Transpa TS

IUP Avignon
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
S(f ) est aussi appel

e spectre complexe (ou tout simplement spectre) et correspond `
a
la repr
esentation fr
equentielle du signal s(t).
La formule dinversion est donn
ee par :
Z +
s(t) =
S(f ) ej2f t df
Une condition dexistence suffisante mais pas n

ecessaire est que s(t) soit une fonction
sommable, cest `
a dire
Z +
Z +
|s(t)| dt < alors |S(f )| <
|s(t)| dt <
&
Traitement du signal
%
1
IUP Avignon
J.-P. Costa
'
Transform
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 )
2. Translation en temps : s(t t0)
S2 (f ),
TF
3. Translation en fr
equence : S(f f0 ) =
1 , 2 C
ej2f t0 S(f )
TF
[s(t) ej2f0 t ], une translation en
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.
&
%
2
IUP Avignon
J.-P. Costa
'
Transform
energie finie
5. Inversion du temps : s(t)
TF
6. Conjugaison du signal : s (t)
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 ) imaginaire impaire
s(t) imaginaire paire
S(f ) imaginaire paire
s(t) imaginaire impaire
S(f ) r
eelle impaire
8. Convolution en temps : on appelle produit de convolution de 2 signaux
&
%
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 )
La TF transforme convolution en multiplication et multiplication en

convolution.
&
%
4
IUP Avignon
J.-P. Costa
'
Transform
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.
&
%
5
IUP Avignon
J.-P. Costa
'
Transform
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 )
pour |t| < T

pour |t| > T
/2 ej2f t dt
+/2
ej2f t dt
/2
&
(f )
(f )
sin(f )
sin(2f /2)
=
f
f
sinc(f )
%
6
IUP Avignon
J.-P. Costa
'
Transform
energie finie
Exemple
Signal porte /2(t), avec =10
1
0.8
0.6
0.4
0.2
0
15
10
10
15
Tranforme de Fourier (f), (f)=0 pour f=1/
10
5
0.5
0.4
0.3
0.2
0.1
0.1
0.2
0.3
0.4
0.5
Frquence
Fonction porte et sa transform

ee de Fourier
&
%
7
IUP Avignon
J.-P. Costa
'
Dirac et peigne de dirac
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
pour |t| < T

pour |t| > T
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 =
donc lim0 = . Le dirac a une energie infinie et nest pas p

eriodique, ce nest
pas un signal r
ealisable physiquement. On admettra que (t) est paire.
&
%
8
IUP Avignon
J.-P. Costa
'
Transform
energie infinie
Calcul de la TF La TF de s (t) est sinc(f ) par cons

equent
TF[(t)] = 1
On admet que les propri
et
es fondamentales de la TF entre la convolution et produit
de fonctions sappliquent aux distributions.
Quelques propri
et
es
&
v(t) (t)
v(0) (t)
v(t) (t t0 )
v(t0 ) (t t0 )
%
9
IUP Avignon
J.-P. Costa
'
Transform
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 )
&
%
10
IUP Avignon
J.-P. Costa
'
Transform
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 )
&
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
S(nf0 )(f nf0 )
n=
et les coefficients de Fourier sont donn

es par :
Z +T0 /2
1
S(nf0 ) = Sn =
s(t) ej2f0 t dt
T0 T0 /2
&
%
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)
etant la fonction de Heaviside.

x(t) = A sin(t), pour < t < +,
x(t) = A[u(t + ) u(t )], avec > 0,
x(t) = e|t| , avec > 0,
x(t) = u(t),
x(t) = t u(t).
&
%
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|
2. Evaluer les int

egrales suivantes :
R + 2
(t + cos(t))(t 1) dt,
R + t

e (2t 2) dt,
R + 2t 0

e
(t) dt.
&
%
14
IUP Avignon
J.-P. Costa
'
Filtrage des signaux `

a temps continu
Filtre lin
eaire continu et invariant dans le temps
Un syst`
eme est dit lin
eaire si pour les entr
ees x1 (t) et x2 (t) respectivement on
obtient les sorties y1 (t) et y2 (t) alors pour lentr
ee a1 x1 (t) + a2 x2 (t) on obtient
a1 y1 (t) + a2 y2 (t) avec a1 , a2 C.
Un syst`
eme est dit invariant dans le temps si son comportement se reproduit de
facon identique au cours du temps. Si pour une entr
ee x(t) on a une sortie y(t), alors
pour x(t ) on a y(t ).
Un syst`
eme est dit instantan
e ou sans m
emoire si la relation entr
eesortie est du
type y(t) = g[x(t)].
Un syst`
eme est dit stable si la r
eponse `
a toute entr
e born
ee est elle m
eme born
ee.
On appelle filtre un syst`
eme lin
eaire continu et invariant dans le temps.
&
%
15
IUP Avignon
J.-P. Costa
'

