Académique Documents
Professionnel Documents
Culture Documents
J.-P. Costa
'
Repr
esentation fr
equentielle
Transform
ee de Fourier des signaux d
energie finie
Soit un signal s(t) `
a temps continu d
energie finie E, la transform
ee de Fourier S(f )
de s(t) est d
efinie par :
Z +
S(f ) =
s(t) ej2f t dt
&
Traitement du signal
%
1
IUP Avignon
J.-P. Costa
'
Transform
ee de Fourier des signaux d
energie finie
1. Lin
earit
e : s1 (t)
TF
S1 (f ), s2 (t)
1 s1 (t) + 2 s2 (t)
TF
TF
1 S1 (f ) + 2 S2 (f )
S2 (f ),
TF
3. Translation en fr
equence : S(f f0 ) =
1 , 2 C
ej2f t0 S(f )
TF
fr
equence correspond `
a une modulation en temps.
4. Dilatation en temps : y(t) = s(at) avec a > 0, Y (f ) = a1 S(f /a). Une dilatation
(0 < a < 1) de l
echelle des temps correspond `
a une compression ( a1 > 1) de
l
echelle des fr
equences et inversement.
&
Traitement du signal
%
2
IUP Avignon
J.-P. Costa
'
Transform
ee de Fourier des signaux d
energie finie
TF
S(f ),
TF
S (f ),
7. Formes particuli`
eres :
s(t) r
eelle
S(f ) sym
etrie hermitienne
s(t) r
eelle paire
S(f ) r
eelle paire
s(t) r
eelle
S(f ) r
eelle impaire
&
Traitement du signal
%
3
IUP Avignon
J.-P. Costa
'
d
energie finie x(t) et y(t) le signal z(t) d
efini par :
Z +
z(t) = x(t) y(t) =
x(u)y(t u) du = y(t) x(t)
z(t)
TF
Z(f ) = X(f )Y (f )
Cette propri
et
e de convolution est la plus fondamentale pour les applications de
lanalyse de Fourier notamment pour le filtrage lin
eaire.
9. Convolution en fr
equence : z(t) = x(t)y(t)
TF
Z(f ) = X(f ) Y (f )
&
Traitement du signal
%
4
IUP Avignon
J.-P. Costa
'
Transform
ee de Fourier des signaux d
energie finie
Densit
e spectrale
La densit
e spectrale ss est d
efinie comme
etant la TF de la fonction
dautocorr
elation Css .
ss (f ) = TF[Css ( )] = S(f )S (f ) = |S(f )|2
On peut dire que ss (f ) est une densit
e spectrale d
energie puisque son int
egrale
donne l
energie totale du signal.
Th
eor`
eme de Parseval
On obtient par transform
e de Fourier inverse, l
egalit
e de Parseval :
Z +
Z +
Es =
|s(t)|2 dt =
|S(f )|2 df = Css (0)
On a lexpression de l
energie dun signal dans le domaine du temps ou dans le
domaine des fr
equences.
&
Traitement du signal
%
5
IUP Avignon
J.-P. Costa
'
Transform
ee de Fourier des signaux d
energie finie
Exemple On cherche a d
eterminer la transform
ee de Fourier du signal Porte
(/2 (t)) lequel est d
efini comme suit
1
T (t) =
0
Z
(f )
Z
(f )
/2 ej2f t dt
+/2
ej2f t dt
/2
&
Traitement du signal
(f )
(f )
sin(f )
sin(2f /2)
=
f
f
sinc(f )
%
6
IUP Avignon
J.-P. Costa
'
Transform
ee de Fourier des signaux d
energie finie
Exemple
Signal porte /2(t), avec =10
1
0.8
0.6
0.4
0.2
0
15
10
10
15
10
5
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
Frquence
&
Traitement du signal
%
7
IUP Avignon
J.-P. Costa
'
On peut d
efinir comme la limite de la fonction s (t) (
s (t) =
R +
s (t) = 1) d
efinie par :
1
/2 (t)
1
ou le signal porte T est d
efini comme suit T (t) =
0
R +
Donc (t) = lim0 s (t) avec
(t) = 1
On repr
esente classiquement le dirac par une fl`
eche de poids=1 repr
esentant laire.
Si on calcule l
energie de s (t) on obtient :
Z +
1
Es (t) =
s (t)2 dt =
&
Traitement du signal
%
8
IUP Avignon
J.-P. Costa
'
Transform
ee de Fourier des signaux d
energie infinie
&
Traitement du signal
v(t) (t)
v(0) (t)
v(t) (t t0 )
v(t0 ) (t t0 )
%
9
IUP Avignon
J.-P. Costa
'
Transform
ee de Fourier des signaux d
energie infinie
TF1 [(f )] = 1,
TF [(t t0 )] = ej2f t0 ,
TF [ ej2f0 t ] = (f f0 )],
TF [A cos(0 t)] =
A
(f
2
f0 ) +
A
(f
2
+ f0 ),
(t t0 ) (t) = (t t0 ),
(t t0 ) (t t1 ) = (t t0 t1 ),
v(t) (t) = v(t),
v(t) (t t0 ) = v(t t0 ),
P
Un peigne de dirac est d
efini par (t) = +
k= (t kTe ),
P
+
TF[(t)] = (f ) = T1
k= (f k/T )
&
Traitement du signal
%
10
IUP Avignon
J.-P. Costa
'
Transform
ee de Fourier des signaux d
energie infinie
Exemple On cherche `
a d
eterminer la TF de la fonction suivante :
z(t) = x(t) y(t) = A /2 (t) cos(0 t) alors Z(f ) = TF[x(t)] TF[y(t)]
on a vu que TF[x(t)]=[A /2 (t)]=A sinc(f ) il reste donc `
a calculer TF[cos(0 t)].
Z +
Z +
ej2(f +f0 )t dt
Y (f ) = 1/2
ej2(f f0 )t dt +
Y (f )
1/2 [(f f0 ) + (f + f0 )]
Donc
Z(f )
Z(f )
&
Traitement du signal
A
A
sinc(f ) (f f0 ) +
sinc(f ) (f + f0 )
2
2
A
A
sinc(f f0 ) +
sinc(f + f0 )
2
2
%
11
IUP Avignon
J.-P. Costa
'
Transform
ee de Fourier dun signal p
eriodique
s(t) =
+
X
S(nf0 ) ej2nf0 t
n=
S(f ) =
+
X
n=
&
Traitement du signal
%
12
IUP Avignon
J.-P. Costa
'
Exercices
Classification des signaux
Tracer les signaux suivants et d
eterminer sil sagit de signaux `
a
energie finie, `
a
puissance finie ou nappartenant `
a aucune de ces deux cat
egories. La fonction u(t)
&
Traitement du signal
%
13
IUP Avignon
J.-P. Costa
'
Dirac
1. En utilisant la relation d
equivalence suivante :
soit g(t) et f (t) deux fonctions, il existe une relation d
equivalence qui
enonce
que g(t) = f (t) si et seulement si :
Z
f (t)(t)dt
g(t)(t)dt =
v
erifier la propri
et
es suivante : (at) =
(1)
1
(t).
|a|
&
Traitement du signal
%
14
IUP Avignon
J.-P. Costa
'
&
Traitement du signal
%
15
IUP Avignon
J.-P. Costa
'
Filtrage fr
equentiel
On appelle filtrage fr
equentiel, lop
eration consistant `
a pr
elever, supprimer, ou
seulement att
enuer tout ou une partie des composantes fr
equentielles dun signal.
Par d
efinition y(t) = h(t) x(t),
H(f ) sappelle la r
eponse en fr
equences du filtre
|H(f )| sappelle le gain en fr
equences du filtre
Arg(H(f )) sappelle la phase du filtre.
La relation fondamentale des filtres est donn
ee par,
X(f ) = TF [x(t)]
Y (f ) = H(f ) X(f ) avec
X(f ) = TF [x(t)]
&
Traitement du signal
%
16
IUP Avignon
J.-P. Costa
'
dans le cas ou x(t) = (t), y(t) = h(t) (t) = h(t), dou le nom de r
eponse
impulsionnelle pour h(t).
h(t) ne peut pas commencer avant 0 cest `
a dire pr
ec
eder la cause. Un filtre est
r
ealisable si sa r
eponse impulsionnelle h(t) est causale (h(t) = 0 pour t < 0) et sil
est stable.
