Upload
balzofaye
View
13
Download
1
Tags:
Embed Size (px)
Citation preview
Air Systems Division
Géométrie, médiane et diffusion de spectres de fréquences acoustiques : Ou Comment "médianiser" ou "diffuser" des morceaux de musiquesF. Barbaresco
Air Systems Division2
L’Orateur Frédéric BARBARESCO ([email protected])
Expert au département « Strategy Technology & Innovation » de la BL « Surface Radar » de la division « Air Systems » du groupe THALES (Domaine d’expertise : les senseurs radar cognitifs et le traitement avancé du signal radar, en particulier la refondation du traitement du signal radar sur la géométrie de l’information et la géométrie des matrices de covariance)
En charge de la coordination des thèses au sein de la BL Membre du THALES KTD PCC (Key Technology Domain, Processing Control & Cognition) présidé par J.F.
Marcotorchino (Directeur scientifique de THALES Land & Joint, enseignant à Paris 6) Animateur du groupe MATHERON des experts THALES en traitement d’image Membre Senior SEE, médaille Ampère 2007 et président du club SI2D (Signal, Image, Information & Décision) :
www.see.asso.fr Président du comité d’organisation de la conférence SEE Internationale COGIS (COGnitive systems with
Interactive Sensors) avec Daniel Krob (X : Chaire Thales « Systèmes Complexes ») : www.cogis2009.org Organisation de la journée 2009 SEE/Académie des Sciences «Traitement de l'information : avancées et
défis actuels » (pour les 125 ans de la SEE) : http://www.academie-sciences.fr/conferences/colloques/colloque_html/colloque_27_01_09.htm
Membre du comité d’organisation de la conférence internationale MIA (Mathematic & Image Analysis) sponsorisée par THALES et présidé par L. Cohen & G. Peyré (CEREMADE, GDR MSPC), qui aura lieu à l’Institut Henri Poincaré en Décembre 09 : http://www.ceremade.dauphine.fr/~peyre/mia09/
Membre du club des clubs des partenaires industriels des GDRs : GDR ISIS (Image Signal InformationS) : http://gdr-isis.org/ GDR ONDES : http://gdr-ondes.lss.supelec.fr/
Projet de REI DGA/MRIS « Géométrie de l’information pour le traitement des signaux matriciels » (Prof. Nielsen à l’X, Prof. Rouchon & Angulo à l’Ecole des Mines ParisTech, Prof. Marc Arnaudon à Université de Poitiers, Prof. Snoussi à l’UT Troyes, F. Barbaresco de Thales)
Activité musicale : Choriste dans formation amateur de 80 chanteurs (La Brenadienne) prochain concert Parisien « Benjamin Britten » (Rejoice in the Lamb, Jubilate Deo, Festival Te Deum
op.32, Hymn to Saint Peter)
Air Systems Division
Géométrie, médiane et diffusion de spectres de fréquences acoustiques : Ou Comment "médianiser" ou "diffuser" des morceaux de musiquesF. Barbaresco
Air Systems Division4
Préambule La théorie de la Géométrie de l'Information introduite de façon parallèle par Rao etChentsov, et la Géométrie Symplectique telle qu'introduite par Carl Ludwig Siegel permet de définir une métrique entre matrices de covariance d'une série temporelle (la matrice de covariance définissant le spectre de fréquences acoustiques présentes dans le signal). La géométrie naturelle de ces matrices de covariance symétriques (ou hermitiennes) définies positives est une géométrie Riemannienne symétrique. Il s'agit d'un espace métrique à courbure négative. Il est alors possible de calculer de façon explicite la géodésique (plus court chemin sur la variété) entre matrices de covariance. Sur la base de travaux du géomètre allemand Herman Karcher, on définit un flot de gradient qui converge vers la médiane de N matrices de covariances (appelée point de Fermat-Weber en Physique) en minimisant le critère égale à la somme desdistances géodésiques à l'ensemble des N matrices (ceci étant l'approche classique du barycentre de Fréchet qui converge vers la moyenne lorsque qu’on prend les distances aux carrés). Sur la base de ce flot et par analogie avec l'équation de diffusion de Fourier, on définie une équation de diffusion sur un graphe de matrices de covariances et cherchons via l'équation de Campbell-Hausdorff à remonter à l'équation de diffusion à temps continu.Le problème de la "médiane dans un espace métrique" est un problème plus vaste qui recouvre des liens avec les sciences sociales par exemple (redécouverte des travaux de Condorcet sur la notion de "vote médian" par J.F. Marcotorchino et P. Michaux).
Air Systems Division
Prise de mesure de l’onde acoustique
Air Systems Division6
Prise de mesure de l’onde acoustique
Spectre d’un signal Acoustique
Air Systems Division7
Prise de mesure de l’onde acoustique
Spectre d’un signal Acoustique
Air Systems Division8
Prise de mesure de l’onde acoustique
Spectre d’un signal Acoustique
nz
zZ
1
2
21
)1(
2
*
011
*1
01
*1
*10
2)(
avec
fkjn
nkkZ
kmmk
n
n
n
ecfS
zzEc
cccc
ccccc
ZZER
Air Systems Division9
Le voisinage des « choses » Comment définir la distance (et donc la géométrie associée) à deux spectres de fréquences ?
?Spectre 1 Spectre 2
Air Systems Division10
Le voisinage des « choses »
« Les animaux se divisent en : a) appartenant à l’Empereur, b) embaumés, c)apprivoisés, d) cochon de lait, e) sirènes, f) fabuleux, g) chiens en libertés, h)inclus dans la présente classification, i) qui s’agitent comme des fous, j) innombrables, k) dessinés avec un pinceau très fin en poil de chameau, l) et cetera, m) qui viennent de casser la cruche, n) qui de loin semblent des mouches »Encyclopédie chinoise tiré d’un texte de Borges (En préface de l’ouvrage « Les mots et les choses » de Michel Foucault)
« La monstruosité que Borges fait circuler dans son énumération consiste en ceci que l’espace commun des rencontres s’y trouve ruiné. Ce qui est impossible, ce n’est pas le voisinage des choses, c’est le site lui-même où elles pourraient voisiner. … Les choses y sont ‘couchées’, ‘posées’, ‘disposées’ dans des sites à ce point différents qu’il est impossible de trouver pour eux un espace d’accueil , de définir au dessous des uns et des autres un lieu commun . … Sur quelle ‘table’ , selon quel espace d’identités, de similitudes, d’analogie, avons nous pris l’habitude de distribuer tant de choses différentes et pareilles ? »Michel Foucault « Les mots et les choses »
Air Systems Division11
Archéologie Foucaultienne« La trame sémantique de la ressemblance au XVIème siècle, est fort riche : Amicitia, Aequalitas (contractus, consensus, matrimonium, societas, pax et similia), Consonancia, Concertus, Continuum, Paritas, Proportio, Similitudo, Conjunctio, Copula . Mais il y en a quatre qui sont, à coup sûr essentielles :• La CONVENIENTIA : est une ressemblance liée à l’espace dans la forme du ‘proche en proche’. Elle est de l’ordre de la conjonction et de l’ajustement. Elle appartient moins aux choses qu’au monde dans lequel elles se trouvent.• L’AEMULATIO : sorte de convenance affranchie de la loi du lieu, qui jouerait immobile dans la distance. Les anneaux ne forment pas une chaîne comme les éléments de la convenance, mais plutôt des cercles concentriques, réfléchis et rivaux.• L’ANALOGIE : affrontement des ressemblances à travers l’espace.• le JEUX DES SYMPATHIES : nul chemin n’est déterminé à l’avance, nulle distance n’est supposée, nul enchaînement prescrit. Elle parcourt en un instant les espaces les plus vastes. Sa figure jumelle, l’antipathie maintient les choses en leur isolement et empêche les assimilations.Enfin, ll n’y a pas de ressemblance sans signature. Le savoir des similitudes se fonde sur le relevé des signatures et sur leur déchiffrement. »
« Les mots et les choses » de Michel Foucault
Air Systems Division12
Introduction Problème Le spectre des fréquences d’un signal acoustique mesuré via une série
temporelle d’échantillons est décrit via la matrice de covariance de ce vecteur de mesure.
Cette matrice de covariance est structurée et possède les propriétés de symétrie, définie positivité et le caractère Toeplitz
Si l’on cherche la « structure géométrique » inhérente à ces matrices de covariances, les sources sont doubles
Les doubles sources de la géométrie des matrices de covariance Source de la Géométrie de l’Information (Rao/Chentsov) : Si on
modélise le signal par une loi multivariée gaussienne de moyenne nulle, la métrique riemannienne est donnée par la matrice d’information de Fisher. Elle possède une propriété d’invariance par changement non-singulier de paramétrisation. Elle permet d’interpréter la métrique comme une prise en compte de la variance de la matrice de covariance qui déforme l’espace.
Source de la Géométrie Symplectique (C. L. Siegel) : Si on cherche la géométrie intrinsèque à l’espace des matrices symétriques (hermitiennes) définies positives, il peut être introduit naturellement via l’espace de Siegel (généralisation au cas matriciel de l’espace de Poincaré). Dans cette approche, on cherche les automorphismes de cet espace et la métrique qui est invariante par ces automorphismes. Nous verrons que la métrique de la géométrie de l’information est un cas particulier.
Air Systems Division13
Objectifs Objectifs : Ayant définie la métrique associée à ces matrices de covariances via les 2 sources de la géométrie de l’information et la géométrie intrinsèque, on s’intéresse aux problèmes suivants : Définition de la distance entre 2 matrices de covariances Définition de la géodésique entre 2 matrices de covariances Caractérisation du fait qu’il s’agit d’un espace symétrique à courbure
négative Calcul de la moyenne/du barycentre de N matrices de covariance Calcul de la médiane (Point de Fermat-Weber) de N matrices de
covariance Équation de diffusion de Fourier d’un graphe de Matrices Équation de diffusion anisotrope d’un graphe de Matrices Introduction d’une paramétrisation autorégressive pour conserver le
caractère Toeplitz de la matrice de covariance Modélisation variationnelle de la modélisation autorégressive Calcul de moyenne et médiane de N coefficients de réflexion dans
le disque de Poincaré
Air Systems Division14
La géométrie de l’information pour les lois multivariées gaussiennes de moyenne nulle et la géométrie différentielle intrinsèque des matrices hermitiennes définies positives (cas particulier de la géométrie des espaces de Siegel) conduit à la même métrique : Géométrie de l’information :
Géométrie du demi-plan supérieur de C.L. Siegel :
Métrique et géométrie pour les matrices de covariance
212nn dRRTrds
0Im/),( Y(Z)CnSymiYXZSH n
iYXZZdYdZYTrdsSiegel avec 112
nRiYX
.0
nn
nnnnn
RRTrn
nnn
RRE
mZmZR
eRRZp nn
ˆet
.ˆ avec
..)()/(1.ˆ1
*
2
.)/(ln)(
ji
nnij
ZpEg
0nm
212nn dRRTrds
avec
Air Systems Division15
La métrique est définie : Avantage vu de la Géométrie de l’information : métrique invariante par changement non singulier de paramétrage
Métrique tenant compte de la statistique des paramètres
Bonne métrique au sens de la géométrie de l’information 212
nn dRRTrds
)()()( 22 dswdsWw
dRddIdds
IER
..).(.et
Rao-Cramer de borne : ˆ
12
1
Air Systems Division16
La métrique est définie : Avantage vu de la Géométrie de Siegel : Les isométries de l’espace de Siegel sont données par le
groupe quotient avec le groupe symplectique :
La seule métrique invariante par est la métrique de Siegel :
Bonne métrique au sens de la géométrie des matrices 212
nn dRRTrds
nSH nIRnSpRnPSp 2/),(),(
),( FnSp
1)(
DCZBAZZM
DCBA
M
nTT
TT
IBCDADBCA
FnSpDCBA
M
symétrique et ),(
),2(0
0 , /),2(),( RnSL
II
JJJMMFnGLMFnSpn
nT
)(ZM ZdYdZYTrdsSiegel
112 iYXZ avec
nRiYX
.0
212nn dRRTrds
Air Systems Division17
La métrique est définie : Distance associée : Par intégration, on obtient :
Dans le cas général, pour l’espace de Siegel
De la métrique à la distance
212 dRRTrds
n
kkRRRRRd
1
222/112
2/1121
2 log..log,
0det 12 RR Avec
0 avec XSHiYXZ n
n
n
k k
kSiegel SHZZZZd
21
1
221
2 , avec 11
log,
Avec 0.),(det 21 IZZR
12121
1212121,
ZZZZZZZZZZR
Air Systems Division18
Utilisation dans l’art de la géométrie hyperbolique (Escher )
Air Systems Division19
Espaces de H. Poincaré et de C.L. Siegel
iyxz
dzdzyyy
dzy
dydxds -
avec
*112
2
2
222
*1*1*2
22
22
11
1
dzzzdzzzds
z
dzds
Demi-Plan supérieur de Poincare Disque de Poincaré
Demi-Plan supérieur de SiegelDisque de Siegel
iYXZdZdZYYTrds
avec
*112
*1*1*2 11 dZZZdZZZTrds
Air Systems Division20
« At one point Siegel thought that too many unnecessary things were being published, so he decided not to publish anything at all »George PolyaThe Polya Picture Album, Encounters of a Mathematician, Birkäuser
Carl Ludwig Siegelavec George Polya
iYXZZdYdZYTrdsSiegel avec 112
Elie Cartan
H. Poincaré
M. Gromov
Air Systems Division21
La géométrie du demi-plan de Siegel et le cas particulier
0Im/),( Y(Z)CnSymiYXZSH n
Demi-Plan de Siegel
X
0Y
ZdYdZYTrds 112
n
iiiZZd
1
221
2 1/1log,
kkk YiXZ .
1k
2k
212 dRRTraceds
kkkk RNWRiZ ,0 si .
1k
2k
n
kkRRd
1
221
2 log,
12121
1212121,
ZZZZZZZZZZR
0...det 2/112
2/11 IRRR
0.,det 21 IZZR
Air Systems Division22
La géodésique entre 2 matrices X et Y est donnée par :
La moyenne est définie comme barycentre au sens de Fréchet :
X
Y
Géodésique et moyenne géométrique symétrisée
2/1 2/12/12/12/1log2/1 2/12/1
)( XYXXXXeXt tYXXt
2/1log2/1
2/1..2/1
2/12/12/12/11
2/12/1
2/12/1
),(exp
),(exp
logexp)(
XeXtv
XeXtv
XYXXXVVgradv
YXXtYXX
XvXtYXX
XYX
YX
YX
2/1/21 2/12/12/12/1 XYXXXYX
YX )1(et )0( 1,0 avec t
Air Systems Division23
2/12/12/12/12/12/12/12/12/12/1
2/12/12/12/12/12/1
2/12/12/12/12/12/11
))(()(
ABAAAXBAAXAA
BAAXAAXAABAAAXAXAABXXA
moyenne géométrique symétrisée La moyenne qui apparaît est bien une matrice symétrique ou
hermitienne définie positive :
Il s’agit bien du barycentre de Fréchet, qui minimise :
On peut remarquer que quand les matrices commutent, il s’agit de la moyenne géométrique classique :
qui n’est pas symétrique définie positive Une autre façon de retrouver la moyenne géométrique « symétrisée »
consiste à la trouver comme solution de l’équation de Ricatti :
2/12/12/12/12/1 ABAAABA
22/12/122/12/1 loglog XBBXAAMin
X
2/1ABBA
Air Systems Division24
En géométrie riemannienne, un espace localement symétrique est une variété riemannienne (M,g) telle que, (localement) autour de chaque point x, il existe une symétrie σx qui inverse les géodésiques issues de x et qui est une isométrie (locale). Un espace localement symétrique est dit symétrique si les
symétries peuvent se prolonger à tout l'espace. De manière équivalente, une variété riemannienne (M,g) est dite symétrique lorsque, pour tout point x de M, il existe une isométrie σx:MM vérifiant : σx(x) = x ; dσx(x) = − Id.
