WO2016102697A1 - Procédé non linéaire d'estimation d'un mélange de signaux - Google Patents

Procédé non linéaire d'estimation d'un mélange de signaux Download PDF

Info

Publication number
WO2016102697A1
WO2016102697A1 PCT/EP2015/081213 EP2015081213W WO2016102697A1 WO 2016102697 A1 WO2016102697 A1 WO 2016102697A1 EP 2015081213 W EP2015081213 W EP 2015081213W WO 2016102697 A1 WO2016102697 A1 WO 2016102697A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
source
signals
estimator
conditional
Prior art date
Application number
PCT/EP2015/081213
Other languages
English (en)
Inventor
Anne LE MEUR
Jean-Yves Delabbaye
Original Assignee
Thales
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Thales filed Critical Thales
Priority to US15/539,386 priority Critical patent/US10560073B2/en
Priority to EP15820534.4A priority patent/EP3238094A1/fr
Publication of WO2016102697A1 publication Critical patent/WO2016102697A1/fr

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21345—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis enforcing sparsity or involving a domain transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0202—Two or more dimensional filters; Filters for complex signals
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0211—Frequency selective networks using specific transformation algorithms, e.g. WALSH functions, Fermat transforms, Mersenne transforms, polynomial transforms, Hilbert transforms
    • H03H17/0213—Frequency domain filters using Fourier transforms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
    • G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
    • G01S3/74—Multi-channel systems specially adapted for direction-finding, i.e. having a single antenna system capable of giving simultaneous indications of the directions of different signals

