Séance de cours

Prévision et estimation linéaires

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

EE-350: Traitement des signaux

Dans ce cours, nous présentons les méthodes de base du traitement des signaux. ...

Description

Cette séance de cours couvre les concepts de prédiction linéaire et d'estimation dans le traitement du signal, en se concentrant sur les filtres optimaux, les filtres Wiener, les signaux aléatoires, la stationnarité, l'ergodicité et le filtrage linéaire. Il traite également des processus aléatoires, des processus stochastiques, de la densité de probabilité, de la densité de probabilité articulaire, de l'autocorrélation, de l'autocovariance, de l'intercorrélation, de l'intercovariance, de la densité spectrale de puissance et de la transformée de Fourier.

Enseignant·e·s (2)

Jean-Philippe Thiran

Jean-Philippe Thiran was born in Namur, Belgium, in August 1970. He received the Electrical Engineering degree and the PhD degree from the Université catholique de Louvain (UCL), Louvain-la-Neuve, Belgium, in 1993 and 1997, respectively. From 1993 to 1997, he was the co-ordinator of the medical image analysis group of the Communications and Remote Sensing Laboratory at UCL, mainly working on medical image analysis. Dr Jean-Philippe Thiran joined the Signal Processing Institute (ITS) of the Swiss Federal Institute of Technology (EPFL), Lausanne, Switzerland, in February 1998 as a senior lecturer. He was promoted to Assistant Professor in 2004, to Associate Professor in 2011 and is now a Full Professor since 2020. He also holds a 20% position at the Department of Radiology of the University of Lausanne (UNIL) and of the Lausanne University Hospital (CHUV) as Associate Professor ad personam. Dr Thiran's current scientific interests include Computational medical imaging: acquisition, reconstruction and analysis of imaging data, with emphasis on regularized linear inverse problems (compressed sensing, convex optimization). Applications to medical imaging: diffusion MRI, ultrasound imaging, inverse planning in radiotherapy, etc.Computer vision & machine learning: image and video analysis, with application to facial expression recognition, eye tracking, lip reading, industrial inspection, medical image analysis, etc.

Pascal Frossard

Teaching & PhD PhD Students Yiming Qin, Alba Carballo Castro, Elisa Messori, Ke Wang, Sevda Ögüt, Tuna Alikasifoglu, William Cappelletti, Manuel Madeira, Mahdi Amiri, Ortal Yona Senouf, Vasiliki Rizou, Cem Bilaloglu, Abdellah Rahmani, Amel Abdelraheem, Jérémy Jean Philippe Baffou, Adam Hazimeh, Vincent Jung, Yike Zhao Past EPFL PhD Students Dan Jurca, Jean-Paul Wagner, Ivana Radulovic, Ivana Tosic, Effrosyni Kokiopoulou, Zafer Arican, Vijayaraghavan Thirumalai, Tamara Tosic, Eirina Bourtsoulatze, Elif Vur

Source officielle

Concepts associés (32)

Filtre de Kalman

vignette| Concept de base du filtre de Kalman. En statistique et en théorie du contrôle, le filtre de Kalman est un filtre à réponse impulsionnelle infinie qui estime les états d'un système dynamique à partir d'une série de mesures incomplètes ou bruitées. Le filtre a été nommé d'après le mathématicien et informaticien américain d'origine hongroise Rudolf Kálmán. Le filtre de Kalman est utilisé dans une large gamme de domaines technologiques (radar, vision électronique, communication...).

Signal électrique

vignette|Signaux électriques sur l'écran d'un oscilloscope : signal rectanglaire (haut), signal harmonique ou sinusoïdal (bas). Un signal électrique est une grandeur électrique dont la variation dans le temps transporte une information, d'une source à une destination. La grandeur électrique que l'on considère pour la transmission et le traitement du signal peut être directement la différence de potentiel ou l'intensité d'un courant électrique ; ou bien une modulation de l'amplitude, de la fréquence ou de la phase d'une variation périodique de ces grandeurs, qu'on appelle porteuse ; dans les communications numériques par modem des règles complexes régissent la modulation afin d'occuper au mieux la largeur de bande allouée.

Autocorrélation

L'autocorrélation est un outil mathématique souvent utilisé en traitement du signal. C'est la corrélation croisée d'un signal par lui-même. L'autocorrélation permet de détecter des régularités, des profils répétés dans un signal comme un signal périodique perturbé par beaucoup de bruit, ou bien une fréquence fondamentale d'un signal qui ne contient pas effectivement cette fondamentale, mais l'implique avec plusieurs de ses harmoniques. Note : La confusion est souvent faite entre l'auto-covariance et l'auto-corrélation.

Filtre (audio)

Dans le traitement du signal, un filtre est un appareil ou une fonction servant à retirer ou bien à accentuer ou réduire certaines parties du spectre sonore représentées dans un signal. Les filtres sont essentiels dans plusieurs fonctions des appareils électroniques (voir Filtre (électronique)). Nous ne traiterons ici que des filtres accessibles par des commandes dans les tranches des consoles de mixage et les égaliseurs qui permettent d'ajuster la tonalité des sons.

Densité spectrale de puissance

On définit la densité spectrale de puissance (DSP en abrégé, Power Spectral Density ou PSD en anglais) comme étant le carré du module de la transformée de Fourier, divisé par le temps d'intégration, (ou, plus rigoureusement, la limite quand tend vers l'infini de l'espérance mathématique du carré du module de la transformée de Fourier du signal - on parle alors de densité spectrale de puissance moyenne).

Afficher plus

Séances de cours associées (64)

Fondements du traitement des signaux

Explore les fondamentaux du traitement des signaux, y compris les signaux de temps discrets, la factorisation spectrale et les processus stochastiques.

Signalisation neuronale et traitement des signaux

Explore le traitement du signal neuronal pour les interfaces cerveau-ordinateur, y compris les techniques de décodage comme les filtres Kalman et le tri des pics.

Estimation et prédiction linéaire - Partie 2

Explore la densité spectrale de puissance, le théorème de Wiener-Khintchine, l'ergonomie et l'estimation de corrélation dans les signaux aléatoires pour le traitement du signal.

Traitement du signal: bases et applications

Couvre les bases du traitement du signal, y compris la transformée de Fourier, les systèmes linéaires et la manipulation du signal.

Méthodes d'estimation spectrale

Explore les méthodes d'estimation du spectre paramétrique, y compris les spectres linéaires et lisses, et se penche sur l'analyse de la variabilité de la fréquence cardiaque.

Afficher plus

Concepts associés (32)

Densité spectrale de puissance

Afficher plus