Identification en aveugle des paramtres de

systmes non linaires

Sbastien lagrange1 , Luc Jaulin2 , Christian Jutten3 , Vincent Vigneron3
1

LISA
Universit dAngers - ISTIA
62 av. Notre Dame du Lac
49000 Angers
lagrange@istia.univ-angers.f r

E3I2
ENSIETA
2 rue F. Verny
29806 BREST
jaulin@ensieta.f r

LIS
INPG - UJF
46 Avenue F. Viallet
38000 Grenoble
Christian.Jutten@inpg.f r

Cet article traite du problme destimation des paramtres de systmes non linaires
temps continus pour lesquels les signaux dentres ne sont pas mesurs. Lobjectif est de montrer quuniquement partir dhypothses statistiques faibles sur les entres inconnues (telle
lindpendance), il est possible didentifier les paramtres inconnus dun systme.
Tout dabord, nous formalisons cette notion sous le nom didentifiabilit en aveugle par analogie avec lidentifiabilit au sens classique (lorsque les entres et sorties sont connues). Des
conditions ncessaires et suffisantes didentifiabilit sont introduites et illustres sur des exemples.
Ensuite, nous prsentons une mthodologie de rsolution de ce problme destimation paramtrique en aveugle ainsi que des simulations. A noter que loriginalit de la mthode destimation
en aveugle propose repose sur lutilisation conjointe de rsultats sur les drives des signaux
alatoires et des techniques de rsolution danalyse par intervalles qui ont lavantage dtre
globale et garantie.

RSUM.

This paper deals with the parameter estimation problem of nonlinear systems when
the input signals are not measured. The aim is to show that it is possible to identify the system
parameters only from weak statistical assumptions on the unknown inputs (such independency).
A formalization of this concept, call blind identifiability, is introduced by analogy with identifiability (when the inputs and outputs are known).
Finally, an illustration of these results is given considering various examples and simulations
in the particular case where the unknown inputs are supposed to be independent. It should be
added that the originality of the blind estimation method proposed is based on results concerning random signal derivatives with interval analysis techniques which remain guaranteed.
ABSTRACT.

MOTS-CLS :

Estimation en aveugle, Identifiabilit en aveugle, drivation de signaux alatoires.

KEYWORDS:

Blind estimation, blind identifiability, random signal differentiation.

Nom de la revue ou confrence ( dfinir par \submitted ou \toappear)

1. Introduction
Dans ce papier, nous nous intressons la classe des modles paramtrs inversibles, cest--dire o les entres dpendent des sorties et de leurs drives jusqu un
ordre fini. Formellement, un systme inversible paramtr de degr relatif r scrit
sous la forme

u (t) = p, y (t) , y (t) , . . . , y(r1) (t) , y(r) (t) ,

(1)
n
n
o t R est le temps, u (t) RR est le vecteur des n entres, y(i) (t) RR
est la i-ime drive du vecteur de sorties y (t), p P = Rnp est le vecteur des np
n
n(r+1)
paramtres et : P RR
RR est une fonction C . Ici, RR dsigne
lensemble des signaux dfinis de R valeur dans R.
Remarque 1 Tous les systmes plats introduits par Fliess dans [FLI 95] sont, par
dfinition, des systmes inversibles. Ainsi, la classe des systmes inversibles modlise
de nombreux systmes physiques.
Exemple 1 Considrons le systme de la Figure 1 constitu de deux bacs deau. Les
entres u1 et u2 sont les dbits deau entrant dans chaque bac et les sorties y1 et y2
sont les hauteurs deau des deux bacs. Les paramtres a et b sont respectivement la
section du canal qui relie les deux bacs et la section des canaux de fuite aux extrmits
de chaque bac.

Figure 1. Systme hydraulique form de deux bacs remplis deau relis par un canal.
Ce systme, rgi par les quations dtats suivantes, (voir par exemple [JAU 05])

p
p
y 1 (t) = bp2gy1 (t) a.sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)| + u1 (t)
y 2 (t) = b 2gy2 (t) + a.sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)| + u2 (t)
(2)

Titre abrg de larticle ( dfinir par \title[titre abrg]{titre})

scrit galement sous la forme

u (t) = (p, y (t) , y (t)) ,
T

(3)

o u (t) = (u1 (t) , u2 (t)) , y (t) = (y1 (t) , y2 (t)) , p = (a, b)T et la fonction
est dfinie par
p
p

y 1 (t) + bp2gy1 (t) + a.sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|
=
.
y 2 (t) + b 2gy2 (t) a.sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(4)
Le systme des bacs deau est donc un systme inversible (de degr relatif 1).
Dans ce papier, nous nous intressons au problme destimation des paramtres
de systmes inversibles non linaires, dcrits par (1), dans un contexte "en aveugle",
cest--dire o les entres ne sont pas mesures [AKH 03]. Seules les sorties y (t) sont
mesures et des hypothses statistiques faibles sur les entres inconnues sont mises
(comme lindpendance).
Par exemple, considrons lexemple 1 o seules les sorties (y1 , y2 ) sont mesures.
Si lhypothse dindpendance des entres (u1 , u2 ) est raliste, les paramtres (a, b)
pourraient tre estims uniquement partir de la connaissance des sorties, sans aucune
autre mesure.
Notons que pour ce problme o linformation initiale est pauvre, notre objectif est, dans un premier temps, de nous intresser lidentifiabilit des paramtres
"en aveugle" (i.e. sans la connaissance des entres). Nous poursuivrons ce papier en
proposant une mthode destimation de p prouvant ainsi que la connaissance des entres nest pas toujours ncessaire lidentification ; des hypothses statistiques faibles
peuvent suffire.

