de Parole

V.1. Introduction
Le modèle AR (autorégressif) a prouvé son efficacité dans l'analyse spectrale du signal
de parole. La raison en est que la parole est, dans la plupart des cas, produite par l'excitation
des résonances acoustiques du conduit vocal, et que celles-ci correspondent bien à une
fonction de transfert tout pôle. Mais la production de la parole est en réalité bien plus
complexe. La source d'excitation glottale et le couplage source/conduit peuvent de toute
évidence modifier la fonction de transfert du conduit vocal. Cette dernière peut elle-même
présenter une structure complexe, notamment une ou plusieurs paires pôle zéro, dans le cas où
plusieurs cavités sont couplées acoustiquement [61, 62]. C'est pourquoi on peut observer dans
le spectre du signal de parole des creux marqués, des variations brusques ou des parties plates,
qui sont difficiles à modéliser par un simple filtre tout pôle d'ordre limité [25].
Afin d'améliorer la modélisation du signal de parole, on a été amené à appliquer des
algorithmes des moindres carrés récursifs RLS et RELS pour estimer les paramètres d'un
modèle AR qui ont été développés [42, 44]. Ils permettent avantageusement de suivre les
variations des paramètres.
Rappelons que ces algorithmes d'identification sont normalement conçus pour estimer
les paramètres d'un système inconnu, ou modèle, soumis à un signal d'excitation connu. Or
pour la parole, le signal d'entrée ne nous est pas accessible.
Nous voulons montrer dans ce travail de thèse, que lorsqu'on ne connaît pas le signal
d'excitation, la précision de l'estimation des paramètres est très limitée. Il est clair que
l'ajustement des paramètres du modèle dépend essentiellement du signal résiduel. Dans le cas
où le signal d'entrée est inconnu, celui-ci se retrouve dans le signal résiduel et participe donc à
l'erreur de prédiction. Cette présence du signal d'entrée inconnu dans le résidu perturbe le
mécanisme d'ajustement, et diminue fortement la précision de l'estimation.

V.2. Base de données

Les expériences ont été effectuées sur la base de données TIMIT. Les deux locuteurs
(Homme et Femme) prononcent chacun deux phrases phonétiquement équilibrées.

Thèse de Doctorat ENP 2008 66

Chapitre V Application au Signal de Parole

Les signaux de parole sont d'abord filtrés passe-bas à une fréquence 3.2 KHz, puis
échantillonnés à 8 KHz qui sont représentés sur les figures V.1, 2

1
Figure (a)
0.5
Amplitude

-0.5

-1
0 1 2 3 4 5 6
Nombre d'échantillons N 4
x 10
1
Figure (b)
0.5
Amplitude

-0.5

-1

-1.5
0 0.5 1 1.5 2 2.5
Nombre d'échantillons N 4
x 10
Fig.V.1 : Exemples de parole (Signal (x1): locuteur en haut, locutrice en bas) prononce la phrase: « Un
loup s’est jeté immédiatement sur la petite chèvre ». Avec x ∈ {M , F } , or M et F désigne un locuteur
masculin et féminin respectivement.

1
Figure (a)
0.5
Amplitude

-0.5

-1

-1.5
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
Nombre d'échantillons N
1
Figure (b)
0.5
Amplitude

-0.5

-1

-1.5
0 2000 4000 6000 8000 10000 12000 14000 16000 18000
Nombre d'échantillons N

Fig.V.2 : Exemples de parole (Signal (x2): locuteur en haut, locutrice en bas) prononce la phrase:
« C'est petit canard apprend à nager ». Avec x ∈ {M , F } , or M et F désigne un locuteur masculin et
féminin respectivement.

Thèse de Doctorat ENP 2008 67

Chapitre V Application au Signal de Parole

La figure V.1 et V.2 représentent l’évolution temporelle, ou audiogramme, des

signaux vocaux. On y constate une alternance de zones assez périodiques et de zones bruitées,
appelées zones voisées et non voisées.

V.3. Exemples de son voisé et non voisé

La figure V.3 donne une représentation plus fine de tranches de signaux voisés et non
voisés. L’évolution temporelle ne fournit cependant pas directement les traits acoustiques du
signal. Il est nécessaire, pour les obtenir, de mener à bien un ensemble de transformations.

4 Succession du son voisé et non voisé

x 10

1
Amplitude

-1
Voisé Non voisé Voisé Non voisé
-2

5000 6000 7000 8000 9000 10000 11000 12000

Nombre d'échantillons 4N
Son non voisé x 10 Son voisé
4000
1
2000
Amplitude

Amplitude

0
0

-2000 -1

-4000 -2
6400 6500 6600 6700 8200 8400 8600 8800 9000
Nombre d'échantillons N Nombre d'échantillons N

Fig.V.3 : Exemples de son voisé (droit) et non voisé (gauche).

V.4. Transformée de Fourier à court terme

La transformée de Fourier à court terme est obtenue en extrayant de l’audiogramme
une 30aine de ms de signal vocal échantillonné à 16 KHz, en pondérant ces échantillons par
une fenêtre de pondération et en effectuant une transformée de Fourier discrète sur une
tranche voisée de la Fig.V.4. Les parties voisées du signal apparaissant sous la forme de
successions de pics spectraux marqués, dont les fréquences centrales sont multiples de la
fréquence fondamentale.

Thèse de Doctorat ENP 2008 68

Chapitre V Application au Signal de Parole

Par contre, le spectre d’un signal non voisé (Fig.V.5) ne présente aucune structure
particulière.
La forme générale de ces spectres, appelée enveloppe spectrale, présente elle-même
des pics et des creux qui correspondent aux résonances et aux anti-résonances du conduit
vocal et sont appelés formants et anti-formants. L’évolution temporelle de leur fréquence
centrale et de leur largeur de bande détermine le timbre du son.

1
Figure (a)
0.5
Amplitude

-0.5

-1
1.6 1.605 1.61 1.615 1.62 1.625 1.63 1.635
Temps en (s)
0
Densité spectrale en (dB)

Figure (b)
-20

-40

-60

-80
0 1000 2000 3000 4000 5000 6000 7000 8000
Fréquence en (Hz)

Fig.V.4 : (a) - Tranche voisée de 32 ms, Fe = 16 KHz

(b) - Spectre du signal.

La Fig.V.4 montre que l’enveloppe spectrale des sons voisés est de type passe bas,
avec environ un formant par kHz de bande passante, et dont seuls les trois ou quatre premiers
contribuent de façon importante au timbre.
Par contre, les sons non voisés de la Fig.V.5 présentent souvent une accentuation vers
les hautes fréquences.

Thèse de Doctorat ENP 2008 69

Chapitre V Application au Signal de Parole

1
Figure (a)

0.5
Amplitude
0

-0.5

-1
0.4 0.405 0.41 0.415 0.42 0.425 0.43 0.435 0.44
Temps en (s)
0
Densité spectrale en (dB)

Figure (b)
-10

-20

-30

-40

-50
0 1000 2000 3000 4000 5000 6000 7000 8000
Fréquence en (Hz)

Fig.V.5 : (a) - Tranche non voisée de 32 ms, Fe = 16 KHz

(b) - Spectre du signal.

V.5. Modélisation de la parole non bruitée

Les procédés de traitement numérique du signal appliqués aux signaux de parole se
basent souvent sur une modélisation paramétrique du signal de parole. Ce modèle comporte
généralement quatre paramètres [63], [66] :
ƒ Une information de « voisement », qui décrit le caractère plus ou moins périodique
(sons voisés) ou aléatoire (sons non voisés) du signal.
ƒ La fréquence fondamentale ou « PITCH », pour les sons voisés.
ƒ L’évolution temporelle de « l'énergie » du signal de parole.
ƒ Son enveloppe spectrale, ou « spectre », qui est généralement obtenue par une
modélisation autorégressive (filtre de prédiction linéaire ou LPC) ou par une analyse
de Fourier à court terme synchrone avec le pitch.

Ces quatre paramètres sont estimés périodiquement sur le signal de parole (de une à
plusieurs fois par trame selon le paramètre, pour une durée trame typiquement comprise entre
10 et 30 ms).

Thèse de Doctorat ENP 2008 70

Chapitre V Application au Signal de Parole

Le problème de l'estimation d'un modèle AR correspondant au signal de parole dans

un milieu non bruité revient à déterminer les coefficients d'un filtre tout pôle [67] de H (z)
d’ordre p, et on écrit:
Y ( z) G
H ( z) = = p
U ( z)
1 − ∑ a i z −i
i =1

Avec Y (z), H (z) et U (z) les transformées en z du signal, du filtre du conduit vocal et
de l’excitation.