Cette isométrie σx est appelée l'involution en x. Propriétés : Tout espace symétrique est une variété riemannienne
géodésiquement complète, donc complète en vertu du théorème de Hopf-Rinow. Il existe une et une unique involution en x. Le tenseur de courbure d'une variété riemannienne est parallèle.
Il s’agit d’un espace Riemannien symétrique
Air Systems Division25
Pour l’espace considéré, la géodésique entre deux matrices A et B est donnée par :
Pour l’espace symétrique des matrices symétriques ou hermitiennes définies positives, pour chaque paire (A,B), il existe une isométrie bijective qui vérifie :
et Cette isométrie a un unique point fixe Z qui est donné par le milieu
de (A,B), c’est à dire la moyenne géométrique précédemment définie :
avec
Et les propriétés : et Ceci est différent de l’approche classique en traitement du signal
qui suppose un espace normé euclidien :
avec et
Il s’agit d’un espace Riemannien symétrique
1,0 avec )( 2/1log.2/12/1 2/12/12/1 2/12/1
tAeAABAAAt BAAtt
),( BAG ),( BAG BA ),( ABG BA
ZXdXXGd BA ,2,),( )(X -1
),( BABAXG BA 2/12/12/12/12/1 ABAAABA
X- ),( BABAXG BA
2BABA
FBA
),( BABAG BA ),( IBAdG BA
Air Systems Division26
Géodésique et moyenne géométrique symétrisée
),( AGB BA
BGA BA ),( BAXBAXG(A,B)
X
2
BABA
Espace Normé : isométrie(approche traitementdu signal Classique) ),( AGB BA
BGA BA ),(
)(X -1),( BABAXG BA
X
2/1/21 2/12/12/1 ABAAABA
Espace métrique : isométrie
1,0)( 2/1 2/12/12/1
tABAAAt t
Espace Normé : Géodésique
A)0(
B)1(
A)0(
B)1(
1,0)(
tABtAt
Espace métrique : Géodésique
Courbure nulle Courbure négative
Air Systems Division27
« La Messe est dite » par Marcel Berger
• Premier Miracle :La théorie des espaces symétriques peut être considérée comme le premier miracle de la géométrie riemannienne, en fait comme un nœud de forte densité dans l’arbre de toutes les mathématiques … On doit à Elie Cartan dans les années 1926 d’avoir découvert que ces géométries sont , dans une dimension donnée, en nombre fini, et en outre toutes classées.
• Second Miracle :Entre les variétés localement symétriques et les variétés riemanniennes générales, il existe une catégorie intermédiaire, celle des variétés kählériennes. … On a alors affaire pour décrire le panorama des métriques kählériennes sur notre variété, non pas à un espace de formes différentielles quadratiques, très lourd, mais à un espace vectoriel de fonctions numériques. … La richesse Kählérienne fait dire à certains que la géométrie kählérienne est plus importante que la géométrie riemannienne.
• Pas d’espoir d’autre miracle :Ne cherchez pas d’autres miracles du genre des espaces (localement) symétriques et des variétés kählériennes. En effet, c’est un fait depuis 1953 que les seules variétés riemanniennes irréductibles qui admettent un invariant par transport parallèle autre que g elle-même (et sa forme volume) sont les espaces localement symétriques, les variétés kählériennes, les variétés kählérienne de Calabi-Yau, et les variétés hyperkählériennes.
Marcel Berger (IHES), « 150 ans de Géométrie Riemannienne »,Géométrie au 20ième siècle, Histoire et horizons, Hermann Éditeur, 2005
Plus de détail : Marcel Berger, « A Panoramic View of Riemannian Geometry », Springer 2003
M. Berger
Air Systems Division28
Problème à résoudre « Barycentre de N matrices » :
Moyenne barycentrique
Mediane (Point de Fermat-Weber)
Algorithmes de la moyenne/Médiane : critère à optimiser
N
kk
XXBXdXfX
1,arg)(arg minmin
2
N
kk
XXBXdXfX
1
22 ,arg)(arg minmin
VTBXfgrad X
N
kkX
1
12 exp)(
1
N
kk
AXBXdXfX
11 ,arg)(arg minmin
VT
BXdBXfgrad X
N
k k
kX
1
1
1 ,exp)(
nXn XfgradXn 21 .exp
NkkB 1
nXn XfgradXn 11 .exp
Air Systems Division29
Il s’agit d’un flot de gradient sur la variété Algorithme par descente de gradient
La tangente en X à la géodésique rejoignant X à Bk
La somme des tangentes en X des géodésiques de X aux
2/12/12/12/10
2/1log2/12/1 2/12/12/1
log)()(
2/12/1
XXBXXdt
tdXeXXXBXXt
ktk
k
XBXttkk
k
kkk
2/1
1
2/12/12/1
10 log )( XXBXXG
dttdG
N
kkX
N
kt
k
kX
NkkB 1
Air Systems Division30
Karcher Barycenter & Jacobi Field
2/1log2/12/1 2/12/12/1 2/12/1
)( XeXXXBXXt XBXttkk
k
2/12/12/12/10 log)( XXBXX
dttd
ktk
N
k
N
kkt
k XXBXXdt
td1
2/1
1
2/12/12/10 0log)(
1B 2B
3B
4B
5B
6B
Air Systems Division31
Médiane plus robuste que moyenne
X : moyenne
: médiane
La médiane est insensible à la présence de points aberrants tant qu’ils restent minoritaires
La moyenne est immédiatement perturbée par la présence de points aberrants
Air Systems Division32
Mediane et point de Fermat-Weber
Laplace (1774) : Laplace a appelé cette valeur « le milieu de probabilité » ou « la valeur probable ». Le terme médiane a été introduit par Cournot dans l’Exposition de la théorie des chancesen 1883.
mxEMinmediandxxPmedian
mX 5.0).(0
Air Systems Division33
Médiane de matrice
2/12/1
2/12/12/12/11
2/12/1
)(exp
logexp
XeXV
XUXXXUVXX
X
X
0detet
loglog avec1
22/12/1
2/1loglog
2/11
12/12/1
2/12/1
kn
M
iiFnkn
nXBXXBX
nn
BX
XBX
XeXX
N
k Fnkn
nkn
1
N
kk
XXBXdXfX
11 ,arg)(arg minmin
VT
BXdBXfgrad X
N
k k
kX
1
1
1 ,exp)( nXn XfgradX
n 11 .exp
Air Systems Division34
Algorithme de gradient non convergent Algorithme médian par descente de gradient
Non différentiabilité aux points de données : problème de convergence En théorie : régularisation au voisinage des points de données et
extraction diagonale (algorithme général adapté de Huiling Le, mais long d’exécution) En pratique : Assez souvent, les points donnés « entourent » la médiane :
convergence Prendre un pas voisin de la précision voulue (50 itérations
suffisent ici )
0detet
loglog avec1
22/12/1
2/1loglog
2/11
12/12/1
2/12/1
kn
M
iiFnkn
nXBXXBX
nn
BX
XBX
XeXX
N
k Fnkn
nkn
Air Systems Division35
Mediane : autre algorithme de gradient régularisé Autre Algorithme Régularisé proposé Critère de minimisation régularisé
Résolution itérative de problèmes d'optimisation convexes régularisés, dont la suite des solutions converge vers la médiane. Étape m :
Critère d’arrêt :
converge
convergeconvergeconverge
N
k Fmkm
nmknm
econvergenc
nmm
Fnmnmnm
nmXBX
XBX
nmnm
nmmm
XX
XXX
XeXX
XXX
,11
2/11,1,
2/11,1
2/1,1
log
log
2/1,11,1
,0,1
alors
log:arrêt
12/12/1
2/1,1
2/1,1
N
k km
k
Xm BXd
BXdX1
2
1 ,,argmin
Fmmm XXX 2/1
12/1
1log
Air Systems Division36
Tests sur données simuléesSpectre initial
Spectre moyen Spectre médian
Air Systems Division37
Géométrie de Kähler La géométrie d’Erich Kähler étend la géométrie
Riemannienne au domaine complexe : La forme riemannienne définie positive définissant la métrique de
Kähler est donnée par :
Condition de Kähler condition : Il existe localement une fonction potentielle de Kähler, (et les équivalentes Pluri-harmoniques) telle que :
Le tenseur de est alors donné par :
Et la courbure scalaire :
n
ji
jiji dzdzgds
1,
2 .2
jiji zzg
2
ji
lkji zz
gR
detlog2
n
lklk
lk RgR1,
.
Air Systems Division38
Modèle Autorégressif ComplexeModèle du signal : Modèle multivarié complexe circulaire :
Modèle Radar :
Modèle autorégressif complexe :
Lien avec l’algorithme de Issai Schur’s algorithm (1875-1941) [Alpay] D. Alpay, « Algorithme de Schur, espaces à noyau reproduisant et théorie
des systèmes », Panoramas et synthèse, n°6, Société Mathématique de France, 1998
nnnnnnn
RRTrn
nnn
RREmZmZR
eRRZp nn
ˆet .ˆ avec
..)()/(1.ˆ1
ki
kkkkT
nn
nnn
n
eiyxzzzZ
ZZER
m
avec
Positive Définie eHermitienn Toeplitz
nulle moyenne de processus 0
1
TNN
NNkknn
N
knkn
Nkn aaAbbEbzaz )()(
12
0,*
1
)( ...et avec
Air Systems Division39
Estimation des paramètres autorégressifs régularisés Nous utilisons l’algorithme de Burg régularisé (brevet THALES : F. Barbaresco,
« Procédé et dispositif de détermination du spectre de fréquence d’un signal », brevet n° 95 06983, Juin 1995)
)(.)1()( )1(.)()(
11 , .
1
).()2.( avec ..2)1()(1
...2)1().(2 à 1Pour : (n) .
1
)(.1ech.) nb. : (N 1 , )()()(f
:tion Initialisa .
1*
1
11
)(
)*1()1()(
)(0
221
)(
1
1
0
2)1()(21
21
1
1
1
)1()1()(*11
)0(0
1
20
00
kfkbkbkbkfkf
a
,...,n-k=aaa
a
nkakbkf
nN
aakbkfnN
MnItérationa
kzN
P
,...,N k=kzkbk
nnnn
nnnn
nn
n
nknn
nk
nk
n
nkN
nk
n
k
nk
nknn
N
nk
n
k
nkn
nk
nknn
n
N
k
Air Systems Division40
modèle autorégressif et matrice de covariance La matrice de covariance et son inverse peuvent être
paramétrée à partir des paramètres du modèle autorégressif : Structure Blocs de la matrice de covariance :
1111111
1111
....
nnnnnn
nnnn AARA
AR
111
1111111
....
nnn
nnnnnnn RAR
RAARAR
*)()(111
121 .
00100100
où 1
.0
et .1 avec VVAA
A nn
nnnnn
Air Systems Division41
Récursivité sur l’ordre de la métrique de Siegel Si on utilise la structure blocks des matrices, on peut
calculer la métrique de Siegel à l’ordre n par rapport àl’ordre n-1
Equation récursive sur la métrique de Siegel faisait apparaître la matrice de Fisher sur les paramètres autorégressifs:
On peut remarquer que le second terme s’écrit :
Ceci s’interprète en terme de géométrie de l’information
1111
2
1
121
212 ....
nnnn
n
nnnnn dARdAddsdRRTrds
1
1
111
11111
2
1
1 log0
01.
log...
n
n
nnn
nnnnn
n
n
Ad
RAddARdAd
11
111ˆ
log
nn
nnnA
A
RAIn
111
1
1
1
001loglog
nnn
n
n
n
Ri
AAZ
Extension du casGaussien scalaire(Géométrie de l’information)
Air Systems Division42
Métrique de Kähler d’un modèle autorégressif complexe Dans le cadre de la géométrie Affine de l’information, la
métrique est donnée par le Hessien de l’entropie qui joue ici le rôle du potentiel de Kähler :
L’entropie d’un modèle multivarié gaussien de moyenne nulle :
On peut choisir comme modèle de paramétrisation les coefficients de réflexion
enRRΦ logdetlog~
-RHΗΗΦg
jiij
et ~2
0
1
1
2 ..ln.1ln).(~ Penkn)(RΦn
kkn
n
kk
nnn
zn
P1
20
10
11
21
1 avec
.1
1
1
20
1
0
1 1detn
k
kn
kn
n
kknR
nn
nnnnn
RRTrn
nnn
RRE
mZmZR
eRRZp nn
ˆet
.ˆ avec
..)()/(1.ˆ1
Air Systems Division43
Erich Kähler…
L’entropie U=-logdet[R] , pour les modèles autorégressifs complexes, peut être considéré comme un potentiel de Kähler qui est paramétrisé à partir des coefficients de réflexion. Cette expression est alors la même que celle proposée par E. Kähler
« Kähler Erich, Mathematical Works », Edited by R. Berndt and O. Riemenschneider, Berlin, Walter de Gruyter, ix, 2003
Papier initial d’Erich Kähler, 1932, Hambourg
Air Systems Division44
Métrique de Kähler : cas hyper-Abelian On retrouve la métrique proposée par E. Kähler dans son
papier initial : : Kähler a nommé ce cas « hyper-Abelian » :
Autre métrique proposée par Kähler, appelé cas « hyper-fuchien » :
),(ln1ln.1
1
2 zzKzΦ D
n
kkk
,...1 1 / et
1),(Bregman deNoyau
avec1
1
2
nkzz
zzz : K
k
n
kkD
k
1 / with 1ln.1k
2
1
2n
k
n
kk zzzΦ
Air Systems Division45
On définit une métrique « Doppler » metric dans le cas de modèles autorégressifs complexes comme le Hessien d’un potentiel de Kähler, où le potentiel est donné comme dans le cas de la géométrie affine de l’information par l’Entropie:
Le potentiel de Kähler paramétré par :
La métrique associée est alors calculée :
10
1
1
2 ..ln.1ln).(~
enkn)(RΦn
kkn
Tnn
nTn
n P )()(1110
)(
20
2011
nPng 221
).(
i
ijij
ing
1
122
22
0
02
1)(.
n
ii
in
din
PdPnds
Métrique de Kähler d’un modèle autorégressif complexe
TnP 110
Air Systems Division46
Courbure scalaire du modèle autorégressif complexe
On utilise l’expression du tenseur de Ricci dans le cas de la géométrie de Kähler :
En géométrie de Kähler, le tenseur de Ricci est donné par :
Pour le cas du modèle autorégressif complexe, on obtient alors :
On en déduit le calcul de la courbure scalaire qui est négative :
ji
lkji zz
gR
detlog2
1,...,2for 1
2
12
22
20
11
nkR
PR
k
kllk
lk
lklk RgR
,.
n
n
j jnR
1
0 )(1.2
Air Systems Division47
Modèle autorégressif # métrique de Kähler-Einstein La métrique précédente n’est pas une métrique de type
Kähler-Einstein, mais une structure « matricielle » proche Une métrique est dite de Kähler-Einstein metric si son tenseur de ricci
est proportionnel à la métrique :
Dans le cas de la métrique de Kähler-Einstein, le potentiel de Kähler est solution de l’équation de Monge-Ampère :
Pour un modèle autorégressif complexe, on a :
,....,2où et
)(1.2 avec
1)(
1
0
)()(
indiagB
jnBTrRgBR
n
n
j
nij
nij
ji
ji
lklkji zz
kzz
gkgkR
2
0
2
00 .detlog
constant : avec .
holomorphefonction Kähler de Potentiel
avec )det( 02
ψ : Φ :
eg klk
Air Systems Division48
Algorithme médian sur les coefficients de réflexions 1/2On se donne , où est un n uplet des coefficients de réflexion à tous les ordres précédés du coefficient de puissance . On calcule d’abord , dans R (méthode classique de calcul du médian pour une valeur scalaire).On estime ensuite la médiane des coefficients de réflexions complexes algorithmiquement : on ramène ces coefficients du disque unité dans le demi-plan de Poincaré avec :
On note Les géodésiques sont alors des demi-cercles centrés sur l’axe des abscisses
1)()(0
)(1
)(1
)(0 ),(),...,,(
nkkkn
kkk DRPP N ,...1
HDC :1
)(
)()()(
11
kj
kjk
jk
j iz
)( )(1)( kk Cz
)))log(),...,log(),(log(exp( )(0
)2(0
)1(00
Nmedian PPPmedianeP
)(1
)(1
)( ,, kn
kk
)(0
kP
c
Air Systems Division49
Algorithme médian sur les CROn initialise l’algorithme à un point quelconque Z dans H :
A l’étape p, on se déplace selon le gradient:
où Z est l’estimé courant et ck désigne le centre de la géodésique rejoignant Z à zk.