1.1. Hypothses sur les signaux

Afin de rsoudre ce problme destimation en aveugle, nous mettons des hypothses statistiques Hi sur le vecteur dentres u (t). Lensemble de ces hypothses
M = {Hi } est appel modle (statistique) dentres pour u (t). Par la suite, on notera
abusivement u M.
tant donn un systme inversible (1) et un modle dentres M, le problme destimation en aveugle consiste caractriser lensemble des paramtres solutions suivant :
n

o
p P| p, y (t) , . . . , , y(r) (t) M .
(5)
Dans ce papier, nous considrons uniquement le modle dentres nots MIs =
{H1 , H2 } o les hypothses Hi sont dfinies par :
H1 = "Le vecteur dentres u appartient S n , o S est lensemble des signaux alatoires stationnaires, ergodiques et lisses".

Nom de la revue ou confrence ( dfinir par \submitted ou \toappear)

H2 = "Le vecteur dentres u est composantes indpendantes".

Remarque 2 Si u satisfait H1 , alors u,
u,. . . , u(k) , . . . appartiennent galement
n
S . Notons que cette hypothse nimplique pas que le vecteur dobservations y appartienne S n . Par exemple, si le systme (1) est instable, y est non stationnaire et
ne peut donc pas appartenir S n .

1.2. Fonctions destimation

Une fonction destimation [CAR 97] est une fonction vectorielle de S n dans Rq
dont les composantes font intervenir des moments statistiques. Par exemple, la fonction
2
RR

R
h:
(6)
(u1 , u2 ) E(u1 u2 ) E(u1 )E (u2 )
est une fonction destimation. Ces fonctions sont construites de faon sannuler
lorsque les hypothses statistiques du modle dentres M sont satisfaites. Par exemple,
si les signaux dentres u1 et u2 sont supposs dcorrls, la fonction destimation (6)
peut tre utilise.
Le problme destimation
de paramtre
en aveugle se formalise de la manire sui

vante : Soient u = p, y, ..., y(r) un modle paramtrique, o y est mesur alors

que u est inconnu, et h une fonction destimation pour le modle statistique dentres M, le problme destimation de paramtres en aveugle consiste caractriser
lensemble
n

o
P = p P | h p, y, . . . , y(r)
=0 .
(7)

1.3. Fils conducteur

Dans ce papier, nous prsentons dune part la notion didentifiabilit structurelle en
aveugle, extension de lidentifiabilit structurelle dfinie par Walter et Pronzato dans
[WAL 97]. Cette nouvelle notion caractrise la possibilit destimer les paramtres
p en exploitant uniquement les sorties et un modle statistique M pour les entres.
Ainsi un systme inversible sera qualifi didentifiable en aveugle lorsque le modle
dentres M considr est suffisamment riche pour retrouver le vecteur des paramtres
de faon unique.
Ensuite, nous prsentons une nouvelle mthodologie pour rsoudre le problme
destimation de paramtres en aveugle pour des systmes inversibles, linaires ou non.
Loriginalit de la mthodologie propose repose sur lutilisation conjointe de rsultats
peu connus (et par consquent peu exploits) sur les drives de signaux alatoires et
de lanalyse par intervalle comme outils de rsolution [JAU 01].
Nous supposons quil nexiste aucun bruit de mesure. Ainsi, le vecteur des sorties

Titre abrg de larticle ( dfinir par \title[titre abrg]{titre})

y (t) et ses drives y(i) (t) sont connus. Toutefois, mme dans ce cadre idal o y (t)
et ses drives y(i) (t) sont connues, il nexiste, notre connaissance, aucune mthode
gnrale pour estimer p.
Remarque 3 Notons que lidentification de p implique la connaissance de u via la
fonction et les signaux y(i) connus (voir lgalit (1)). Le problme destimation
de paramtres en aveugle prsente donc de fortes similitudes avec le problme de
sparation aveugle de sources qui consiste estimer les signaux dentres u partir
de lobservation de mlanges de ces signaux et laide dhypothses statistiques sur
ces derniers [JUT 91, COM 94, BEL 95, CAR 96, HYV 01, CIC 02].
Ce papier sorganise de la manire suivante. Dans la section 2, nous commenons
par noncer les principales proprits de lindpendance statistique qui seront exploites dans la suite. Dans la section 3, nous formalisons le concept didentifiabilit en
aveugle et prsentons des conditions didentifiabilit en aveugle de systmes inversibles paramtrs. La section 4 prsente la mthodologie de rsolution propose dans
ce papier. Cette mthode repose sur la construction de fonctions destimation adaptes au modle dentres M considr. Ces fonctions destimation, qui exploitent les
rsultats de la section 2, ont pour rle de traduire en terme dquations les hypothses
statistiques du modle dentres. Rappelons que nous nous intresserons uniquement
aux fonctions destimation pour le modle dentres indpendant, not MIs . Enfin,
dans la section 5, nous proposons une simulation illustrant notre dmarche afin destimer en aveugle les paramtres du systme inversible non linaire de lexemple 1.
2. Quelques rsultats concernant les signaux alatoires indpendants
Le problme destimation de paramtres en aveugle mettant en jeu des hypothses
statistiques sur les signaux dentres inconnues, nous commenons par introduire les
proprits essentielles du modle dentres MIs exploit dans ce papier. Ces proprits seront utilises afin, dune part, dtablir des conditions didentifiabilit en aveugle
et, dautre part, de construire des fonctions destimation adaptes en vue de lidentification des paramtres.
Cette partie rappelle quelques dfinitions et rsultats concernant les drives de signaux alatoires issues de [GUI 80, BLA 81, PIC 89]. Afin dviter dalourdir les notations, les rsultats prsents concernent uniquement des vecteurs de deux signaux
T
altaoires u = (u1 , u2 ) . La gnralisation aux vecteurs de n signaux alatoires
T
u = (u1 , . . . , un ) ne prsente aucune difficult. Commenons par noncer la dfinition de lindpendance de signaux alatoires.
Dfinition 1 Soit F lensemble des fonctions dfinies de RR dans R. Les signaux
alatoires u1 et u2 sont statistiquement indpendants si f1 , f2 , F , les variables
alatoires x1 = f1 (u1 ) , x2 = f2 (u2 ) sont statistiquement indpendantes, i.e.
px1 ,x2 = px1 px2 ,