On rappelle quun filtre est stable ssi `
a toute entr
ee born
ee correspond une sortie
R +
born
ee, |h(t)| dt < .
&
Traitement du signal
%
17
IUP Avignon
J.-P. Costa
'
Y (f )
H(f ) X(f )
|Y (f )|2
&
Traitement du signal
R +
h(t)h (t ) dt.
%
18
IUP Avignon
J.-P. Costa
'
Si x(t) est `
a
energie finie, xx (f ) est la densit
e spectrale d
energie,
Z +
R +
Cxx ( ) =
xx (f ) ej2f df
x(t)x (t ) dt =
Cxx (0) =
R +
Z
x(t)x (t) dt =
xx (f ) df = Ex
Si x(t) est `
a puissance moyenne finie, xx (f ) est la densit
e spectrale de
puissance,
Z +T /2
1
Cxx ( ) =
lim
x(t)x (t ) dt
T T T /2
Z +T /2
Z +
1
Cxx (0) =
lim
x(t)x (t) dt = Px =
xx (f ) df
T T T /2
eriodique de p
eriode T0 , xx (f ) est la densit
e spectrale de
Si x(t) est un signal p
puissance, et Cxx ( ) est de p
eriode T0 .
xx (f ) = TF [Cxx ( )] =
+
X
k=
&
Traitement du signal
|Xk |2 (f
k
)
T0
%
19
IUP Avignon
J.-P. Costa
'
x(t) w(t)
Y (f )
X(f ) W (f )
Le fen
etrage en temps correspond `
a une convolution des spectres en fr
equence,
Y (f ) = sinc[(f f0 ) ] + sinc[(f + f0 ) ]
2
2
&
Traitement du signal
%
20
IUP Avignon
J.-P. Costa
'
K x(t t0 )
Y (f )
K ej2f t0 X(f )
H(f )
K ej2f t0
&
Traitement du signal
%
21
IUP Avignon
'
J.-P. Costa
Pour r
ealiser un filtre sans distorsion il faut un gain constant f et une phase
egale `
a
une fonction n
egative de la fr
equence. Ceci est irr
ealisable physiquement car h(t) est
un dirac. En fait dans la pratique on souhaite ces deux conditions seulement pour les
fr
equences ou le signal d
entr
ee a un contenu spectral. On dit que la bande passante
du filtre doit contenir les supports fr
equentiels des signaux `
a lentr
ee du filtre.
Remarque : loreille humaine est sensible `
a la distorsion de phase.
&
Traitement du signal
%
22
IUP Avignon
J.-P. Costa
'
Exercices
- Soit le signal p
eriodique s(t) d
efini par s(t) = A cos(2f0 t + 0 )
1. Donner la fonction dautocorr
elation Css ( ) et la densit
e spectrale de puissance
de s(t).
2. Soit la sortie du filtre h(t) d
efinie par y(t) = h(t) x(t) = x(t) x(t T )
(a) Quel est le signal de sortie si le signal dentr
ee x(t) est un dirac (t).
eponse en fr
equence du filtre H(f ).
(b) Calculer la r
(c) Calculer |H(f )|2 et en d
eduire Chh ( ).
3. On consid`
ere maintenant que lentr
ee x(t) = s(t).
(a) Calculer la fonction dautocorr
elation Cyy ( ) de y(t).
(b) En d
eduire la puissance moyenne du signal de sortie.
e spectrale du signal de sortie y(t).
(c) Calculer la densit
&
Traitement du signal
%
23
IUP Avignon
'
J.-P. Costa
(d) En d
eduire la puissance moyenne du signal de sortie, par
R +
Py =
yy (f ) df
&
Traitement du signal
%
24
IUP Avignon
J.-P. Costa
'
L
echantillonnage
On appelle
echantillonnage dun signal analogique x(t) le fait de pr
elever
r
eguli`
erement (tous les Te secondes) les valeurs x(k Te ). L
echantillonnage parfait est
r
ealis
e par une suite de diracs s
epar
es par Te de poids 1 qui multiplie le signal de
spectre [B, B].
x(t)=sin(wt)
x(kTe)=sin(wkTe)
0.8
0.8
0.8
0.6
0.6
0.6
0.4
0.4
0.4
0.2
0.2
0.2
0.2
0.2
0.2
0.4
0.4
0.4
0.6
0.6
0.6
0.8
0.8
0.8
0.002
0.004
0.006
0.008
0.01
0.012
0.014
0.016
0.018
temps (t)
Signal analogique
0.02
1
0.002
0.004
0.006
0.008
0.01
0.012
0.014
0.016
0.018
0.02
Traitement du signal
0.004
0.006
0.008
Signal
echantillonn
e
0.01
0.012
0.014
0.016
0.018
0.02
temps (kTe)
Conversion num
erique
On d
efinit le signal
echantillonn
e par xe (t) = x(t) (t) = x(t)
&
0.002
temps (kTe)
P+
k=
(t kTe )
%
25
IUP Avignon
J.-P. Costa
'
L
echantillonnage
Xe (f ) s
ecrit
Xe (f )
X(f ) Fe
+
X
(f kFe )
k=
Xe (f )
Fe
+
X
X(f kFe )
k=
Le spectre du signal
echantillon
e Xe (f ) sobtient en p
erodisant avec une p
eriode
Te = F1 le spectre X(f ). Echantillonner dans le temps revient `
a p
eriodiser dans
e
lespace des fr
equences. Il y a un probl`
eme lorsque Fe < 2B. En effet, dans ce cas il
y a repliement des spectres ou recouvrement ou aliasing. Ceci implique quon ne
peut plus reconstruire X(f ) `
a partir de Xe (f ) et donc x(t) `
a partir de x(kTe ).
&
Traitement du signal
%
26
IUP Avignon
J.-P. Costa
'
L
echantillonnage
Th
eor`
eme d
echantillonnage : Shannon/Nyquist
Un signal x(t) d
energie finie dont le spectre est `
a support sur [B, B] peut
etre
echantillonn
e tous les Te sans perte dinformation `
a condition que la fr
equence
d
echantillonnage Fe (ici fr
equence de Nyquist) v
erifie :
Fe
>
1
Te
2B
y(t)
xe (t) h(t) =
+
X
k=
x(t)
+
X
k=
Cette derni`
ere
equation correspond `
a la formule dinterpolation de Shannon.
&
Traitement du signal
%
27
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Signaux `
a temps discret
el
ementaires
Impulsion unit
e
(k)
si k = 0
si k 6= 0
si k 0
si k < 0
si 0 k N/2 1
si k N/2
L
echelon unit
e
u(k)
La porte de longueur N
(k)
N
&
Traitement du signal
%
28
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Propri
et
es
On d
efinit l
energie par Ex =
P+
k=
|x(k)|2
On d
efinit la puissance moyenne par Px = limN
1
2N +1
P+N
k=N
|x(k)|2
Signaux `
a
energie finie, `
a puissance moyenne finie
&
Traitement du signal
Si on a
0 < Ex <
alors
Px = 0
Si on a
0 < Px <
alors
Ex =
%
29
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
X(f ) = X( e
j2f
)=
+
X
x(k) ej2kf
k=
X(f + 1)
+
X
k=
X(f + 1)
+
X
k=
&
Traitement du signal
%
30
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Exemple
Calcul de la TF de x(k) = N (k),
X(f )
+
X
x(k) ej2kf =
k=
X(f )
N
1
X
x(k) ej2kf
k=0
1 ej2pif N
jf (N 1) sin(f N )
=
e
1 ej2f
sin(f )
20
18
sin(pi f N)/sin(pi f)
N sinc(N f)
16
14
12
10
0
0.5
&
Traitement du signal
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
%
31
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Transform
ee de Fourier discr`
ete (TFD)
Il faut d
efinir une repr
esentation fr
equentielle pour l
etude des signaux r
eels, cest `
a
dire signaux `
a support born
e k 6= et
egalement saffranchir de la contrainte f
continue. On propose dutiliser la TFD :
prendre un nombre fini (N ) d
echantillons x(k), k = 0, . . . , N 1,
)=
X(f
N
1
X
x(k) ej2kf
k=0
etiser la fr
equence f sur [0,1[. On choisit = 1/N , cest `
a dire
et discr
fn = n/N pour n = 0, . . . , N 1.
