Analysis Methods for Fractional Brownian. Méthodes D’Analyse du Mouvement Brownien Fractionnaire: Théorie et Résultats Comparatifs

Analysis Methods for Fractional Brownian

Méthodes D’Analyse du Mouvement Brownien Fractionnaire: Théorie et Résultats Comparatifs

Rachid Jennane Rachid Harba  Gérard Jacquet 

Laboratoire d’Electronique, Signaux, Images EA 1715 et GDR ISIS du CNRS ESPEO, Université d’Orléans, BP 6744, 45067 Orléans Cedex 2

Laboratoire Traitement du Signal et Instrumentation UMR 5516 et GDR ISIS du CNRS Université de Saint-Etienne, 23, rue Paul Michelon 42023 SaintEtienne Cedex

Page: 
419-436
|
Received: 
10 January 2000
|
Accepted: 
N/A
|
Published: 
31 December 2001
| Citation

OPEN ACCESS

Abstract: 

In this paper, several analysis methods for fractional Brownian motion are studied using reference test signals generated by the Cholesky procedure. Several sets of 100 signals having sample size ranging from N = 32to 1024 by power of 2 are generated for H = 0.1 to 0.9 by steps of 0.1. Analysis techniques of the H parameter among the most well known in signal processing are studied. They are grouped in four categories: frequency based methods, geometrical methods, time methods, and multi-resolution methods. Quality of these estimators is assessed in terms of bias and variance. The variance is compared to the Cramer-Rao lower bound (CRLB). Statistical tests show that only the maximum likelihood estimator (MLE) is efficient (unbiased and reaches the CRLB) for every H and N tested. This experimental result about the efficiency of MLE extends that demonstrated by Dahlhaus only in theasymptotical case [1]. But MLE has a high computer burden in case of signals having a lot of samples. The Whittle approximation in the frequency domain of the MLE allows to get ride of these limitations, this technique being asymptotically efficient. Finally, results show that MLE approach can be used to measure the H parameter on signals embedded in a white noise.

Résumé

Cet article a pour objectif de comparer les performances des différents estimateurs du paramètre H du mouvement brownien fractionnaire (fBm) sur des signaux théoriquement exacts synthétisés par la méthode de Cholesky. Des ensembles de 100 signaux de taille N = 32à 1024 par puissance de 2 sont générés pour des valeurs du paramètre H variant de 0.1 à 0.9 par pas de 0.1. Les principales méthodes d’estimation ont été regroupées en quatre classes : les méthodes géométriques, les méthodes temporelles, les méthodes fréquentielles, et enfin les méthodes basées sur une décomposition multi-échelles. Chaque technique a été évaluée en termes de biais et de variance, cette dernière étant comparée à la borne de Cramer-Rao (BCR). Des tests statistiques montrent que seul l’estimateur par maximum de vraisemblance (EMV) est efficace (non biaisé et atteignant la BCR) pour toutes les valeurs de H et de N testées. Ce résultat expérimental complète les résultats théoriques d’efficacité de l’EMV démontrés par Dahlhaus uniquement dans le cas asymptotique [1]. D’un point de vue pratique, l’implémentation de l’EMV devient d’un coût calculatoire important pour des signaux de grande longueur. L’approche de Whittle du maximum de vraisemblance dans le domaine fréquentiel permet de lever ces limitations, cette technique étant asymptotiquement efficace. Enfin, des résultats montrent que l’approche EMV permet de traiter le cas des signaux fBm pollués par un bruit.

Keywords: 

Fractional Brownian motion, fBm, maximum likelihood estimator, Whittle method.

Mots clés 

Mouvement brownien fractionnaire, fBm, maximum de vraisemblance, méthode de Whittle.

1. Introduction
2. Cadre de L’Étude
3. Estimateurs du Paramètre H
4. Étude de l’EMV du Paramètre H
5. Conclusion
Annexe: Calcul de la Borne de Cramer-Rao du Paramètre H du fBm
  References

[1] R. Dahlhaus. « Efficient parameter estimation for self-similar processes », The Annals of Statistics, Vol. 17, N° 4, pp. 1749-1766, 1989. 

[2] B. B. Mandelbrot, J. W. Van Ness. « Fractional Brownian Motion, Fractional Noises and Applications », SIAM, Vol. 10, N° 4, pp. 422-438, 1968. 

[3] B. B. Mandelbrot. « Noises with 1/f Spectrum, a Bridge Between Direct Current and White Noise », IEEE Trans. on Information Theory, IT-13, pp. 289-298, 1967. 

[4] C. W. J. Granger, « The Typical Spectral Shape of an Economic Variable », Econometrica, N° 34, pp. 150-161, 1966. 