(8)

Nom de la revue ou confrence ( dfinir par \submitted ou \toappear)

avec pxi et px1 ,x2 , respectivement, les densits de probabilit marginales et conjointe
des variables alatoires xi .
Dans la suite, lindpendance de deux signaux alatoires u1 , u2 et deux variables
alatoires x1 , x2 sera respectivement not Is (u1 , u2 ) et Iv (x1 , x2 ).
Maintenant, la proposition suivante prsente lensemble des fonctions qui conservent
lindpendance statistique.
Proposition 1 Soient F lensemble des fonctions dfinies de RR valeurs dans RR et
(u1 , u2 ) deux signaux alatoires, on a
Is (u1 , u2 ) g1 , g2 F, Is (g1 (u1 ) , g2 (u2 )) .

(9)

Preuve : () Soient g1 , g2 F. Daprs la dfinition 1,

Is (g1 (u1 ) , g2 (u2 )) f1 , f2 F , Iv (f1 (g1 (u1 )) , f2 (g2 (u2 ))) .

(10)

Pour f1 , f2 F, dfinissons les fonctions h1 et h2 telles que

RR

R
, i = 1, 2.
hi :
ui (t) fi (gi (ui (t)))
Sachant que Is (u1 , u2 ) et hi F, on a Iv (h1 (u1 ) , h2 (u2 )), i.e.
Iv (f1 (g1 (u1 )) , f2 (g2 (u2 ))). Daprs (10), on obtient Is (g1 (u1 ) , g2 (u2 )).
() Trivial avec g1 = g2 = Id.
Exemple 2 Les deux fonctions suivantes

RR
RR
g1 :
2
u (t) 7 u (t) + exp (u (t))

RR
7 cos (u (t))
(11)
appartenant F, on a Is (u1 , u2 ) Is (u21 + exp (u 1 ) , cos (u2 )).
et g2 :

RR
u (t)

Remarque 4 Soient u un signal alatoire et g1 , g2 deux fonctions de F, on a

u1 = g1 (u)
u1 et u2 sont dpendants.
u2 = g2 (u)

(12)

3. Lidentifiabilit structurelle en aveugle

Dans cette partie, nous dfinissons la notion didentifiabilit (structurelle) en aveugle
dun systme paramtr. Cette nouvelle notion, la diffrence de lidentifiabilit structurelle [WAL 97, OLL 90], caractrise les chances de succs de lestimation aveugle
de paramtres dun systme. En effet, avant mme de rsoudre de manire numrique
le problme destimation en aveugle, se pose la question de lunicit des paramtres
solutions. En dautres termes, les hypothses M sur les entres sont-elles suffisamment riches pour conduire une estimation unique des paramtres ? Dans cette partie,
nous allons tablir des conditions didentifiabilit en aveugle pour le modle particulier MIs que nous illustrons sur des exemples simples.

Titre abrg de larticle ( dfinir par \title[titre abrg]{titre})

3.1. Dfinition

Considrons un systme paramtr inversible de la forme u = p, y, y,

. . . , y(r)
et un modle statistique M pour les entres u (i.e. u M).

Dfinition 2 Le systme inversible u = p, y, y,

. . . , y(r) est identifiable en aveugle
selon le modle dentre M si, p? P, on a

?
p , y, . . . , y(r) M
= p
= p? ,
(13)
p
, y, . . . , y(r) M
En dautres termes, pour un systme est
en aveugle, il suffit de trouver
identifiable(r)
M pour que le vecteur p

un vecteur de paramtres p
tel que u
= p
, y, . . . , y
ainsi obtenu soit une estime de p? . Notons que la notion didentifiabilit en aveugle
est dfinie relativement un modle dentres M.

3.2. Lidentifiabilit en aveugle selon le modle dentres indpendantes MIs

Dans ce paragraphe, nous proposons des conditions didentifiabilit en aveugle
selon le modle dentres MIs de systmes inversibles paramtrs. Nous allons voir
que ces nouvelles conditions didentifiabilit en aveugle permettent de tester algbriquement lidentifiabilit en aveugle dun systme inversible. Nous illustrerons ces
rsultats sur des exemples simples.
3.2.1. Prliminaires
?
Afin de simplifier la comprhension,
nous allons
,p),
?
introduire le systme,
not H(p
?
(r)
(r)
qui associe lentre u = p , y, . . . , y
), lentre u
= p
, y, . . . , y
)
(voir figure 2). Plus formellement, pour un systme inversible donn, le systme H(p? , p
est dfini comme suit
R
R
RR
) :
(14)
H(p? , p
?
u
7 u

avec u? = p? , y, . . . , y(r) et u
= p
, y, . . . , y(r) .