N
1
X
n
n
&
Traitement du signal
%
32
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Transform
ee de Fourier discr`
ete (TFD)
Par d
efinition la TFD est une application lin
eaire qui `
a N valeurs complexes
(x(0), . . . , x(N 1)) associe N valeurs complexes (X0 , . . . , XN 1 ) et on note
Xn =
N
1
X
k=0
&
Traitement du signal
%
33
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Transform
ee de Fourier discr`
ete (TFD)
La TFD repr
esente les valeurs
echantillonn
ees de la TF dun signal discret de
dur
ee finie, x0 , . . . , x(N 1).
Si x(k) nest pas de dur
ee finie, on a les valeurs
echantillonn
ees de la TF du
signal discret x(k) N (k), N (k)
etant le fen
etre rectangulaire de longueur N .
Ceci entrane des oscillations dans la TF et lutilisation de fen
etres de
pond
eration g(k) pour les faire disparatre (Hamming, Hanning).
esente les valeurs
echantillonn
ees de la TF dun signal `
a temps
La TFD ne repr
continu x(t) que si x(t) est `
a dur
ee limit
ee [0, N Te ] et si sa TF X(f ) `
a un
spectre `
a bande limit
ee [ 2T1 , 2T1 ]. Comme il nexiste pas de signaux `
a dur
ee
e
e
et `
a bande limit
ee, on commet une erreur syst
ematique en consid
erant les Xn
comme des
echantillons de la TF X(f ) .
&
Traitement du signal
%
34
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Transform
ee de Fourier discr`
ete (TFD) : Exemple
On cherche `
a d
eterminer la TDF Xn du signal
x(k) = A cos(2
Xn =
N
1
X
f0
k)
fe
k=0
Signal r
eel
Signal
echantillonn
ee
TFD
fr
equences discr`
etes
Signal `
a support born
e
multiplication en temps=convolution en fr
equence
&
Traitement du signal
%
35
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Transform
ee de Fourier discr`
ete (TFD) : Exemple
TF pour N=256
TF pour N=260
5.5
TF pour N=266
5.5
5.5
4.5
4.5
4.5
3.5
3.5
3.5
2.5
2.5
2.5
1.5
1.5
1.5
0.5
0.5
0.5
0
0
100
200
300
400
500
600
700
800
900
1000
0
0
100
200
300
400
500
600
700
800
900
1000
0
0
100
200
300
400
500
600
Frquence
Frquence
Frquence
N = 256
N = 260
N = 266
&
Traitement du signal
700
800
900
1000
%
36
IUP Avignon
J.-P. Costa
'
Fen
etres de pond
eration
Fen
etre rectangulaire
On multiplie le signal par un signal rectangulaire (fonction Porte), poss
edant N
echantillons unit
es. Au niveau spectral cette multiplication revient `
a convoluer la
TF de x(t) par la TF de la fonction porte. Cette op
eration de convolution a pour
effet dintroduire des ondulations dans le spectre.
Fentre rectangulaire
1.2
Fentre rectangulaire
1
1.2
0.8
0.6
0.8
0.4
0.6
0.2
0.4
0.2
0.2
80
90
100
110
120
130
140
Temps
0
0.2
80
90
100
110
20
120
130
140
Temps
50
15
1/N
10
50
100
0
0.5
150
200
0.4
0.3
0.2
0.1
Frquences
0.1
0.2
0.3
0.4
0.5
250
300
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
Frquences
&
Traitement du signal
%
37
IUP Avignon
'
J.-P. Costa
En r`
egle g
en
erale la r
esolution en fr
equence sera dautant meilleure que :
le lobe principale (central) est
etroit,
les lobes secondaires (lat
eraux) sont bas.
Malheureusement la r
eduction en hauteur des lobes secondaires saccompagne
toujours de l
elargissement du lobe principal. Il faut donc accepter un compromis
entre ces deux effets.
&
Traitement du signal
%
38
IUP Avignon
J.-P. Costa
'
Fen
etre de Hamming
La fen
etre de Hamming est donn
e par la relation suivante pour = 0.54 :
w(k)
+ (1 ) cos(2k/N ))
ailleurs
(2)
Fentre de Hamming
1.2
1
0.8
0.6
0.4
0.2
0
0.2
10
12
14
16
18
20
Temps
40
20
0
20
40
60
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
Frquences
La fen
etre de Hanning est obtenue pour = 1/2 dans l
equation 2.
&
Traitement du signal
%
39
IUP Avignon
J.-P. Costa
'
Fen
etre de Kaiser
Une autre famille de fonctions fen
etre a
et
e propos
ee par Kaiser. Elle permet selon
la valeur dun param`
etre , de sp
ecifier dans le domaine des fr
equences le compromis
entre la largeur de lobe principal et et lamplitude des lobes secondaires. Une
caract
eristique importante ce cette famille de raffin
ee de fen
etres est quil est
possible de dobtenir de fortes att
enuations des lobes secondaires tout en conservant
une largeur minimale pour la pic central. La forme g
en
erale de cette fonction est la
suivante :
w(k)
=
=
I0
N 2 4k2
I0 (N )
(3)
ailleurs
o`
u I0 est la fonction de Bessel de premi`
ere esp`
ece dordre z
eros et o`
u caract
erise
l
echange d
energie entre le pic central et les lobes secondaires. La largeur du pic
central augmente avec .
&
Traitement du signal
%
40
IUP Avignon
J.-P. Costa
'
Fentre de Kaiser
1.1
Fentre de Kaiser
0.9
0.8
0.8
0.6
0.7
0.4
0.6
10
12
14
16
18
20
0.2
Temps
10
12
14
16
18
20
Temps
40
40
20
20
0
0
20
20
40
40
60
0.5
0.4
0.3
0.2
0.1
0.1
Frquences
0.2
0.3
0.4
0.5
60
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
Frquences
= 0.8
&
Traitement du signal
=2
%
41
IUP Avignon
'
J.-P. Costa
Exemple
&
Traitement du signal
%
42
IUP Avignon
J.-P. Costa
'
Fentre hamming
1.5
x=2*cos(2*pi*200*t)+3*cos(2*pi*400*t)
5
0.5
100
200
300
400
500
600
700
800
900
1000
700
800
900
1000
Frquences
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
Temps
Fentre rectangulaire
1.5
Fentre kaiser
1.5
0.5
0.5
100
200
300
400
500
600
700
800
900
1000
Frquences
0
100
200
300
400
500
600
Frquences
&
Traitement du signal
%
43
IUP Avignon
J.-P. Costa
'
Jusqu`
a pr
esent, nous avons parl
e des signaux d
eterministes dans l
etude des
syst`
emes lin
eaires invariant dans le temps, sans mentionner le r
ole important que
jouent les ph
enom`
enes al
eatoires en traitement du signal et plus particuli`
erement en
t
el
ecommunications.
Une variable al
eatoire X est une fonction qui associe un nombre r
eel, appel
e valeur x
de X.
Si X ne peut prendre quun ensemble d
enombrable de valeurs distinctes, on dit que
X est une variable al
eatoire discr`
ete. Si X peut prendre une valeur quelconque sur
un ou plusieurs intervalles de la droite r
eelle, alors X est une variable al
eatoire
continue.
Le nombre dappels t
el
ephoniques arrivant `
a un bureau est une variable al
eatoire
discr`
ete, alors que la date exacte de larriv
ee dun de ces appels est une variable
al
eatoire continue.
