Vous êtes sur la page 1sur 55

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

FILTRAGE LINEAIRE

Introduction

Filtrage analogique

x(t)

H(p)
H(p)

H(p)

H(p)
H(p)
H(p)

y(t)

FT :

(

H p

) =

(

Y p

)

(

X p

)

Matérialisation (électrique par ex.) :

x(t) y(t) yt( ) = f [ xt( )] : équa. diff.
x(t)
y(t)
yt(
) = f [ xt(
)] : équa. diff.

Avantage :

Inconvénient :

- rapidité du traitement analogique - solution figée

Filtrage numérique

x(k)

H(z)
H(z)

H(z)

H(z)
H(z)
H(z)

y(k)

Matérialisation :

FT : H

(

z

) =

Y ( z

)

X ( z

)

Algorithme (équa. aux diff.) + CNA

yk( ) = f [xk( )]

Avantage :

Inconvénients :

- souplesse de modification de l’algorithme - temps de décodage des instuctions - fréquence d’échant. limitée (technologie)

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

FILTRAGE ANALOGIQUE

y(t) = x 1 (t) + x 2 (t) 0 F 1 F 2 F
y(t) =
x 1 (t) +
x 2 (t)
0 F 1
F 2
F 3
Spectre de
x
(t)
1

ν

} Spectre de

x

2

(t)

Filtrage fréquentiel :

yt() = x ()t

1

+ x

2

()t

Filtre passe-bas : 0 − F 1 Filtre passe-bande : − F F 2 3
Filtre passe-bas :
0 − F
1
Filtre passe-bande :
− F
F 2
3

x

1 ( t )

x

2 ( t )

Plus généralement, on distingue 4 types de filtres idéaux F(ν) :

Passe-bas

Passe-haut

F(ν) 0 ν c
F(ν)
0
ν c

F(ν) F( ν

0

ν c

ν

ν

Passe-bande

Coupe-bande

F(ν)
F(ν)
0 ν ν 1 2 F(ν) 0 ν ν 1 2
0
ν
ν
1
2
F(ν)
0
ν
ν
1
2

ν

ν

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Filtres fondamentaux = Filtres passe-bas et de fréquence de coupure ν c = 1

Filtre à partir d’un filtre passe-bas de FT H(p) de pulsation de coupure ω c = 1 rd/s

Passe-bas de pulsation de coupure ω c

Passe-haut de pulsation de coupure ω c =1

Passe-bande de largeur B centré sur ω = 1

Coupe-bande de largeur B centré sur ω = 1

Changement de variable en p dans la FT H(p) du filtre

p

p

p

p

 

p

 

ω

c

 

1

 

p

1

B

p

+

 

1

1

p

B

1

p

1

p +

Le problème du filtrage consiste à faire entrer la RF F(ν) dans un gabarit :

F(ν) 0
F(ν)
0

ν

+ Le problème du filtrage consiste à faire entrer la RF F( ν ) dans un

Gabarit désiré

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Bande Passante d’un filtre

La BP à 3 dB d’un filtre est le domaine de fréquences tel que :
La BP à 3 dB d’un filtre est le domaine de fréquences tel que :
H i
()
ω
−≤ 3 dB
H i
()
ωω
H i
()
dB
max
dB
dB
max
3 dB H i () ωω ≤ H i () dB max dB dB max Rappel

Rappel :

Hi ( ω ) ≡ Hi ( 2 πν ) = 20 log ( Hi
Hi (
ω
)
Hi ( 2
πν
)
= 20 log
(
Hi (
ω
)
)
dB
dB

H i

( 2πν)

dB

max

BP à 3 dB = [,]ν ν b h ν b ν h
BP à 3 dB
=
[,]ν
ν
b
h
ν b
ν h

dB

H

(

i

ω )

H

(

i

)

ω 3 dB

dB

max

Exemple :

BP d’un canal de commmunication :

ν

BP d’une ligne téléphonique = fréquences vocales [300 Hz - 4 kHz]

Signaux & systèmes

Filtres normalisés

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Filtre du 1er ordre passe-bas fondamental

Hp (

=

i

)

ω

=

- FT passe-bas :

(

H p

k

) = 1+τ p

- RF :

k

1 + i

ωτ

=

(entrée du filtre = sinusoïde de pulsation ω variable)

k ω 1 + i ω c
k
ω
1 + i
ω
c

k

:

Gain statique

C te de temps

[

gain

Hi ()

à

ωω

=

0

]

τ

:

 

(

τ

> 0)

noté

= 1 /

ωτ

c

=2

ω πν

:

Pulsation de coupure

ω

: pulsation

ν

:

(

ω

c

> 0)

frequence

H

0

(

ω

= 0 t =∞

Gain = | H(iω ) dB | Hk = = 20 log k 0 dB
Gain =
| H(iω
)
dB |
Hk
=
= 20 log k
0
dB
dB
3 dB
0 dB
ω
c
(-1)
Phase = Arg[H(iω)]
ω
(si k > 0)
c
0 °
-45 °
-90 °

TR 7.