a temps continu
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)]
&
%
16
IUP Avignon
J.-P. Costa
'
on appelle h(t) = TF1 [H(f )] la r

eponse impulsionnelle du filtre.
En effet, par TF inverse
Z
y(t) = x(t) h(t) =
h(t0 ) x(t t0 ) dt0
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 < .
&
%
17
IUP Avignon
J.-P. Costa
'

a temps continu
Puissance et
energie des signaux avant et apr`
es filtrage
Filtrer un signal revient aussi `
a lui pr
elever une partie de son
energie. Il est
important de consid
erer la puissance et l
energie des signaux avant et apr`
es filtrage
dans le temps et en fr
equence.
Y (f )
H(f ) X(f )
|Y (f )|2
|H(f )|2 |X(f )|2
Or on a vu que |X(f )|2 = xx (f ) correspond `

a la densit
e spectrale d
energie
(signaux `
a
energie finie), dou :
yy (f ) = |H(f )|2 xx (f )
par TF inverse on montre que :
Cyy ( ) = Chh ( ) Cxx ( )
avec Chh ( ) =
&
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=
&
|Xk |2 (f
k
)
T0
%
19
IUP Avignon
J.-P. Costa
'

a temps continu
Fen
etrage temporel
On appelle fen
etrage temporel, le fait de multiplier un signal de dur
e infinie par une
fen
etre pour obtenir un signal `
a dur
ee finie correspondant `
a un signal physique.
La fen
etre la plus simple est la fen
etre rectangulaire mais il en existe bien dautres.
Leffet de cette fen
etre temporelle sur le signal et sur son spectre est tr
es important.
En effet, si par exemple on a le signal temporel suivant :
x(t) = cos(2f0 t)
Si on lui applique une fen
etre du type w(t) = /2 (t) alors,
y(t)
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
&
%
20
IUP Avignon
J.-P. Costa
'

a temps continu
Filtre sans distorsion
On a vu quun filtre (syst`
eme lin
eaire continu, invariant dans le temps) modifiait
lamplitude et la phase des composantes sinusodales du signal dentr
ee.
En transmission de signal au contraire on souhaite transmettre un signal dun point
`
a un autre, sans distorsion. On suppose que le canal de transmission peut
etre
mod
elis
e id
ealement par un syst`
eme lin
eaire invariant dans le temps (c
est `
a dire un
filtre). On d
efinit le filtre sans distorsion, comme un filtre qui apporte un gain K et
ee x(t),
un retard t0 au signal dentr
y(t)
K x(t t0 )
Y (f )
K ej2f t0 X(f )
H(f )
K ej2f t0
Le gain du filtre est K et la phase est Arg(H(f ) = 2f t0 .
&
%
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.
&
%
22
IUP Avignon
J.-P. Costa
'

a temps continu
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
&
%
23
IUP Avignon
'
J.-P. Costa
(d) En d
eduire la puissance moyenne du signal de sortie, par
R +
Py =
yy (f ) df
- Soit un signal x(t) r

eel non nul pour 0 < t < t1 et de fonction dautocorr
elation
Cxx ( ). Soit y(t) la sortie dun filtre lin
eaire de r
eponse impulsionnelle h(t). On dit
quun filtre est adapt
e au signal x(t) si h(t) = x(t1 t).
1. Calculer dans ce cas y(t) et lexprimer en fonction de Cxx ( ).
et
e
2. Pour quelle valeur de t, la sortie y(t) est-il maximal? On utilisera une propri
des fonctions dautocorr
elation.
&
%
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)
Conversion en signal binaire
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
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 ).
&
%
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
Sans perte dinformation signifie quon peut reconstruire x(t) instant t `

a partir de
la suite infinie des
echantillons x(kTe ), pour cela il suffit de filtrer x(kTe ) par un
filtre passe bas id
eal de r
eponse en fr
equences H(f ) = Te Fe (f ), h(t) = sinc(Fe t).
y(t)
xe (t) h(t) =
+
X
x(kTe ) (t kTe ) sinc(Fe t)
k=
x(t)
+
X
x(kTe ) sinc (Fe (t kTe ))
k=
Cette derni`
ere
equation correspond `
a la formule dinterpolation de Shannon.
&
%
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
&
%
28
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Propri
et
es
Un signal x(k) est p

