🔢 mathematics

The uncertainty principles of random signals related to the linear canonical transform

Cet article établit les principes d'incertitude de Heisenberg et de Donoho-Stark pour les signaux aléatoires dans le cadre de la transformée canonique linéaire (LCT), démontrant que les paramètres de la LCT offrent une plus grande flexibilité que la transformée de Fourier traditionnelle pour caractériser la concentration des signaux.

Auteurs originaux : Jia-Yin Peng, Bing-Zhao Li

Publié 2026-06-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Jia-Yin Peng, Bing-Zhao Li

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de décrire un nuage de fumée complexe et changeant. Parfois, la fumée est épaisse en un point, et parfois, elle s'étale. Maintenant, imaginez que cette fumée n'est pas seulement un nuage unique, mais un nuage aléatoire qui change de forme chaque fois que vous le regardez, comme un nuage qui se comporte différemment selon le vent ou la température.

Ce document traite d'une règle mathématique pour comprendre ces « nuages aléatoires » (signaux aléatoires) lorsque nous les observons à travers une lentille spéciale et flexible appelée la Transformée Canonique Linéaire (LCT).

Voici la décomposition des idées principales du document en utilisant des analogies simples :

1. Le Problème : Le compromis du « Brouillard »

Dans le monde des signaux (comme le son ou les ondes radio), il existe une règle célèbre appelée le Principe d'Incertitude. C'est comme essayer de prendre une photo d'une voiture de course.

Si vous utilisez une vitesse d'obturation rapide, vous obtenez une image nette de la position de la voiture (le temps), mais vous ne pouvez pas déterminer sa vitesse (la fréquence).
Si vous utilisez une vitesse d'obturation lente pour voir la vitesse (la fréquence), la voiture devient un flou, et vous perdez sa position exacte.

On ne peut pas avoir une clarté parfaite dans les deux cas en même temps. Ce document demande : Que se passe-t-il si la voiture elle-même est imprévisible ? Et si la voiture était un « signal aléatoire » qui change de comportement chaque fois que vous essayez de la mesurer ?

2. L'Outil : La « Lentille de Zoom Magique » (LCT)

Habituellement, les scientifiques utilisent une lentille standard appelée la Transformée de Fourier pour observer les signaux. C'est comme un zoom fixe qui ne montre que la vitesse ou la position, mais pas les deux de manière optimale.

Les auteurs utilisent une Transformée Canonique Linéaire (LCT). Considérez la LCT comme une lentille de zoom magique et ajustable.

Vous pouvez tourner un cadran sur cette lentille (en changeant les paramètres $a, b, c, d$ ).
Selon la façon dont vous tournez ce cadran, la lentille peut vous montrer un mélange de temps et de fréquence, ou se concentrer sur des motifs spécifiques.
Le document montre que, parce que cette lentille est ajustable, elle nous donne plus de liberté pour gérer le compromis entre le temps et la fréquence que la lentille standard.

3. La Première Découverte : La règle du « Brouillard Aléatoire » (Incertitude de Heisenberg)

Les auteurs ont développé une nouvelle version du principe d'incertitude pour ces nuages aléatoires.

L'Ancienne Règle : Pour un signal prévisible, le produit du « flou temporel » et du « flou de fréquence » a un plancher fixe. On ne peut pas être plus net qu'une certaine limite.
La Nouvelle Règle : Pour les signaux aléatoires, cette limite n'est pas seulement un nombre fixe. Elle dépend de deux choses :
1. À quel point le signal est « aléatoire » (son chaos interne).
2. La façon dont vous réglez les cadrans de votre lentille magique (les paramètres de la LCT).

L'Analogie : Imaginez essayer de deviner la forme moyenne d'un nuage qui change chaque seconde. Le document prouve que le « flou » de votre estimation dépend de l'agitation du nuage (l'aléa) et de l'angle spécifique sous lequel vous le regardez (les réglages de la LCT). Si vous choisissez le bon angle, vous pouvez réellement réduire le flou plus efficacement qu'avec la lentille standard.

4. La Deuxième Découverte : La règle de la « Pièce de Puzzle » (Incertitude de Donoho-Stark)

La deuxième partie du document traite d'un type de limite différent. Imaginez que vous avez un puzzle, mais que certaines pièces manquent.

