Académique Documents
Professionnel Documents
Culture Documents
G Signal PDF
G Signal PDF
SIGNAL
G. BAUDOIN et J.-F. B ERCHER
cole Suprieure dIngnieurs en lectrotechnique et lectronique
C HAPITRE I
Table des matires
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
10
15
16
16
17
17
18
18
18
18
20
21
21
23
24
24
26
27
27
27
27
28
28
29
30
II chantillonnage et quantification
1
chantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1
Premire dmonstration du thorme de Shannon . . . . . . . . . . . . . . . .
1.2
Seconde dmonstration du thorme de Shannon . . . . . . . . . . . . . . . .
1.3
Rappel sur le lemme de Poisson . . . . . . . . . . . . . . . . . . . . . . . . .
2
Quantification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1
Dfinition de la quantification . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
Quantification Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3
Caractristique de quantification . . . . . . . . . . . . . . . . . . . . . . . . .
2.4
Caractristique de lerreur de quantification, cas de la quantification uniforme .
2.5
Dynamique dun quantificateur uniforme N bits . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
33
34
34
35
38
39
39
40
40
40
41
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Page 4
2.6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
42
43
43
45
47
47
47
48
48
50
51
52
53
54
56
56
56
57
58
59
59
62
64
64
68
68
69
70
IV Signaux alatoires
1
Description dun signal alatoire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1
Description complte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Description partielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1
Description un instant . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.2
Description deux instants . . . . . . . . . . . . . . . . . . . . . . .
2
Proprits fondamentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1
Stationnarit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2
Ergodisme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3
Le syndrome gaussien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4
Signaux alatoires temps discret . . . . . . . . . . . . . . . . . . . . . . . . .
3
Proprits nergtiques des signaux alatoires stationnaires de puissance moyenne finie .
3.1
Analyse dans le domaine temporel . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1
Dfinitions et proprits . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.2
Notion de bruit blanc . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2
Transformation des fonctions alatoires par filtrage . . . . . . . . . . . . . . . .
3.2.1
Rappel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2
Transformation de la moyenne . . . . . . . . . . . . . . . . . . . . .
3.2.3
Thorme, ou formule des interfrences . . . . . . . . . . . . . . . .
3.3
Analyse dans le domaine frquentiel . . . . . . . . . . . . . . . . . . . . . . . .
3.4
La reprsentation de Cramr . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.5
Bruit blanc temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
Un exemple dapplication : le filtrage adapt . . . . . . . . . . . . . . . . . . . . . . . .
71
71
71
72
72
72
73
73
74
75
77
77
77
77
79
80
80
80
81
84
86
87
88
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Page 5
4.1
Contexte . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2
Maximisation du rapport signal--bruit . . . . . . . . . . .
4.3
Approche probabiliste . . . . . . . . . . . . . . . . . . . .
4.4
Notes sur le choix du signal test, signaux pseudo-alatoires .
Exercices et problmes . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
88
88
89
91
92
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
97
98
98
98
98
98
99
99
99
100
101
101
101
102
102
103
103
103
103
103
104
104
104
106
106
107
107
107
107
107
108
108
108
108
108
109
110
110
111
111
111
111
112
114
114
114
115
115
Page 6
5.5.2
Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Cellule IIR dordre 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.1
Gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.2
Etude des extrma du module de la fonction de transfert en frquence .
5.6.3
Inversion du module des zros, polynme rciproque de H(z) . . . . .
5.6.4
Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6.5
Changement du signe du coefficient a1 , changement de z en -z . . . .
6
Structures des filtres numriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1
Structures directes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2
Structures directes non canoniques . . . . . . . . . . . . . . . . . . . . . . . . .
6.3
structures directes canoniques DN et ND . . . . . . . . . . . . . . . . . . . . .
6.4
Structures dcomposes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.1
Structures cascade . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4.2
Structures parallles . . . . . . . . . . . . . . . . . . . . . . . . . . .
Exercices et problmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.6
Index
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
116
117
117
118
119
119
120
120
120
120
121
122
122
123
124
127
C HAPITRE I
TRANSFORME DE FOURIER ET TUTTI QUANTI
F OURIER 1 est lun des outils, sinon loutil fondamental du traiteur de signaux. Elle
permet dassocier la forme donde habituelle, la reprsentation dun signal en fonction de sa variable
dvolution, une autre reprsentation, complmentaire, dans le domaine frquentiel.
Lutilisation de cette description frquentielle permet en outre de caractriser simplement les filtres linaires, et faciliter leur tude. Aprs avoir prsent la transforme de F OURIER et ses principales proprits,
nous nous intresserons au filtrage des signaux et introduirons les notion de convolution et de fonction de transfert, qui permettent la caractrisation des filtres, puis nous examinerons les notions de corrlation, pour des
signaux dterministes, qui permettent quant--elles ltude des proprits nergtiques des signaux. Les principaux lments seront alors en place pour aborder, dans la suite du cours, le problme de lchantillonnage,
la caractrisation des signaux alatoires, puis quelques lments dintroduction au traitement numrique des
signaux.
A TRANSFORME DE
x(t) =
o
X(f ) ej2f t df ,
+
X(f ) =
On dit que x(t) et X(f ) forment une paire de transformes de F OURIER, ce qui est not par
x(t) X(f ).
La transforme de F OURIER existe si les trois conditions de D IRICHLET sont vrifies (il sagit de conditions suffisantes mais pas ncessaires) :
1. x(t) possde un nombre fini de discontinuits sur tout intervalle fini,
2. x(t) possde un nombre fini de maxima et de minima sur tout intervalle fini,
1. Joseph Jean F OURIER, mathmaticien, physicien et prfet franais (1768-1830), tablit entre 1807 et 1811 la loi de F OURIER
sur la conduction thermique. En 1822, ses tudes sur la conduction thermique, le conduisent dvelopper la technique de lanalyse
harmonique, et en particulier un dveloppement de fonctions en srie harmonique, dveloppement qui porte aujourdhui son nom.
Page 8
|x(t)| dt < +.
j2f t
|x(t) e
| dt <
+
|x(t)| dt < +
|X(f )| =
A(f )2 + B(f )2 ,
(f ) = arctg
B(f )
.
A(f )
rectT (t) =
1 si t [T /2, T /2],
0 ailleurs.
On cherche alors calculer la transforme de F OURIER de x(t) = ArectT (t). Il suffit dcrire la dfinition
de la transforme de F OURIER :
X(f ) = TF {ArectT (t)} = A
soit
ej2f t
X(f ) = A
j2f
T
=A
T2
T /2
T /2
ej2f t dt,
1 jf T
e
ejf T
j2f
et enfin
X(f ) = AT
sin(f T )
= AT sinc (f T ).
f T
o sinc (.) est la fonction sinus cardinal. On notera que la transforme de F OURIER obtenue est purement
relle, et paire (nous verrons plus loin, 9 que ceci est vrifi pour tous les signaux rels et pairs). Par ailleurs,
cette transforme sannule pour f T = k, soit tous les f = k/T ; sauf pour k = 0, puisque sinc (x) = 1
pour x 0.
Page 9
rectT (x)
A/2
0
-3T/2
-T
-T/2
T/2
3T/2
AT sinc (f T )
AT
AT/2
1/T
2/T
3/T
4/T
5/T
6/T
Exemple 2 Exponentielles.
Soit les fonctions x1 (t) = exp (at) u(t) et x2 (t) = exp (at) u(t), avec a un rel positif, et u(t) lchelon.
Alors
X1 (f ) = TF {x1 (t)} =
+
e(a+j2f )t dt =
1
.
a j2f
1
.
a + j2f
Page 10
eax (a = 2)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.5
1.5
eax (a = 2)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-2
-1.5
-1
-0.5
Page 11
Exercice 1 : En vous servant des rsulats donns dans lexemple2 et de la proprit de linarit, montrez
que les transformes de F OURIER de
valent respectivement
G1 (f ) =
G2 (f ) =
2a
+ (2f )2
j4f
a2 + (2f )2
a2
Reprsentez les module et phase de G1 (f ) et G2 (f ), et examinez ce que deviennent ces paires de transformes de F OURIER lorsque a 0.
1
e|a|x (a = 2)
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
-2
-1.5
-1
-0.5
0.5
1.5
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-2
-1.5
-1
-0.5
0.5
f
.
a
1.5
Page 12
+
+
+
A
[M (f f0 ) + M (f + f0 )] ,
2
X(0) =
x(0) =
+
x(t)dt,
X(f )df.
Pour se convaincre de ces deux relations, il suffit dcrire les dfinitions des transformes de F OURIER directe
et inverse, dans lesquelles on prendra, respectivement, f = 0 et t = 0. partir de lexpression de la TF, on a
ainsi trs simplement lintgrale de la fonction considre. Notons que X(0) a une signification prcise : cest
la composante frquentielle la frquence nulle, cest--dire la composante continue du signal.
Page 13
x(t) =
dx(t)
dt
d
dt
X(f ) ej2f t df ,
+
= TF
X(f ) ej2f t df ,
1
X(f ).
x( )d
j2f
x(t) =
X(f ) ej2tf df ,
x(f ) =
Exemple :
On a vu que
ArectT (t) AT sinc (f T ).
Si lon a maintenant calculer la transforme de F OURIER inverse dune fonction porte en frquence, ArectB (f ),
il suffit dinvoquer cette proprit de dualit pour crire
AB sinc (tB) ArectB (f ),
et la fonction sinus cardinal tant paire, on en dduit
AB sinc (tB) ArectB (f ).
Ceci montre que la transforme de F OURIER dun sinus cardinal, en temps, est une fonction porte en frquence.
Page 14
TF {x (t)} =
+
x(t) ej2tf dt
= X (f ).
Par ailleurs, pour tout signal x(t), on a
x(t) X(f ) .
Cette dernire relation se vrifie directement en crivant la transforme de F OURIER de x(t) :
TF {x(t)} =
+
+
= X(f ).
En utilisant les deux dernires relations encadres, on obtient enfin
x (t) X (f ) .
En rsum,
x(t)
x(t)
x (t)
x (t)
X(f )
X(f )
X (f )
X (f )
Ces diffrentes relations permettent de donner toutes les relations de symtrie de la transforme de F OU on notera la proprit de symtrie hermitienne vrifie par la transforme de F OURIER
des signaux rels :
X(f ) = X (f )
RIER. Pour commencer,
3. Impulsion de D IRAC
Page 15
Dautre part, si x(t) est pair ou impair (x(t) nest pas ici ncessairement rel), on peut crire
x(t) = x(t)
[pair]
[impair]
X(f ) = X(f )
x(t) = x(t) X(f ) = X(f )
[pair]
[impair]
symtrie
quelconque
pair
impair
quelconque
pair
impair
temps
x(t) = x (t)
x(t) = x (t) = x(t)
x(t) = x (t) = x(t)
x(t) = x (t)
x(t) = x (t) = x(t)
x(t) = x (t) = x(t)
frquence
X(f ) = X (f )
X(f ) = X (f ) = X(f )
X(f ) = X (f ) = X(f )
X(f ) = X (f )
X(f ) = X (f ) = X(f )
X(f ) = X (f ) = X(f )
Enfin, on a
Rel pair + imaginaire impair
Rel impair + imaginaire pair
Rel
Imaginaire
3 Impulsion de D IRAC
La transformation de F OURIER ne sapplique strictement quaux signaux qui vrifient les conditions de
D IRICHLET. Il serait agrable dtendre le formalisme afin de pouvoir dfinir une transforme de F OURIER
pour les signaux de puissance moyenne finie2 , et de retrouver la srie de F OURIER comme cas particulier de la
transforme de F OURIER.
Cette extension est possible en utilisant la thorie des distributions, et en particulier la distribution de D I RAC. La distribution de D IRAC est une distribution, et nous devrions faire alors appel aux rsultats de la thorie
des distributions. Ceci sort du cadre de ce cours, et peut-tre du cadre dun cours de traitement du signal, et
nous nous contenterons ici dune approche heuristique. Pour une approche rigoureuse, on pourra se reporter
louvrage de L. S CHWARTZ 3
On appelle impulsion de D IRAC la fonction (t)
(t) =
et telle que
0
+
si t = 0,
pour t = 0,
+
(t)dt = 1.
Limpulsion de D IRAC est ainsi une impulsion infiniment fine, damplitude infinie, et daire unit .
Consquence :
Limpulsion de D IRAC joue le rle dune fonction indicatrice lorsquelle intervient dans une intgration. En
2. Les signaux dnergie finie sont les signaux tels que
|x(t)|2 dt < +,
Ex =
o Ex dsigne lnergie du signal. Lensemble des signaux dnergie finie est lespace L2 .
Les signaux de puissance moyenne finie sont les signaux qui vrifient
Px = lim
T +
1
T
T /2
|x(t)|2 dt < +,
T /2
o Px dsigne la puissance moyenne. On notera que ces signaux ne sont pas ncessairement absolument intgrables. Lensemble des
signaux de puissance moyenne finie est souvent not L2 (T ).
3. L. S CHARTZ, T HORIE DES DISTRIBUTIONS
Page 16
effet, limpulsion de D IRAC est nulle sauf lorsque son argument est nul, auquel cas, son amplitude est infinie,
mais son aire unit. Ainsi, on peut crire que x(t)(t t0 ) = x(t0 )(t t0 ). Par consquent,
+
+
x( )(t )d ,
x(t) =
+
avec x( ) =
x(t)(t )dt.
Lensemble des fonctions { : (t )}, paramtr par forme une base orthonormale (infinie et non
dnombrable), et lon peut comprendre x( ) comme une composante du signal X sur cette base. En effet,
x( ) =< X , >,
et x(t) sobtient comme la somme infinie des vecteurs de base pondrs par les composantes de X :
+
x(t) =
x( )(t )d.
laide des rsultats prcdents, il est facile dexprimer la transforme de F OURIER de limpulsion de
D IRAC, qui vaut simplement :
TF {(t)} =
+
j20
= e
La transforme de F OURIER de limpulsion de D IRAC est donc une fonction constante, quelque soit la
frquence :
(t) 1 f.
On peut voir (interprter) limpulsion de D IRAC comme la limite dune fonction porte. cet effet, considrons la fonction porte de largeur ! et damplitude 1/! (afin que son aire soit unit), (1/!)rect (t). nous avons
vu que la transforme de F OURIER de cette fonction vaut
1
! sinc (f !) = sinc (f !).
!
Lorsque ! 0, (1/!) rect (t) (t), et sinc (f !) 1.
3. Impulsion de D IRAC
3.1.2
Page 17
On recherche la transforme de F OURIER dun signal constant, cest--dire dun signal continu (au sens
lectronique , pas au sens mathmatique). Nous avons vu que TF {(t)} = 1. En utilisant la proprit de
dualit proprit 8, on en dduit que
TF {1} = (f ) = (f ).
La transforme de F OURIER dun signal constant est donc une raie, ou une masse, la frquence nulle.
3.1.3
ej2f0 t ej2f t dt = (f f0 ),
cest--dire que les exponentielles complexes forment une base orthogonale5 , au sens du produit scalaire habituel
x(t)y (t)dt.
< x, y >=
ej2f t
sont les vecteurs de base, on peut exprimer tout signal x(t) par la
x(t) =
o < x, ef (t) > est la composante de x(t) pour le vecteur ef (t) dans le dveloppement, soit la projection de
x(t) sur ef (t). La transforme de F OURIER consiste donc simplement calculer les composantes du dveloppement de x(t) sur cette base :
+
et la dcomposition du signal sur la base des exponentielles complexes est la transforme de F OURIER inverse
+
x(t) =
X(f ) ej2f t df .
On dispose ainsi de deux bases de reprsentation pour les signaux : la base des impulsions de D IRAC de
retard croissant, et la base des exponentielles complexes de frquence croissante. On vrifie aisment que les
vecteurs de base sont lis par une transforme de F OURIER! Plus exactement, la transforme de F OURIER est
la transformation qui permet de passer dune base lautre. Par ailleurs, comme nous le vrifierons plus loin,
4. Notons que lon peut aussi tablir simplement ce rsultat en utilisant la proprit de dualit partir de
(t ) ej2f .
5. Une autre base : on a dj not que lensemble des impulsions de D IRAC dcales forme une base orthogonale de lespace des
signaux.
Page 18
le produit scalaire se conserve dans ces deux reprsentations, cest--dire que lon a, en dsignant par X et Y
deux signaux, indpendamment de leur base de reprsentation,
< X , Y >=
x(t)y (t)dt =
X(f )Y (f )df.
Pour dterminer la TF des fonctions sinusodales, il suffit dappliquer les formules dE ULER :
ej2f0 t + ej2f0 t
,
2
ej2f0 t ej2f0 t
,
2j
cos (2f0 t) =
sin (2f0 t) =
et il vient alors
1
[(f f0 ) + (f + f0 )] ,
2
1
[(f f0 ) (f + f0 )] .
2j
cos (2f0 t)
sin (2f0 t)
3.1.5
1
jf
Lchelon unit peut tre exprim comme la somme u(t) = 1/2[Signe(t) + 1], o lon a suppos que
u(0) = 1/2. Dans ce cas,
TF {u(t)} =
=
1
1
TF {Signe(t)} + TF {1},
2
2
1
1
+ (f ).
j2f
2
Cette transforme est utile pour dfinir la notion de signal analytique et la transforme de H ILBERT.
x(t) =
xT0 (t mT0 ),
m=
o xT0 (t) est le motif de base , de dure T0 . Le signal x(t) tant priodique, de priode T0 , il admet une
dcomposition en srie de F OURIER, sous la forme :
x(t) =
+
cn ej2nf0 t ,
n=
o f0 = 1/T0 et
1
cn =
T0
[T0 ]
3. Impulsion de D IRAC
Page 19
1
XT (nf0 ),
T0 0
x(t) =
xT0 (t mT0 ) =
m=
1 +
XT (nf0 )ej2nf0 t .
T0 n= 0
1 +
XT0 (nf0 )TF ej2nf0 t ,
T0 n=
soit
X(f ) = TF {x(t)} =
1 +
XT (nf0 )(f f0 ) .
T0 n= 0
La transforme de F OURIER dun signal priodique de priode T0 est donc une constitue dimpulsions de
D IRAC, situes tous les multiples de f0 , et dont le poids est la transforme de F OURIER du motif de base,
la frquence considre. La priodicit dans le domaine temporel conduit une transforme de F OURIER
constitue de raies.
X(f )
x(t)
T0
(t mT0 ) =
m=
1 +
ej2nf0 t ;
T0 n=
puis, en crivant et en galant les transformes de F OURIER de chacun des deux membres :
+
ej2f mT0 t =
m=
1 +
(f nf0 ) ;
T0 n=
soit enfin
+
m=
1 +
(t mT0 )
(f nf0 ) .
T0
n=
Cette relation montre que la transforme de F OURIER dun peigne de D IRAC est galement un peigne de
D IRAC, ces deux peignes tant de pas inversement proportionnel.
Page 20
Ex =
|x(t)|2 dt,
et lon montrera plus loin dans le cours, que lon a (relation de PARSEVAL)
+
Ex =
|x(t)| dt =
2
+
|X(f )|2
|x(t)|2
et
Ex
Ex
comme des densits de probabilit et dfinir les moments de ces densits :
+
1
Ex
+
1
f =
f |X(f )|2 df frquence moyenne ,
Ex
+
1
(f )2 =
(f f)2 |X(f )|2 df frquence moyenne ,
Ex
Sans perte de gnralit, on choisit une origine des temps et des frquences telles quet = 0 et f = 0.
On considre maintenant la fonction de positive suivante :
2
+
dx(t)
I() =
dt + tx(t) dt 0,
+
+
+
dx(t) 2
dx(t)
dt + 2
dt
+
tx(t)
|tx(t)|2 dt,
dt
dt
ou
I() = 2
+
+
+
dx(t) 2
d|x(t)|2
dt +
dt
+
t
|tx(t)|2 dt.
dt
dt
Les relations sur la transforme de F OURIER dune drive et la relation de PARSEVAL fournissent :
1.
+
+
dx(t) 2
dt =
|j2f X(f )|2 df = 42 (f )2 Ex ,
dt
2.
+
d|x(t)|2
dt
dt = t|x(t)|
+
+
|x(t)|2 dt = Ex ,
4. Convolution
Page 21
3.
+
Il reste donc
t2 |x(t)|2 dt = (t)2 Ex .
I() = 2 4 2 (f )2 + + (t)2 Ex 0.
La fonction considre tant toujours de mme signe, le discriminant doit donc tre ngatif, ce qui conduit
t f
1
.
4
Le produit dure moyenne bande moyenne est ainsi born infrieurement, ce qui induit une relation dincertitude, du type G ABOR-H EISENBERG entre les deux domaines. Il nest pas possible de trouver de signal
qui soit support limit simultanment dans les deux domaines. Qui plus est, la relation prcdente permet de
quantifier cette remarque et dexhiber les signaux limites .
En effet, les signaux qui sont conjointement les plus compacts sont ceux qui permettent datteindre la
borne, cest--dire les signaux tels que t f = 1/4. ce sont les signaux tels que
I(0 ) = 20 4 2 (f )2 + 0 + (t)2 Ex = 0,
soit
0
dx(t)
+ tx(t) = 0.
dt
t
2
x(t) = Ae
X(f ) = Ae0 f .
4 Convolution
4.1 Filtres et convolution
laide des lments prcdemment introduits, nous pouvons maintenant commencer nous intresser
ltude des systmes linaires invariants dans le temps, ou filtres. Un filtre est un instrument, ou un modle
physique, associant (linairement) une excitation, ou signal dentre, un signal de sortie.
y(t)
x(t)
h(t)
Un systme est linaire sil justifie du principe de superposition : la rponse une somme pondre dexcitations est gale la somme pondre des rponses aux excitations individuelles :
i xi (t)
i yi (t).