).
Figure 2. Systme H(p? , p
Ce systme
sobtienten deux tapes : Tout dabord, il faut inverser le systme

u? = p? , y, . . . , y(r) afin dobtenir une expression de la sortie y (il est toujours

Nom de la revue ou confrence ( dfinir par \submitted ou \toappear)

possible dexprimer les entres en fonction des sorties).

Ensuite, il convient dinjecter

= p
.
y dans le second systme u
, y, . . . , y(r) pour obtenir u
) dun systme inverLexemple suivant illustre la construction du systme H(p? , p
sible donn.
Exemple 3 Considrons le systme inversible des bacs deau de lexemple 1 dcrit
par les quations (4). On a

p
p
u?1 (t) = y 1 (t) + p?2 p2gy1 (t) + p?1 sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|
u?2 (t) = y 2 (t) + p?2 2gy2 (t) p?1 sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(15)

et
p
p
u
1 = y 1 (t) + p2 p2gy1 (t) + p1 sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|
u
2 = y 2 (t) + p2 2gy2 (t) p1 sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(16)
) est donc
Lexpression du systme H(p? , p

p
p

y 1 (t) = p?2 p2gy1 (t) p?1 sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)| + u?1 (t)

?
?
y 2 (t) = p?2 2gy2 (t) +
pp1 sign (y1 (t) y2?(t)) 2g |y1 (t) y2 (t)|
p + u2 (t)
?
?

u
= u1 (t) + (
p2 p2 )p2gy1 (t) + (
p1 p1 )sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|

1
u
2 = u?2 (t) + (
p2 p?2 ) 2gy2 (t) + (p?1 p1 )sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(17)
est la sortie.
Il sagit dun modle dtat o y est ltat, u? est lentre et u

) peut tre vue comme le "transfert" entre les entres engenLe systme H(p? , p
. Lintroduction
dres par les paramtres p? et celles engendres par les paramtres p
de ce systme nous permet dobtenir une condition ncessaire et suffisante didentifiabilit en aveugle selon le modle dentres indpendantes.
3.2.2. Conditions didentifiabilit en aveugle selon le modle dentres
indpendantes MIs
Dans ce paragraphe, nous prsentons une condition didentifiabilit en aveugle
selon le modle dentres indpendantes.

Thorme 1 Le systme u = p, y, . . . , y(r) est identifiable en aveugle selon

le modle dentres indpendantes si et seulement si, p? P, on a limplication
suivante
) est dcoupl 1 = p
H(p? , p
= p? .
1. Un systme est dcoupl si et seulement si chaque sortie ne dpend que dune et une seule
entre et rciproquement.

Titre abrg de larticle ( dfinir par \title[titre abrg]{titre})

Preuve : Commenons par montrer lquivalence suivante

) est dcoupl H(p? , p
) F.
H(p? , p

(18)

) qui lie lentre u? et la sortie u

conserve lindSupposons que le systme H(p? , p
) F (voir Proposition 1), on a
pendance, i.e. H(p? , p
u
i = hi (u? ),
avec hi F. Or, daprs la contrapose de (12) (voir remarque 4), on en dduit que
) est dcoupl.
u
i = hi (u?j ), cest--dire que le systme H(p? , p
) est dcoupl, alors il conserve lindpendance
Si on suppose que le systme H(p? , p
de faon triviale.
Par consquent, lquivalence (18) est vrifie.
Maintenant, dmontrons le thorme 1.

() Supposons que le systme u = p, y, . . . , y(r) soit identifiable en aveugle

selon le modle dentres indpendantes, cest--dire

?
u = p? , y, . . . , y(r)
MIs

p
= p? .
(19)
u
= p
, y, . . . , y(r) MIs
La contrapose de cette limplication nous donne
?

/ MIs
u = p? , y, . . . , y(r)
ou
p
6= p?
.

u
= p
, y, . . . , y(r)
/ MIs

(20)

) est le systme qui lie les entres u? et

Or, par dfinition de F et sachant que H(p? , p
u
, on a
?

/ MIs
u = p? , y, . . . , y(r)
)
ou
H(p? , p
/ F.
(21)

(r)
u
= p
, y, . . . , y

/ MIs
Par consquent, en combinant (20) et (21), on obtient
)
p
6= p? H(p? , p
/ F.

(22)

) F p
H(p? , p
= p? .

(23)

) F p
H(p? , p
= p? .

(24)

ou encore
() Supposons que
Par dfinition de F, on a

?
u = p? , y, . . . , y(r)
MIs

) F.
H(p? , p
u
= p
, y, . . . , y(r) MIs

(25)

10

Nom de la revue ou confrence ( dfinir par \submitted ou \toappear)

et daprs (24), on en dduit que

?
u = p? , y, . . . , y(r)
MIs p
= p? ,
(26)
(r)
, y, . . . , y
MIs
u
= p

cest--dire que le systme u = p, y, . . . , y(r) est identifiable en aveugle selon le

modle dentres indpendantes.

