Traitsig PPT PDF

Traitement du
Signal/1005-03
Introduction
Alan Turing (1912-1954) T. Dutoit

mathmaticien et cryptographe
anglais, considr comme un de thierry.dutoit@fpms.ac.be
pres de linformatique.
En 1950, il inventa le Test de Turing,
qui devait permettre de mesurer
lintelligence dune machine.
01/09/2016
Signal
Un signal est une variation dune

grandeur physique, qui porte de
l information
Prof. Thierry Dutoit

2
1
1. Classification des signaux
Tlcom Signal
Gophysiques

3
1. Classification des signaux

Biomdicaux
Communication
interpersonnelle

4
2
2. Caractrisation des signaux
Analogique / x(t) x(n) xq(n)
Numrique fe
Mono/Multi
dimensionnel
Dterministe
/
Alatoire

5
Causal/
Anti-causal
Non causal
Priodique/ fT 0 (t ) fT 0 (t T )
Apriodique
Pair/
Impair
6
3
Energie
1
T /2
T T
P lim
2
f (t ) dt E
2
f (t ) dt
finie/ T / 2
Puissance
finie
Signaux
priodiques
Signal constant
de mme
puissance
T0 / 2 T0 / 2
1 1

2
FRMS
2
P fT0 (t ) dt f (t ) dt
T0 T0 / 2
T0 T0 / 2

7
3. Echantillonnage et
quantification
x(t) x(n) xq(n)
fe
ADC : analog-digital converter (CAN : convertisseur

analogique-numrique)
DAC : digital-analog converter (CNA : convertisseur
numrique-analogique )
DSP : Digital Signal Processor
8
4
Echantillonnage x(t)
fe
x(n)
x(n) xx((n)nTe )
q
Fe>= 2 Fmax

9
Echantillonnage x(t)
fe
x(n)
x(n) xx((n)nTe )
q
Fe/2 = miroir

10
5
Quantification x(t) xq(t)
pas de quantification

11
Quantification x(t) xq(t)
e(t ) xq (t ) x(t )
Erreur de quantification
q / 2 e(t ) q / 2
Choisir
b suffisant
ex: CD audio
16 bits =
[-32768, 32767]

12
6
Echant. + Quantif. x(t)
fe
x(n) xq(n)
NB : Les chantillons sont

en gnral transmis
sous forme dun signal
temps continu
13
Exemple 1 Echantillonnage dun sinus

A=10; f=440; Fe=10000;
t=(1:20000)/Fe;
signal = A * sin(2*pi*f*t); % f=440 Hz, Fe=10000 Hz
soundsc(signal,10000);
subplot(2,1,1); plot(signal(1:250)); title('sinus 440 Hz');
subplot(2,1,2); stem(signal(1:250)); title('sinus 440 Hz,Fe=10kHz');

14
7
Exemple 2 Quantification dun sinus chantillonn
A = 10; f = 440; Fe = 10000;
signal = A * sin(2*pi*f*(1:20000)/Fe); % f=440 Hz, Fe=10000 Hz
b = 2;
quantizer_max = max(signal);
q = (2*quantizer_max) / 2^b;
signal_quantized = floor(signal/q)*q + q/2;
error = signal - signal_quantized;
soundsc(signal_quantized,10000);

15
4. Rapport signal sur bruit
Signal
PS
RSB Gain en
puissance
Gain en
amplitude
dB
PB
20 log(2) 6dB
1/ 2 10log(2) 3dB
P
RSBdB 10log S 4 2 6 dB
PB 100 10 20 dB
S RMS 10000 100 40 dB

20log 1000000 1000 60 dB
BRMS
16
8
Exemple 3 Parole bruite
avec divers niveaux de RSB
Signal = audioread('par8.wav'); Tlphone = 30 dB
% Fe=8000 Hz; nbits=16
% out = awgn(in,snr) : additive

white Gaussian noise with given
SNR
signal_plus_noise = awgn(signal,
40, 'measured');
20, 'measured');
10, 'measured');
0, 'measured');
-10, 'measured');

17
Exemple 4 Image bruite avec

divers niveaux de RSB
signal =
rgb2gray(imread('lena.jpg'));
signal_plus_noise = imnoise(signal,
'gaussian', 0, 0.0001);
imshow(signal_plus_noise);
title('signal+noise; SNR=40dB');
'gaussian', 0, 0.001);
'gaussian', 0, 0.01);
'gaussian', 0, 0.1);

18
9
Exemple 5 Quantification et RSB du signal quantifi lexemple 2
A = 10; f = 440; Fe = 10000;
signal = 10 * sin(2*pi*f*(1:20000)/Fe); % f=440 Hz, Fe=10000 Hz
b = 2;
quantizer_max = max(signal);
q = (2*quantizer_max) / 2^b;
signal_quantized = floor(signal/q)*q + q/2;
error = signal - signal_quantized;
N 1
1
P
2
SNR=var(signal)/var(error) f ( n)
SNR_dB = 10*log10(SNR) N 0
SNR = 19.0679
SNR_dB = 12.8030
RSBdB 6,02b 1,76
Chaque bit supplmentaire de quantification = + 6 dB de RSB.

En particulier, sur un CD audio (16 bits), le RSB est de 98 dB !

19
5. Traitement numrique du Signal
=Thories et mthodes permettant de:

Crer (synthse de musique, parole, images, )
Transmettre (TV, Radio, tlcoms numriques)
Analyser (visage, voix, gestes, )
Modifier (filtrage, cryptographie, )
Classifier (dtction de dfauts, diagnostics, )
Reconnatre (reco. vocale, dcriture, DTMF, )
Prvoir (mto, bourse, )

20
10
5. Traitement numrique du Signal
Domaines dapplication Exemples dapplications

Tlcommunications CD
(Convertisseur Delta-Sigma)
Traitement du son musical
Traitement de la parole MP3 (MPEG1-Layer3)
Dtection-positionnement GSM (analyse de parole,
numrotation vocale)
Etude des vibrations
Dicte vocale
sismiques
OCR (Reconnaissance de
Contrle non destructif caractres)
Ingnierie biomdicale Reconnaissance dempreintes
Imagerie mdicale Images JPEG
Economie DVD (MPEG2)
DIVX (MPEG4)
Sonar, radar
Modem ADSL
ECG, EMG, EEG, Scan, RMN

21
6. Systmes analogique vs.

numriques
Avantages du NUMERIQUE:
Simplicit
Ex : rcurrence linaire
Simuler le traitement du signal, cest en faire
Possibilits de traitement accrues
Ex : Non Linaire
Robustesse aux bruits
Ex : lectromagntiques
Numrique firewall
Prcision et stabilit
bruits = calcul f(calculateur) f(t, ge)
Flexibilit
Traitement = souvent logiciel
Upgradable Firmware !
(cf. modems numriques)