Le systme est invariant dans le temps si la rponse ne dpend pas de linstant dapplication : si y(t) est la sortie
correspondant une entre x(t), la rponse associe x(tt0 ) est y(tt0 ). On appelle rponse impulsionnelle
(RI), souvent note h(t), la rponse du systme lapplication dune impulsion de D IRAC (t) :
(t)
h(t)
h(t)
Page 22
Le systme tant linaire et invariant, alors la rponse associe x( )(t ) est x( )h(t ).
x( )(t ) x( )h(t ).
Or, nous avons vu que lon peut crire tout signal x(t) comme une somme infinie de composantes x( ) sur
une base dimpulsions de D IRAC :
+
x(t) =
x( )(t )d.
y(t) =
x( )h(t )d = [x h](t).
Cette relation est appele convolution entre x et h, et lopration est note [xh](t), pour montrer que le rsultat
de la convolution est valu linstant t et que la variable est simplement une variable muette qui disparait
lors de lintgration. Lintgrale prcdente est appele intgrale de convolution ; elle permet dassocier toute
entre x(t) la sortie du sytme y(t), celui-ci tant caractris par sa rponse impulsionnelle h(t).
On peut encore illustrer loprateur convolution de la faon suivante : on dcompose lentre x(t) en une
somme dimpulsions rectangulaires damplitude x( ) et de largeur :
x(t)
+
k= x(k )p (t
k )
(...)
(...)
On note p limpulsion de largeur et damplitude 1/ . Lentre peut ainsi tre approche par
+
k=
x(k )p (t k ).
4. Convolution
Page 23
Notons maintenant h la rponse du systme limpulsion p . Alors, la sortie, linstant t, scrit comme
la superposition de toutes les rponses :
y(t) =
+
x(k )h (t k ).
k=
y(t) =
x( )h(t )d.
y(t) =
x(t )h( )d .
y(t) = [x h](t) =
t
h( )x(t )d
x( )h(t )d.
|y(t)|
+
h( )x(t )d ,
|h( )x(t )| d,
+
|h( )| d,
|h( )| d + .
On notera que cette condition nous permettra de dfinir la transforme de F OURIER de h(t), note H(f ), que
nous identifierons la fonction de transfert du filtre.
Page 24
[x y](t) =
x(u)y(t u)du.
Le calcul de la convolution consiste donc calculer la surface du produit x(u)y(t u). Le signal y(t u) est
simplement le signal initial y(u), retourn dans le temps pour donner y(u), puis translat de t.
En calculant alors lensemble des surfaces obtenues en faisant glisser y, cest--dire pour tous les dcalages de t, on obtient le produit de convolution pour tout t :
x(u)
y(u)
x(u)
y(t u)
111
000
000
111
000
111
u
[x y](t)
u
t
4.4 Rponse en frquence
La convolution permet de dcrire la sortie dun filtre caractris par sa rponse impulsionnelle. Un filtre peut
galement tre caractris dans le domaine frquentiel, ce qui nous amnera retrouver la notion de fonction
de transfert et donner les relations liant les descriptions temporelles et frquentielles dun systme linaire.
Considrons un systme de rponse impulsionnelle h(t) et dentre
x(t) = X0 ej2f0 t .
La sortie est donne par
+
y(t) =
h( )X0 ej2f0 (t ) d,
= X0 ej2f0 t
+
h( )ej2f0 d.
H(f0 ) =
h( ) ej2f0 d .
4. Convolution
Page 25
x(t) =
X(f ) ej2f t df .
chacune des composantes X(f ) ej2f t correspond alors une sortie X(f )H(f ) ej2f t , et, par superposition,
+
y(t) =
+ +
X(u) ej2ut
et en reconnaissant que
+
+
y(t) =
il vient
TF {[X Y ](f )}1 = x(t)y(t).
La transformation du produit de convolution en produit simple par transforme de F OURIER, et rciproquement
constituent le thorme de P LANCHEREL
[x y](t) X(f )Y (f ),
x(t)y(t) [X Y ](f ).
Ce thorme a plusieurs consquences importantes.
Page 26
4.4.1
Consquences
x(t)y (t)
X(u)Y (u f ) du,
soit, pour f = 0,
j2f t
x(t)y (t) e
+
+
dt =
+
x(t)y (t) dt =
X(u)Y (u f ) du,
X(u)Y (u) du .
Cette relation indique que le produit scalaire se conserve dans les diffrentes bases de reprsentation des
signaux. Cette proprit est appele thorme de P LANCHEREL-PARSEVAL . En utilisant cette relation avec
y(t) = x(t), on obtient
+
|x(t)| dt =
2
+
|X(f )|2 df ,
qui est quant--elle une relation de conservation de lnergie. Il sagit de la relation de PARSEVAL.
En posant enfin y(t) = x(t ), on obtient
+
+
x(t)x (t ) dt =
+
=
La fonction
Rxx ( ) =
+
x(t)x (t ) dt
Rxx ( ) =
cest--dire que la transforme de F OURIER de Rxx ( ) est simplement le module carr de la TF de x(t). On
peut vrifier aisment que si
+
x(t)y (t ) dt
Rxy ( ) =
+
Ainsi,
Rxy ( ) =
Rxx ( ) =
+
+
x(t)y (t ) dt X(f )Y (f ),
x(t)x (t ) dt |X(f )|2 .
Les fonctions de corrlation sont utilises dans nombre dapplications de traitement du signal. Les deux
dfinitions que nous avons donnes ci-dessus sont les dfinitions des fonctions de corrlation pour les signaux
dterministes et dnergie finie. Nous verrons plus loin dans ce cours lutilit des fonctions de corrlation pour
lanalyse des signaux alatoires. Pour le moment nous allons analyser les principales proprits des fonctions
de corrlation et leurs consquences, pour des signaux dterministes.
5. Fonctions de corrlation
Page 27
5 Fonctions de corrlation
Les fonctions de corrlation, ou dintercorrlation, permettent de comparer des signaux distincts en fonction
du retard entre les signaux. La transforme de F OURIER des fonctions de corrlation est le spectre (linterspectre) de dnergie ou puissance du ou des signaux considrs. Les fonctions de corrlation soont donc utiles
pour tudier la ressemblance de diffrents signaux (dans le domaine temporel), et la rpartition de lnergie ou de la puissance en fonction de la frquence. Les principales applications des fonctions de corrlation
prennent place dans le cadre des signaux alatoires.
Dfinitions
+
Rxy ( ) =
x(t)y (t ) dt,
Rxx ( ) =
x(t)x (t ) dt.
+
1
x(t)y (t ) dt,
Rxy ( ) = lim
T + T [T ]
1
x(t)x (t ) d.
Rxx ( ) = lim
T + T [T ]
5.1.2
Proprits
Proprits de symtrie
Par simple application des dfinitions, on pourra (exercice) vrifier les proprits de symtrie suivantes :
( ),
Rxy ( ) = Ryx
Rxx ( ) =
Symtrie hermitienne
Rxx
( ).
m
i=1
n
i xi (t)
j yj (t)
j=1
alors
Rxy ( ) =
m
n
i j Rxi yj ( ).
i=1 j=1
m
n
i=1 j=1
i j TF Rxi yj ( ) .
Page 28
Maximum
Lingalit de S CHWARTZ
| < x, y > |2 < x, x >< y, y >,
entrane que
|Rxy ( )|2 Rxx (0)Ryy (0).
On en dduit que
|Rxx ( )| Rxx (0).
La valeur Rxx (0) constitue donc un maximum maximorum de la fonction dautocorrlation.
Signification de Rxx (0)
Pour le retard nul,
+
Rxx (0) =
|x(t)|2 dt
[T ]
|x(t)|2 dt
interspectre
spectre, ou autospectre.
Dans le cas des signaux dterministes tudis jusqu prsent, nous avons vu que
Sxy (f ) = TF {Rxy ( )} = X(f )Y (f ),
si les signaux considrs sont des signaux dnergie finie. Dans le cas des signaux de puissance moyenne finie,
on montre que (exercice)
1
XT (f )YT (f ),
Sxy (f ) = lim
T + T
o XT (f ) reprsente la transforme de F OURIER dfinie sur une dure T . Ces deux relations ne sont valables
que pour des signaux certains. Pour des signaux alatoires, les densits spectrales, seront des quantits positives
diffrentes. Il sagit l de densits spectrales de puissance, puisque
+
PXY =
x(t)y (t) dt =
+
PXX =
|x(t)|2 dt =
+
+
Sxy (f ) df,
Sxx (f ) df.
Rxy ( ) =
+
x(t)y (t ) dt.
Pour ne pas jeter trop de trouble, remplaons la variable muette t par u et exprimons lintercorrlation pour un
retard t :
+
Rxy (t) =
x(u)y (u t) du.
5. Fonctions de corrlation
Page 29
+
x(u)y(t u) du.
On voit donc que la corrlation nest autre quune convolution dans laquelle y(t) a t retourn dans le temps
et conjugu. Si on pose alors
y () (t) = y(t),
on a alors simplement
Rxy ( ) = x y () ( ).
Pour la fonction de corrlation, on parle alors de carr de convolution. laide de cette constatation, on peut
retrouver la plupart des proprits des corrlations partir des celles de la convolution. Par exemple, le thorme
de P LANCHEREL fournit
Sxy (f ) = TF x y () ( ) = X(f )Y (f ).
Remarquons encore que si y(t) est une fonction relle et paire, i.e. y() (t) = y(t), alors convolution et
corrlation sont confondues.
5.4 Filtrage
Soit y(t) la sortie du filtre de rponse impulsionnelle h(t), excit par une entre x(t)
y(t)
x(t)
h(t)
On a alors
y(t) = [x h](t).
Il est clair que lon a alors
y () (t) = y(t) = [x h](t),
et on vrifie que
y () (t) = [x() h() ](t).
Lautocorrlation de la sortie vaut alors
Ryy ( ) =
Ryy ( ) =
Ryy ( ) =
x h x() h() ( ),
h x x() h() ( ),
h Rxx h() ( ),
Page 30
EXERCICES ET PROBLMES
Exercice 1 : On considre le signal x(t) priodique de priode T suivant :
y(t),
Exercice 3 : Soit x(t) = exp(at)ech(t) (ech(t) est lchelon unit (fonction de Heaviside) et a > 0)
a) Calculer la transforme de Fourier de x(t). Tracer son spectre.
b) y(t) = x(t) + x(t). Dessiner y(t), calculer la TF de y(t), tracer le spectre correspondant. tudier
0
lim(y(t)) et lim(Y (f )) lorsque a
c) z(t) = x(t) x(t). Dessiner z(t), calculer la TF de z(t), tracer le spectre correspondant. tudier
0.
lim(z(t) et lim(Z(f )) lorsque a
a) Calculer la TF de x(t)
b) soit y(t) =
t
0
c) Donner lexpression du signal xT (t) obtenu par priodisation de x(t). Quelle est la TF de xT (t)? Comparer le resultat celui obtenu pour lexercice 1 c).
5. Fonctions de corrlation
Page 31
Exercice 5 : On considre le filtre passe bas de rponse impulsionnelle h(t) = exp(at)ech(t). On met
lentre de ce filtre le signal x(t) suivant (tudi prcdemment)
a) Comment scrit y(t), le signal obtenu par filtrage de x(t) par h(t).
b) Quelle est la TF du signal y(t).
c) Tracer le module du spectre de y(t) (T =1,a=10).
Exercice 8 : (autocorrlation)
Soit x(t) rel, de fonction dautocorrlation RXX ( ) et de densit spectrale SXX (f ). Soit y(t) = x(t +
t0) x(t t0).
a) Calculer la fonction dautocorrlation de y(t).
b) Calculer sa densit spectrale.
Page 32
Exercice 9 : (autocorrlation) :
Montrer que lautocorrlation de x(t) = exp(jat2 ), RXX ( ) est nulle pour diffrent de 0.
Le signal Re(x(t)) = cos(at2 ) est appel chirp et est utilis comme signal radar en raison de la proprit
vue ci-dessus.
Exercice 10 : (intercorrlation)
Soient deux signaux rels x(t) et y(t) identiques un retard et un affaiblissement prs : y(t) = ax(t t0 ).
On connait lnergie de x(t) ; Ex = RXX (0). Comment dterminer laffaiblissement a et le retard t0 ?
Echelon(t)
j
1 (f ) f
2
Signe(t)
j
f
,
j
1
Echelon(f )
2 (t) + t
j
Signe(f )
t
o dsigne le fait que les deux fonctions mises en relation forment une paire de transformes de Fourier.
On note
XH (f ) = jSigne(f)X(f ).
peut tre vu comme la sortie dun filtre, dont vous donnerez la rponse impulsionnelle h(t).
On appelle transforme de Hilbert la transformation reliant xH (t) et x(t) :
xH (t) = TH{x(t)}.
3 Donnez lexpression de z(t) en fonction de x(t) et de TH{x(t)}. En raisonnant partir des transformes
de Fourier, montrer que
TH{TH{x(t)}} = x(t).
Donnez alors lexpression de la transforme de Hilbert de z(t). Dduisez en lexpression de x(t) en fonction
de z(t) et de TH{z(t)}.
On considre maintenant un systme de rponse impulsionnelle g(t). Si ce systme est causal, alors
g(t) = g(t)Echelon(t) =
1
[1 + Signe(t)] g(t).
2
GR (f ) = TH{GI (f )},
GI (f ) = TH{GR (f )}.
Ces relations sont les relations de Bayard et Bode. Elles indiquent que la TF dun systme causal nest pas
quelconque, et quil suffit de connatre la partie relle ou la partie imaginaire pour caractriser compltement
le systme.
C HAPITRE II
CHANTILLONNAGE ET QUANTIFICATION
UJOURD HUI
de plus en plus souvent, le traitement des signaux se fait sous forme numrique. Le numrique prsente en effet un grand nombre davantages tels que :
Page 34
1 chantillonnage
Thorme 1 Thorme de Shannon
Lorsquun signal x(t) a un spectre support born [X(f ) = 0 pour |f | > fmax ], il est possible dchantillonner ce signal sans perdre dinformation : il suffit pour cela de choisir une frquence dchantillonnage
fe > 2fmax . On pourra alors reconstruire x(t) parfaitement partir des chantillons x(nTe ), avec Te = 1/fe .
x(t)
|X(f)|
-fmax
fmax
|XR(f)|
-fmax 0 fmax
-F
XR (f ) =
Cn ej2 n F ,
(II.1)
n=
F
Cn =
avec
1
F
pour
Do
1
Cn =
F
2
F2
F F
f ,
2 2
+ F2
XR (f )ej2 n F df
j2 n Ff
X(f )e
F2
XR (f ) = X(f )
1
df =
F
+
X(f )ej2 n F df
On reconnat ici la transforme de Fourier inverse de X(f ), cest--dire x(t), calcule au point t = Fn :
Cn =
1
n
x
F
F
1. chantillonnage
Page 35
ej2 n F
f F2 , F2
XR (f ) si
0 ailleurs
X(f ) =
Ainsi
+
XR (f ) =
X(f ) est donc parfaitement dfini par la connaissance des valeurs de x(t) aux instants t = Fn . Il en est de mme
de x(t). Le thorme de Shannon est ici dmontr.
Explicitons la relation liant x(t) et les valeurs x(Fn ) :
+ F2
+
j2 f t
x(t) =
X(f )e
j2 f t
df =
XR (f )e
F2
1
F
x(t) =
Soit :
x(t) =
1
F
1
df =
F
+
n
F
n=
+
n
n=
+ F2
F2
F
+
2
+
n
x
F
n=
j2 n Ff
ej2 f t df
ej2 f (t F ) df
F2
sinc F t
n
F
O lon note :
sin(x)
x
En rsum, si F > 2fmax , la connaissance de la suite x(n/F ) est suffisante pour dterminer parfaitement x(t)
ou X(f ) et :
sinc(x) =
x(t) =
1
F
+
n=
+
X(f ) =
n=
n
sinc F t
n
F
1 n j2 n Ff
Fx F e
si
|f | fmax
ailleurs
x(t)
|X(f)|
-fmax
fmax
Le signal x(t) chantillonn la frquence fe = 1/Te peut tre reprsent par la distribution xe (t) :
xe (t) =
+
n=
+
(t nTe ).
n=
+
n=
(t nTe )
Page 36
+
1 +
n
(t nTe ) =
(f )
Te n=
Te
n=
(voir dmonstration au paragraphe suivant) ce que lon formule gnralement par : la transforme de Fourier
dun peigne dimpulsions de Dirac est un peigne dimpulsions de Dirac.
1
1/Te
Te
1/Te
1 +
n
1 +
n
Xe (f ) =
X(f ) f
=
X f
.
Te n=
Te
Te n=
Te
La transforme de Fourier de la distribution Xe (t) est donc une distribution Xe (f ) priodique, de priode 1/Te .
|Xe(f)|
-1/Te
1/Te
2/Te
|Xe(f)|
-1/Te
|Xe(f)|
1/Te
1/Te
2/Te
2/Te f
1. chantillonnage
Page 37
2me cas :
1
> 2fmax
Te
|Xe(f)|
-fmax 0 fmax
-1/Te
1/Te
H(f)
Te
-1/2Te
1/2Te
fe
La sortie y(t) de ce filtre passe-bas vrifie :
Y (f ) = H(f )Xe (f ) = X(f ),
cest--dire :
y(t) = x(t)
Le thorme de Shannon est ici dmontr, on peut reconstruire parfaitement x(t) partir du signal chantillonn xe (t).
Explicitons la relation liant x(t) et les chantillons x(nTe ) :
y(t) = x(t)
y(t) = xe (t) 7 h(t)
h(t) = T F I ((H(f )) = fe Te sinc (fe t) = sinc (fe t)
y(t) =
y(t) =
+
n=
+
n=
x(t) = y(t) =
+
n=
Page 38
Corrig :
X(f ) =
2
((f f0 ) + (f + f0 ))
2
+
Xe (f ) = 4f0
( (f f0 (1 + 4k)) + (f + f0 (1 + 4k)))
k=
f0
2 .
Corrig :
Xe (f ) = 2
f0 +
(f kfe )
2 k=
Exercice 3 : Soit x(t) support spectral born et fmax la frquence maximale. On chantillonne x(t)
fe = 2fmax et on bloque chaque chantillon pendant une dure Te = f1e . crire le signal y(t) chantillonn bloqu et calculer sa transforme de Fourier.
Corrig :
+
y(t) =
k=
+
(f kfe )
k=
Y (f ) = sinc(f Te )
+
X(f kfe )
k=
+
(t nTe )
n=
n
1 +
f
P (f ) =
Te n=
Te
P (t) est une distribution priodique, de priode Te . Sa srie de Fourier est forme des coefficients cn tels que :
cn =
t
1
1
t=0 , ej2 n Te =
Te
Te
P (t) =
+
1 j2 n Tt
e
e
T
n= e
2. Quantification
Page 39
En conclusion :
P (t) =
+
(t nTe ) =
n=
TF
P (f ) =
+
ej2 nTe f =
n=
+
1 j2 n Tt
e
e
T
n= e
1 +
n
f
Te n=
Te
2 Quantification
On se limite ici la quantification scalaire, cest dire la quantification dun chantillon isol. On distingue plusieurs types de quantification scalaire, en particulier
la quantification uniforme,
la quantification non uniforme, comme la conversion de type logarithmique.
Q(x)=xn
xn+3
xn+2
xn+1
x
xn
xn-1
La valeur quantifie de x : Q(x) est donne par :
x [xn , xn+1 ]
Si
|x xn | < |x xn+1 |
Q(x) = xn
Si
|x xn | > |x xn+1 |
xn + xn+1
Si x =
2
Q(x) = xn+1
Q(x) = xn ou xn+1
Page 40
q=
o N est le nombre de valeurs de quantification.
q
q/2
-q/2
3q/2
-q
xmax
x
2. Quantification
Page 41
|eg |
q
2
Sous lhypothse, relativement gnrale, que eg est uniformment rpartie entre q/2 et q/21 , on peut calculer
la valeur moyenne et lcart type de cette erreur. La densit de probabilit de eg (note p(eg )) est dessine
ci-dessous :
p(eg)
1/q
-q/2
q/2
eg
q
Sous cette hypothse :
q
+ 2
E(eg ) =
eg p(eg )deg =
q2
E e2g
eg deg = 0
2q
+ 2
= g2 =
2q
Et enfin
1
q
+ 2
g2 =
1
e2g p(eg )deg =
q
+ 2
e2g deg =
q2
q2
12
1 x2max
q2
=
12
3 22N
Avec les mmes hypothses, Le rapport (not RSBdB ) entre la puissance du signal x2 et la puissance de lerreur
de granulation g2 , peut sexprimer en dcibels par la relation suivante o N reprsente le nombre de bits du
convertisseur :
RSBdB = 10 log10
x2
g2
Den dB = 10 log10
S
B
S est la puissance de crte du codeur , cest--dire puissance de la sinusode damplitude maximale codable sans crtage,
1. Cette hypothse est raliste si le pas de quantification est faible devant la dynamique du signal et si le signal occupe relativement
uniformment cette dynamique
Page 42
2
q
B est la puissance du bruit de quantification : B = 12
1
2
2N 1
q
2
S
B
DdB 10 log10
DdB 10 log10 (2
2
22N 3 q 2
2N
10 log10
22N 3 q 2
) + 10 log10
q2
12
3
2
Exercice 4 : Quel est la frquence dchantillonnage et le nombre de bits ncessaires pour numriser un
signal audio avec un convertisseur uniforme, sachant que loreille humaine peroit les sons jusqu 20
Khz, et que lon souhaite une prcision de 0,5% sur les amplitudes comprises entre 0, 5%VF S et VF S o
VF S reprsente lamplitude pleine chelle du convertisseura ? On supposera quil ny a jamais crtage .