L’entier p, initialisé à 1, décroît si l’écart entre deux itérés est moindre que 1/p.Après convergence, on retourne à :
N
kk
lp
l
kl
plk
lp
lplZ pcZ
cZzZsigneit1
)()(
)()()()()(
, /1)(
)Re(2 )()(
2)(2)()(
pl
kl
pl
klk
l ZzZz
c
TnZZZ )0(1
)0(1
)0(
avec
)Im()Re()Im(
)Re( )()(
,
)(,)(
)(p
lplZ
plZp
lZZ
tt
Zc pl
)arg( )()()(
plZ
pl
pl cZ
pcZ
cZcZsigne
MkicZcZ
pl
pl
pl
pl
pl
Zp
l
Zp
l
Zp
lp
lZp
lZp
l/1
))(Re(2
1exp)(
)(
)()()()(
)()()()()1(
iZiZ)C(Zμ
PPPmedianePZCP
convl
convlconv
lmedianl
Nmedian
)(
)()(
)(0
)2(0
)1(00 )))log(),...,log(),(log(exp(
avec ))(,(
Air Systems Division50
Flot de gradient dans le disque unité de Poincaré
)( plZC
)1( plZC
)1()1(ll zC
)2()2(ll zC
)3()3(ll zC )4()4(
ll zC
Air Systems Division51
Résultats sur le premier coefficient de réflexion
Superposition pour toutes les cases distances des moyennes et médianes
locale, avec les points de données
Air Systems Division52
Equation de la chaleur de Joseph Fourier « Les équations différentielles de la propagation de la
chaleur expriment les conditions les plus générales, et ramènent les questions physiques à des problèmes d’analyse pure, ce qui est proprement l’objet de la théorie ... Les formes des corps sont variées à l’infini, la distribution dela chaleur qui les pénètre peut être arbitraire et confuse; mais toutes les inégalités s’effacent rapidement et disparaissent à mesure que le temps s’écoule. La marche du phénomène devenue plus régulière et plus simple, demeure enfin assujettie à une loi déterminée qui est la même pour tous les cas, et qui ne porte plus aucune empreinte sensible de la disposition initiale ... .Les théories nouvelles, expliquées dans notre ouvrage sont réunies pour toujours aux sciences mathématiques et reposent comme elles sur des fondements invariables; elles conserveront tous les éléments qu’elles possèdent aujourd’hui, et elles acquerront, continuellement plus d’étendue. »
Joseph Fourier (1768-1830), « Discours préliminaire à la théorie analytique de la chaleur »
J. Fourier
Air Systems Division53
Équation de diffusion & géodésique Équation de diffusion sur un graphe 1D de données scalaires Dans un espace vectoriel normé dans le cas unidimensionnel,
l’équation de diffusion s’écrit via le Laplacien discret:
avec la moyenne arithmétique : L’équation de Fourier discrétisée peut également s’écrire :
Par analogie sur la base du flot de Karcher, il est possible d’écrire une équation de diffusion sur un graphe 1D de matrices,via la moyenne géométrique des voisins :
nnnnnn uu
xxuu
xuu
xtu
xu
tu
ˆ21
211
2
2
2/ˆ 11 nnn uuu
2,,,,2,12 avec ˆ.).1(ˆ2
xtuuuu
xtuu tntntntntnn,t
tnA ,ˆ tntn AA ,1,1 ,
2/1
,1/21 2/1
,1,12/1,1
2/1,1,2
2/1,
2/1,,
2/1,
2/1,
2/1,
ˆlog22/1
,1,
ˆet x
t2 avec
ˆ2/1
,,2/1
,2
tntntntntntn
tntntntntntn
XXXx
t
tntn
XXXXXX
XXXXXXeXXtntntn
J. Fourier
Air Systems Division54
Equation de diffusion sur un graphe 1D scalaire Equation de diffusion sur un graphe 1D de données scalaires
J. Fourier
tnu ,
tntntn uuu ,12/1,1,ˆ
tnu ,1tnu ,1
1,0.).1(
vuvu
t
t+1
distance
tnu ,tnu ,1 tnu ,1
tnu ,ˆ
1n,tu
temps
tntntn uuu ,,1, ˆ
1
0
2ˆet 2 avec
ˆ.).1(
,1,1,2
,,1
tntntn
tntnn,t
uuu
xt
uuu
Air Systems Division55
Equation de diffusion sur un graphe 1D de matrices Equation de diffusion sur graphe 1D de matrices SPD
2/1
,1/21 2/1
,1,12/1,1
2/1,1,2
2/1,
2/1,,
2/1,
2/1,
2/1,
ˆlog22/1
,1,
ˆet x
t2 avec
ˆ2/1
,,2/1
,2
tntntntntntn
tntntntntntn
XXXx
t
tntn
XXXXXX
XXXXXXeXXtntntn
J. Fourier
tnX ,
tntntn XXX ,12/1,1,ˆ
tnX ,1tnX ,1
1,0
2/1 2/12/12/1
ABAAABA
t
t+1
distance
tnX ,tnX ,1 tnX ,1
tnX ,ˆ
1n,tX
temps
tntntn XXX ,,1,ˆ
1
0
Air Systems Division56
Équation de diffusion : contrainte de discrétisation Une première remarque concernant une contrainte qui apparaît :
vfffff
Tx
txvv
xuuuuuuuu
u
xtuuuu
xtuu
EE
EE
tntntntn
tntntntnn,t
tntntntntnn,t
242
avec 1Shannon on vérifie Si
posant en 2soit 1ˆ si ,ˆ
ˆ si ˆ,
2 avec ˆ.).1(ˆ2
maxmax
,,,,
,,,,1
2,,,,2,1
Air Systems Division57
Équation de diffusion : Du discret au continu L’équation de diffusion discrète sur un graphe 1D de matrices
symétriques ou hermitiennes définies positives est donnée par :
Pour remonter à l’équation continue de diffusion, il faut utiliser l’équation de Campbell-Hausdorff :
2/1
,1/21 2/1
,1,12/1,1
2/1,1,2
2/1,
2/1,,
2/1,
2/1,
2/1,
ˆlog22/1
,1,
ˆet x
t2 avec
ˆ2/1
,,2/1
,2
tntntntntntn
tntntntntntn
XXXx
t
tntn
XXXXXX
XXXXXXeXXtntntn
YXXYYX
XYYYXXYXYXee YX
, avec4 degré de termes
,,121,,
121,
21log
Air Systems Division58
Équation de diffusion anisotrope Regardons maintenant le cas anisotrope classique : Dans le cas général diffusion sur une variété, l’équation de diffusion
de Laplace-Beltrami s’écrit : Métrique :
Équation de diffusion :
Dans le cas 1D isotrope :
Dans le cas 1D anisotrope :soit :
2
222
xu
tudxds
Njiji
N
kjiji ggdxdxgds
1,,1
,2 avec
Njiji
ji j
ij
i
ggxugg
xgtu
1,,1
, avec )det(
)det(1
22
222 1 dxxududxds
2
1xug
xu
xu
xxu
tu
2/122/12
11
Air Systems Division59
Diffusion anisotrope
Diffusionisotrope
Diffusionanisotrope
Air Systems Division60
diffusion anisotrope sur un graphe de matrices Dans le cas 1D anisotrope, par analogie sur un graphe de
matrices :
Pour la distance , on prend :
2/12,1,
,
2/12,,1
,
2/12,1,1
,2,,,
,,
,
2/1,1
2/1,1,1
2/1,1
2/1,1
2/1,1
log2/1,1,
2/1,
2/1,,
2/1,
2/1,
2/1,
ˆlog2/1,1,
,1et
,1
,1,
. ,
ˆ avec
ˆ2/1,1,1
2/1,1
2/1,,
2/1,
xXXd
xXXd
xXXd
xt
XXXXXXeXX
XXXXXXeXX
tntntn
tntntn
tntntn
tntntn
tntn
tn
tntntntntntnXXX
tntn
tntntntntntnXXX
tntn
tntntn
tntntn
0detet
loglog,
21
1
22/112
2/1121
XX
XXXXXdM
iiF
Air Systems Division61
Diffusion Isotrope Simulation
Air Systems Division62
Diffusion anisotrope Simulation
Air Systems Division63
Les différentes diffusion à 50 itérations
Air Systems Division63
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
Diffusion classique Diffusion médianage
Diffusion
Isotrope
Diffusion
Anisotrope
Air Systems Division64
Les différentes diffusions
64
Diffusion Isotrope Diffusion Anisotrope
Medianage Isotrope Medianage Anisotrope
Moyennage Isotrope Moyennage Anisotrope
Air Systems Division65
Les 2 sources géométriques
Géométrie de l’information & Géométrie des cônes symétriques
Ces 2 géométries ont de multiples liens avec les travaux de Carl Ludwig Siegel (1896-1981) en Géométrie symplectique :
Géométrie des domainesbornés symétriques
Théorie des groupesde Lie semi-simples
Elie Cartan 1930
Théorie des algèbresde Jordan
M. koecher 1960
Équivalencedes 2 approches :
Constructionde kantor-Koecher-Tits
(c.f. I. Satake 1980)
Géométrie de l’information(Rao/Chentsov)
Géométrie Symplectique(Carl Ludwig Siegel)
Air Systems Division66
Références Bibliographiques[1] F. Barbaresco & G. Bouyt, "Espace Riemannien symétrique et géométrie des espaces de matrices de covariance : équations de diffusion et calculs de
médianes", colloque GRETSI'09, Dijon, Sept. 2009[2] F. Barbaresco, "New Foundation of Radar Doppler and Array Processing based on German Mathematical Works: Geometry of Metric Spaces with
negative curvature and Von-Mangoldt-Cartan-Hadamard Manifolds", IRS'09, Hamburg, Sept. 2009[3] F. Barbaresco, “Interactions between Symmetric Cone and Information Geometries”,LIX Fall Colloquium ETCV’08, Ecole Polytechnique,Springer
Lecture Notes in Computer Science, vol.5416, pp. 124-163, 2009, http://www.springerlink.com/content/978-3-642-00825-2[4] F. Barbaresco, “Applications of Information Geometry to Radar Signal Processing”, Video Lectures, http://videolectures.net/etvc08_barbaresco_aoigt/[5] M. Arnaudon and X. Li, « Barycentres of measures transported by stochastic flows”, Ann. Probab. 33, no. 4, pp.1509-1543, 2005[6] C.L. Siegel, «Symplectic Geometry», Acad. Press, 1964[7] M. Émery, G. Mokobodzki, «Sur le barycentre d'une probabilité dans une variété » . Séminaire de probabilités de Strasbourg, n° 25, p. 220-233, 1991[8] H. Karcher, «Riemannian center of mass and mollifier smoothing”, Comm. Pure Applied Math., °30,pp.509-541,1977[9] A. Terras, «Harmonic Analysis on Symmetric Spaces and Applications II», Springer-Verlag, 1988[10] V. Arsigny «Log-Euclidean metrics for fast and simple calculus on diffusion tensors», in Magnetic Resonance in Medicine, Volume 56 Issue 2, Pages
411 - 421, Jun 2006.[11] M. Calvo, J. Oller, «A distance between multivariate normal distributions based in an embedding into the Siegel Group”, Journal of Multivariate
Analysis, vol.35, pp. 223-242, 1990[12] M. Calvo, J. Oller, «An explicit solution of information geodesic equations for the multivariate normal model”, Statistics and Decisions., vol.9, pp.