&
Traitement du signal
%
44
IUP Avignon
J.-P. Costa
'
Histogramme
Pour caract
eriser la variable, on commence par d
ecouper lintervalle des r
eels en
segments [xk , xk+1 ]. Puis, on effectue N mesures et on construit un histogramme.
Pour cela on compte le nombre de fois nk o`
u le r
esultat de la mesure x appartient `
a
chacun de ces segments. On tient compte du fait que les segments couvrent laxe des
r
eels et sont disjoints et on d
efinit la probabilit
e
nk
(4)
proba(x [xk , xk+1 [) = lim
N N
Nb doccurences de x
0.07
0.06
0.05
0.04
0.03
0.02
0.01
0
1.5
0.5
0.5
1.5
Valeurs de x
&
Traitement du signal
%
45
IUP Avignon
J.-P. Costa
'
Fonction de r
epartition
On d
efinit la fonction de r
epartition de la variable al
eatoire X comme
etant la
probabilit
e que X soit strictement inf
erieure `
ax:
FX (x) = P (X < x) pour tout x variant de `
a +
(5)
&
Traitement du signal
%
46
IUP Avignon
J.-P. Costa
'
Exemples
Le premier exemple correspond `
a la fonction de r
epartition dun signal de type
gaussien. Le second exemple consiste a
etudier le lancer de d
e (6 faces). La variable
al
eatoire est une variable al
eatoire discr`
ete et si le d
e nest pas truqu
e on a
P6
FX (x) = i=1 P (xi )u(x xi ).
0.14
0.12
0.1
0.08
0.9
0.06
0.04
0.8
0.02
0.7
0
1.5
0.5
0.5
1.5
0.6
Fonction de rpartition
1
0.5
0.8
0.4
0.6
0.3
0.4
0.2
0.2
0
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
0.1
valeur de x
0
2
&
Traitement du signal
%
47
IUP Avignon
J.-P. Costa
'
Densit
e de probabilit
e
La densit
e de probabilit
e (ddp) pX (x) de la variable al
eatoire X et a donc pour
d
efinition :
pX (x) =
dFX (x)
dx
(6)
&
Traitement du signal
%
48
IUP Avignon
J.-P. Costa
'
P (xi )(x xi )
(7)
0.06
0.06
0.05
0.05
0.04
0.04
0.03
0.03
0.02
0.02
0.01
0.01
0.06
0.05
0.04
0.03
0.02
0.01
0
1.5
0.5
0.5
1.5
0
1.5
N=1000
&
Traitement du signal
0.5
0.5
N=10000
1.5
0
1.5
0.5
0.5
1.5
N=100000
%
49
IUP Avignon
J.-P. Costa
'
Lois de r
epartition particuli`
eres
Loi de Bernouilli x
La loi de Bernouilli x prend la valeur 0 avec la probabilit
e r et la valeur 1 avec la
probabilit
e (1-r). Sa densit
e de probabilit
e s
ecrit :
pX (x) =
Loi de poisson
Cette loi correspond `
a la loi que lon obtient en comptant des
ev
enements al
eatoires
ind
ependants : arriv
ee dune particule sur un capteur, d
ecompte des appels sur un
central t
el
ephonique, comptage de voitures sur une route, etc. Cest la loi centrale
des
etudes sur les files dattente dans les r
eseaux de communication. Elle d
epend
dun param`
etre qui caract
erise le d
ebit moyen du flux. La probabilit
e dobserver k
ev
enements pendant une dur
ee t est donn
e par
(tk ) t
pX (x, t) =
e
pour k 0 et t 0 et o`
u 0! = 1.
k!
(8)
Loi uniforme
&
Traitement du signal
%
50
IUP Avignon
J.-P. Costa
'
1
ba
(9)
Sa fonction de r
epartition est compos
ee de 3 segments de droites.
Pour x < a, pX (x) = 0 donc FX (x) = 0,
pour [a, b[,
Z
FX (x)
FX (x)
FX (x)
Z x
pX (u)du
1
du
a ba
xa
ba
pour x b, FX (x) = 1
&
Traitement du signal
%
51
IUP Avignon
J.-P. Costa
'
Densit de probabilit
0.6
0.4
0.2
x
0
b=1.5
a=0.5
0.2
3
Fonction de rpartition
1.2
1
0.8
0.6
0.4
0.2
b=1.5
a=0.5
0.2
3
Loi uniforme
&
Traitement du signal
%
52
IUP Avignon
J.-P. Costa
'
pX (x) =
(xmx )2
2
2x
(10)
La densit
e de probabilit
e passe par son maximum pour x = mx . Cette loi pr
esente
plusieurs caract
eristiques importantes :
Cette loi joue un r
ole fondamental dans l
etude des ph
enom`
enes al
eatoires que
lon rencontre dans les syst`
emes physiques. La plupart des processus al
eatoires
naturels sont pratiquement gaussiens. De plus, dapr`
es le th
eor`
eme central
limite (cf paragraphe ??), la somme dun grand nombre de variables al
eatoires,
sous certaines conditions suit une loi normale.
Tout linformation est donn
ee directement par la moyenne mx et la variance x
de la variable al
eatoire X. 95 % des valeurs de x sont contenues dans
lintervalle [x 2, x + 2].
Elle permet des d
eveloppements math
ematiques efficaces.
&
Traitement du signal
%
53
IUP Avignon
J.-P. Costa
'
0.5
1/(2)
4 = 95%
mx
&
Traitement du signal
%
54
IUP Avignon
J.-P. Costa
'
Moyennes statistiques
Esp
erance math
ematique moment dordre 1
On appelle moyenne statistique, la quantit
e E:
Z +
x pX (x) dx
E[X] = mx =
(11)
"
E[X] = mx =
#
P (xi )(x xi ) dx =
si les probabilit
es sont uniform
ement r
eparties, P (xi ) =
N
1 X
E[X] = mx =
xi
N i=1
xi P (xi )
(12)
i
1
N
, on a :
(13)
&
Traitement du signal
%
55
IUP Avignon
J.-P. Costa
'
Remarques
On notera que lesp
erance math
ematique est un op
erateur lin
eaire :
E[X + Y ]
E[cX]
E[X] + E[Y ]
c E[X]
o`
u c = constante.
(14)
(15)
Moments et variance
Le moments dordre n de la variable al
eatoire X a pour expression :
Z
n
Mn = E[X ] =
xn p(x)dx
(16)
E[(X mx ) ] =
(x mx )n pX (x) dx
(17)
avec mx = E[X].
&
Traitement du signal
%
56
IUP Avignon
J.-P. Costa
'
Variance
Le moment centr
e dordre 2 est appel
e variance de X, soit :
var[X] = x2 = E[(X mx )2 ]
(18)
La racine carr
e de la variance, not
ee x , est appel
ee ecart type de X. La variance
est une mesure de la dispersion des valeurs de X autour de sa valeur
moyenne mx .
x2
E[X 2 2mx X + m2x ] = E[X 2 ] 2mx E[X] + m2x = E[X 2 ] m2x (19)
x2
E[X 2 ] E[X]2
&
Traitement du signal
(20)
%
57
IUP Avignon
J.-P. Costa
'
10
10
50
100
150
200
250
300
350
400
450
500
4
3
50
100
150
200
250
300
350
400
450
500
Densit de probabilit
0.14
Densit de probabilit
0.12
0.12
0.1
0.1
0.08
0.08
0.06
0.06
0.04
0.04
0.02
0
4
0.02
2
10
12
0
x2 = 4, mx = 4
&
Traitement du signal
10
x2 = 1, mx = 6
%
58
IUP Avignon
J.-P. Costa
'
(21)
La densit
e de probabilit
e conjointe de X et Y a pour expression :
2
pXY (x, y) =
FXY (x, y)
xy
(22)
pXY (x,y) 0
&
Traitement du signal
%
59
IUP Avignon
J.-P. Costa
'
R
epartition marginale
FX (x)
FXY (x, )
(23)
FY (y)
FXY (, y)
(24)
Les densit
e de probabilit
e marginales pX (x) et pY (y) ont pour expression :
Z
&
Traitement du signal
pX (x)
0 (x)
FX
pY (y)
= FY0 (y)
Z +
(25)
(26)
%
60
IUP Avignon
J.-P. Costa
'
Variables al
eatoires ind
ependantes
Deux variables al
eatoires X et Y sont ind
ependantes si :
FXY (x, y)
FX (x) FY (y) et
pXY (x, y)
pX (x) pY (y)
Corr
elation
La corr
elation de X et de Y , que lon note RXY , a pour expression :
Z
RXY = E[XY ] =
(27)
Covariance
La covariance de X et de Y , not
ee CXY , se d
efinit comme suit :
CXY = E[(X mx )(Y my )]
(28)
En d
eveloppant la relation, on obtient :
CXY = E[XY ] E[X] E[Y ] = RXY mx my
&
Traitement du signal
(29)
%
61
IUP Avignon
J.-P. Costa
'
Coefficient de corr
elation
Le coefficient de corr
elation de X et Y a pour d
efinition :
CXY
x y
(30)
o`
u x , y sont respectivement les
ecarts types de X et Y . On peut montrer que
|| 1, il sen suit que |CXY | x y .