La Question : Un signal aléatoire peut-il être compressé dans une toute petite boîte en « temps » ET dans une toute petite boîte en « fréquence » en même temps ?
La Réponse : Non. Le document prouve que si vous essayez de forcer un signal aléatoire à être très petit dans les deux domaines simultanément, cela échouera.
Le Rebondissement : La taille des boîtes que vous pouvez utiliser dépend de la probabilité que le signal se comporte d'une certaine manière. Il ne s'agit pas seulement de la taille de la boîte ; il s'agit de la probabilité que le signal se trouve dans cette boîte.

L'Analogie : Si vous avez un nuage aléatoire, vous ne pouvez pas dire : « Il sera certainement dans ce petit coin du ciel ET dans ce petit coin de la carte des vents. » Le document donne une formule pour le plus petit « coin » que vous pouvez revendiquer, lequel change en fonction du comportement du nuage aléatoire et de la façon dont vous réglez votre lentille magique.

5. Le Bénéfice : Réparer les Signaux Endommagés

Le document se termine en montrant comment ces règles aident à réparer les signaux endommagés.
Imaginez que vous essayez de reconstruire une chanson, mais que certaines parties de l'enregistrement sont manquantes ou couvertes de parasites (bruit).

Parce que les auteurs connaissent exactement les limites de la « petitesse » d'un signal dans le temps et la fréquence (grâce aux règles ci-dessus), ils peuvent prouver que si les parties manquantes ne sont pas trop importantes, la chanson originale peut être reconstruite de manière unique et sécurisée.
Ils montrent que l'utilisation de la lentille ajustable LCT facilite la récupération de ces signaux par rapport à la lentille standard, car la LCT offre plus de flexibilité pour adapter le signal aux données disponibles.

Résumé

En bref, ce document prend la règle célèbre selon laquelle « on ne peut pas tout savoir à la fois » et la met à jour pour les signaux aléatoires et imprévisibles. Il introduit une lentille flexible et ajustable (LCT) qui permet aux scientifiques de :

Calculer exactement à quel point un signal aléatoire sera flou.
Déterminer la plus petite « boîte » dans laquelle un signal peut entrer.
Prouver que nous pouvons reconstruire les parties manquantes de signaux aléatoires plus efficacement en utilisant cette lentille flexible.

Le point clé est que l'aléa ajoute une nouvelle couche de complexité, mais en utilisant les bons outils mathématiques (la LCT), nous pouvons toujours prédire et contrôler ces signaux mieux qu'auparavant.

Résumé Technique : Principes d'Incertitude des Signaux Aléatoires liés à la Transformée Canonique Linéaire

Énoncé du Problème
Les principes d'incertitude sont des outils fondamentaux en analyse harmonique et en traitement du signal, caractérisant l'échange entre la localisation d'un signal dans le domaine temporel et son domaine fréquentiel. Bien que le Principe d'Incertitude de Heisenberg (PIH) et le Principe d'Incertitude de Donoho-Stark (PDST) soient bien établis pour les signaux déterministes et aient été étendus aux signaux aléatoires dans le domaine de la Transformée de Fourier (TF), il existe une lacune dans le cadre théorique concernant les signaux aléatoires dans le domaine de la Transformée Canonique Linéaire (TCL). Les signaux du monde réel présentent souvent des caractéristiques à la fois non stationnaires et des variations aléatoires dues aux perturbations environnementales ou au bruit de mesure. La TCL, qui généralise la TF et la Transformée de Fourier Fractionnaire (TFF), offre une plus grande flexibilité grâce à la sélection de paramètres pour l'analyse de tels signaux. Cependant, les bornes d'incertitude pour les signaux aléatoires spécifiquement dans le cadre de la TCL n'avaient pas été rigoureusement formulées.

Méthodologie
Les auteurs abordent ce problème en formulant la TCL de signaux aléatoires sur un espace de probabilité $(\Omega, \mathcal{F}, P)$ . Un signal aléatoire est défini comme $f(t, \eta) = \psi(t, \eta)e^{j\theta(t, \eta)}$ , où $\eta$ représente le paramètre aléatoire. La méthodologie procède en trois étapes principales :