Considérations pratiques
Pour mener à une bonne simulation et analyse, il faut bien choisir :
ƒ La fréquence d'échantillonnage
ƒ La méthode d'analyse
ƒ L'ordre p du modèle AR
ƒ Le nombre d'échantillons N par tranche

Le choix de la fréquence d'échantillonnage est fonction de l'application visée et de la

qualité du signal à analyser. L'ordre d'analyse conditionne le nombre de formants que
l'analyse est capable de prendre en compte. On estime en général que la parole présente un
formant par kHz de bande passante, ce qui correspond à une paire de pôles pour A(z ) . Si on y
ajoute une paire de pôles pour la modélisation de l'excitation glottique, on obtient les valeurs
classiques de p = 10, 12, et 18 pour Fe = 8, 10 et 16 kHz respectivement. Elles trouvent

d'ailleurs une justification expérimentale dans le fait que l'énergie de l'erreur de prédiction
diminue rapidement lorsqu'on augmente p à partir de 1, pour tendre vers une asymptote autour
de ces valeurs : il devient inutile d'encore augmenter l'ordre, puisqu'on ne prédit rien de plus.
La durée des tranches d'analyse et leur décalage sont souvent fixés à 30 et 10 ms
respectivement. Ces valeurs ont été choisies empiriquement; elles sont liées au caractère
quasi-stationnaire du signal de parole.

Résultats de simulation
Pour bien analyser les performances de l'estimateur RLS, nous avons effectué des
simulations sur des tranches de 32 ms pour les différents signaux de parole (M1, F1, M2, F2),
les résultats obtenus sont illustrés dans les tableaux: Tab. V.1, 2, 3, 4 respectivement. L'ordre
du modèle est choisi égale à 10.

Thèse de Doctorat ENP 2008 71

Chapitre V Application au Signal de Parole

La Fig.V.6 donne la représentation temporelle du signal M1, ainsi que son spectre de
puissance. L'analyse est menée sur des tranches de 32 ms (256 échantillons), et les résultats de
simulation obtenus par l'algorithme RLS sont illustrés dans le Tab.V.1.

1
Figure(a)

0
Amplitude

-1

-2
0.16 0.165 0.17 0.175 0.18 0.185 0.19 0.195
Temps en (s)
Densité spectrale en (dB)

Figure (b)
-10

-20

-30

-40

-50
500 1000 1500 2000 2500 3000 3500 4000
Fréquence en (Hz)

Fig.V.6 : (a) - Tranche de 32 ms du signal (M1)

(b) - Spectre du signal

Modèle Signal de Parole (M1)

AR (10) MATLAB RLS BIAIS VAR EQM
a0 1.0000 1.0000 0.0000 0.0000 0.0000
a1 -0.6832 -0.6817 -0.0473 0.0108 0.0130
a2 -0.2362 -0.2544 -0.0012 0.0097 0.0097
a3 0.0552 0.0499 0.1054 0.0097 0.0208
a4 0.0084 0.0122 -0.0297 0.0011 0.0020
a5 0.0070 0.0065 -0.0241 0.0085 0.0090
a6 -0.0024 -0.0094 0.0021 0.0048 0.0047
a7 -0.0341 0.0077 -0.0366 0.0322 0.0335
a8 -0.0457 -0.0751 0.0097 0.0023 0.0024
a9 -0.1520 -0.1510 -0.0363 0.0109 0.0122
a10 0.1922 0.1985 0.0328 0.0069 0.0079

Tab.V.1 : Propriétés de l'estimateur RLS. Cas: Tranche de 32 ms du signal (M1)

Thèse de Doctorat ENP 2008 72

Chapitre V Application au Signal de Parole

La modélisation par l'algorithme RLS d'un modèle AR d'ordre 10, réalisée sur le signal de
parole F1 échantillonné à 8 KHz, a permis de calculer les 10 premiers coefficients du filtre
tout pôles donnés par le tableau Tab.V.2.

1
Figure (a)
0.5
Amplitude

-0.5

-1

-1.5
0.672 0.674 0.676 0.678 0.68 0.682 0.684 0.686 0.688 0.69
Temps en (s)
0
Densité spectrale en (dB)

Figure (b)
-20

-40

-60

-80
0 500 1000 1500 2000 2500 3000 3500 4000
Fréquence en (Hz)

Fig.V.7 : (a) - Tranche de 32 ms du signal (F1)

(b) - Spectre du signal

Modèle Signal de Parole (F1)

AR (10) MATLAB RLS BIAIS VAR EQM
a0 1.0000 1.0000 0.0000 0.0000 0.0000
a1 -0.5763 -0.5889 0.0035 0.0175 0.0174
a2 -0.9770 -0.9407 -0.1514 0.0447 0.0674
a3 -0.7179 -0.7039 -0.0374 0.0268 0.0280
a4 1.1541 1.1353 0.0597 0.0827 0.0860
a5 0.9373 0.8614 0.2713 0.0768 0.1501
a6 0.2681 0.2898 -0.0567 0.0231 0.0262
a7 -1.0967 -1.0403 -0.1709 0.1030 0.1318
a8 -0.2428 -0.2193 -0.1158 0.0209 0.0342
a9 0.0398 -0.0097 0.1011 0.0275 0.0376
a10 0.3306 0.3376 0.0321 0.0127 0.0137

Tab.V.2 : Propriétés de l'estimateur RLS. Cas : Tranche de 32 ms du signal (F1)

Thèse de Doctorat ENP 2008 73

Chapitre V Application au Signal de Parole

1
Figure (a)
0.5
Amplitude
0

-0.5

-1
0.528 0.53 0.532 0.534 0.536 0.538 0.54 0.542 0.544 0.546
Temps en (s)
0
Densité spectrale en dB

Figure (b)

-20

-40

-60
0 500 1000 1500 2000 2500 3000 3500 4000
Fréquence en (Hz)

Fig.V.8 : (a) - Tranche de 32 ms du signal (M2)

(b) - Spectre du signal

Modèle Signal de Parole (M2)

AR (10) MATLAB RLS BIAIS VAR EQM
a0 1.0000 1.0000 0.0000 0.0000 0.0000
a1 -1.7946 -1.7865 -0.0713 0.1636 0.1680
a2 1.5466 1.5342 0.0752 0.2265 0.2312
a3 -0.5707 -0.5615 -0.0540 0.1479 0.1502
a4 0.2610 0.2223 0.1714 0.1018 0.1308
a5 -0.0883 -0.0286 -0.1366 0.1275 0.1457
a6 0.0597 0.0064 -0.0939 0.6631 0.6692
a7 -0.2615 -0.2245 0.3022 1.8183 1.9023
a8 1.0209 0.9750 -0.1620 1.7793 1.7983
a9 -1.0749 -1.0326 -0.0103 0.9689 0.9650
a10 0.5023 0.4802 0.0508 0.5484 0.5488

Tab.V.3 : Propriétés de l'estimateur RLS. Cas: Tranche de 32 ms du signal (M2)

Le Tab.V.3 montre bien les propriétés de l'estimateur RLS de point vue Biais,
Variance et EQM. Les résultats de simulation obtenus par l'algorithme RLS sont plus proches
aux paramètres du signal de parole (M2) obtenus par la fonction du MATLAB.

Thèse de Doctorat ENP 2008 74

Chapitre V Application au Signal de Parole

1
Figure (a)
0.5

Amplitude
0

-0.5

-1
0.32 0.322 0.324 0.326 0.328 0.33 0.332 0.334 0.336 0.338
Temps en (s)
0
Densité spectrale en (dB)

Figure (b)

-20

-40

-60
0 500 1000 1500 2000 2500 3000 3500 4000
Fréquence en (Hz)

Fig.V.9 : (a) - Tranche de 32 ms du signal (F2)

(b) - Spectre du signal

Modèle Signal de Parole (F2)

AR (10) MATLAB RLS BIAIS VAR EQM
a0 1.0000 1.0000 0.0000 0.0000 0.0000
a1 -0.6391 -0.6875 0.0854 0.0831 0.0901
a2 -0.4405 -0.4241 -0.0668 0.0250 0.0293
a3 -1.1401 -1.0705 -0.3397 0.3425 0.4565
a4 0.9734 0.9889 0.1263 0.1641 0.1794
a5 0.5053 0.4415 0.2709 0.0462 0.1194
a6 0.7659 0.7070 0.2326 0.1594 0.2128
a7 -0.9283 -0.8996 -0.2823 0.1538 0.2329
a8 -0.0470 0.0195 -0.2326 0.1625 0.2160
a9 -0.3334 -0.3326 0.0987 0.8721 0.8783
a10 0.4232 0.3859 0.0730 0.4746 0.4780

Tab.V.4 : Propriétés de l'estimateur RLS. Cas: Tranche de 32 ms du signal (F2)

L'estimateur RLS appliqué au signal de parole démontre une très grande variabilité. Il
est en effet peu probable de mesurer deux signaux de parole totalement semblables même si
des phrases identiques sont prononcées par le même locuteur. Cette variabilité rend le
processus de traitement automatique de parole excessivement complexe. Pour se faire, une
analyse à court terme est réalisée. Les tableaux précédents (Tab.V.1, 2, 3, 4) expliquent
pourquoi un estimateur sans biais n'est pas toujours systématiquement préférable à un

Thèse de Doctorat ENP 2008 75

Chapitre V Application au Signal de Parole

estimateur biaisé, mais de faible variance. Les figures suivantes: Fig.V.10 et Fig.V.11 sont
une démonstration du résultat relatif à l'EQM de l'estimateur RLS des paramètres a1, a2, a4 et
a5 obtenus a partir du tableau Tab.V.1.