Nous illustrons cette condition didentifiabilit en aveugle selon le modle dentres indpendantes sur deux exemples simples.
Exemple 4 (Systme non identifiable en aveugle) Considrons le systme inversible

u1
1 p1
y1
=
(27)
u2
p2 1
y2
). Sachant que
et le modle dentres MIs et dterminons le systme H(p? , p

?
?

y1
y1
u1
u1
1 p?1
1
p?1
1

=
,
=
?
?
1p1 p2
y2
y2
1
u?2
u?2
p?2 1
p?2
) scrit
le systme H(p? , p

u
1
1
=
u
2
p2

1
?
1p?
1 p2

p1
1

?
u1
1
p?1
1
u?2
p?2
{z
}
y

u?1
p?1 + p1
.
?
u?2
1 p1 p2

1
1 p?1 p?2
|

1 p1 p?2
p?2 + p2

La condition (1) devient, p? P,

u
1
u1
1 p1 p?2 p?1 + p1
1
= 1p? p?
est dcoupl = p
= p? .
1 2
u
2
p?2 + p2 1 p?1 p2
u?2
|
{z
}
M
?

) est dcoupl si et seulement si la matrice M est diagonale ou antiOr, H(p , p

diagonale, cest--dire si et seulement si

1 p1 p?2 = 0
p?1 + p1 = 0
ou
.
?
1 p1 p2 = 0
p?2 + p2 = 0
Et, en rsolvant ces deux systmes dquations dinconnus p
, on obtient
(

p1 = p1?
p1 = p?1
2
et
.
p2 = p?2
p2 = p1?

(28)

Donc, daprs le thorme 1, le systme (27) nest pas identifiable en aveugle selon
MIs (voir solutions du systme dquations (28)).

Titre abrg de larticle ( dfinir par \title[titre abrg]{titre})

11

Exemple 5 (Systme identifiable en aveugle) Considrons le systme des bacs deau

) dfini par (17) est
de lexemple 1 dcrit par les quations (2). Le systme H(p? , p
dcoupl si chaque sortie est fonction dune seule entre, cest--dire si u?1 = g1 (
u1 )
u2 ) 2 . Pour assurer cette condition de dcouplage, u
1 ne doit dpendre ni
et u?2 = g2 (
de y2 (puisque y 2 fait intervenir u?2 ) et ni de y1 (puisque y 1 fait intervenir y 2 ). Et, de
la mme faon, u
2 ne doit pas dpendre de y1 et y2 . On doit donc avoir

p2 p?2 = 0
.
(29)
p1 p?1 = 0
= u? ). Donc, daprs le
Et donc, il faut ncessairement p1 = p?1 et p2 = p?2 (ainsi u
thorme 1, le systme (2) est identifiable en aveugle selon le modle dentre indpendantes MIs .
4. Mthode destimation en aveugle
Rappelons que la rsolution du problme destimation de paramtres en aveugle
repose sur la construction de fonctions destimation adaptes dont le rle est de traduire les hypothses statistiques M sur les signaux dentres en quations (appeles
quations destimation) du type h (u) = 0 (voir paragraphe 1.2). Ainsi, pour chaque
modle dentres M, nous allons construire une fonction destimation h adapte de
telle sorte que
u M = h (u) = 0.
(30)
et de caractriser lensemble P = {p P | h((p, y, . . . , y(r) )) = 0}.
Remarque 5 Notons que, bien que la fonction destimation h soit nulle, il est possible que les signaux u ne vrifient pas M. Trouver une fonction h de telle sorte que
la condition de suffisance pour (30) soit vrifie est un problme extrmement complexe au del de lobjectif de ce papier. Cependant, dans la mesure o les techniques
danalyse par intervalles mises en oeuvre sont garanties (aucun solution nest perdue
[JAU 01]), lensemble des zros de h est dtermin. Ainsi, si plusieurs zros pour h
sont obtenus alors que le systme considr est identifiable en aveugle (voir paragraphe 3.2.2 pour tester lidentifiabilit en aveugle), le nombre de composantes pour
h peut tre augment afin didentifier les paramtres solutions de faon unique. Inversement, considrons maintenant un systme complexe pour lequel il est impossible de
tester lidentifiabilit en aveugle de ces paramtres. Si lensemble des zros de h est un
singleton, on peut garantir (a posteriori) lidentifiabilit en aveugle des paramtres.
Dans un premier temps, nous montrerons comment de telles fonctions peuvent tre
construites dans le cas particulier du modle dentres MIs considr jusqu prsent.
Puis, pour terminer, nous approximons ces fonctions afin dobtenir une expression
analytique caractrisant lensemble solution P.
2. La condition (de dcouplage) quivalente u?2 = g1 (
u1 ) et u?1 = g2 (
u2 ) est ici impossible,
puisque u?1 dpendent explicitement de u
1 et u?2 de u
2 .

12

Nom de la revue ou confrence ( dfinir par \submitted ou \toappear)

4.1. Fonction destimation pour le modle dentres indpendantes MIs

Commenons par noncer quelques proprits, utilises par la suite, concernant
les moments dun vecteur de signaux alatoires stationnaires, ergodiques et lisses
u =(u1 , u2 )T S 2 .
Proposition 2 La fonction dintercorrlation des drives dun vecteur de signaux
alatoires u = (u1 , u2 )T S 2 dfinie par
(k)

u(k) ,u(`) ( ) = E(ui

i

(`)

(k)

avec k 0, ` 0, i, j {1, 2}, vrifie

(k)
(`)
(i) u(k) ,u(`) ( ) = E ui (t) uj (t )
i

(`)

(31)

si k + ` 1,

(32)

