Une approche Tanner consiste à trouver la solution de norme minimale parmi les solutions de (7.2), en résolvant le problème d'optimisation avec contrainte :
(8.1) |
(8.2) |
(8.3) |
Or, certaines lignes de sont au mieux numériquement très proches voire identiques puisque deux couples d'antennes différents peuvent définir la même ligne de base et ainsi fournir deux mesures différentes de la fonction de cohérence spatiale à la même fréquence.
Ainsi, à un instrument idéal correspond une matrice dont certaines lignes sont identiques et dont le rang est alors égal à , où est le nombre de fréquences dans la bande passante. Pour un instrument réaliste, même si la matrice est rigoureusement de rang plein, les lignes correspondant aux visibilités redondantes sont numériquement très proches.
Rang, SVD et conditionnement d'une matrice Le rang d'une matrice ( ) avec est le nombre de lignes linéairement indépendantes. Si , la matrice est dite de rang plein. Si , la matrice est dite de rang déficient.
La décomposition en valeurs singulières d'une matrice ( , ) consiste à décomposer la matrice en un produit de trois matrices ( ), ( ) et ( ) :
(8.4) |
(8.5) |
Le rang d'un matrice est aussi donné par le nombre de valeurs singulières non nulles.
Le conditionnement d'une matrice est donné par le rapport
entre la plus petite et la plus grande de ses valeurs
singulières :
(8.6) |
Pour un instrument réaliste, le facteur d'amplification du bruit sur les données par l'opérateur est alors très grand, un majorant de ce facteur étant donné par le conditionnement de la matrice de modélisation :
(8.7) |
Or, ceci est en contradiction avec l'une des conditions données par HADAMARD et le problème reste mal posé. En effet, un conditionnement de la matrice élevé implique qu'une faible perturbation des données va conduire à une grande perturbation de la solution.
Une solution pour améliorer le conditionnement de consiste alors à écarter certaines lignes parmi celles qui sont redondantes ou encore à les moyenner. Le moyennage est bien sûr préférable mais une conséquence de cette situation est la diminution du rapport entre la quantité d'information et le nombre d'inconnues d'un système linéaire qui est déjà sous-contraint.
Une solution plus robuste consiste à étudier la répartition des valeurs singulières de EricMatresbrunoComp.
L'opérateur peut être calculé grâce à une décomposition en valeur singulière de . Si adopte la décomposition suivante,
(8.8) |
(8.9) |
Puisque les valeurs singulières les plus petites sont responsables de l'amplification du bruit, une régularisation possible du problème inverse consiste à construire un opérateur en ne conservant que les plus grandes valeurs propres (chapt. 3 et 5 dans Hansen) :
(8.10) |
L'information perdue dans les hautes fréquences est ici comblée par une information de nature mathématique. La solution de () par la régularisation dite mathématique est alors :