119-138, 1991[13] Huiling Le, “Estimation of Riemannian Barycenters”, Proc. London Math. Soc., pp. 193-200, 2004[14] Harris, W. F., “The average eye”, Ophthalmic Physiol. Opt., n°24, pp. 580–585, 2004[15] H.C.F. von Mangoldt, “Über diejenigen Punkte auf positiv gekrümmten flächen, welche die eigenschaft haben, dass die von ihnen ausgehenden
geodätischen Linien nie aufhören, kürzeste Linien zu sein“, J. Reine Angew.Math., n°91, pp.23-52, 1881[16] E. Kähler, “Über eine bemerkenswerte Hermitesche Metrik”, Abh., Math. Sem. Hamburg Univ., n°9, pp.173-186, 1933[17] K. T. Sturm, “Probability measures on metric spaces of nonpositive curvature”. Contemp. Math. 338 , 357-390, 2003[18] E. Cartan, "Sur les domaines bornés homogènes de l'espace de n variables complexes", Abh. Math. Semin. hamb. Univ., n°11, pp.116-162, 1935,
www.numdam.org[19] C.R. Rao, "Information and Accuracy attainable in the estimation of statistical parameters", Bull. Calcutta Math. Soc., n°37, pp.81-91, 1945[20] S. Yoshizawa and K. Tanabe, "Dual Differential Geometry associated with the Kullback-Leibler Information on the Gaussian Distributions and its 2-
parameter Deformations", SUT Journal of Mathematics, vol.35,n°1, pp.113-137, 1999[21] T.Ando and al., "Geometric Means", Linear Algebra Appl., vol.385, pp.305-334, 2004[22] F. Bruhat and J. Tits, « Groupes réductifs sur un corps local », IHES, n°41, pp.5-251, 1972[23] H. Cartan, "Ouverts fondamentaux pour le groupe modulaire",Séminaire Henri Cartan, tome n°10, n°1, exp.n°3, p.1-12, 1957[24] N.N. Chentsov, "Statistical Decision Rules and Optimal Inferences", Trans. of Math. Monog., n°53, Amer. Math. Society, Providence, 1982[25] J. Faraut and A. Koranyi, "Analysis on Symmetric Cones", Oxford University Press, 1994[26] K. Koufany, "Analyse et Géométrie des domaines bornés symétriques", HDR, Institut de Mathematiques Elie Cartan, Nancy, Nov. 2006[27] C. P. Niculescu, “An Extension of the Mazur-Ulam Theorem”, American Institute of Physics Proc., vol. 729, n°248-256, 2004[28] M. Berger, « Panoramic View of Riemannian Geometry », Springer, 2004
Air Systems Division67
Contributions des mathématiciens français
M. Gromov,"Hyperbolic groups". Essaysin group theory. Math. Sci. Res. Inst. Publ. 8. New York: Springer. pp. 75–263, 1987
M. Fréchet, “L’intégrale abstraite d’une fonction abstraite d’une variable abstraite et son application à la
moyenne d’un élément aléatoire de nature quelconque”, Revue Scientifique, pp. 483-512, 1944
J. Hadamard, « Les surfaces à courbures opposées et leurs lignes géodésiques », J. Math, sér. 5, 4, pp.27-73, 1898
E. Cartan, « Leçons sur la géométrie des espaces de Riemann », 2nd édition, revue et
augmentée. Paris, Gauthier-Villars, 1946
F. Bruhat and J. Tits, « Groupes réductifs sur un corps local », IHES, n°41, pp.5-251, 1972
Air Systems Division68
Contributions des mathématiciens allemands
H. Karcher, “Riemannian center of mass and mollifier smoothing”, Comm. Pure Applied Math., °30,pp.509-541,1977
E. Kähler, “Über eine bemerkenswerte Hermitesche Metrik”, Abh., Math. Sem. Hamburg
Univ., n°9, pp.173-186, 1933
K. T. Sturm, “Probability measures on metric spaces of nonpositive curvature”. In vol.: Heat kernels and analysis on manifolds, graphs, and metric spaces, Contemp. Math. 338 ,
357-390, 2003
C.L. Siegel, "Symplectic Geometry", Academic Press, New York, 1964
H.C.F. von Mangoldt, “Über diejenigen Punkte auf positiv gekrümmten flächen, welche die
eigenschaft haben, dass die von ihnen ausgehenden geodätischen Linien nie aufhören, kürzeste Linien zu sein“, J. Reine Angew.Math.,
n°91, pp.23-52, 1881
Air Systems Division69
Contributions des mathématiciens italiens
L. Galvani and C. Gini « Di talune estensioni dei concetti di media ai caratteri qualitativi »,
Metron, 8, 3–209, 1929
C. Gini, «L’uomo medio », Giornali deglieconomiste e revista de statica, n°48, pp.1-24,
1914C. GINI, « Di una formula comprensiva delle
medie », Metron 13 , 3–22, 1938
E. Torricelli, Opere di Evangelista Torricelli, G. Loria and G. Vassura (Eds), Vol.I, 2ème partie,
pp.90-97, Vol. III, pp.426-431, Faenza, 1919
B.F. Cavalieri, « Exercitationes geometricae », Bologna, 1647
Air Systems Division70
Contribution des mathématiciens anglais
M.G. Kendall, « Note on the estimation of a ranking », Journal of the Royal Statistical
Society, 105, 119, 1942M.G. Kendall, « Rank Correlation Methods », Londres,
Griffin, 1955
Air Systems Division71
BOURBAKI Group : 60 years ago
Metric MeasureSpace
Air Systems Division72
M. Gromov, “Hyperbolic Groups”, Essays in Group Theory, Math. Sci. Res. Inst. Publ. 8, New york, pp.75-263, 1987
IHESInstitut des Hautes Etudes ScientifiquesBures sur YvettesFrance
Mikhael GROMOV
Air Systems Division73
QUESTIONS
``Constater que les théories les plus parfaites sont les guides les plus sûrs pour résoudre les problèmes concrets~; avoir assez confiance en sa science pour prendre des responsabilités techniques. Puissent beaucoup de mathématiciens connaître un jour ces joies très saines, quelques humbles qu'ils les jugent !'‘Jean LERAY
Carl Ludwig Siegelavec Georges Polya
Air Systems Division
Planches supplémentairesVersion LongueDétails des calculs
Air Systems Division
Introduction de la métrique la plus naturelle aux espaces de matrices de covariance
Air Systems Division76
La géométrie de l’information pour les lois multivariées gaussiennes de moyenne nulle et la géométrie différentielle intrinsèque des matrices hermitiennes définies positives (cas particulier de la géométrie des espaces de Siegel) conduit à la même métrique : Géométrie de l’information :
Géométrie du demi-plan supérieur de C.L. Siegel :
Métrique et géométrie pour les matrices de covariance
212nn dRRTrds
0Im/),( Y(Z)CnSymiYXZSH n
iYXZZdYdZYTrdsSiegel avec 112
nRiYX
.0
nn
nnnnn
RRTrn
nnn
RRE
mZmZR
eRRZp nn
ˆet
.ˆ avec
..)()/(1.ˆ1
*
2
.)/(ln)(
ji
nnij
ZpEg
0nm
212nn dRRTrds
avec
Air Systems Division77
La métrique est définie : Avantage vu de la Géométrie de l’information : métrique invariante par changement non singulier de paramétrage
Métrique tenant compte de la statistique des paramètres
Bonne métrique au sens de la géométrie de l’information 212
nn dRRTrds
)()()( 22 dswdsWw
dRddIdds
IER
..).(.et
Rao-Cramer de borne : ˆ
12
1
Air Systems Division78
La métrique est définie : Avantage vu de la Géométrie de Siegel : Les isométries de l’espace de Siegel sont données par le
groupe quotient avec le groupe symplectique :
La seule métrique invariante par est la métrique de Siegel :
Bonne métrique au sens de la géométrie des matrices 212
nn dRRTrds
nSH nIRnSpRnPSp 2/),(),(
),( FnSp
1)(
DCZBAZZM
DCBA
M
nTT
TT
IBCDADBCA
FnSpDCBA
M
symétrique et ),(
),2(0
0 , /),2(),( RnSL
II
JJJMMFnGLMFnSpn
nT
)(ZM ZdYdZYTrdsSiegel
112 iYXZ avec
nRiYX
.0
212nn dRRTrds
Air Systems Division79
La métrique est définie : Distance associée : Par intégration, on obtient :
Dans le cas général, pour l’espace de Siegel
De la métrique à la distance
212 dRRTrds
n
kkRRRRRd
1
222/112
2/1121
2 log..log,
0det 12 RR Avec
0 avec XSHiYXZ n
n
n
k k
kSiegel SHZZZZd
21
1
221
2 , avec 11
log,
Avec 0.),(det 21 IZZR
12121
1212121,
ZZZZZZZZZZR
Air Systems Division80
Dans le cas de l’espace de Siegel : Il suffit de remarquer que la différentielle 2nd de en est donnée par
l’expression :
De la métrique à la distance (suite)
ZZRZ ,1 ZZ 1
11112 .2/1)(2 YZddZYZZZdZZdZRD
111
1111,
ZZZZZZZZZZR
RDTrZddZYYTrds 2112 .2
Air Systems Division81
Espaces de H. Poincaré et de C.L. Siegel
iyxz
dzdzyyy
dzy
dydxds -
avec
*112
2
2
222
*1*1*2
22
22
11
1
dzzzdzzzds
z
dzds
Demi-Plan supérieur de Poincare Disque de Poincaré
Demi-Plan supérieur de SiegelDisque de Siegel
iYXZdZdZYYTrds
avec
*112
*1*1*2 11 dZZZdZZZTrds
Air Systems Division82
Utilisation dans l’art de la géométrie hyperbolique (Escher )
Air Systems Division83
La géométrie du demi-plan de Siegel
0Im/),( Y(Z)CnSymiYXZSH n
Demi-Plan de Siegel
X
0Y
ZdYdZYTrds 112
n
iiiZZd
1
221
2 1/1log,
kkk YiXZ .
1k
2k
212 dRRTraceds
kkkk RNWRiZ ,0 si .
1k
2k
n
kkRRd
1
221
2 log,
12121
1212121,
ZZZZZZZZZZR
0...det 2/112
2/11 IRRR
0.,det 21 IZZR
Air Systems Division
La source de la géométrie de l’information
Air Systems Division85
Géométrie de Chentsov & métrique de Siegel Fondements combinatoire de la divergence de Kullback
La divergence de Kullback peut apparaître naturellement sur des bases combinatoires en utilisant la formule de Stirling :
)(log),(
eEESupqpK qp
in
M
i i
ni
MMM nqNqqnnnP
i
1121 !
!,...,/,...,,
iq
M
ii Nn
1 Nnp i
i
n quand ..2..! nenn nn
),(log.log11
qpKqppP
NLim
M
i i
iiMN
Soit la loi multinomiale de N éléments répartis sur M niveaux
avec les a priori , et
En utilisant la formule de Stirling :
Fondements variationnels de la divergence de Kullback Donsker et Varadhan ont proposé une définition variationnelle de la
divergence de Kullback :
Air Systems Division86
Géométrie de Chentsov & métrique de Siegel Géométrie de l’information et Divergence de Kullback (Rao, 1945)
La métrique Riemannienne de l’information peut être obtenue en faisant un développement de Taylor à l’ordre 2 de la divergence de Kullback :
3
,.).(
!21)/(),/( dOddgdxpxpK
jijiij
jijiij θ.θ
xpE.dxθ.θxpxpg
/log/log/
22
Géométrie de l’information et matrice de Fisher La métrique Riemannienne de l’information s’identifie à la matrice
d’information de Fisher I() :
jiijjiij θ
xp.θ
xpE g gI
/log/log)(et)(,
22 /log/log.. xpdExpdVardIdds T La matrice de Fisher intervient dans la borne de Cramer-Rao :
1ˆˆ
IE
T )()()( 22 dswdsWw
Air Systems Division87
Exemple du cas scalaire : distribution gaussienne Distribution exponentielle : cas loi Gaussienne
La matrice de l’information de Fisher est donnée par :
mIEI T et )( avec
2001
.)( 12
2
22
2
2
2
22
2.2.2..
ddmddmdIdds T
Cette matrice définit la métrique dans l’espace des paramètres :
.2
imz 1
iziz
22
22
1.8
dds
Il s’agit du modèle de Géométrie hyperbolique de Poincaré :
La géométrie des distributions
Gaussiennes est celle du disque de
Poincaré
Air Systems Division88
Exemple du cas scalaire : distribution gaussienne Distribution exponentielle : cas loi Gaussienne
La métrique est donnée comme suit avec , et en intégrant sur une radiale :
On utilise ensuite la transformation suivante pour exprimer la métrique entre 2 points du disque unité :
La distance est finalement donnée par :
rrd
rdrds
11ln.2
1.8
2
22
)(0et .1
)( .
je
et .2
1),( avec
),(1),(1ln.2,,,
2
22112
izizimz
mmD
r
Air Systems Division89
Métrique de Rao
nnnnnnn
RRTrn
nnn
RREmXmXR
eRRXp nn
ˆet .ˆ avec
..)()/(1.ˆ1
njnninjniji
nnij mRmRRTrXpEg
...
.)/(ln)( 11
nnnnnnn RRRRIRR ... 11 11 ...)( njnninij RRRRTrg
jjnjn
iinin dRRdRRTrds .....)( 112
iinin dRdR 11 comme 21212
nnnn dRRTrdRRTrds
On considère le signal suivre une loi multivariée gaussienne circulaire :
La métrique de Fisher est donnée par :
On considère le processus de moyenne nulle :
then
On en déduit la métrique de Rao :
Air Systems Division90
Géométrie différentielle duale de l’information Gaussiennes multivariées de moyenne nulle
Ces distributions sont uniquement paramétrées par la matrice de covariance et la métrique est celle de Carl Ludwig Siegel
TABTrBAAAA
dRRRRdTrdRRTrds
,et , avec
log2
22/12/12212 Métrique deCarl Ludwig Siegel
Gaussiennes multivariées de moyenne non nulle Les isométries dans le cas de moyenne non nulle sont les
homéomorphismes suivants :
2112 dRRTrdmRdmds T
),(x, avec '
isométrie ,',',222 RnGLRAadsdsds
RAAamARmRmn
TT
22
111
1 Alors Comme
RR dsdsdRRRdRIRR Invariance par rapport
à l’inversion 1
21
121 ,, RRDRRD
Air Systems Division91
Géométrie de Chentsov & métrique de Siegel De la métrique de Siegel à la distance de Siegel
la distance de Siegel déduite de sa métrique est obtenue à partir des valeurs propres étendues dans le cas : 21 mm
0det...det avec
log..log,
122/1
122/1
1
1
222/112
2/1121
2
RRIRRR
RRRRRDn
kk
TABTrBA , avec ,2
Théorème de James Lorsque , alors suit une loi du Khi-2 à
n.(n+1)/2 degrés de liberté.21
n
kk
n1
2log2
Généralisation de Swain (fonction de contraste) Expression de la distance à partir d’une fonction de contraste C3 sur
[0,[ :
n
kkvRRD
121
2 )(, 1 , 0 si 0)(et 2/1)('' , 0)1(')1(
vvvv
)()( si ,, 121
221
2 vwDD wv
22/12/12 dRRRds
Métrique de Siegel
1
1.)1()log(n
nn
nIAA
Air Systems Division
La source de la géométrie intrinsèque de l’espace de Siegel
Air Systems Division93
Plan hyperbolique de Poincaré Opérations du groupe SL2R sur le plan hyperbolique
Les travaux de Carl Ludwig Siegel exposé dans son ouvrage « Symplectic Geometry » sont une généralisation de SL2R sur le demi-plan hyperbolique de Poincaré
La transformation de Möbius est une action transitive qui transforme le demi-plan complexe en lui-même (espace homogène) :
M et –M ont la même action et ont considère l’action du groupe quotient : Cet espace a également un autre modèle donné par le disque unité via
la transformation de Cayley :
0)Im(:et )( , 2
zCzHz
dczbazzMRSL
dcba
M
222 / IRSLRPSL
11et
1:
zziz
HD
izizz
DH
zCzD
1- 1
i
- i
2
2
2
222
ydz
ydydxds
x
y
H D
22
22
1
4
z
dzds
Air Systems Division94
Plan hyperbolique de Poincaré Opérations du groupe SL2R sur le plan hyperbolique
Ces modèles peuvent être compactifié (tel que chaque transformation ait un point fixe) :
Toute matrice de SL2R, non égale à +/-I2 est conjuguée dans GL2R àl’une des 3 suivantes (transformations hyperbolique/elliptique/parabolique) :
1:)(et 0)(: zCzDClzimCzHCl
abba
gbba
ibaM
gM
gRM
iba0 , 1)(
1011
1)(
00
1)(
22
1
1
zz 2
1zz
abzbazz
Point(s) fixe(s)
H,0
H
Hi
Air Systems Division95
Géométrie Symplectique et Espace de Siegel Définition du groupe Symplectique :
Le groupe Symplectique est défini comme suit :
nTTTT
TT
TT
n
nT
IBCDADBCA
ACBD
MFnSpDCBA
M
RnSLI
IJJJMMFnGLMFnSp
CRFFnMFnSym
et ssymétrique et
),( : eéquivalentfaçon de
),2(0
0 , /),2(),(
, ssymétriquenxn matrices des espace:),(),(
1
Siegel a introduit l’espace SHn « nième demi-plan supérieur de Siegel ». SH1 est le demi-plan supérieur hyperbolic H.