(t) uj (t )) E(ui

(t))E(uj (t )),

(ii) k1 + `1 = k2 + `2

`1 `2

u(k1 ) ,u(`1 ) ( ) = (1)

i

u(k2 ) ,u(`2 ) ( ).
i

(33)
Preuve : Voir [BLA 81]. Lide de la preuve repose sur les deux galits suivantes :
(k)

E(ui ) = 0, k 1 et u(k) u(`) ( ) = (1)

i

dk+` ui uj ( )
.
dk+`

(34)

Supposons que le modle pour les signaux dentres u soit

MIs , i.e. Is (u1 ,. . . , un ).
(k )
(k )
La drivation conservant lindpendance, on a galement Is u1 1 , . . . , un n , ki
N (voir proposition 1). Donc, pour tout entier k, l 0, on a
u(k) ,u(l) ( ) = 0.
i

(k)

(ui

(l)

et uj sont dcorrls)

Pour simplifier, nous posons = 0 afin dutiliser uniquement linfluence des drivations successives des fonctions dintercorrlation et notons u(k) ,u(l) u(k) ,u(l) (0).
i

Dautre part, en remarquant daprs la proposition 2 quil existe des relations entre
certains moments (par exemple u(2) ,uj = u(1) ,u(1) ) et dans le but dliminer ces
i

termes redondants, nous choisissons la fonction destimation suivante :

n
RR
R(q+1)(n1)

k=0,...,q
h:

u
7
u(k) ,uj
i=1,...,n1, j=i+1,...,n

o lentier q est lordre maximal de drivation des signaux dentres.

Exemple 6 Pour deux signaux dentres u1 et u2 , la fonction h dfinie par

T
h (u) = u1 ,u2 , u(1) ,u2 , u(2) ,u2
1

est une fonction destimation pour le modle dentres indpendantes MIs .

(35)

Titre abrg de larticle ( dfinir par \title[titre abrg]{titre})

13

En pratique, lentier q est choisi de faon ce que le nombre dquations destimation (les composantes de h) soit suprieur ou gal au nombre dinconnues (les
paramtres). Plus q est grand, plus le nombre dquations est grand par rapport au
nombre dinconnues, et on peut ainsi esprer obtenir une estimation robuste.
Remarquons que nous utilisons uniquement des moments dordre deux dans la fonction
destimation

(35).
Toutefois, des moments dordres suprieurs (comme par exemple
E u 3i uj , E u i u
5j , . . . ) peuvent tre ajouts [J.L 97].

4.2. Approximation des fonctions destimations

Rappelons que lensemble P est dfini par lquation vectorielle suivante (voir
lquation (7)) :

g(p) , h p, y, y,
. . . , y(r)
= 0.
Dans la pratique, il est impossible dobtenir une expression analytique de la fonction
g. En effet, si le systme est non linaire ou instable, alors le signal y est rarement
stationnaire, mme si u S n . Et, mme si les signaux sont stationnaires, les esprances statistiques ne peuvent qutre estims. Nous allons dtailler, sur un exemple
simple, comment il est possible dobtenir une estimation empirique de g.
Considrons le systme inversible dcrit par lquation suivante
u = (p, y, y)
= y + p sin y,

(36)

et supposons que la fonction destimation choisie soit h(u) = E(uu).

Sachant que u
est stationnaire (par hypothse), on a
g(p) = h (y + p sin y) ,

= E y y + py 2 cos y + p
y sin y + p2 y sin y cos y .

(37)
(38)

Dfinissons lestimateur empirique de la moyenne dun signal (stationnaire ou non)

par
N
X
def 1

E(x)
=
x(k ),
(39)
N
k=0

avec N le nombre dchantillons disponibles et la priode dchantillonnage. Par

la fonction g(p) peut tre approche par
linarit de E,
y y + py 2 cos y + p
g(p) = E(
y sin y + p2 y sin y cos y)
y y) + p(E(
y 2 cos y) + E(
y sin y)) + p2 E(
y sin y cos y).
= E(

(40)
(41)

La fonction g(p) est approxime par un polynme du second degr g(p) dont les
coefficients sont connus puisque le signal y est connu.

14

Nom de la revue ou confrence ( dfinir par \submitted ou \toappear)

5. Simulation
Dans cette partie, nous considrons le systme des bacs deau de lexemple 1. Nous
supposons que les entres inconnues u sont indpendantes (modle dentres MIs ),
puis nous construisons une fonction destimation adapte afin destimer en aveugle les
paramtres inconnus p = (a, b) partir de la mesure des sorties y.
Rappelons que le systme considr est dcrit par les quations suivantes :
p
p

u1
y 1 (t) + bp2gy1 (t) + a.sign (y1 (t) y2 (t)) p2g |y1 (t) y2 (t)|
=
.
u2
y 2 (t) + b 2gy2 (t) a.sign (y1 (t) y2 (t)) 2g |y1 (t) y2 (t)|
(42)
Pour la simulation de ce systme, nous considrons deux entres u1 et u2 indpendantes Is (u1 , u2 ) et gaussiennes Gs (u1 ) , Gs (u2 ) obtenues par filtrage dun bruit
blanc gaussien de N = 9000 chantillons avec une priode de 0.01 (voir figure 3). A
noter que par la suite, le caractre gaussien des entres nest pas exploite. Les deux
valeurs des paramtres sont p?1 = a? = 0.3 et p?2 = b? = 0.5. Les sorties correspondantes sont reprsentes sur la figure 4.