On note N le nombre de bits du convertisseur uniforme.
a
FS = Full Scale
Corrig :
fmax
20 Khz fe 40 Khz
q
2
2, 5102 103 VF S
et
VF S = 2N 1 q
0, 4105
16
Il faut donc numriser le signal une frquence dchantillonnage de 40 Khz sur 16 bits, ce qui donne
un dbit de 640 Kbps (Kilo bits par seconde).
2. Quantification
2.6.1
Page 43
y=C(x)
Compression
Quantification
uniforme
Expansion
Q(x)=C1(z)
La loi de compression est note C(x). La loi dexpansion est lopration inverse.
xmax x xmax
y = C(x)
x = C 1 (y)
La loi de compression doit approcher une fonction logarithme. Deux lois sont utilises en pratique: la loi A et
la loi . Ces deux lois sont appliques dans les codecs : circuits de conversion analogique numrique pour la
tlphonie. La loi A est applique en Europe, la loi aux USA et au Japon.
La figure suivante reprsente les deux fonctions de compression ainsi obtenues. On saperoit quelles sont
pratiquement superposes. Sur la figure, on a normalis xmax 1.
C(x)
1
0.9
0.8
0.7
Lois de compression A et
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
2.6.2
Pour
|x| <
1
A
Pour
|x|
1
A
Avec
A = 87.6
Ax
1 + log(A)
1 + log(Ax)
C(x) =
1 + log(A)
C(x) =
Pour leur ralisation matrielle les lois A et sont approches par des segments de droite. La loi A est
approche par une courbe 13 segments, et la loi par une courbe 15 segments. Elles sont appliques dans
ce cas l avec une numrisation sur 8 bits.
En ce qui concerne la loi A, la pente du premier segment passant par lorigine, est de 16. Puis les pentes des
segments successifs sont obtenues par divisions successives par deux. La pente du dernier segment vaut donc
1/4.
Page 44
Loi A 13 segments
Cadran positif
0.4
0.3
0.2
0.1
0
0
1/8
1/2
1/4
1/32 1/16
1/64
S
1 bit
de signe
3 bits donnant
le numro du
segment
Le rapport signal sur bruit de quantification obtenu avec la loi A est constant sur une large plage de signal.
Dans le cas de la conversion sur 8 bits, on peut remarquer que les petits signaux sont amplifis par un facteur
16 avant dtre convertis, ce qui revient diviser par 16 le pas de quantification, cest--dire utiliser 12 bits
de quantification (gain de 4 bits). Par contre pour les grands signaux, le pas de quantification est multipli par
4 par rapport un convertisseur 8 bits uniforme, on perd donc 2 bits.
Cette mthode donne des rsultats qualitatifs (notion subjective) comparables une quantification linaire sur
12 bits.
Le signal tlphonique tant chelonn 8 KHz, une conversation tlphonique correspond un dbit binaire
de : 8000 x 8 = 64 Kbs1 (Kilo bits par seconde).
2. Quantification
Page 45
EXERCICES ET PROBLMES
Exercice 1 : Quelle est la capacit mmoire ncessaire pour stocker une trame dimages vido, sachant que
la largeur de bande du signal est de 6 Mhz, que lon transmet 50 trames par seconde et que lon souhaite une
image noir et blanc 256 niveaux de gris?
Exercice 2 : Quelle est la capacit mmoire ncessaire pour stocker une minute de signal tlphonique, sachant que ce signal a une frquence maximale de 4KHz et quon le mmorise en respectant le thorme de
Shannon et en utilisant la loi A 8 bits par chantillon?
Exercice 3 : On considre un signal x(t) de transforme de Fourier X(f).
1re question :
Calculer la transforme de Fourier du signal obtenu en chantillonnant x(t) la frquence fe et en bloquant
chaque chantillon pendant Te . (Te = f1e priode dchantillonnage) (sortie dun Convertisseur Numrique
Analogique par exemple).
1.2
0.8
0.6
0.4
0.2
0
0
10
20
30
40
50
60
70
80
90
100
2me question :
Calculer la transforme de Fourier du signal z(t) obtenu partir de x(t) de la manire suivante : toutes les Te
secondes pendant T2e secondes on laisse passer le signal et pendant les T2e secondes suivantes on force zro la
sortie :
1.2
0.8
0.6
0.4
0.2
0
0
10
20
30
40
50
60
70
80
90
100
3me question :
Quelle est la fonction de transfert du filtre de lissage idal dans le premier cas?
Exercice 4 : Calculer la puissance du bruit de quantification (appel e) dans le cas dune quantification uniforme sur N bits. On appellera q le pas de quantification, VF S : la tension pleine chelle du quantificateur. Le
Page 46
signal quantifier x tant un signal de valeur maximale Vmax (|x| Vmax ) de densit de probabilit uniforme.
N.B. Ne pas faire dhypothse simplificatrice.
Exercice 5 : On chantillonne le signal x(t) = cos(2fo t) (avec fo = 1 KHz) la frquence fe = 500 Hz.
Puis on filtre le signal chantillon par un filtre passe bas idal de frquence de coupure gale 700 Hz, de
fonction de transfert H(f ) = rect700 (f ). On appelle y(t) le signal de sortie du filtre.
Calculer y(t).
Problme I :
1) noncez la condition de Shannon sur lchantillonnage dun signal bande limite.
2) On considre le signal rel x(t) de type passe-bande : X(f ) existe pour |f | ]Fo B, Fo + B[.
C HAPITRE III
TRANSFORME DE FOURIER DISCRTE : TFD
ET TFR
dsire calculer la transforme de Fourier dune fonction x(t) laide dun ordinateur, ce
dernier nayant quun nombre fini de mots de taille finie, on est amen :
ORSQU ON
x(t)ej2f t dt
X(f ) =
En approchant lintgrale par une somme daires de rectangles de dure Te et en limitant la dure dintgration
lintervalle [0, (N 1)Te ], on obtient :
(N 1)
X(f ) Te
n=0
X(fk ) Te
x(nTe )ej2
nk
f T
N e e
(N 1)
Te
n=0
x(nTe )ej2
nk
N
n=0
Ce nest pas une approximation sophistique de X(f ), mais elle est trs utilise en pratique sous le nom de
TFD car il existe un algorithme de calcul efficace appel FFT (Fast Fourier Transform) ou TFR (Transforme
de Fourier rapide).
La TFD est par ailleurs utilise, lorsque lon travaille avec des suites numriques sans lien avec un signal
physique, pour dfinir une reprsentation de la suite sur une base de fonctions frquentielles.
N
1
x(n)ej2
nk
N
n=0
En pratique, les N termes x(n) peuvent tre N chantillons dun signal analogique chantillonn :
xn = x(nTe ), et les N termes X(k) correspondre une approximation ( un facteur multiplicatif Te prs) de la
transforme de Fourier de ce signal aux N points de frquence fk = kfe /N , avec k entre 0 et N 1, cest
dire f entre 0 et fe .
Page 48
x(n) =
En effet, calculons :
A =
A =
si
si
1
1
nk
1 N
1 N
X(k)ej2 N =
N k=0
N k=0
1
N
i = n
N
1
i=0
N
1
k=0
N
1
i = n
A =
1
N
x(i)
k=0
N
1
N 1
(ni) k
N
ej2
N 1
j2
x(i)e
ik
N
ej2
nk
N
i=0
k=0
ej2
(ni) k
N
j2
(ni) k
N
x(i)
N 1
i=0
1 ei2 (ni)
1 ei2
N
1
=0
1=N
k=0
(ni) k
N
ej2
ni
N
k=0
1
x(n)N
N
A = x(n) c.q.f.d.
+
xe (t) =
n=
+
(t nTe )
TF
n
1 +
f
Te n=
Te
P (f ) =
n=
|X(f)|
1
xe(t)
|Xe(f)|
1/Te
-1/Te 1/Te
2. On tronque la suite xe (nTe ) en ne conservant quun nombre fini N de termes pour obtenir le signal xtr (t)
form des chantillons : x(0) . . . x((N 1)Te ) :
xtr (t) = xe (t)F (t) =
N
1
n=0
x(nTe ) (t nTe )
Page 49
F (t) =
1 si t T2e , T0
0 sinon
Te
2
o T0 = N Te .
F(t)
|F(f)|
1
T0
-Te/2
T0-Te/2
xtr(t)
|Xtr(f)|
La convolution avec un sinus cardinal introduit des ondulations sur le spectre. Elles sont appels ripples en
anglais.
N
1
Xtr (f ) =
n=0
+
Xc (f ) = Xtr (f )
n=
+
Xc (f ) =
N 1
n=
n
f
T0
j2
x(kTe )e
+
xc (t) = T0
Xtr
n=
nk
N
k=0
+
n
f
T0
T0
n
f
T0
xtr (t nT0 )
n=
xc(t)
|Xc(f)|
Te
1/NTe
T0=NTe
fe=1/Te
On obtient donc une correspondance entre N points dans le domaine temporel xc (nTe ) et N points dans le
domaine frquentiel Xc (n/T0 ), pour n entre 0 et N 1. De plus :
xc (nTe ) = T0 x(nTe ) pour
Xc
k
T0
N
1
n=0
x(nTe )ej2
n [0, N 1]
nk
N
Page 50
cest--dire que la suite Xc (k) = Xc (k/T0 ) est prcisment la TFD de la suite x(n) = x(nTe ).
N
1
x(nTe )ej2
nk
N
n=0
k
T0
=NX
k
T0
En effet, x(t) tant priodique de priode a un spectre form de raies distantes de 1/ . De plus, ce spectre est
limit fmax .
|X(f)|
1
-fmax
1/
fmax
Les trois oprations qui conduisent la suite X(k) auront les consquences suivantes :
1. Lchantillonnage de x(t) fe rend priodique le spectre et le multiplie par 1/Te .
|Xe(f)|
1/Te
-fmax
1/
fmax
fe
Page 51
2. La troncation de xe (t) par une fentre de largeur T0 a pour effet de convoluer le spectre avec un sinus
cardinal qui sannule tous les 1/T0 avec T0 = k .
|Xtr(f)|
T0/Te
fe
3. Lchantillonnage du spectre la frquence 1/T0 a pour effet de ne conserver que des valeurs o Xtr et
X concident au facteur T0 /Te = N prs. Cest le seul cas o il y a identit entre la TFD et la TF au
facteur N prs, aux N points de calcul k/T0 avec k [0, (N 1)].
Dans tous les autres cas, la TFD diffre de la TF aux points k/T0 . Lerreur est introduite :
par recouvrement de spectre si X(f ) nest pas support limit, erreur que lon minimise en augmentant
fe .
par les ondulations dues la troncature par la fonction fentre si x(t) nest pas priodique ou dure limite : erreur que lon peut chercher attnuer en choisissant une fentre autre que la fentre rectangulaire
(fentre de Hanning par exemple) et en augmentant autant que possible la largeur de la fentre.
pour les deux premires raisons la fois si x(t) nest ni dure limite ni bande limite
mme si x(t) est priodique et bande limite, on introduit une erreur si la fentre de troncature na pas
une dure gale un multiple de la priode car la troncature introduit alors de fortes discontinuits (voir
la figure suivante).
xc(t)
x(t)
Page 52
Pour une mme dure temporelle N Te , on compare les diffrentes fentres essentiellement par leurs propits
frquentielles. Idalement, on aimerait que la troncation du signal en temps ne modifie pas son contenu frquentiel, cest- -dire que X(f ) = Xtr (f ), ce qui suppose que F (f ) = (f = 0). En pratique, ce nest pas possible
et les fentres F (f ) prsentent un lobe principal de largeur non nulle centr autour de la frquence nulle et en
gnral des lobes secondaires de hauteur non nulle. On peut caractriser une fentre par des paramtres tels
que:
La largeur du lobe principal, mesure 3 dB dattnuation par rapport lamplitude en f = 0, ou bien
mi-hauteur.
La hauteur maximale des lobes seconadaires (quand ils existent).
Ces paramtres influencent respectivement la rsolution et la dynamique de lanalyse spectrale.
La rsolution est la capacit distinguer 2 frquences proches. La dynamique est la capacit mesurer des
composantes frquentielles damplitudes trs diffrentes sans que la plus forte ne masque la plus faible.
De manire gnrale, la largeur du lobe principal est inversement proportionnelle la dure temporelle de
la fentre.
1.5.1
Ft () =
sin N T4
N T4e
ou Fp () =
sin E T6e
N T6e
De plus, lamplitude maximum des lobes secondaires est -26 db en dessous du lobe principal dans le
cas de Ft (), et -39 db dans le cas de Fp (). Par contre, le lobe principal est, dans les 2 cas, plus large
que pour la fentre rectangulaire.
Dterminons les expressions temporelles de Ft () et de Fp () :
Ft () = Fr () Fr ()
donc
2| t |
N Te
et
Fp () = Ft () Fr ()
donc
t
N Te
Page 53
F(t)
NTe
F(t)
|F(f)|
1.5.2
NTe
Fentres Fentres dtruisant par addition algbrique, les lobes secondaires de la fentre rectangulaire
Dautres fentres intressantes sobtiennent en dtruisant les lobes secondaires de la fentre rectangulaire,
par addition algbrique. On peut citer dans cette catgorie la fentre cosinusodale, les fentres de Hanning, de
Hamming, de Blackman.
Fentre cosinusode Fc (t)
Lexpression algbrique de la fentre cosinusode est :
1
1
1
FR f
+ FR f +
Fc (f ) =
2
2N Te
N Te
t
Fc (t) = Fr (t) cos
N Te
Les lobes secondaires de Fc (f ) sont plus faibles que ceux de Fr (f ); ainsi lamplitude maximum de ces
lobes est 34 db en dessous de lamplitude en f = 0 et leur dcroissance est en 1/f2 . Par contre, le lobe
principal est plus large.
Fentre de Hanning FH
Nous avons vu prcdemment comment, par une combinaison algbrique de deux fonctions dduites
de Fr (f ) par des dcalages en frquence, on pouvait diminuer lamplitude des lobes secondaires mais
en augmentant la bande de transition. On peut encore diminuer lamplitude des lobes secondaires en
augmentant le nombre de fonctions combines algbriquement. Cest le cas pour la fentre de Hanning
(voir la figure suivante).
F(t)
|F(f)|
f
NTe
Page 54
1
1
1
1
1
FR (f ) + FR f
+ FR f +
2
4
T
4
T0
0
1
t
FH (t) =
1 + cos 2
pour t [T0 /2, T0 /2]
2
T0
FH (t) = 0 ailleurs.
FH (f ) =
Lamplitude maximum des lobes secondaires est alors gale -44 db (en dessous du lobe principal); ils
dcroissent en f13 . Le lobe principal est presque 2 fois plus large que pour la fentre rectangulaire.
Fentre de Hamming Fhm
On peut amliorer les rsultats obtenus par la fentre prcdente en modifiant les pondrations de Fr (f ),
Fr (f 1/N Te ) et Fr (f + 1/N Te ) :
Fhm (f ) = 0.56 Fr (f ) + 0.22 [Fr (f 1/N Te ) + Fr (f + 1/N Te )]
Dans ce cas, la dcroissance des lobes secondaires est toujours en 1/f3 mais lamplitude maximum de
ces lobes est -60 db sous le lobe principal.
Lexpression temporelle Fhm (t)de la fentre de Hamming scrit :
Fhm (t) = 0, 56 + 0, 44 cos(2 t/N Te )
= 0 ailleurs
N Te
2
< t <
N Te
2
N Te
2
< t <
N Te
2
(N Te /2)2
Fg () = exp
4k
Cherchons lexpression temporelle de cette fonction : Fg (t) = exp 4k(t/N Te )2 , une constante
prs puisque la transforme de Fourier conserve la loi gaussienne :
Page 55
t2
2
exp ( ) exp (
)
2
2
si | t | < N Te /2
Fg (t) = 0 si | t | > N Te /2
Le paramtre k permet de raliser un compromis entre londulation en bande attnue et la largeur de la
bande de transition, ce que ne permettaient pas de faire les fentres dcrites prcdemment.
Fentre de Kaiser FK (t)
Cette fentre est une des plus efficaces : sa transforme de Fourier FK (f ) a pour expression
$
sin V 2 Va2
2
$
FK (V ) =
I0 (Va ) V 2 Va2
o V = f N Tr , Va = fa N Te ,
de premire espce.
Cette fonction dpend dun paramtre Va qui permet de diminuer lamplitude des lobes secondaires mais
qui augmente la largeur du lobe principal. Dans la plupart des applications, une valeur de Va comprise
entre 4/ et 9/ conviendra.
4/ < Va < 9/
Lexpression temporelle de la fentre de Kaiser, transforme de Fourier inverse de FK (f ) est
FK (t) =
I0 V a
1 (2t/N Te )2
I0 ( V a)
FK (t) = 0
si | t | < N Te /2
ailleurs
Page 56
o P = N-1, N impair.
Le paramtre permet de rgler lamplitude des ondulations.
les fonctions cos(x) et cos1 (x) sont des fonctions complexes.
Lamplitude maximum des ondulations est lie au paramtre par la relation
=
1
ch [ P arg ch() ]
Lexpression temporelle de cette fentre na pas une forme simple ; la meilleure faon de lobtenir tant
de calculer la transforme de Fourier inverse de FD (f ) en utilisant la transforme de Fourier discrte.
Dans tous les cas, nombre N de coefficients constant, on devra raliser un compromis entre lamplitude
des ondulations et la largeur du lobe principal. Il faudra choisir entre une moins grande dispersion ou une
meilleure rsolution.
Thorme de Parseval
|x(nTe )|2 =
n=0
1
1 N
|X(k)|2
N k=0
Dmonstration :
N
1
n=0
N
1
n=0
|x(nTe )|
|x(nTe )|
=
=
1
1 N
N 2 n=0
1
N2
N 1
k=0
N
1
N
1
2j nk
N
Xk e
Xk Xl
k=0 l=0
N
1
nl
Xl e2j N
l=0
N 1
n=0
2j
n(kl)
N
Or :
Si k = l
Page 57
N
1
e2j
n(kl)
N
n=0
Et si
N
1
k=l
e2j
1 e2j(kl)
=0
e2j(kl)/N
n(kl)
N
=N
n=0
On en dduit :
1
1 N
1 N
|x(nTe )| = 2
Xk Xl
N
n=0
k=0 l=0
N
1
1.7.2
N 1
n(kl)
2j N
n=0
1
1 N
|Xk |2
N k=0
Avant de prsenter les rsultats concernant la convolution discrte, on a besoin de dfinir les notions de
convolution circulaire et de convolution linaire.
Convolution circulaire :
Soit 2 suites priodiques (x(n)) et (y(n)) de priode N . La convolution circulaire de ces 2 suites donne la
suite (z(n)) de priode N dfinie par :
(z(n)) = (x(n)) (y(n)) =
N 1
x(i)y(n i)
pour
n [0, N 1] ,
i=0
N 1
x(i)y(n i)
pour
n [0, 2N 1]
i=0
EXEMPLE :
Soit les suites (x(n)) et (y(n)) priodiques de priode N = 3, telles que
x(n) = y(n) = 1
pour n entre 0 et 2.
La suite (z(n)), convolution circulaire des suites (x(n)) et (y(n)) est priodique de priode N = 3, et vaut
z(n) = 3 pour n entre 0 et 2. La suite (u(n)), convolution linaire des suites (x(n)) et (y(n)) est de dure
2N 1 = 5, et vaut :
z(0) = 1, z(1) = 2, z(2) = 3, z(3) = 2, z(4) = 1.
La suite (z(n)) peut sobtenir en rptant priodiquement la suite (u(n)) avec la priode N .
Une priode de xn
Une priode zn
Une priode yn
Suite un
Page 58
Thorme de la convolution discrte circulaire La TFD de la suite (z(n)) convolution circulaire de 2 suites
priodique (x(n)) et (y(n)) de priode N , est le produit des TFD des suites (x(n)) et (y(n)) :
z(n) = x(n) y(n) T F D(z(n)) = T F D(x(n))T F D(y(n))
(III.1)
Rciproquement, la suite p(n) produit des suites x(n) et y(n), a pour TFD une suite P (k) qui est la convolution circulaire des suites X(k) et Y (k) :
p(n) = x(n)y(n) P (k) = X(k) Y (k)
avec P (k) = T F D(p(n)), X(k) = T F D(x(n)), Y (k) = T F D(y(n)).
Dmonstration de (III.1)
(z(n)) = (x(n)) (y(n)) =
Z(n) =
Z(n) =
Z(n) =
N
1
j2 ni
N
z(i)e
i=0
1
N
1 N
i=0
k=0
N 1
i=0
1
N
1 N
i=0
j2 nk
N
x(k)e
j2 nk
N
x(k)e
k=0
N 1
ni
k=0
j2
y(i k)e
N 1
n [0, N 1]
n(ik)
N
j2 nk
N
y(k)e
N
1
N 1
i=0
j2 nk
N
x(k)e
j2
y(i k)e
nik
N
k=0
= X(n)Y (n)
k=0
x( )y(t )d
u(t) =
chantillonnons x(t) et y(t) fe = 1/Te . On obtient alors P chantillons pour x et Q chantillons pour y.