Si deux variables al
eatoires X et Y sont non corr
el
ees si et seulement si CXY = 0.
Dans ce cas
E[XY ] = E[X] E[Y ]
&
Traitement du signal
(31)
%
62
IUP Avignon
J.-P. Costa
'
pXY (x, y) =
2x y
1
p
xmx
x
ym ym 2
xmx
y
y
2
+
(32)
Cette formule fait apparatre les variances de chacune des deux variables, leur
moyenne, ainsi que leur coefficient de corr
elation. Si le coefficient de corr
elation est
nul ( = 0), pXY (x, y) s
ecrit comme le produit
pXY (x, y) =
(xmx )2
2
2x
e
y 2
(ymy )2
2
2y
(33)
&
Traitement du signal
%
63
IUP Avignon
J.-P. Costa
'
0.06
0.04
0.02
0
5
0
5
y
5
&
Traitement du signal
%
64
IUP Avignon
J.-P. Costa
'
Changement de variables
Fonction de variables al
eatoires
Etant donn
e une variable al
eatoire X et une fonction g(x), lexpression
Y = g(X)
constitue une autre variable al
eatoire dont la fonction de r
epartition est :
FY (y) = P (Y y) = P (g(X) y)
(34)
D
etermination de la densit
e de probabilit
e
Pour trouver la densit
e de probabilit
e pY (y), on r
esout l
equation y = g(x). En
d
esignant par xk les racines r
eelles de l
equation y g(x) = 0, on a :
X pX (x)
pY (y) =
|g 0 (xk )|
k
(35)
o`
u g 0 (x) est la d
eriv
ee de g(x).
&
Traitement du signal
%
65
IUP Avignon
J.-P. Costa
'
Exercices
Variables al
eatoires, fonctions de r
epartition et densit
es
e de probabilit
e dune variable al
eatoire X a pour expression :
I. La densit
k
pour x [a1 , a2 [
pX (x) =
0
ailleurs
o`
u k est une constante.
D
eterminer la valeur de k.
Soit a1 = 1 et a2 = 2. Evaluer la proba(|X| 1/2).
II. La densit
e de probabilit
e de X a pour expression :
pX (x) = k eax u(x)
o`
u a est une constante positive. D
eterminer la valeur de la constante k et
dessiner pX (x).
III. La probabilit
e conjointe de X et Y a pour expression :
pXY (x, y) = k e(ax+by) u(x)u(y)
&
Traitement du signal
%
66
IUP Avignon
J.-P. Costa
'
o`
u a et b sont des constantes positives. D
eterminer la valeur de k.
IV. La probabilit
e conjointe de X et Y a pour expression :
2
+y 2 )/2
u(x)u(y)
&
Traitement du signal
%
67
IUP Avignon
J.-P. Costa
'
Signaux al
eatoire
&
Traitement du signal
%
68
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
T /2
x(t) dt
T /2
Autocorr
elation temporelle
On appelle autocorr
elation temporelle, la quantit
e:
Z T /2
1
xx ( ) = lim
x(t) x(t + ) = R
x(t)x(t + ) d
T T T /2
&
Traitement du signal
%
69
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Caract
eristiques statistiques dun processus al
eatoire
Moyenne statistique
On appelle moyenne statistique, la quantit
e:
Z
E[X(t)] = mx (t) =
x p(x, t) dx
o`
u p(x, t) correspond `
a la densit
e de probabilit
e de la variable al
eatoire X(t).
Autocorr
elation statistique
On appelle autocorr
elation statistique, la quantit
e:
Z + Z +
Rxx (t1 , t2 ) = E[X(t1 ) X (t2 )] =
x1 x2 p(x1 , x2 ; t1 , t2 ) dx1 dx2
&
Traitement du signal
%
70
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Caract
eristiques statistiques dun processus al
eatoire
Fonction dautocovariance statistique (Cxx ) et variance (Var)
Cxx (t1 , t2 )
Var[X(t)]
E[(X(t) mx (t))2 ] = x2
Processus al
eatoire stationnaire
Pour un processus al
eatoire stationnaire au second ordre :
1. La moyenne mx (t) doit
etre ind
ependante du temps :
mx (t) = mx = cste .
elation ne d
epend que de = t2 t1 :
2. La fonction dautocorr
Cxx ( ) = Rxx ( ) m2x et dans le cas ou X(t) est centr
e mx = 0 et Rxx ( ) = Cxx ( )
&
Traitement du signal
%
71
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Caract
eristiques statistiques dun processus al
eatoire
Processus ergodique
Si les r
esultats obtenus `
a partir des moyennes statistiques sont
equivalents `
a ceux
obtenus `
a partir des moyennes temporelles, alors le processus est ergodique.
Un processus al
eatoire est ergodique `
a lordre n si les moyennes temporelles jusqua
lordre n sont ind
ependantes du choix de la r
ealisation.
xx ( )
Un processus stationnaire du second ordre est ergodique si Rxx ( ) = R
&
Traitement du signal
%
72
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
sume
En Re
atoire X(t) stationnaire du 2nd ordre et ergodique :
pour un processus ale
2. la fonction dautocorr
elation ne d
epend pas de lorigine des temps et peut
etre
obtenue `
a partir dune trajectoire quelconque par :
Z T /2
1
&
Traitement du signal
%
73
IUP Avignon
J.-P. Costa
'
Corr
elation
Autocorr
elation statistique
Lautocorr
elation de X(t) a pour valeur,
Rxx ( ) = E[X(t)X(t + )]
(36)
Propri
et
es
fonction paire, Rxx ( ) = Rxx ( ),
maximum en 0, |Rxx ( )| Rxx (0) = E[X 2 (t)],
Intercorr
elation statistique
La fonction dintercorr
elation de 2 processus al
eatoires stationnaires vaut :
Rxy ( ) = E[X(t) Y (t + )]
( ).
avec Rxy ( ) = Rxy
Dans le cas o`
u les processus sont ergodiques, on d
efinit
Z T /2
1
Rxy ( ) = Rxy ( ) = lim
x(t) y(t + ) dt
T T T /2
&
Traitement du signal
%
74
IUP Avignon
J.-P. Costa
'
Autocovariance
Dans ce cas la fonction dautocovariance est donn
ee par
Cxx ( )
Cxx ( )
(37)
(38)
Intercovariance
Lintercovariance de X(t) et Y (t) a pour expression :
Cxy ( )
Cxy ( )
(39)
(40)
Les deux processus stochastiques X(t) et Y (t) sont dit mutuellement orthogonaux si
Rxy( ) = 0.
Les deux processus stochastiques X(t) et Y (t) sont dit non corr
el
es
lorsque Cxy ( ) = 0.