0
Evolution du paramètre a1
-0.2
Amplitude

Valeur exacte
-0.4
Valeur estimée
Valeur estimé Biais
-0.6

-0.8
0 100 200 300 400 500 600
Nombre d'échantillons N
0
Biais
-0.2
Amplitude

-0.4
Valeurestimé
Valeur estimée
-0.6
Valeur exacte
-0.8
Evolution du paramètre a2
-1
0 100 200 300 400 500 600
Nombre d'échantillons N

Fig.V.10 : Evolution temporelle du paramètre a1 et a2 du signal (M1).

Evolution du paramètre a4
0.2
Valeur exacte
Amplitude

Valeur estimé
Valeur estimée
0.1
Biais

0 50 100 150 200 250 300 350 400 450 500

Nombre d'échantillons N

0.4
Biais
0.2
Amplitude

0
Valeur exacte
-0.2
Valeur
Valeurestimé
estimée
-0.4
Evolution du paramètre a5
-0.6

50 100 150 200 250 300 350 400 450 500

Nombre d'échantillons N

Fig.V.11 : Evolution temporelle du paramètre a4 et a5 du signal (M1).

Thèse de Doctorat ENP 2008 76

Chapitre V Application au Signal de Parole

V.6. Modélisation de la parole bruitée

La parole bruitée fait l'objet de plusieurs travaux en télécommunications. Des
méthodes pour réduire le bruit et pour annuler l'écho ont été proposées dans plusieurs
références. En général, tous les algorithmes appliqués sont basés sur des filtres à coefficients
adaptatifs qui fonctionnent assez bien.
Une grande partie des méthodes existantes aborde le problème de la réduction de bruit
sous son aspect fréquentiel afin de profiter des caractéristiques de ce domaine d’étude.
Parallèlement aux nombreuses variantes de la soustraction spectrale, les méthodes s’inspirant
d’un filtrage optimal se sont développées depuis les travaux réalisés par Wiener. Celles-ci
prennent en compte souvent la statistique du signal de parole. Ces méthodes appliquent des
modifications sur la transformée de Fourier court terme du signal bruité, en utilisant les
informations a priori disponibles sur le bruit.
Nous proposons donc d’étudier, la méthode des moindres carrés étendus RELS qui
permet de mieux estimer les paramètres du modèle autorégressif correspondant au signal de
parole dans un environnement bruité. Le bruit additif Gaussien v(t ) utilisé le long de ce travail
est illustré sur la Fig.V.12.

4
Figure (a)
2
Amplitude

-2

-4
0 100 200 300 400 500 600
Nombre d'échantillons N
600
Figure (b)
400
Amplitude

200

-200
0 200 400 600 800 1000 1200
Nombre d'échantillons N

Fig.V.12 : Bruit Gaussien de moyenne nulle et variance égale à l'unité

Thèse de Doctorat ENP 2008 77

Chapitre V Application au Signal de Parole

Les tableaux IV.5, 6, 7,…,14 présentent les propriétés de l'estimateur RELS (Biais,
Variance et Ecart Quadratique Moyenne) sur 4 phrases du corpus (2 hommes et 2 femmes)
pour des valeurs du SNR allant de 40 dB à 10 dB.

Modèle Signal de Parole (M1)

AR (10) faiblement bruité
RELS BIAIS VAR EQM
a0 1.0000 0.0000 0.0000 0.0000
a1 -0.6979 -0.0350 0.0171 0.0183
a2 -0.2525 0.0119 0.0469 0.0470
a3 0.0594 0.0947 0.0093 0.0182
a4 0.0182 -0.0421 0.0068 0.0086
a5 0.0029 -0.0257 0.0157 0.0164
a6 -0.0089 -0.0060 0.0110 0.0110
a7 0.0116 -0.0453 0.0367 0.0387
a8 -0.0800 0.0102 0.0308 0.0308
a9 -0.1572 -0.0222 0.0238 0.0243
a10 0.2006 0.0568 0.1653 0.1682

Tab.V.5 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (M1), SNR = 40 dB.

Modèle Signal de Parole (M1)

AR (10) moyennement bruité
RELS BIAIS VAR EQM
a0 1.0000 0.0000 0.0000 0.0000
a1 -0.6898 -0.0443 0.0168 0.0187
a2 -0.2506 0.0148 0.0462 0.0463
a3 0.0526 0.0933 0.0084 0.0171
a4 0.0061 -0.0253 0.0061 0.0068
a5 0.0136 -0.0349 0.0156 0.0168
a6 -0.0076 -0.0041 0.0113 0.0113
a7 0.0102 -0.0485 0.0367 0.0389
a8 -0.0790 0.0020 0.0325 0.0325
a9 -0.1540 -0.0140 0.0218 0.0219
a10 0.1955 0.0565 0.1666 0.1694

Tab.V.6 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (M1), SNR = 30 dB.

Pour un SNR ≥ 30 dB , l'estimateur RELS donne des résultats meilleurs, et l'EQM varie
légèrement dans un contexte bruité.

Thèse de Doctorat ENP 2008 78

Chapitre V Application au Signal de Parole

Modèle Signal de Parole (M1)

AR (10) moyennement bruité
RELS BIAIS VAR EQM
a0 1.0000 0.0000 0.0000 0.0000
a1 -0.6642 -0.0782 0.0155 0.0216
a2 -0.2666 0.0294 0.0380 0.0388
a3 0.0302 0.1365 0.0118 0.0304
a4 0.0078 -0.0408 0.0044 0.0061
a5 0.0485 -0.0468 0.0128 0.0149
a6 -0.0133 -0.0210 0.0084 0.0088
a7 -0.0281 0.0010 0.0328 0.0327
a8 -0.0381 -0.0422 0.0235 0.0253
a9 -0.1769 -0.0021 0.0132 0.0132
a10 0.1991 0.0533 0.0950 0.0977

Tab.V.7 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (M1), SNR = 20 dB.

Modèle Signal de Parole (M1)

AR (10) Fortement bruité
RELS BIAIS VAR EQM
a0 1.0000 0.0000 0.0000 0.0000
a1 -0.5621 -0.1747 0.0279 0.0583
a2 -0.2085 -0.0369 0.0553 0.0565
a3 -0.0460 0.1359 0.0083 0.0268
a4 -0.0332 0.0631 0.0046 0.0086
a5 -0.0417 0.0967 0.0119 0.0212
a6 0.0897 -0.1462 0.0106 0.0320
a7 0.0325 -0.0343 0.0103 0.0114
a8 -0.1096 0.0288 0.0494 0.0502
a9 -0.1035 -0.1197 0.0252 0.0395
a10 0.1101 0.1361 0.1322 0.1504

Tab.V.8 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (M1), SNR = 10 dB.

Le Tab.V.8 démontre la dégradation totale et rapide des performances de l'estimateur

RELS dans un contexte fortement bruité.

Thèse de Doctorat ENP 2008 79

Chapitre V Application au Signal de Parole

Modèle Signal de Parole (F1)

AR (10) faiblement bruité
RELS BIAIS VAR EQM
a0 1.0000 0.0000 0.0000 0.0000
a1 -0.5851 0.0319 0.2441 0.2441
a2 -0.9681 -0.1240 0.1963 0.2109
a3 -0.6938 -0.0586 0.0449 0.0481
a4 1.1475 0.0278 0.2162 0.2161
a5 0.8823 0.2196 0.4953 0.5415
a6 0.2692 -0.0252 0.0226 0.0231
a7 -1.0468 -0.1476 0.1968 0.2178
a8 -0.2263 -0.0629 0.5993 0.6009
a9 0.0010 0.0863 0.0380 0.0453
a10 0.3369 0.0604 0.1193 0.1225

Tab.V.9 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (F1), SNR = 40 dB.

Modèle Signal de Parole (F1)

AR (10) fortement bruité
RELS BIAIS VAR EQM
a0 1.0000 0.0000 0.0000 0.0000
a1 -0.5306 -0.1366 0.0890 0.1073
a2 -0.5511 -0.3568 0.0660 0.1930
a3 -0.1012 -0.5067 0.2853 0.5409
a4 0.1171 0.9392 0.1840 1.0654
a5 0.1212 0.8506 0.1377 0.8608
a6 0.2073 -0.1138 0.2872 0.2990
a7 -0.0371 -1.1441 0.2696 1.5775
a8 0.0729 -0.1625 0.5810 0.6051
a9 0.0102 0.1643 0.8536 0.8771
a10 -0.0933 0.2588 2.9638 3.0187

Tab.V.10 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (F1), SNR = 10 dB.