On peut approcher lintgrale u(t) par la mthode de lintgration rectangulaire (de pas Te ). La suite vn
ainsi obtenue (au terme multiplicatif Te prs) correspond une convolution discrte linaire (et non circulaire)
des suites x(n) et y(n).
v(n) =
P +Q1
x(k)y(n k)
k=0
1.7.3
Page 59
X(k) =
N
1
x(n)ej2
nk
N
n=0
N2
N (N 1)
multiplications complexes
additions complexes
Il existe diffrents algorithmes de FFT. Le plus connu est srement celui de Cooley-Tukey (appel aussi
entrelacement temporel ou decimation in time ) qui rduit
N
log2 (N )
2
le nombre de multiplications.
Page 60
x0
x2
x1
x3
TFD
ordre
N/2=2
Y0 = x0+x2
X0=Y0+Z0=x0+x1+x2+x3
Y1 = x0 - x2
X1=Y1+w1Z1=x0+w1x1-x2-w1x3
TFD
ordre
N/2=2
Z0 = x1+x3
w1
X2=Y0 - Z0=x0 - x1+x2 - x3
Z1 = x1 - x3
Pour obtenir les 4 valeurs X(k), il suffit donc de calculer 2 DFT dordre N/2 = 2 et de combiner les rsultats
2 2 laide dune addition et dune multiplication au maximum, pour chaque valeur X(k). Cette tape est
appele tage de papillons , pour des raisons videntes lies la forme du schma de calcul. Ce rsultat se
gnralise toute valeur valeur de N multiple de 2. En effet :
X(k) =
N
1
nk
x(n)ej2 N
n=0
N/21
X(k) =
x(2i)e
i=0
N/21
X(k) =
N/21
j2 2ik
N
x(2i + 1)ej2
i=0
ik
j2 N/2
N/21
+ ej2 N
x(2i)e
i=0
ik
j2 N/2
x(2i + 1)e
i=0
N/21
X(k) =
2(i+1)k
N
ik
j2 N/2
y(i)e
N/21
+ wk
i=0
ik
j2 N/2
z(i)e
i=0
On note y(i) = x(2i) et z(i) = x(2i + 1), pour i [0, (N/2 1)]. On remarque que les 2 termes de la somme
donnant X(k) se dduisent directement des 2 TFD dordre N/2 des suites y(i) et z(i) de N/2 points. On note
ces TFD Y (k) et Z(k).
Ainsi pour k N/2 1, les 2 termes de la somme se dduisent des termes de rang k de Y (k) et Z(k) :
N/21
X(k) =
j2
y(i)e
ik
N/2
N/21
+ wk
i=0
j2
z(i)e
ik
N/2
= Y (k) + wk Z(k)
i=0
Pour k [N/2, (N 1)], on peut crire k = k + N/2, avec k [0, (N/2 1)]. De plus, comme quelque soit
i entier ej2i = 1, on peut dduire X(k) des termes de rang k N/2 des 2 TFD Y (k) et Z(k) :
N/21
X(k) =
i=0
N/21
X(k) =
i=0
N/21
X(k) =
j2
y(i)e
j2
y(i)e
j2
y(i)e
ik
N/2
N/21
+w
i(k +N/2)
N/2
ik
N/2
i=0
j2
z(i)e
i=0
N/21
k
+w
i=0
N/21
+ wk
ik
N/2
j2
z(i)e
j2
z(i)e
i(k +N/2)
N/2
ik
N/2
i=0
En conclusion, pour tout N multiple de 2, on peut calculer chaque terme X(k) de la TFD dordre N en
combinant, laide dau plus 1 multiplication et 1 addition, 2 termes des TFD dordre N/2 des 2 suites y(i) et
Page 61
z(i) de longueur N/2, formes respectivement des termes dindices pairs et des termes dindices impairs de la
suite x(n). En notant Y (k) et Z(k) les TFD dordre N/2 de ces suites on peut crire :
Pour
Pour
0,
N
1
2
N
,N 1
2
On appelle papillon , ltape de calcul consistant calculer 2 points de la TFD dindices distants de N/2, par
exemple X(k) et X(k + N/2) avec k [0, N/2 1]. Le calcul de ce couple de valeurs de la TFD dordre N
utilise le couple de valeurs Y (k) et Z(k) des TFD dordre N/2 :
Pour
N
1
k 0,
2
Soit un total de
au lieu de:
!
2 N 2 = N 2 multiplications complexes
2
2!
!
2 N N 1 = N N 1 additions complexes
2
2
2
N
2
multiplications complexes
N additions/soustractions
N2 N
2 + 2 multiplications complexes
N2
2 additions complexes
N2
N (N 1)
multiplications complexes
additions complexes
Cet algorithme est lalgorithme de FFT avec entrelacement temporel (base 2) de Cooley-Tukey.
Page 62
Ainsi pour N = 1024 = 21 0, le calcul direct demande : 1024x1024 multiplications et 1024x1023 additions,
alors que le calcul avec lalgorithme de FFT demande : 10x512 multiplications et 10x1024 additions. Dans ce
cas, lalgorithme divise environ par 200 le nombre doprations effectuer. Lefficacit de la FFT augmente
avec N .
Pour N = 4, le schma complet de lalgorithme est le suivant :
x0
Y0 = x0+x2
X0=Y0+Z0=x0+x1+x2+x3
x2
Y1 = x0 - x2
X1=Y1+w1Z1=x0+w1x1-x2-w1x3
w1
x1
Z0 = x1+x3
x3
Z1 = x1 - x3
On remarque sur ce schma que les donnes x(n) en entre sont dsordonnes, alors que celles de sortie X(k)
sont dans lordre naturel. De ce fait cet algorithme de FFT sappelle FFT avec entrelacement temporel. On verra
par la suite quil existe un algorithme symtrique appel FFT avec entrelacement frquentiel.
Pour lalgorithme de FFT en base 2 avec entrelacement temporel, un papillon lmentaire, ltage i (en
numrotant de 1 l = log2 (N )), a la forme suivante :
Vk
Uk
Uk + N / 2(l-i+1)
Entre de ltage i
Vk +
w(k,i)
(l-i+1)
N/2
Sortie de ltage i
A ltape i, les indices des termes associs dans un papillon sont spars de Ni , Ni tant la taille des DFT
intervenant ltape i, cest dire Ni = 2i1 = 2l l/2(li+1) = N/2(li+1) .
Le terme w(i,k) vaut :
k
j2 2N
j2 Nk Ni
k2li
2 = w
i = e
w(i,k) = e
Page 63
Pour obtenir chaque paquet de rsultats frquentiels, on effectue une DFT dordre N/2 sur des donnes rsultant
dune tape de papillons sur les donnes x(n).
x0
x1
w0
TFD
ordre
N/2=2
X0
TFD
ordre
N/2=2
X1
x2
x3
X2
X3
w1
On a donc un tage de 2 papillons suivi dun tage de 2 DFT dordre N/2 = 2.
Ce rsultat se gnralise tout valeur de N multiple de 2. En effet :
N
1
X(k) =
nk
x(n)ej2 N
n=0
N/21
X(2i) =
x(n)ej2
n2i
N
n=0
ni
j2 N/2
x(n)e
n2i
N
N/21
n=0
N/21
X(2i) =
x(n)ej2
n=N/2
N/21
X(2i) =
N
1
j2
x(m + N/2)e
mi
N/2
m=0
ni
j2 N/2
n=0
Ainsi les N/2 termes X(k) de rang pair sont gaux aux termes de la TFD dordre N/2 de la suite de N/2
valeurs (x(n) + x(n + N/2)), avec n entre 0 et N/2 1 .
De mme pour les termes X(k) de rang impair :
X(k) =
nk
x(n)ej2 N
n
N/21
X(2i + 1) =
x(n)ej2
n(2i+1)
N
n=0
N/21
X(2i + 1) =
n=0
N/21
X(2i + 1) =
N
1
x(n)ej2
n(2i+1)
N
n=N/2
n
ni
j2 N/2
x(n)ej2 N e
N/21
mi
j2 N/2
x(m + N/2)ej2 N e
m=0
ni
j2 N/2
n=0
les N/2 termes X(k) de rang impair sont gaux aux termes de la TFD dordre N/2 de la suite de N/2 valeurs
wn (x(n) x(n + N/2)), avec n entre 0 et N/2 1.
Dune manire gnrale si N est une puissance de 2 : N = 2l , on peut ritrer la mthode l fois et calculer la TFD dordre N laide de l tages de N/2 papillons., avec l = log2 (N ). La complexit de calcul dune
Page 64
FFT avec entrelacement frquentiel est identique celle de la FFT avec entrelacement temporel.
Pour lalgorithme de FFT en base 2 avec entrelacement frquentiel, un papillon lmentaire, ltage i (en
numrotant de 1 l = log2 (N )), a la forme suivante :
Vk
Uk
Uk + N / 2i
Vk +
w(k,i)
Entre de ltage i
i
N/2
Sortie de ltage i
A ltape i, Les indices des termes associs dans un papillon sont spars de Ni , Ni tant la taille des DFT
intervenant ltape i, cest dire Ni = N/2i . Et le terme w(i,k) vaut :
j2
w(i,k) = e
k
2Ni
= ej2
k2i
2N
i1
= wk2
retourne
ordre entrelac
00
00
01
10
10
01
11
11
X(n) =
7
k=0
x(k)ej2
nk
N
7
x(k)wnk
k=0
Page 65
On effectue le produit nk en dveloppant selon k, (Il suffirait de dvelopper selon n pour obtenir lalgorithme
avec entrelacement temporel) :
2
wnk = w(n2 2
w8 = 1
1
2
1 2 +n0 )k2 2
1 +n
X(n) =
7
1
0 )k1 2
1
1
1 2 +n0 )k1 2
2 +n
w(n2 2
2 +n
w(n2 2
1
1 2 +n0 )k0
1
1 2 +n0 )k0
x(k)wnk
k=0
X(n) =
2 +n
w(n2 2
1
k0 =0
1
k1 =0
1
2
1
x(k2 , k1 , k1 )wn0 k2 2 w(2n1 +n0 )k1 2 w(4n2 +2n1 +n0 )k0
k2 =0
1
x(k2 , k1 , k0 )wn0 k2 2
k2 =0
pour
i3
x1 (i + 4) = x(i) w x(i + 4)
0
i = n0 22 + k1 2 + k0
avec
On peut regrouper les valeurs de x1 2 par 2 pour former des paires duales que lon calcule partir de 2 noeuds
de mme indice de ltape prcdente. Les indices de 2 noeuds duaux tant espacs de 4 = N/2l . Lensemble
des relations prcdentes peut scrire sous la forme matricielle :
x1 (0)
x1 (1)
x1 (2)
x1 (3)
x1 (4)
x1 (5)
x1 (6)
x1 (7)
1
0
0
0
1
0
0
0
0
1
0
0
0
1
0
0
0
0
1
0
0
0
1
0
0 w0
0
0
0
0
0
0
0
w0
0
0
0
0
w0
1
0
0
0
w0
0 w0
0
0
0
0
0
0
0
0
w
0
0
0
0
w0
1
0
0
0
w0
x(0)
x(1)
x(2)
x(3)
x(4)
x(5)
x(6)
x(7)
-w0
w0
-w
w0
-w0
w0
w0
-w
x1(0)
x1(1)
x1(2)
x1(3)
x1(4)
x1(5)
x1(6)
x1(7)
Page 66
1
k1 =0
avec
= (1)n1
En donnant aux indices n0 , n1 , k0 toutes les valeurs possibles on obtient les relations duales :
x2 (i) = x1 (i) + w2n0 x1 (i + 2) pour
x2 (i + 2) = x1 (i) w
2n0
i = 4n0 + k0
avec
i3
x1 (i + 2)
cest dire
n1 = 0
Les valeurs de x2 se calculent 2 par 2 partir des 2 valeurs de x1 de mmes indices de ltape prcdente. Les
noeuds duaux tant espacs de N/22 = 2. Les relations prcdentes correspondent la forme matricielle :
x2 (0)
x2 (1)
x2 (2)
x2 (3)
x2 (4)
x2 (5)
x2 (6)
x2 (7)
1
0
1
0
0
0
0
0
0 w0
0
1
0
w0
0
0
0 w
1
0
w0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0 w2
1
0
w2
0 w2
0
1
0
w2
x1 (0)
x1 (1)
x1 (2)
x1 (3)
x1 (4)
x1 (5)
x1 (6)
x1 (7)
w0
0
-w0
-w0
w2
w2
-w2
-w2
x2(0)
x2(1)
x2(2)
x2(3)
x2(4)
x2(5)
x2(6)
x2(7)
Lexposant de w dans les relations prcdentes est obtenu en divisant logiquement i par 2 et en retournant le
rsultat.
Enfin la troisime tape est la sommation sur k0 qui conduit la relation :
x3 (n0 , n1 , n2 ) =
1
k0 =0
w4n2
= (1)n2
i = 4n0 + 2n1
Les valeurs de x3 se calculent 2 par 2 partir des 2 valeurs de x2 de mmes indices de ltape prcdente.
Les noeuds duaux tant espacs de N/23 = 1. Lexposant de w sobtient en divisant logiquement i par 1 et en
retournant le rsultat.
Page 67
x3 (0)
x3 (1)
x3 (2)
x3 (3)
x3 (4)
x3 (5)
x3 (6)
x3 (7)
1 w0
1 w0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1 w2
1 w2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1 w1
1 w1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1 w3
1 w3
x2 (0)
x2 (1)
x2 (2)
x2 (3)
x2 (4)
x2 (5)
x2 (6)
x2 (7)
w0
x3(0)
x3(1)
x3(2)
x3(3)
x3(4)
x3(5)
x3(6)
x3(7)
-w0
-w2
-w2
W1 -w1
w3 3
-w
Cette dernire suite de valeurs est gale la suite cherche X(n) mais dans le dsordre :
X(n2 , n1 , n0 ) = x3 (n0 , n1 , n2 )
En rsum :
x(0)
x(1)
x(2)
x(3)
x(4)
x(5)
x(6)
x(7)
1
0
1
0
0
0
0
0
X(0)
X(4)
X(2)
X(6)
X(1)
X(5)
X(6)
X(7)
0 w0
0
1
0
w0
0
0 w0
1
0
w0
0
0
0
0
0
0
0
0
0
0
0
0
-w0
w0
-w
-w0
w0
w0
-w0
w0
0
0
0
0
1
0
1
0
x3 (0)
x3 (1)
x3 (2)
x3 (3)
x3 (4)
x3 (5)
x3 (6)
x3 (7)
0
0
0
0
0
0
0
0
0
0
0
0
0
0 w2
1
0
w2
0 w2
0
1
0
w2
x1(0)
x1(1)
x1(2)
x1(3)
x1(4)
x1(5)
x1(6)
x1(7)
1 w0
1 w0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
1 w2
1 w2
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1 w1
1 w1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1 w3
1 w3
0 w0
0
0
0
0
0
0
0
w0
0
0
0
0
w0
1
0
0
0
w0
0 w0
0
0
0
0
0
0
0
w0
0
0
0
0
w0
1
0
0
0
w0
0
0
1
0
0
0
1
0
w0
w0
-w0
-w0
2
w2
-w2
2
-w
x2(0)
x2(1)
x2(2)
x2(3)
x2(4)
x2(5)
x2(6)
x2(7)
x(0)
x(1)
x(2)
x(3)
x(4)
x(5)
x(6)
x(7)
w0
-w0
-w2
-w2
w1 -w1
w3 3
-w
x3(0)
x3(1)
x3(2)
x3(3)
x3(4)
x3(5)
x3(6)
x3(7)
Page 68
log4 (N ) 3N
4 multiplications complexes
log4 (N )N additions complexes
u(n) =
P
1
x(i)y(n i)
i=0
3
2N
Page 69
x(n)
y1(n)
u1(n)
y2(n)
u2(n)
y3(n)
u3(n)
u(n) = x(n) * y(n)
Page 70
EXERCICES ET PROBLMES
Exercice 1 : Calculer la transforme de Fourier discrte de la suite (xn ) forme de N = 8 points (n ! [0,7]),
obtenue en chantillonnant la frquence fe = 16 Hz le signal x(t) :
x(t) = 2 sin(8t) + 8 cos(4t)
xn = 1 pour
xn = 0 pour
0n3
n
/ [0, 3]
yn = 2 pour
yn = 0 pour
0n3
n
/ [0, 3]
3
xk ynk
k=0
tn =
xk ynk
k=0
3
xn ej2
nk
4
k=0
x0
X0
x
X
C HAPITRE IV
SIGNAUX ALATOIRES
quune variable alatoire est un ensemble de valeurs caractris par une loi de
probabilit, on appellera signal alatoire, ou processus alatoire un ensemble de fonctions auquel on
adjoint une loi de probabilit.
Existe-il des signaux naturels qui soient intrinsquement alatoires ? La plupart des phnomnes nonquantiques peuvent tre dcrits laide dquations de la physique : le jeu de pile ou face, si lon connat
les caractristiques physiques de la pice, limpulsion donne, la densit et la composition de lair, la temprature, la pression atmosphrique, la gravit locale, est un jeu dont le rsultat est parfaitement prvisible. De
mme pour le tirage du loto. Simplement le systme dpendant dun trop grand nombre de variables et de
paramtres devient trop compliqu dcrire. Dautres exemples sont le signal de parole, llectromyogramme
ou la mesure de lactivit crbrale, dont on peut esprer quils ne rsultent pas de tirages au hasard , sont
caractriss comme des signaux alatoires. Dautres signaux sont impossibles caractriser a priori. Il sagit
en particulier dun message transmis sur une ligne tlphonique (ou autre) : du point de vue du rcepteur, ce
signal est alatoire jusqu sa rception. En effet si ce signal tait dj connu du rcepteur, son contenu informationnel serait nul et il serait inutile de le transmettre. Ainsi, on pourra modliser comme des signaux alatoires
les signaux dont le processus de production est trop compliqu dcrire, ou mconnu, ou des signaux pour
lesquels lala provient de la propre incertitude de lobservateur. partir dun modlisation probabiliste, il faut
alors esprer que lon pourra aboutir une caractrisation intressante et des outils de traitement qui pourront
permettre dextraire de linformation des signaux alatoires.
E LA MME MANIRE
Notation :
On notera X(t, ) un signal alatoire X. Il sagit dun ensemble de fonctions de la variable t, cet ensemble
tant index par la variable . Un signal alatoire est une quantit bivarie, dpendant la fois du temps t et de
lpreuve . Lorsque lpreuve est fixe, par exemple = i , on obtient une ralisation du processus alatoire
que lon notera X(t, i ) ou plus simplement xi (t). Lorsque la variable t est fixe, le processus alatoire se
rduit alors une simple variable alatoire. En considrant le processus pour t = ti , on obtient ainsi une
variable alatoire X(ti , ), que lon notera Xi (), ou Xi . Enfin, on notera xi les valeurs prises par la variable
alatoire Xi .
Page 72
X(ti , ), ainsi que toutes les interactions entre ces variables, et ceci i. . . La connaissance avoir est donc
gigantesque, et le plus souvent inaccessible, et lon devra se contenter dune description partielle.
Description un instant
On dit que X(t, ) est connu un instant, si, t1 , on connat la loi de la variable alatoire X(t1 , ). Celleci est simplement une variable alatoire au sens habituel, que lon peut en gnral (si ceux-ci existent et hors
quelques cas de figures exceptionnels) caractriser laide des moments.
Moments : on notera
mX (t1 ) = E {X(t1 , )} =
..
.
(n)
mX (t1 )
= E {X(t1 , ) } =
n
(IV.1)
(IV.2)
Rappelons avec force que E {} dsigne lesprance mathmatique, que lintgrale est prise sur le domaine
de variation de l amplitude de X1 , cest--dire de X(t, ) considr linstant fix t1 . Lcriture
E {X(t, )} =
X(t)p(X(t, )dt,
(trop) souvent rencontre dans des copies, indique une incomprhension attristante et constitue une erreur
impardonnable.
1.2.2
On dit que X(t, ) est connu deux instants, si, t1 , t2 , on connat la loi conjointe des variables alatoires
X(t1 , ) et X(t2 , ) :
pX1 ,X2 (x1 , x2 ) est connue t1 , t2 .
La connaissance deux instants ncessite donc de connatre le lien statistique entre X(t1 , ) et X(t2 , ).
Notion de covariance :
On appelle
CX (t1 , t2 ) = E {X(t1 )X(t2 ) } =
fonction de covariance. 1 Il sagit dans le cas gnral dune fonction bivarie qui permet de quantifier un certain
lien statistique entre les variables alatoires X1 et X2 . Dans la mesure o largument de lesprance mathmatique fait intervenir le produit de deux variables alatoires, et est donc homogne un carr , on parlera
de caractrisation lordre 2.
Remarque : En gnral, on ne peut pas exprimer la distribution conjointe pX1 ,X2 (x1 , x2 ) en fonction des distributions pX1 (x1 ) et pX2 (x2 ), sauf dans le cas o les variables sont indpendantes. On a alors
pX1 ,X2 (x1 , x2 ) = pX1 (x1 )pX2 (x2 ),
et la fonction de covariance scrit simplement
CX (t1 , t2 ) = E {X(t1 )X(t2 ) } = E {X(t1 )} E {X(t2 ) } ,
soit CX (t1 , t2 ) = mX (t1 )mX (t2 ) .