ω

(logω

)

(-1) pente de -20 dB/décade pente de -6 dB/octave

ω

(logω

)

| H(iω ) | H = k 0 0 ω
| H(iω
)
|
H
=
k
0
0
ω

c

5

ω

(logω

)

)

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

(entrée du filtre xt() =δ()t

 

-

RI

:

)

 

h ( t )

=

TL

1

[

H ( p

)]

=

k

e

t /

τ Γ

( t )

 
   

τ

()

y t

-

=

Réponse indicielle :

(entrée du filtre xt() =Γ()t

TL

1

[

H ( p

)

[

]]

TL

Γ

t

()

⋅=

TL

1

−−1

H ( p

)

=

ke ( 1

t /

τ

)

Γ

)

() t

p

y(∞=)

H

0

y(t) ⋅ 1 = kk⋅ 1 = 0.95⋅ y()∞ 0.63⋅ y()∞ 0 τ t ≈
y(t)
⋅ 1 =
kk⋅ 1
=
0.95⋅ y()∞
0.63⋅ y()∞
0
τ
t
≈ 3τ
r

t t r

: temps de réponse à 95 %

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Filtre du 2nd ordre passe-bas fondamental

(

H p

) =

- FT passe-bas :

k

2

p

2

m

ω

2

0

ω

0

+

p

+ 1

k :

ω

0

Gain statique

[

gain

Hi ()

à

ωω

=

:

Pulsation propre non amortie

(

ω

m =

Facteur d' amortissement

(

m > 0

)

0

0

]

noté

> 0

)

H

0

(

ω

= 0 t =∞

(

H i

- RF :

(entrée du filtre = sinusoïde de pulsation ω variable)

ω)

=

 

k

1

+

2 mi

ω

− 

ω

2

 

ω

0

ω

0

)

| H(iω ) | dB Hk = = 20 log k 0 dB dB 6
| H(iω ) | dB
Hk
=
= 20 log
k
0
dB
dB
6 dB
0 dB
ω
ω r
0
2
(-2)
m ≥

2

Arg[H(iω)] (si k > 0) ω 0 0 ° -90 ° -180 °
Arg[H(iω)]
(si k > 0)
ω 0
0 °
-90 °
-180 °
| H(iω ) | m < 0.7 H = k 0 m ≥ 0.7 0
| H(iω ) |
m < 0.7
H
=
k
0
m ≥ 0.7
0
ω
ω r
0

ω

(échelle log.)

2 m < ≈ 07.
2
m <
≈ 07.

(résonance)
2

ω r

: pulsation de résonance

(-2) pente de -40 dB/décade

ω (échelle log.)

ω

(échelle log.)

Signaux & systèmes

- RI :

y()t

= TL

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

(entrée du filtre xt() =δ()t

1

[

[

]]

H( p) ⋅=TL

()t

δ

TL

1

[

)

H( p)

]

3 cas :

m > 1 : régime hyper-amorti (apériodique) : 2 pôles réels de H(p)

y t

() =

pôles de H(p) Im(p) Re(p) 0 k ω 0 ( pt ee 1 − 2
pôles de H(p)
Im(p)
Re(p)
0
k
ω 0
(
pt
ee
1
2
2
m
− 1

pt

2

)

Γ ()

t

y(t)

ω 0 ( pt ee 1 − 2 2 m − 1 pt 2 ) Γ

0

t

m = 1 : régime critique (apériodique) : 1 pôle double réel de H(p) :

pôles de H(p) Im(p) Re(p) 0 2 − t yt () = k ω ω
pôles de H(p)
Im(p)
Re(p)
0
2
t
yt
() =
k
ω
ω 0
t
Γ ()
t
0 e

y(t)

t 0
t
0

0 < m < 1 : régime pseudo-périodique : 2 pôles complexes conjugués

yt

( ) =

pôles de H(p) Im(p) Re(p) 0
pôles de H(p)
Im(p)
Re(p)
0
 − m ω t e 0  k ω sin ( ω ) Γ
− m
ω
t
e
0
k
ω
sin
(
ω
)
Γ
( )
′ t
t
0
0
2
1 − m

y(t)