eriodique de p
eriode N N si N est le plus petit entier tel
que x(k) = x(k + N ) k
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
&
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
TF de Fourier des signaux `

a temps discret
X(f ) = X( e
j2f
)=
+
X
x(k) ej2kf
k=
X(f + 1)
+
X
x(k) ej2k(f +1)
k=
X(f + 1)
+
X
x(k) ej2kf = X(f )
k=
Donc X(f ) est p

eriodique de p
eriode 1. Attention le spectre X(f ) du
signal `
a temps discret x(k) est `
a la fr
equence continue et de p
eriode
F0 = 1.
&
%
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
&
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
x(k) ej2k N avec n = 0, . . . , N 1

X(
)=
N
k=0
On obtient ainsi N valeurs X(0),

X(1/N
), . . . , X(N
1/N ) correspondant `
a la
transform
ete.
&
%
32
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Transform
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
x(k) ej2k N avec n = 0, . . . , N 1
k=0
La suite Xn est une suite p

eriodique de p
eriode N .
La TFD inverse donne
N 1
n
1 X
Xn ej2k N avec k = 0, . . . , N 1
x(k) =
N n=0
&
%
33
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Transform
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 ) .
&
%
34
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Transform
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
x(k) ej2k N avec n = 0, . . . , N 1
k=0
Signal r
eel
le module du spectre est une fonction paire
Signal
echantillonn
ee
le module du spectre est une fonction p

eriodique (fe )
TFD
fr
equences discr`
etes
Signal `
a support born
e
multiplication en temps=convolution en fr
equence
&
%
35
IUP Avignon
J.-P. Costa
'
Signaux d
eterministes `
a temps discret
Transform
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
&
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
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
&
%
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.
&
%
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 ))
pour |k| N/2
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.
&
%
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 )
pour |k| N/2
(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 .
&
%
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
&
=2
%
41
IUP Avignon
'
J.-P. Costa
Exemple
&
%
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
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
&
%
43
IUP Avignon
J.-P. Costa
'
Rappels sur les probabilit

es
Introduction
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.
&
%
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
&
%
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)
Cest une fonction non d

ecroissante qui peut pr
esenter des paliers et des
discontinuit
es. Elle tend vers 0 lorsque x et 1 lorsque x +.
Les propri
et
es de FX (x) sont les suivantes :
FX () = 0,
FX () = 1,
0 FX (x) 1,
FX (x1 ) FX (x2 ) si x1 x2 ,
P {x1 < X x2 } = FX (x2 ) FX (x1 ).
&
%
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
Fonction de rpartition pour le lancer de d

1
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
&
%
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)
Cest une fonction non n

egative, mais ce nest pas une probabilit
e, elle
nest pas n
ecessairement inf
erieur `
a un.
les propri
et
es de pX (x) sont les suivantes :
pX (x) 0,
R +

pX (x)dx = 1,
Rx
FX (x) =
pX ()d,
R
P {x1 < X x2 } = xx2 pX (x)dx
1
&
%
48
IUP Avignon
J.-P. Costa
'
Dans le cas dune variable al

eatoire discr`
ete, on a :
pX (x) =
P (xi )(x xi )
(7)
On peut estimer la densit

e de probabilit
e en construisant un histogramme pour
lequel le pas d
echantillonnage de laxe des r
eels est infiniment grand. Dans lexemple
de la figure suivante, le nombre d
echantillons est de 1000, 10000 et enfin 100000.
0.07
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
&
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) =
P (xi )(x xi ) = r(x) + (1 r)(x 1)
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
&
%
50
IUP Avignon
J.-P. Costa
'
On dit quune variable al

eatoire X suit une loi uniforme si elle prend ses valeurs
uniquement dans lintervalle [a, b[ et que sa densit
e de probabilit
e vaut
pX (x) =
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
&
%
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
&
%
52
IUP Avignon
J.-P. Costa
'
Loi normale ou gaussienne

On dit quune variable al
eatoire X suit une loi normale si sa densit
e de probabilit
ea
pour expression :
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.
&
%
53
IUP Avignon
J.-P. Costa
'
0.5
1/(2)
4 = 95%
mx
&
Figure 1: Loi normale
%
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)
Si X est une variable al

eatoire discr`
ete, on a :
Z
"
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)
ce qui donne la moyenne arithm

etique des xi .
&
%
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)
Le moment dordre centr

e n de X a pour d
efinition :
Z
n
E[(X mx ) ] =
(x mx )n pX (x) dx
(17)
avec mx = E[X].
&
%
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
&
(20)
%
57
IUP Avignon
J.-P. Costa
'
Signal alatoire de loi gaussienne

