Professional Documents
Culture Documents
Informatique
Réalisée par
OUGRAZ Hassan
Professeur responsable
SAFI Said
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 :
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) ;
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) ;
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) ;
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) ;
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) ;
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) ;
17
Conclusion
Pour ces résultats, on peut conclure que lorsque SNR augmente le bruit diminue.
18