Definitions

  • the present invention relates to a method for estimating radio signals from several sources, whose time / frequency representation shows an unknown non-zero proportion of zero components, by means of a network composed of P> 2 antennas, when the Directional vectors U and V of the sources emitting these signals are known or estimated elsewhere.
  • radio signals denoising
  • radars communications systems
  • acoustic signals audio or sonar
  • the received signal results from a temporal and spectral mixing of up to 2 sources, which directional vectors are assumed to be known because they are estimated beforehand.
  • the criterion conventionally used is the maximum likelihood (MV), leading to a spatial linear filtering treatment that improves the signal-to-noise ratio by a factor equal to the number of sensors in the single-source case.
  • MV maximum likelihood
  • the problem is to access the finer knowledge of the signal.
  • the object of the invention is to propose a method making it possible to determine more finely the components of the signal.
  • the subject of the invention is a method comprising the following steps: a) calculating the successive Discrete Fourier Transforms of the signal received by the antennas and sampled to obtain a P-vector time-frequency grid of the signal; each element of the grid being called a box and containing a complex vector X forming a measurement; b) For each cell, calculate the estimator of the conditional expectation of the signal, or signals, from the measurement X and a probability density a priori for the signals which is a mixture of Gaussians.
  • the method thus makes it possible to answer the following questions: for each of the signals present (their number being assumed to be limited to 2 locally), what are the temporal and spectral supports of the supposed signal described by components obtained by means of a time / time analysis frequency? And what is the value of each component when it is non-zero? Answering these questions improves signal awareness.
  • the method comprises one or more of the following characteristics:
  • said method comprises a step of estimating the parameters necessary to establish the conditional expectation by the method of the moments operating on the cells of a window cut out in the time / frequency grid;
  • conditional expectation estimator is approximated by a Conditional Expectancy with 4 Linear Filters obtained by a four-hypothesis decision process involving four Hermitian forms of the X-measure, followed by a linear filtering controlled by the outcome of the decision;
  • the linear filtering treatment giving the Estimator of Conditional Expectation to Independent Decisions is either:
  • the threshold or each decision threshold is chosen to respect a so-called false alarm probability of declaring the signal non-zero while it is zero;
  • said process comprises:
  • FIG. 1 is a diagrammatic view illustrating signal sources and an installation for estimating radio signals originating from these sources according to the invention, given solely for information purposes and without the intention of representing reality;
  • FIG. 2 is a flowchart of one of the methods as implemented in the invention in the single source case
  • FIG. 3 is a flowchart of one of the methods as implemented in the invention in the bisources case.
  • the device 8 for estimating a mixture of signals from several sources 12 according to the invention illustrated in FIG. 1 comprises an antenna array composed of a plurality of antenna elements 10 or sensors. Each antenna element is coupled to a reception channel for, in particular, digitizing the analog signal received by each sensor.
  • the invention is suitable both for monopolarization antennal networks and for bipolarization antennal networks.
  • the device further comprises calculation modules.
  • the calculation modules can be arranged according to different architectures, in particular each step of the method can be implemented by a separate module or, on the contrary, all the steps can be grouped together in a single information processing unit 14.
  • the calculation unit or units are connected to the sensors by any means adapted to transmit the received signals.
  • the computing unit or units comprise information storage means, as well as calculation means making it possible to implement the algorithms of FIGS. 2 and 3, depending on whether one is in the monosource or bisources case.
  • the reception is done on a space diversity network (interferometric network) and the demodulation of the signal allowing the "baseband descent" is performed by the same local oscillator for all the antennas to ensure coherence.
  • the received signal is sampled in real or complex (dual quadrature demodulation or other process) on each channel.
  • the received signal filtered in a band of typically several hundred MHz, is modeled by: This model does not make an assumption on the type of
  • This signal is sampled at a rate Te such that 1 / Te >> 2 x band of the wanted signal.
  • the weighted and overlapping Discrete Fourier Transforms (DFTs) of this signal are calculated on N TFD points.
  • the role of weighting is to reduce the sidelobes. As this weighting induces a variation of the contribution of the data to the DFT (the data at the center of the temporal support of the DFT being assigned a weight much larger than the data on the edges of the support), which can go up to loss of short signals, we assume the recovery of temporal supports.
  • the measurements collected are therefore the results of the DFTs. They constitute a time-frequency grid, whose boxes are called time-frequency boxes. Each box in the grid contains a complex vector that is the result of Discrete Fourier Transforms for all channels, for a given time interval and frequency interval. For signal frequencies and distances involved here, the wavefront is considered to be plane. So the antennas receive the signal with a phase difference function of the two angles between the wave plane and the plane of the antennas.
  • W n is the thermal noise in the time / frequency box of index n.
  • W n is a column vector of dimension P.
  • W n is Gaussian on its real and imaginary components, independent of one time / frequency box to another and independent of one antennal channel to another. In other words, W n is white spatially, frequently and temporally.
  • the standard deviation of the noise counted on each real or imaginary component, at a time / frequency box, is equal to ⁇ . For the assumption of noise independence from one box to another is verified, it limits the recovery of DFT to 50%.
  • U is written as:
  • g is a complex scalar dependent on the polarization of the incident wave and its direction of arrival
  • u i complex numbers of module 1 representing the geometric phase shifts associated with the direction of the incident wave.
  • One of the antennas of the receiver can be chosen as phase reference.
  • H (resp V) is the response of the lattice to a horizontally polarized wave (resp vertically). H and V depend only on the direction and frequency of the incident wave.
  • U is of dimension P, where P is the number of antennas used. 6
  • U can be regarded as is standardized, and s n gate signal strength and the average gain of the network.
  • U is conserved by the DFT, which is a linear transformation, and is found on the signal at the output of TFD.
  • Equation 1 Expression of a Signal Mix
  • the fundamental assumption is that when the set of N time / frequency fields is restricted to a rectangular area or window of index j, the complexity of the environment is such that in such a window, the mixing of signals is limited to two signals. Then the model becomes:
  • Equation 2 Expression of a Signal Mix in a Window
  • Windows of a predetermined size are defined to cover the time-frequency grid. All these windows form a cutting of the grid. The size of the windows is chosen so that at most two signals from two sources are present in each window.
  • the vector U or the vectors U and V designating the unitary directional vector or vectors formed by the incident signal or the incident signals with respect to the network are then extracted (or estimated) by any suitable known means.
  • a loop is made to go through all the windows defining the cutting of the grid.
  • a step of estimation of the signal is implemented by means of the conditional expectation and the approximations that can be made for the specific model of the signals.
  • the final treatment is broken down into: a non-linear decision step of the situation in each time / frequency box: source 1 present and source 2 present, or: source 1 present and source 2 absent, or: source 1 absent and source 2 present, or: source 1 absent and source 2 absent, then
  • the obtained treatment is unbiased, almost optimal in the sense of the mean squared error, and delimits in time / frequency the support of the signal to be estimated.
  • the estimation of the signal is done on a window where the situation is monosource or bisources. In monosource, the measured vector signal for the index box n is
  • Equation 3 Expression of the measured signal (monosource case) In bisources, we have:
  • Equation 4 Expression of the measured signal (case bisources)
  • U and V are unitary direction vectors of a monopolarization or bipolarization network
  • s n and c n are complex signals that must be estimated
  • W n is the noise that is spatially white and in n, Gaussian, centered and covariance
  • p is the unit matrix of C p (where P is the number of reception channels). * denotes the conjugated transpose.
  • sn (or cn ) can be zero for some n, without knowing the modulation of the signal in advance, we model s n (or c n ) as independent samples in n of a random variable whose the probability density is 8
  • j is the power of the useful signal if it is present when neglecting ⁇ 2 in the expression of the mean power.
  • ⁇ is a parameter of regularization of the model which makes it possible to apply the Bayes formula for probability laws admitting density of probability compared to the Lebesgue measure; however, the physical reality is that there is no signal when one models it by means of the centered Gaussian of variance 2 ⁇ 2 (power 2 ⁇ 2 ). This is why, at the end of the calculations, we keep only the limit of the expressions when ⁇ ⁇ 0 .
  • s n and c n are considered independent.
  • the measured signal is written in both cases, monosource or bisources, in the unique form:
  • Equation 7 Signal Probability Density (case bisources) where q 2
  • Covariance matrices of the signal are the covariance matrices of S for the four possible cases.
  • conditional expectation is the S estimator that minimizes the mean square deviation is not more biased, and gives an explicit solution
  • Equation 9 Estimation of S p (S / X), the conditional probability density of S knowing X, is obtained by the Bayes formula.
  • Equation 10 General write of the conditional probability density of S knowing X
  • ⁇ is a positive definite Hermitian matrix.
  • Equation 13 Conditional probability density of S knowing X in bisources The complete expressions in Equation 12 will be used to find the estimator we want for our problem.
  • Equation 9 Equation 10, Equation 11, Equation 12, and Equation 13 give:
  • Equation 14 Estimate of S in bisources (where S is Gaussian)
  • Equation 15 Conditional probability density of S knowing X in monosource
  • Equation 16 Probability Density of Monosource Measurements
  • Equation 17 Estimate of s in monosource (where s is Gaussian)
  • the signal estimate in the bisources case is as indicated below.
  • Equation 15 The conditional expectation estimator is obtained through Equation 15 and Equation 16 for the mixed density of S given by Equation 7. After simplification by the common factor all the terms in
  • Equation 19 Conditional expectation in bisources According to Equation 8,
  • Equation 20 Matrices Qi The expression of the estimate of the signal is approximated to allow its estimation as indicated below in the bisources case.
  • Equation 19 The determinant products in Equation 19 are respectively equal to the following expressions, which are given an approximation for a good signal-to-noise ratio
  • Equation 23 Signal estimation with decision function M * X is given by:
  • Equation 21 The det are given by Equation 21.
  • the Q j are given by Equation 22,
  • the q j are given for example by
  • Equation 24 Expression of parameters q j if there is independence of the 4 situations and equiprobability for s ⁇ 0, c ⁇ 0.
  • the optimal processing has been "linearized", since four linear filters have been obtained, ordered by the decision on the type of situation for each box: the two sources are present / the source 1 is present / the source 2 is present / neither source is present.
  • the obtained estimator "Conditional Expectancy at 4 Linear Filters” is called.
  • the estimator is independent of ⁇ , which is the expected behavior since ⁇ is not a physical parameter, but an artifice allowing to model the situation "absence of signal” by a very pinched Gaussian.
  • This estimator requires the calculation of three quadratic forms and a test.
  • the hard point remains the calculation of the unknown parameters (the power of the noise
  • a variant of the estimation process is to simplify the decision step described above as follows:
  • Equation 25 Simplified hypothesis test: the 2 hypotheses for s where the (.) Indicate the scalar product x scalar
  • the test to be carried out therefore concerns the measurement
  • Equation 26 Simplified Hypothesis Test on s This is the same as doing the test:
  • s MV is the maximum likelihood estimate of s.
  • Equation 27 Simplified hypothesis test on c 9 that we can write is the estimate of c in the sense of maximum likelihood of c.
  • the proposed estimator consists in carrying out the following operations: As illustrated in FIG. 3, from the calculation of the estimator of the maximum likelihood bisources performed in step 220, a thresholding
  • the module of each component MV S is performed in step 320 of each of the components c s MV and MV.
  • the threshold for steps 320, 350 is set as follows: 0
  • the Neyman-Pearson criterion which consists in setting the Pfa (for example a few percent) and in return for maximizing Pd, is proposed in a non-limiting manner, which makes it possible to obtain a threshold on ⁇ 'and ⁇ '.
  • a variant close to the Maximum Likelihood and called the Maximum Likelihood Maximum (MVS) is to perform the following operations:
  • Another variant consists in using one of the two previous estimators to obtain an initialization of the unknown parameters and then to apply
  • Conditional Expectancy estimator or the Conditional Expectancy estimator with 4 Linear Filters.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Discrete Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

Ce procédé d'estimation d'au plus deux signaux mélangés issus de sources distinctes, dont la représentation en temps/fréquence fait apparaître une proportion non nulle inconnue de composantes nulles, au moyen d'un réseau composé de P>2 antennes, lorsque les vecteurs directionnels U et V des sources émettant ces signaux sont connus ou estimés par ailleurs, comporte les étapes suivantes : a) Calculer les Transformées de Fourier Discrètes successives du signal reçu par les antennes et échantillonné pour obtenir une grille P-vectorielle temps-fréquence du signal; chaque élément de la grille étant appelé case et contenant un vecteur complexe X formant une mesure; b) Pour chaque case, calculer l'estimateur de l'espérance conditionnelle du signal, ou des signaux, à partir de la mesure X et d'une densité de probabilité a priori pour les signaux qui est un mélange de gaussiennes.