0Im/),( Y(Z)CnSymiYXZSH n L’espace de Siegel est l’espace homogène correspondant au groupe
symplectique quotient par le sous-groupe compact maximal . Le groupe est une sous variété de
),( RnSp n,RSOn,RSpKn 2 nKn,RSp /
nn UCnGLX 22 /),2(
Air Systems Division96
Géométrie Symplectique et Espace de Siegel Espace homogène
Le groupe est le groupe des biholomorphismes de via les transformations de Möbius généralisées :
nSH
On montre que M(Z) appartient à SHn :
nIRnSpRnPSp 2/),(),(
1)(
DCZBAZZM
DCBA
M
0)Im(symétrique
invertible
)0)Im(,( 1
1
1
EFEF
EFM(Z)F
ZZZSHZJJMM
DCZBAZ
FE
IZ
M
-
Tn
T
L’action du groupe symplectique sur SHn est transitive :
nSHZM )(
iYX(iI)
XZZZYYZ
YXYY
YY
IXI
Zn
n
1
2/12/1
2/1
2/12/1
2/1
2/1
1
et
000
0
Air Systems Division97
Géométrie Symplectique et Espace de Siegel Action sur le demi-plan de siegel
Si on utilise que : 021)Im(, alors ZZi
ZZZSHZ Tn
(2) 021
(1)
0Imcar 021
21
car 0
et
EFFEi
EFFE
(Z)IZ
JIZiF
EJFE
i
ZZIZ
JIZJFE
JFE
JJMMDCZBAZ
FE
IZ
M
TT
TTT
T
0)Im()2(et symétrique )1(
invertible 0000 si11
EFEF
FvvEFFEvFvFv
Air Systems Division98
Géométrie Symplectique et Espace de Siegel Algèbre Linéaire Symplectique
Une matrice symplectique est de déterminant 1 : Soit ,on appelle (et la transformation associée)
hyperbolique si M n’a aucune valeur propre sur le cercle unitécomplexe :
Soit M une matrice Symplectique sans valeur propre de module unité, alors M est symplectiquement similaire à une matrice de la forme :
Le sous-groupe (matrices symplectiques orthogonales) est caractérisé par des matrices de la forme :
1det M
nn ORSp 22
RSpM n2
niM ii ,...,1,1et
TA
A0
0
symétrique et avec BAIBBAAABBA T
nTT
Air Systems Division99
Géométrie Symplectique et Espace de Siegel Métrique de Siegel
Le groupe est le groupe des biholomorphismes de via les transformations de Möbius généralisées :
agit comme un sous-groupe d’isométries :
nSH
La distance associée est :
nIRnSpRnPSp 2/),(),(
1)(
DCZBAZZM
DCBA
M
iYXZZdYdZYTrdsSiegel avec 112
),( RnPSp
2/1
1
221 1
1log,
n
k k
kSiegel r
rZZd
Avec les rk les valeurs propres du bi-rapport :
12121
1212121,
ZZZZZZZZZZR
Soit (A,B) et (C,D) deux pairs de points dans , alors il existe une transformation symplectique qui transforme A en C et B en D si et seulement si :
KRSp n /2
jDCBA jj 11
ZdYdZYTrZdYdZYTrDCZBAZZ 111'11 ''''
Air Systems Division100
Géométrie Symplectique et Espace de Siegel Invariants différentiels dans l’espace de Siegel
On cherche des expressions différentielles invariantes par le groupe G=Sp(n,R) : 1' DCZBAZZ
Etant donné Z=X+iY, les matrices les plus générales qui transforment Z dans le point i.In sont celles de la forme :
2/12/12/1
2/12/12/1
2/1
2/12/1
0 YXYYXYYY
YXYY
DCBA
n
ttt
t
IBCDADCZ(Z)DZC(Z')
DCZdZDCZdZ
car ImIm
'11
11
2/12/1 Zet Z , unitaire YiDCYiDCi On en déduit :
n
t
t
I(Z)YYi(Z)YYiY)(Z
iYdZYidZ
2/12/112/12/11
12/12/11
ImIm''Im
'
ainsi que l’identité : ZddZYYTrYZdYdZYTr
ZddZTrZdYdZYTr112/112/1
11 ''''''
Air Systems Division101
Géométrie Symplectique et Espace de Siegel Invariants différentiels dans l’espace de Siegel
Nous venons de montrer que la formule différentielle (quadratique hermitienne) suivante est invariante par le groupe G=Sp(n,R) :
ZdYdZYTrds 112 Cette expression définit un ds2 hermitien défini positif invariant par G. Cette métrique ds2 est une métrique Kählérienne
0
21
1111
1111
dYddXTrYdYdYY
dXdYYYTrZdYdZYTri
L’élément de volume dans l’espace de Siegel invariant par G est donné par:
i jiijijiiii
jiij
jiijyxyx
yY
xX'2'
',
1
,
ji
ijji
ij δy'δx
En élevant à la puissance extérieure d’ordre n(n+1)/2, le volume invariant par G est donné par :
Air Systems Division102
Géométrie Symplectique et Espace de Siegel Métrique de Siegel
agit comme un sous-groupe d’isométries :
La bijection suivante relie la métrique de Siegel à la métrique d2 :
iYXZZdYdZYTrdsSiegel avec 112
),(: avec 1
1
1
RnSpSHKZ Z
Sp(n,R)/K:SHΦ
n
n
nn
),( RnPSp
nSiegel SHWZWZdWZds , )(),(2),( 112
BBAA
ABBA
OiIStabKO
TT
nn
et avec
et
2/1
2/12/1
2/1
2/1
1 000
0 YXYY
YY
IXI
Zn
n
BABAMaxBABAdp
pn
i
p
jp1
11
1
/1
1
1 log,loglog),(
Lien avec la métrique dp :
Air Systems Division103
Géométrie Symplectique et Espace de Siegel Autres modèles de l’Espace de Siegel
La compactification naturelle de est donnée par le domaine bornée qui est une extension du disque unité de Poincaré, biholomorphe à .
nSH
ZZZIZSym(n,C)/ZSDn 22
avec
nSD
La frontière de est appelée frontière de Shilov, c’est l’ensemble des matrices nxn unitaires symétriques . Les deux espaces sont reliés par la transformée de Cayley :
nSDnSH
nSD)(nUSym
12
nn
nn
iIZiIZZ
SD:SHΦ
1
12
ZIZIiZ
SH:SDΦ
nn
nn
Les biholomorphismes de sont données par les transformations
de Möbius généralisées induites par le sous-groupe :nSD
nn
T
nnnn
SDZUUUZUZMMRnSpMStabM
IIdiagMIIdiagMCnSLMnnSUnnSUCnSpRnSp
,,)(0)0(/)',()0(
),(),(/),2(),(,,)',(
*
)',( RnSp
Air Systems Division104
Géométrie Symplectique et Espace de Siegel Autre modèle de l’espace de Siegel
Modèle projectif de :nSH
n
nn
IZ
Z
SPH:SHΦ
3
nn IDCZBAZ
DCZBAZ
IZ
DCBA 1))((
Remarque : matrice triangulaire supérieure Soit G un sous-groupe de matrices triangulaires supérieures de type
bloks 2x2 dans alors G est généré par les translations et les congruences :
),( RnSp
100
),,(,)(
0 ),,( ,)(
TT
n
n
AA
QRnGLAAZAZQZ
IBI
TRnSymBBZZTZ
Air Systems Division105
Géométrie Symplectique et Espace de Siegel Lien avec le cône symétrique
Pour nous ramener à notre cas d’étude, prenons x=0 :
0
0
n
n
II
J nIPJ 22
10
0et avec
YY
PIiY
LiLPJLn
1 avec 1 WWYIYIW nn
dYYdYYTrds 112
0)Im( avec 0 YZ)(XiYZ La correspondance entre les points de l’espace de Siegel et les
matrices P symplectiques symétriques et positives :
Autre représentation de l’espace de Siegel :
ds2 hermitien défini positif, définit une métrique Kählérienne invariant par G =Sp(n,R) :
Air Systems Division
Moyenne (géométrique symétrisée) & Géodésique
Air Systems Division107
Moyenne Géométrique de matrices définies positives Rappel sur la moyenne géométrique de nombres réels positifs
Définitions de la moyenne géométrique de nombres réels positifs :
xxFbaxFx
xxtxabdt
tdxtxLimab
ab
ebeaabe
yxyxabbababa
bxxa
xMax
ue)arithmétiqtrique et que, géomé (harmonibabaabba
abba
babbabaabbaabLimaLimab
bxxaométriquemoyenne géabx
t
yxyx
nnn
nn
nnnnnnn
log)( avec /1))(('' que tel0 9)
0)0(et )(/1)( avec )( 8)
00
X : Möbius de ée transformla de positif fixepoint 7)
, avec 6)
/log),( avec ),(2),(2),( 5)
0 que tel 4)
,max2
2,min
2et 2et , avec 3)
desolution 2) )1
0
1
2
Rx
1100
1
Air Systems Division108
Moyenne arithmetico-géométrique : C.F. Gauss
Gauss (à l’âge de 20 ans) & Lagrange indépendemment ont prouvés : Moyenne arithmético-géométrique de a et b :
Est reliée à l’intégrale :
La transformation de Landen donne :
aaaabbbbn
babababa
bab
baabababa
nnnn
nnnn
nnnn
nnn
nnn
0110
222
12
1
1
100
...... 0
022
2et ,, , 0
2/
02222 sincos
),(
),(
avec ),(
2/,
tbtadtbaI
bLimaLimbaM
baMbaI
nnnn
tabArctu
dttbtabaJbaabIbaJbaJ
baIabbaIbaI
tantan : nsf.Landen tra
sincos, avec ,,,2
,,2
, 2/
0
2222
11
11
4.J(a,b) : Périmètre de l’ellipsede demi-axes a et b
Air Systems Division109
Moyenne Géométrique de matrices définies positives Extension de la moyenne géométrique à des matrices
définies positives : Le procédé itératif présenté pour les nombres réels positifs s’étend aux
matrices symétriques définies positives :
2/et 2
, avec
1111
1
00
nnnnnn
nnnn
BABBAA
BBAABLimALimBA
La moyenne géométrique est solution de l’équation de l’EDP :
SymX
XXABdtdX
tXLimBASymBAt
)0( avec )(,,
1
La moyenne géométrique est solution de :
0 t.q.(Loewner) matrice grande plus ,,
BXXA
BASymBA
La moyenne géométrique est également donnée par :
)det(log)( avec ))(('' 11 XXFBAXXAXF
Air Systems Division110
2/12/12/12/12/12/12/12/12/12/1
2/12/12/12/12/12/1
2/12/12/12/12/12/11
))(()(
ABAAAXBAAXAA
BAAXAAXAABAAAXAXAABXXA
moyenne géométrique symétrisée La moyenne qui apparaît est bien une matrice symétrique ou
hermitienne définie positive :
Il s’agit bien du barycentre de Fréchet, qui minimise :
On peut remarquer que quand les matrices commutent, il s’agit de la moyenne géométrique classique :
qui n’est pas symétrique définie positive Une autre façon de retrouver la moyenne géométrique « symétrisée »
consiste à la trouver comme solution de l’équation de Ricatti :
2/12/12/12/12/1 ABAAABA
22/12/122/12/1 loglog XBBXAAMin
X
2/1ABBA
Air Systems Division111
Moyenne de 2 matrices définies positives Pourquoi la moyenne géométrique plutôt que la moyenne
arithmétique : La Moyenne arithmétique ne tient pas en compte du fait que les
matrices sont des estimés statistiques :
Pour un modèle de loi multivariée gaussienne, la variance de la matrice R est proportionnelle à R. Pour tenir compte de cette variance pour la moyenne arithmétique, il faut considérer l’inverse de cette matrice qui fait intervenir le déterminant suivant qui n’a aucune raison d’avoir un bon comportement : En revanche pour la moyenne géométrique :
Elle tient compte de la variance de la matrice
2ˆ BAR uearithmétiq
12/)(det BA
2/1
commutent Bet A
2/12/12/12/12/1 ABBAABAAABA
22212
)(
dsds
wdRRTrds
w
Air Systems Division112
Géodésique On en déduit l’expression de la géodésique
22/12/12 )(log)(, AtAtAD
BABA
tABAAAt t
)2/1()1(et )0(
10 avec )( 2/12/12/12/1
)(tt ]1,0[t
),(.))(,( BADttAD
)2/1(BA
Air Systems Division113
Méthodes récursives du calcul de la racine carrée Itération de Denman-Beabers :
Itération de Schultz (sans inversion de matrice) :
Méthode de Björk via la décomposition de Schur :
Racine Carrée d’une matrices définies positives
0
00
021
00
1
1
1
11
k
k
k
k
k
kk Y
ZZ
YZ
YX
00
0 IA
Xavec alors
00
2/1
2/1
AA
XLim kk
)3(21
00 2
1
11 kk
k
kk XIX
ZY
X
TAQQ Avec T triangulaire supérieurePar récurrence, on calcule : QUQATU 2/12
Air Systems Division114
Moyenne Géométrique de matrices définies positives Moyenne de N matrices symétriques définies positives :
Comment étendre les approches précédentes pour trouver la définition d’une moyenne sur N matrices symétriques définies positives. Une approche naïve consisterait à faire :
non valideeBet
2)
pascommutent ne les sipositives définies ssymétrique passont ne
... )1
A
2/11
2/12/112
2/11
2/12/loglog
/121
121
B
AA
i
NN
eA
AAAAAe
A
AAA
L’extension de la définition de la moyenne de N matricesSymétriques définies positives est un problème ouvert
Air Systems Division115
Moyenne Géométrique de matrices définies positives Moyenne de 3 matrices symétriques définies positives :
Une première idée pour 3 matrices proposé par Denes Petz en utilisant une récursion interprétée comme une procédure de symétrisation :
nnnnnn
nnnnnnnnn
CLimBLimALimCBAGCBCCABBAA
CCBBAAABAAABA
,, , ,
, ,
111
111
2/12/12/12/12/1
Air Systems Division116
Moyenne Géométrique de matrices définies positives Moyenne de N matrices symétriques définies positives :
Une extension de la moyenne géométrique à N matrices définies positives a été proposée récemment par T. Ando sur la base des propriétés suivantes :
3/1
1111
222111
212121
****
000000
3/1
3/1
det.det.det,,det : P9
,,,, : P8
10 avec ,,1,, )1(,)1(,)1( : P7
,,,, ,inversible : P6
),,(),,( monotones tesdécroissan séquences ,, : P5
),,(),,(,, Si : P4),,(),,( alors
),,( den permutatio ),,( : P30,, avec ),,(,, : P2
),,(et ),,( alorscommutent et Si : P1
CBACBAG
CBAGCBAG
λCBAGCBAλGCλCBλBAλAG
SCBAGSCSSBSSASSGS
CBAGCBAGCBA
CBAGCBAGCCBBAACBAGCBAG
CBACBAπCBAGCBAG
AAAAGABCCBAGCA,B
nnnn
nnn
Air Systems Division117
Moyenne Géométrique de matrices définies positives Moyenne de N matrices symétriques définies positives :
T. Ando, C.K. Li et R. Mathias ont proposé la procédure suivantes pour N matrices :
AAALimAAAAG
rAGAGATA
AAA
AG
AAG
AAAAAAAG
r
rkk
kir
iir
irr
k
lii
k
~,...,~ avec ~,,...,
,...2,1 , )(,...,)(
,...,
connu )(
,..., : matricesk pour moyenne lat Connaissanfaire N,...,3kPour
,
)(11
1)(
1)()()1(
11)1(
1k1l
1
2/11
2/12/112
2/11
2/1121
Air Systems Division
Du Barycentre de Fréchet au Barycentre de Karcher
Air Systems Division119
Problème à résoudre « Barycentre de N matrices » :
Moyenne barycentrique
Mediane (Point de Fermat-Weber)
Algorithmes de la moyenne/Médiane : critère à optimiser
N
kk
XXBXdXfX
1,arg)(arg minmin
2
N
kk
XXBXdXfX
1
22 ,arg)(arg minmin
VTBXfgrad X
N
kkX
1
12 exp)(
1
N
kk
AXBXdXfX
11 ,arg)(arg minmin
VT
BXdBXfgrad X
N
k k
kX
1
1
1 ,exp)(
nXn XfgradXn 21 .exp
NkkB 1
nXn XfgradXn 11 .exp
Air Systems Division120
Flot de gradient sur une variété
Air Systems Division
Moyennage de matrices
Air Systems Division122
Moyenne de matrice
2
N
kk
XXBXdXfX
1
22 ,arg)(arg minmin
VTBXfgrad X
N
kkX
1
12 exp)( nXn XfgradX
n 21 .exp
2/12/1
2/12/12/12/11
2/12/1
)(exp
logexp
XeXV
XUXXXUVXX
X
X
2/1
log2/1
11
2/12/1
n
XBX
nn XeXX
N
knkn
avec
2/12/12/12/12 log,log, XBXXBXBXd kkkavec
Air Systems Division123
La géodésique entre 2 matrices X et Y est donnée par :
La moyenne est définie comme barycentre au sens de Fréchet :
X
Y
Géodésique et moyenne géométrique symétrisée
2/1 2/12/12/12/1log2/1 2/12/1
)( XYXXXXeXt tYXXt
2/1log2/1
2/1..2/1
2/12/12/12/11
2/12/1
2/12/1
),(exp
),(exp
logexp)(
XeXtv
XeXtv
XYXXXVVgradv
YXXtYXX
XvXtYXX
XYX
YX
YX
2/1/21 2/12/12/12/1 XYXXXYX
YX )1(et )0( 1,0 avec t
Air Systems Division124
Il s’agit d’un flot de gradient sur la variété Algorithme par descente de gradient
La tangente en X à la géodésique rejoignant X à Bk
La somme des tangentes en X des géodésiques de X aux
2/12/12/12/10
2/1log2/12/1 2/12/12/1
log)()(
2/12/1
XXBXXdt
tdXeXXXBXXt
ktk
k
XBXttkk
k
kkk
2/1
1
2/12/12/1
10 log )( XXBXXG
dttdG
N
kkX
N
kt
k
kX
NkkB 1
Air Systems Division125
Karcher Barycenter & Jacobi Field
2/1log2/12/1 2/12/12/1 2/12/1
)( XeXXXBXXt XBXttkk
k
2/12/12/12/10 log)( XXBXX
dttd
ktk
N
k
N
kkt
k XXBXXdt
td1
2/1
1
2/12/12/10 0log)(
1B 2B
3B
4B
5B
6B
Air Systems Division126
Notations
Soit une géodésique et on introduit une famille de geodesiques , où y est fixé. soit et . Alors est une famille
de champ de Jacobi. De plus, . Ceci permet de calculer
et correspondent aux dérivées cocvariantes
))(exp(exp),( 1 tstsc yy
),( tscs ),(' tscdsdc
),('))(,( tsctyd
),('),,(' tsctscdtd
),( tscdtdc
dtD
dsD
Air Systems Division127
Calcul du gradient
Par bilinéarité, on trouve
En utilisant le fait que , et que (équation géodésique), du au fait que ne dépend pas de s.