Le Tab .V.10 présente certains des paramètres du signal de parole (F1) qui sont
masqués par le bruit et dans un tel cas les paramètres du signal de parole non bruitée ne
peuvent être estimés à partir du signal bruité et sont donc considérés comme manquants ou
incertains.

Thèse de Doctorat ENP 2008 80

Chapitre V Application au Signal de Parole

La même chose se présente aux signaux de parole (M2 et F2). Les tableaux V.12 et
V.14 démontrent la dégradation totale et rapide des performances de l'estimateur RELS dans
un contexte fortement bruité.

Modèle Signale de Parole (M2)

AR (10) faiblement bruité
RELS BIAIS VAR EQM
a0 1.0000 0.0000 0.0000 0.0000
a1 -1.7938 -0.0459 0.1782 0.1795
a2 1.5763 -0.0475 0.3340 0.3349
a3 -0.6255 0.1508 0.5667 0.5871
a4 0.2778 -0.0462 1.2845 1.2815
a5 -0.0559 -0.0764 0.7204 0.7233
a6 0.0154 0.0024 0.3787 0.3771
a7 -0.2147 0.0626 0.1631 0.1663
a8 0.9577 0.1014 0.9855 0.9917
a9 -1.0191 -0.1916 1.2683 1.2999
a10 0.4791 0.1237 0.3817 0.3954

Tab.V.11 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (M2), SNR = 40 dB.

Modèle Signal de Parole (M2)

AR (10) fortement bruité
RELS BIAIS VAR EQM
a0 1.0000 0.0000 0.0000 0.0000
a1 -0.8883 -0.8309 0.2423 0.9317
a2 0.2015 1.2480 0.5754 2.1305
a3 0.1941 -0.7843 0.5256 1.1386
a4 0.1260 0.3893 1.0773 1.2244
a5 -0.0094 -0.2377 0.6948 0.7485
a6 0.0554 -0.0067 0.8087 0.8055
a7 -0.1342 0.0533 1.0971 1.0955
a8 0.3532 0.4774 6.0642 6.2675
a9 -0.0402 -0.8013 9.6257 10.2287
a10 -0.0547 0.4101 4.6694 4.8187

Tab.V.12 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (M2), SNR = 10 dB.

Thèse de Doctorat ENP 2008 81

Chapitre V Application au Signal de Parole

Modèle Signal de Parole (F2)

AR (10) faiblement bruité
RELS BIAIS VAR EQM
a0 1.0000 0.0000 0.0000 0.0000
a1 -0.6878 0.0469 0.0405 0.0425
a2 -0.4519 0.0050 0.0262 0.0261
a3 -1.0277 -0.3590 0.2361 0.3640
a4 0.9730 0.1248 0.1151 0.1303
a5 0.4679 0.1654 0.0420 0.0692
a6 0.6575 0.3396 0.2715 0.3857
a7 -0.8814 -0.2813 0.2827 0.3607
a8 0.0126 -0.2144 0.1673 0.2126
a9 -0.2997 0.0333 0.6212 0.6198
a10 0.3624 0.1217 0.1622 0.1764

Tab.V.13 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (F2), SNR = 40 dB.

Modèle Signal de Parole (F2)

AR (10) fortement bruité
RELS BIAIS VAR EQM
a0 1.0000 0 0 0
a1 -0.3089 -0.4452 0.0716 0.2696
a2 -0.3884 0.0621 0.2451 0.2480
a3 -0.1194 -0.6899 0.8593 1.3318
a4 -0.1524 1.0674 0.3259 1.4640
a5 -0.0871 0.3612 1.9091 2.0318
a6 0.0214 0.6341 0.8296 1.2283
a7 0.1514 -1.0830 0.5344 1.7050
a8 -0.0009 -0.0006 2.4739 2.4639
a9 0.1157 -0.5769 1.1280 1.4562
a10 0.1705 0.4819 2.2276 2.4508

Tab.V.14 : Estimation des paramètres du modèle AR par l'algorithme RELS.

Cas: Tranche de 32 ms du signal (F2), SNR = 10 dB.

L'estimateur RELS n'utilise aucune information a priori sur le bruit de mesure, et nous
avons montré que si le signal de parole est fortement bruité, l'estimation des paramètres est
biaisée. La qualité de l'estimateur se dégrade rapidement lorsque le SNR diminue, et limite de
ce fait la qualité des traitements en présence d'un niveau de bruit élevé.

Thèse de Doctorat ENP 2008 82

Chapitre V Application au Signal de Parole

V.7. Etude comparative

Les tableaux ci-dessous se résument l'EQM de l'estimateur RELS appliqué aux
signaux de parole (M1, F1, M2 et F2) pour des SNR = 40 dB puis 10 dB.

Estimateur RELS Estimateur RELS

Modèle SNR = 40 dB Modèle SNR = 10 dB
AR EQM EQM EQM EQM AR EQM EQM EQM EQM
(10) (M1) (F1) (M2) (F2) (10) (M1) (F1) (M2) (F2)
a0 0.0000 0.0000 0.0000 0.0000 a0 0.0000 0.0000 0.0000 0.0000
a1 0.1088 0.4062 0.1381 0.0686 a1 0.3876 0.0355 0.0911 0.1094
a2 0.2794 0.3510 0.2576 0.0421 a2 0.3757 0.0639 0.2083 0.1007
a3 0.1082 0.0800 0.4517 0.5873 a3 0.1782 0.1792 0.1113 0.5405
a4 0.0511 0.3596 0.9858 0.2102 a4 0.0572 0.3529 0.1197 0.5942
a5 0.0975 0.9011 0.5564 0.1116 a5 0.1410 0.2852 0.0732 0.8246
a6 0.0654 0.0384 0.2901 0.6223 a6 0.2128 0.0990 0.0787 0.4985
a7 0.2301 0.3625 0.1279 0.5820 a7 0.0758 0.5226 0.1071 0.6920
a8 0.1831 1.0000 0.7629 0.3430 a8 0.3338 0.2005 0.6127 1.0000
a9 0.1445 0.0754 1.0000 1.0000 a9 0.2626 0.2906 1.0000 0.5910
a10 1.0000 0.2039 0.3042 0.2846 a10 1.0000 1.0000 0.4711 0.9947

Tab.V.15 : EQM des signaux faiblement bruités. Tab.V.16 : EQM des signaux fortement bruités.

Une étude comparative dans la représentation des taux des EQM sur la Fig.IV.13 du
signal bruité, montre que certains des paramètres du signal de parole sont masqués par le bruit
et les paramètres du signal de parole non bruitée ne peuvent être estimés à partir du signal
bruité (SNR d'ordre 10 dB). Cependant, le debruitage par filtre de Wiener adaptatif donne
généralement des meilleurs résultats [28], [29].

0.5
Figure (a)
0.4
Taux de l'EQM

0.3

0.2

0.1

0
1 2 3 4
Signal (M1) Signal (F1) Signal (M2) Signal (F2)

0.5
Figure (b)
0.4
Taux de l'EQM

0.3

0.2

0.1

0
1 2 3 4
Signal (M1) Signal (F1) Signal (M2) Signal (F2)

Fig.V.13 : (a) Taux des EQM pour des signaux faiblement bruités
(b) Taux des EQM pour des signaux fortement bruités.

Thèse de Doctorat ENP 2008 83

Chapitre V Application au Signal de Parole

V.8. Modélisation ARMA de la parole non bruitée

Dans l'algorithme RLS, la mise à jour pas à pas des paramètres du modèle permet de
suivre les paramètres réels du système. Le modèle ARMA possède des zéros et des pôles, ces
derniers ne sont pas contraints de se placer à l'intérieur du cercle unité. Nous pouvons espérer
que le résidu sera plus proche d'un train d'impulsions et que la méthode décrite précédemment
pourra être appliquée.
Un premier test a été réalisé sur un signal de parole (M1) incorporant l'influence de la
source d'excitation et du couplage source/conduit. Nous avons utilisé une forme d'excitation
typique de la source glottale.
Pour simuler le couplage, nous avons fait varier les bandes passantes des résonances
proportionnellement à l'ouverture de la glotte [63]. En ce qui concerne le choix de l'ordre du
modèle, il est évident que ce dernier doit être supérieur à l'ordre de la partie du système lié au
conduit vocal, car le modèle doit pouvoir représenter également la source glottale. Dans notre
travail, l'ordre de la partie AR a été fixé à 10, et l'ordre de la partie MA à 6.
Nous présentons les résultats obtenus par l'algorithme RLS sur le tableau ci-dessous.