Description

Procédé non linéaire d’estimation d’un mélange de signaux
La présente invention concerne un procédé d’estimation des signaux radioélectriques provenant de plusieurs sources, dont la représentation en temps/fréquence fait apparaître une proportion non nulle inconnue de composantes nulles, au moyen d’un réseau composé de P>2 antennes, lorsque les vecteurs directionnels U et V des sources émettant ces signaux sont connus ou estimés par ailleurs.
Il est courant de devoir réaliser l’estimation de signaux radio électriques (débruitage) provenant de radars, de systèmes de communications, ou de signaux acoustiques (audio ou sonar), et reçus par un système d’écoute constitué d’un réseau d’antennes.
Le signal reçu résulte d’un mélange temporel et spectral de 2 sources au plus, dont on suppose que les vecteurs directionnels sont connus, car estimés au préalable.
Le critère classiquement utilisé est le maximum de vraisemblance (MV), conduisant à un traitement par filtrage linéaire spatial qui améliore le rapport signal à bruit par un facteur égal au nombre de capteurs dans le cas monosource.
Dans les hypothèses où l’on se place (vecteurs directionnels connus), ce traitement conduit à une estimation linéaire non biaisée à variance minimale de signaux pour lesquels aucune connaissance a priori n’est disponible.
D’autres méthodes dont la mise en œuvre est plus compliquée, peuvent être utilisées, telles que le filtrage de Capon lorsque les vecteurs directionnels sont imparfaitement ou non connus (“Robust Adaptive Beamforming”, eds P. Stoica and J. Li, Wiley, 2006).
Aucune de ces méthodes n’exploite d’a priori sur le signal, et en particulier ne permet de délimiter correctement les supports temporel et/ou spectral du signal puisqu’un traitement linéaire (MV) ou pseudo linéaire (Capon) fournit toujours un signal en sortie même si en entrée la mesure n’est composée que de bruit.
Le problème est d’accéder à la connaissance plus fine du signal.
L’invention a pour but de proposer un procédé permettant de déterminer plus finement les composantes du signal.
A cet effet, l’invention a pour objet un procédé comportant les étapes suivantes : a) Calculer les Transformées de Fourier Discrètes successives du signal reçu par les antennes et échantillonné pour obtenir une grille P-vectorielle temps-fréquence du signal ; chaque élément de la grille étant appelé case et contenant un vecteur complexe X formant une mesure ; b) Pour chaque case, calculer l’estimateur de l’espérance conditionnelle du signal, ou des signaux, à partir de la mesure X et d’une densité de probabilité a priori pour les signaux qui est un mélange de gaussiennes. Le procédé permet ainsi de répondre aux questions suivantes : pour chacun des signaux en présence (leur nombre étant supposé limité à 2 localement), quels sont les supports temporel et spectral du signal supposé décrit par des composantes obtenues au moyen d’une analyse temps/fréquence ? Et quelle est la valeur de chaque composante lorsqu’elle est non nulle ? La réponse à ces questions permet d’améliorer la connaissance du signal.
Suivant des modes particuliers de réalisation, le procédé comporte une ou plusieurs des caractéristiques suivantes :
- ledit procédé comporte une étape d’estimation des paramètres nécessaires pour établir l’espérance conditionnelle par la méthode des moments opérant sur les cases d’une fenêtre découpée dans la grille temps/fréquence ;
- le calcul de l’estimateur de l’espérance conditionnelle est approximé par une Espérance Conditionnelle à 4 Filtres Linéaires obtenue par un traitement de décision à quatre hypothèses portant sur quatre formes hermitiennes de la mesure X , suivi d’un filtrage linéaire commandé par le résultat de la décision ;
- le calcul de l’estimateur de l’Espérance Conditionnelle à 4 Filtres Linéaires est approximé par une Espérance Conditionnelle à Décisions Indépendantes obtenue par un traitement de décision à deux hypothèses portant sur U * X et V * X , suivi d’un filtrage linéaire commandé par le résultat de la décision ;
- en fonction du résultat de la décision, le traitement de filtrage linéaire donnant l’estimateur de l’Espérance Conditionnelle à Décisions Indépendantes, est soit :
• l’estimateur du maximum de vraisemblance bisources pour chaque source ; • l’estimateur du maximum de vraisemblance monosource pour la première source, 0 pour la seconde source ;
• 0 pour la première source, l’estimateur du maximum de vraisemblance monosource pour la seconde source ;
• 0 pour chaque source.
- le calcul de l’estimateur de l’Espérance Conditionnelle à Décisions Indépendantes est approximé par un Maximum de Vraisemblance Seuillé obtenu par l’estimation du ou des signaux par la méthode du maximum de vraisemblance suivie de la comparaison de chaque estimation à un seuil ; 3
- le seuil ou chaque seuil de décision est choisi pour respecter une probabilité dite de fausse alarme consistant à déclarer le signal non nul alors qu’il est nul ;
- ledit procédé comporte :
• Une première estimation des signaux réalisée par la méthode de l’Espérance Conditionnelle à Décisions Indépendantes ou du Maximum de Vraisemblance Seuillé,
• Une estimation de paramètres réalisée à partir des composantes du signal obtenues l’étape précédente,
• Une seconde estimation des signaux réalisée par la méthode de l’Espérance Conditionnelle ou par la méthode de l’Espérance Conditionnelle à 4 Filtres Linéaires, informées des valeurs des paramètres obtenues à l’étape précédente.
L’invention sera mieux comprise à la lecture de la description qui va suivre, faite en se référant aux dessins annexés :
- la figure 1 est une vue schématique illustrant des sources de signal et une installation d’estimation des signaux radioélectriques provenant de ces sources selon l’invention, donnée uniquement à titre indicatif et sans intention de représenter la réalité ;
- la figure 2 est un organigramme d’un des procédés tel que mis en œuvre dans l’invention dans le cas monosource;
- la figure 3 est un organigramme d’un des procédés tel que mis en œuvre dans l’invention dans le cas bisources.
Le dispositif 8 d’estimation d’un mélange de signaux provenant de plusieurs sources 12 selon l’invention illustré à la figure 1 comprend un réseau antennaire composé d’une pluralité d’éléments antennaires 10 ou capteurs. Chaque élément antennaire est couplé à une voie de réception pour, notamment, numériser le signal analogique reçu par chaque capteur.
L’invention est adaptée à la fois aux réseaux antennaires à monopolarisation et aux réseaux antennaires à bipolarisation.
Le dispositif comporte en outre des modules de calcul. Dans différentes variantes de réalisation du dispositif d’estimation de signaux selon l’invention, les modules de calcul peuvent être agencés selon différentes architectures, en particulier chaque étape du procédé peut être implantée par un module distinct ou au contraire l’ensemble des étapes peut être regroupé au sein d’une unité de traitement de l’information unique 14.
La ou les unités de calcul sont reliées aux capteurs par tout moyen adapté pour transmettre les signaux reçus. La ou les unités de calcul comportent des moyens de stockage de l’information, ainsi que des moyens de calcul permettant de mettre en œuvre les algorithmes des figures 2 et 3, selon qu’on est dans le cas monosource ou bisources.