Alors,
comme
1
0),('),,(2),('),,('2),('),,(' dstsctsc
dsDtsctsc
dtDtsctsc
dtd
cdsDc
dtD
' 0'cdsD
'c
),1('),,1(),('),,(2),('),,(21
0
1
0tctcdstsctsc
dsddstsctsc
dsD
0),0(' tc
Air Systems Division128
Calcul du gradient
Par définition de c, et On conclue que
Ceci est valide pour tout chemin géodésique , aussi avec et , on obtient le résultat final
)(),1( ttc )(exp),1(' 1)(
ytct
)(exp),(2),('),,(' 1)(
yttsctscdtd
t
)(exp2),( 12 yyxdistxx
x)0(0t
Air Systems Division
Notion d’espace symétrique
Air Systems Division130
En géométrie riemannienne, un espace localement symétrique est une variété riemannienne (M,g) telle que, (localement) autour de chaque point x, il existe une symétrie σx qui inverse les géodésiques issues de x et qui est une isométrie (locale). Un espace localement symétrique est dit symétrique si les
symétries peuvent se prolonger à tout l'espace. De manière équivalente, une variété riemannienne (M,g) est dite symétrique lorsque, pour tout point x de M, il existe une isométrie σx:MM vérifiant : σx(x) = x ; dσx(x) = − Id.
Cette isométrie σx est appelée l'involution en x. Propriétés : Tout espace symétrique est une variété riemannienne
géodésiquement complète, donc complète en vertu du théorème de Hopf-Rinow. Il existe une et une unique involution en x. Le tenseur de courbure d'une variété riemannienne est parallèle.
Il s’agit d’un espace Riemannien symétrique
Air Systems Division131
Pour l’espace considéré, la géodésique entre deux matrices A et B est donnée par :
Pour l’espace symétrique des matrices symétriques ou hermitiennes définies positives, pour chaque paire (A,B), il existe une isométrie bijective qui vérifie :
et Cette isométrie a un unique point fixe Z qui est donné par le milieu
de (A,B), c’est à dire la moyenne géométrique précédemment définie :
avec
Et les propriétés : et Ceci est différent de l’approche classique en traitement du signal
qui suppose un espace normé euclidien :
avec et
Il s’agit d’un espace Riemannien symétrique
1,0 avec )( 2/1log.2/12/1 2/12/12/1 2/12/1
tAeAABAAAt BAAtt
),( BAG ),( BAG BA ),( ABG BA
ZXdXXGd BA ,2,),( )(X -1
),( BABAXG BA 2/12/12/12/12/1 ABAAABA
X- ),( BABAXG BA
2BABA
FBA
),( BABAG BA ),( IBAdG BA
Air Systems Division132
Géodésique et moyenne géométrique symétrisée
),( AGB BA
BGA BA ),( BAXBAXG(A,B)
X
2
BABA
Espace Normé : isométrie(approche traitementdu signal Classique) ),( AGB BA
BGA BA ),(
)(X -1),( BABAXG BA
X
2/1/21 2/12/12/1 ABAAABA
Espace métrique : isométrie
1,0)( 2/1 2/12/12/1
tABAAAt t
Espace Normé : Géodésique
A)0(
B)1(
A)0(
B)1(
1,0)(
tABtAt
Espace métrique : Géodésique
Courbure nulle Courbure négative
Air Systems Division133
« La Messe est dite » par Marcel Berger
• Premier Miracle :
La théorie des espaces symétriques peut être considérée comme le premier miracle de la géométrie riemannienne, en fait comme un nœud de forte densité dans l’arbre de toutes les mathématiques. … On doit à Elie Cartan dans les années 1926 d’avoir découvert que ces géométries sont , dans une dimension donnée, en nombre fini, et en outre toutes classées.
• Second Miracle :
Entre les variétés localement symétriques et les variétés riemanniennes générales, il existe une catégorie intermédiaire, celle des variétés kählériennes. … On a alors affaire pour décrire le panorama des métriques kählériennes sur notre variété, non pas à un espace de formes différentielles quadratiques, très lourd, mais à un espace vectoriel de fonctions numériques (le potentiel de Kähler). … La richesse Kählérienne fait dire à certains que la géométrie kählérienne est plus importante que la géométrie riemannienne.
• Pas d’espoir d’autre miracle :
Ne cherchez pas d’autres miracles du genre des espaces (localement) symétriques et des variétés kählériennes. En effet, c’est un fait depuis 1953 que les seules variétés riemanniennes irréductibles qui admettent un invariant par transport parallèle autre que g elle-même (et sa forme volume) sont les espaces localement symétriques, les variétés kählériennes, les variétés kählérienne de Calabi-Yau, et les variétés hyperkählériennes.
Marcel Berger (IHES), « 150 ans de Géométrie Riemannienne »,Géométrie au 20ième siècle, Histoire et horizons, Hermann Éditeur, 2005
Read More : Marcel Berger, « A Panoramic View of Riemannian Geometry », Springer 2003
M. Berger
Air Systems Division
Médianage de matrices
Air Systems Division135
Médiane de matrice
2/12/1
2/12/12/12/11
2/12/1
)(exp
logexp
XeXV
XUXXXUVXX
X
X
0detet
loglog avec1
22/12/1
2/1loglog
2/11
12/12/1
2/12/1
kn
M
iiFnkn
nXBXXBX
nn
BX
XBX
XeXX
N
k Fnkn
nkn
1
N
kk
XXBXdXfX
11 ,arg)(arg minmin
VT
BXdBXfgrad X
N
k k
kX
1
1
1 ,exp)( nXn XfgradX
n 11 .exp
Air Systems Division136
Médiane plus robuste que moyenne
X : moyenne
: médiane
La médiane est insensible à la présence de points aberrants tant qu’ils restent minoritaires
La moyenne est immédiatement perturbée par la présence de points aberrants
Air Systems Division137
Mediane et point de Fermat-Weber
Laplace (1774) : Laplace a appelée cette valeur « le milieu de probabilité » ou « la valeur probable ». Le terme mediane a été introduit par Cournot dans l’Exposition de la théorie des chancesen 1883.
mxEMinmediandxxPmedian
mX 5.0).(0
Air Systems Division138
Algorithme de gradient non convergent Algorithme médian par descente de gradient
Non différentiabilité aux points de données : problème de convergence En théorie : régularisation au voisinage des points de données et
extraction diagonale (algorithme général adapté de Huiling Le, mais long d’exécution) En pratique : Assez souvent, les points donnés « entourent » la médiane :
convergence Prendre un pas voisin de la précision voulue (50 itérations
suffisent ici )
0detet
loglog avec1
22/12/1
2/1loglog
2/11
12/12/1
2/12/1
kn
M
iiFnkn
nXBXXBX
nn
BX
XBX
XeXX
N
k Fnkn
nkn
Air Systems Division139
Mediane : autre algorithme de gradient régularisé Autre Algorithme Régularisé proposé Critère de minimisation régularisé
Résolution itérative de problèmes d'optimisation convexes régularisés, dont la suite des solutions converge vers la médiane. Étape m :
Critère d’arrêt :
converge
convergeconvergeconverge
N
k Fmkm
nmknm
econvergenc
nmm
Fnmnmnm
nmXBX
XBX
nmnm
nmmm
XX
XXX
XeXX
XXX
,11
2/11,1,
2/11,1
2/1,1
log
log
2/1,11,1
,0,1
alors
log:arrêt
12/12/1
2/1,1
2/1,1
N
k km
k
Xm BXd
BXdX1
2
1 ,,argmin
Fmmm XXX 2/1
12/1
1log
Air Systems Division
Equation de diffusion sur un graphe de matrices
Air Systems Division141
Equation de la chaleur de Joseph Fourier « Les équations différentielles de la propagation de la
chaleur expriment les conditions les plus générales, et ramènent les questions physiques à des problèmes d’analyse pure, ce qui est proprement l’objet de la théorie ... Les formes des corps sont variées à l’infini, la distribution dela chaleur qui les pénètre peut être arbitraire et confuse; mais toutes les inégalités s’effacent rapidement et disparaissent à mesure que le temps s’écoule. La marche du phénomène devenue plus régulière et plus simple, demeure enfin assujettie à une loi déterminée qui est la même pour tous les cas, et qui ne porte plus aucune empreinte sensible de la disposition initiale ... .Les théories nouvelles, expliquées dans notre ouvrage sont réunies pour toujours aux sciences mathématiques et reposent comme elles sur des fondements invariables; elles conserveront tous les éléments qu’elles possèdent aujourd’hui, et elles acquerront, continuellement plus d’étendue. »
Joseph Fourier (1768-1830), « Discours préliminaire à la théorie analytique de la chaleur »
J. Fourier
Air Systems Division142
Équation de diffusion & géodésique Équation de diffusion sur un graphe 1D de données scalaires Dans un espace vectoriel normé dans le cas unidimensionnel,
l’équation de diffusion s’écrit via le Laplacien discret:
avec la moyenne arithmétique : L’équation de Fourier discrétisée peut également s’écrire :
Par analogie sur la base du flot de Karcher, il est possible d’écrire une équation de diffusion sur un graphe 1D de matrices,via la moyenne géométrique des voisins :
nnnnnn uu
xxuu
xuu
xtu
xu
tu
ˆ21
211
2
2
2/ˆ 11 nnn uuu
2,,,,2,12 avec ˆ.).1(ˆ2
xtuuuu
xtuu tntntntntnn,t
tnA ,ˆ tntn AA ,1,1 ,
2/1
,1/21 2/1
,1,12/1,1
2/1,1,2
2/1,
2/1,,
2/1,
2/1,
2/1,
ˆlog22/1
,1,
ˆet x
t2 avec
ˆ2/1
,,2/1
,2
tntntntntntn
tntntntntntn
XXXx
t
tntn
XXXXXX
XXXXXXeXXtntntn
J. Fourier
Air Systems Division143
Diffusion isotrope par l’équation de la chaleur de Fourier
2
2
2
2
yu
xuu
tu
Air Systems Division144
Équation de diffusion & géodésique Équation de diffusion sur un graphe 1D de matrices
Interprétation géométrique : A partir des géodésiques et entre , et :
Comme dans le cas euclidien on remplace la moyenne pondérée par un barycentre pondéré géodésique :
2/1
,1/21 2/1
,1,12/1,1
2/1,1,2
2/1,
2/1,,
2/1,
2/1,
2/1,
ˆlog22/1
,1,
ˆet x
t2 avec
ˆ2/1
,,2/1
,2
tntntntntntn
tntntntntntn
XXXx
t
tntn
XXXXXX
XXXXXXeXXtntntn
)(1,
, tn
tn
XX
)(,
,
ˆ tn
tn
XX tnX , 1, tnX tnX ,
ˆ
2/1,,
2/1,2
2/1,1,
2/1,
ˆlog2log
tntntntntntn XXXx
tXXX
tn
tntnXtnX
tn
tn
tn
tn XX
XX
XX TT
dd
xt
dd
,
,1,,
,
,
1,
, ˆ
0
ˆ
2
0
//)(
.2)(
yxyx )1(.
2/12/12/12/1 ABAAABA
J. Fourier
Air Systems Division145
Équation de diffusion : contrainte de discrétisation Une première remarque concernant une contrainte qui apparaît :
vfffff
Tx
txvv
xuuuuuuuu
u
xtuuuu
xtuu
EE
EE
tntntntn
tntntntnn,t
tntntntntnn,t
242
avec 1Shannon on vérifie Si
posant en 2soit 1ˆ si ,ˆ
ˆ si ˆ,
2 avec ˆ.).1(ˆ2
maxmax
,,,,
,,,,1
2,,,,2,1
Air Systems Division146
Équation de diffusion : Du discret au continu L’équation de diffusion discrète sur un graphe 1D de matrices
symétriques ou hermitiennes définies positives est donnée par :
Pour remonter à l’équation continue de diffusion, il faut utiliser l’équation de Campbell-Hausdorff :
2/1
,1/21 2/1
,1,12/1,1
2/1,1,2
2/1,
2/1,,
2/1,
2/1,
2/1,
ˆlog22/1
,1,
ˆet x
t2 avec
ˆ2/1
,,2/1
,2
tntntntntntn
tntntntntntn
XXXx
t
tntn
XXXXXX
XXXXXXeXXtntntn
YXXYYX
XYYYXXYXYXee YX
, avec4 degré de termes
,,121,,
121,
21log
Air Systems Division147
Équation de diffusion : Du discret au continu L’équation de diffusion discrète ré-écrite via l’équation de
Campbell-Hausdorff :
2/1
,,2/1
,2/1
,1,2/1
,2
2/1,,
2/1,2
2/1,1,
2/1,
2/1,,
2/1,
2/1,1,
2/1,
2/1,,
2/1,
2/1,1,
2/1,
ˆloglogˆloglog
ˆlog,log1
ˆlog2log
0ˆlog,log21
ˆloglog
0log2/1
,,2/1
,2/1
,1,2/1
,2/1
,,2/1
,2/1
,1,2/1
,
tntntntntntn
tntntntntntn
tntntntntntn
tntntntntntn
XXXXXXXXXXXX
XXXXXXx
XXXxt
XXX
XXXXXX
XXXXXX
eeIee tntntntntntntntntntntntn
2
2
2
2 log,log2
loglogx
Xt
Xdtx
Xt
X
Air Systems Division148
Équation de diffusion anisotrope Regardons maintenant le cas anisotrope classique : Dans le cas général diffusion sur une variété, l’équation de diffusion
de Laplace-Beltrami s’écrit : Métrique :
Équation de diffusion :
Dans le cas 1D isotrope :
Dans le cas 1D anisotrope :soit :
2
222
xu
tudxds
Njiji
N
kjiji ggdxdxgds
1,,1
,2 avec
Njiji
ji j
ij
i
ggxugg
xgtu
1,,1
, avec )det(
)det(1
22
222 1 dxxududxds
2
1xug
xu
xu
xxu
tu
2/122/12
11
Air Systems Division149
Équation de diffusion anisotrope : cas scalaire 1D Dans le cas 1D anistrope :
Si on discrétise :
avec
xu
xu
xxu
tu
2/122/12
11
xuu
xuu
xt
uu tntntn
tntntn
tntnn,t
,1,,
,,1,
,,1
.