Figure 3. Reprsentation des entres

Figure 4. Reprsentation des sorties y1 (t)
u1 (t) et u2 (t) respectivement en trait
et y2 (t) respectivement en trait pointill et
pointill et continu.
continu.
Maintenant, estimons en aveugle les paramtres du systme (42). Les paramtres p
et les entres u sont considrs inconnus ; seules les sorties sont connues. Nous supposons uniquement que les entres sont indpendantes, Is (u1 , u2 ). Avant de construire
une fonction destimation pour ce modle dentres qui nous permettra destimer les
paramtres, rappelons que ce systme est identifiable en aveugle selon MIs comme
cela a t montr loccasion de lexemple 5.
Maintenant, daprs les rsultats du paragraphe 4.1, nous choisissons la fonction destimation h suivante :

u1 u2
E (u1 u2 ) E (u1 ) E (u2 )
h=
=
(43)
u 1 u2
E (u 1 u2 )
qui fournit deux quations (autant que de paramtres inconnus). Cette fonction destimation sannule lorsque les entres u1 et u2 , et u 1 et u2 sont dcorrles. A noter

Titre abrg de larticle ( dfinir par \title[titre abrg]{titre})

15

que nous nous plaons ici dans la situation limite o lon dispose dautant dquations
que dinconnus, toutefois, il est clair que nous pouvons ajouter des composantes supplmentaires la fonction h afin damliorer lestimation et ainsi exploiter plus en
profondeur lhypothse dindpendance.
Par une dmarche similaire au paragraphe 4.2, la condition h(u) = 0 peut tre approxime par

1 u2 ) E(u
1 )E(u
2) = 0
E(u
(44)
u 1 u2 )
E(
= 0
Daprs les quations (42) et sachant que

gby 1 (t)
gay 1 (t)
+p
,
u 1 (t) = y1 (t) + p
2y1 (t)
2 |y1 (t) y2 (t)|

(45)

on obtient
1)
E(u

p
y 1 ) + b2g E(
y1 ) + a2g E(sign

E(
(y1 y2 ) |y1 y2 |),

2)
E(u

p
y 2 ) + b2g E(
y2 ) a2g E(sign

E(
(y1 y2 ) |y1 y2 |),

1 u2 )
E(u

p
y 1 y 2 ) + b2g E(
y 2 y1 + a2g E(
y 2 sign (y1 y2 ) |y1 y2 |)
= E(

y 1 y2 ) + 2gb2 E(

+ 2gbE(
p y1 y2 )

+2gabE(sign
(y1 y2 ) yp
2 |y1 y2 |)

a 2g E(y 1 sign (y1 y2 ) |y1 p
y2 |)

1 y2 |),
ab 2g E(
2gy1 sign (y1 y2 ) 2g |y1 y2 |) 2a2 g E(|y

ga
1 y 2
y1 y 2 ) + gb E(
y
y 1 y 2
= E(
y1 y2 )
2
y1 ) + 2 E( |y1 y2 | ) + b 2g E(
q
q
y2
y 1 y2 ) + gabE(
y 1
+b2 g E(
)
y1
p |y1 y2 |

a 2g E(
y1 sign (y1 y2q
) |y1 y2 |)
2|

y 1 sign (y1 y2 )).

agbE(y 1 sign (y1 y2 ) |y1yy
) ga2 E(
1
(46)
Le systme dquations (44) est compos de deux quations non linaires dinconnues

a et b dont les coefficients (y 1 y 2 , y1 , y 2 , . . . ) dpendent de N . Nous avons rsolu ce

systme pour diffrentes valeurs de N en utilisant une mthode danalyse par intervalles (voir [JAU 01], [MOO 79]). Pour chaque N , nous trouvons un unique vecteur
solution p
(N ). Le tableau (5) reprsente lerreur quadratique moyenne destimation
pour diffrentes valeur de N . On peut vrifier que p
(N ) tend vers p , la valeur exacte
des paramtres, lorsque N augmente.

u 1 u2 )
E(

6. Conclusion
Dans cet article, nous nous sommes intresss au problme destimation de paramtres dun systme lorsque ses entres sont inconnues. Prcisons que, dans ce

16

Nom de la revue ou confrence ( dfinir par \submitted ou \toappear)

N
2
(
p1 (N ) p1 )
2
(
p2 (N ) p2 )

100
4, 8.102
7, 8.102

600
1, 1.102
3, 5.102

1000
1, 1.102
1, 4.102

6000
104
103

10000
2, 5.105
9.105

16000
105
3.106

Tableau 1. Erreur quadratique moyenne destimation en aveugle des paramtres

partir de lhypothse dindpendance.

