4.2. Cas des signaux aléatoires#
L’objectif de cette partie est d’expliquer comment on peut déterminer la fonction d’autocorrélation et la densité spectrale de puissance d’un signal défini par une transformée non-linéaire sans mémoire \(g\) d’un signal aléatoire stationnaire \(x(t)\). Comme nous allons le voir, l’outil fondamental pour cette détermination est le théorème de Price qui est résumé ci-dessous (dans sa version la plus simple).
4.2.1. Théorème de Price#
(Théorème de Price.)
Pour tout vecteur Gaussien centré \((X_1,X_2)\), on a pour toute fonction non-linéaire \(g\)
avec \(Y_1=g(X_1)\) et \(Y_2=g(X_2)\) (pour la preuve, on pourra par exemple consulter [Solaiman, 2006].
En considérant \(X_1=x(t)\), \(X_2=x(t-\tau)\), on a \(Y_1=y(t)=g[x(t)]\), \(Y_2=y(t-\tau)=g[x(t-\tau)]\) et donc
On remarquera que la relation ci-dessus utilise implicitement le fait que \(y(t)=g[x(t)]\) est un signal aléatoire stationnaire, ce qui découle du fait que \(\boldsymbol{x} = (x(t),x(t-\tau))^T\) est un vecteur Gaussien centré de matrice de covariance notée \(\Sigma\). En effet
avec \(x_1=X(t)\), \(x_2=X(t-\tau)\) et
avec
En injectant \(p(x_1,x_2)\) et \(\Sigma\) dans \eqref{stat}, on en déduit que \(E\left[ Y(t) Y(t-\tau) \right]\) dépend uniquement de \(R_x(\tau)\) et de \(R_x(0)\) et ne dépend donc pas de \(t\). De même
où \(p(x_1,.)\) est la densité de \(x_1=x(t)\) définie par
Comme \(\sigma_1^2=\text{var}[x(t)]=R_x(0)\), on en déduit que \(E\left[ Y(t) \right]\) ne dépend que de \(R_x(0)\) et donc ne dépend pas de \(t\).
4.2.2. Exemple d’application : le quadrateur#
Dans le cas où \(y(t)=x^2(t)\), l’application du théorème de Price permet d’obtenir
Cette équation s’intègre et conduit à
où \(K\) est une constante qui peut par exemple se déterminer en considérant la valeur particulière \(\tau=0\) :
La détermination de \(R_y(0)=E[x^4(t)]\) se fait simplement si on connait l’expression des moments d’une loi gaussienne centrée \(X\)
On obtient donc
d’où \(K=R_x^2(0)\).
pour déterminer la constante \(K\), on peut aussi utiliser le fait que pour un signal gaussien centré, \(x(t)\) et \(x(t-\tau)\) sont asymptotiquement (i.e., quand \(\tau \to \infty\)) décorrélés, et donc asymptotiquement indépendants, d’où
4.2.3. Autre exemple d’application : Théorème de Van Vleck#
L’application du théorème de Price est parfois plus compliquée que dans l’exemple précédent, comme nous allons le voir dans cet exemple où \(y(t) = \text{sign}[x(t)]\) (la fonction \(\text{sign}(x)\) vaut \(1\) pour \(x>0\), \(-1\) pour \(x<0\) et par convention \(\text{sign}(0)=0\)). Dans cet exemple, le théorème de Price permet d’obtenir
Pour déterminer \(R_y(\tau)\), il faut déterminer le second membre de cette équation, ce qui se fait comme suit
d’où
On en conclut
qui s’intègre pour donner
La constante \(K\) s’obtient en faisant \(K=0\), i.e.
Mais
d’où \(K=0\) et