0

ω 0 : pseudo - pulsation

2 π T′ 0 = : pseudo - période ω 0 ′ t T′ 0
2
π
T′
0
=
: pseudo - période
ω 0
t
T′
0

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

- Réponse indicielle :

(entrée du filtre xt() ()t

- Réponse indicielle : (entrée du filtre xt () =Γ () t ) 3 cas :

)

3 cas :

m > 1 : régime hyper-amorti (apériodique) : 2 pôles réels de H(p)

y(∞=)

H

0

y(t) ⋅ 1 = kk⋅ 1 = 0.95⋅ y()∞ 0 t r
y(t)
⋅ 1 =
kk⋅
1
=
0.95⋅ y()∞
0
t r

t t r

: temps de réponse à 95 %

m = 1 : régime critique (apériodique) : 1 pôle double réel de H(p) :

y(∞=)

H

0

y(t) ⋅ 1 = kk⋅ 1 = 0.95⋅ y()∞ 0 t r
y(t)
⋅ 1 =
kk⋅ 1
=
0.95⋅ y()∞
0
t r

t t r

: temps de réponse à 95 %

0 < m < 1 : régime pseudo-périodique : 2 pôles complexes conjugués

y(∞=)

y(t) 1.05 ⋅ y ()∞ H ⋅ 1 =kk⋅ 1 = 0 0.95 ⋅ y
y(t)
1.05 ⋅ y ()∞
H ⋅ 1 =kk⋅ 1 =
0
0.95 ⋅ y ()∞
0
T′
t r
0

ω 0 : pseudo - pulsation

T

0

t t r

=

2

π

ω

0

: pseudo - période

: temps de réponse à 95 %

Signaux & systèmes

Filtres de Butterworth

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

(filtres polynomiaux : H(p) = (polynôme) -1 )

(Maximally flat)

(

H p

1

) =

ap

n

n

+

a

n 1

p

n 1

++

ap

+

a

1

0

 

1

1 + 

 

2 n

ω

ω

c

H

(

i

ω )

2

=

avec :

Les paramètres

a i se déduisent des relations de définition précédentes :

Exemple :

n = 2 :

H

(

p

) =

1

a

2

p

2

+

a

1

p

+

a

0

H

1 1 2 H ( i ω ) = = 2 2 4 2 2
1
1
2
H ( i
ω
)
=
=
2
2
4
2
2
2
4
a
+
a
ω
2
a a
ω
+
a
ω
ω
0
2
0
2
1
1 + 
ω
c

(

i

ω

) =

1

0

a

1

a

a

2

2 a ω + 2 = 1 2 =± ω c 1 = 2 ω
2
a
ω
+
2
= 1
2
ω
c
1
=
2
ω
c

a i

1

ou

ω



+ a 0 a 0 =− 1 2 a 1 =± ω c 1 a
+
a
0
a
0 =− 1
2
a
1 =±
ω
c
1
a
2 =−
2
ω
c

Signaux & systèmes

Paramètres

a

i

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

donnés pour

ω

c

= 1

rd/s et pris positifs :

Ordre

a 0

a

1

a 2

a 3

a 4

n

= 1

1

1

-

- -

 

n

= 2

1

2
2
2

1

- -

 

n

= 3

1

2

2

1 -

 

n

= 4

1

2.6131

3.4142

2.6131

1

| H(iω ) | dB 0 dB ω c n = 2 (-2) n =
| H(iω ) | dB
0 dB
ω c
n = 2
(-2)
n = 3
(-3)

n = 4

(-4)

ω

Les filtres de Butterworth possèdent une RF H(iω) en module plate au maximum (sensiblement constante) dans la BP

Les signaux de différente fréquence (dans la BP) sont tous

amplifiés de la même façon (gain constant)

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Filtres de Tchebychev (filtres polynomiaux) (Equal ripple)

Ces filtres présentent une ondulation d'amplitude constante ε dans la BP

(

H p

) =

avec :

1

ap

n

n

+

a

n 1

H ( i

ω )

p

n 1

++

ap

1

+

a

0

2 1

=

1 +

ε

1

ε

2

T n

(

ω

)

T n (ω) : polynôme de Tchebychev d'ordre n obtenu par récurrence :