Formulation Mathématique : L'article définit la TCL, la TFF et la TF pour les signaux aléatoires, établissant les définitions nécessaires pour les valeurs moyennes et les variances (durée) dans le domaine de la TCL.
Dérivation du PIH : En utilisant les propriétés du noyau de la TCL et le théorème de Parseval, les auteurs dérivent une identité pour la variance de la fréquence de la TCL. En appliquant l'inégalité de Cauchy-Schwarz aux variances des domaines temporel et de la TCL, ils établissent le Principe d'Incertitude de Heisenberg pour les signaux aléatoires.
Dérivation du PDST : Les auteurs emploient la théorie des opérateurs, définissant spécifiquement des opérateurs de limitation temporelle et de limitation fréquentielle dans le domaine de la TCL. Ils calculent la norme de Hilbert-Schmidt de la composition de ces opérateurs. En utilisant la relation entre la norme d'opérateur et la norme de Hilbert-Schmidt, ils dérivent le Principe d'Incertitude de Donoho-Stark, qui relie les mesures des ensembles temporels et fréquentiels à la probabilité de leur intersection.

Contributions Clés et Résultats

Principe d'Incertitude de Heisenberg (PIH) pour les Signaux Aléatoires en TCL :
L'article établit que le produit de la variance temporelle attendue et de la variance de la fréquence de la TCL est borné par :
$E_\eta[\sigma^2_t(\eta)]E_\eta[\sigma^2_u(\eta)] \geq \frac{b^2}{4} + \left[ \int_\Omega \int_{-\infty}^{\infty} |(t - \mu_t)(at + b\partial_t\theta(t, \eta) - \mu_u)| \psi^2(t, \eta) dt dP \right]^2$
Ici, $a$ et $b$ sont des paramètres de la matrice de la TCL $A = \begin{bmatrix} a & b \\ c & d \end{bmatrix}$ . Le résultat montre explicitement que la borne d'incertitude dépend du paramètre $b$ de la TCL et du gradient de phase du signal aléatoire.
Principe d'Incertitude de Donoho-Stark (PDST) pour les Signaux Aléatoires en TCL :
Les auteurs prouvent qu'un signal aléatoire ne peut pas être simultanément concentré sur des ensembles arbitrairement petits dans les domaines temporel et de fréquence de la TCL. Plus précisément, si un signal est $\epsilon$ -concentré sur des ensembles $T$ et $U$ avec des ensembles d'événements aléatoires associés $B_T$ et $B_U$ , l'inégalité suivante est vérifiée :
$\frac{1}{2\pi|b||U||T|P(B_T \cap B_U)} \geq (1 - \epsilon_{B_T \times T} - \epsilon_{B_U \times U})^2$
Ce résultat indique que la concentration simultanée est contrainte non seulement par les mesures de Lebesgue des ensembles, mais aussi par la probabilité de l'intersection des événements aléatoires et le paramètre $b$ de la TCL.
Cas Particuliers :
L'article démontre que les résultats dérivés pour le domaine de la TCL se réduisent naturellement aux résultats connus dans le domaine de la TFF (en fixant des paramètres TCL spécifiques) et le domaine de la TF (en fixant $A = \begin{bmatrix} 0 & 1 \\ -1 & 0 \end{bmatrix}$ ).
Récupération de Signal :
Sur la base du PDST, l'article présente des résultats de stabilité pour la récupération de signaux aléatoires à partir d'observations incomplètes ou manquantes dans le domaine de la TCL. Il établit les conditions sous lesquelles une reconstruction unique et stable est possible, à condition que le produit des mesures des ensembles et la probabilité d'intersection satisfasse des bornes spécifiques par rapport au paramètre $b$ de la TCL.

Signification et Revendications
L'article affirme que ses conclusions fournissent un cadre théorique unifié pour analyser les signaux aléatoires présentant à la fois des caractéristiques non stationnaires et aléatoires. La principale importance réside dans la dépendance explicite des bornes d'incertitude vis-à-vis des paramètres de la TCL. Les auteurs déclarent que cette dépendance indique que la TCL offre une plus grande flexibilité que la transformée de Fourier standard pour contrôler l'équilibre entre la localisation temporelle et fréquentielle.

Le travail est présenté comme ayant une importance tant théorique que pratique, particulièrement pour :

Caractériser la localisation temps-fréquence des signaux aléatoires.
Faciliter la récupération de signaux aléatoires à partir d'observations incomplètes ou partiellement manquantes.

L'article ne propose pas de nouveaux montages expérimentaux ou de scénarios d'application spécifiques au-delà de ces caractérisations théoriques et garanties de récupération, maintenant l'accent sur la généralisation mathématique des principes d'incertitude au domaine stochastique de la TCL.