contexte difficile, notre objectif nest pas de fournir une estimation robuste des paramtres, mais simplement de montrer que ce problme, basiquement considr insoluble, peut tre rsolu en utilisant des hypothses faibles sur les entres. Lintrt de
ces hypothses faibles est quelles sappliquent pour une grande gamme de signaux et
donc de problmes.
Dans un premier temps, aprs avoir prsent quelques rsultats gnraux sur les drives de signaux alatoires, nous avons introduit la notion didentifiabilit en aveugle
selon un modle dentre. Cette nouvelle notion, fortement inspire de lidentifiabilit
structurelle, caractrise les chances de succs de lidentification des paramtres sans
connatre les entres. Nous avons, en particulier, tudi le deux modle dentres indpendantes, pour lequel nous avons tabli des conditions formelles didentifiabilit
en aveugle.
Dans un second temps, nous avons propos une dmarche originale de rsolution du
problme destimation en aveugle pour une grande classe de systme paramtr (incluant les systmes plats). Notre mthode de rsolution repose sur la construction de
fonctions destimation qui permettent destimer les paramtres. En particulier, lutilisation des moments des signaux et de leurs drives permet dintroduire (en thorie)
un nombre arbitraire dquations et destimer les paramtres de faon aveugle.
Ainsi, bien que les entres et les paramtres du modle soient inconnus, nous avons
montr quuniquement partir dhypothses statistiques sur ces dernires, lestimation
des paramtres tait possible. Malheureusement, nous ne sommes pas encore capables
de prsenter des conditions rigoureuses de ce rsultat nouveau dans la mesure o il
existe sans doute des distributions de signaux dentres pathologiques pour lesquelles
les fonctions destimation choisies se rvlent inadaptes. Par exemple, les composantes de la fonction destimation peuvent tre linairement dpendantes faisant ainsi
chouer notre mthode.
Toutefois, la mthode de rsolution que nous proposons utilise des techniques danalyse par intervalles qui ont lavantage tre globales et garanties. Ainsi, bien quaucune
preuve dunicit des paramtres ne soit donne, notre mthode fournit lensemble des
paramtres compatibles (avec la fonction destimation choisie). Lintrt de lutilisation des outils danalyse par intervalles est majeur puisque, mme dans le cas o
lidentifiablilit en aveugle dun systme ne peut tre teste (par exemple pour des
systmes complexes), lanalyse par intervalles nous donne une information a posteriori sur lidentifiabilit en aveugle du systme. En effet, si une unique solution est
obtenue (comme ces le cas dans de lexemple prsent), alors le systme considr
est, sans aucun doute, identifiable en aveugle selon le modle fix.

Titre abrg de larticle ( dfinir par \title[titre abrg]{titre})

17

Pour conclure, prcisons que notre mthode de rsolution (qui exploite autant dquations que dinconnues) nest clairement pas robuste. En effet, lorsque les sorties sont
bruites, lorsque le nombre dchantillons est faible, lorsque le modle nest pas parfaitement connu (e.g. lordre r est inconnu) ou lorsque les signaux dentres sont non
stationnaires, la mthode propose ne conduit pas une estimation efficace des paramtres. En perspectives, il serait donc intressant de raliser une tude de robustesse
en particulier de vrifier que lorsque les sorties sont bruites ou lorsque peu dchantillons sont disponibles, lestimation des paramtres est encore possible moyennant
lajout dquations supplmentaires.

7. Bibliographie
[AKH 03] A KHENAK A., C AHLDI M., M AQUIN D., R AGOT J., Sliding mode multiple observer for fault detection and isolation , 42nd IEEE Conf. on Decision and Control, vol. 1,
Hawaii, USA, december 2003, p. 953-958.
[BEL 95] B ELL T., S EJNOWSKI T., An Information-Maximization Approach to Blind Separation and Blind Deconvolution , Neural Computation, vol. 7, 1995, p. 1004-1034.
[BLA 81] B LANC -L APIERRE A., P ICINBONO B., Fonctions Alatoires, Masson, Paris, 1981.
[CAR 96] C ARDOSO J. F., L AHELD B., Equivariant Adaptive Source Separation. , IEEE
Transactions on Signal Processing, vol. 44, no 12, 1996, p. 3017-3030.
[CAR 97] C ARDOSO J. F., Infomax and Maximum Likelihood for Blind Source Separation , IEEE Signal Processing Letters, vol. 4, no 4, 1997, p. 112-114.
[CIC 02] C ICHOCKI A., A MARI S., Adaptative Blind Signal and Image Processing : Learning
algoritms and applications, John Wiley, 2002.
[COM 94] C OMON P., Independent Component Analysis, a new concept ? , Signal Processing, vol. 36, no 3, 1994, p. 287314.
[FLI 95] F LIESS M., L VINE J., M ARTIN P., ROUCHON P., Flatness and defect of non linear
systems : Introductory theory and examples , Int J. Control, no 61, 1995, p. 1327-1361.
[GUI 80] G UIKHMAN I., S KOROKHOD A., Introduction la thorie des processus alatoires,
Editions Mir, 1980.
[HYV 01] H YVARINEN A., K ARHUNEN J., O JA E., Independent Component Analysis, John
Wiley, 2001.
[JAU 01] JAULIN J., K IEFFER M., D IDRIT D., WALTER E., Applied Interval Analysis, Springer, 2001.
[JAU 05] JAULIN L., Reprsentation dtat pour la modlisation et la commande des systmes,
Herms - Lavoisier, 2005.
[J.L 97] J.L. L ACOUME P. A., C OMON P., Statistiques dordre suprieur pour le traitement
du signal, Masson dition, 1997.
[JUT 91] J UTTEN C., H RAULT J., Blind Separation of Sources, Part I : an adaptative Algorithm Based on Neuromimetic Architecture , IEEE Transactions on Signal Processing,
vol. 24, 1991, p. 110.
[MOO 79] M OORE R., Methods and Applications of Interval Analysis, Society for Industrial
and Applied Mathematics, Philadelphia, 1979.

18

Nom de la revue ou confrence ( dfinir par \submitted ou \toappear)

[OLL 90] O LLIVIER F., Le problme de lidentifiabilit structurelle globale : approche thorique, mthodes effectives et bornes de complexit , PhD thesis, Ecole Polytechnique,
1990.
[PIC 89] P ICINBONO B., Thorie des signaux et des systmes, Dunod, 1989.
[WAL 97] WALTER E., P RONZATO L., Identification of parametric models from experimental
data, Springer, 1997.