12
Signal alatoire de loi gaussienne
10
10
50
100
150
200
250
300
350
400
450
500
4
3
50
100
150
200
250
300
350
400
450
500
0.14
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
&
10
x2 = 1, mx = 6
%
58
IUP Avignon
J.-P. Costa
'
Moments conjoints et covariance
Un des objectifs fondamentaux du calcul des probabilit

es est d
etablir un lien
eventuel entre plusieurs r

esultats dexp
eriences. On est ainsi amen
e`
a
etudier le
comportement conjoint de plusieurs variables al
eatoires.
R
epartition conjointe
Soit deux variables al
eatoires X et Y . On d
efinit FXY (x, y), la fonction de
r
epartition conjointe de X et Y par :
FXY (x, y) = P (X x, Y y)
(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
&
%
59
IUP Avignon
J.-P. Costa
'
R
epartition marginale
FX (x) et FY (y) sont appel

ees fonction de r
epartition de probabilit
e marginales :
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
&
pX (x)
0 (x)
FX
pY (y)
= FY0 (y)
Z +
pXY (x, y)dy
(25)
pXY (x, y)dx
(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 ] =
x y pXY (x, y) dxdy
(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
&
(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 ]
&
(31)
%
62
IUP Avignon
J.-P. Costa
'
Variables conjointement gaussiennes

Les variables X et Y sont dites conjointement normales si leur probabilit
e conjointe
a pour expression :
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)
Les variables sont donc ind

ependantes. La figure repr
esente pXY (x, y) pour mx = 0,
x = 3, my = 1 et y = 1).
&
%
63
IUP Avignon
J.-P. Costa
'
p(x,y) de variables alatoires gaussiennes
0.06
0.04
0.02
0
5
0
5
y
5
&
%
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).
&
%
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
pXY (x, y) = k e(ax+by) u(x)u(y)
&
%
66
IUP Avignon
J.-P. Costa
'
o`
u a et b sont des constantes positives. D
eterminer la valeur de k.
IV. La probabilit
2
pXY (x, y) = xy e(x
+y 2 )/2
u(x)u(y)
Evaluer les densit

es de probabilit
e marginales pX (x) et pY (y).
X et Y sont-ils ind
ependants?
Moyennes statistiques
I. Soit Y = aX + b. Montrer que si la moyenne de X est mx et sa variance x2 ,
alors, my = amx + b et y2 = a2 x2 .
II. En utilisant l
equation 35,
evaluer et tracer pY (y) pour Y = X 2 , lorsque X suit
une loi gaussienne avec mx = 0 et x2 = 1.
III. Calculer la covariance de X et Y :
lorsque X et Y sont ind
ependants.
lorsquil existe entre X et Y la relation Y = aX + b.
&
%
67
IUP Avignon
J.-P. Costa
'
Signaux al
eatoire
Il existe de nombreux signaux naturels ou artificiels, comme les signaux de parole

issu dun micro, la consommation d
electricit
e, un signal binaire de transmission, ...
Dans ces exemples, on ne peut pas pr
edire exactement l
echantillon suivant avant de
lavoir observ
e. On ne peut donc pas consid
erer ces signaux comme d
eterministes.
On mod
elisera ce signal x(k) comme la r
ealisation dun processus al
eatoire X(k). On
ignorera les valeurs instantan
ees du signal pour sint
eresser aux valeurs statistiques
(valeur moyenne, variance, fonction dautocorr
elation,...).
Lanalyse spectrale de processus al
eatoire fait appel aux valeurs statistiques. Un
processus stochastique a une
energie infinie et lanalyse spectrale est obtenue en
prenant la TF de la fonction dautocorr
elation, cest la densit
e spectrale de
puissance.
&
%
68
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Les moments temporels, les relations de base