Lorsquun tel signal est centr, cest--dire de valeur moyenne nulle, alors C(t1 , t2 ) = 0, pour t1 = t2 . Ce type
de signal alatoire est appel bruit blanc (au sens strict).
1. En toute rigueur, il faudrait rserver le terme de covariance la formule prcdente applique des signaux centrs, pour lesquels
on a alors simplement une extension de la notion de variance dune variable deux variables alatoires. Il sagit ici dune fonction
puisque ces deux variables dpendent respectivement de t1 et t2 . Lorsque les signaux ne sont pas centrs, on pourrait parler de moment
dordre 2 crois.
2. Proprits fondamentales
Page 73
2 Proprits fondamentales
2.1 Stationnarit
La stationnarit est une proprit particulirement importante pour lanalyse des signaux alatoires.
Dfinition 1 On dit quun signal alatoire est stationnaire si ses proprits statistiques sont invariantes par
translation dans le temps.
En ce qui concerne la description complte, ceci se traduit par
pX(t1 ),X(t2 ),...,X(tk ) = pX(t1 ),X(t2 ),...,X(tk ) ,
et si = tk ,
pX(t1 ),X(t2 ),...,X(tk ) = pX(t1 tk ),X(t2 tk ),...,X(0) .
La distribution conjointe ne dpend plus alors que de k 1 paramtres, au lieu des k paramtres initiaux. Ceci
va se prolonger la description partielle : les moments, qui dpendent dans le cas gnral de linstant considr,
deviennent des quantits indpendantes du temps dans le cas stationnaire. La fonction de covariance CX (t1 , t2 )
devient quant--elle une quantit dpendant uniquement de lcart entre t1 et t2 .
Pour la description partielle un instant, on a ainsi
pX(t1 ) = pX(t1 ) = . . . = pX(0) .
Toutes les variables X(ti , ) possdent ainsi la mme loi un instant. Par suite,
(n)
E {X(t1 )n } = E {X(t1 )n } = . . . = mX .
On en dduit donc que tous les moments sont indpendants du temps.
deux instants, la distribution conjointe ne dpend que de lcart entre les deux instants et non des instants
eux-mmes :
pX(t1 ),X(t2 ) = pX(t1 t2 ),X(0) .
On en dduit donc que
CX (t1 , t2 ) = E {X(t1 )X(t2 ) } = E {X(t1 t2 )X(0) } = E {X(0)X(t2 t1 ) } = E {X(t)X(t ) } ,
avec t quelconque et = t1 t2 . La covariance devient une fonction de corrlation, qui ne dpend que de
lcart de temps. On pose
RX ( ) = E {X(t)X(t ) } .
On peut vrifier la stationnarit en calculant tous les moments, tous les ordres. Ceci nest pas forcment
utilisable, et on se contentera souvent dtudier une stationnarit au sens faible (par opposition la stationnarit
stricte), en dfinissant une stationnarit lordre 1 le moment dordre 1 est indpendant du temps, et une
stationnarit lordre 2 moment dordre 1 et fonction de covariance invariants par translation dans le temps.
Exercice 1 : Si
X(t, ) = A() cos(2f0 t),
o A() est une variable gaussienne centre et de variance 2 , vrifiez que X(t, ) est stationnaire
lordre 1 mais pas lordre 2.
Page 74
2.2 Ergodisme
Lergodisme est une proprit trs souvent employe, mais non vrifiable, lexception de quelques domaines de la physique. En traitement du signal, lergodisme sera le plus souvent un postulat, ncessaire pour
travailler.
On considre un signal alatoire X(t, ). On note xi (t) les diffrentes ralisations de ce signal. On dfinit
1
T + T
xni = lim
xi (t)n dt,
[T ]
la moyenne temporelle prise sur la ralisation i, durant toute son histoire. De la mme manire, on dfinit les
moyennes temporelles du signal alatoire X(t, ) par
1
T + T
X(t, )n = lim
X(t, )n dt.
[T ]
Dans le cas gnral, cette moyenne est une variable alatoire, (n) () dont les ralisations sont les xni . De la
mme faon, on dfinit des moyennes temporelles croises, comme
1
T + T
[T ]
Dfinition 2 Le signal X(t, ) est dit ergodique si les moyennes temporelles sont des nombres certains.
Cette proprit entrane donc, puisque . est une variable certaine, que toutes les ralisations prennent la
mme valeur. En ce qui concerne les moments, on a ainsi X(t, )n qui est un nombre certain, ce qui entrane
xn1 = xn2 = . . . = xnk . On notera (n) ce nombre.
Il est dune grande importance pratique davoir la fois stationnarit et ergodisme. En effet, dans ce cas de
figure, les moyennes densemble (les esprances mathmatique) et les moyennes temporelles sont gales.
Exemple (moments).
On a
1
T + T
X(t, )n = lim
X(t, )n dt.
[T ]
1
E {X(t, )n } dt,
T + T [T ]
1
E {X(t, )n } dt,
=
lim
T + T [T ]
(n) = X(t, )n =
lim
(n)
= E {X(t, )n } = mX ,
o la dernire ligne a t crite en utilisant le fait que E {X(t, )n } ne dpend pas du temps si X(t, ) est
stationnaire.
Dans le cas stationnaire et ergodique, on a donc
1
T + T
E {X(t, )n } = lim
X(t, )n dt,
[T ]
ce qui signifie que lon peut calculer les esprances mathmatiques en effectuant des moyennes temporelles sur
des ralisations quelconques du signal. Ceci est dune grande importance pratique, car il est rare que lon dispose de plusieurs ralisations du processus (et encore moins dune infinit), et de sa distribution de probabilit.
2. Proprits fondamentales
Page 75
Notons cependant quil est au moins aussi rare que lon dispose de ralisations du signal de + ; on
ne pourra donc pas calculer exactement la valeur des moyennes par la formule prcdente. On se contentera
dapprocher le rsultat par des moyennes temporelles sur la dure o est connu une ralisation du processus.
On parle alors destimation.
Exemple (covariance).
On a
1
X(t, )X(t , ) = lim
T + T
[T ]
[T ]
et par stationnarit,
E {X(t, )X(t , )} = RX ( )
est indpendant du temps t. Dans ce cas, on obtient
X(t, )X(t , ) = E {X(t, )X(t , )} = RX ( ),
soit finalement
1
RX ( ) = E {X(t, )X(t , )} = lim
T + T
[T ]
1
exp
(x mX )t R1 (x mX ) ,
pX (x) =
2
k
(2) det R
o
mX = E {X()} = [mX (t1 ), mX (t2 ), . . . , mX (tk )]t ,
et
R=
E {X c ()X c ()}
E {Xc (t1 , )Xc (t1 , ) } E {Xc (t1 , )Xc (t2 , ) } . . . E {Xc (t1 , )Xc (tk , ) }
E {Xc (t2 , )Xc (t1 , ) } E {Xc (t2 , )Xc (t2 , ) } . . . E {Xc (t2 , )Xc (tk , ) }
..
..
..
.
.
.
E {Xc (tk , )Xc (t1 , ) } E {Xc (tk , )Xc (t2 , ) } . . . E {Xc (tk , )Xc (tk , ) }
Page 76
o X c dsigne le signal centr : Xc = X mX . On obtient finalement
R=
RX (0)
RX (t2 t1 ) . . . RX (tk t1 )
RX (0)
. . . RX (tk t2 )
RX (t1 t2 )
..
..
..
.
.
.
RX (0)
RX (t1 tk ) RX (t2 tk ) . . .
dans le cas stationnaire. Le terme mX est la moyenne du vecteur gaussien X(), et R est la matrice de corrlation. La distribution p(X()) nest autre que la distribution conjointe des k variables alatoires X(t1 , ), X(t2 , ), . . . , X(tk
Par consquent, si lon connat la moyenne mX (t) et la fonction de covariance CX (t1 , t2 ), ou la moyenne mX
et la fonction de corrlation RX ( ) du processus (dans le cas stationnaire), on est capable dcrire la distribution conjointe, et ceci quelque soient les ti et pour nimporte quelle dimension k. Ainsi, dans le cas gaussien,
la connaissance de la moyenne et de la fonction de covariance suffit caractriser entirement le processus.
Une autre dfinition du processus gaussien est
Dfinition 3 Le processus X(t, ) est un processus gaussien si, quelque soit la fonction g(t),
g(t)X(t, )dt
Z() =
est une variable gaussienne.
On peut dduire de cette dfinition une proprit fondamentale des processus gaussiens : le caractre gaussien
se conserve par transformation linaire. En dautres termes, si lentre dun filtre linaire est gaussienne, alors
la sortie du filtre est galement gaussienne.
Supposons donc que Y (t, ) est la sortie dun filtre de rponse impulsionnelle h(t) et dentre X(t, ).
Cette sortie sexprime donc sous la forme du produit de convolution
Y (t, ) = (X h)(t, ) =
+
Z=
Z=
w( ) =
il reste simplement
g(t)h(t )dt,
Z=
w( )X(, )d.
Si X(, ) est, par hypothse, un signal alatoire gaussien, alors Z est une variable gaussienne, par dfinition et
daprs la relation prcdente. Z ayant t introduit comme une transformation de Y (t, ), avec g quelconque,
on en dduit que Y (t, ) est un processus alatoire gaussien.
Ainsi, puisque le filtrage dun processus gaussien conserve le caractre gaussien, il nous restera examiner
comment se transforment la moyenne et la fonction de corrlation, ces deux quantits suffisant dcrire un
processus gaussien stationnaire. Nous examinerons ces points dans quelques paragraphes.
Limportance des signaux alatoires gaussiens, outre leur facilit dutilisation lie la manipulation de
seulement deux moments, provient galement de limportance quantitative des signaux gaussiens, lie au(x)
thormes(s) central limite. Il existe en effet un certain nombre de thormes qui indiquent quun mlange de
Page 77
variables alatoires, tend, lorsque le nombre de variables dans le mlange augmente, vers une distribution gaussienne. Ces thormes se distinguent par les hypothses faites sur les lois des variables, leurs liens statistiques
ou des hypothses sur les conditions de mlange. Une formulation simple est la suivante :
Thorme 2 Soit
YN =
N
1
Xi ,
N i=1
o Xi sont des variables alatoires indpendantes et de mme loi. Alors, lorsque N +, la variable YN
tend vers une variable alatoire gaussienne de moyenne m et de variance 2 /N , si m et 2 sont les moyenne
et variance commune des variables Xi .
Ceci indique, que comme cest souvent le cas en pratique, lorsquun signal alatoire est compos par la superposition dun grand nombre de signaux lmentaires , alors le signal rsultant est bien approxim par une
distribution gaussienne. Rappelons quil existe dautres thormes limite qui prennent en compte des combinaisons linaires quelconques de variables, qui peuvent tre lis, et dont les distributions peuvent tre diffrentes.
Dfinitions et proprits
Dfinition 4 Si X(t, ) et Y (t, ) sont deux processus alatoires conjointement stationnaires, les fonctions
dintercorrlation et dautocorrlation sont dfinies par
1
X(t, )Y (t , )dt,
RXY ( ) = E {X(t, )Y (t , )} = lim
erg T + T [T ]
1
X(t, )X (t , )dt,
RXX ( ) = E {X(t, )X (t , )} = lim
erg T + T [T ]
Page 78
lim
N
1
X(n, )X (n k, ).
erg N + N
n=0
lim
Notons que si on note Ech loprateur dchantillonnage et Corr loprateur de corrlation, alors on a
Corr[Ech[X(t, )]] = Ech[Corr[X(t, )]];
et cest bien heureux, car les corrlateurs analogiques ne courent pas les rues.
Les fonctions de corrlation jouissent dun certain nombre de proprits que nous rappelons ci-dessous.
1. (Symtrie hermitienne)
( ).
RY X ( ) = E {Y (t, )X (t , )} = E {Y (t + , )X (t, )} = E {X(t, )Y (t + , )} = RXY
( ).
RXX ( ) = RXX
1
erg T + T
[T ]
|X(t, )|2 dt = PX .
La fonction dautocorrlation prise pour le retard nul, RXX (0), est simplement la puissance du signal.
On en dduit dailleurs que RXX (0) > 0.
5. (Maximum). partir de lingalit de Schwartz,
| < x, y > |2 < x, x >< y, y >,
et en utilisant < x1 , x2 >= E {X1 (t)X2 (t)} comme produit scalaire, on dduit que
(a) |RY X ( )|2 RXX (0)RY Y (0), ,
(b) |RXX ( )| RXX (0), ,
Exercice
2 : Au sens
du produit scalaire dfini ci-dessus, dmontrez lingalit de Schwartz en dvelop/
0
2
pant E |X + Y | en un polynme en et en notant que ce polynme est toujours positif. partir de
cette ingalit, retrouvez les deux proprits de maximum.
6. La fonction dautocorrlation est dfinie non ngative :
i
/
i RXX (i j )j 0, i, j.
j
2
i i X(i )|
Page 79
E |
expression qui ncessiterait quelques prcautions dcriture (la transforme de Fourier dun processus
alatoire stationnaire na pas de sens). En dveloppant tout de mme, on a
-
E
=
soit, en posant t t = ,
SXX (f ) =
On en dduit donc que la transforme de Fourier de la fonction dautocorrlation est toujours positive. On dit aussi que le caractre dfini non ngatif se conserve par transforme de Fourier. Ce rsultat
constitue le thorme de Bochner.
7. (Mmoire). On a vu que |RXX ( )| RXX (0). On appelle
c ( ) =
E {X(t, )X (t , )}
RXX ( )
=$
RXX (0)
E {|X(t, )|2 } E {|X (t , )|2 }
le coefficient de corrlation, dont on vrifie aisment quil est compris entre -1 et 1. Il sagit en fait de
la fonction dautocorrlation normalise par rapport son maximum. Lorsquau bout dun temps tc le
coefficient de corrlation devient nul, le processus est dit mmoire finie.
3.1.2
Un bruit blanc est un modle de signal alatoire limite que lon rencontrera trs souvent. Le bruit blanc
est un bruit corrlation microscopique, cest--dire quentre deux instants, si proches soient-ils, c ( ) = 0.
On pose, par dfinition,
N0
( ),
RXX ( ) =
2
o ( ) est la distribution de Dirac. On peut noter ds prsent que la transforme de Fourier de cette fonction
dautocorrlation, que lon a dj note SXX (f ), est une constante, damplitude N0 /2.
SXX (f ) = T F [RXX ( )] =
N0
.
2
Par ailleurs, en se souvenant que RXX (0) reprsente la puissance moyenne du signal, on constate que le bruit
blanc possde une puissance moyenne infinie. . . Il sagit donc dun modle dlicat manipuler.
On peut distinguer plusieurs types de bruit blanc : si toutes les variables alatoires que lon peut extraire
du signal sont indpendantes, le bruit est blanc, puisque lindpendance entrane la dcorrlation. Par contre,
toutes les variables peuvent tre dcorrles sans tre ncessairement indpendantes. On parlera alors de bruit
blanc au sens fort (ou au sens strict), dans le premier cas et de bruit blanc lordre deux dans le second. Notons
quil existe un certain nombre de situations intermdiaires.
Exercice 3 : Montrez quun bruit blanc est ncessairement de valeur moyenne nulle.
Page 80
Exercice 4 : On considre un signal alatoire U (t, ) nexistant que sur lintervalle de temps [0, T ] ; et
on sintresse au signal priodique
X(t, ) = RepT [U (t, )] =
U (t kT, ).
/ [T, T ].
1. Montrez que RU U ( ) = 0 pour
2. Montrez que RXX ( ) est une fonction priodique de priode T et exprimez RXX ( ) en fonction
de RU U ( ).
Exercice 5 : On considre le signal alatoire temps discret X(n, ), dautocorrlation RXX (k), et on
dfinit
Z(n, ) = X(n, ) + aX(n n0 , ).
Calculez la fonction dautocorrlation de Z(n, ).
Rappel
On rappelle quun filtre est un systme linaire invariant dans le temps (stationnaire), que lon peut dcrire
par une quation diffrentielle coefficients constants ou par une intgrale de convolution. temps continu, si
X(t, ) est lentre du filtre de rponse impulsionnelle h(t), on a
Y (t, ) = (X h)(t, ) =
h(u)X(t u, )du.
X(m, )h(n m) =
3.2.2
h(m)X(n m, ).
Transformation de la moyenne
mY = E {Y (n, )} = E
h(m)X(n m, )
h(m)E {X(n m, )} = mX
La moyenne de la sortie est donc simplement la moyenne du signal dentre affecte du facteur
si lon considre la transforme de Fourier H(f ) de h(m),
H(f ) =
(transforme de Fourier frquence continue), on note que pour la frquence nulle, on retrouve
H(0) =
m
h(m).
h(m).
m h(m).
Or
Page 81
h(m).
La moyenne de la sortie du filtre est la moyenne de lentre, multiplie par le gain complexe (la fonction de
transfert) pour la frquence nulle.
Exercice 6 : Montrez que pour un signal alatoire temps continu, on a les formules analogues :
mY = mX H(0) = mX
3.2.3
h(u)du.
La trs importante formule des interfrences permet de relier lintercorrlation entre les sorties de deux
filtres, aux intercorrlations des entres de ces filtres. La figureIV.1 dcrit le dispositif exprimental.
X1 (n)
X2 (n)
Y1 (n)
h1 (n)
Y2 (n)
h2 (n)
(X2 h2 )(n m, )) =
u
X1 (u, )h1 (n u)
X2 (v, ))h2 (n m v) =
u
h1 (u, )X1 (n u, ),
h2 (v)X2 (n m v, ),
et
RY1 Y2 (m) = E{
X1 (n u, )h1 (u)
= E{
u
X2 (n m v, )h2 (v)}
Page 82
En effectuant la somme sur u, on voit apparatre un produit de convolution entre h1 et RX1 X2 , exprim en
(m + v) :
RY1 Y2 (m) =
()
(v),
v
()
o lon a pos h2 (v) = h2 (v). Dans cette relation apparat nouveau un produit de convolution, cette
()
fois-ci entre (h1 RX1 X2 ) et h2 :
RY1 Y2 (m) =
()
(v)
v
()
h1 RX1 X2 h2
(v )
(m).
(m) .
X(n, )
Y (n, )
h(n)
X1 = X2 = X,
Y = Y,
1
Y
2 = X, h1 = h,
h2 = .
Page 83
X(t, )
Y (t, )
-+
6
h(t)
Z(t, )
B(t, )
F IG . IV.3 - Mesure de la rponse impulsionnelle dun filtre bruit
Si lon prend pour X(t, ) un bruit blanc, il est possible didentifier la rponse impulsionnelle : en effet, si
X(t, ) est blanc, RXX (, ) = N0 /2( ), et
RY X ( ) = h
N0
N0
( ) =
h( ).
2
2
Lorsque la sortie est bruite, par exemple par un bruit B(t, ) tel que
Z(t, ) = Y (t, ) + B(t, ),
o lon supposera B(t, ) non corrl lentre X(t, ) (ces deux quantits nont pas de raison particulire
dtre corrles entre elles, dautant plus quon est matre de lentre), on peut appliquer la mme dmarche :
puisque RBX ( ) = 0 (non corrlation). Les rsultats restent donc inchangs en dpit de la prsence dun bruit
additif non corrl lentre. La mthode didentification de rponse impulsionnelle par intercorrlation sortieentre est insensible un bruit dobservation. Par ailleurs, elle ne ncessite pas lapplication dune impulsion
de Dirac impossible raliser. Il restera cependant gnrer un bruit blanc, ce qui peut tre aussi difficile (i.e.
impossible) que la gnration dune impulsion de Dirac. Il est possible de se contenter dun bruit blanc dans
la bande du filtre (nous donnerons plus loin la signification de cette expression), o on peut travailler temps
discret, o, comme nous le verrons galement, il est possible de gnrer un bruit blanc discret.
Exercice 8 : Considrez le problme de lidentification dun filtre dans lequel la sortie et lentre sont
perturbes par un bruit additif : si on applique X(t, ) au filtre, lentre relle est X1 (t, ) = X(t, ) +
B1 (t, ) , et la sortie observe est Z(t, ) = Y (t, ) + B2 (t, ), o Y (t, ) est la sortie lie X1 (t, )
et B2 (t, ) est un bruit dobservation. Vous supposerez que X(t, ) est blanc, que X(t, ), B1 (t, ) et
B2 (t, ) sont non corrls. Dans ces conditions, montrez que lidentification de la rponse impulsionnelle
par intercorrlation est possible.
Page 84
(m),
si les filtres sont disjoints en frquence, lintercorrlation des sorties est nulle.
Application Considrons deux filtres parfaits autour de deux frquences pures f1 et f2 , de mme entre
X(t, ). On a Y1 (t, ) = X(f1 , ) exp (j2f1 t), et Y2 (t, ) = X(f2 , ) exp (j2f2 t) 3 . Dans ces
conditions,
RY1 Y2 (0) = E {X(f1 , )X (f2 , )} exp (j2(f1 f2 )t) = 0,
soit
E {X(f1 , )X (f2 , )} = 0.
x2
x1
pX (x)dx.
Si on appelle DXX (f ) la densit spectrale de puissance dun signal alatoire X(t, ), alors la puissance du
signal porte par les composantes frquentielles comprises entre f1 et f2 scrit
PXX (f [f1 , f2 ]) =
f2
DXX (f )df.
f1
PXX =
DXX (f )df.
Page 85
+T
1
T + 2T
RXX ( ) =
soit, pour = 0,
SXX (f ) df.
La transforme de Fourier SXX (f ) de la fonction dautocorrlation est ainsi une bonne candidate pour tre la
densit spectrale de puissance. Notons cependant, cette dernire relation ne prouve pas quelle le soit.