T

n+

2

()

x

=

2

xT

()

x

T

nn+

1

()

x

Paramètres

a

i donnés pour

ω

c

et

= 1

() = 1 ,

Tx

0

() =

Tx

1

x

rd/s et pris positifs :

Ordre

a

0

a

1

a 2

a

3

a 4

n

= 2

1

0.9957

0.907

-

-

n

= 3

1

2.5206

2.0116

2.0353

-

n

= 4

1

2.6942

5.2749

3.4568

3.628

| H(iω ) | dB 0 dB ω c n = 2 (-2) n =
| H(iω ) | dB
0 dB
ω c
n = 2
(-2)
n = 6
(-6)

ω

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Filtres de Legendre (filtres polynomiaux) (pente la plus forte possible (pour un ordre n donné) à la fréq. de coupure)

(

H p

) =

avec :

1

ap

n

n

+

a

n 1

p

n 1

++

ap

1

+

a

0

(Polynômes de Legendre)

Paramètres

a donnés pour

i

ω

c

= 1

rd/s et pris positifs :

Ordre

a 0

a

1

a 2

a 3

a 4

n

= 2

1

2
2
2

1

-

-

n

= 3

1

2.3537

2.27

1.7319

-

n

= 4

1

3.0411

4.6253

3.828

2.4493

- n = 3 1 2.3537 2.27 1.7319 - n = 4 1 3.0411 4.6253 3.828

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Filtres de Bessel (filtres polynomiaux)

(

H p

avec

) =

1

ap

n

n

+

a

n 1

p

n 1

++

ap

1

+

a

0

(Polynômes de Bessel)

Ils ont pour objet de réaliser l'approximation d'un retard pur e -τp provoquant un temps de propagation constant à travers le filtre (égal à τ).

Paramètres

a

i donnés pour

ω

c

= 1

rd/s et pris positifs :

Ordre

a 0

a

1

a 2

a 3

a 4

n

= 2

3

3

1

 

- -

n

= 3

15

15

6

 

1 -

n

= 4

105

105

45

10

1

| H(iω ) | dB

ω c n = 6 (-6)
ω c
n = 6
(-6)

0 dB

ω

n = 2

(-2)

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Filtres de Cauer (filtres elliptiques : H(p) fraction rationnelle)

Les RF ont des ondulations à la fois dans la BP et dans la bande coupée

(

H p

avec :

n − 1 bp n + b p ++ bp + b n n −
n
− 1
bp
n + b
p
++ bp +
b
n
n
− 1
1
0
) =
n
n
− 1
ap
+
a
p
++
ap
+
a
n
n
− 1
1
0
1
2
H
(
i
ω
)
=
2
2
1
+
λ
E
(
ω
)
m
2
2
ω ω
E (
) =
i
ω
2
2
pour l’ordre du filtre n = 2m
1 −
ωω
i = 1
i
m
2
2
ω ω
E (
ω ω
) =
i
2
2
pour l’ordre du filtre n = 2m +1
1 −
ωω
i = 1
i

Les pulsations

une ondulation d’amplitude constante (type Tchebychev).

ω

i

( i = 1

) sont déterminées pour que E(ω) ait

m

Paramètres

a

i

,

b i donnés pour

ω

c

= 1

rd/s et pris positifs :

Ordre

b

0

/ a

0

b

1

/ a

1

b

2

/ a

2

b

3

/ a

3

b

4

/ a

4

n

= 3

 

1/1

 

0/2.0235

0.1038/1.6404

0/1.3228

 

-

n

= 4

 

1/1

 

0/2.2818

0.3993/3.6938

0/2.4801

0.0226/2.1035

| H(iω ) | dB 0 dB ω c n = 3 (-3) n =
| H(iω ) | dB
0 dB
ω c
n = 3
(-3)
n = 6
(-6)

ω

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Filtres de Tchebychev inverses (filtres elliptiques)

La RF est plate dans la BP - Ondulation présente dans la bande coupée

(

H p

) =

avec :

bp

n

n

+

b

n

1

p

n

1

++ bp +

1

b

0

 

n

n

1

ap

n

 

+

a

n

1

p

ε

++

ap

1

T

2

(1/

ω

)

+

a

0

H

(

i

ω

)

 

2

=

 
   
n 1 − ε ε
n
1 −
ε
ε

T

n

2 (1/

ω )

 
 

1 +

 

1

ε

T n (ω) : polynôme de Tchebychev d'ordre n obtenu par récurrence :