Avantageusement, la réception est faite sur un réseau à diversité d’espace (réseau interférométrique) et la démodulation du signal permettant la « descente en bande de base » est effectuée par le même oscillateur local pour toutes les antennes afin d’assurer une cohérence. Le signal reçu est échantillonné en réel ou en complexe (double démodulation en quadrature ou tout autre procédé) sur chaque voie.
Le signal reçu, filtré dans une bande de typiquement plusieurs centaines de MHz, est modélisé par : Ce modèle ne fait pas d’hypothèse sur le type de
Figure imgf000005_0001
modulation.
Ce signal est échantillonné à une cadence Te telle que 1/Te >> 2 x bande du signal utile.
On calcule les Transformés de Fourier Discrètes (TFD) pondérées et recouvrantes de ce signal sur NTFD points. La pondération a pour rôle de réduire les lobes secondaires. Comme cette pondération induit une variation de la contribution des données à la TFD (les données au centre du support temporel de la TFD se voyant attribuer un poids beaucoup plus important que les données sur les bords du support), qui peut aller jusqu’à une perte des signaux courts, on prend l’hypothèse d’un recouvrement des supports temporels.
Les mesures recueillies sont donc les résultats des TFD. Elles constituent une grille temps-fréquence, dont les cases sont appelées cases temps-fréquence. Chaque case de la grille contient un vecteur complexe qui est le résultat des Transformées de Fourier Discrètes pour toutes les voies, pour un intervalle temporel et un intervalle fréquentiel donnés. Pour les fréquences des signaux et les distances qui interviennent ici, on considère que le front d’onde est plan. Donc les antennes reçoivent le signal avec une différence de phase fonction des deux angles entre le plan d’onde et le plan des antennes.
Dans le cas monosource, les mesures recueillies sur le réseau complet s’écrivent donc comme :
Figure imgf000005_0002
5
– X n représente les mesures : X n est un vecteur colonne complexe de dimension P, où P est le nombre de voies et n = 1,2,… N est un double indice (l,c) parcourant l’espace des temps (indice de la transformée de Fourier) et des fréquences (numéro de canal pour une transformée de Fourier). Plus précisément, l’indice n parcourt les cases d’une fenêtre rectangulaire temporelle x fréquentielle de taille N. Les indices l et c correspondent aux numéros de ligne et de colonne des cases de la fenêtre.
– sn est un nombre complexe représentant le signal après TFD
– Wn est le bruit thermique dans la case temps/fréquence d’indice n. W n est un vecteur colonne de dimension P. W n est gaussien sur ses composantes réelle et imaginaire, indépendant d’une case temps/fréquence à l’autre et indépendant d’une voie antennaire à l’autre. Autrement dit, W n est blanc spatialement, fréquentiellement et temporellement. L’écart type du bruit compté sur chaque composante réelle ou imaginaire, au niveau d’une case temps/fréquence, est égal à σ. Pour que l’hypothèse d’indépendance du bruit d’une case à l’autre soit vérifiée, on limite le recouvrement des TFD à 50%. Dans le cas d’un réseau interférométrique monopolarisation, U s’écrit sous la forme :
Figure imgf000006_0001
où g est un scalaire complexe dépendant de la polarisation de l’onde incidente et de sa direction d’arrivée, et où les u i sont des nombres complexes de module 1 représentant les déphasages géométriques associés à la direction de l’onde incidente. On peut choisir comme référence de phase une des antennes du récepteur.
Dans le cas d’un réseau interférométrique bipolarisation, U s’écrit sous la forme : U = hH + vV ,
où h et v sont des scalaires complexes tels que h 2 + v 2 = 1 qui expriment la polarisation de l’onde incidente, et où H (resp V) est la réponse du réseau à une onde polarisée horizontalement (resp verticalement). H et V ne dépendent que de la direction et de la fréquence de l’onde incidente.
Dans tous les cas, U est de dimension P, où P est le nombre d’antennes utilisées. 6
On peut considérer que U est normé, et que s n porte la puissance du signal et le gain moyen du réseau.
U est conservé par la TFD qui est une transformation linéaire, et se retrouve sur le signal en sortie de TFD.
Dans le cas général il peut y avoir un mélange de K signaux (K étant éventuellement supérie
Figure imgf000007_0001
ur à la résolution du réseau). Le signal s’écrit alors :
Figure imgf000007_0002
Equation 1 Expression d’un mélange de signal L’hypothèse fondamentale est que lorsque l’ensemble des N cases temps/fréquence est restreint à une zone rectangulaire ou fenêtre d’indice j, la complexité de l’environnement est telle que dans une telle fenêtre, le mélange des signaux est limité à deux signaux. Alors le modèle devient :
Figure imgf000007_0003
Equation 2 Expression d’un mélange de signal dans une fenêtre Des fenêtres de taille prédéterminée sont définies pour couvrir la grille temps- fréquence. L’ensemble de ces fenêtres forme un découpage de la grille. La taille des fenêtres est choisie de sorte que au plus deux signaux issus de deux sources soient présents dans chaque fenêtre.
Le vecteur U ou les vecteurs U et V désignant le ou les vecteurs directionnels unitaires formé par le signal incident ou les signaux incidents par rapport au réseau sont ensuite extraits (ou estimés), par tout moyen connu adapté.
Une boucle est effectuée pour parcourir l’ensemble des fenêtres définissant le découpage de la grille.
Pour chaque fenêtre, une étape d’estimation du (des) signal (signaux) est mise en œuvre au moyen de l’espérance conditionnelle et des approximations que l’on peut y apporter pour le modèle spécifique des signaux.
Le traitement final se décompose en : - une étape non linéaire de décision de la situation en chaque case temps/fréquence : source 1 présente et source 2 présente, ou : source 1 présente et source 2 absente, ou : source 1 absente et source 2 présente, ou : source 1 absente et source 2 absente, puis
- une étape de filtrage linéaire spécifique à la situation.
Le traitement obtenu est non biaisé, quasi optimal au sens de l’erreur quadratique moyenne, et délimite en temps/fréquence le support du signal à estimer. L’estimation du signal s’effectue sur une fenêtre où la situation est monosource ou bisources. En monosource, le signal vectoriel mesuré pour la case d’indice n est
Figure imgf000008_0001
Equation 3 Expression du signal mesuré (cas monosource) En bisources, on a :
Figure imgf000008_0002
Equation 4 Expression du signal mesuré (cas bisources) Dans les écritures de l’Equation 3 et de l’Equation 4, U et V sont des vecteurs directionnels unitaires d’un réseau monopolarisation ou bipolarisation, s n et c n sont des signaux complexes qu’il faut estimer ; W n est le bruit qui est blanc spatialement et en n, gaussien, centré et de covariance :
Figure imgf000008_0003
p est la matrice unité de C p (P étant le nombre de voies de réception). * désigne la transposée conjuguée.