Modèle Signal de Parole (M1)

ARMA (10,6) Fonction Algorithme RLS
MATLAB Partie AR Partie MA
a0 b0 1.0000 1.0000 0.0000
a1 b1 -0.6832 -0.6841 -9.3885
a2 b2 -0.2362 -0.2402 -151.4724
a3 b3 0.0552 0.0558 3.8186
a4 b4 0.0084 0.0115 32.1925
a5 b5 0.0070 0.0138 26.5402
a6 b6 -0.0024 -0.0109 135.7180
a7 b7 -0.0341 -0.0397 ----------
a8 b8 -0.0457 -0.0434 ----------
a9 b9 -0.1520 -0.1473 ----------
a10 b10 0.1922 0.1906 ----------

Tab.V.17: Modélisation ARMA de la parole par l'estimateur RLS.

Cas: Tranche de 32 ms du signal (M1)

Dans le Tab.V.17, on tient compte du couplage avec la cavité nasale responsable d'une
autre classe de sons appelée: sons nasals. Le couplage entre l'excitation glottale et le conduit
vocal rend difficile la mesure précise du fondamental.

Thèse de Doctorat ENP 2008 84

Chapitre V Application au Signal de Parole

Notons aussi que le modèle ARMA est souvent retenu pour modéliser la parole.
Plusieurs méthodes d’estimations des modèles ARMA sont décrites dans les références [16]
ou [67] : méthode de corrélation (algorithmes de Levinson ou de Schur), de covariance
(algorithme de Cholesky), de Burg.

V.9. Conclusion
L’identification des paramètres d’un signal de parole non bruitée par l’algorithme
RLS donne des résultats meilleurs mais ces performances se dégradent rapidement en
présence du bruit. De manière générale, Pour un SNR inférieur à 20 dB, l'ensemble des
signaux de parole échantillonnés à 8 KHz apporte une dégradation totale par rapport aux
signaux de parole échantillonnés à 16 KHz. De plus, on observe une variation brusque du
biais de l'estimateur RELS.
L'application au signal de parole démontre une très grande variabilité. Pour se faire,
une analyse à court terme est réalisée. Le signal de parole est observé au travers d’une fenêtre
d’analyse d’une durée d'environ de 30 millisecondes. Pour chaque position de la fenêtre
d’analyse, une estimation des paramètres, c’est-à-dire les p coefficients LP, du signal de
parole observé sont calculés.
En résumé, l'analyse de la parole est une étape indispensable à toute application de
synthèse, de codage, ou de reconnaissance. Elle repose en général sur un modèle. Celui-ci
possède un ensemble de paramètres numériques, dont les plages de variation définissent
l'ensemble des signaux couverts par le modèle. Pour un signal et un modèle donné, l'analyse
consiste en l'estimation des paramètres du modèle dans le but de lui faire correspondre le
signal analysé.
Les erreurs de modélisation peuvent être causées par le modèle lui-même, puisqu'il
restreint implicitement l'ensemble des signaux couverts, de sorte qu'un signal qui n'en fait pas
partie ne pourra jamais être modélisé correctement (quelque soit la valeur choisie pour les
paramètres). On parlera alors d'erreur intrinsèque. D'autre part, un signal couvert par le
modèle ne sera effectivement bien modélisé que dans la mesure où l'algorithme d'analyse est
effectivement capable de trouver les paramètres qui annulent l'erreur de modélisation. Si ce
n'est pas le cas, on parlera d'erreur extrinsèque, ou biais d'analyse.
Les modèles de production ne cherchent à reproduire que le schéma de principe du
mécanisme phonatoire, par le biais de son équivalent électrique. On y décrit la parole comme
le signal produit par un assemblage de générateurs et de filtres numériques. Les paramètres de

Thèse de Doctorat ENP 2008 85

Chapitre V Application au Signal de Parole

ces modèles sont ceux des générateurs et filtres qui les constituent. Le modèle Auto -
Régressif (AR), que nous avons étudié et simulé plus spécialement dans ce chapitre en raison
de l'utilisation répandue en traitement de la parole, en est l'exemple le plus simple.
Un autre modèle connu sous autorégressif à moyenne ajustée ARMA est parfois
utilisé. II se distingue par la présence à la fois des pôles et des zéros. Ce dernier est plus
délicat à estimer qu’un modèle AR. Cela amène parfois à préférer, pour une qualité donnée de
la modélisation, un modèle AR avec un ordre un peu surestimé. Mais la principale limitation
réside dans l’hypothèse de stationnarité du signal acoustique qui est faite [66]. Il existe un
compromis entre la longueur de la fenêtre d’analyse et la durée pendant laquelle l’hypothèse
de stationnarité est raisonnable. Ce compromis est réalisable pendant les zones stables
(voyelles), mais il n’est pas satisfaisant durant les phases transitoires et non justifié sur les
plosives.

Thèse de Doctorat ENP 2008 86

Conclusion Générale et Perspectives

Conclusion Générale et Perspectives

Dans ce travail de thèse, un panorama des méthodes récursives, d'identification de

modèles paramétriques des signaux et systèmes, a été utilisé. L'accent a été mis sur la
présentation de la structure des différentes méthodes, leur raison d'être, les conditions de
convergence dans un environnement stochastique et sur leur domaine d'application. La
structure des algorithmes d'adaptation paramétrique commune à toutes les méthodes
d'identification a été présentée en détail indiquant l'influence du choix des différents
paramètres sur la précision de l'estimation et la capacité de suivi de variation des modèles.
L'aspect validation du modèle identifié qui est spécifique aux méthodes paramétriques de
modélisation du signal a été décrit. L'interprétation des critères de validation des modèles
paramétriques a été donnée, permettant ainsi d'établir un lien entre les méthodes
d'identification paramétriques.
Les algorithmes d'identification paramétrique développés sont :
ƒ Gradient stochastique (LMS)
ƒ Newton stochastique (NS)
ƒ Moindres carrés récursifs (RLS)
ƒ Moindres carrés étendus (RELS)

L'implémentation des algorithmes LMS, NS et RLS sur PC, en utilisant le langage de

programmation MATLAB, les résultats obtenus nous a montré que lorsque le nombre
d’échantillons N augmente ou la variance du bruit additif diminue alors le biais de
l’estimateur diminue, et les paramètres estimés sont plus proches à des valeurs réelles. Et la
position des zéros du système n’influe pas sur l’erreur d’estimation des paramètres, par
contre la position des pôles doit être située à l’intérieur du cercle unité pour assurer la stabilité
du système, sinon l’algorithme diverge.
La méthode des moindres carrés étendus (RELS) nous a permis d'identifier sans biais
des modèles (système + perturbation). L’idée est d’identifier simultanément le modèle du
système et le modèle de la perturbation pour obtenir une erreur de prédiction
asymptotiquement blanche, en présence d’une perturbation aléatoire correspondant au modèle

Thèse de Doctorat ENP 2008 87

Conclusion Générale et Perspectives

ARMAX, l’erreur de prédiction ε(t) tend asymptotiquement vers un bruit blanc, ce qui
garantit une estimation non biaisée des paramètres du système.
Notre contribution a porté sur l'utilisation de la méthode des moindres carrés étendue
(RELS) au signal de parole en présence du bruit coloré.
Les résultats obtenus par l'algorithme RLS sont meilleurs, mais ses performances se
dégradent rapidement en présence du bruit. Tandis que dans le contexte de la parole bruitée
l'application de l'algorithme RELS donne de bons résultats jusqu'à un SNR de 20 dB, au
dessous cette limite, les résultats sont moins satisfaisants. Plus précisément, la difficulté se
manifeste au niveau des signaux échantillonnés à la fréquence de 8 KHz. La raison de ce
résultat, est due au nombre d'échantillons N qui est insuffisant à la convergence de
l'algorithme et l'énergie du signal se trouve complètement noyée ou écrasée dans le bruit, ce
qui a rendu l'estimateur RELS biaisé dans ce cas. Dans la représentation temps fréquence du
signal bruité, certains des paramètres du modèle de la parole sont masqués par le bruit, et les
paramètres du signal non bruité ne peuvent être estimés à partir du signal bruité et sont donc
considérés comme manquants ou incertains.
Notons aussi que le modèle ARMA est souvent retenu pour modéliser la parole, il est
plus délicat à estimer qu’un modèle AR. Pour remédier à ce problème, une approche originale
connue par le cepstre a été proposée par Noll (1964) pour extraire la fréquence fondamentale.
Oppeheim (1968) l'a exploitée pour les systèmes de codage et décodage. Finalement, on
trouve les systèmes d'analyse et de la reconnaissance automatique qui ont bénéficié largement
de cette technique.
En résumé, la méthode des moindres carrés, n'utilise aucune information a priori sur le
bruit de mesure, et nous avons montré que si le bruit n'est pas à valeur moyenne nulle,
l'estimation des paramètres est biaisée. D'une manière générale, nous n'avons dans aucune de
ces méthodes utilisées, la loi de répartition statistique du bruit et nous ne l'avons même pas
supposée connue. La qualité de l'estimation des pôles se dégrade rapidement lorsque le SNR
diminue, et limite de ce fait la qualité des traitements en présence d'un niveau de bruit élevé.
Parmi les perspectives de ce travail, nous souhaitons améliorer la qualité de
l’estimateur par l’application de la méthode de vraisemblance au signal de parole bruité ainsi
que leur implémentation sur la carte DSP spécialisée. Un second objectif porte sur l'extension
des méthodes précédentes au cas des modèles non linéaires à temps continu dans un contexte
bruité. Finalement, Nous espérons que notre travail va enrichir la recherche du domaine de
processus stochastiques et traitement de la parole.