Moyenne temporelle
On appelle moyenne temporelle, la quantit
e:
1
x(t) = lim
T T
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
&
%
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
avec p(x1 , x2 ; t1 , t2 ) la densit

e de probabilit
e conjointe des deux variables al
eatoires.
&
%
70
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Caract
eatoire
Fonction dautocovariance statistique (Cxx ) et variance (Var)
Cxx (t1 , t2 )
E[(X(t1 ) mx (t1 )) (X(t2 ) mx (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 ( )
&
%
71
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Caract
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
&
%
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
1. la moyenne mx est ind

ependante de linstant dobservation et peut
etre obtenue
`
a partir dun trajectoire quelconque du processus par :
Z T /2
1
mx = E[X(t)] = lim
x(t) dt
T T T /2
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
Rxx ( ) = E[X (t) X(t + )] = lim

x (t)x(t + ) dt
T T T /2
&
%
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
&
%
74
IUP Avignon
J.-P. Costa
'
Autocovariance
Dans ce cas la fonction dautocovariance est donn
ee par
Cxx ( )
Cxx ( )
E[(X(t) E[X(t)])(X(t + ) E[X(t + )])]

Rxx ( ) m2x
(37)
(38)
Intercovariance
Lintercovariance de X(t) et Y (t) a pour expression :
Cxy ( )
Cxy ( )
E[(X(t) E[X(t)])(Y (t + ) E[Y (t + )])]

Rxy ( ) mx my
(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.
&
%
75
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Analyse spectrale num

erique
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 ( )
&
%
76
IUP Avignon
J.-P. Costa
'
do`
u
Rxx ( )
TF
(f ) = b2
donc
Z
(f ) df =
E=
Le bruit blanc est un signal a

energie et puissance infinie.
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.
&
%
77
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Analyse spectrale num

erique
Attention cest un mod`

ele th
eorique cest `
a dire que le calcul de (f ) a une
fr
equence n
ecessite le calcul de lautocorr
elation Rxx ( ) de ] , +[.
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.
&
%
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.
&
%
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)
X(t) est par d

efinition, un processus gaussien si X pr
esente une densit
e multivariable
conjointement gaussienne pour tout ensemble fini de valeur ti et pour tout n.
La densit
e multivariable dun processus gaussien a pour expression :
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 :
&
%
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.
&
%
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.
&
%
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
Rxx (k) ej2f k
k=
Un bruit blanc discret b(k) de variance b2 est un processus al

eatoire stationnaire,
centr
e, dont les
echantillons b(k) ne sont pas corr
el
es entre eux do`
u
Rbb (k)) = b2 (k) et bb (k)) = b2
avec (k) = 1 pour k = 0 et 0 si k 6= 0.
&
%
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
h(l) x(n l) = x(n) h(n)
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 .
&
%
84
IUP Avignon
J.-P. Costa
'
Signaux al
eatoires
Notion destimation
Soit X(k) un signal al

eatoire stationnaire et ergodique dont on consid`
ere N
echantillons chacun des

echantillons x(k) est une V.A. ayant une densit
e de
probabilit
e p[X(k)]. Soit
lestimation dun param`
etre du processus al
eatoire, par
exemple la moyenne, la variance, la fonction dautocorr
elation...
= F [X(0), X(1), . . . , X(N 1)]

Comme
sexprime en fonction des V.A.,
est une V.A. de densit
e de probabilit
e
p
F est appel
e un estimateur.
().
On peut avoir plusieurs estimateurs du m
eme param`
etre et on privil
egiera celui
dont la proba[
voisin ] soit la plus grande possible. On mesurera donc, le biais et
la variance de lestimateur.
&
%
85
IUP Avignon
J.-P. Costa
'
Le biais dun estimateur est d

efini par
B = E[]

Si B=0 on dit que lestimateur est non biais
e.
La variance dun estimateur est d
efini par
var = E[(
E())
2]
On cherche `
a obtenir une variance la plus faible possible.
Si le biais et la variance tendent vers 0 lorsque le nombre dobservation N tend vers
linfinie alors on parle destimateur consistant.
&
%
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
Z est une variable complexe

Si la suite x(n) repr
esente la suite des
echantillons dun signal
echantillonn
es `
a la
p
eriode T , la transformation de Fourier de cette suite s
ecrit :
X(f ) =
+
X
x(n) ej2f nT
n=
Ainsi pour Z = ej2f T la transform

ee en Z de la suite x(n) concide avec sa
transform
ee de Fourier. Cest `
a dire que lanalyse dun syst`
eme discret peut se faire
avec la transform
ee en Z et pour connatre la r
eponse en fr
equence, il suffit de
remplacer Z par ej2f T .
&
%
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.
&
P+
n=
h(n) ej2f n
%
88
IUP Avignon
J.-P. Costa
'
Fonction de transfert dun syst`