2
,1,1, 1
xuu tntn
tn
2
,,1, 1
xuu tntn
tn
2
,1,, 1
xuu tntn
tn
Air Systems Division150
Diffusion anisotrope
Diffusionisotrope
Diffusionanisotrope
Air Systems Division151
Diffusion anisotrope
En bleu, signal soumis à la diffision anisotrope
En vert, différence entre le signal original auquel est soustrait le signal
diffusé anisotropiquement au cours de la diffusion
(apparition des cibles)
Air Systems Division152
diffusion anisotrope sur un graphe de matrices Dans le cas 1D anisotrope, par analogie sur un graphe de
matrices :
Pour la distance , on prend :
2/12,1,
,
2/12,,1
,
2/12,1,1
,2,,,
,,
,
2/1,1
2/1,1,1
2/1,1
2/1,1
2/1,1
log2/1,1,
2/1,
2/1,,
2/1,
2/1,
2/1,
ˆlog2/1,1,
,1et
,1
,1,
. ,
ˆ avec
ˆ2/1,1,1
2/1,1
2/1,,
2/1,
xXXd
xXXd
xXXd
xt
XXXXXXeXX
XXXXXXeXX
tntntn
tntntn
tntntn
tntntn
tntn
tn
tntntntntntnXXX
tntn
tntntntntntnXXX
tntn
tntntn
tntntn
0detet
loglog,
21
1
22/112
2/1121
XX
XXXXXdM
iiF
Air Systems Division153
Diffusion Isotrope Simulation
Air Systems Division154
Diffusion anisotrope Simulation
Air Systems Division155
Les différentes diffusion à 50 itérations
Air Systems Division155
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
20 40 60 80 100 120 140 160 180 200
10
20
30
40
50
60
70
80
90
100
Diffusion classique Diffusion médianage
Diffusion
Isotrope
Diffusion
Anisotrope
Air Systems Division156
Les différentes diffusions
156
Diffusion Isotrope Diffusion Anisotrope
Medianage Isotrope Medianage Anisotrope
Moyennage Isotrope Moyennage Anisotrope
Air Systems Division
Métrique de Siegel pour les modèles autorégressifs complexes
Air Systems Division158
Modèle Multivarié Gaussien Complexe CirculaireModèle du signal Radar : Modèle Multivarié Gaussien Complexe Circulaire :
Modèle Radar :
Utilisation d’un modèle autorégressif complexe :
Littérature mathématique + lien avec l’algorithme d’Issai Schur (1875-1941) [Alpay] D. Alpay, « Algorithme de Schur, espaces à noyau reproduisant et
théorie des systèmes », Panoramas et synthèse, n°6, Société Mathématique de France, 1998
nnnnnnn
RRTrn
nnn
RREmYmYR
eRRYp nn
ˆet .ˆ avec
..)()/(1.ˆ1
kikkkk
n
n
nnn
n
eibayy
yY
YYER
m
avec
positive définie Toeplitz ehermitienn
nulle moyenne de processus 0
1
TNN
NNkknn
N
knkn
Nkn aaAbbEbyay )()(
12
0,*
1
)( ...et avec
Air Systems Division159
Structures blocks des modèles CAR Les modèles autorégressifs complexe modélise le signal
radar multivarié gaussien complexe circulaire de moyenne nulle.
Rappel : Métrique de Rao-Siegel dans le cas Hermitien défini positif :
La matrice de covariance a une structure blocks :
TABTrBAAAAdRRRdRRTrds ,et , avec 222/12/1212
0detet loglog, 2/112
2/11
1
222/112
2/1121
2
IRRRRRRRRDn
kk
1111111
1111
....
nnnnnn
nnnn AARA
AR
111
1111111
....
nnn
nnnnnnn RAR
RAARAR
*)()(111
121 .
00100100
où 1
.0
et .1 avec VVAA
A nn
nnnnn
Air Systems Division160
Géométrie du demi-plan/disque de siegel Etude du domaine fondamental de Minkowski : Domaine fondamental étudié par Minkowski (utilisation du système de coordonnées
partielles d’Iwasawa) (lien avec l’algorithme de Goldberg : inversion d’une matrice de covariance avec modèle autorégressif)
Domaine fondamental par Grenier, il utilise le système de coordonnées :
Air Systems Division161
Structures blocks des modèles CAR La matrice ou qui
intervient dans la métrique de Siegel conserve la structure Blocks
Conservation de la structure Blocks :
On en déduit que les valeurs propres étendues sont zéros de la fonction :
2/1)1(1)2(2/1)1( .. nnn RRR 2/1)1()2(2/1)1( .. nnn RRR
)1(1
)2(1
1-n)1(1
)2(1
2/1)1(1
)1(11
111111
1112/1)1(1)2(2/1)1(
et .. avec
....
..
n
nnnnnn-
nnnnnn
nnnnnnn
AARW
WWWW
RRR
111
1)(
11)()(
1,
)(
1
1)()1(
2)1(1)(
11)()()(
.....1
0.
..
nnnn
knnn
kn
k
nk
n
in
kn
i
ninn
knnn
kn
kn
WUIUXX
XWF
Air Systems Division162
Structures blocks des modèles CAR On en déduit un algorithme récursif sur l’ordre et
parallèlisable pour chaque valeur propre étendue :
111
1)(
11)()(
1,
)(
1
1)()1(
2)1(1)(
11)()()(
.....1
0.
..
nnnn
knnn
kn
k
nk
n
in
kn
i
ninn
knnn
kn
kn
WUIUXX
XWF
..
.1 )(1,
)(2/1
1
12)()1(
2)1(12)(
)(1,
)(
nk
nk
n
in
kn
i
ninn
knk
nk
XXXW
XX
1
12)1(
2)1(1
)1(
12)(1,
)(
1)(
1..
.1.
n
kn
k
nkn
nk
nnk
nk
nn XA
X
F
nnnnn
nn
nn
n Tr
)(1
)1(1
)(2
)(1
)1(1
)( ...0
1111
11.
nnnnn AA
TrTr
)()4( F
Courbe strictement croissante sur chaque intervalle :
)3(1
)3(2
)3(3
4Tr
)4(1
Renormalisation à chaque itération :
avec
)4(3
)4(2
)4(4
.A
1
1
n
1=k)(
1,
)(1)()(
1-n
1
1)()(
nk
nk
nk
n
n
k
nk
n
XXF
F
Interprétation en terme de projection :
0
Air Systems Division163
Récursivité sur l’ordre de la métrique de Siegel Si on utilise la structure blocks des matrices, on peut
calculer la métrique de Siegel à l’ordre n par rapport àl’ordre n-1
Equation récursive sur la métrique de Siegel faisait apparaître la matrice de Fisher sur les paramètres autorégressifs:
On peut remarquer que le second terme s’écrit :
Ceci s’interprète en terme de géométrie de l’information
1111
2
1
121
212 ....
nnnn
n
nnnnn dARdAddsdRRTrds
1
1
111
11111
2
1
1 log0
01.
log...
n
n
nnn
nnnnn
n
n
Ad
RAddARdAd
11
111ˆ
log
nn
nnnA
A
RAIn
111
1
1
1
001loglog
nnn
n
n
n
Ri
AAZ
Extension du casGaussien scalaire(Géométrie de l’information)
Air Systems Division164
Racine carré non-symétrique du groupe de Siegel On s’intéresse à la décomposition de Cholesky de la
matrice : En faisant intervenir les racine carrée des matrices définies positives :
Toute distribution de variable n-dimensionnel est associée naturellement au groupe Affine : c’est l’élément tel que son action sur le vecteur le transforme en vecteur aléatoire :
On peut considérer cette représentation des éléments du groupe affine comme la racine carrée non-symétrique d’un élément du groupe de Siegel :
2/11
2/1112/1
11
2n
1111
121
.et 01
1 avec
.
1.1..
nnnnn
n
nnnn
nnnnnnn
AW
AAAA
WWR
),0(~ nn INZ
),(~ nnn ANX
XAZZA nnnn
1.
11.
01
12/11
2/111
1111
1
.1
nnnn
n
AAAA
Air Systems Division165
Expression récursive de la divergence de Kullback On s’intéresse à l’expression récursive de la divergence de
Kullback : La structure de la divergence de Kullback est donnée par :
Si on utilise de plus les relations suivantes :
On obtient l’expression récursive sur l’ordre de la divergence de Kullback :
nTrRRK nnnn ln21, )2()1(
)1(11
)1(1
2)1(
)1(
)1()1()1()1()1(1
)2(1
1-n)1(1
)2(1
)1(11-n
111111
1112/1)1(1)2(2/1)1(
001
01
1
1
.. avec et .Voù
....
..
nn
n
n
n
nnnnn
nnnn
nnnnnn
nnnnnnn
FIA
F
FFRAAF
VVVV
RRR
11. nnn 1111 .1. nnnnn VVTrTr
11111)2(1
)1(1
)2()1( ln..121,,
nnnnnnnnn VVRRKRRK
Air Systems Division
Modélisation variationnelle de l’analyse autorégressivecomplexe et le flot de la chaleur sur ces modèles
Air Systems Division167
Formalisation variationelle de l’analyse AR Le théorème de Parseval permet de modéliser l’analyse
autorégressive complexe sous forme variationnelle : Le théorème de Parseval nous dit que :
Si on rajoute un terme de régularisation ( a priori de douceur spectrale) :
Grâce à l’isomorphisme canonique entre le plan Euclidien et le plan complexe, nous formalisons le problème de régularisation de la prédiction linéaire sous l’angle du calcul des variations.
21
0
2)( )()(ˆ)( keEdffSfA nzn
n
kkn
nkkkn zazzke
0
)(ˆ)(
)()(ˆ)(,,
avec ,,)(
)(2)()()(
1
0
)()()(
fAfSfAAAfL
dfAAfLfAS
nfz
nnf
n
nf
nn
*2
0
)(0
2)()( ˆet ˆ)(ˆ ,1et )( kmmkk
fkjkz
n
k
nfkink
n zzErerfSaeafA
2XX
tiquecas quadra
Air Systems Division168
Formalisation variationelle de l’analyse AR La solution variationnelle de l’analyse autorégressive ,
donnée par l’équation d’Euler-Lagrange Complexe, est solution de l’EDP de type « Schrödinger » :
Equation d’Euler-Lagrange « complexe » (régularisation quadratique) :
Solution de l’EDP :
Dans le cas non régularisé, le Cepstre évolue comme suit :
)*()*( nnf A
LAL
dfd
)(ˆ).()(.)( )(2
)(2)(
fSfAf
fAt
fAz
nnn
2)(2)()()( )()(ˆ)(,, fAfSfAAAfL nfz
nnf
n
)()()(ln)()(
)()( fSt
fCfAfC z
nnn
Air Systems Division169
Formalisation variationelle de l’analyse AR Le théorème de Kolmogorov-Szegö-Krein devient alors
une conséquence du théorème d’Emmy Noether : La fonctionnelle est invariante selon :
Le théorème de Noether nous indique alors que :
Ce qui est l’objet du théorème de Kolmogorov-Szegö-Krein :
NnsnfffAefAfA
fASfAS
nnsin
sn
s
nn
ns
et où )(et )(.)()( avec
)())(()(.)()(
)()(
fcstef.S(f)Af
(f).S(f)Az
(n)z
(n)
02
2
2/1
2/1
)(
).(log2/1
2/1
2)( ).(.)(dffS
zn
A
z
nedffSfAInf 2)(
2
)()(
fAfS
nz
Air Systems Division170
Régularisation variationnelle d’un modèle AR Exemple de régularisation :
On observe la disparition des pics parasites sur une analyse Autorégressive à très faible nombre d’échantillon :
Air Systems Division
Procédé parMédiane de modèles autorégressifs complexes
Air Systems Division172
Géométrie de Kähler La géométrie d’Erich Kähler étend la géométrie
Riemannienne au domaine complexe : La forme riemannienne définie positive définissant la métrique de
Kähler est donnée par :
Condition de Kähler condition : Il existe localement une fonction potentielle de Kähler, (et les équivalentes Pluri-harmoniques) telle que :
Le tenseur de est alors donné par :
Et la courbure scalaire :
n
ji
jiji dzdzgds
1,
2 .2
jiji zzg
2
ji
lkji zz
gR
detlog2
n
lklk
lk RgR1,
.
Air Systems Division173
Modèle Autorégressif ComplexeModèle du signal radar : Modèle multivarié complexe circulaire :
Modèle Radar :
Modèle autorégressif complexe :
Lien avec l’algorithme de Issai Schur’s algorithm (1875-1941) [Alpay] D. Alpay, « Algorithme de Schur, espaces à noyau reproduisant et théorie
des systèmes », Panoramas et synthèse, n°6, Société Mathématique de France, 1998
nnnnnnn
RRTrn
nnn
RREmZmZR
eRRZp nn
ˆet .ˆ avec
..)()/(1.ˆ1
ki
kkkkT
nn
nnn
n
eiyxzzzZ
ZZER
m
avec
Positive Définie eHermitienn Toeplitz
nulle moyenne de processus 0
1
TNN
NNkknn
N
knkn
Nkn aaAbbEbzaz )()(
12
0,*
1
)( ...et avec
Air Systems Division174
Estimation des paramètres autorégressifs régularisés Nous utilisons l’algorithme de Burg régularisé (brevet THALES : F. Barbaresco,
« Procédé et dispositif de détermination du spectre de fréquence d’un signal », brevet n° 95 06983, Juin 1995)
)(.)1()( )1(.)()(
11 , .
1
).()2.( avec ..2)1()(1
...2)1().(2 à 1Pour : (n) .
1
)(.1ech.) nb. : (N 1 , )()()(f
:tion Initialisa .
1*
1
11
)(
)*1()1()(
)(0
221
)(
1
1
0
2)1()(21
21
1
1
1
)1()1()(*11
)0(0
1
20
00
kfkbkbkbkfkf
a
,...,n-k=aaa
a
nkakbkf
nN
aakbkfnN
MnItérationa
kzN
P
,...,N k=kzkbk
nnnn
nnnn
nn
n
nknn
nk
nk
n
nkN
nk
n
k
nk
nknn
N
nk
n
k
nkn
nk
nknn
n
N
k
Air Systems Division175
modèle autorégressif et matrice de covariance La matrice de covariance et son inverse peuvent être
paramétrée à partir des paramètres du modèle autorégressif : Structure Blocs de la matrice de covariance :
1111111
1111
....
nnnnnn
nnnn AARA
AR
111
1111111
....
nnn
nnnnnnn RAR
RAARAR
*)()(111
121 .