22
11
7. De lEmbarqu
lInternet des Objets
1960 : FFT (Fast Fourier Transform ; Cooley et Tukey)
80-90 : Ouvrages de base (Gold, Oppenheim, Rabiner,..)
90- ? : Standards numriques (CD-GSM-DVD-MP3, etc.)
Processeurs spcialiss (DSP : dig. signal processor)
2000- ? : Vers lembarqu ( embedded systems )

CAN-CNA-DSP bon march intgrs
Fini lunit centrale+priphriques
Rseaux informatiques et systmes embarqus (embedded
systems)
Camras, Appareils photos, Lecteurs de MP3, Imprimantes
autonomes, Agendas lectroniques, smartphones, ebooks,
camras intelligentes , vtements intelligents

23
De lEmbarqu
lInternet des Objets
Carte RaspBerry Pi3 : un ordinateur QuadCore

et 1 GO de RAM pour 30 EU.
Caractristiques des rsaux LoRa.

24
12
Pour aller plus loin
Voir le document Introduction au

traitement du signal par Marine
Campedel (Moodle)
(o lon apprend quil existe un lien

fort entre PlayBoy et le traitement du
signal)

25
Organisation pratique
TS1 : (chap 1-4 + 6) 16h cours 8h exercices 24h TP
TS2 : (chap 5) 8h cours 8h TP
Exercices = 4 sances lhoraire
Premier exercice preparer la maison (envoi tableau)
Des exercices en sances, sans rsolution au tableau
TP : 2 parties
TP1-6 : TS sous MATLAB et SIMULINK
TP7 : Epreuve pratique
+ TS2 : TP8-9 : Avant-projet
Rpartition:
FSINFO/IG: EP (35/100) Examen (65/100)
ELEC : EP (15/100) Projet (20/100) Examen (65/100)
Examen = uniquement des exercices
Dlgu(s)?
26
13
Traitement du Signal
Chapitre 1
Introduction aux systmes
numriques linaires et
invariants
Leonardo Pisano Fibonacci (1170-1250), mathmaticien italien T. Dutoit

spcialiste de la thorie des nombres. Parmi les nombreux
problmes quil a traits, celui qui a donn naissance la squence thierry.dutoit@fpms.ac.be
de Fibonacci est rest clbre : Un homme place un couple de
lapins dans un enclos. Si on suppose que chaque couple donne
naissance un nouveau couple chaque mois, et que chaque
nouveau couple devient lui-mme productif partir de son
deuxime mois, combien de couples aura-t-il de mois en mois ? .
Ce problme caractrise un systme linaire numrique, dont la
rponse impulsionnelle est {1,1,2,3,5,8,13}.
01/09/2016
Plan
1.1 Signaux numriques

1.2 Systmes numriques
1.3 Systmes rcursifs Systmes non rcursifs
1.4 Rponse impulsionnelle
1.5 Convolution numrique
1.6 Transforme en Z Ples et zros dun SLI

2
1
1.1 Signaux numriques
x(n)
x(n) ..., x( n),..., x(1), x(0), x(1),..., x(n),...
n
x(n) x(0), x(1),..., x(n),... (causal)
1 1
1 si n 0 1 si n kn0 (k )
( n)
0.8 0.8
n (n)
0 si n 0 0 si n kn0
0
0.6 0.6
impulse=[1,
0.4 zeros(1,49)]; 0.4 pulsetrain=[1, zeros(1,9)];
pulsetrain=[pulsetrain pulsetrain
stem(impulse)
0.2 0.2
pulsetrain] ;
0 0
0 10 20 30 40 50 stem(pulsetrain);
0 10 20 30 40 50
1 si n 0
1 1
( n)
f (n) e jn
0.8
0 si n 0
0.5
0.6
step=[ones(1,50)]; imagexp=[exp(j*(0:49)*pi/20)];
0
0.4
stem(step); stem(real(imagexp));
-0.5 hold on;
0.2
stem(imag(imagexp));
0 -1
0 10 20 30 40 50 0 20 40 60 80 100

3
1.2 Systmes numriques
x(n) Systme y(n)

numrique
x1(n)+ x2(n) Systme y1(n)+ y2(n)

numrique
linaire
x(n-n0) Systme y(n-n0)

numrique
invariant
Systme stable ssi [x(n)< y(n)< ]

4
2
Quizz
y(n)=ax(n)? Lin, Inv, Stable
y(n)=ax(n)+b? Non Lin, Inv, Stable
y(n)=x(n-1)? Lin, Inv, Stable
y(n)=ax(n)+bx(n-1)? Lin, Inv, Stable
y(n)=ax(n)+by(n-1)? Lin, Inv, Stable?
y(n)=nx(n)? Lin, Non Inv, Instable

5
1.3 Systmes rcursifs, ou pas

y (n) a1 y (n 1) a2 y (n 2) ... aN y (n N )
b0 x(n) b1 x(n 1) ... bM x(n M )
N M
y(n) ai y(n i) bi x(n i )
i 1 i 0
Filtre Rcursif, ordre N

M
y(n) bi x(n i)
i 0
Filtre Non-Rcursif, ordre M

6
3
Structure dun filtre
y (n) a1 y (n 1) a2 y (n 2) ... aN y (n N ) Rcursivit
b0 x(n) b1 x(n 1) ... bM x(n M )
b0
x(n) y(n)

z-1 z-1
b1 -a1

z-1 z-1
b2 -a2
Boucle
z-1
bM
z-1

-aN

7
Exemple 1.3 Intrts composs
p
y(n) y(n 1) y(n 1) x(n)
100
y(n) = somme disponible au temps t=nT
x(n) = dpt ou le retrait courant
p = taux dintrt
x(n) y(n)

z-1
1+p/100

8
4
Exemple 1.4 Squence de
Fibonacci
Un homme place un couple de lapins dans un
enclos. Si on suppose que chaque couple donne
naissance un nouveau couple chaque mois, et
que chaque nouveau couple devient lui-mme
productif partir de son deuxime mois, combien
de couples aura-t-il de mois en mois ? .
y(n) y(n 1) y(n 2) x(n)

y(n) = nombre de couples de lapins dans lenclos au nme mois
x(n) = nombre de couples que lon ajoute la population de lenclos
au nme mois.