[5] P. Abry, D. Veitch. « Wavelet Analysis of Long-Range-Dependent Traffic », IEEE Trans. on Information Theory, Vol. 44, N° 1, pp. 1-15, 1998. 

[6] A. P. Pentland. « Fractal-Based Description of Natural Scenes », IEEE Transactions on Pattern Analysis and Machine Intelligence, N° 6, pp. 661674, November 1984. 

[7] G. Jacquet, W. J. Ohley, M. Mont, R. Siffert, R. Schmuckler. « Measurement of Bone Structure by Use of Fractal Dimension », Proc. of the 12th Conf. IEEE Engineering in Medicine and Biology Society, n° 12, pp. 1402-1403, 1990. 

[8] M Zabat, M. Veyer-Besancon, R. Harba, S. Bonnamy, H. Van Damme. « Surface Topography and Mechanical Properties of Smectite Films », Progr. Colloid. Polym. Sci., Vol. 105, pp. 96-102, 1997.

[9] R. Jennane, R. Harba, G. Jacquet. « Estimation de la Qualité des Méthodes de Synthèse du Mouvement Brownien Fractionnaire », Traitement du Signal, Vol. 13, N° 4, pp. 289-302, 1996. 

[10] J. M. Bardet. « Un test d’autosimilarité pour les processus gaussiens à accroissements stationnaires », C. R. Acad. Sci. Paris, Sér. I Math., N° 6, pp. 521-526, 1999. 

[11] N. Gache, P. Flandrin, D. Garreau. « Fractal Dimension Estimators For Fractional Brownian Motions », Proceedings of the ICASSP, Vol. 5, pp. 3557-3560, 1991. 

[12] M. S. Taqqu, V. Teverovsky, W. Willinger. « Estimators for long range dependence: an empirical study », Fractals,Vol. 3, N° 4, pp. 785-788, 1995. 

[13] A. I. Mcleod, K. W. Hipel. « Preservation of the Rescaled Adjusted Range: A  Reassessment of the Hurst Phenomenon », Water Resources Research, Vol. 14, N° 3, pp. 491-508, June 1978. 

[14] T. Lundahl, W. J. Ohley, S. M. Kay, R. Siffert. « Fractional Brownian Motion: A Maximum Likelihood Estimator and its Application to Image Texture », IEEE Transactions on Medical Imaging, Vol. MI-5, N° 3, pp. 152-161, September 1986.

[15] R. J. Barton, H. V. Poor.  « Signal Detection in Fractional Gaussian Noise », IEEE Transactions on Information Theory, Vol. 34, N° 5, pp. 943-959, September 1988. 

[16] P. Flandrin. « On the Spectrum of Fractional Brownian Motions », IEEE Transactions on Information Theory, Vol. 35, N° 1, pp. 197-199, January 1989. 

[17] P. Flandrin. « Wavelet Analysis and Synthesis of Fractional Brownian Motions », IEEE Transactions on Information Theory, Vol. 38, N° 2, pp. 910-917, March 1992. 

[18] J. Beran. « Statistics for Long-Memory Processes », Chapman & Hall, 1994. 

[19] M. F. Barnsley, R. L. Devaney, B. B. Mandelbrot, H.-O. Peitgen, D. Saupe, R. F. Voss. « The Science of Fractal Images », Springer-Verlag, 1988. 

[20] F. Sellan. « Synthèse de mouvements browniens fractionnaires à l’aide de la transformée par ondelettes », CRAS, Vol. 321, Série I, pp. 351-358, 1995. 

[21] P. Abry, F. Sellan. « The Wavelet-based synthesis for Fractional Brownian Motion Proposed by F. Sellan and Y. Meyer: Remarks and Fast Implementation », Applied and Computational Harmonic Analysis,Vol. 3, pp. 377-383, 1996. 

[22] C. W. Granger, R. Joyeux. « An Introduction to long Memory Time Series Models and Fractional Differencing », Journal of Time Series Analysis, Vol. 1, N° 1, pp. 15-29, 1980. 

[23] J. R. Hosking. « Fractional Differencing », Biometrika, Vol. 68, N° 1, pp. 165-176, 1981. 

[24] Y. Meyer, F. Sellan, M. S. Taqqu. « Wavelets, generalized white noise and fractional integration: the synthesis of  fractional Brownian motion », The Journal of Fourier Analysis and Applications, Vol. 5, pp. 466-494, 1999. 

[25] N. J. Kasdin. « Discrete Simulation of Colored Noise and Sochastic Processes and 1/fα Power law Generation », Proceedings of the IEEE, N°5, pp. 802-827, 1995. 