Considrons un filtre parfait, dont le module de la fonction de transfert est damplitude un dans une bande
f centre sur une frquence f0 , et nul ailleurs :
f
2 , f0
f
2 ]
Notons Y (t, ) = (hX)(t, ) la rponse de ce filtre une entre X(t, ). La puissance de la sortie est donne
par
PY Y = RY Y (0) =
SY Y (f ) df,
f0 + f
2
f0 f
2
SXX (f ) df,
ce qui correspond bien la dfinition de la densit spectrale de puissance : la puissance pour les composantes
spectrales comprises dans un intervalle est bien gale lintgrale de la densit spectrale de puissance sur
cet intervalle. Si f est suffisamment faible, on pourra considrer la densit spectrale de puissance SXX (f )
comme approximativement constante sur lintervalle, et
PY Y (f [f0
f
f
, f0 +
]) SXX (f0 )f.
2
2
Cette dernire relation indique que la densit spectrale de puissance doit sexprimer en Watts par Hertz. Par
ailleurs, lorsque f tend vers 0, la puissance recueillie est de plus en plus faible. Pour f = 0, la puissance
obtenue est ainsi normalement nulle, sauf si la densit spectrale elle-mme est constitue par une masse de
Dirac (de largeur nulle mais damplitude infinie) la frquence considre.
Notons que le filtre que nous avons dfini ci-dessus nest dfini, par commodit de prsentation, que pour
les frquences positives. Sa fonction de transfert ne vrifie donc pas la proprit de symtrie hermitienne des
signaux rels : la rponse impulsionnelle associe est donc complexe et la sortie Y (t, ) galement complexe.
En restaurant cette symtrie, cest--dire en imposant H(f ) = H (f ), ce qui entrane (notez le module de f )
f
2 , f0
f
2 ]
f0 + f
2
f0 f
2
SXX (f ) df +
f0 + f
2
f0 f
2
SXX (f ) df.
Page 86
La densit spectrale de puissance dun signal alatoire rel est une fonction paire, ce qui conduit enfin
PY Y = 2
f0 + f
2
f0 f
2
SXX (f ) df,
relation qui indique que la puissance se partage quitablement dans les frquences positives et ngatives.
Exemple :
Considrons le cas dune sinusode amplitude et phase alatoire
X(t, ) = A() sin(2f0 t + ()),
o A() est une variable alatoire centre de variance 2 et () uniformment rpartie sur [0, 2], indpendante de A(). La fonction dautocorrlation de ce signal vaut
RXX ( ) =
2
cos(2f0 ).
2
2
[(f + f0 ) + (f f0 )].
4
2
2
[(f + f0 ) + (f f0 )]df =
,
4
2
RXX ( ),
RXY ( ),
o SXX (f ), SXY (f ) sont les densits spectrale de puissance et de puissance dinteraction, respectivement. Ces
relations constituent le thorme de Wiener-Kintchine-Einstein.
X(t, ) =
La quantit dZ(f, ) est appele incrment spectral. On notera quil sagit dun signal alatoire dpendant de
la variable f . Lorsque le processus est stationnaire au sens large, lincrment spectral possde les proprits
suivantes :
1. lincrment est moyenne nulle
E {dZ(f, )} = 0,
Page 87
si f1 = f2 ,
3. la densit spectrale de puissance est lie la valeur moyenne du module carr de lincrment spectral
E |X(t, |
- +
= E
+
+
+
En tenant compte de la proprit de dcorrlation, lintgrande nest non nul que pour f = f1 = f2 , et
E |X(t, |
+
E |dZ(f, )|
+
SXX (f )df.
Page 88
+
+
E |
h(u)x(T u)du|2
.
h(u)B(T u, )du|2 ]
En ce qui concerne tout dabord le dnominateur, il sagit l de la puissance dun signal alatoire la sortie
dun filtre, et lon a donc
E |(h B)(t, )| ] =
2
+
SB B (f )df =
+
+
h(u)x(T u)du|2
+
|h(u)|2 du
+
|x (T u)|2 du,
avec galit lorsque les vecteurs h(u) et x (T u) sont colinaires. Lgalit de Parseval-Plancherel, qui
exprime la conservation du produit scalaire entrane que
+
|h(u)|2 du =
+
Page 89
(T )
|x (T u)|2 du
Ex
= 2,
2
o Ex est lnergie du signal x(t). Lgalit est atteinte lorsque h(u) et x (T u) sont colinaires, cest--dire
h(u) = kx (T u) ,
o k est une constante arbitraire. Le filtre optimal maximisant le rapport signal--bruit en sortie, linstant T ,
est ainsi le filtre dont la rponse impulsionnelle la copie retourne et dcale dans le temps du signal que lon
cherche retrouver. En ce sens, le filtre est adapt au signal.
La relation de filtrage de Y (t, ) avec une copie retourne quivaut en fait effectuer une intercorrlation
(au sens dterministe). En effet,
+
z(t) =
h(u)y(t u)du =
+
x (T + v)y(t + v)dv =
x (T u)y(t u)du
+
x (T t + v)y(v)dv,
soit
z(t) = Ryx (T t).
Le rcepteur optimal consiste donc calculer lintercorrlation entre le signal reu y(t) et le signal attendu
x(t). On parle alors souvent de rcepteur corrlation.
Application en Sonar-Radar
Dans le dveloppement prcdent, on a suppos connatre x(t). Or, dans le contexte sonar-radar, le signal
dtecter est as(t t0 ), o a et t0 sont inconnus. On utilisera alors comme filtre adapt le filtre adapt s(t),
soit
h(t) = ks (T t).
Dans ce cas, la sortie du filtre est, en terme dintercorrlation, Rys (T t). En reprenant avec
y(t) = as(t t0 ) + b(t),
on obtient
z(t) = Rys (T t) = aRss (T + t0 t) + Rbs (T t).
Leffet du filtrage est alors de minimiser le terme de bruit Rbs (T t). Par ailleurs, on sait que lautocorrlation
est maximale en 0. Dans notre cas de figure, la sortie z(t) sera maximale pour t = T + t0 . partir de ce
maximum, on peut alors dduire la valeur du retard t0 et la valeur du facteur dchelle a. Le choix du signal
s est important : on cherchera ce quil prsente un pic dautocorrlation Rss trs prononc, afin de localiser
facilement le maximum et permettre ventuellement la dtection simultane de plusieurs chos.
(IV.3)
Page 90
Dans ce problme de rception, on sintresse dterminer le retard r partir des observations y(n) et de
la connaissance du signal mis s(n). On cherchera donc tablir lexpression de la distribution a posteriori
p(r|y(n)).
On suppose que le bruit additif est gaussien, centr, de variance 2 . La probabilit dobserver y si le retard
est connu (cest--dire alors que s(n r) est connu), est alors donne par
(IV.5)
En prenant pour r une distribution uniforme entre 1 et N , la distribution a posteriori est simplement
(IV.6)
(IV.7)
Les termes yt (n)y(n) et st (n r)s(n r) reprsentent lnergie du signal reu et du signal mis, et ne
dpendent par du retard r (sous rserve quon ait une dure dobservation N suffisante pour avoir un motif
complet de s dans les deux vecteurs y(n) et s(n r)). Dveloppons le troisime terme :
y (n)s(n r) =
t
N
1
(IV.8)
i=0
On reconnat dans cette dernire relation lexpression de lintercorrlation entre y et s, pour le retard r.
La distribution a posteriori du retard sexprime donc comme
p(r|y) exp
Rys (r)
.
2
(IV.9)
La distribution du retard, compte tenu des observations, est donc lexponentielle de lintercorrlation, pondre
par linverse de la variance du bruit additif gaussien. Pour tracer cette distribution a posteriori, il faudra donc
calculer cette intercorrlation pour tous les retards possibles, puis en prendre lexponentielle.
On peut aller un peu plus loin. En effet, dans une exprience de sonar, on rpte lmission avec une
priode T = M Te , o M est le nombre de points obtenus sur la dure T avec un chantillonnage la priode
Te . En collectant les donnes sous la forme de K vecteurs de M points, on peut penser intuitivement que lon
amliorera le rsultat de lestimation en moyennant les intercorrlations calcules sur les diffrentes tranches.
Ceci se formule ainsi :
(IV.10)
p(y 1 , y 2 , . . . , y K |r) = p(y 1 |r)p(y 2 |r) . . . p(y K |r),
en supposant que les bruits sont indpendants de tranche tranche. On en dduit alors que
p(r|y 1 , y 2 , . . . , y K ) p(y 1 |r)p(y 2 |r) . . . p(y K |r)p(r)
(IV.11)
K
Ry s (r)
i
i=1
(IV.12)
relation qui indique bien que lon a intrt moyenner, ou plus exactement sommer les intercorrlations calcules sur les diffrentes tranches. Le processus est constructif, et la distribution a posteriori devient alors de plus
en plus pique.
Page 91
Page 92
EXERCICES ET PROBLMES
Exercice 1 :
On considre le processus alatoire x(t) dfini par x(t) = B()+A() cos (2f0 t + ()) o A(), B(),
et () sont des variables alatoires
indpendantes, () est /une 0variable uniformment distribue entre 0 et
/ 20
2, et on note E {A} = mA , E A = e2A , E {B} = mB , E B 2 = e2B . Calculez la moyenne et la fonction
dautocorrlation de x(t). Le signal x(t) est-il faiblement stationnaire lordre 2?
Exercice 2 :
Soit x(n) un signal alatoire temps discret faiblement stationnaire du second ordre. On dfinit
y(n) = x(n) cos (2f0 n + ()) ,
z(n) = x(n) cos (2(f0 + )n + ())
o () est une variable uniformment distribue entre 0 et 2, indpendante de x(n). On note mX et RXX (k)
la moyenne et la fonction dautocorrlation de x(n).
Montrez que y(n) et z(n) sont faiblement stationnaires dordre deux, et que y(n) + z(n) nest par contre
pas stationnaire dordre 2.
Exercice 3 :
On cherche prdire lvolution dun signal stationnaire discret x(n) partir de ses valeurs prcdentes
x(n 1), en formant lestimation x
(n) = ax(n 1).
/
0
x(n) x(n)|2 ?.
Dterminez la valeur optimale de a qui minimise lerreur quadratique moyenne E |
De la mme manire, on pourra chercher prdire x(n) partir de p valeurs prcdentes selon x
(n) =
p
a
x(n
i).
i
i=1
Exercice 4 : Soit un filtre RC passif passe-bas du premier ordre, avec R la rsistance et C la capacit. Lentre
du filtre est un signal alatoire blanc, centr, de densit spectrale de puissance N o/2. Calculez la moyenne,
la densit spectrale de puissance, et la puissance du signal de sortie y(t). Donnez galement la bande de bruit
quivalente.
On utilisera le fait que la primitive de 1/(a2 + x2 ) est a1 arctg(x/a).
Exercice 5 :
Soit un processus alatoire discret x(n) blanc et centr, de variance 2 . On dfinit deux nouveaux signaux
alatoires y(n) et z(n) par les relations
y(n) = x(n) + bx(n 1),
z(n) = x(n) + az(n 1),
avec a < 1. Calculez les moments dordre 1 et 2 de y(n) et z(n). On pourra admettre que E {x(n)z(n k)} =
0 pour k > 0.
Page 93
Exercice 6 : Soit un filtre passe-bas idal de fonction de transfert H(f ), H(f ) = 1 pour |f | B/4 et 0
ailleurs. Lentre du filtre est un processus alatoire gaussien x(t) de moyenne mX et de densit spectrale de
puissance SXX (f ), avec SXX (f ) = 1 pour |f | B/2 et 0 ailleurs. Calculez la variance de x(t), la moyenne,
la variance et la fonction dautocorrlation de la sortie du filtre y(t). Donnez la loi de y(t).
= (m mo ),
o (u) = 1 si u = 0, et 0 sinon.
2) Calculez la moyenne de x(n).
3) Calculez la fonction dautocorrlation RXX (k) de x(n).
4) Calculez la transforme de Fourier discrte X(m) de x(n).
5) Le signal X(m) est-il certain ou alatoire? Calculez la moyenne de X(m).
6) Donnez |X(m)|2 .
7) Calculez la moyenne de |X(m)|2 .
8) Calculez la TFD de RXX (k), et comparez la au rsultat prcdent.
9) On considre maintenant le signal
x(n) = g(n) cos(2mo n/N + ),
avec n [0, N 1], et o g(n) est une fonction alatoire, indpendante de .
a) Calculez lautocorrlation de x(n),
b) dduisez en sa densit spectrale de puissance, en fonction de la densit spectrale de puissance de g, Sgg (f ).
Rappels :
cos a cos b = 12 [cos a + b + cos a b]
jx
jx
cos x = e +e
2
N 1 n
1q N
n=0 q = 1q
Problme II :
On considre le schma de la figure 1, o X(t, ) est un signal alatoire stationnaire et ergodique, fT (t) une
fonction dterministe (certaine), et h(t) la rponse impulsionnelle du systme. On notera XT (t, ) le produit
fT (t)X(t, ).
Question 1 :
1-a Donnez lautocorrlation de la sortie, RY Y ( ), et lintercorrlation sortie-entre RY X ( ) en fonction de
lautocorrlation de lentre RXX et de la rponse impulsionnelle h.
Page 94
X(t, )
X1 (t, )
Y (t, )
-+
6
h(t)
B1 (t, )
Z(t, )
B2 (t, )
F IG . IV.4 - Filtre bruit en entre et en sortie
1-b Dans le cas o h(t) = exp (j2f0 t), donnez lexpression de la sortie Y (t, ), et montrez que Y (0, ) =
XT (f0 , ), la transforme de Fourier de XT (t, ) la frquence f0 .
lexpression de lautocorrlation de la sortie,
1-c Toujours dans le cas o h(t) = exp/(j2f0 t), donnez
0
RY Y ( ) et montrez que RY Y (0) = E |XT (f0 )|2 .
Question 2 :
En notant toujours XT (t, ) = fT (t)X(t, ), et en dfinissant
XX ( ) =
R
2-a montrez que
XX ( ) = g( )RXX ( ),
E R
o g( ) est une fonction dont vous donnerez lexpression. Reprsentez g( ) lorsque fT (t) = rectT (t/T ).
2-b En utilisant lgalit de Plancherel-Parseval, montrez que
x(t)y (t )dt =
et dduisez en que la transforme de Fourier de Rxy ( ) vaut X(f )Y (f ), o X(f ) et Y (f ), sont respectivement les transformes de Fourier de x(t) et y(t).4
2-c Dduisez en que
XX ( ) = |XT (f )2 .
SXX (f ) = TF R
2-d Montrez que
XX ( )
E SXX (f ) = TF E R
= G(f ) SXX (f ),
Page 95
(cf 1-b)
(cf 2-c)
6
X(t, )
h(t)
Y (t, )
fT (t)
F IG . IV.5 - Systme considr
dans lequel on peut faire varier la frquence f1 ? Quel serait lintrt dajouter une intgration supplmentaire en sortie?
Pr(ak = 0) = 1/2,
Pr(ak = 1) = 1/2,
1
[(ak ) + (ak 1)] ,
2
E {ak } ,
Var{ak }
ak (t kTb ),
k=
o Tb est la priode bit . On supposera que les ak sont indpendants entre eux.
Reprsentez une ralisation (quelconque) de ce signal alatoire.
3 On considre un filtre de rponse impulsionnelle s(t), o s(t) est une fonction dterministe dfinie sur
[0, Tb ]. On note y(t) la sortie de ce filtre soumis lentre x(t).
Donnez lexpression gnrale de y(t).
Page 96
titre dillustration, on considrera s(t) = rectTb /2 (t Tb /4) rectTb /2 (t 3Tb /4), cest--dire
(IV.13)
ak s(t kTb + ),
k=
o est une variable alatoire uniforme sur [0, Tb ]. On considrera que les {ak } et sont indpendants. On
notera quune somme infinie dintgrales dfinies
sur des intervalles conscutifs est une intgrale dfinie sur
[, ], et on notera ma = E {ak }, et ms = s(u)du. Calculez la moyenne statistique de x(t). Ce signal
est-il stationnaire?
6 En utilisant le mme modle de signal que pour la question prcdente, montrez que
1
Raa (k)RSS ( kTb ),
RY Y ( ) =
Tb k=
o Raa (k) reprsente la lautocorrlation ventuelle des ak . Cette expression de la fonction de corrlation pour
un code en ligne rendu stationnaire par lintroduction de la variable , est appel formule de B ENETT.
C HAPITRE V
INTRODUCTION AU FILTRAGE NUMRIQUE
dfinit la notion de filtrage numrique et prsente les proprits gnrales des filtres numriques. Il tudie par ailleurs les cellules de filtrage lmentaires dordre 1 et 2.
On appelle filtre numrique un systme discret linaire et invariant en temps, oprant sur des signaux
discrets.
Un signal discret (xn ) est une suite prenant ses valeurs dans R, le plus souvent, parfois dans C.
Les premiers filtres numriques ont servi simuler des filtres analogiques sur ordinateurs. Les suites dentre et de sortie du filtre sont alors dpourvues de tout support physique.
E CHAPITRE
xn
yn
Filtre numrique
Puis on a ralis des systmes discrets travaillant sur des signaux physiques chantillonns et numriss. Dans
ce cas, en notant Te la priode dchantillonnage, les valeurs de la suite (xn ) valent : xn = x(nTe ).
fe
x(t)
Filtre
anti
repliement
C
A
N
xn
yn
Filtre numrique
C
N
A
Filtre y(t)
de
lissage
Il faut alors que les performances attendues du filtre numrique soient cohrentes avec la prcision de la conversion analogique numrique.
Si fe est peu suprieure 2fmax (fmax tant la frquence maximale du signal x(t)), le filtre antirepliement de spectre peut tre assez difficile raliser. Il pourra alors tre intressant de surchantillonner lentre
analogique, ce qui simplifie le filtre antirepliement analogique en largissant sa bande de transition. On souschantillonnera ensuite le signal numrique en lui appliquant un filtre antirepliement numrique.
Les principaux avantages des filtres numriques sont les suivants :
Ils sont reproductibles sans rglages,
Ils sont programmables,
Ils ne drivent pas, ni en temps ni en temprature,
On peut les rendre facilement adaptatifs (dans ce cas l, le systme nest plus invariant en temps),
Ils permettent de raliser des filtres phase parfaitement linaire,
Leurs principaux inconvnients sont :
Leur consommation (par comparaison aux circuits analogiques passifs),
Leur limitation en frquence : ils sont limits par la frquence des convertisseurs analogiques numriques
et par la vitesse des oprateurs de calcul numrique comme les multiplieurs.
Page 98
yn
Filtre numrique
1.1 Dfinition
Un filtre numrique est un systme discret linaire invariant en temps. Il associe la suite dentre (xn ) une
suite de sortie (yn ).
1.1.1
Linarit
Soit 2 suites x1 (n) et x2 (n) avec les sorties correspondantes y1 (n) et y2 (n). Dire que le systme est linaire
signifie que :
1.1.2
1 R
2 R
Invariance en temps
Soit la suite x(n) et la sortie correspondante y(n), dire que le systme est invariant en temps signifie qu
la suite x(n n0 ) correspond la sortie y(n n0 ), et ceci quelque soit n0 .
n < 0
un = 0
u0 = 1
n > 0 un = 0
un
n=0
hn
Filtre numrique
Page 99
+
xk unk
k=
xn
n=-1 n=0
n=1
n=2
x-1un+1
n=-1 n=0
n=1
n=2
n=2
n=2
x0un
n=-1 n=0
n=1
x1un-1
n=-1 n=0
n=1
x2un-2
n=-1 n=0
n=1
n=2
Daprs linvariance en temps du filtre, la sortie correspondant une entre unk (note sortie(unk )) est la
suite hnk .
Daprs la linarit du filtre, la sortie du filtre yn pour une entre xn vaut :
yn =
+
+
xk sortie(unk ) =
k=
xk hnk
k=
Do :
yn =
+
xk hnk =
k=
+
hk xnk
k=
Page 100
+
+
xk hnk =
k=
+
hk xnk =
k=
k=
+
hk ej0 kTe
k=
yn = xn H(0 )
Avec :
H(0 ) =
+
hk ej0 kTe
k=
Pour une entre ne contenant quune frquence, la sortie est proportionnelle lentre, cest dire que lon
retrouve la mme frquence la sortie du filtre. Le coefficient de proportionnalit H(0 ) est complexe. Son
module est le coefficient qui multiplie lamplitude relle de lentre, et son argument est langle de dphasage
de lentre.
H(0 ) = |H(0 )| ej arg(H(0 )) = A(0 )ej(0 )
Et pour xn = ej0 nTe , la sortie scrit yn = A(0 )ej(0 nTe +(0 )) .
Les suites xn = ej0 nTe sont les fonctions propres des filtres numriques.
La fonction H() est la transforme de Fourier temps discret de la suite hn . Elle est appele la fonction
de transfert en frquence du filtre.
H() est une fonction priodique de priode 2/Te . On notera fe = 1/Te .
Linverse dune transforme de Fourier temps discret H() est donne par :
hn =
1.5.1
1
2fe
f
e
H()ejnTe d
fe
Soit une suite dentre xn quelconque et sa transforme de Fourier X(). La sortie yn a pour transforme
de Fourier Y ().
yn =
+
hk xnk
k=
X() =
+
xn ejnTe
Y () =
n=
Y () =
+
n=
Y () =
+
k=
yn ejnTe =
hk ejkTe
+
yn ejnTe
n=
+
n= k=
+
+
hk xnk ejnTe =
+
+
n= k=
nk=
Y () = H()X()
On peut donc caractriser un filtre numrique soit par sa rponse impulsionnelle hn soit par sa fonction de
transfert en frquence H(), qui est la transforme de Fourier de la suite hn .