9
Exemple 1.4 Squence de

Fibonacci
y(n) y(n 1) y(n 2) x(n)

x(n) y(n)

z-1
1

z-1
1
Stable?
10
5
Exemple 1.5 Filtre
moyenne mobile
x(n) 1/(2L+1)
x(n) y(n)

n
z-1
2L+1 points
x(n-1)
Moyenne
z-1
y(n)
x(n-2)
n
Causal,
dlai
z-1
L
1
y(n) x( n i )
2L 1 i L
x(n-(2L+1))

Stable?

11
1.4 Rponse impulsionnelle

(n) h(n)
SLI
numrique
n n
Calcul de h(n)?
Immdiat ( analogique!)
y (n) a1 y (n 1) a2 y (n 2) ... aN y (n N )
b0 x(n) b1 x(n 1) ... bM x(n M )

12
6
Exemple 1.6 Intrts composs
p
y(n) y(n 1) y(n 1) x(n)
100
h(n)={1, 1+p/100, (1+p/100), (1+p/100)3, }
Matlab (avec p=5):

impresp=filter([1],
[1 -1.05],impulse);
stem(impresp);
Instable
13
Exemple 1.7 - Fibonacci

y(n) y(n 1) y(n 2) x(n)
h(n)={1, 1, 2, 3, 5, 8, 13, 21, }
impresp=filter([1],[1 1 -1],impulse);
impresp(1:12)
>> 1 1 2 3 5 8 13 21 34 55 89 144
stem(impresp);

14
7
Exemple 1.8 - Moyenne mobile
1/(2L+1)
x(n) y(n)

z-1
x(n-1)
h(n)=1/(2L+1){1, 1, 1, , 1, 0, 0, 0, }
z-1
x(n-2)

z-1
x(n-(2L+1))


15
h(n) RII RIF (IIR FIR)

h(n) dun filtre non-rcursif = limite
filtre rponse impulsionnelle finie (RIF)
toujours stable
h(n) dun filtre rcursif = illimite (bouclage)

filtre rponse impulsionnelle infinie (RII)
parfois instable
16
8
1.5 Convolution numrique
x(n) Systme y(n) Connaissant x(n),

numrique calculer y(n)?
y (n) a1 y (n 1) a2 y (n 2) ... aN y (n N )
b0 x(n) b1 x(n 1) ... bM x(n M )
Ou: convolution (numrique)
y(n)=x(n)*h(n)

17
Premire interprtation
x(0)(n) x(0)h(n)
h(n)
n 0 n
0
x(1)(n-1) x(1)h(n-1)
0 n
n
0 0 n
SLI
x(2)(n-2) numrique x(2)h(n-2)

n
0
n y(n) x(n)* h(n) x(i)h(n i)
i
0

x(n) y(n)
n 0 n

18
9
Stabilit et h(n)
Intuitivement:
x(0)(n) x(0)h(n)
Stable | h(i) | ( i )
h(n)
n 0 n
0
x(1)(n-1)
0
n
0 n x(1)h(n-1)
0 n
On montre:
Stable | h(n i) |
SLI
x(2)(n-2) numrique x(2)h(n-2)
n
n i
0 0

x(n) y(n)
En pratique:
h(n) amorti
n 0 n
Stable | h(i) | ( i )

19
Seconde interprtation
h(n)
h(-n)
n
0 n 0
x(n)
x(n)
SLI
numrique n
0 n 0

y (n) x(n) * h(n) h(i) x(n i) y(n)
()
i 0
h(0) x(n) h(1) x(n 1) h(2) x( n 2) ...

n
0
y(2)

20
10
y(n) y(n 1) y(n 2) x( n)
Soit x(n)={1,0,2,1,0,0,0,} y(6)?
resp=filter([1],[1 1 -1],[1,0,2,1,0,0,0])
1 1 4 6 10 16 26
A partir de h(n) = {1,1,2,3,5,8,13,21,34,} :
x(0)=1 y(6)=13 {34,21,13,8,5,3,2,1,1}

x(2)=2 y(6)=2*5=10 {1, 0,2,1,0,0,0}
x(3)=1 y(6)=3 ===============
=> total=26 () 26

21
1.6 Transforme en z
Ples et zros dun SLI
Convolution numrique produit de polynmes
x(n)={1,2,3,0,0,}
h(n)={2,3,4,0,0,}
y(n)=x(n) * h(n) = {2,7,16,17,12,0,0,}
X(z)=1+2z-1+3z-2=z-2(z2+2z+3)
H(z)=2+3z-1+4z-2= z-2(2z2+3z+4)
Y(z)=X(z).H(z)= z-4(2z4+7z3+16z+17z+12)
MATLAB: produit de polynmes

conv([2,3,4],[1 2 3])
ans =
2 7 16 17 12

22
11
Tsforme en Z Laplace
z ep
23
Rappel : L(signaux usuels)

exp(-at) (t)
1 sin( t)exp(-t)(t)
1
1/ 2/ t
1/a t
1 1 1
L e at (t ) L e t sin(t ) (t ) 2
p 2 p
2
pa
avec
2 2 2
Im(p)
X
Im(p)
Re(p) Re(p)
-a
X


24
12
z(signaux usuels)
a (n)
n
ncos(n)(n)
1 1
n n

i
cos(n ) (n) i cos(i ) z i e e ji z i
Z
n ji
i 0 i 0 2
| z 1 |1
|az 1 |1 1/ 2 1/ 2
an (n) ai z i 1
Z
1 e j z 1 1 e j z 1
i 0 1 az 1
1 cos( ) z 1

Im(z) Im(z) 1 2 cos( ) z 1 z 2
x
Re(z) Re(z)
x - 1 2 cos( ) z 1 z 2
a 1 1
x z 2 ( z 2 2 z )
( cos( ))

25
Proprits ?
(Moins utile quen Laplace)

Retard de {x(n)} de n0 chantillons :
Z
x(n n0 ) x(i n0 ) z i x(k ) z ( k n0 )
i k

z n0
x(k ) z
k
k
n0
z X ( z)

26
13
H(z)
N M
i 1 i 0
N M
Y ( z ) Y ( z ) ai z i X ( z ) bi z i
i 1 i 0
M
Y ( z) b z i
i
H ( z) i 0
N
1 ai z i
X ( z)
i 1
M
b z i
i
B( z )
Zros
H ( z) i 0
N
(a0 1)
a z i A( z )
i Ples
i 0

27
Ples et stabilit
Im Im
z=ep 1
Re Re

28
14
y(n) y(n 1) y(n 2) x(n)
Y ( z) z 1Y ( z) z 2Y ( z) X ( z)
1
H ( z)
1 z 1 z 2
zplane([1],[1 1 -1])

29
Exemple 1.13 Moyenne mobile

1/N
x(n) y(n)
N 1
1
y (n)
N
x(n i )
i 0
z-1
x(n-1)

