Estimation spectrale Méthodes non-paramétriques
Estimation spectrale Méthodes non-paramétriques
Estimation spectrale Méthodes non-paramétriques
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