Dans la suite, on supposera que U ou V sont estimés par Uˆ et Vˆ par exemple à l’aide d’une méthode de type MUSIC, et que cette estimation ayant été faite sur un nombre de cases N >>1, on peut faire l’approximation U = U ˆ , V = V ˆ .
Pour tenir compte du fait que s n (ou c n ) peut être nul pour certains n, sans connaître à l’avance la modulation du signal, on modélise s n (ou c n ) comme des échantillons indépendants en n d’une variable aléatoire dont la densité de probabilité est 8
un mélange (q, 1-q, q<1) de deux gaussiennes centrées de variance respectives
Figure imgf000009_0004
2σ 2
j est la puissance du signal utile s’il est présent lorsqu’on néglige τ 2 dans l’expression de la puissance moyenne.
Figure imgf000009_0005
τ est un paramètre de régularisation du modèle qui permet d’appliquer la formule de Bayes pour des lois de probabilité admettant des densités de probabilité par rapport à la mesure de Lebesgue ; cependant la réalité physique est qu’il y a absence de signal lorsqu’on modélise celui-ci au moyen de la gaussienne centrée de variance 2τ 2 (puissance 2τ 2 ). C’est pourquoi, à la fin des calculs, on ne garde que la limite des expressions lorsque τ→ 0.
s n et c n sont considérés comme indépendants.
Le signal mesuré s’écrit dans les deux cas, monosource ou bisources, sous la forme unique :
Figure imgf000009_0006
Equation 5 Forme matricielle du signal mesuré où M = U et Sn = s n en monosource, et en bisources, avec
Figure imgf000009_0001
M connue et σ 2 connu.
Dans la suite du document, pour alléger les notations, étant entendu que le traitement opère sur chaque case d’indice n indépendamment, on omet l’indice n et on note X la mesure dans une case temps/fréquence, s le signal monosource et le signal bisources dans une case temps/fréquence.
Figure imgf000009_0002
Les connaissances a priori sur S sont données par une densité de probabilité. Dans le cas monosource :
Figure imgf000009_0003
Equation 6 Densité de probabilité du signal (cas monosource) 9
Dans le cas bisources :
Figure imgf000010_0003
Equation 7 Densité de probabilité du signal (cas bisources) où q 2
1 = q ,q2 = q3 = q(1−q),q4 = (1− q ) 2 si les sources sont considérées comme indépendantes et équiprobables (dans la suite on généralise à une répartitionq1,q2,q3 , q 4 des 4 situations non liées par les expressions ci-dessus),
Figure imgf000010_0001
Equation 8 Matrices de covariance du signal sont les matrices de covariances de S pour les quatre cas possibles.
On estime S au moyen de l’espérance conditionnelle en utilisant les modèles monosource et bisources (Equation 5, Equation 6 et Equation 5, Equation 7).
L’Espérance Conditionnelle (EC) est l’estimateur Sˆ qui minimise l’écart quadratique moyen Il est de plus non biaisé, et donne une solution explicite
Figure imgf000010_0004
pour Sˆ . Il est construit de la façon suivante :
Soit X la mesure ; sa densité de probabilité qui dépend du paramètre à estimer S est interprétée comme la densité de probabilité conditionnelle de X sachant S. On dispose donc de p(X / S ) et de p(S ) provenant de la connaissance a priori de S. Sˆ est donnée par la formule explicite :
Figure imgf000010_0002
Equation 9 Estimation de S p(S / X ) , la densité de probabilité conditionnelle de S sachant X, est obtenue par la formule de Bayes.
Figure imgf000010_0005
Equation 10 Ecriture générale de la densité de probabilité conditionnelle de S sachant X
Figure imgf000011_0001
Equation 11 Ecriture générale de la densité de probabilité de X
Dans le cas où X = MS + V et p(S) est gaussienne, centrée de covariance C, peut trouver analytiquement S , ce qui n'est pas le cas en général.
C'est une fonction linéaire de X. En effet (en dimension 2) :
Figure imgf000011_0002
Posons
Figure imgf000011_0006
En com létant le « carré » en S, on a :
Figure imgf000011_0003
où K2 est une constante (= 1/;τ44σ4 ) en dimension 2. ∑ est une matrice hermitienne définie positive. On en déduit :
Figure imgf000011_0004
Equation 12 Densité de probabilité des mesures en bisources
Figure imgf000011_0005
Equation 13 Densité de probabilité conditionnelle de S sachant X en bisources Les expressions complètes de l’Equation 12 serviront à trouver l’estimateur recherché pour notre problème.
Dans le cas où S est un échantillon gaussien, les Equation 9, Equation 10, Equation 11, Equation 12, et Equation 13 donnent :
Figure imgf000012_0009
Equation 14 Estimation de S en bisources (cas où S est gaussien)
qu’on peut écrire aussi :
Figure imgf000012_0007
On en conclut que si
Figure imgf000012_0008
se réduit à l’estimateur du maximum de vraisemblance de S au moyen du modèle de l’Equation 5 sans connaissance a priori sur
Figure imgf000012_0006
La condition en tant que matrices, s’exprime aussi par
Figure imgf000012_0005
qui signifie que l’a priori sur S qui est défini par C n’apporte pas
Figure imgf000012_0004
d’information réelle sur S. L’estimée du signal dans le cas monosource est telle qu’indiquée ci-dessous. Dans le cas monodimensionnel pour S=s (monosource), on a M=U et donc M * M = 1 ;
La matrice C est réduite à la constante c ;
Figure imgf000012_0001
On en déduit
Figure imgf000012_0003
Figure imgf000012_0002
Il vient alors :
Figure imgf000013_0001
Equation 15 Densité de probabilité conditionnelle de S sachant X en monosource
Figure imgf000013_0002
Equation 16 Densité de probabilité des mesures en monosource On obtient l’espérance conditionnelle, dans le cas gaussien pour s, par le quotient de l’Equation 15 par l’Equation 16 :
Figure imgf000013_0005
Equation 17 Estimation de s en monosource (cas où s est gaussien)
Si c >> 2σ 2 , ce qui exprime qu’on n’a pas d’information a priori sur s, sˆ se réduit à l’estimateur du maximum de vraisemblance
Figure imgf000013_0006
L’estimée du signal dans le cas bisources est telle qu’indiquée ci-dessous.
L’estimateur de l’espérance conditionnelle est obtenu grâce à l’Equation 15 et à l’Equation 16 pour la densité mélange de S donnée par l’Equation 7. Après simplification par le facteur commun tous les termes au
Figure imgf000013_0003
numérateur et au dénominateur, on obtient :
Figure imgf000013_0004
Equation 18 Espérance conditionnelle en bisources Avec
Figure imgf000013_0007
Posons (sans dimension),
Figure imgf000013_0008
Figure imgf000013_0009
Figure imgf000014_0001
Equation 19 Espérance conditionnelle en bisources D’après l’Equation 8,
Figure imgf000014_0002
On en déduit :
Figure imgf000014_0003
Equation 20 Matrices Qi L’expression de l’estimée du signal fait l’objet d’une approximation pour permettre son estimation comme indiqué ci-dessous dans le cas bisources.
Les produits de déterminants dans l’Equation 19 sont respectivement égaux aux expressions suivantes dont on donne une approximation pour un bon rapport signal à bruit
Figure imgf000015_0003
Figure imgf000015_0001
De même, on trouve pour Q j lorsque τ→ 0 : Q 1 est inchangé.
Figure imgf000015_0002
On observe que les produits detQi det Γ i ont une limite finie dans chacune des quatre situations, de même que les matrices Q j , ce qui est un comportement satisfaisant. 5
On a ainsi obtenu une première expression de l’estimateur. En réalité seul un des termes dans l’Equation 19 est prépondérant pour chaque case, ce qui conduit à une première simplification. On en déduit le nouveau traitement d’estimation des