N 1 z-1
1
H ( z)
N
z
i 0
i x(n-2)

z-1
1 1 zN
x(n-(N-1))
N 1 z 1

1/N
x(n) y(n)

1
y(n) y(n 1) x(n) x(n N ) z-N z-1
N -1 1


30
15
Chapitre 2
ANALYSE FREQUENTIELLE
DES SIGNAUX ET SYSTEMES
NUMERIQUES
Witold Hurewicz (1904-1956). Mathmaticien russe,

T. Dutoit
spcialiste en topologie. Emigr aux Etats-Unis en 1936, il
dcida dy rester et devint professeur au MIT, de 1945 sa thierry.dutoit@fpms.ac.be
mort. Durant la seconde guerre mondiale, il participa
lanalyse des signaux radar, intrinsquement discrets puisque
la position des objets y est connue une seule fois par tour
dantenne. Cest dans ce contexte quil inventa en 1947 ce
que nous connaissons aujourdhui sous le nom de
transforme en Z.
01/09/2016
Plan du chapitre
Signaux usuels
Oprations sur les signaux
Analyse frquentielle des signaux temps
continu
Transforme de Fourier dun signal dnergie
finie
Transforme de Fourier d'une fonction
priodique - Sries de Fourier
discret
Rponse en frquence des SLI

2
1
1. Signaux simples usuels
(t) rect(t)
1 1
t t sinc(t)
-1/2 1/2 1
0
Signal chelon Signal rectangulaire
t
-2 - 2
Signal sinus cardinal
sinc(t)=sin(t)/t
Signal triangulaire

3
1. Signaux simples usuels
T0 2 / 0
P a
f 0 0 / 2
Signal exponentiel imaginaire
P a / 2
RMS a 2
Signal sinusodal

4
2
Exemple
U max 14.1 10 2
0 2 / T0 2 / 0.02 315 rad / s

t 2 0.0032
1 rad / s
2 T0 0.02

5
1. Signaux simples usuels : (t), (t) T0
rect(t/a)/a (t)
1/a 1
Thorie des distributions
(t )dt 1
a0
(L. Schwartz)
t t
-a/2 a/2
(t) f(t) f(0)(t)

1
f(0)

f (t ) (t ) dt f (0)
t x t = t
0 0 0
Train dimpulsions T0(t)

(ou peigne) de Dirac
1
t
T0

6
3
1. Signaux simples usuels : (n)
(n)
1
( n) 1

n
0
(n) f(n) f(0)(n)

1
n x n=
f(0)
n
f (n) (n) f (0)

0 0 0
Impulsion de Dirac (n)

7
2. Oprations sur les signaux

Dcalage temporel
(time-shift)
Rflexion Changement dchelle

f ( t )
f (t )
Contraction (>1)
Dilatation (<1)

8
4
2. Oprations : somme

9
2. Oprations : produit
modulation damplitude, trmolo

10
5
2. Oprations : produit scalaire

f (t ), g (t ) f (t ) g * (t ) dt
Energie dun signal
f(t)
E
2
f (t ) dt A
t
Signaux dnergie g(t)
finie : B
t
recta(t)
sinc(t)
1 1
f(t)g(t)
t t <f(t),g(t)>
-a/2 a/2 -2 - 2 AB
T0
t

f (t ), f (t ) f (t ) dt E
2

11
2. Oprations : produit scalaire

1 T0 / 2
fT0 (t ) gT (t )dt ( si T T0 / k ; k 0,1, 2,...)

*

fT0 (t ), gT (t ) T0 T0 / 2

Puissance dun signal 0 ( si T T0 / k ; k 0,1, 2,...)
T /2 fT0(t)
1
T T
P lim
2
f (t ) dt A
T / 2
t
Signaux de puissance
finie : gT0(t)
B
(t)
1
f(t) fT0(t) t
A A
t t t
T0
f(t)g(t)/T0
<fT0(t),gT0(t)>
T0 / 2 AB/T0
1 t

2
P fT0 (t ) dt
T0 T0 / 2
T0 / 2
1

2
1
T /2 fT0 (t ), fT0 (t ) fT0 (t ) dt P
lim recta (t ) / a dt 1
T T a 0
2
lim T0 T0 / 2
T / 2 Prof. Thierry Dutoit

12
6
T0
2. Produit scalaire - Exemples

recta(t) (t)
f(t) (t-)
1 1 1 1
< -a/2 a/2

t
, t
> = a/2 < t
,
> t
= f()
sin(0t ),cos(0t ) cos(0t ),cos(0t )

f(t) f(t)
t t
g(t) g(t)
Gnraliser :
t t
sincos
f(t)g(t) <f(t),g(t)>=0 f(t)g(t) <f(t),g(t)>=1/2
+ + t
+ ++ +
- -
t
1 si mme
< , > > =
sinon 0
13
2. Oprations : convolution

z (t ) x(t ) * y (t )

x( ) y(t )d

14
7
2. Oprations : convolution

15
Convolution : exemples
f(t) (t-t0) f(t-t0)

A A
1
t t t
* =
t0 t0
f(t) T0(t)
A 1
t t
*
T0
fT0(t)
= t
T0
16
8
3. Analyse frquentielle des
signaux temps continu

17
Rappel : dcomposition sur

une base orthonorme
x , u1 u1 x1u1
x x1u1 x2u2
u1
u2 x , u2 u2
x2u2

18
9
Dcomposition dun signal
dnergie finie sur { (t ) ( [, ]) }
f (t ), (t t1 ) (t t1 )
f (t1 ) (t t1 )
f (t ) f (t1 ) (t t1 ) f (t2 ) (t t 2 )
1 (t t1 )
t1
(t t2 )
1
f (t ), (t t2 ) (t t2 )
f (t2 ) (t t2 )
t2

19

dnergie finie sur { e jt ( [, ]) }
f (t ), e j1t e j1t
F (1 )e j1t
f (t ) F (1 )e j1t F (2 )e j2t
e j1t
f (t ), e j2t e j2t
j2t
e
F (2 )e j2t

20
10
dnergie finie sur { e jt ( [ , ]) }
Transforme de Fourier inverse

f(t) F(f)e jdf
t
avec F(f) e
f(t) , j t

f (t ), e j1t e j1t
F (1 )e j1t
F(f)

f(t)e jt dt
f (t ) F (1 )e j1t F (2 )e j2t
Transforme de Fourier
e j1t
f (t ), e j2t e j2t
e j2t
F (2 )e j2t
21
Amplitude et phase de la Transforme

de Fourier dun signal rel
f(t)