&
Traitement du signal
%
75
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Processus al
eatoires : th
eor`
eme de WienerKhintchine
La densit
e spectrale de puissance dun processus al
eatoire stationnaire est la
transform
ee de Fourier de sa fonction dautocorr
elation statistique :
Rxx ( )
TF
xx (f ) =
Rxx ( ) ej2f d
D
efinition du bruit blanc b(t)
Un bruit blanc b(t) de variance b2 est un signal al
eatoire stationnaire centr
e
(mb = 0) dont la fonction dautocorr
elation statistique
Rxx ( ) = E[b(t) b(t + )] = 2 ( )
&
Traitement du signal
%
76
IUP Avignon
J.-P. Costa
'
do`
u
Rxx ( )
TF
(f ) = b2
donc
Z
(f ) df =
E=
Bruit color
e
Dans de nombreuses applications, les syst`
emes rencontr
es ont une largeur de bande
limit
ee (B/2, B/2). On mod
elise souvent le bruit par un processus r
eel, dans la
densit
e spectrale de puissance est
egale `
a b2 dans cette bande et nulle partout
ailleurs. Sa puissance est alors Bb2 . On parle dans ce cas de bruit color
e.
&
Traitement du signal
%
77
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
En pratique :
1. On
echantillonne les variables x(k), Rxx (k),
x(t) x(k) = x(kT e) : on na pas de perte dinformation si x(t) a une
fr
equence max f2e (sinon on utilise un filtre antirepliement).
ere un intervalle fini dobservation.
2. On consid`
xx (k) de Rxx (k) et donc (f ) sera entach
On a seulement des estim
es R
e
xx (k). Pour toute ses
derreur. De plus, on a un nombre fini de valeur de R
raisons on ne parle plus danalyse spectrale mais destimation spectrale.
&
Traitement du signal
%
78
IUP Avignon
J.-P. Costa
'
Processus al
eatoires particuliers
S
equences ind
ependantes et identiquement distribu
ees (i.i.d.)
Le mod`
ele le plus simple de suite al
eatoire est celui o`
u toutes les variables de la suite
ont la m
eme loi et sont ind
ependantes.
Consid
erons un processus al
eatoire X(t) et d
efinissons n variables al
eatoires
X(t1 ), X(t2 ), . . . , X(tn ) correspondant `
a n instants de mesure t1 , t2 , . . . , tn . On
forme un vecteur al
eatoire X (n 1), qui a pour d
efinition :
h
X=
X(t1 )
X(t2 )
...
X(tn )
it
(41)
La loi de probabilit
e dune variable al
eatoire de X, prise `
a un instant n quelconque,
est ind
ependant de n : on dit alors que X est identiquement distribu
ee.
Quel que soit le nombre dinstants et quelle que soit la suite des instants les
variables al
eatoires X(t1 ), X(t2 ), . . . , X(tn ) sont mutuellement ind
ependantes.
Une telle s
equence est d
esign
ee par s
equence al
eatoire i.i.d. (Ind
ependantes et
Identiquement Distribu
ees).
Le bruit blanc est un exemple de s
equence i.i.d. centr
ee.
&
Traitement du signal
%
79
IUP Avignon
J.-P. Costa
'
Processus al
eatoires particuliers
Processus al
eatoire gaussien
Soit le vecteur al
eatoire d
efinit par l
equation 41 au paragraphe pr
ec
edent. Soit x un
vecteur (n 1) ayant pour d
efinition :
x1
x
2
x=
...
xn
(42)
1
1
t 1
p(x) =
exp
(x-m)
C (x-m)
2
(2)n/2 | det C|1/2
(43)
o`
u m est le vecteur moyenne, C est la matrice de covariance, dexpression :
&
Traitement du signal
%
80
IUP Avignon
J.-P. Costa
'
m1
E[X(t1 )]
m E[X(t )]
2
2
m = E[X] =
=
...
...
mn
E[X(tn )]
C11
C=
...
Cn1
...
...
...
C1n
(44)
...
Cnn
(45)
o`
u Cij = CXX (ti , tj ) = RXX (ti , tj ) mi mj expression qui repr
esente la covariance
de X(ti ) et X(tj ), tandis que det C est le d
eterminant de la matrice C.
&
Traitement du signal
%
81
IUP Avignon
'
J.-P. Costa
Les propri
et
es les plus importantes dun processus gaussien sont
enum
er
ees ci-apr`
es :
erement d
efini par lensemble de ses moyennes mi
1. un processus gaussien est enti`
ainsi que par ses fonctions dautocorr
elation RXX (ti , tj ) avec i, j = 1, . . . , n.
2. Si lensemble des variables al
eatoires X(ti ), ne pr
esentent aucune corr
elation ,
cest `
a dire si Cij = 0 i 6= j, alors les X(ti ) sont ind
ependants.
3. Si un processus gaussien X(t) est stationnaire au sens large, alors il lest au sens
strict.
a lentr
ee dun syst`
eme lin
eaire, le
4. Si lon applique un processus gaussien `
processus al
eatoire en sortie est lui aussi gaussien.
&
Traitement du signal
%
82
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Les relations en discret
Autocorr
elation discr`
ete du processus X(n) al
eatoire stationnaire discret :
Rxx (k) = E[X(n) X (n + k)] avec k ] , +[
Intercorr
elation entre deux processus X(n) et Y (n) al
eatoires stationnaires :
Rxy (k) = E[X(n) Y (n + k)]
La densit
e spectrale de puissance dun processus al
eatoire stationnaire
xx (f ) =
+
X
k=
&
Traitement du signal
%
83
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Filtre lin
eaire invariant dans le temps
Soit le signal de sortie y(n) issue dun syst`
eme lin
eaire de r
eponse impulsionnelle
h(n) excit
e par un signal dentr
ee al
eatoire x(n). La convolution lin
eaire s
ecrit alors,
y(n) =
+
X
l=
Lautocorr
elation du signal de sortie s
ecrit
Ryy (k) = Rhh (k) Rxx (k)
Par transform
ee de Fourier, on obtient
yy (f ) = |H(f )|2 xx (f )
Dans le cas ou x(n) est un bruit blanc, Rxx (n) = b2 (n) alors, yy (f ) = b2 |H(f )|2 .
&
Traitement du signal
%
84
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Notion destimation
&
Traitement du signal
%
85
IUP Avignon
J.-P. Costa
'
&
Traitement du signal
%
86
IUP Avignon
J.-P. Costa
'
Identification param
etrique
La transform
ee en z bilat
erale
La transform
ee en z, X(Z), de x(n) est d
efinie par : X(Z) =
P+
n=
x(n) Z n
+
X
x(n) ej2f nT
n=
&
Traitement du signal
%
87
IUP Avignon
J.-P. Costa
'
Identification param
etrique
Transform
ee en z unilat
erale
Dans le cas des signaux et syst`
emes causaux, on utilise la transform
ee en z
unilat
erale d
efinie pour n 0 :
X(z) =
+
X
x(n) Z n
(46)
n=0
Fonction de transfert
Dans le cas dun filtre lin
eaire, la relation dentr
ee / sortie est donn
ee par le produit
P+
de convolution suivant : y(n) = h(n) x(n) = i= h(i) x(n i) En prenant
respectivement la transform
ee de Fourier et en z on obtient :
Y (f ) = H(f )X(f ), Y (Z) = H(Z)X(Z)
H(Z) est appel
ee fonction de transfert du filtre et H(f ) =
est appel
e la r
eponse en fr
equence.
&
Traitement du signal
P+
n=
h(n) ej2f n
%
88
IUP Avignon
J.-P. Costa
'
|h(n)| <
n=
&
Traitement du signal
%
89
IUP Avignon
J.-P. Costa
'
Syst`
emes d
efinis par une
equation aux diff
erences
Un syst`
eme de ce type est d
efini par la relation suivante :
y(n) =
N
X
i=0
ai x(n i)
M
X
bj y(n j)
(47)
j=1
Y (Z) =
N
X
i=0
ai Z i X(Z)
M
X
bj Z j Y (Z)
(48)
j=1
soit
Y (Z) = H(Z)X(Z)
avec
a0 + a1 Z 1 + . . . + aN Z N
H(Z) =
1 + b1 Z 1 + . . . + bM Z M
(49)
&
Traitement du signal
%
90
IUP Avignon
J.-P. Costa
'
(50)
&
Traitement du signal
%
91
IUP Avignon
J.-P. Costa
'
Filtres a r
eponse impulsionnelle finie
Les filtres num
eriques `
a r
eponse impulsionnelle finie (RIF) sont d
efinis par une
N
X
ai x(n i)
(51)
i=0
Le filtre ainsi d
efini comporte un nombre N fini de coefficients ai .