En pratique on sintressera souvent au module de la fonction de transfert H, ce module caractrisant lattnuation ou le gain du filtre pour chaque frquence.
Page 101
()
Le retard de groupe reprsente un retard introduit par le filtre pour chaque frquence.
Lorsque la phase est linaire, le retard de groupe est constant.
Dans de nombreuses applications, en particulier en transmission de donnes il est important de ne pas
dformer le signal utile et on utilisera des filtres phase linaire.
Dans dautres cas, on cherchera obtenir un retard de groupe aussi petit que possible.
Dfinition
On tudie les proprits dun filtre analogique laide de H(p), sa fonction de transfert en p, qui est la
transforme de Laplace de sa rponse impulsionnelle.
De mme, on tudie les proprits dun filtre numrique, laide de H(z), sa fonction de transfert en z, qui
est la transforme en z de sa rponse impulsionnelle hn .
H(z) =
+
hn z n
n=
+
hn ejnTe = H(z)|z=ejTe
n=
1.6.2
On rappelle que la trasnforme en z dune suite xn est dfinie comme la limite dune srie de Laurent
lorsque cette srie converge.
On notera respectivement X(z), Y(z) et H(z) les transformes en z de lentre xn , de la sortie yn et de la
rponse impulsionnelle hn .
X(z) =
+
n=
xn z n
H(z) =
+
n=
hn z n
Y (z) =
+
n=
yn z n
Page 102
+
yn =
hk xnk
k=
Y (z) =
+
n=
Y (z) =
+
+
hk xnk z n =
hk z k
hk xnk z k z (nk)
k=
+
+
n=
k=
k=
+
xm z m = X(z)H(z)
m=nk=
Y (z) = X(z)H(z)
En rsum pour un filtre numrique, on peut crire :
yn =
k=+
xk hnk =
k=
k=+
hk xnk
k=
Y () = H()X()
Y (z) = X(z)H(z)
si
n=0
Squences causales :
Une squence xn est dite causale si elle est nulle pour n < 0.
Pour une squence causale, la transforme en z est monolatrale :
X(z) =
+
xn z n
n=0
X(z) existe si :
1
cest dire si
soit
La transforme en z dune suite causale est donc dfinie lextrieur dun cercle de rayon R+ .
Squences anticausales :
Une squence xn est dite anticausale si elle est nulle pour n 0.
Pour une squence anticausale, la transforme en z scrit:
X(z) =
1
xn z n =
n=
+
xn z n
n=1
X(z) existe si :
1
La transforme en z dune suite anticausale est donc dfinie lintrieur dun cercle de rayon R .
Suite quelconque
Page 103
Une suite quelconque xn est la somme dune suite causale x+ et dune suite anticausale x :
xn = x+
n + xn
x+
n = xn si n 0
si n < 0
x+
n =0
avec :
x
n = xn si n < 0
si n 0
x+
n =0
et
La transforme en z dune suite quelconque est donc dfinie dans une couronne :R+ < |z| < R , quand cette
couronne existe.
2.2 Linarit
1
et
n=
xn z n
+
xn z n
n=0
= X(z)
T Z(xnk ) =
z k
+
xnk
n=0
T Z(xnk ) =
z k X(z)
z (nk)
k
n=1
z k
xn
+
xm
z m
z k X(z)
z k
m=k
1
xm
z m
m=k
z nk
|xn |2 =
1
2j
fe
X(z)X(z 1 )z 1 dz =
Cercle unit
1
fe
2
f2e
lim xn =
n0
z+
n+
z1
|X(f )|2 df
Page 104
n
TZ
xi
1
1z 1 X(z)
i=
1
2j
X(z)z n1 dz
Cercle unit
2
dz = j
0
Si n = 1 alors :
2
ejn ej d = j
Et si n=1
ejn ej d
2
2
j j
ej(n1)2 1
=0
j(1 n)
e d = j
d = 2j
0
En conclusion :
n
z dz
C
n
dz
2j
0 si
n=1
si
n = 1
Do pour X(z) :
+
X(z)z n1 dz =
cercle unit
Cercle unit
k=
Do :
xn =
+
xk z k z n1 dz =
z nk1 dz = 2j xn
xk
k=
Cercle unit
1
2j
X(z)z n1 dz
cercle unit
H(z) =
N (z)
D(z)
bi z i
i=0
P
1+
k=1
ak z k
Page 105
On a normalis a0 1.
Dans la suite de ce polycopi, on se limitera, sauf exception, ces filtres.
Ces filtres sont simples raliser. La sortie yn scrit en fonction des entres et des sorties prcdentes
laide dune quation de rcurrence coefficients constants.
En effet :
(z)
Y (z)
H(z) = N
D(z) = X(z) Y (z)D(z) = X(z)N z)
Y (z) +
P
ak z k Y (z) =
Q
bi z i X(z)
i=0
k=1
yn +
ak ynk =
bi xni
i=0
k=1
yn =
Q
Q
i=0
bi xni
P
ak ynk
k=1
Cette quation de rcurrence coefficients constants permet de raliser simplement le filtre. Il y a bien sr
dautres structures de ralisation possibles, mais elles utilisent, de mme, des multiplieurs, des additionneurs et
des mmoires.
La figure suivante reprsente une cellule de filtrage dordre 2 (P=Q=2). Sur la figure, les rectangles entourant
z 1 reprsentent un retard dun chantillon.
b0
xn
yn
z-1
b1
-a1
z-1
z-1
z-1
b2
-a2
On aurait pu considrer, de faon plus gnrale des fonctions de transfert H(z) rationnelles contenant des puissances de z positives, ce qui correspondrait des filtres non causaux (voir dfinition ci-dessous).
On distingue 2 types de filtres : les filtres RII Rponse Impulsionnelle Infinie et les filtres RIF Rponse
Impulsionnelle Finie.
(z)
Les filtres RII ont la forme gnrale H(z) = N
D(z) avec D(z) = 1.
Les filtres RII sont dits rcursifs car le calcul de la sortie yn linstant n fait intervenir les valeurs de P
sorties prcdentes ynk .
Les filtres RII sont caractriss par les ples et les zros de leur fonction de transfert H(z).
Les filtres RIF ont un dnominateur D(z) gal 1. Ils sont caractriss par leurs seuls zros.
La rponse impulsionnelle des filtres RIF est de longueur finie (do leur nom) puisque :
H(z) =
Q
i=0
bi z
+
n=
hn z
n
/ [0, Q 1] hn = 0
n [0, Q 1] hn = bn
La rponse impulsionnelle hn dun filtre RIF na donc quun nombre fini de valeurs non nulles, et hn concide
Page 106
Q
bi z i
i=0
Q
bi xni
i=0
qn =
n=0
3.1.1
1
1q
|q| < 1
pour
Lintgrale sur un contour ferm C dune fonction complexe holomorphe F(z) rationnelle vaut :
F (z)dz = 2j
Rsidu(zi )
ples zi dans C
N (z)
D(z)
= 2
P
N (z)
(1zi z 1 )
i=1
1
rsidu(zi ) = lim
zzi (k 1)!
k1
(z zi )k F (z)
z k1
Exemple :
Soit H(z) =
1
1+a1 z 1
hn = 0 pour n < 0
hn = (a1 )n pour n 0
1
2j
H(z)z n1 dz = R
esidupoura1 H(z)z n1 = lim (z + a1 )H(z)z n1 = (a1 )n
za1
4. Causalit et stabilit
Page 107
4 Causalit et stabilit
4.1 Causalit
Un filtre numrique est dit causal, si sa rponse impulsionnelle hn est nulle pour n < 0.
Sa transforme en z converge alors lextrieur dun cercle.
Un filtre numrique est dit anticausal, si sa rponse impulsionnelle hn est nulle pour n 0.
Sa transforme en z converge alors lintrieur dun cercle.
4.2 Stabilit
On dira quun filtre numrique est stable, si toute entre borne xn correspond une sortie yn borne.
Pour toute suite ( xn ) borne :
M n |xn | < M
M n |yn | < M
1e`re condition ncessaire et suffisante de stabilit
4.2.1
|hn | < A
+
hk xnk
k=
+
+
|yn | =
hk xnk
|h | |x
|
k=
k= k nk
+
|xn | < M
|yn | < M
k=
|hk | < M A
Cest une condition ncessaire. Un contre exemple suffit le montrer. Ainsi lentre borne xn , gale 1 si
hn est positif et -1 si hn est ngatif, gnre une sortie y0 non borne :
Si xn = signe(hn ) alors y0 =
4.2.2
+
n=
xn hn =
+
n=
Ai
1zi z 1
hi (n) = lim (z zi )
zzi
Ai z n1
= Ai zin
1 zi z 1
Page 108
Et la somme des valeurs absolues de hi (n) est borne si et seulement si |zi | < 1.
De mme pour un ple zi multiple dordre k, en notant
sition de H(z) en lments simples, on a :
hi (n) =
1
(k 1)!
Ai (z)
(1zi z 1 )k
k1 Ai (z)z n+k1
z k1
= Bi (zi )
On remarquera que les filtres FIR ont comme seul ple z=0 et que ce ple est lintrieur du cercle unit.
Les filtres FIR sont donc toujours stables. Cest une des raisons pour lesquelles ils sont trs utiliss en filtrage
adaptatif. En effet, les coefficients dun filtre adaptatif varient chaque nouvel chantillon, il faut donc vrifier
la stabilit du filtre chaque nouvel chantillon. Mais pour un filtre RIF, cette vrification est inutile.
Dans le cas dune cellule FIR dordre 1 ou dun numrateur dordre 1 pour un filtre IIR, le polynme dordre
un en z1 scrit :
N (z) = b0 + b1 z 1
Le zro de N(z) vaut z0 = bb01 , il est rel. Comme le module de z0 vaut 1, les seules solutions sont : z0 = 1 et
z0 = 1. Les zros de transmission ne peuvent avoir lieu qu la frquence nulle ou la frquence fe /2.
Page 109
Les seuls polynmes dordre un prsentant des zros de transmissions sont de la forme:
N (z) = b0 (1 + z 1 )
N (z) = b0 (1 z 1 )
Cest dire que b0 et b1 sont gaux ou opposs.
Les figures suivantes reprsentent :
Les zros de H(z) dans le plan z, pour les deux types de fonctions zro de transmission lordre un.
Les zros sont matrialiss par des cercles sur cette figure.
Les deux fonctions de transfert possibles (en module) lordre un, possdant un zro de transmission
soit en f = 0 soit en f = fe /2.
90
60
120
Module de H(f)
1
0.9
0.8
30
150
0.7
0.6
180
Zro en fe/2
0.5
0.4
0.3
210
330
0.2
300
240
Zro en f=0
0.1
0
0
270
0.2
5.2.2
0.4
0.6
0.8
Frquences normalises
Dans le cas dune cellule FIR dordre deux ou dun numrateur dordre deux pour un filtre IIR, le polynme
dordre deux en z1 scrit :
N (z) = b0 + b1 z 1 + b2 z 2
Les coefficients de N(z) sont rels, les zros sont donc imaginaires conjugus et scrivent :
z1 = ej1
z2 = z1 = ej1
Et
N (z) = b0 (1 z1 z 1 )(1 z1 z 1 )
N (z) = b0 (1 2 cos 1 z 1 + z 2 )
Les coefficients b0 et b2 sont donc gaux.
La figure suivante reprsente le cas de 2 zros darguments 1 =
et 2 =
3 ,
ce qui correspond un
Page 110
150
Module de H(f)
60
120
2.5
30
180
1.5
330
210
0.5
300
240
0
0
270
0.2
0.4
0.6
0.8
frquences
Gnralits
La cellule causale FIR dordre un a pour fonction de transfert en z, le polynme H(z) suivant :
H(z) = b0 + b1 z 1
La fonction H(z) na pas de ple lextrieur du cercle unit, elle est donc stable.
Comme pour tous les FIR, la rponse impulsionnelle est facile calculer par identification avec la dfinition :
H(z) =
n=P
n=0
= |b0 + b1 |
avec
(0) = 0
f
H( 2e )
= |b0 b1 |
avec
fe
2
=0
Si les deux coefficients sont de mmes signes, le filtre est un passe bas. Et rciproquement, si les deux coefficients sont de signes opposs, le filtre est un passe haut. En effet ce changement de signe revient changer z en
- z, cest dire f en f2e f .
Ltude de la fonction (f ) montre que (f ) 2 .
5.3.2
Page 111
Exemple
Les courbes suivantes illustrent une cellule dordre un de coefficients b0 = 0.6 et b1 = 0.4.
phase de H(f)
module de H(f)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
00
0.5
frquence
0
-0.1
-0.2
-0.3
-0.4
-0.5
-0.6
-0.7
-0.8 0
temps de groupe
0.5
0
-0.5
-1
-1.5
0.5
frquence
-2 0
0.5
frquence
Les courbes suivantes illustrent une cellule dordre un de coefficients b0 = 0.6 et b1 = 0.4.
module de H(f)
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
00
5.3.3
0.5
frquence
temps de groupe
phase de H(f)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
00
0.5
0
-0.5
-1
-1.5
-2
0.5
frquence
-2.5 0
0.5
frquence
Cellules spciales
Deux cellules dordre un sont particulirement intressantes parce quelles possdent des zros de transmission :
H(z) = b0 (1+ z 1 ) qui sannule pour la frquence fe /2 et H(z) = b0 (1 z 1 ) qui sannule pour la frquence
0.
Dautre part si b0 = b1 la phase scrit:
(f ) =
f Te
2
(f ) = f Te
Cette phase est linaire et le temps de propagation de groupe est constant. Il vaut Te /2.
Gnralits
La cellule causale FIR dordre deux a pour fonction de transfert en z, le polynme H(z) suivant :
H(z) = b0 + b1 z 1 + b2 z 2
La fonction H(z) na pas de ple lextrieur du cercle unit elle est donc stable.
Page 112
Comme pour tous les FIR, la rponse impulsionnelle est facile calculer par identification avec la dfinition :
H(z) =
n=p
n=0
si
n
/ [0, 1, 2]
2
2
2
2
r1 sin(2f Te 1 )
(f ) = arctg
1 r1 cos(2f Te 1 )
r1 sin(2f Te + 1 )
+ arctg
1 r1 cos(2f Te + 1 )
1 (f )
2 f
(1 + r12 ) [cos(1 ) cos(2f Te ) r1 ] r1 [cos(4f Te ) + cos(21 ) 2r1 cos(1 ) cos(2f Te )]
"
#"
#
(f ) = 2r1
1 + r12 2r1 cos(2f Te 1 ) 1 + r12 2r1 cos(2f Te + 1 )
(f ) =
Pour tudier les extrmas de |H(f )|, il faut tudier sa drive par rapport f. Lorsque cette drive sannule,
)
= 0, on drive H(f )2 et
la fonction |H(f )| passe par un extrmum. Pour trouver les valeurs de f o H(f
f
on tudie pour quelle valeur de f, cette drive sannule sans que H(f ) sannule.
|H(f )|
|H(f )|2
= 2 |H(f )|
= b20 4Te r1 sin(2f Te ) (1 + r12 ) cos(1 ) 2r1 cos(2f Te )
f
f
Page 113
(1 + r12 ) cos(1 )
(b0 + b2 )b1
=
2r1
4b2 b0
(1+r12 ) cos(1 )
(b0 +b2 )b1
1
ou,
ce
qui
revient
au
mme
:
2r1
4b2 b0 1.
)
Ces zros sont des zros de H(f
f et non de H(f ), sauf dans le cas trivial o r1 = 1 et 1 = 0.
Dautre part la drive de |H(f )| par rapport f est ngative pour f < fR puis positive pour f > fR . La
frquence fR , quand elle existe, correspond donc forcment un minimum de |H(f )|. Une cellule FIR dordre
deux peut donc prsenter une antirsonance.
Si r1 est proche de 1, la frquence fR est proche de
La valeur de |H(f )| pour f = fR vaut :
1 f e
2 .
Il y a galit si r1 = 1.
(1+r12 )cos(1 )
.
2r1
Pour |H(f )|2 = 2 |H(fR )|2 = 2(1 r12 )2 sin(1 )2 , le polynme scrit :
4r12 cos(2f Te )2 4r1 (1 + r12 )cos(1 )cos(2f Te ) + cos(21 ) + (1 + r14 ) + 2r12 = 0
le discriminant scrit :
= 16r12 (1 + r12 )2 cos(1 )2 16r12 cos(21 ) + (r14 + 1) + 2r12 = 16r12 (1 r12 )2 sin(1 )2
Le discriminant est positif, on en dduit 2 expressions pour les racines potentielles :
(1 r12 ) sin 1
2r1
(1 r12 ) sin 1
cos(2f Te ) = cos(2fR Te ) +
2r1
cos(2f+ Te ) = cos(2fR Te )
1
1
Page 114
Toutes les situations sont possibles : les 2 racines existent, une seule racine existe, ou bien aucune des 2 nexiste.
Dans le cas o les 2 conditions sont vrifies, cest dire o les 2 racines existent, on peut calculer une approximation de la largeur de bande de lantirsonance. A partir des valeurs de cos(2f+ Te ) et de cos(2f Te ,
on dduit que, pour r1 1 :
cos(2f+ Te )cos(2f+ Te ) = 2 sin(2(fR +B/2)Te )sin(BTe ) 2sin(1 )BTe 2
Do :
BR
5.4.3
(1 r12 )sin(1 )
2r1
(1 r)
fe
Les cellules FIR dordre 2 dfinies par les fonctions de transfert H(z) et Hr (z) = z 2 H(z 1 ) possdent des
ples de mmes arguments 1 et 1 mais de modules inverses r1 et 1/r1 . Elles prsentent (si les conditions
dantirsonance sont vrifies) une antirsonance pour la mme frquence fR . Ces deux fonctions de transfert
ont le mme module mais :
r (f ) = 4f Te (f )
r (f ) = 2Te (f )
Les filtres numriques dont les zros sont lintrieur du cercle unit sont dits phase minimale.
5.4.4
Exemple
Les figures suivantes reprsentent la fonction de transfert H(f) en module, en phase, en temps de propagation
de groupe ainsi que la position des zros de H(z), pour les valeurs : r1 = 0.95 1 = /3, ce qui correspond
H(z) = 1 0.95z 1 + 0.9025z 2 .
La frquence dantirsonance fR est telle que :
2fR Te = 1.0464, ce que lon peut comparer 1 = 3 = 1.0472.
3
module de H(f)
0
0
10
0.5
frquence
phase de H(f)
-1
0
0.5
frquence
temps de groupe
120
90
60
150
30
0
180
-10
210
-20
0
5.4.5
0.5
frquence
330
240
270
300
Si lon change le signe de b1 , ou ce qui revient au mme z en -z, le filtre change de type, les valeurs de
H(0) et de H(fe /2) sont inverses. Dans lexemple ci-dessus, le filtre est plutt un passe haut (dans le sens
que H(f = 0) < H(f = fe /2). Si on remplace b1 = 0.95 par b1 = 0.95, le filtre rsultant est un passe
bas. Changer le signe de b1 revient remplacer 1 par 1 . Si les angles des zros (en valeur absolue) sont
Page 115
infrieurs /2 le filtre est un passe haut. Si les angles des zros (en valeur absolue) sont suprieurs /2 le
filtre est un passe bas.
En fait changer z en -z, revient multiplier z par ej . Dans le domaine frquentiel, multiplier ej2f Te par ej , revient remplacer ej2f Te par ej2(f +fe /2)Te . Remplacer z par -z est donc quivalent une translation de fe /2
dans le domaine frquentiel, et ceci quelque soit H(z). Un passe-bas devient un passe-haut et rciproquement.
Gnralits
La cellule causale IIR dordre 1 a pour fonction de transfert en z, le polynme H(z) suivant :
1
a0 + a1 z 1
H(z) =
1
hn =
2j
H(z)z n1 dz
cercle unit
hn z n =
n=0
qn =
n=0
(a1 )n z n
n=0
hn = (a1 )n
n < 0
hn = 0
a1<0
0.4
0.2
0
-0.2
-0.4
a1>0
-0.6
-0.8
0
10
indice n
15
20
Page 116
1
1 + a1 ej2f Te
Pour le calcul de ses caractristiques principales, il suffit de reprendre les rsultats obtenus pour la cellule FIR.
Son module, sa phase et son temps de propagation de groupe (f ) valent :
1
1 + a21 + 2a1 cos(2f Te )
a1 sin(2f Te )
(f ) = arctg
1 + a1 cos(2f Te )
1 (f )
a1 + cos(2pif Te )
= a1
(f ) =
2 f
1 + a21 + 2a1 cos(2pif Te )
|H(f )|2 =
Le module est une fonction monotone sur la demi priode [0, fe /2] et les valeurs extrmes sont :
|H(0)| =
H( fe )
2
1
|1 + a1 |
1
|1 a1 |
avec
(0) = 0
avec
fe
2
=0
Si les deux coefficients sont de mmes signes, le filtre est un passe-haut. Et rciproquement, si les deux coefficients sont de signes opposs, le filtre est un passe-bas.
On remarque que pour une cellule dordre 1, le dphasage introduit par la cellule est infrieur ou gal /2.