Surface= A0 Signal rel
Amplitude paire
F(f)

f(t)e jt dt
Phase impaire
F ( f ) A( f )e j ( f )
A(f) (f)
A0

22
11
Exemple : rect(t)
1/ 2
1
rect (t )
1/ 2
e jt dt e j / 2 e j / 2
j
sin / 2 sin / 2
2
/2
sinc( f )

23
Intuitivement
A(f)
1
rect(t)
1
t
-1/2 1/2

f
0 1 2 3
j 0t
1= e
e j 2 t
t

24
12
Autre exemple : Dirac
A(f)
(t) 1
t

f
0
j 0t
1= e
e jt
t

25
1.2 Proprits : dualit
F(f)e
jt
F(f) f(t)e jt dt f(t) df

Exemple : sinus cardinal

sinc(t ) rect( f ) rect ( f )

26
13
Proprits : dcalage temporel

27
Proprits : rflexion
f(t) f(-t)

28
14
Proprits : changement
dchelle
a=1/2

29
Proprits : produit et
convolution
rect(t) |sinc(f)|
1
Exemple :
1
t f
triangle -1/2
*
1/2 0
x
1 2 3
rect(t) |sinc(f)|
1
1
tri (t ) sinc( f ) t f
-1/2 1/2 0 1 2 3
= =
tri(t)
1 |sinc(f)|
1
t f
-1 1 0 1 2 3

30
15
Proprits :
produit scalaire et Parseval
x1
x1 , x2 x1 x2 cos( )
x2

31
Plan du chapitre
Signaux usuels
continu
finie
discret

32
16
4 Transforme de Fourier d'une
fonction priodique - Sries de Fourier

F(f)e
jt
f(t) df avec F(f) f(t), e jt

0 si k0
2
Mais ici : fT0 (t), e jt
1 T0 / 2
(0 )
T0 fT0 (t)e jt dt si k0 T0
T0 / 2
La transforme de Fourier dune fonction priodique est

nulle pour toutes les frquences sauf pour f = k f0
Les produits scalaires pour ces frquences apparaissent
comme des impulsions de Dirac en frquence
T /2
1 0
FT0 (f) Fk ( f kf 0 )
k
avec Fk
T0 T0 / 2 0
fT (t)e jk0t dt

33
Exemple : signal carr priodique

34
17
Graphiquement
fT0(t)
AT0(f)
T0 (f)
A0/T0
T /2
1 0
fT0 (t ) Fe
k
k
jk0t
avec Fk
T0 T0 / 2
fT0 (t)e jk0t dt
35 Prof. Thierry Dutoit
Lien avec la TF du signal non

priodique?
f(t)
Surface=A0
A(f) (f)
A0

f(t)

F(f)e jt dt avec F ( f )

f(t)e jt dt

36
18
Exemples

37
Exemple : peigne de Dirac
Explique la TF
dun signal
priodifi

38
19
Exemple : signal carr priodique
Exemple : triangle priodique

triT0(t)
1/2 |sinc(f)/2|
1
t f
-1 1 0 1 2 3

39
5 Notation en f notation en
A(f) A()
a a
Simple changement
daxe x
f
0 1/a 2/a 3/a 0 2/a 4/a 6/a

SAUF:

(f)df 1 ( )d (f)=2 () !

A(f) A()
1/2 1/2
f
-f0 0 f0 - 0 0 0

40
20
Plan du chapitre
Signaux usuels
continu
finie
Analyse frquentielle des signaux
temps discret
Rponse en frquence des SLI

41
4 Analyse frquentielle des

signaux temps discret
f +(t)

f (t )
n
f (n) (t nTe )
Te
f +(t)

Te F (f) f (t)e jt dt
= Tsfo de Fourier + temps discret
|F |
(TFTD)

|F +|
A(0)

n
f (n) (t nTe ) e jt dt

A+(0)
-2 e - e
2 e
f (n)e j nTe
-2 e -
0 e 2 e
n
e 0 e
f f

-2 f e - f e- f e f ef e 2f e

f
-2 f e 0 2f e

F(F) f (n)e jn 2 F (F )
Fe
-4 2 0 2 4 n
-4 2 0 2 4F
-2
-2
-1
-1 0
0
1
1
2
2
F(F )
n
f (n)e jn ( 2 F )

42
21
4 Analyse frquentielle des
signaux temps discret
f +(t)

Te
f +(t) f (t )

F( )e jn d
Te
1
F( )e d
jn
= Tsfo de Fourier + temps discret
|F | 2
(TFTD)

|F |+ 1/ 2
A(0)
A+(0)

F 1/ 2
F(F)e jn 2 dF

-2 e - e 2 e
-2 e - e
0
0
e
e 2 e
f favec F( )
n
f (n)e jn
-2 f e -2 f e - f e- f e 0 f ef e 2f e 2f e

-4 2 0 2 4
-4 2 0 2 4F
-2 -1 0 1 2 F
-2 -1 0 1 2

43
TFTD : gomtriquement

1, 2,1,0,0,0,... F( ) f (n)e jn
Im Im
1e j 0 1e j 0
Re Re

j
2
j
j
8
1e
1e 4 2e
j
4
j / 8 j / 4
2e
F (1/16) 1 2e e F (1/ 8) (2 2)e j / 4

44
22
f +(t)
TFTD sous MATLAB
Te
freqz([1 2 1],1)
|F +|
A(0)

-2 e - e 0 2 e
e
f
-2 f e -f e 0 fe 2f e

-4 2 0 2 4
F
-2 -1 0 1 2

45
TFTD : Proprits
TFTD = Tsfo de Fourier applique des signaux particuliers
Mmes proprits
f +(t)
Te
|F +|
Produits scalaires de fonctions F(F)
A(0) et G(F) priodiques
F Calcul sur une priode (F=1)
-2 -1 0 1 2

46
23
f +(t)
Te
TFTD(priodique) : short-cut
f +(t)
|F +(f)|
Sries de Fourier temps discret

A(0)
Te
f
FT0 (f) Fk ( f kf 0 ) e
Fk F(F 2FkF0 )
F-2FT0 (F) -F
e 0 e e
k * x
k
1 n0 1
T0 / 2
T0 (t)
avec Fk f(n)e jn k 0
1
avec Fk 1
T0
T0 / 2
fT0 (t)e jk0t dt
T0 n 0
1/T0
T0 t
f
-2Fe -Fe 0
f(t) Fe 2Fe
=n0Te
=
f
+
T0(t)
= t
+
|FT0(f)|
A+(0)/T0
f
t -2Fe -Fe 0 Fe 2Fe
NB: f, et pas F
47
Plan
Chapitre 2 ANALYSE FREQUENTIELLE DES SIGNAUX