&
Traitement du signal
%
92
IUP Avignon
J.-P. Costa
'
Le filtre a pour r
eponse `
a la suite unitaire la suite h(i) telle que
h(i) = a
i
h(i) = 0
si 0 i N 1
ailleurs
Cest `
a dire que la r
eponse impulsionnelle est simplement la suite des coefficients.
La fonction de transfert du filtre s
ecrit :
H(f )
N
1
X
ai e2if T
(TF)
(52)
i=0
H(Z)
N
1
X
ai Z i
(TZ)
(53)
i=0
&
Traitement du signal
%
93
IUP Avignon
J.-P. Costa
'
Exemples
Filtre en cosinusode
Soit x(t) repr
esent
e par ses echantillons x(nT ), pr
elev
es `
a la fr
equence f e = 1/T .
Soit la relation dentr
ee sortie suivante :
y(nT ) = 1/2 [x(nT ) + x((n 1)T )]
Si Y (f ) et X(f ) d
esignent les transform
ees de Fourier des signaux y(t) et x(t), il
vient
Y (f ) = 1/2X(f )(1 + e2if T )
La fonction de transfert s
ecrit donc : H(f ) = eif T cos(f T )
Cest une op
eration de filtrage, qui conserve la composante continue et
elimine la
composante `
a la fr
equence f e/2. Dans lexpression de H(f ), le terme complexe
e2if T /2 caract
erise un retard = T /2 qui est le temps de propagation du signal
`
a travers le filtre.
La r
eponse impulsionnelle h(t) qui correspond au filtre de fonction de transfert
|H(f )| s
ecrit :
h(t) = 1/2 [(t + T /2) + (t T /2)]
&
Traitement du signal
%
94
IUP Avignon
J.-P. Costa
'
1.2
|H(f)|
1.2
|H(f)|
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
fe/2
fe/2
fe
fe/2
Filtre en cosinusode
&
Traitement du signal
fe/2
fe
%
95
IUP Avignon
J.-P. Costa
'
H(f ) = 1/4(1 + 2 e
2if 2T
+ e
e2if T
)=
(1 + cos(2f T ))
2
&
Traitement du signal
%
96
IUP Avignon
J.-P. Costa
'
1.2
|H(f)|
cos surlev
cos
0.8
0.6
0.4
0.2
f
0
fe/2
&
Traitement du signal
fe/2
fe
%
97
IUP Avignon
J.-P. Costa
'
Filtres a r
eponse impulsionnelle infinie
Les filtres a r
eponse impulsionnelle infinie, en principe, conservent une trace des
signaux qui leur ont
et
e appliqu
es pendant une dur
ee infinie, ils sont `
a m
emoire
infinie. Une telle m
emoire est r
ealis
ee par une boucle de r
eaction de la sortie sur
lentr
ee.
Expression g
en
erale
Le filtre RII g
en
eral a pour expression :
y(n) =
N
X
i=0
ai x(n i)
M
X
bj y(n j)
(54)
j=1
(55)
&
Traitement du signal
%
98
IUP Avignon
'
J.-P. Costa
&
Traitement du signal
%
99
IUP Avignon
J.-P. Costa
'
Processus al
eatoire
Lid
ee consiste `
a utiliser les mod`
eles de filtres pour repr
esenter des processus
al
eatoires; la suite al
eatoire (suppos
ee centr
ee), est consid
er
ee comme
etant la sortie
dun filtre lin
eaire excit
e par un bruit blanc.
Processus MA
On consid`
ere le processus al
eatoire (i.i.d.) x(n) comme
etant la combinaison lin
eaire
suivante :
x(n) = b0 w(n) + b1 w(n 1) + . . . + bM w(n M )
(56)
o`
u w(n) d
esigne un processus al
eatoire r
eel, centr
e, stationnaire, blanc de variance
2 non corr
w
el
e avec x(n) et {bi } une suite de coefficients r
eels. Le processus ainsi
construit apparat comme la moyenne pond
er
e des M + 1 derni`
eres valeurs des
entr
ees par la suite {bi }. Pour cette raison, on parle de moyenne mobile, qui se dit
en anglais Moving Average (MA). Par construction, x(n) est la sortie dun filtre
lin
eaire dont la r
eponse impulsionnelle est la suite {bi }. Ce filtre a donc pour
fonction de transfert :
&
Traitement du signal
%
100
IUP Avignon
J.-P. Costa
'
H(z) = b0 + b1 z 1 + b2 z 2 + . . . + +bM z M
(57)
(58)
(59)
o`
u tous les ai r
eels. La fonction de transfert du filtre ayant pour sortie la suite x(n)
et pour entr
ee la suite w(n) est donn
ee par :
H(z) =
1
1 + a1 z 1 + . . . + aN z N
(60)
Ce mod`
ele est tout p
ole, il correspond a un filtre a r
eponse impulsionnelle infinie, il
&
Traitement du signal
%
101
IUP Avignon
J.-P. Costa
'
pourra repr
esenter des processus ayant des pics dans la densit
e spectrale. On
rappelle quun filtre est stable si et seulement si tous les p
oles de sa fonction de
transfert sont `
a lint
erieur du cercle unit
e; l
equation 59 admet alors une solution
stationnaire unique x(n) qui sexprime `
a partir de w(n) de la mani`
ere suivante :
x(n) =
n
X
h(n k)w(k)
(61)
k=
o`
u la suite h0 , h1 , . . . , hp , . . . est la suite des coefficients du d
eveloppement en s
erie
enti`
ere de H(z).
0.0.1
Exemple
&
Traitement du signal
%
102
IUP Avignon
J.-P. Costa
'
0.0.2
Equation de YuleWalker
L
equation de YuleWalker exprime une relation entre les coefficients de l
equation
59 et les covariances du processus x(n).
Consid
erons le processus AR r
eel dordre 1
x(n) = a1 x(n 1) + w(n)
En prenant lesp
erance math
ematique de cette derni`
ere
equation, on trouve que le
processus x(n) est centr
e. En effet,
E[x(n)] + a1 E[x(n 1)] = E[w(n)]
(62)
&
Traitement du signal
%
103
IUP Avignon
J.-P. Costa
'
R(0) + a R(1)
1
R(1) + a1 R(0)
2
w
(63)
R(0)
R(1)
R(1)
R(0)
2 par :
Partant de syst`
eme d
equations, on peut en d
eduire a1 et w
R(1)
a=
R(0)
&
Traitement du signal
et
2
w
R2 (1)
= R(0)
R(0)
(64)
%
104
IUP Avignon
J.-P. Costa
'
0.0.3
G
en
eralisation
Ces
equation se g
en
eralisent au cas dun mod`
ele AR dordre N dont la fonction
dautocovariance v
erifie le syst`
eme matriciel :
R(0)
R(1)
..
R(N )
R(1)
R(0)
..
.
...
..
.
..
R(1)
R(N )
..
.
a1
.
.
.
R(1)
aN
R(0)
2
w
0
..
.
(65)
&
Traitement du signal
%
105
IUP Avignon
J.-P. Costa
'
0.1
Processus ARMA
&
Traitement du signal
%
106
IUP Avignon
J.-P. Costa
'
Application `
a la pr
ediction lin
eaire
1.1
1.1.1
D
efinitions
Pr
edicteur `
a un pas dordre p
Par d
efinition le pr
edicteur `
a un pas, dordre p cherche `
a pr
edire le signal `
a linstant
n, connaissant le signal aux instants n 1, n 2, . . ., x(n p).
x
(n|n 1) =
p
X
ak x(n k)
(67)
k=1
1.1.2
Pr
edicteur `
a deux pas dordre p
Un pr
edicteur `
a deux pas dordre p serait la valeur pr
edite `
a linstant n `
a partir des
valeurs aux instants n 2, . . ., x(n p).