Thèse de Doctorat ENP 2008 88

Références Bibliographiques

Références Bibliographiques

[1] O. Siohan, « Reconnaissance automatique de la parole continue en environnement

bruité : Application à des modèles stochastiques de trajectoires », Thesis of Doctorate,
university Henri Poincaré, Nancy I, September 1995.

[2] B. Picinbono, « Signaux aléatoires et bases du traitement statistique du signal », Tome 3

Dunod, Pris 1993.

[3] T. Chonavel, « Statistical signal processing, Modelling and estimation », Springer, January
2002

[4] F. Mix, « Random signal processing », prentice hall, 1995.

[5] D. Arzelier, « Introduction à l’étude des processus stochastiques et au filtrage optimal »,

version 2, INSA, 1998.

[6] D. Declercq, A.Quinqui, « Signaux et systemes en questions », Hermes, Paris 1996.

[7] J. Bernussou, « Processus stochastique – filtrage », Cours ENSICA, Toulouse, 1994.

[8] J.P. Tubach, « La parole et son traitement automatique », Masson, 1989.

[9] P. Renevey, « Speech recognition in noisy conditions using missing feature approach »,
Thesis of doctorate, Federal Polytechnic School of Lausanne, 2000

[10] T. Dutoit, « Introduction au Traitement Automatique de la Parole », Première édition,

Faculté Polytechnique de Mons, Année 2000.

[11] M. Kunt, M. Bellanger, « Techniques modernes de traitement numérique des signaux »,

collection électricité, traitement de l’information, Volume1, Année 1991.

[12] M.D.Srinath, P.k. Rajasekaran,R.Viswanathan, « Introduction to statistical signal

processing with applications », Prentice hall editor 1996.

[13] J.G. Wade, « Codage et traitement du signal », Masson, 1991.

[14] M. Bellanger, « Traitement numérique du signal, Paris, Collection technique et

scientifique des télécommunications », MASSON, 1990.

[15] M. Bellanger, « Analyse des Signaux et Filtrage Numérique Adaptatif », Masson, 1989.

[16] R. Boite et M. Kunt, « Traitement de la parole », Lausanne, Presses Polytechniques

Romandes, 1987.

Thèse de Doctorat ENP 2008

Références Bibliographiques

[17] J. D. Markel and A.H. Gray, « Linear Prediction of Speech », Springer-Verlag, 1976

[18] A.H. Gray and J.D. Markel, « Distance Measures for Speech Processing », IEEE Trans.
on ASSP, Vol. 24, No. 5, Oct. 1976.

[19] J. Makhoul, « Stable and lattice methods for linear prediction », IEEE Trans. on
Acoustics, Speech, and Signal Processing, Vol. 25, pp. 423–428, October 1977.

[20] A. Buzo, R.M. Gray, A.H. Gray, Jr., and J.D. Markel, « Optimal Quantization of
Coefficient Vectors in LPC Speech »,1978 Joint Meeting of the Acoustical Society of
America and the Acoustical Society of Japan, Honolulu, HI, Dec. 1978.

[21] R.Ben Abdennour, P.Borne, « Identification et commande numérique des procédés

industriels », April 2001.

[22] D. Landau, « Identification et commande des systèmes, Hermes, Paris, 1998.

[23] Jacques Richalet, « Pratique de l’identification », Hermes, Paris 1998.

[24] A. Benveniste, M. Metivier, P.Priouret, «Algorithmes adaptatifs et approximations

stochastiques, théorie et application », Masson, Paris 1987.

[25] A. Borrie, « Stochastic System for Engineering, Modelling, Estimation and Control »,
Prentice hall, 1992

[26] J. Jean pierre, « Identification et modélisation des processus de génération des crues »,
Thèse pour l'obtention du grade de docteur en sciences techniques, No 101, Ecole polytechnique
fédérale de Lausanne, 1992.

[27] Landau, « Commande des systèmes, méthodes d'identification », Année 2002.

[28] H. Unbehauen, G.P. Rao, « A review of identification in continuous time systems »,

Annual reviews in Control, pp: 145-171, 1998.

[29] L. Ljung, « System Identification: Theory for the User », Second edition, Englewood
Cliffs, NJ: Prentice-Hall, 1999.

[30] R. Johansson, « System Modeling and Identification », information and system sciences
series, Prentice Hall, 1993.

[31] E. Walter, L. Pronzato, « Identification de modèles paramétriques à partir de données

expérimentales », Masson, 1994.

[32] G. Rao and N. Sinha, « Identification of Continuous Time Systems, Methodology and
Computer Implementation », chapter Continuous-time models and approaches, pages: 1-15,
Kluwer Academic Publishers, Edition, 1991.

[33] P.C. Young and H. Garnier, « Identification and Estimation of Continuous Time Data
Based Mechanistic Models for Environmental Systems, Environmental Modeling and
Software », pages: 1055–1072, August 2006.

Thèse de Doctorat ENP 2008

Références Bibliographiques

[34] P.C. Young et H. Garnier, « Identification and estimation of continuous time rainfall-
flow models », 14th IFAC Symposium on System Identification (SYSID’2006), pages 1276–
1281, Newcastle, Australia, March 2006.

[35] S. Thil, M. Gilson, et H. Garnier, « Méthodes de compensation de biais pour

l’identification de modèles erreurs en les variables », Journées doctorales du GdR MACS,
Lyon, France, septembre 2005.

[36] R. Lozano et D. Taoutaou, Identification et commande adaptative, Hermes, 2001.

[37] B.R.J. Haverkamp, C.T. Chou, M. Verhaegen, and R. Johansson, « Identification of

Continuous Time MIMO State Space Models from Sampled Data in the Presence of Process
and Measurement Noise », 35th Conference on Decision and Control, Kobe - Japan,
December 1996.

[38] P. Vanden Hof, « Closed Loop Issues in System Identification », Annual Reviews in
Control, 22:173–186, 1998.

[39] M. Gilson and P. Van den Hof, « Instrumental Variable Methods for Closed Loop
System Identification », Automatica, 41(2): 241–249, 2005.

[40] M. Gilson, H. Garnier, P.C. Young and P. Van den Hof, « Identification of Continuous
Time Models from Sampled Data », Springer-Verlag, edition, 2007.

[41] B. Widrow et al. « Adaptive Noise canceling: Principles and Applications », Proc. IEEE,
63, N° 12, December 1975.

[42] A. Maddi, A. Guessoum, D. Berkani, « Application the recursive extended least squares
method for modelling a speech signal », Second International Symposium on
Communications, Control and Signal Processing, ISCCSP’06, Marrakech, Morocco, March
13-15, 2006.

[43] A. Nongnuch and A. Sorarerks, « An algorithm for vector quantization using density
estimation », Proceedings of the 5th WSEAS Int. Conf. on Signal, Speech and Image
Processing, Corfu, Greece, August 17-19, 2005.

[44] A. Maddi, A. Guessoum, D. Berkani, O. Belkina, « Etude de la méthode des moindres

carrée récursive et application au signal de parole », Sousse, Tunisie, SETIT, 17-21 Mars
2005.

[45] M. Djendi, « Amélioration du comportement des algorithmes des moindres carrés

transversaux rapides. Application a l’identification de réponse impulsionnelle acoustique
longues », thèse de doctorat, école polytechnique d’El Harrach, Alger, Septembre 2006.

[46] S. Mirsaidi, G. Fleury and J. Oksman, « LMS like AR modelling in the case of missing
observations », IEEE Transactions on Signal Processing, vol. 45, n°6, 1997.

[47] X. Qui, C. Hannsen, « A Modified Filtered-x LMS Algorithm for Active Noise Control
of Periodic Noise With On-line Cancellation Path Modeling », Journal of Low Frequency
Noise, Vibration and Active Control 19(1), pages 25-46, 2000.

Thèse de Doctorat ENP 2008

Références Bibliographiques

[48] A. Benveniste, « Design of Adaptive Algorithms for the Tracking of Time- Varying
Systems », Journal of Adaptive Control and Signal Processing, vol. 1, pp. 3 - 29, 1987.

[49] A. Benallal, A. Gilloire, « A New Method to stabilize Fast RLS Algorithms based on a
first order Model of Propagation of Numerical errors », Proc. ICASSP, New York, pp. 1373-
1376, 1988.

[50] A. Gilloire, T. Petillon, « A comparison of NLMS and Fast RLS algorithm for the
identification of time - varying systems with noisy outputs, application to acoustic echo
cancellation », EUSIPCO, Barcelona, Spain, September 1990.