ET SYSTEMES NUMERIQUES
2.1 Analyse frquentielle des signaux analogiques
2.2 Analyse frquentielle des signaux temps discret
2.3 Rponse en frquence dun SLI numrique

48
24
2.3 Rponse en frquence dun SLI
numrique
e jn y(n)

SLI
numrique
y ( n) x ( n) * h( n) h(i) x(n i)
i
?
h(i)e
i
j ( n i )

e jn h(i )e ji
i
y ( n) e jn
H ( )

avec H ( ) h(n)e
n
jn

Rponse en frquence
H ( ) h(n)e
n
jn
TFTD h(n)
du systme

49
Rponse en frquence
dun SLI numrique ?

1 1
X ( )e d X ( ) H ( )e d
jn jn
x ( n) y ( n)
2
2
Y ( )
e jn SLI H ( )e jn
numrique
y(n) e jn H ()

50
25
Exemples Matlab
h=0.9.^[0 :50] ; h=-0.9.^[0 :50] ; h=2*(0.9).^[0 :50].*
stem(h) ; stem(h) ; cos([0 :50]*pi/2)
freqz(h,1) ; freqz(h,1) ; freqz(h,1) ;
1 1 2
0.9 0.8
1.5
0.8 0.6
1
0.7 0.4
0.6 0.2 0.5
0.5 0 0
0.4 -0.2
-0.5
0.3
-0.4
0.2 -1
-0.6
0.1
-0.8 -1.5
0
0 10 20 30 40 50 60 -1
0 10 20 30 40 50 60 -2
0 10 20 30 40 50 60
20 25
Magnitude Response (dB)

20
20
10 10
15
10
0 0
5
-10 -10 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized frequency (Nyquist == 1) Normalized frequency (Nyquist == 1) Normalized frequency (Nyquist == 1)
0 80 100
Phase (degrees)
Phase (degrees)
-20
Phase (degrees)
60 50
-40 40 0
-60
20 -50
-80
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 -100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized frequency (Nyquist == 1)
Normalized frequency (Nyquist == 1) Normalized frequency (Nyquist == 1)

51
Lien H() H(z)
e jn y(n) N M
SLI
numrique
i 1 i 0
y(n) e jn H ( ) N M
H ( )e jn ai H ( )e j ( ni ) bi e j ( n i )
avec H ( ) h(n)e
n
jn
i 1 i 0
b e i
ji
H ( ) i 0
N
1 ai e ji
M i 1
b z i
i
H ( ) i 0
N
H ( z ) z e j ( H () H ( p) p j )
1 ai z i
i 1 z e j

52
26
Exemple
y(n)+0.81 y(n-2)=x(n)-x(n-2)
Dterminer lexpression de sa rponse en frquence H()
1 z 2 1 e j 2
H ( )
1 0.81z z e j 1 0.81e j 2
2
Dterminer sa rponse de rgime pour lentre

x(n)=10 + 10 cos(n/2) + 10 cos(n)
H (0) 0 H ( / 2) 2 / 0.19 10.53 H ( ) 0

y(n)=105.3 cos(n/2) : +20dB
40

20
Calculer et dafficher la rponse -20
en frquence sous Matlab

-40
-60
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
freqz([1 0 -1],[1 0 0.81]) ; 100
Phase (degrees)
50
-50
-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

53
Rappel : H(j) Interp. gomtrique

N ( p)
H ( p)
D( p)
( p z1)( p z 2)...( p zM )
H ( p) k
( p p1)( p p 2)...( p pN )
Im
( j z1)( j z 2)...( j zM )
H ( j ) k
( j p1)( j p 2)...( j pN ) Dp Nq
j q
p
Re
N1 N 2 ... N M
H ( j ) k
D1 D2 ... DN
arg H ( j ) arg(k ) 1 2 ... M 1 2 ... N

54
27
H() Interprtation gomtrique
M
(z z )
M
bi z i i
H ( ) i 0
N
H ( z ) z e j H ( ) Kz ( M N ) i 1
N
1 ai z i (z p )
i 1
i
i 1 z e j z e j
(z z ) i
H ( ) K i 1
N
(z p )
i 1
i
z e j

55
H() Interprtation gomtrique
Im Im
j
ej
z=ep 1
Re Re

56
28
Exemple prcdent
freqz([1 0 -1],[1 0 0.81]) ; 40

20
-20
-40
-60
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
100
Phase (degrees)
50
1
0
0.8
-50
0.6
zplane([1 0 -1],[1 0 0.81]) ; 0.4
-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Imaginary part
0.2 Normalized frequency (Nyquist == 1)
-0.2
-0.4
-0.6
-0.8
-1
-1 -0.5 0 0.5 1
Real part

57
Conclusion Chap 1&2

Structure
Circuit
Numrique
Electrique
Mason
Kirchoff(p) Intuitif
Kirchoff(t)
Equation
Equation aux
Diff. Finies
Diffrentielle Sol. Gn
Rcurrence
+Sol Part.
zL
X(p)
X(z)
. H(p)
H(z) Y(p)
Y(z)
p=j
z= e j z=
p=j e j z=
p=j e j
Lz X(f)
X(F)
. H(f)
H(F)
Lz
Y(f)
Y(F)
Lz
TFTD
F TFTD
F TFTD
F
x(t)
x(n) h(t)
h(n) y(t)
y(n)
*
Rcurrence
(n)

58
29
Chapitre 4
Transforme de Fourier
Discrte
John Tukey, (1915-2000), statisticien amricain. Aprs une licence
en chimie et deux en mathmatiques Brown et Princeton University,
il devint professeur de statistiques Princeton et continua en
parallle une carrire de chercheur aux Bell Labs. Il travailla
notamment dans le domaine de lanalyse statistique robuste. Avec
laide de James Cooley, il mit au point lalgorithme de la Transforme
de Fourier Rapide (FFT). John Tukey est galement linventeur du
mot software .
James Cooley (1926-), mathmaticien amricain, pionnier dans le T. Dutoit
dveloppement du traitement numrique du signal. Alors quil
travaillait dans les laboratoires de recherche de IBM New York, il thierry.dutoit@fpms.ac.be
co-inventa la FFT avec J. Tukey. Cet algorithme est aujourdhui lun
des plus utiliss en sciences et en ingnierie, de la gophysique
lastronomie en passant la biologie. Il a volontairement t rendu
public par IBM ds sa dcouverte en 1965, sans aucune protection
intellectuelle (sans brevet), afin de favoriser le dveloppement de
logiciels.
Invent par Frederic Gauss (1805) en Latin
Utilis en 1973 pour analyse les 18 minutes bruites dans lenregistrement
des conversations telephoniques de R. Nixon (Watergate) : authenticit de
la bande obtenue par analyse de la fluctuation du 60Hz!
01/09/2016
Plan
TFTD = Thorique TFD = outil
4.1 Transforme de Fourier Discrte