&
Traitement du signal
%
107
IUP Avignon
J.-P. Costa
'
1.1.3
Pr
edicteur `
a pas dordre p
x
(n|n ) =
p
X
ak x(n + 1 k)
k=1
1.1.4
Erreur de pr
ediction
On d
efinit lerreur de pr
ediction par :
e(n) = x(n) x
(n|n 1)
(68)
Dans le cas o`
u e(n) est un bruit blanc alors
x(n) =
p
X
ak x(n k) + e(n)
k=1
&
Traitement du signal
%
108
IUP Avignon
J.-P. Costa
'
Pour d
eterminer les param`
etres, il faudrait inverser la matrice dautocovariance (eq.
65) qui est sym
etrique. Il existe dans la litt
erature des algorithmes permettant de
saffranchir de cette inversion. Lalgorithme de Levinson en est un exemple.
1.1.5
Algorithme de Levinson
Il consiste `
a calculer de mani`
ere r
ecursive des pr
edicteurs `
a un pas dordre croissant.
En consid
erant tout dabord une matrice 2 2 :
Rxx (0)
Rxx (1)
Rxx (1)
Rxx (0)
On obtient facilement :
a11 =
1
a11
P1
Rxx (1)
Rxx (0)
P1 = (1 a11 (a11 ) )
o`
u P (0) = Rxx (0) et P1 est la puissance (ou variance) de lerreur de pr
ediction et a11
&
Traitement du signal
%
109
IUP Avignon
J.-P. Costa
'
est le coefficient de r
eflexion. Il pour caract
eristique davoir un module inf
erieur `
a
lunit
e.
Lalgorithme de Levinson s
ecrit alors sous la forme g
en
erale :
P0
ki
aii
P
i
Rxx (0)
ki
ai1
j
i
Pi1 i1
Rxx (ij)
Rxx (i)+ j=1 aj
Pi1
i1
+ ki aij , 1 j i 1
1 |ki |2 Pi1
(69)
o`
u i et j correspondent respectivement `
a lordre et au pas.
1.2
Exemple
On cherche `
a d
eterminer un pr
edicteur `
a 1 pas.
x(n) = A cos(n0 T + )
&
Traitement du signal
%
110
IUP Avignon
J.-P. Costa
'
1.2.1
M
ethode directe
1.2.2
Pr
edicteur `
a 1 pas dordre 1
Le pr
edicteur `
a 1 pas s
ecrit x
(n|(n 1)) = a11 x(n 1).
Lerreur de pr
ediction est
egale `
a e = x(n) (x)(n|(n 1)) = x(n) a11 x(n 1)
h
2 i
1
La variance de lerreur de pr
ediction est donn
ee par V = E x(n) a1 x(n 1)
La meilleure valeur du coefficient a11 est celle qui rend V minimale.
&
Traitement du signal
1)
%
111
IUP Avignon
J.-P. Costa
'
On cherche
V
a1
1
=0:
1.2.3
A2
2
sin2 (0 T )
A2
2
Pr
edicteur `
a 1 pas dordre 2
Le pr
edicteur `
a 2 pas s
ecrit x
(n|(n 1)) = a21 x(n 1) + a22 x(n 2).
Lerreur de pr
ediction : (n) = x(n) x
(n|(n 1)) = x(n) a21 x(n 1) + a22 x(n 2)
La variance de lerreur de pr
ediction :
h
2 i
2
2
V = E x(n) a1 x(n 1) a2 x(n 2)
On d
etermine les coefficients a2i par la minimisation de variance pour chaque
coefficients.
&
Traitement du signal
%
112
IUP Avignon
J.-P. Costa
'
V
a21
V
a21
V
a22
V
a22
et
On obtient le syst`
eme suivant :
Rxx (0)
Rxx (1)
&
Traitement du signal
Rxx (1)
Rxx (0)
a21
a22
Rxx (1)
Rxx (2)
%
113
IUP Avignon
J.-P. Costa
'
Ce qui
equivaut a :
R a =r
Pour d
eterminer les coefficients a2i , il suffit dinverser la matrice R; on obtient alors :
a = R1 r
avec Rxx (0) =
A2
,
2
Rxx (1) =
A2
2
A2
2
cos(20 T ),
On trouve :
a21
a22
1
1
sin2 (o T )
cos(o T )
cos(o T )
1
1.2.4
Algorithme de Levinson
1.2.5
Pr
edicteur `
a 1 pas dordre 1
cos(o T )
cos(2o T )
2 cos(0 T )
i=1
&
Traitement du signal
%
114
IUP Avignon
J.-P. Costa
'
Rxx (1)
= cos(0 T )
Rxx (0)
k1
a1
k1 = cos(0 T )
A2
P0 = Rxx (0) =
2
A2
2
P1 = (1 (k1 ) )P0 = (1 cos(0 T ))
2
i=2
&
Traitement du signal
k2
P2
P1
(1 1)P1 = 0
a22
k2 = 1
a21
=1
%
115
IUP Avignon
J.-P. Costa
'
Introduction
Il existe de nombreuses m
ethodes permettant de faire de la reconnaissance de la
parole. Dans la plupart des cas, les syst`
emes de reconnaissance automatique de la
parole n
ecessite des param`
etres dentr
ee (ceptres,...), des donn
ees dapprentissages
permettant de r
egler les mod`
eles (fichiers audios,...) et des donn
ees de test
(fichiers audios,...). Les mod`
eles les plus utilis
es sont bas
es sur des mod`
eles
probabilistes (HMM,...) et n
ecessite une mise en oeuvre assez lourde. La DTW
(Dynamic Time Warping) permet de se familiariser avec ces techniques tout en
ayant une mise en oeuvre beaucoup plus simple.
&
Traitement du signal
%
116
IUP Avignon
J.-P. Costa
'
La DTW
Principe g
en
eral
Lid
ee directrice de la DTW consiste `
a mettre en correspondance la repr
esentation
dun mot r
ef
erence, issu de lapprentissage, avec la repr
esentation dun mot inconnu
afin d
evaluer l
ecart entre ces mots. Muni dune mesure de distance, il devient alors
possible de calculer un co
ut de d
eformation entre le mot inconnu et la r
ef
erence. Le
but est donc de r
ealiser un alignement temporel, le meilleur qui soit, entre une
r
ef
erence et un mot `
a tester.
Soient R la r
ef
erence dun mot du dictionnaire et T le mot `
a reconnatre de
longueurs respectives I et J. R est compos
e d
el
ements r(1), r(2), r(3), ..., r(I)
(respectivement pour T : t(1), t(2), t(3), ..., t(J)) qui repr
esentent les vecteurs
acoustiques du signal `
a un instant donn
e. On appelle d(ri , tj ) la distance entre les
vecteurs acoustiques r(i) et t(j). La figure 2 illustre ce principe.
&
Traitement du signal
%
117
IUP Avignon
J.-P. Costa
'
%
118
IUP Avignon
J.-P. Costa
'
ri Rb ri
dit (ri , tj ) = log
,
tj t Rb tj
avec Rb repr
esentant la matrice des coefficients dautocorr
elation
evalu
es sur le
segment tj .
&
Traitement du signal
%
119
IUP Avignon
J.-P. Costa
'
Contraintes locales
Afin de tenir compte des r
ealit
es physiques du m
ecanisme de production de la
parole, les d
eplacements entre les vecteurs de param`
etres sont limit
es (contraintes
locales). Les contraintes locales les plus courantes sont repr
esent
ees dans la figure 3.
Le principe est donc de trouver le chemin dalignement de co
ut minimum. La
distance cumul
ee g(i,j) est d
efinie (en fonction de la contrainte locale choisie - ici 3.a)
par :
g(i 1, j) + d(i, j)
g(i, j 1) + d(i, j)
En normalisant par les longueurs de R et T, on obtient donc :
D(R, T ) =
&
Traitement du signal
g(I, J)
I +J
%
120
IUP Avignon
J.-P. Costa
'
&
Traitement du signal
%
121