Master : Système de Télécommunication et Réseaux

Informatique

Module : Processus aléatoires et modélisation

COMPTE RENDU DU TP2

Réalisée par

OUGRAZ Hassan

Professeur responsable

SAFI Said

Année Universitaire : 2018-2019

Objectif du TP :

L’objectif de cette exercice est d’avoir une idée importante concernant les trois principaux
modèles : AR, MA et ARMA.

2
Exercice 1.

Réponse 1.
L’équation représente le processus ARMA(2, 1).

Réponse 2, 3.
La fonction filter filtre une séquence de données à l’aide d’un filtre numérique qui fonctionne
pour les entrées réelles et complexes :

y(t) = x(t) − x(t − 1) + y(t − 1) − 0.25y(t − 2)

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

figure
plot(y)

3
 On veut tracer la fonction d’autocorrélation et d’autocorrélation partielle, pour cela on
utilise les deux fonctions sur Matlab autocorr et parcorr :

4
Pour t = 1.

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

t = 1;
y(t) = x(t) ;
plot(y)
figure
subplot(1,2,1) ;
autocorr(y) ;
subplot(1,2,2) ;
parcorr(y) ;

5
On trace la fonction d’autocorrélation et d’autocorrélation partielle :

6
Pour t = 2.

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

figure
t = 2;
y(t) = x(t) + a(2)∗x(t−1) − b(2)∗y(t−1) ;
plot(y)
figure
subplot(1,2,1) ;
autocorr(y) ;
subplot(1,2,2) ;
parcorr(y) ;

7
On trace la fonction d’autocorrélation et d’autocorrélation partielle :

8
Pour t allant de 3 jusqu’à n.

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

figure
t = 3 :n ;
y(t) = x(t) + a(2)∗x(t−1) − b(2)∗y(t−1) + a(3)∗x(t−2) − b(3)∗y(t−2) ;
plot(y)
figure
subplot(1,2,1) ;
autocorr(y) ;
subplot(1,2,2) ;
parcorr(y) ;

9
On trace la fonction d’autocorrélation et d’autocorrélation partielle :

10
Pour la moyenne et la variance de y :

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

v = var(y) ;
m = mean(y) ;
disp(”var = ”)
disp(v)
disp(”mean = ”)
disp(m)

11
Réponse 5.
La fonction awgn ajoute un bruit blanc gaussien au signal vectoriel y. Le SNR scalaire
spécifie le rapport signal sur bruit par échantillon, en dB.

Pour SNR = 0.

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

z = awgn(y, 0) ;

On trace la fonction d’autocorrélation et d’autocorrélation partielle :

12
Pour SNR = 8.

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

z = awgn(y, 8) ;

On trace la fonction d’autocorrélation et d’autocorrélation partielle :

13
Pour SNR = 16.

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

z = awgn(y, 16) ;

On trace la fonction d’autocorrélation et d’autocorrélation partielle :

14
Pour SNR = 24.

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

z = awgn(y, 24) ;

On trace la fonction d’autocorrélation et d’autocorrélation partielle :

15
Pour SNR = 32.

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

z = awgn(y, 32) ;

On trace la fonction d’autocorrélation et d’autocorrélation partielle :

16
Pour SNR = 40.

n = 1000 ;
x = randn(1, n) ;
b = [1, −1, 0] ;
a = [1, −1, 0.25] ;
y = filter(b, a, x) ;

z = awgn(y, 40) ;

On trace la fonction d’autocorrélation et d’autocorrélation partielle :

17
 Conclusion
Pour ces résultats, on peut conclure que lorsque SNR augmente le bruit diminue.

18

Powered by TCPDF (www.tcpdf.org)