4.2 Transforme de Fourier Rapide
4.3 Observation spectrale
4.4 Convolution linaire

2
1
cos(0t) QUIZZ |XT0(f)|
1/2
t f
0
|XT0+(f)|
1/(2Te)
f
t
Te 0 fe
w(t) |W(f)|
T
1
t f
1/T
0 T
w+(t) |W+(f)| N
1
t f
0 T= NTe - fe 0 fe
|X+(f)|
N/2 N/2 N/2 N/2
t f
Te T=NTe
-fe 0 fe

3
4.1. Transforme de Fourier

Discrte
TFTD(DTFT): Transforme de Fourier

temps discret

2 F
f +(t) F( )
n
f (n)e jn
F
f
Te
fe
|F +|
A+(0)
Problmes :
1. - + ?
-2 0 2
F
-1 0 1 2. Pour tout ?

4
2
4.1. Transforme de Fourier
Discrte
TFD(DFT): Transforme de Fourier

Discrte
N 1 2
jn ( k
X (k ) x(n)e
)
f +(t) N
(k 0...N 1)
n 0
Te
|F +|
A+(0)
Problme :
?
Lien avec TFTD?
-2 0 2
F
-1 0 1

5
TFD - Dfinition
N 1 2
jnk
X (k ) x(n)e N
n 0
Inverse DFT
2
1 N 1

jnk
x ( n) X ( k )e N
N k 0

6
3
1. Interprtation gomtrique
Cf. TFTD! Exemple: N=4

Im Im
x(3)
2
j3
4
e
x(0)
e j0
x(1) e j 0 x(0) Re
k=0 Re 2 k=1
x(2) x(2) j2
x(3)
4
e 2
j
4
e
x(1)
Im Im
x(1)
2
j3
4
e
x(3) e j 0 x(0) e j 0 x(0) Re
2 k=2 Re 2 k=3
x(1) j2
x(2) x(2) j2
4
e 4 e 2
j
4
e
x(3)

7
1. Interprtation gomtrique 2 2
2
Exemple : TFD de { e j,0 e 4, } ={0,0,4,0}

j2 j4 j6
e 4
,e 4
Im Im
x(3)
2
j3
4
e
x(0)
e j 0 x(1) e j 0 x(0) Re
k=0 Re 2 k=1
x(2) x(2) j2
x(3)
4
e 2
j
4
e
X(0)=0 x(1) X(1)=0
Im Im
x(1)
2
j3
4
e
x(3) e j 0 x(0) e j 0 x(0) Re
2 k=2 Re 2 k=3
x(1) j2
x(2) x(2) j2
4
e 4 e 2
j
4
e
X(2)=4 x(3) X(3)=0

8
4
2. Interprtation vectorielle
N 1 2
x=[x(0),x(1),,x(N-1)]T
jn ( k
X (k ) x(n)e
)
N
x, w k 2 2
j ( N 1) k
2
{wk} ={[ e j 0, e ,e , e ] T}
jk j 2k
n 0 N N N
X1w1
Dcomposer
w1
x = X 0w0 X1w1 X 2w2 ... X N 1w N 1

w0 X0w0
Xk ?
x, w k X (k )
Xk
|| w k || N
X (k ) NX k
TFD=N * Dcomposition

9
2. Interprtation vectorielle 2 2 2
Exemple : TFD de
j2 j4 j14
{ e j,0 e 8, e 8
, e 8
}
1
1
0.5
x=exp(j*2*pi/8*2*(0:7)); 0.5
subplot(2,1,1); stem(real(x)); 0
0
-0.5
-0.5
-1
-1 1 2 3 4 5 6 7 8
1 2 3 4 5 6 7 8
8
8
6
6
X=fft(x,8) 4
X(2)=8
4
subplot(2,1,2); stem(abs(X)); 2
2
0
01 2 3 4 5 6 7 8
1 2 3 4 5 6 7 8

10
5
3. Interprtation spectrale
+
x T0(t) (T0=NTe)
{x(n)} n=0N-1 TFD=T0 * Raies de Fourier

+
T0|XT0 (f)|
n0 1
1
+
|XT0 (f)| raies :
T0
x(n)e
n 0
jn k 0
2
( 0 )
f N
-Fe 0 Fe
N 1 2
jn k
{X(k)} k=0N-1 x(n)e N
n 0

11
TFD Proprits
TFD= T0 * TFTD du signal priodifi
ET si x est rel : F ( N k ) F (k )*
12
6
4.2 FFT : Fast Fourier Transform
{X(0),X(1),X(2),X(3)}=DFT({x(0),x(1),x(2),x(3)})
x(3) x(1)
x(0)
x(1) x(0) x(3) x(0) x(0)
X(0) x(2) X(1) X(2) X(3)
x(2) x(1) x(2) x(2)
x(3)
x(1) x(3)
{A0, A1}=DFT({x0, x2}) {B0, B1}=DFT({x1, x3})
x(0) x(2) x(0) x(1) x(3) x(1)

A(0) A(1) B(0) B(1)
x(2) x(3)

13
{X(0),X(1),X(2),X(3)}=DFT({x(0),x(1),x(2),x(3)})
x(3) x(1)
x(0)
x(1) x(0) x(3) x(0) x(0)
X(0) x(2) X(1) X(2) X(3)
x(2) x(1) x(2) x(2)
x(3)
x(1) x(3)
+ + - -
x(3)
x(0) x(2) x(0) x(1) B(1)

A(0) A(1) B(0) 2
x(2) x(3) j
N
e
x(1)

14
7
A(k) X(k)= A(k)+W-k B(k)
Croisillon
(Butterfly)
B(k) W-k 2 X(N/2+k)= A(k)-W-k B(k)
j
(W e N
)
FFT(N=8) Contrainte: N=2m

x0 X0
x4 X1
W0
x2 W 0 X2
x6 0 W -2 X3
W
x1 W0 X4
x5 W0 W-1 X5
x3
W 0 W-2 X6
x7 W0 W-3 X7
W-2

15
4.2 FFT : Charge de calcul

N 1 2
jn ( k
DFT: X (k ) x(n)e
)
N
(k 0...N 1)
n 0
O(N) additions et multiplications complexes
DFT calcule par FFT: x0

x4
W0
X0
X1
x2 W0 X2
x6 W-2 X3
W0
x1 W0 X4
x5 W0 W-1 X5
x3
W0 W-2 X6
x7 W0 -2 W-3 X7
W
O(N log2 (N) ) additions et mult. complexes
Ex: N=1024 106 104 Gain de 100!