[26] G. Saporta. « Probabilités, analyse des données et statistique », Editions Technip, Paris, 1990. 

[27] S. M. Kay. « Fundamentals of Statistical Signal Processing », Englewood Cliffs, New Jersey : Prentice Hall International Editions, 1992. 

[28] G. W. Wornell, A. V. Oppenheim. « Estimation of Fractal Signals from Noisy Measurements Using Wavelets », IEEE Trans. on Signals Proc., Vol. 40, pp. 611-623, 1992. 

[29] D. Veitch, P. Abry. « A Wavelet-based Joint Estimator of the Parameters of Long-range Dependence », IEEE Transactions on Info. Theory, Vol. 45, N° 3, pp. 878-897, 1998. 

[30] J. S. Bendat, A. G. Piersol. « RANDOM DATA: Analysis and Measurement Procedures », Wiley-Interscience, 1971. 

[31] C. Tricot, J. F. Quiniou, D. Wehbi, C. Roques-Carmes, B. Dubuc. « Evaluation de la dimension fractale d’un graphe », Revue Phys. Appl., Vol. 23, pp. 111-124, 1988. 

[32] P. Maragos, F. K. Sun. « Measuring the Fractal Dimension of Signals: Morphological Covers and Iterative Optimization », IEEE Transactions on Signal Processing, Vol. 41, N° 1, pp. 108-121, January 1993. 

[33] J. Feder. « Fractals », Plenum Press, New York and London, 1988. 

[34] J. Serra. « Image Analysis and Mathematical Morphology », London: Academic, Vol. 1, 1982. 

[35] M. Coster, J. L. Chermant. « Précis d’Analyse d’Images », Editions du CNRS, pp. 315-317, 1989. 

[36] S. M. Kay. « Modern Spectral Estimation: Theory and Application », Englewood Cliffs : Prentice Hall International Editions, 1988. 

[37] B. B. Mandelbrot. « The fractal geometry of nature », W. H. Freeman, SanFrancisco, 1982. 

[38] S. G. Mallat. « A Theory For Multiresolution Signal Decomposition : The Wavelet Representation », IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 11, N° 7, pp. 674-693, July 1989.

[39] I. Daubechies. « Orthonormal Bases of Compactly Supported Wavelets », Communications on Pure and Applied Mathematics, Vol. XLI, pp. 909996, 1988. 

[40] P. Abry. « Ondelettes et turbulences – Multirésolution, algorithmes de décomposition, invariance d’échelle et signaux de pression » Ed. Diderot, Paris, 1997. 

[41] D. Veitch, P. Abry. « A Wavelet-Based Joint Estimator of the Parameters of Long-Range Dependence », IEEE Trans. on Information Theory, vol. 45, n°3, pp. 878-897, April 1999. 

[42] L. F. Burlaga, L. W. Klein. « Fractal Structure of the Interplanetary Magnetic Field », Journal of Geophysical Research, Vol. 91, N° A1, pp. 347-350, January 1986. 

[43] B. B. Mandelbrot. « Les objets fractals : Forme, Hasard et Dimension », Flammarion, Paris, 1975. 

[44] T. Higuchi. « Approach to an Irregular Time Series on the Basis of the Fractal Theory », Physica D 31, pp. 277-283, 1988.

[45] G. Istas, G. Lang. « Quadratic variations and estimation of the local Hölder index of a Gaussian process », Ann. Inst. Poincaré, Vol. 33, pp. 407-436, 1997. 

[46] P. Whittle. « Estimation and information in stationary time series », Ark. Mat., Vol. 2, pp. 423-434, 1953. 

[47] S. Höfer, R. Kumaresan, M. Pandit, W. J. Ohley. « Estimation of the fractal dimension of a stochastic fractal from noise-corrupted data », Archi. Elec. U., Vol. 46, N° 1, pp. 13-21, 1992. 

[48] M. Deriche, A. H. Tewfik. « Efficient Modeling with Filtered Discrete Fractional Noise Processes », IEEE Trans. on Signal Proc., Vol. 41, N° 9, pp. 2839-2849, 1993. 

[49] L. M. Kaplan, C. C. J. Kuo. « Extending Self-Similarity for Fractional Brownian Motion », IEEE Trans. on SP,Vol. 42, N° 12, pp. 3526-3530, 1994. 

[50] S. Höfer, H. Hannachi, M. Pandit, R. Kumaresan. « Isotropic two-dimensional fractional Brownian motion and its application in ultrasonic analysis », IEEE EMBS-92, pp. 1267-1269, 1992.