Figure imgf000016_0005
Ce que l’on simplifie en :
Figure imgf000016_0001
Equation 23 Estimation du signal avec fonction de décision M * X est donné par :
Figure imgf000016_0002
Les det sont donnés par l’Equation 21. Les Q j sont donnés par l’Equation 22, Les q j sont donnés par exemple par
Figure imgf000016_0003
Equation 24 Expression des paramètres qj s’il y a indépendance des 4 situations et équiprobabilité pour s≠0, c≠ 0.
F (j ) est donné par :
Figure imgf000016_0004
6
Pour j0 = 1 , on retrouve l’estimateur du maximum de vraisemblance. En effet dans ce cas de sorte que
Figure imgf000017_0003
Figure imgf000017_0001
constate que si
Figure imgf000017_0006
alors les estimations de s et de c sont complètement séparées, car alors, la relation
Figure imgf000017_0005
se simplifie et se découple en
(filtrage par le vecteur directionnel de la source 1) (filtrage par le vecteur directionnel de la source 2)
Figure imgf000017_0004
Où le symbole T désigne la transposée.
On a ainsi « linéarisé » le traitement optimal, puisqu’on a obtenu quatre filtres linéaires, commandés par la décision sur le type de situation pour chaque case : les deux sources sont présentes / la source 1 est présente / la source 2 est présente / aucune des deux sources n’est présente. On appelle l’estimateur obtenu « Espérance Conditionnelle à 4 Filtres Linéaires ».
De cette façon, on a simplifié l’estimateur optimal, en le décomposant en deux étapes :
• La détection de la situation
• L’application d’un filtrage approprié à la situation
Il est satisfaisant de constater que l’estimateur est indépendant de τ , ce qui est le comportement attendu puisque τ n’est pas un paramètre physique, mais un artifice permettant de modéliser la situation « absence de signal » par une gaussienne très pincée.
Cet estimateur nécessite le calcul de trois formes quadratiques et d’un test. Le point dur reste le calcul des paramètres inconnus (la puissance du bruit
Figure imgf000017_0002
2σ 2 est supposée connue).
Dans le cas particulier où les 2 sources sont indépendantes, et ont la même puissance et le même taux de présence, les paramètres peuvent être estimés en calculant les moments empiriques d’ordre 2 et 4. Si on appelle 2σ' 2 la valeur commune de la variance de la gaussienne représentant chaque source, et q la probabilité commune aux 2 sources, tout se passe comme si on était dans une situation monosource, avec une source unique de variance
Figure imgf000018_0004
et de probabilité de présence qM = 2 q .
Figure imgf000018_0003
sont alors donnés par les équations suivantes :
Figure imgf000018_0001
Dans le cas général (sources indépendantes), les paramètres du modèle sont au nombre de L’homme de l’art sait généraliser la méthode des moments
Figure imgf000018_0006
ci-dessus aux ordres supérieurs pour obtenir les estimations de ces paramètres.
Une variante du traitement d’estimation consiste à simplifier l’étape de décision décrit précédemment, comme suit :
L’espérance conditionnelle considère les quatre situations possibles :
Figure imgf000018_0005
, ; , ; , ; ,
Il faudrait normalement traiter un problème de décision à quatre hypothèses.
Pour simplifier, on propose de tester s≠ 0 contre s = 0 indépendamment de c d’une part, et de tester c≠ 0 contre c = 0 indépendamment de s d’autre part. On effectue donc deux tests à deux hypothèses au lieu d’un test à quatre hypothèses.
Ces tests seront effectués à partir des mesures prétraitées U*X ,V * X . TEST DE s≠ 0 CONTRE s = 0
Figure imgf000018_0002
Equation 25 Test d’hypothèse simplifié : les 2 hypothèses pour s où les (.) indiquent le produit scalaire x scalaire
et où u =U*W ,v =V * W : (u,v ) est donc gaussien, centré et de covariance : 8
Figure imgf000019_0001
et où c est un paramètre inconnu.
C’est un problème invariant par le groupe des translations de vecteur et
Figure imgf000019_0009
un problème à hypothèse linéaire (voir“Testing Statistical Hypothesis”, 3rd edition, E.L. Lehmann, J.P. Romano, Springer, 2005). Il peut être traité en effectuant premièrement une projection sur l’orthogonal de pour éliminer c, puis en testant la présence
Figure imgf000019_0010
de s par un test du chi2.
La projection s’écrit :
Figure imgf000019_0002
Le test à effectuer porte donc sur la mesure
Figure imgf000019_0005
Figure imgf000019_0003
Equation 26 Test d’hypothèse simplifié sur s Ce qui revient au même que de faire le test :
Figure imgf000019_0004
sˆ MV est l’estimée au sens du maximum de vraisemblance de s. TEST DE c≠ 0 CONTRE c = 0
De la même manière pour c, on projette M*X sur l’orthogonal de
Figure imgf000019_0008
afin d’éliminer les termes en s et on obtient la nouvelle mesure à considérer :
Figure imgf000019_0006
On obtient le test suivant :
Figure imgf000019_0007
Equation 27 Test d’hypothèse simplifié sur c 9 que l’on peut écrire
Figure imgf000020_0001
Figure imgf000020_0006
est l’estimée de c au sens du maximum de vraisemblance de c. En bisources l’estimateur proposé consiste à effectuer les opérations suivantes : Comme illustré sur la figure 3, à partir du calcul de l’estimateur du maximum de vraisemblance bisources effectué à l’étape 220, un seuillage
Figure imgf000020_0005
du module de chaque composante de Sˆ MV est effectué à l’étape 320 sur chacune des composantes sˆ MV et cˆ MV .
Puis en fonction de la situation, un filtrage spatial est appliqué aux étapes 331 à 334 dans les conditions suivantes, ce qui permet d’obtenir l’estimateur dit de l’Espérance Conditionnelle à Décisions Indépendantes (ECDI) :
Figure imgf000020_0002
En monosource l’estimateur proposé consiste à effectuer les opérations suivantes, comme illustré sur la figure 2 :
A partir du calcul de l’estimateur du maximum de vraisemblance
Figure imgf000020_0004
effectué à l’étape 210, un seuillage du module de sˆ MV est effectué à l’étape 350, puis, en fonction de la situation, un filtrage spatial est appliqué aux étapes 361 ou 362 dans les conditions suivantes :
Figure imgf000020_0003
Avantageusement, le seuil pour les étapes 320, 350 est fixé de la manière suivante : 0
On appelle Pfa, la probabilité de décider s≠ 0 alors que s = 0 et Pd, probabilité de décider s≠ 0 alors que s≠ 0.
On propose par exemple et de manière nullement limitative, d’utiliser le critère de Neyman-Pearson qui consiste à fixer la Pfa (par exemple quelques pourcent) et en contrepartie à maximiser Pd, ce qui permet d’obtenir un seuil sur λ ' et µ ' . Par exemple, et de manière nullement limitative, on peut également régler la valeur de λ ' (resp µ ' ) de telle sorte que 1– Pd = Pfa autour d’un RSB fixé. Une variante proche du Maximum de Vraisemblance et appelée Maximum de Vraisemblance Seuillé (MVS) consiste à effectuer les opérations suivantes :
• Calcul de l’estimateur du maximum de vraisemblance • Seuillage du module des composantes de
Figure imgf000021_0002
• En fonction de la situation, application d’un filtrage spatial
Figure imgf000021_0001
Une autre variante consiste à utiliser l’un des deux estimateurs précédents pour obtenir une initialisation des paramètres inconnus puis à appliquer
Figure imgf000021_0003
l’estimateur de l’Espérance Conditionnelle ou l’estimateur de l’Espérance Conditionnelle à 4 Filtres Linéaires.