5.5.2
Exemple
Les courbes suivantes illustrent une cellule dordre un de coefficients a0 = 0.6 et a1 = 0.4 :
module de H(f)
6
5
4
3
2
1
00
0.5
1
frquences
phase de H(f)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
00
temps de groupe
2
1.5
1
0.5
0
0.5
1
frquences
-0.50
0.5
1
frquences
Les courbes suivantes illustrent une cellule dordre un de coefficients a0 = 0.6 et a1 = 0.4 :
module de H(f)
6
5
4
3
2
1
00
0.5
1
frquences
phase de H(f)
0
-0.1
-0.2
-0.3
-0.4
-0.5
-0.6
-0.7
-0.80
0.5
1
frquences
temps de groupe
2.5
2
1.5
1
0.5
0
-0.50
0.5
1
frquences
Page 117
Gnralits
La cellule causale IIR dordre deux a pour fonction de transfert en z, le polynme H(z) suivant :
H(z) =
1
1 + a1 z 1 + a2 z 2
H(z) =
z 1 )(1
(1 z1
z2 z 1 )
En identifiant les deux critures de H(z), on dduit les relations liant les coefficients ai aux coordonnes polaires
des ples.
a1 = (z1 + z1 ) = 2r1 cos(1 )
a2 = z1 z1 = r12
La rponse impulsionnelle peut se calculer par la formule dinversion de la transform e en z, ou par identification de H(z) avec des sommes de sries gomtriques.
hn =
hn
1
2j
H(z)z
n1
cercle unit
rsidus(H(z)zn1 )
=
ples de H(z)
n 0
hn =
n < 0
hn = 0
1
dz =
2j
cercle unit
zn+1
z1n+1
+ 1
z1 z1 z1 z1
z n1
(1 z1 z 1 )(1 z1 z 1 )
n
r1 sin [(n + 1)1 ]
sin 1
La figure suivante reprsente les rponses impulsionnelles pour r1 = 0.95 et 1 = /3 (ce qui correspond un
coefficient a1 < 0) ainsi que pour r1 = 0.95 et 1 = 2/3 (ce qui correspond un coefficient a1 > 0).
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-10
rponse impulsionnelle
a1<0
50
indice n
100
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-10
rponse impulsionnelle
a1>0
50
indice n
100
Page 118
1
1 + a1
ej2f Te
+ a2 ej4f Te
1
|1 z1
2
ej2f Te | |1
z 1 ej2f Te |
1
|H(f )|2 =
1 r1 ej(2f Te 1 ) 2 1 r1 ej(2f Te +1 ) 2
|H(f )|2 =
1+
r12
2r1 cos(2f Te 1 )
r1 sin(2f Te 1 )
r1 sin(2f Te + 1 )
arctg
1 r1 cos(2f Te 1 )
1 r1 cos(2f Te + 1 )
1 (f )
(f ) =
2 f
(1 + r12 ) [cos(1 ) cos(2f Te ) r1 ] r1 [cos(4f Te ) + cos(21 ) 2r1 cos(1 ) cos(2f Te )]
"
#"
#
(f ) = 2r1
1 + r12 2r1 cos(2f Te 1 ) 1 + r12 2r1 cos(2f Te + 1 )
(f ) = arctg
5.6.2
Les calculs qui ont dj t faits pour la cellule FIR dans le paragraphe prcdent peuvent tre repris ici. La
drive de |H(f )| par rapport f scrit:
"
|H(f )|
4Te r1 sin(2f Te ) 2(1 + r12 ) cos(1 ) 2r1 cos(2f Te )
|H(f )|2
= 2 |H(f )|
=
2
2
f
f
1 + r12 2r1 cos(2f Te 1 ) 1 + r12 2r1 cos(2f Te + 1 )
Dans lintervalle [0, fe ], cette drive sannule lorsque :
Soit sin(2f T e) sannule, cest dire pour f = 0 et f = fe /2.
Soit 2(1 + r12 ) cos(1 ) 2r1 cos(2f Te ) sannule, cest dire pour une frquence fR telle que :
cos(2fR Te ) =
(1 + r12 ) cos(1 )
(b0 + b2 )b1
=
2r1
4b2 b0
(b0 + b2 )b1
1
4b b
2 0
Dautre part, inversement au cas des FIR la drive de |H(f )| par rapport f est positive pour f < fR puis ngative pour f > fR . La frquence fR , quand elle existe, correspond donc forcment un maximum de |H(f )|.
Une cellule IIR dordre deux ne peut donc prsenter quune rsonance, alors quune cellule FIR dordre deux
ne peut prsenter quune antirsonance. La frquence fR est appele frquence de rsonnance.
Page 119
1 f e
2 .
Il y a galit si r1 = 1.
1
|(1 r1 )2 sin 1 |
Si r1 = 1, la cellule est un rsonateur pur ou oscillateur, la limite de stabilit (cette stabilit tant dfinie par
le fait qu une entre borne correspond une sortie borne).
Soit BR la largeur de bande mi-hauteur de cette antirsonance :
BR = |f+ f |
o f et f+ sont les frquences pour lesquelles |H(f )|2 = |H(fR )|2 /2.
(1 r12 ) sin 1
2r1
(1 r12 ) sin 1
cos(2f Te ) = cos(2fR Te ) +
2r1
cos(2f+ Te ) = cos(2fR Te )
5.6.3
(1 r)
fe
La cellule IIR dordre deux ayant des ples de mme argument et de module 1/r1 prsentera une rsonance
pour la mme frquence fR . En fait cette cellule a une fonction de transfert Hr (z) en z 1 qui est le polynme
rciproque de H(z).
Hr (z) =
1
= z 2 H(z 1 )
a2 + a1 z 1 + z 2
5.6.4
Exemple
Les figures suivantes reprsentent la fonction de transfert H(f) en module, en phase, en temps de propagation
de groupe ainsi que la position des zros de H(z), pour les valeurs : r1 = 0.95 1 = /3, ce qui correspond :
H(z) =
1
1 0.95z 1 + 0.9025z 2
Page 120
module de H(f)
= 1.0472
10
-1
0
0
20
0.5
frquence
phase de H(f)
-2
0
0.5
frquence
temps de groupe
120
60
150
10
30
180
0
210
-10
0
5.6.5
0.5
frquence
240
270
330
300
Si lon change le signe de a1 , le filtre change de type, les valeurs de H(0) et de H(fe /2) sont inverses.
Dans lexemple ci-dessus, le filtre est plutt un passe-bas (dans le sens que H(f = 0) > H(f = fe /2)). Si
on remplace a1 = 0.95 par a1 = 0.95, le filtre rsultant est un passe-haut. Changer le signe de a1 revient
remplacer 1 par 1 . Si les angles des zros (en valeur absolue) sont infrieurs /2 le filtre est un passe
bas. Si les angles des zros (en valeur absolue) sont suprieurs /2 le filtre est un passe haut.
Changer le signe de a1 , revient remplacer z par -z. Et comme on la vu prcdemment pour la cellule FIR
dordre 2, cela revient effectuer une translation de fe /2 dans le domaine frquentiel.
2
k=0
bk xnk
2
ak ynk
k=1
Pour implanter ce filtre, il suffit que le systme de traitement soit capable deffectuer des multiplications, des
additions et des retards ou mise en mmoire. Les retards dans le cas dun systme temps rel peuvent tre mis
en oeuvre par lintermdiaire de registres dcalage cadencs la frquence dchantillonnage des signaux.
Page 121
effectuer les produits des 2 valeurs yn1 , yn2 par les coefficients du dnominateur de H(z) a1 , a2 ,
puis cumuler les 5 produits, avec un signe positif pour les coefficients bi et un signe ngatif pour les
coefficients ai
enfin mettre jour les mmoires xn1 , xn2 , yn1 , yn2 pour prparer le calcul de la sortie suivante yn+1
La figure suivante reprsente cette structure directe :
b0
xn
yn
z-1
b1
-a1
z-1
z-1
z-1
b2
-a2
W (z) =
xn
1/D(z)
wn
N(z)
yn
Page 122
wn
xn
yn
z-1
-a1
b1
z-1
-a2
b2
Structure canonique ND
La structure canonique ND est la structure duale (au sens de la thorie des graphes) de la structure DN. Elle doit
son nom au fait que les coefficients du numrateur bi interviennent en amont des coeffcients du dnominateur
ai .
Les quations qui caractrisent cette structure sont :
un = b1 xn a1 yn
vn = b2 xn a2 yn
yn = b0 xn + un1 + vn2
La structure canonique ND correspond finalement limplantation suivante :
b0
xn
yn
z-1
b1
-a1
z-1
b2
-a2
Cette structure est la plus frquemment utilise dans les circuits intgrs spcifiques pour le filtrage numrique.
Structures cascade
La structure cascade se caractrise par une dcomposition de H(z) en un produit de termes Hi (z) dordre
1 ou 2, selon que les ples sont rels ou complexes. La fonction globale de filtrage H(z) est ralise par une
cascade de cellules de filtrage Hi (z) dodre 1 ou 2.
H(z) =
K
3
Hi (z)
avec
i=0
Hi (z) =
Page 123
Les cellules Hi (z) est implante sous une forme canonique DN ou ND. La figure suivante reprsente limplantation cascade dun filtre dordre 5, dont le dnominateur possde 1 ple rel et 2 ples complexes conjugus.
H(z)
xn
H1(z)
H2(z)
yn
H3(z)
Pour une fonction H(z) donne, il existe plusieurs implantations cascade possibles, selon la faon dont on
groupe les ples et les zros pour former les cellules Hi (z) et selon la faon dont on ordonne ces cellules. Ainsi
pour la fonction H(z) dordre 5 du schma prcdent, existe-t-il 12 ralisations cascade diffrentes (si on impose
de grouper le zro rel avec le ple rel). Ces ralisations ne sont pas quivalentes en terme de performances
pour une implantation en prcision finie.
6.4.2
Structures parallles
La structure parallle se caractrise par une dcomposition de H(z) en un une somme dlments simples
Hk (z) dordre 1 ou 2, selon que les ples sont rels ou complexes. La fonction globale de filtrage H(z) est
ralise par une somme de sortie de cellules de filtrage Hk (z) dodre 1 ou 2, attaques par la mme entre xn .
H(z) =
L
Hk (z)
avec
k=0
Hk (z) =
bk,0 + bk,1 z 1
1 + ak,1 z 1 + ak,2z 2
Les cellules Hk (z) est implante sous une forme canonique DN ou ND. La figure suivante reprsente limplantation cascade dun filtre dordre 5, dont le dnominateur possde 1 ple rel et 2 ples complexes conjugus.
H(z)
xn
H1(z)
yn
H2(z)
H3(z)
Les structures cascade et parallles ont des perfomances assez proches pour une implantation en pcision finie.
Toutefois, on peut remarquer que la structure parallle ne permet pas aussi facilement que la structure cascade
conserver les zros de transmission aprs quantification des coefficients des cellules Hi (z).
La structure cascade se prte bien une implantation squentielle. La structure parallle permet une implantation parallle des oprateurs de calcul conduisant une plus grande vitesse dexcution.
Ils existent de nombreuses autres structures dcomposes, comme la structure treillis, ou les filtres dondes.
Ces structures ne seront pas dveloppes ici. La thorie de la reprsentation dtat permet de comprendre le
passage dune structure une autre et de comparer ces structures.
Page 124
EXERCICES ET PROBLMES
Exercice 1 : On considre un systme linaire discret stationnaire de rponse impulsionnelle:
hn =
1
n+1
pour
0n3
et h(n)=0 ailleurs
a) Donnez lquation aux diffrences permettant de calculer la sortie y(n) pour une entre quelconque x(n).
b) Calculez la sortie du filtre pour x(n) = an , pour a=0.5, 0 n 3 et x(n)=0 ailleurs.
c) Calculez la sortie stationnaire correspondant lentre x(n) = cos(2n/4)..
H1 (z) =
Donnez les quations aux diffrences correspondantes, et calculez les rponses impulsionnelles associes.
Exercice 4 : Donnez lquation aux diffrences ralise par la structure suivante. Vous utiliserez pour cela la
variable intermdiaire w(n).
wn
xn
-a1
z-1
b0
yn
b1
z-1
-a2
b2
Page 125
Problme I :
Question 1 : On considre lquation aux diffrences
y(n) = x(n 1) + x(n) + x(n + 1).
1-a Mettre cette quation aux diffrences sous la forme dune convolution discrte, donnez la rponse impulsionnelle h(n) du filtre dentre x(n) et de sortie y(n).
1-b Donnez la fonction de transfert H(z) de ce filtre.
1-c Donnez la rponse en frquence H(f ). Vous pourrez chercher faire apparatre un cosinus.
1-d Dduisez en le module de H(f ) et sa phase (f ). Reprsentez |H(f )|, en prcisant clairement le domaine
de variation de f .
Question 2 : Si lentre est
x(n) = A cos (2f0 n + ), avec f0 = 1/3,
quelle est la sortie du filtre?
Question 3 : Lentre est maintenant un bruit blanc temps discret, centr, dautocorrlation
RXX (k) = PB si k = 0,
RXX (k) = 0 sinon.
Page 126
4-d On a considr ci-dessus que w(n) tait un bruit blanc. Si tel nest pas le cas, et si sa densit spectrale
de puissance SW W (f ) est connue, montrez que
$ le signal w (n) obtenu comme la sortie dun filtre de
fonction de transfert en frquence G(f ) = 1/ SW W (f ) (on notera g(n) sa rponse impulsionnelle) est
un bruit blanc de variance unit. Comment faut-il alors modifier le dispositif prcdent?
Index
chantillonnage, . . . . . . . . . . . . . . . . . . . . . . . . 33, 34
Thorme de Shannon, . . . . . . . . . . . . . . . . . . 34
Aliasing, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
Anticaulsalit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Bruit blanc, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
temps discret, . . . . . . . . . . . . . . . . . . . . . . . . . 87
Causalit, . . . . . . . . . . . . . . 102, . . . . . . . . . . . . . . 107
Convolution, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21, 21
Convolution graphique, . . . . . . . . . . . . . . . . . .24
Dfinition, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
Relation de PARSEVAL, . . . . . . . . . . . . . . . . . 26
Thorme de P LANCHEREL, . . . . . . . . . . . . . 25
Thorme de P LANCHEREL-PARSEVAL, . . 26
Convolution circulaire, . . . . . . . . . . . . . . . . . . . . . . 57
Convolution discrte, . . . . . . . . . . . . . . . . . . . . . . . . 57
Convolution circulaire, . . . . . . . . . . . . . . . . . . 57
Convolution rapide, . . . . . . . . . . . . . . . . . . . . . . . . . 68
Densits spectrale, 28
(dterministes) , . . . . . . . . . . . . . . . . . . . . . . . . 28
Densit spectrale de puissance, . . . . . .84, . . . . . . 87
Ergodisme, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Fentres de pondration, . . . . . . . . . . . . . . . . . . . . . 51
Fentre cosinusode, . . . . . . . . . . . . . . . . . . . . 53
Fentre de Blackman, . . . . . . . . . . . . . . . . . . . 54
Fentre de Dolph-Chebychev, . . . . . . . . . . . . 55
Fentre de Gauss, . . . . . . . . . . . . . . . . . . . . . . . 54
Fentre de Hamming, . . . . . . . . . . . . . . . . . . . 54
Fentre de Hanning, . . . . . . . . . . . . . . . . . . . . . 53
Fentre de Kaiser, . . . . . . . . . . . . . . . . . . . . . . . 55
Fentre parabolique, . . . . . . . . . . . . . . . . . . . . 52
Fentre rectangulaire, . . . . . . . . . . . . . . . . . . . 52
Fentre triangulaire, . . . . . . . . . . . . . . . . . . . . . 52
FFT, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Algorithme de Cooley-Tukey, . . . . . . . . . . . . 59
Bit reversal, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
Convolution rapide, . . . . . . . . . . . . . . . . . . . . . 68
Entrelacement frquentiel, . . . . . .59, . . . . . . 62
Entrelacement temporel, . . . . . . . . . . . . . . . . . 59
Papillon, 60, . . . . . . . . . . 61, . . . . . . . . . . 63, 64
Filtrage adapt, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
Filtres, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21, 21
Causalit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Dfinition, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Fonction de transfert, . . . . . . . . . . . . . . . . . . . . 25
Fonctions propres, . . . . . . . . . . . . . . . . . . . . . . 25
Rponse impulsionnelle, . . . . . . . . . . . . . . . . .22
Stabilit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Filtres Numriques, 97, Rponse impulsionnelle98
Attnuation, . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Convolution discrte, . . . . . . . . . . . . . . . . . . . . 99
Dphasage, . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
Fonction de transfert en frquence, . . . . . . 100
Fonction de transfert en z, . . . . . . . . . . . . . . 101
Invariance en temps, . . . . . . . . . . . . . . . . . . . . 98
Linarit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Rponse en frquence, . . . . . . . . . . . . . . . . . . 99
Retard de groupe, . . . . . . . . . . . . . . . . . . . . . . 101
Transforme en z, . . . . . . . . . . . . . . . . . . . . . . 101
Filtres numriques
tude des extrma, . . . . . . . . . . . . . . . . . . . . . 112
Antirsonnance, . . . . . . . . . . . . . . . . . . . . . . . 113
Causalit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Cellule IIR Dordre 2, . . . . . . . . . . . . . . . . . . 117
Cellule IIR ordre 1, . . . . . . . . . . . . . . . . . . . . 115
Cellules lmentaires, . . . . . . . . . . . . . . . . . . 108
Extrma de la cellule dordre 2, . . . . . . . . . 118
FIR, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Frquence de rsonnance, . . . . . . . . . . . . . . 118
IIR, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Largeur de bande la rsonnance, . . . . . . .113
Stabilit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Structures, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Structures canoniques, . . . . . . . . . . . . . . . . . 121
Structures cascade, . . . . . . . . . . . . . . . . . . . . .122
Structures dcomposes, . . . . . . . . . . . . . . . 122
Structures directes, . . . . . . . . . . . . . . . . . . . . .120
Structures DN, . . . . . . . . . . . . . . . . . . . . . . . . 121
Structures ND, . . . . . . . . . . . . . . . . . . . . . . . . 122
Structures parallles, . . . . . . . . . . . . . . . . . . . 123
Zros de transmission, . . . . . . . . . . . . . . . . . 108
FIR, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
tude des extrma, . . . . . . . . . . . . . . . . . . . . . 112
Antirsonnance, . . . . . . . . . . . . . . . . . . . . . . . 113
FIR Dordre 1, . . . . . . . . . . . . . . . . . . . . . . . . 110
FIR ddordre 2, . . . . . . . . . . . . . . . . . . . . . . . . 111
Fonction de covariance, . . . . . . . . . . . . . . . . . . . . . . 72
Fonction de transfert en z, . . . . . . . . . . . . . . . . . . 101
Fonctions de corrlation, 26, . . . . . . . . . . . . . . . . . 77
(dterministes) Rxx (0), . . . . . . . . . . . . . . . . . . 28
(dterministes) Dfinition, . . . . . . . . . . . . . . . 27
Page 128
(dterministes) Introduction, . . . . . . . . . . . . . 26
(dterministes) Proprits, . . . . . . . . . . . . . . . 27
Dfinitions (signaux alatoires), . . . . . . . . . . 77
Relation convolution-corrlation, . . . . . . . . . 28
Formule dinterpolation, . . . . . . . . . . . . . . . . . . . . . 37
Formule de Poisson, . . . . . . . . . . . . . . . . . . . . . . . . . 36
Formule des interfrences, . . . . . . . .81, . . . . . . . . 84
IIR, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
tude des extrma de la cellule dordre2
fin, 118
Cellule dordre 1, . . . . . . . . . . . . . . . . . . . . . . 115
Cellule dordre 2, . . . . . . . . . . . . . . . . . . . . . . 117
Frquence de rsonnance, . . . . . . . . . . . . . . 118
Impulsion de D IRAC, . . . . . . . . . . . . . . . . . . . . 15, 15
Applications, . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Dfinition, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Moments, . . . . . . . . . . . . . . . 72, . . . . . . . . . . . . . . . 74
Quantification, . . . . . . . . . . . . . 33, . . . . . . . . . . . . . 39
Erreur de quantification, . . . . . . . . . . . . . . . . . 40
Logarithmique, . . . . . . . . . . . . . . . . . . . . . . . . . 42
Non uniforme, . . . . . . . . . . . . . . . . . . . . . . . . . . 42
uniforme, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Residu, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
Rponse impulsionnelle, . . . . . . . . . . . . . . . . . . . . . 98
Rsidu
Thorme des rsidus, . . . . . . . . . . . . . . . . . .106
Recouvrement de spectre, . . . . . . . . . . . . . . . . . . . . 48
Relations dincertitude, . . . . . . . . . . . . . . . . . . . . . . 20
Retard circulaire, . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Rponse impulsionnelle, . . . . . . . . . . . . . . . . . . . . . 22
Signal alatoire, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Caractrisation lordre 2, . . . . . . . . . . . . . . . 72
Description, . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Filtrage, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
gaussien, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
temps discret, . . . . . . . . . . . . . . . . . . . . . . . . . 77
Signaux alatoires
Ergodisme, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Stationnarit, . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Stabilit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
Stationnarit, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
Systmes linaires discrets invariants en temps, 98
TFD, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Thorme de Parseval, . . . . . . . . . . . . . . . . . . . . . . . 56
Thorme de Shannon
Formule dinterpolation, . . . . . . . . . . . . . . . . . 37
Thorme de Shannon, . . . . . . . . . . . . . . . . . . . . . . 34
Transfome en z
Thorme du retard, . . . . . . . . . . . . . . . . . . . 103
Transform en z
INDEX