T

n+

2

()

x

=

2

xT

()

x

T

nn+

1

()

x

Paramètres

a

i

,

b i donnés pour

et

ω

c

() = 1 ,

Tx

0

() =

Tx

1

= 1

rd/s et pris positifs :

x

   

Ordre

b

0

/ a

0

b

1

/ a

1

   

b

2

/ a

2

b

3

/ a

3

b

4

/ a

4

n

= 3

1/1

0/8.4672

   

0.75/3.6597

0/79.05

 

-

n

= 4

1/1

0/6.2917

   

1/20.7925

 

0/40.54

0.125/39.5285

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

FILTRAGE NUMERIQUE

Synthèse d’un filtre numérique

2 approches :

1ère approche :

Déterminer la FT discrète H

la FT continue H

z ) « équivalente » à

p ) du filtre analogique modèle

N (

A (

N A → Il s'agit de déterminer H N (z) de telle sorte que y
N
A
→ Il s'agit de déterminer H N (z) de telle sorte que
y
= y
xt
( ):
n
n
N
Entrée
x(t)
Filtre Numérique
H
(z)
y
N
n
A
H
y
Filtre Analogique
( p)
A
n

La solution (coeffs du filtre H z ) ) dépend du signal d'entrée x(t)

N (

Plusieurs techniques de synthèse :

Techniques temporelles de synthèse

- Synthèse par Invariance Impulsionnelle :

x(t) = δ(t)

- Synthèse par invariance indicielle :

x(t) = Γ(t)

Techniques fréquentielles de synthèse

- Synthèse par équivalence de la dérivation (Transformation d'Euler)

- Synthèse par équivalence de l'intégration (Transformation Bilinéaire)

Cette 1ère approche conduit à des filtres numériques récursifs

Signaux & systèmes

2nde approche :

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Le calcul de ces filtres utilise ici une structure non récursive, et les coeffs du filtre peuvent être déterminés de 2 façons :

1) En faisant référence à la FT continue du filtre analogique modèle

- Synthèse par technique impulsionnelle.

- Synthèse par échantillonnage en fréquence.

2) En se donnant un gabarit sur le module de la RF du filtre numérique, et en déterminant les coeffs afin d’optimiser un critère de performance

Utilisation de méthodes d'optimalisation (PNL)

(algorithmes de résolution de systèmes d’équations non linéaires)

- Algorithme de Remez (algorithme le plus utilisé)

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Structures AR, MA, et ARMA des filtres numériques

Modèle ARMA

Un filtre numérique linéaire causal est décrit par la relation de récurrence générale (équation aux différences) :

y

n

=

p

k

= 0

ax

k

nk

q

k =

1

by

k

n

k

x n

Filtre linéaire numérique
Filtre linéaire numérique

Filtre linéaire numérique

Filtre linéaire numérique
Filtre linéaire numérique
Filtre linéaire numérique

y n

C’est le modèle ARMA

(AutoRégressif à moyenne mobile)

(Autoregressive with Moving Average)

Dans le domaine fréquentiel, on a :

Yz () =

()

X z

p

= 0

k

az

k

k

Yz ()

q

1

k =

bz

k

k

(avec CI nulles)

H ( z

) =

Y

(

z

)

p

k

= 0

a

k

z

k

=

X ( z

)

1 +

q

k = 1

b z

k

k

Signaux & systèmes

Modèle AR

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

a k 0 (sauf a 0 ) on a un système quasiment purement récursif :

et :

y

n

=

ax

0

(

H z

) =

n

q

k = 1

a

0

by

k

1 +

q

k = 1

b z

k

k

nk

=

a

0

q

k = 1

(

1 p

k

z

k

)

(après décomposition en éléments simples : p k , pôles de H(z) )

C'est le Modèle AR (AutoRégressif) appelé encore modèle tout pôle

q

k = 1

by

k

y

n

=−

Le modèle :

purement récursif, donc basé uniquement sur ses CI (pas d’entrée)

nk

est le modèle de processus AR

Signaux & systèmes

Modèle MA

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

b k 0

on a un système réduit à : (système non récursif)

y

n

p

=

k = 0

ax

k

nk

et :

(

Hz

) =

p

k = 0

az

k

k

C'est le Modèle MA (Moving Average) appelé encore modèle tout zéro

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

ANALYSE DES FILTRES NUMERIQUES

On a vu :

On va établir : les filtres récursifs sont des filtres RII (IIR)

les filtres récursifs ont une structure ARMA

On a vu

On va établir : les filtres non récursifs sont des filtres RIF (FIR)