00100100
où 1
.0
et .1 avec VVAA
A nn
nnnnn
Air Systems Division176
Métrique de Kähler d’un modèle autorégressif complexe Dans le cadre de la géométrie Affine de l’information, la
métrique est donnée par le Hessien de l’entropie qui joue ici le rôle du potentiel de Kähler :
L’entropie d’un modèle multivarié gaussien de moyenne nulle :
On peut choisir comme modèle de paramétrisation les coefficients de réflexion
enRRΦ logdetlog~
-RHΗΗΦg
jiij
et ~2
0
1
1
2 ..ln.1ln).(~ Penkn)(RΦn
kkn
n
kk
nnn
zn
P1
20
10
11
21
1 avec
.1
1
1
20
1
0
1 1detn
k
kn
kn
n
kknR
nn
nnnnn
RRTrn
nnn
RRE
mZmZR
eRRZp nn
ˆet
.ˆ avec
..)()/(1.ˆ1
Air Systems Division177
Erich Kähler…
L’entropie U=-logdet[R] , pour les modèles autorégressifs complexes, peut être considéré comme un potentiel de Kähler qui est paramétrisé à partir des coefficients de réflexion. Cette expression est alors la même que celle proposée par E. Kähler
« Kähler Erich, Mathematical Works », Edited by R. Berndt and O. Riemenschneider, Berlin, Walter de Gruyter, ix, 2003
Papier initial d’Erich Kähler, 1932, Hambourg
Air Systems Division178
Métrique de Kähler : cas hyper-Abelian On retrouve la métrique proposée par E. Kähler dans son
papier initial : : Kähler a nommé ce cas « hyper-Abelian » :
Autre métrique proposée par Kähler, appelé cas « hyper-fuchien » :
),(ln1ln.1
1
2 zzKzΦ D
n
kkk
,...1 1 / et
1),(Bregman deNoyau
avec1
1
2
nkzz
zzz : K
k
n
kkD
k
1 / with 1ln.1k
2
1
2n
k
n
kk zzzΦ
Air Systems Division179
On définit une métrique « Doppler » metric dans le cas de modèles autorégressifs complexes comme le Hessien d’un potentiel de Kähler, où le potentiel est donné comme dans le cas de la géométrie affine de l’information par l’Entropie:
Le potentiel de Kähler paramétré par :
La métrique associée est alors calculée :
10
1
1
2 ..ln.1ln).(~
enkn)(RΦn
kkn
Tnn
nTn
n P )()(1110
)(
20
2011
nPng 221
).(
i
ijij
ing
1
122
22
0
02
1)(.
n
ii
in
din
PdPnds
Métrique de Kähler d’un modèle autorégressif complexe
TnP 110
Air Systems Division180
Courbure scalaire du modèle autorégressif complexe
On utilise l’expression du tenseur de Ricci dans le cas de la géométrie de Kähler :
En géométrie de Kähler, le tenseur de Ricci est donné par :
Pour le cas du modèle autorégressif complexe, on obtient alors :
On en déduit le calcul de la courbure scalaire qui est négative :
ji
lkji zz
gR
detlog2
1,...,2for 1
2
12
22
20
11
nkR
PR
k
kllk
lk
lklk RgR
,
.
n
n
j jnR
1
0 )(1.2
Air Systems Division181
Modèle autorégressif # métrique de Kähler-Einstein La métrique précédente n’est pas une métrique de type
Kähler-Einstein, mais une structure « matricielle » proche Une métrique est dite de Kähler-Einstein metric si son tenseur de ricci
est proportionnel à la métrique :
Dans le cas de la métrique de Kähler-Einstein, le potentiel de Kähler est solution de l’équation de Monge-Ampère :
Pour un modèle autorégressif complexe, on a :
,....,2où et
)(1.2 avec
1)(
1
0
)()(
indiagB
jnBTrRgBR
n
n
j
nij
nij
ji
ji
lklkji zz
kzz
gkgkR
2
0
2
00 .detlog
constant : avec .
holomorphefonction Kähler de Potentiel
avec )det( 02
ψ : Φ :
eg klk
Air Systems Division182
Flot de Calabi & Kähler-Einstein Il existe 2 flots particuliers qui sont déduit de fonctionnelles
dépendant uniquement de la courbure scalaire intégrée sur la variété
Le flot de Kähler-Einstein est donné par :
Le flot de Calabi est donné par (il agit directement sur le potentiel) :
L’inégalité entre les deux fonctionnelles est donnée par :
Action de Hilbert Flot de Ricci
M
M
gdV
gdVgRR
)(
)()(
M
gdVgR )()(jiji
ji gnRR
tg
Action de Calabi Flot de Calabi *
*2 ,
jiji zz
zzg
Flot de Calabi
M
gdVgRgS )()()( 2
*
2
ji
ji
zzR
tg
RRt
MM
gdVgdVgRgS )(/)()()(2
Air Systems Division183
En dimension 2 de la variable complexe, les deux flots sont reliés l’un à l’autre :
Ionnas Bakas a montré le lien entre les 2 flots en remarquant que :
Si la dérivée seconde par rapport au temps du flot de Kähler-Ricci est identifiée à l’opposée de la dérivée première du temps du flot de Calabi , alors les 2 flots sont équivalents :
Ionnas Bakas : Relation entre les 2 flots
RRgt
g
tg
zztg
zzgR
tR
tg
Rt
g
jiji
ji
ji
ji
jiji
jiji
jiji
,
*
2
2
2
*
2
2
2
)det(log
)det(log
)det(log
CR tt
t
2
2
*
2
2
2
ji
ji
zzR
tg
Air Systems Division184
Bakas a établie les relation suivante :
Ionnas Bakas : flots agissant sur le potentiel*),,(2 .2
*
dzdzeds tzz
*
2
*zz
Rzz
et )det(log
** *
2
egzz
gRzzzz
*
2
*
2
*
2
.. avec zz
et
zzte
zzteR
tg
jiji
Flot de Kähler-Ricci
t
zzte
zzeRgR
zzR
tg
jiji
jiji
*
2
,*
2
*
2
et
Flot de Calabi
Air Systems Division185
Si on étudie sur la base de la métrique de Siegel (donnépar le Hessien de l’Entropie du processus AR), la métrique est déformée comme suit :
Flot de Kähler-Ricci sur les coefficients de réflexion :
Flot de Calabi sur les coefficients de réflexion :
flots de kähler-Ricci et Calabi sur les modèle AR
ijij Rt
g
)()0()(
1)(.)0(11)(
000
2)(22
PePtP
et
tnt
itin
t
ii
)(),0(
)(
tt
RRt
)()0()(
1)(.)0(11)(
0
2
00
2)(2
22
2
2
PePtP
et
tn
t
itint
ii
Air Systems Division186
Algorithme médian sur les coefficients de réflexions 1/2On se donne , où est un n uplet des coefficients de réflexion à tous les ordres précédés du coefficient de puissance . On calcule d’abord , dans R (méthode classique de calcul du médian pour une valeur scalaire).On estime ensuite la médiane des coefficients de réflexions complexes algorithmiquement : on ramène ces coefficients du disque unité dans le demi-plan de Poincaré avec :
On note Les géodésiques sont alors des demi-cercles centrés sur l’axe des abscisses
1)()(0
)(1
)(1
)(0 ),(),...,,(
nkkkn
kkk DRPP N ,...1
HDC :1
)(
)()()(
11
kj
kjk
jk
j iz
)( )(1)( kk Cz
)))log(),...,log(),(log(exp( )(0
)2(0
)1(00
Nmedian PPPmedianeP
)(1
)(1
)( ,, kn
kk
)(0
kP
c
Air Systems Division187
Algorithme médian sur les CROn initialise l’algorithme à un point quelconque Z dans H :
A l’étape p, on se déplace selon le gradient:
où Z est l’estimé courant et ck désigne le centre de la géodésique rejoignant Z à zk.
L’entier p, initialisé à 1, décroît si l’écart entre deux itérés est moindre que 1/p.Après convergence, on retourne à :
N
kk
lp
l
kl
plk
lp
lplZ pcZ
cZzZsigneit1
)()(
)()()()()(
, /1)(
)Re(2 )()(
2)(2)()(
pl
kl
pl
klk
l ZzZz
c
TnZZZ )0(1
)0(1
)0(
avec
)Im()Re()Im(
)Re( )()(
,
)(,)(
)(p
lplZ
plZp
lZZ
tt
Zc pl
)arg( )()()(
plZ
pl
pl cZ
pcZ
cZcZsigne
MkicZcZ
pl
pl
pl
pl
pl
Zp
l
Zp
l
Zp
lp
lZp
lZp
l/1
))(Re(2
1exp)(
)(
)()()()(
)()()()()1(
iZiZ)C(Zμ
PPPmedianePZCP
convl
convlconv
lmedianl
Nmedian
)(
)()(
)(0
)2(0
)1(00 )))log(),...,log(),(log(exp(
avec ))(,(
Air Systems Division188
Flot de gradient dans le disque unité de Poincaré
)( plZC
)1( plZC
)1()1(ll zC
)2()2(ll zC
)3()3(ll zC )4()4(
ll zC
Air Systems Division189
Résultats sur le premier coefficient de réflexion
Superposition pour toutes les cases distances des moyennes et médianes
locale, avec les points de données
Air Systems Division
Flot de la chaleur & Géométrie de l’information
Air Systems Division191
L’équation de la chaleur fait intervenir une moyenne : Opérateur de Laplace intervenant dans le Flot de Fourier de la chaleur:
Ceci reste vrai avec le Laplacien en dimension supérieure :
Équation de la chaleur et Géométrie de l’information
202
2
xxxxxxxLim
x x
2)(ˆ avec )(ˆ2
22
2 xxxxxxxxx
n
nn
n
n
xxxxxxxxx
xxxxx
div
2...)(ˆ avec
)(ˆ2...)(
11
22
2
21
2
Air Systems Division192
L’équation de la chaleur fait intervenir une moyenne : Opérateur de Laplace-Beltrami intervenant dans le Flot de Beltrami sur
une variété :
L’équation de la chaleur se met donc sous la forme générale :
ji j
ij
ig x
ggxg,
1
n
n
g
xxxxg
g
xxxxx
xxx
gg
...et où
2)(ˆ avec
)(ˆ2
21
,
,
2,
,
2
2
xxt
)(ˆ
Équation de la chaleur et Géométrie de l’information
Air Systems Division193
xxt
)(ˆEquation de la chaleur
ˆˆ2
dtd
dtd 1 IR
21222. dtIdtRddE
ˆ.ˆ.ˆˆ ddddEddE
2
222ˆ
22
..
..
ˆ..ˆˆˆ.
ndtdI
dtd
dtndsdId
dtndIdddEITr
I
Équation de la chaleur et Géométrie de l’information
Air Systems Division194
Équation de la chaleur et géodésique : La géodésique est donnée par :
Pour une courbe géodésique , son vecteur tangent est de longueur constante par rapport à la métrique , soit :
La constante peut être choisie pour être de valeur unité quand le paramètre t est choisi comme étant le paramètre d’arc curviligne « s ».
Interpretation of Heat Equation by Information Geometry
)(t )(tdtd
Ids
2
,
ndt
ddt
dgji
jiij
2..)(ˆ ndtdI
dtdxx
t
Air Systems Division
Conclusion
Air Systems Division196
Références Bibliographiques[1] F. Barbaresco & G. Bouyt, "Espace Riemannien symétrique et géométrie des espaces de matrices de covariance : équations de diffusion et calculs de
médianes", colloque GRETSI'09, Dijon, Sept. 2009[2] F. Barbaresco, "New Foundation of Radar Doppler and Array Processing based on German Mathematical Works: Geometry of Metric Spaces with
negative curvature and Von-Mangoldt-Cartan-Hadamard Manifolds", IRS'09, Hamburg, Sept. 2009[3] F. Barbaresco, “Interactions between Symmetric Cone and Information Geometries”,LIX Fall Colloquium ETCV’08, Ecole Polytechnique,Springer
Lecture Notes in Computer Science, vol.5416, pp. 124-163, 2009, http://www.springerlink.com/content/978-3-642-00825-2[4] F. Barbaresco, “Applications of Information Geometry to Radar Signal Processing”, Video Lectures, http://videolectures.net/etvc08_barbaresco_aoigt/[5] M. Arnaudon and X. Li, « Barycentres of measures transported by stochastic flows”, Ann. Probab. 33, no. 4, pp.1509-1543, 2005[6] C.L. Siegel, «Symplectic Geometry», Acad. Press, 1964[7] M. Émery, G. Mokobodzki, «Sur le barycentre d'une probabilité dans une variété » . Séminaire de probabilités de Strasbourg, n° 25, p. 220-233, 1991[8] H. Karcher, «Riemannian center of mass and mollifier smoothing”, Comm. Pure Applied Math., °30,pp.509-541,1977[9] A. Terras, «Harmonic Analysis on Symmetric Spaces and Applications II», Springer-Verlag, 1988[10] V. Arsigny «Log-Euclidean metrics for fast and simple calculus on diffusion tensors», in Magnetic Resonance in Medicine, Volume 56 Issue 2, Pages
411 - 421, Jun 2006.[11] M. Calvo, J. Oller, «A distance between multivariate normal distributions based in an embedding into the Siegel Group”, Journal of Multivariate
Analysis, vol.35, pp. 223-242, 1990[12] M. Calvo, J. Oller, «An explicit solution of information geodesic equations for the multivariate normal model”, Statistics and Decisions., vol.9, pp.
119-138, 1991[13] Huiling Le, “Estimation of Riemannian Barycenters”, Proc. London Math. Soc., pp. 193-200, 2004[14] Harris, W. F., “The average eye”, Ophthalmic Physiol. Opt., n°24, pp. 580–585, 2004[15] H.C.F. von Mangoldt, “Über diejenigen Punkte auf positiv gekrümmten flächen, welche die eigenschaft haben, dass die von ihnen ausgehenden
geodätischen Linien nie aufhören, kürzeste Linien zu sein“, J. Reine Angew.Math., n°91, pp.23-52, 1881[16] E. Kähler, “Über eine bemerkenswerte Hermitesche Metrik”, Abh., Math. Sem. Hamburg Univ., n°9, pp.173-186, 1933[17] K. T. Sturm, “Probability measures on metric spaces of nonpositive curvature”. Contemp. Math. 338 , 357-390, 2003[18] E. Cartan, "Sur les domaines bornés homogènes de l'espace de n variables complexes", Abh. Math. Semin. hamb. Univ., n°11, pp.116-162, 1935,
www.numdam.org[19] C.R. Rao, "Information and Accuracy attainable in the estimation of statistical parameters", Bull. Calcutta Math. Soc., n°37, pp.81-91, 1945[20] S. Yoshizawa and K. Tanabe, "Dual Differential Geometry associated with the Kullback-Leibler Information on the Gaussian Distributions and its 2-
parameter Deformations", SUT Journal of Mathematics, vol.35,n°1, pp.113-137, 1999[21] T.Ando and al., "Geometric Means", Linear Algebra Appl., vol.385, pp.305-334, 2004[22] F. Bruhat and J. Tits, « Groupes réductifs sur un corps local », IHES, n°41, pp.5-251, 1972[23] H. Cartan, "Ouverts fondamentaux pour le groupe modulaire",Séminaire Henri Cartan, tome n°10, n°1, exp.n°3, p.1-12, 1957[24] N.N. Chentsov, "Statistical Decision Rules and Optimal Inferences", Trans. of Math. Monog., n°53, Amer. Math. Society, Providence, 1982[25] J. Faraut and A. Koranyi, "Analysis on Symmetric Cones", Oxford University Press, 1994[26] K. Koufany, "Analyse et Géométrie des domaines bornés symétriques", HDR, Institut de Mathematiques Elie Cartan, Nancy, Nov. 2006[27] C. P. Niculescu, “An Extension of the Mazur-Ulam Theorem”, American Institute of Physics Proc., vol. 729, n°248-256, 2004[28] M. Berger, « Panoramic View of Riemannian Geometry », Springer, 2004
Air Systems Division197
QUESTIONS
``Constater que les théories les plus parfaites sont les guides les plus sûrs pour résoudre les problèmes concrets~; avoir assez confiance en sa science pour prendre des responsabilités techniques. Puissent beaucoup de mathématiciens connaître un jour ces joies très saines, quelques humbles qu'ils les jugent !'‘Jean LERAY
Carl Ludwig Siegelavec Georges Polya