eme stable
Si le syst`
eme est stable, alors sa r
eponse impulsionnelle est absolument sommable :
+
X
|h(n)| <
n=
Cette condition entrane que lanneau de convergence doit n

ecessairement contenir le
cercle unit
e.
Fonction de transfert dun syst`
eme causal stable
Les p
oles de la fonction de transfert dun syst`
eme lin
eaire invariant causal et stable
doivent se trouver `
a lint
erieur du cercle unit
e.
On peut, par la position des p
oles dans ce plan, connatre imm
ediatement si le
syst`
eme est stable ou non.
&
%
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
En appliquant la transformation en z aux membres de cette

equation, on obtient :
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)
La fonction de transfert du syst`

eme H(Z) est une fraction rationnelle. Les ai et les
&
%
90
IUP Avignon
J.-P. Costa
'
bj sont les coefficients du syst`

eme.
En mettant en
evidence les racines des deux polyn
omes, on peut exprimer H(Z) par :
QN
N (Z)
i=1 (Z Zi )
H(Z) =
= a0 QM
D(Z)
j=1 (Z Pj )
(50)
Les Zi et Pj sont respectivement les z

eros et les p
oles de la fonction de transfert
H(Z).
Lanalyse dun syst`
eme par sa fonction de transfert correspond `
a un fonctionnement
en r
egime permanent; elle est suffisante dans la mesure o`
u les ph
enom`
enes
transitoires peuvent
etre n
eglig
es.
&
%
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
equation selon laquelle un

echantillon du signal filtr
e, est obtenu par la somme
pond
er
ee dun ensemble fini de nombres dentr
ee, repr
esentant les
echantillons du
signal `
a filtrer.
Les coefficients de la sommation constituent la r
eponse impulsionnelle du filtre.
Ce filtre est du type `
a m
emoire finie, cest `
a dire quil d
etermine sa sortie en fonction
dinformations dentr
ee danciennet
e limit
ee.
L
equation dentr
eesortie est donn
ee par l
equation :
y(n) =
N
X
ai x(n i)
(51)
i=0
Le filtre ainsi d
efini comporte un nombre N fini de coefficients ai .
&
%
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
La fonction H(f ) est une fonction p

eriodique, de p
eriode f e = T1 . Les coefficients ai
constituent le d
eveloppement en s
erie de Fourier de cette fonction :
R
PN 1
fe
2 = 1
|H(f )|2 df
|a
|
i
i=0
fe 0
&
%
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)]
&
%
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
&
fe/2
fe
Filtre en cosinusode sur

elev
ee
%
95
IUP Avignon
J.-P. Costa
'
Filtre en cosinusode sur

elev
ee
Soit l
equation r
ecurrente suivante :
y(nT ) = 1/4 [x(nT ) + 2x[(n 1)T ] + x[(n 2)T ]]
Comme le filtre pr
ec
edent, il conserve la composante continue et
elimine celle `
a
f e/2. Elle correspond `
a la fonction de transfert :
2if T
H(f ) = 1/4(1 + 2 e
2if 2T
+ e
e2if T
)=
(1 + cos(2f T ))
2
Le filtre obtenu est dit en cosinusode sur

elev
ee; son temps de propagation est = T .
La r
eponse impulsionnelle est donn
e par :
h(t) = 1/4 [(t + T ) + 2(t) + (t T )]
Ce filtre est un passe-bas plus s
electif que le pr
ec
edent et il apparat clairement que
pour obtenir une fonction de filtrage plus s
elective encore il suffit daugmenter le
nombre de termes de la suite x(nT ) sur lesquels porte la sommation pond
er
ee.
&
%
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
&
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
La fonction de transfert (en Z) de ce syst`

eme s
ecrit :
a0 + a1 Z 1 + . . . + aN Z N
H(Z) =
1 + b1 Z 1 + . . . + bM Z M
(55)
Cest le quotient de deux polyn

omes en Z. Les coefficients ai et bj sont
etant r
eels,
H(Z) est un nombre complexe.
&
%
98
IUP Avignon
'
J.-P. Costa
Comparaison entre les filtres RIF et RII