Claims

REVENDICATIONS 1.- Procédé d’estimation d’au plus deux signaux mélangés issus de sources distinctes, dont la représentation en temps/fréquence fait apparaître une proportion non nulle inconnue de composantes nulles, au moyen d’un réseau composé de P>2 antennes, lorsque les vecteurs directionnels U et V des sources émettant ces signaux sont connus ou estimés par ailleurs, comportant les étapes suivantes :
a) Calculer les Transformées de Fourier Discrètes successives du signal reçu par les antennes et échantillonné pour obtenir une grille P-vectorielle temps- fréquence du signal ; chaque élément de la grille étant appelé case et contenant un vecteur complexe X formant une mesure ;
b) Pour chaque case, calculer l’estimateur de l’espérance conditionnelle du signal, ou des signaux, à partir de la mesure X et d’une densité (p(s)) de probabilité a priori pour les signaux qui est un mélange de gaussiennes. 2.- Procédé selon la revendication 1, caractérisé en ce qu’il comporte une étape d’estimation des paramètres nécessaires pour établir l’espérance
Figure imgf000022_0001
conditionnelle par la méthode des moments opérant sur les cases d’une fenêtre découpée dans la grille temps/fréquence. 3- Procédé selon la revendication 1 ou 2, caractérisé en ce que le calcul de l’estimateur de l’espérance conditionnelle est approximé par une Espérance Conditionnelle à 4 Filtres Linéaires obtenue par un traitement de décision à quatre hypothèses portant sur quatre formes hermitiennes de la mesure X , suivi d’un filtrage linéaire commandé par le résultat de la décision. 4- Procédé selon la revendication 3, caractérisé en ce que le calcul de l’estimateur de l’Espérance Conditionnelle à 4 Filtres Linéaires est approximé par une Espérance Conditionnelle à Décisions Indépendantes obtenue par un traitement de décision à deux hypothèses portant sur U * X et V * X , suivi d’un filtrage linéaire commandé par le résultat de la décision. 5- Procédé selon la revendication 4, caractérisé en ce que, en fonction du résultat de la décision, le traitement de filtrage linéaire donnant l’estimateur de l’Espérance Conditionnelle à Décisions Indépendantes, est soit : • l’estimateur du maximum de vraisemblance bi-sources pour chaque source ;
• l’estimateur du maximum de vraisemblance monosource pour la première source, 0 pour la seconde source ;
• 0 pour la première source, l’estimateur du maximum de vraisemblance monosource pour la seconde source ;
• 0 pour chaque source. 6- Procédé selon la revendication 5, caractérisé en ce que le calcul de l’estimateur de l’Espérance Conditionnelle à Décisions Indépendantes est approximé par un Maximum de Vraisemblance Seuillé obtenu par l’estimation du ou des signaux par la méthode du maximum de vraisemblance suivie de la comparaison de chaque estimation à un seuil. 7- Procédé selon la revendication 4 ou 6, caractérisé en ce que le seuil ou chaque seuil de décision est choisi pour respecter une probabilité dite de fausse alarme consistant à déclarer le signal non nul alors qu’il est nul. 8- Procédé selon les revendications 4, 5 ou 6, prises en combinaison avec la revendication 1 ou 3, caractérisé en ce qu’il comporte :
• Une première estimation des signaux réalisée par la méthode de l’Espérance Conditionnelle à Décisions Indépendantes ou du Maximum de Vraisemblance Seuillé,
• Une estimation de paramètres réalisée à partir des
Figure imgf000023_0001
composantes du signal obtenues l’étape précédente,
• Une seconde estimation des signaux réalisée par la méthode de l’Espérance Conditionnelle ou par la méthode de l’Espérance Conditionnelle à 4 Filtres Linéaires, informées des valeurs des paramètres obtenues à l’étape précédente.
Figure imgf000023_0002
PCT/EP2015/081213 2014-12-23 2015-12-23 Procédé non linéaire d'estimation d'un mélange de signaux WO2016102697A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US15/539,386 US10560073B2 (en) 2014-12-23 2015-12-23 Method for the non-linear estimation of a mixture of signals
EP15820534.4A EP3238094A1 (fr) 2014-12-23 2015-12-23 Procédé non linéaire d'estimation d'un mélange de signaux

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1402981A FR3030807B1 (fr) 2014-12-23 2014-12-23 Procede non lineaire d'estimation d'un melange de signaux
FR1402981 2014-12-23

Publications (1)

Publication Number Publication Date
WO2016102697A1 true WO2016102697A1 (fr) 2016-06-30

Family

ID=53177526

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2015/081213 WO2016102697A1 (fr) 2014-12-23 2015-12-23 Procédé non linéaire d'estimation d'un mélange de signaux

Country Status (4)

Country Link
US (1) US10560073B2 (fr)
EP (1) EP3238094A1 (fr)
FR (1) FR3030807B1 (fr)
WO (1) WO2016102697A1 (fr)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017127664A1 (fr) 2016-01-20 2017-07-27 The Scripps Research Institute Compositions d'anticorps anti-ror1 et procédés associés
WO2017127702A1 (fr) 2016-01-20 2017-07-27 The Scripps Research Institute Compositions d'anticorps anti-ror2 et procédés associés
CN108566227A (zh) * 2018-01-20 2018-09-21 西安交通大学 一种多用户检测方法
WO2019016381A1 (fr) 2017-07-20 2019-01-24 Nbe-Therapeutics Ag Produit d'anticorps multispécifique se liant à différents épitopes de ror1