:

les filtres non récursifs ont une structure MA

Introduction :

Filtres RIF

x

n

:

entrée

Algorithmes de Traitement du Signal

y

n

:

y

n

p

=

k = 0

sortie

a

a

k

x

n k

k : coefficients du filtre

Filtres RII

x

n

: entrée

y

n

y

n

=

: sortie

p

k = 0

ax

k

nk

q

k = 1

by

k

n

k

a

k

,

b

k

: coefficients du filtre

Filtres adaptatifs RIF

y

n

a

k

(

x

n

n

) =

a

k

(

:

entrée

n

1) +δ

e

n

x

y

n

: sortie

n

=

k

a

p

k

= 0

a

k

(n)

k

(

n

)

e

n

x

n k

avec:

= r y

n

n

: coefficients du filtre

y

n

e

n

reproduit un signal de référence

r

n

: erreur (commande l’évolution de a

k

(n) au cours du temps)

δ : régle la vitesse de cette évolution

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Corrélateurs (auto ou inter)

c

k

=

N

−− 1

k

x

n = 0

n

c

k

: coeffs d’intercorrélation des signaux

x

n

y

n k

et

y

(intercorrélation)

n sur N échantillons

Fenêtrage

y

n

= x

n

w

n

signal fenêtré

y

n

= produit de

x

n par la fenêtre

w

n

M

de N échantillons

Transformées (Fourier, Hilbert

Exemple:

TFD[x(n)] :

)

X ( k

)

1

M

1

n = 0

x ( n ) e

i

2

kn

π

/

M

=

Génération de signal

Exemple: signal aléatoire à distribution uniforme :

x(n) = A x(n 1) mod P

Init. : 0 < x(0) < P

x(n) est pseudo-aléatoire car périodique de période P P : nombre premier, de valeur élevée A : facteur d’échelle

Calcul matriciel

Exemple : Produit scalaire

p =

k

x

n = 0

n

y

n

de

x

n

et

y

n de dim. k +1

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Analyse des filtres numériques RIF (filtres non récursifs, MA, ou encore filtres transversaux)

Structure de réalisation

Equation aux différences

y

n

N 1

=

k = 0

ax

k

nk

(filtre RIF causal)

Les filtres non récursifs sont dits MA

Forme directe de réalisation (schéma-bloc) (block diagram)

y = a x + a x + L + a x n 0 n
y
= a
x
+
a x
+
L
+ a
x
n
0
n
1
n
−1
N
−1 −( −1)
n
N
a
0
x n
+
y n
-1
z
a
1
+
-1
z
a
2
+
-1
z
a N-1

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

FT

:

Stabilité

y

n

N 1

=

= 0

k

ax

k

nk

TZ

la FT n’a pas de pôles

(

H z

) =

Y

(

z

)

(

X z

)

Hz (

) =

N 1

a

k = 0

k z

k

Un filtre RIF est toujours stable

(coeffs

le filtre RIF répond par une sortie bornée à une entrée bornée)

a

k finis (et en nombre fini), sinon filtre non programmable

RI

x n

= δ n

dans

h

k

a

k

y

n

=

N 1

= 0

k

ax

k

nk

h

n

=

N 1

= 0

k

a

k

δ

nk

Comme N fini (sinon filtre non programmable) support N de la RI fini

Filtres non récursifs

filtres MA

filtres RIF

h n a 1 a 2 a N-1 a 0 0 1 2 N-1
h
n
a 1
a 2
a N-1
a 0
0
1
2
N-1
Filtres non récursifs ≡ filtres MA ≡ filtres RIF h n a 1 a 2 a

Support fini

n

Signaux & systèmes

7. Filtrage linéaire. Analyse & Synthèse des filtres numériques

Réponse indicielle

Entrée x n

=

Γ n

dans

D

n

0

n

=

D a

n

=

k = 0 N 1

D a

n

=

k = 0

y

si

k

k

n

N 1

=

k = 0

n

si

< 0

0

ax

k

nk

≤≤ nN

si

nN ≥− 1

1

D n cumul des coefficients a k du filtre

Réponse Fréquentielle H(ν)

. Séquence x(n) :

On fait :

z

=

e p

avec

p = i2πν

 

N 1

 

H

(ν) =

 

i

2

πν

k

ae

k

 

k

= 0

.

Séquence x(nT) :

H

()ν

dans la FT

(

Hz

) =

N 1

k = 0

a

k z

k

He (

i 2

πν

)

périodique (période ν = 1)

On fait :

z

=

e pT

avec