Les deux types de filtres examin
es RIF et RII, permettent de satisfaire un gabarit
quelconque donn
e. La question du choix entre ces deux approches se pose
fr
equemment au concepteur de syst`
emes. Le crit`
ere est la complexit
e des circuits `
a
mettre en oeuvre; en pratique la comparaison se ram`
ene principalement `
a
l
evaluation du param`
etre simple qui constitue le nombre de multiplications `
a
effectuer.
En effet, le fait davoir une r
eponse impulsionnelle infinie permet dobtenir en
g
en
eral des fonctions de filtrage beaucoup plus s
electives que celles des filtre RIF `
a
quantit
e de calculs
equivalente. Cependant la boucle de r
eaction complique l
etude
des propri
et
es et la conception de ces filtres et am`
ene des ph
enom`
enes parasites.
&
%
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 :
&
%
100
IUP Avignon
J.-P. Costa
'
H(z) = b0 + b1 z 1 + b2 z 2 + . . . + +bM z M
(57)
Cette fonction de transfert ne poss`

ede pas de p
oles. Elle correspond donc `
a un filtre
a r
eponse impulsionnelle fini (filtre stable). Ce mod`
ele permet de repr
esenter
facilement des processus ayant des vall
ees dans leur densit
e spectrale.
Processus AR
Par d
efinition on dit quun processus al
eatoire x(n) est AutoR
egressif (AR), si x(n)
v
erifie l
equation r
ecurrente suivante :
x(n) + a1 x(n 1) + a2 x(n 2) + . . . + aN x(n N ) = w(n)
(58)
x(n) = w(n) a1 x(n 1) a2 x(n 2) . . . aN x(n N )
(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
&
%
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
Soit x(n) = sin(0 nT ), sa transform

ee en Z est donn
e par :
Z 1 sin(0 T )
Z sin(0 T )
=
X(Z) = 2
Z 2Z cos(0 T ) + 1
1 2Z 1 cos(0 T ) + Z 2
La transform
ee inverse de cette
equation est
&
%
102
IUP Avignon
J.-P. Costa
'
x(n + 2) 2 cos(0 T )x(n + 1) + x(n) = 0
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)
comme E[w(n)] = 0 (processus centr

e), il vient que E[x(n)] = E[x(n 1)] = 0.
Comme le processus x(n) est centr
e, la fonction dautocovariance sexprime par
R( ) = E[x(n)x(n + )] et v
erifie le syst`
eme d
equations :
&
%
103
IUP Avignon
J.-P. Costa
'
R(0) + a R(1)
1
R(1) + a1 R(0)
2
w
(63)
En effet, on obtient ces

equations en prenant lesp
erance math
ematique de x(n)x(n)
et x(n)x(n 1) `
a partir de l
equation .
Le syst`
eme d
equation peut se mettre sous forme matricielle RA = c, o`
u on a pos
e
2 0]t et :
A = [1 a1 ]t et c = [w
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)
&
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)
Comme x(n) est r

eel, cette matrice est sym
etrique. Elle d
epend de N (N + 1)/2
valeurs de la fonction dautocovariance, de plus, elle poss`
ede une forme particuli`
ere
appel
e matrice de To
eplitz.
&
%
105
IUP Avignon
J.-P. Costa
'
0.1
Processus ARMA
Les processus ARMA sobtiennent en mettant en s

erie une structure AR et une
structure MA. Soit l
equation r
ecurrente :
x(n) + a1 x(n 1) + . . . + aN x(n N ) = b0 w(n) + b1 w(n 1) + . . . + bM w(n M ) (66)
L
equation du filtre est donn
e par l
equation 55.
On montre que cette
equation r
ecurrente admet une solution x(n), stationnaire au
second ordre, unique, qui sexprime en fonction de w(n), si et seulement si les racines
du d
enominateur, qui sont les p
oles de la fonction de transfert, sont de modules
inf
erieur `
a 1.
&
%
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).
&
%
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
x(n) sera alors un processus AR. Le probl`

eme est de connatre les coefficients ak
connaissant les mesures de x.
&
%
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
&
%
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 + )
&
%
110
IUP Avignon
J.-P. Costa
'
est une variable al

eatoire uniform
ement r
epartie sur [0, 2].
A2
Rxx (k) =
cos(k0 T )
2
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.
&
E x (n) 2a11 x(n)x(n 1) + (a11 )2 x(n

Rxx (0) 2a11 Rxx (1) + (a11 )2 Rxx (0)
1)
%
111
IUP Avignon
J.-P. Costa
'
On cherche
V
a1
1
=0:
2Rxx (1) + 2a11 Rxx (0)

Rxx (1)
a11 =
= cos(0 T )
Rxx (0)
La variance dans ce cas vaut : V =
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.
&
%
112
IUP Avignon
J.-P. Costa
'
V
a21
V
a21
V
a22
V
a22
E x(n 1)(x(n) a21 x(n 1) a22 x(n 2)) = 0