[51] A. Maddi, A. Guessoum, D. Berkani, « A Comparative Study of Speech Modeling

Methods », 11th WSEAS International Conference on SYSTEMS, Agios Nikolaos, Crete
Island, Greece, pages: 104-109, July 23-25 2007.

[52] A. Maddi, A. Guessoum, D. Berkani, « Using Stochastic Gradient Method for Modeling
a Speech Signal », SIGMAP 2007 the International Conference on Signal Processing and
Multimedia Applications, Barcelona, Spain, 28 - 31 July, 2007.

[53] S. Cruces, A. Cichocki, « Globally Convergent Newton Algorithms for Blind

Decorrelation », 4th International Symposium on Independent Component Analysis and Blind
Signal Separation (ICA2003), Nara, Japan, April 2003.

[54] S.C. Douglas, « Numerically-robust RLS algorithms using Least Squares pre-whitening»,
in Proceedings of ICASSP, Istanbul, Turkey, pp. 412-415, 2000.

[55] S. Karaboyas and N. Kalouptsidis, « Efficient adaptive algorithms for ARX identification
», IEEE Trans. Signal Processing, vol. 39, no. 3, pp. 571-582, Mar. 1991.

[56] G. V. Moustakides and S. Theodoridis, « Fast Newton transversal filters, a new class of
adaptive estimation algorithms », IEEE Trans. Signal Processing, vol. 39, no 10, pp. 2184-
2193, Oct. 1991.

[57] S. Theodoridis. G. V. Moustakides, and K. Berberidis, « A class of fast adaptive

algorithms for multichannel system identification and signal processing », CTI Tech. Rep.
930936, Sept. 1993.

[58] K.P. Wong, D. Feng, et W.C. Siu, « Generalized linear least squares algorithm for non
uniformly sampled biomedical system identification with possible repeated eigenvalues »,
Computer methods and programs in biomedicine, 57 :167–177, 1998.

[59] H. Garnier, M. Gilson, and W.X. Zheng, « A bias-eliminated least squares method for
continuous-time model identification of closed-loop systems », International Journal of
Control, 73(1): 38–48, 2000.

[60] W.X. Zheng, « A bias correction method for identification of linear dynamic errors in
variables models », IEEE Transactions on Automatic Control, 47(7):1142–1147, July 2002.

[61] G. Feng, « Modélisation acoustique et traitement du signal de parole », Thèse de

Docteur, INP, Grenoble, 1986.

Thèse de Doctorat ENP 2008

Références Bibliographiques

[62] H. Morikawa, « Adaptive analysis of speech based on a pole zero representation », IEEE
Trans. On ASSP, ASSP-30, n° 1, pp. 77-87,1982.

[63] G. FENG, « Modélisation acoustique et traitement du signal de parole. Le cas des

voyelles nasals », thèse de Docteur, INP, Grenoble, Juillet 1984.

[64] M. Gales, « Model based techniques for noise robust speech recognition », Ph. D. Thesis,
University of Cambridge, September 1995.

[65] L. Benaroya, « Séparation de plusieurs sources sonores avec un seul microphone», Ph. D.
Thèse, Université de Rennes 1, 2003.

[66] G. Gabnoulet, D. Jouvet, « Reconnaissance de la parole et modélisation statistique :

expérience du CNET », Traitement du signal, Vol 7, n° 4, pp. 267-274, 1990.

[67] Calliope, « La parole et son traitement automatique. Collection Technique et Scientifique

des Télécommunications », Masson 1989.

[68] A. Maddi, A. Guessoum, D. Berkani, « Noisy Speech Modelling Using Recursive

Extended Least Squares Method », WSEAS TRANSACTIONS on SIGNAL PROCESSING
Issue 9, Volume 2, ISSN 1790-5022, pages: 1268-1274, September 2006.

[69] A. Maddi, A. Guessoum, D. Berkani, « Using Recursive Least Squares Estimator for
Modelling a Speech Signal », The 6th WSEAS International Conference on SIGNAL,
SPEECH AND IMAGE PROCESSING SSIP '06 Lisbon, Portugal, September 22-24, 2006.

[70] WAKITA, « Linear predictive coding and its application to speech processing », Bonas,
France, June 1981

[71] R.Sanchis, P. Albertos, « Recursive identification under scarce measurements

convergence analysis », Automatica, 38, pp.: 535-544, 2002.

[72] A. Isaksson, « A recursive EM algorithm subject to missing data », in SYSID, vol.2, pp.
679-684, Copenhagen, Denmark, 1994.

[73] L. Plévert, « L’électronique sait aujourd’hui se connecter au corps humain ».

Électronique International Hebdo, N° 294, Février 1998, pages 20-21

[74] P. Gournay, G. Quagliaro, A. Goye, G. Guilmin, F. Chartier, « Procédé de correction

auditive utilisant un modèle paramétrique du signal de parole », Dix-septième colloque
GRETSI, Vannes, 13-17 septembre 1999.

[75] J. Makhoul, « Linear Prediction: A Tutorial Review ». Proc. of the IEEE 1975, Vol. 63,
No. 4, pp. 561-580.

[76] R. J. Macaulay, M.L Malpass, « Speech enhancement using decision noise suppression
filter », IEEE trans. on ASSP, Vol. 28, No 2, pp. 137-145,1980.

[77] E. Koo, J. D. Gibson et S. D. Gray, « Filtering of colored noise for speech enhancement
and coding », IEEE ICASSP 1989, pp. 349-352.

Thèse de Doctorat ENP 2008

Références Bibliographiques

[78] C. Baillargeat, « Contribution à l'amélioration des performances d'un radiotéléphone

mains-libres a commandes vocales ». Thèse de l'université Paris VI. Année 1991.

[79] J. Yang, « Frequency domain noise suppression approaches in mobile telephone systems
», IEEE ICASSP'93, pp. 363-366, 1993.

[80] A. Maddi, A. Guessoum, D. Berkani, « A Comparative Study of Speech Modeling

Methods », The 11th WSEAS International Conference on SYSTEMS, Agios Nikolaos, Crete
Island, Greece, pages: 104-109, July 23-25 2007.

[81] A. Maddi, A. Guessoum, D. Berkani, « Using Stochastic Gradient Method for Modeling
a Speech Signal », SIGMAP 2007 the International Conference on Signal Processing and
Multimedia Applications, Barcelona, Spain; 28-31 July, 2007.

[82] H. Garnier, M. Gilson and W.X. Zheng, « A bias eliminated least-squares method for
continuous-time model identification of closed-loop systems », International Journal of
Control, pp: 38-48, 2000.

[83] H. Ezzaidi, « Détection de la double parole dans le contexte de la radio-téléphone main

libre en véhicule », Mémoire pour la maîtrise de l'ingénierie, Université de Québec à
Chicoutimi, Décembre 97.

[84] M. Firouzmand & L. Girin, « Perceptually weighted long-term modeling of sinusoidal

speech amplitude trajectories », Proc. IEEE Int. Conf. on Acoustics, Speech & Signal Proc.
(ICASSP 2005), Philadelphia, USA, 2005.

[85] R. Boite, H. Bourlard, T. Dutoit, J. Hancq, H. Leich, « Traitement de la parole », Presses

Polytechniques et Universitaires Romandes, 2000.

[86] J. Nolazco, S.Young, « Continuous speech recognition in noise using spectral subtraction
and HMM adaptation », The IEEE International Conference on Acoustic, Speech and Signal
Processing, 1994

[87] J. S. Garofolo et al. « DARPA TIMIT Acoustic phonetic Continuous Speech Database »,
NIST, Gaithersburg, October 1988

[88] M.Kuo, R.Morgan, « Active Noise Control Systems, Algorithms and DSP
Implementations », Wiley Inter science, 1996

[89] L. Buniet, « Traitement automatique de la parole en milieu bruité : étude de modèles

connexionnistes statiques et dynamiques », Thèse présentée pour l’obtention du Doctorat de
l’Université Henri Poincaré - Nancy 1 spécialité informatique, février 1997.

[90] C. Alessandero et C. Demars, « Représentations temps - fréquence du signal de parole,

Traitement du signal », Vol 9, n° 2, pp. 153-172, 1992.

[91] M. Zhuy, F. Peyrin, R. Goutte, « Transformation de pseudo Wigner discrète en temps et

en fréquence, Annales des Télécommunications », Vol 46, n° 5-6, 1991, pp. 301-309.

Thèse de Doctorat ENP 2008

Références Bibliographiques

[92] A. Waibel , T. Hanazawa , G. Hinton , « Phoneme recognition using Time-Delay Neural

Networks », ATR Research Report, TR-I-0006, Octobre 1987.

[93] J.F. Roux, « Transformée de Fourier discrète récursive avec fenêtre exponentielle
dissymétrique », Traitement du signal, Vol 10, n° 2, pp. 185-192,1993.

[94] G. Pernnou, « La reconnaissance vocale », Le courrier du CNRS, n°80, pp. 95-96, 1994.

