28.06.2013 Views

Estimation spectrale Méthodes non-paramétriques

Estimation spectrale Méthodes non-paramétriques

Estimation spectrale Méthodes non-paramétriques

SHOW MORE
SHOW LESS

Create successful ePaper yourself

Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.

où WB(ω) est transformée de Fourier de la fenêtre de<br />

Bartlett, wB(k), qui va de −L à L. Ainsi, comme<br />

le périodogramme, ˆ Sx(ω) est asymptotiquement <strong>non</strong>biaisé.<br />

De plus, avec l’hypothèse de données<br />

décorrélées, il s’ensuit que<br />

var<br />

<br />

ˆSx(ω)<br />

= 1<br />

K var<br />

<br />

ˆS (i)<br />

per(ω)<br />

≈ 1<br />

K S2 x(ω) (30)<br />

qui tend vers zéro quand K tend vers l’infini. Ainsi,<br />

ˆSx(ω) est un estimateur consistant du spectre quand<br />

K et L tendent vers l’infini.<br />

Le problème avec cette approche est que des<br />

réalisations décorrélées d’un processus ne sont en<br />

général pas disponibles. Typiquement, une seule<br />

réalisation de longueur N est à notre disposition.<br />

Ainsi, Bartlett proposa que x(n) soit partitionné en<br />

K séquences, de longueur L, qui ne se recouvrent pas,<br />

où N = KL. Ona:<br />

xi(n) =x(n + iL), (31)<br />

n =0, 1, ..., L − 1, i =0, 1, ..., K − 1.<br />

INRS-EMT J. Benesty 14

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!