Rxx (1) a21 Rxx (0) a22 Rxx (1) = 0
et
E x(n 2)(x(n) a21 x(n 1) a22 x(n 2)) = 0

Rxx (2) a21 Rxx (1) a22 Rxx (0) = 0
On obtient le syst`
eme suivant :
Rxx (0)
Rxx (1)
&
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
cos(0 T ), Rxx (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
&
%
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
&
k2
P2
Rxx (2) + a11 Rxx (0)
P1
(1 1)P1 = 0
a22
k2 = 1
a21
a11 + k2 a11 = 2 cos(0 T )
=1
%
115
IUP Avignon
J.-P. Costa
'
Reconnaissance de la parole par DTW
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.
&
%
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.
&
%
117
IUP Avignon
J.-P. Costa
'
Figure 2: Principe de la DTW

&
%
118
IUP Avignon
J.-P. Costa
'

Distances usuelles
Plusieurs mesures de distance peuvent
etre utilis
ees en fonction des m
ethodes de
param
etrisation retenues:
la mesure de distance utilisant les normes Ln (n allant de 1 `
a l) est plut
ot
utilis
ee dans les syst`
emes `
a base danalyse cepstrale. La norme L2 est la plus
utilis
ee. Cette norme est plus connue sous le nom de distance euclidienne.
p
!1
n
X
n
dn (ri , tj ) =
|rk tk |
k=0
la mesure dItakura est plut

ot utilis
ee dans le cadre dune param
etrisation par
pr
ediction lin
eaire.
t
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 .
&
%
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) = min g(i 1, j 1) + 2 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 ) =
&
g(I, J)
I +J
%
120
IUP Avignon
J.-P. Costa
'
Figure 3: Contraintes locales utilisees dans la DTW
&
%
121

Transpa TS

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Transpa TS

Transféré par

Droits d'auteur :

Formats disponibles

IUP Avignon

S(f ) est aussi appel

Une condition dexistence suffisante mais pas n

2. Translation en temps : s(t t0)

[s(t) ej2f0 t ], une translation en

5. Inversion du temps : s(t)

6. Conjugaison du signal : s (t)

S(f ) imaginaire impaire

s(t) imaginaire paire

S(f ) imaginaire paire

s(t) imaginaire impaire

8. Convolution en temps : on appelle produit de convolution de 2 signaux

La TF transforme convolution en multiplication et multiplication en

pour |t| < T

Tranforme de Fourier (f), (f)=0 pour f=1/

Fonction porte et sa transform

Dirac et peigne de dirac

pour |t| < T

donc lim0 = . Le dirac a une energie infinie et nest pas p

Calcul de la TF La TF de s (t) est sinc(f ) par cons

S(nf0 )(f nf0 )

et les coefficients de Fourier sont donn

etant la fonction de Heaviside.

2. Evaluer les int

Filtrage des signaux `

Filtrage des signaux `

on appelle h(t) = TF1 [H(f )] la r

y(t) = x(t) h(t) =

h(t0 ) x(t t0 ) dt0

Filtrage des signaux `

|H(f )|2 |X(f )|2

Or on a vu que |X(f )|2 = xx (f ) correspond `

Filtrage des signaux `

Filtrage des signaux `

Le gain du filtre est K et la phase est Arg(H(f ) = 2f t0 .

Filtrage des signaux `

- Soit un signal x(t) r

Conversion en signal binaire

Sans perte dinformation signifie quon peut reconstruire x(t) instant t `

x(kTe ) (t kTe ) sinc(Fe t)

x(kTe ) sinc (Fe (t kTe ))

Un signal x(k) est p

TF de Fourier des signaux `

x(k) ej2k(f +1)

x(k) ej2kf = X(f )

Donc X(f ) est p

x(k) ej2k N avec n = 0, . . . , N 1

On obtient ainsi N valeurs X(0),

x(k) ej2k N avec n = 0, . . . , N 1

La suite Xn est une suite p

x(k) ej2k N avec n = 0, . . . , N 1

le module du spectre est une fonction paire

le module du spectre est une fonction p

pour |k| N/2

pour |k| N/2

Rappels sur les probabilit

Cest une fonction non d

Fonction de rpartition pour le lancer de d

Cest une fonction non n

Dans le cas dune variable al

On peut estimer la densit

P (xi )(x xi ) = r(x) + (1 r)(x 1)

On dit quune variable al

Loi normale ou gaussienne