[95] J.C. Junqua, « Utilisation d’un modèle d’audition et de connaissances phonétiques en

reconnaissance automatique de la parole », Traitement du signal, Vol 7, n° 4, 1990, pp. 275-
284.

[96] V. Barreaud, « Reconnaissance automatique de la parole continue : compensation des

bruits par transformation de la parole », Thèse de doctorat de l’université Henri Poincaré,
Novembre 2004.

[97] B. Doval, C.Alessandro, and B. Diard, « Spectral methods for voice source parameters
estimation », Euro-speech, pp: 533 – 536, 1997.

[98] E. Bilange, « Dialogue personne - machine, modélisation et réalisation informatique »,

Paris, Hermes, 1992.

[99] S. Lauglin, B. Mulgrew, C. Cowan, « Performance Comparison of LS and LMS as HF

Channel Estimators », Proc. ICASSP, pp. 49, 1987.

[100] B. Doval, « Estimation de la fréquence fondamentale des signaux sonores », Thèse de

PHD, Université de Paris VI, 1994.

[101] D. C. Farden, « Tracking Properties of Adaptive Signal Processing Algorithms », IEEE

Transactions ASSP, Vol. 29, pp. 439 - 446, 1981

[102] O. Macchi, M. Bellanger, « Le Filtrage Adaptatif Transverse », Annales des

Télécommunications, vol. 5, pp. 115-132, 1988.

[103] A. B. Kain and J. P. H. van Santen, « A speech model of acoustic inventories based on
asynchronous interpolation », Euro-speech, pages 329–332, 2003.

[104] A. Benallal, « Etude des algorithmes des moindres carrés transversaux rapides et
application à l'identification des réponses impulsionnelles acoustiques », Thèse de Doctorat,
Université de Rennes-1, Janvier 1989.

[105] Y. Engel, S. Mannor, R. Meir, « The Kernel Recursive Least Squares Algorithm »,
IEEE Trans. Signal Proc.2004, 52 (8), 2275-2285.

[106] Ch. Serviere, D. Baudois, A. Silvent, « Comparaison de deux méthodes d'estimation du

gain complexe d'un filtre optimal au sens de Wiener », Traitement du Signal, Vol. 6, No 6,
1989.
[107] L. Ljung, « System identification toolbox for use with MATLAB », User’s guide,
version 6.0, the math works, Inc., November 2003.

Thèse de Doctorat ENP 2008

Références Bibliographiques

[108] C.T. Chou, M. Verhaegen, et R. Johansson, « Continuous-time identification of SISO

systems using Laguerre functions », IEEE Transactions on Signal Processing, 47(2):349–362,
1999.

[109] H. Garnier, M. Gilson, T. Bastogne, et H. Zbali, « CONTSID : un outil logiciel pour

l’identification de modèles paramétriques à temps continu à partir de données expérimentales
», Journées Identification et Modélisation Expérimentale (JIME’2006), Poitiers (France),
Novembre 2006

[110] M. Gilson, H. Garnier and P. Van den Hof, « Instrumental Variable Methods for
Continuous Time Model Identification in Closed Loop », American Control Conference,
Boston, USA, 2004.

[111] S.V. Huffel and P. Lemmerling, « Total Least Squares and Errors Invariables Modeling
», Kluwer Academic Publishers, edition, 2002.

[112] K. Paliwal, A. Basu, « A Speech enhancement method based on kalman filtering »,

IEEE ICASSP'87, pp. 177-180, 1987.

Thèse de Doctorat ENP 2008

Biographies

Nom: Maddi
Prénom : Abdelkader
Adresse : Département d'Electronique, USD de Blida
Fonction : Enseignant/chercheur à l’USDB
Email : [email protected]

Curriculum vitae

FORMATIONS (ETUDES UNIVERSITAIRES)

ƒ Mars 1997 diplôme de magister en électronique option contrôle. Université de

Blida.
ƒ Octobre 1990 diplôme d’ingénieur d’état en électronique option contrôle.
Université de Blida.
ƒ Juin 1985 Baccalauréat série Mathématiques. Lycée mixte de Meftah.

EXPERIENCE PROFESSIONNELLE

ƒ 1992-1998 : Assistant au niveau de département d'Electronique à l'USDB.

ƒ 1999-2001 : Maître assistant à l'USDB.
ƒ 2002-2008 : Chargé de cours à l'USDB.

COMMUNICATIONS ET PUBLICATIONS

ƒ A. Maddi, « Modélisation et contrôle du vol latéral d’un avion », First

International Conference on Electrical Engineering ICEE’2000, University of
Boumerdes, November 04-06, 2000, Boumerdes, Algeria.

ƒ A. Maddi, A. Guessoum, D. Berkani, O. Belkina, « Etude de la méthode des

moindres carrée récursive et application au signal de parole », SETIT 2005,
17-21, 2005, Sousse, Tunisie.

ƒ A. Maddi, A. Guessoum, D. Berkani, O. Belkina, « Etude de la méthode des

moindres carrée étendue et application au signal de parole », SETIT 2005, 17-
21, Mars 2005 Sousse, Tunisie.

ƒ A. Maddi, A. Guessoum, D. Berkani, « Application the recursive extended

least squares method for modeling a speech signal », Second International
Symposium on Communications, Control and Signal Processing, ISCCSP’06,
March 13-15, 2006 Marrakech, Morocco.

ƒ A. Maddi, A. Guessoum, D. Berkani, « Using Recursive Least Squares

Estimator for Modeling a Speech Signal », The 6th WSEAS International
Conference on SIGNAL, SPEECH AND IMAGE PROCESSING SSIP '06
Lisbon, Portugal, September 22-24 2006, pages:182-186.

Thèse de Doctorat ENP 2008

Biographies

ƒ A. Maddi, A. Guessoum, D. Berkani, « Noisy Speech Modeling Using

Recursive Extended Least Squares Method », WSEAS TRANSACTIONS on
SIGNAL PROCESSING Issue 9, Volume 2, September 2006 ISSN 1790-
5022, pages: 1268-1274.

ƒ A. Maddi, A. Guessoum, D. Berkani, « A Comparative Study of Speech

Modelling Methods », 11th WSEAS International Conference on SYSTEMS.
Agios Nikolaos, Crete Island, Greece, July 23-25 2007, pages: 104-109.

ƒ A. Maddi, A. Guessoum, D. Berkani, « Using Stochastic Gradient Method for

Modeling a Speech Signal », SIGMAP 2007 the International Conference on
Signal Processing and Multimedia Applications, Barcelona, Spain; 28 - 31 July,
2007.

ENCADREMENT DES PROJETS DE FIN D'ETUDE

ƒ «Blanchissement de l'erreur de prédiction par la méthode de vraisemblance.

Application au signal de parole», PFE d’ingénieur d’état, Département
d’électronique, USDB, Octobre 2007.

ƒ «Identification paramétrique par les algorithmes de type gradient et Newton

stochastique et application au signal de parole», PFE d’ingénieur d’état,
Département d’électronique, USDB, Juillet 2006.

ƒ « Etude et réalisation d'une serrure à carte à puce basée d'un microcontrôleur

PIC16F876 », PFE de DEUA, Département d’électronique, USDB, Juin 2005.

ƒ « Identification paramétrique par les méthodes basées sur le blanchissement

de l’erreur de prédiction et application au signal de parole ». PFE d’ingénieur
d’état, Département d’électronique, USDB, Octobre 2004.

ƒ « Etude et réalisation d'un système de protection contre les coupures du courant

de secteur », PFE de DEUA, Département d’électronique, USDB, Octobre
2004.

ƒ « Etude et implémentation des algorithmes d’identification paramétriques et

application au signal de parole ». PFE d’ingénieur d’état, Département
d’électronique, USDB, Octobre 2002.

ƒ « Etude et réalisation d’un simulateur de tension pour mesurer la capacité »,

PFE de DEUA, Département d’Electronique, USDB, Octobre 2001.

Thèse de Doctorat ENP 2008

Biographies

CONNAISSANCES EN INFORMATIQUE

ƒ Maîtrise de la programmation en Langage MATLAB

ƒ Maîtrise de la programmation en Langage SIMNON
ƒ Maîtrise de la programmation en Langage PASCAL

ACTUELLEMENT (2007/2008)

ƒ Chargé de cours du module « Mesures Electriques » au niveau de département

d'Electronique, USDB.

ƒ Chargé de cours du module « Théories des probabilités et statistiques » au

niveau de département d'électronique, USDB.

ƒ Chargé de cours du module « Identification des Processus » au niveau de

département d'électronique, USDB.

ƒ Chargé de cours du module « Systèmes Multivariables » au niveau de

département d'électronique, USDB.

ƒ Membre chargé de recherche dans l'équipe de recherche ayant le code

J0200420060010, « Conception de programmes et systèmes adaptatifs ».

DOMAINE D’INTERET

ƒ Traitement du signal
ƒ Identification et modélisation des systèmes
ƒ Contrôle adaptatif

Thèse de Doctorat ENP 2008