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3010228C (fr) * 2015-12-31 2023-10-31 Huawei Technologies Co., Ltd. Methode de formation de faisceau, recepteur, emetteur et systeme
CN110677138B (zh) * 2019-09-25 2021-06-15 电子科技大学 基于无误差概率计算的fir滤波器
CN111262556B (zh) * 2020-01-16 2023-09-08 自然资源部第二海洋研究所 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
C. FEVOTTE ET AL: "A Bayesian Approach for Blind Separation of Sparse Sources", IEEE TRANSACTIONS ON AUDIO, SPEECH AND LANGUAGE PROCESSING, vol. 14, no. 6, November 2006 (2006-11-01), New York, NY, USA., pages 2174 - 2188, XP055224805, ISSN: 1558-7916, DOI: 10.1109/TSA.2005.858523 *
CARLOS E ET AL: "ICA BASED BLIND SOURCE SEPARATION APPLIED TO RADIO SURVEILLANCE", IEICE TRANSACTIONS ON COMMUNICATIONS, COMMUNICATIONS SOCIETY, TOKYO, JP, vol. E86-B, no. 12, December 2003 (2003-12-01), pages 3491 - 3497, XP001191555, ISSN: 0916-8516 *
E.L. LEHMANN; J.P. ROMANO: "Testing Statistical Hypothesis, 3rd edition,", 2005, SPRINGER
MASTER A S: "Bayesian two source modeling for separation of n sources from stereo signals", ACOUSTICS, SPEECH, AND SIGNAL PROCESSING, 2004. PROCEEDINGS. (ICASSP ' 04). IEEE INTERNATIONAL CONFERENCE ON MONTREAL, QUEBEC, CANADA 17-21 MAY 2004, PISCATAWAY, NJ, USA,IEEE, PISCATAWAY, NJ, USA, vol. 4, 17 May 2004 (2004-05-17), pages 281 - 284, XP010718460, ISBN: 978-0-7803-8484-2, DOI: 10.1109/ICASSP.2004.1326818 *
P. STOICA AND J. LI,: "Robust Adaptive Beamforming", 2006, WILEY
ZAYYANI H ET AL: "Estimating the mixing matrix in Sparse Component Analysis (SCA) using EM algorithm and iterative Bayesian clustering", 2006 14TH EUROPEAN SIGNAL PROCESSING CONFERENCE, IEEE, 25 August 2008 (2008-08-25), pages 1 - 5, XP032761251, ISSN: 2219-5491, [retrieved on 20150403] *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017127664A1 (fr) 2016-01-20 2017-07-27 The Scripps Research Institute Compositions d'anticorps anti-ror1 et procédés associés
WO2017127702A1 (fr) 2016-01-20 2017-07-27 The Scripps Research Institute Compositions d'anticorps anti-ror2 et procédés associés
WO2019016381A1 (fr) 2017-07-20 2019-01-24 Nbe-Therapeutics Ag Produit d'anticorps multispécifique se liant à différents épitopes de ror1
CN108566227A (zh) * 2018-01-20 2018-09-21 西安交通大学 一种多用户检测方法

Also Published As

Publication number Publication date
EP3238094A1 (fr) 2017-11-01
US20180026607A1 (en) 2018-01-25
FR3030807A1 (fr) 2016-06-24
FR3030807B1 (fr) 2018-02-02
US10560073B2 (en) 2020-02-11

Similar Documents

Publication Publication Date Title
WO2016102697A1 (fr) Procédé non linéaire d&#39;estimation d&#39;un mélange de signaux
EP1582888B1 (fr) Procédé de localisation aveugle large bande d&#39;un ou plusieurs émetteurs à partir d&#39;un porteur défilant
EP3281026B1 (fr) Procédé de séparation de sources pour signaux parcimonieux
EP2176680B1 (fr) Procedes et dispositifs pour determiner la reponse impulsionnelle de canaux de propagation impliquant des emetteurs, des reflecteurs et des capteurs fixes ou mobiles
EP2100161B1 (fr) Procede de traitement radar passif multivoies d&#39;un signal d&#39;opportunite en fm
EP3203267B1 (fr) Methode de calibrage d&#39;un recepteur de radio-navigation par satellites
EP1877826B1 (fr) Détecteur séquentiel markovien
EP2579063B1 (fr) Procédé et système de localisation d&#39;interferences par sous-bande fréquentielle
EP2517037B1 (fr) Procede pour estimer le nombre de sources incidentes a un reseau de capteurs par estimation de la statistique du bruit
EP2428810A1 (fr) Procédé de géo-localisation multi-émetteurs par traitement spatio-temporel
EP3671250B1 (fr) Interféromètre numérique à sous-échantillonnage
EP4172655A1 (fr) Procede de detection de cible pour radar a penetration de sol et radar associe
FR3020157A1 (fr) Procede de detection numerique
EP3672088B1 (fr) Interféromètre bipolarisation numérique à sous-échantillonnage
EP3036840B1 (fr) Procédé de détection d&#39;un signal électromagnétique par un réseau antennaire et dispositif mettant en oeuvre le procédé
EP0933885A1 (fr) Procédé de detection cyclique en diversité de polarisation de signaux radioélectriques numériques cyclosationnaires
EP2851703A1 (fr) Procédé réalisant conjointement la synchronisation, l&#39;identification, la mesure, l&#39;estimation du filtre de propagation et la localisation d&#39;émetteurs utiles et interferants
EP3036841B1 (fr) Procédé de détection d&#39;un signal électromagnétique par un réseau antennaire a diversité de diagramme et dispositif mettant en oeuvre le procédé
EP2607915B1 (fr) Procédé de localisation de sources émettrices par exploitation du couplage mutuel d&#39;un réseau antennaire de petite base et système récepteur mono-voie à commutation lente mettant en oeuvre le procédé
WO2023057717A1 (fr) Procédé de traitement d&#39;un signal gnss en vue d&#39;atténuer au moins un signal de brouillage
FR2949882A1 (fr) Methode de traitement du signal comportant une etape d&#39;estimation de la matrice mediane d&#39;un echantillon de matrices
EP3971600A1 (fr) Procédé de séparation de signaux électromagnétiques et d&#39;estimation de leurs directions d&#39;arrivée dans un goniomètre interférométrique large bande à réception numérique sous-échantillonnée
FR3114166A1 (fr) Procede de detection d&#39;un signal electromagnetique d&#39;interet et d&#39;estimation de sa direction d&#39;arrivee dans un goniometre interferometrique large bande a reception numerique sous-echantillonnee
EP3236280B1 (fr) Calcul automatique d&#39;une dimension d&#39;une plateforme mobile
FR2955950A1 (fr) Procede et dispositif permettant de determiner un parametre central associe a des coefficients d&#39;identification obtenus par un algorithme de burg

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15820534

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

REEP Request for entry into the european phase

Ref document number: 2015820534

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 15539386

Country of ref document: US