(NB: x(n) rel X(N-K)=X*(k) Gain suppl. de 2)

16
8
Plan


17
Prliminaire
w(t) |W(f)|
T
1
t f
1/T
0 T
w+(t) |W+(f)| N
1
t f
0 T= NTe - fe 0 fe

W ( F ) w(n)e jn

1 e j e j 2 ... e j ( N 1)
1 e jN

1 e j
e j N 2 sin( N )
j1 2
e 2 sin( 1 )
2
18
9
TFTD(Signal priodique)
|XT0(f)|
xT0(t)
AT0(0)
t f
-fe 0 fe
|W+(f)|
w+(t)
1
1/Te
t f
- Fe 0 Fe
0 (N-1)Te
xT0+(t) |XT0+(f)|
AT0(0)/Te
t f
- Fe 0 Fe

19

TFD(Signal priodique)
|XT0(f)|
xT0(t)
AT0(0)
t f
-fe 0 fe
|W+(f)|
w+(t)
N
t f
- Fe 0 Fe
0 (N-1)Te
+ +
|X|X(k)|
N (f) |=|XT0(f)*W (f)|
N AT0(0)
xN+(t)=xT0(t)w+(t)
t kf
0 (N-1)Te - Fe 0 Fe
N-1

20
10
Exemple: exp(jn0)
FFT(N=16)
20
0=4/16 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
20
0=4.1/16 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
20
0=4.5/16 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
20
0=4.9/16 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
fr quence normalis e

21
Exemple : sinusode
2s de cos(0t) avec f0=1Hz

Fe=100 Hz
Fe=100; t=[0:1/100:2];
sinusoid=[cos(2*pi*1*t)];
[fourier,frequencies]=freqz(sinusoid) %
subplot(211);
plot(sinusoid);
title('f(n)');
subplot(212);
plot(frequencies/pi*(Fe/2),abs(fourier));
title('|F(f)|');

22
11
Exemple : signal constant
2s de f(t)=1
Fe=100 Hz
signal=rectwin(200);
[fourier,frequencies]=freqz(signal);
subplot(211);
plot(signal);
title('f(n)');
subplot(212);
title('|F(f)|');

23
Exemple : signal carr

priodique
3 priodes de rectT0(t) avec T0=2s

Fe=10 Hz
signal=[rectwin(10) ; zeros(10,1)];
signal = [signal; signal; signal];
[fourier,frequencies]=freqz(signal)
subplot(211);
stem(signal);
title('f(n)')
Fe=10;
subplot(212);
title('|F(f)|');

24
12
Exemple : triangle priodique
triT0(t)
1/2 |sinc(f)/2|
1
t f
-1 1 0 1 2 3
3 priodes de triT0(t) avec T0=2s

Fe=10 Hz
signal=[triang(20)];
signal = [signal; signal; signal]
subplot(211);
subplot(211);
stem(signal);
stem(signal);
title('f(n)')
title('f(n)')
freqz(signal);
Fe=10;
subplot(212);
title('|F(f)|');
25
Exemple : segment de parole

Parenthse , Fe=8000 Hz
signal=audioread('par8.wav');
Fe=8000;
plot(signal)
xlabel('temps (chantillons)');
ylabel('Amplitude');
soundsc(signal,8000);
Extrait du a de parenthse
segment=signal(600:839);
[fourier,frequencies]=freqz(segment)
subplot(211);
plot(segment);
subplot(212);
title('|F(f)|');

26
13
TFTD(Signal non priodique)
Cas o la fentre de N chantillons na pas

dinfluence (N est suffisamment grand
pour reprendre toute la dure du signal)
la TFD affiche alors directement N valeurs de

la TFTD originale

27
Exemple : rect(t)
rect(t)
Fe = 10 Hz,
complt par cent chantillons nuls.
signal=[rectwin(10) ; zeros(100,1)];
[fourier,frequencies]=freqz(signal);
subplot(211); stem(signal);
title('f(n)');
Fe=10;
subplot(212);
title('|F(f)|');

28
14
Exemple : tri(t)
tri(t)
1 |sinc(f)|
1
t f
-1 1 0 1 2 3
tri(t)
Fe = 10 Hz,
complt par cent chantillons nuls
signal=[triang(20) ; zeros(100,1)];
title('f(n)')
Fe=10;
subplot(212);
plot(frequencies/pi*(Fe/2),abs(fourier);
title('|F(f)|');

29

TFTD(Signal non priodique)
Si la fentre de N chantillons tronque le signal
|X(f)|
x(t)
A(0)
t f
-fe 0 fe
|W+(f)|
w+(t)
1
1/Te
t f
- Fe 0 Fe
0 (N-1)Te
|X+(f)|
A(0)/Te
x+(t)
t f
-Fe 0 Fe

30
15
TFD(Signal non priodique)
|X(f)|
x(t)
A(0)
t f
-fe 0 fe
|W+(f)|
w+(t)
N
t f
- Fe 0 Fe
0 (N-1)Te
+
N 1
|X N(f) |=|X(f)*W (F)|
|X(k)|
x ( n)
k n 0

kk A(0)/T
A(0)/Tee
xN+(t)=x(t)w+(t)
x ( n)
n
t kf
0 (N-1)Te - Fe 0 Fe
N-1

31
Ex: h(n) dun SLI analogique

20 logQ
log
=
-40 dB/dc
2
( p) 2
p 2 p 2
10
2
0
Magnitude
10
-2
=21000
10
-4
Qp=40 dB
10
3 4 5
10 10 10
Frequency (radians)
0
4
x 10 h(t) pour Fe=10000 et N=1024
Phase (degrees)
-501
0.5
-100
2
h(t ) exp( t ) sin( t ) (t ) -1500
-0.5
-200
3 4 5
10
-1 10 10
0 0.02 0.04Frequency (radians) 0.08
0.06 0.1 0.12
A(w) (dB)
40
Fe? 10kHzaliasing(0)=-40dB 20
Prof. Thierry Dutoit -20

1 2 3 4 5
32
10 10 10 10 10
16
Ex: h(n) dun SLI analogique
4
x 10 h(t) pour Fe=10000 et N=1024 4
h(t) pour Fe=10000 et N=512
x 10
1 1
0.5 0.5
0 0
-0.5
-1
N=1024 -0.5
-1
N=512
0 0.02 0.04 0.06 0.08 0.1 0.12 0 0.01 0.02 0.03 0.04 0.05 0.06
A(w) (dB) A(w) (dB)
40 40
20 20
0 0
-20 -20
1 2 3 4 5 2 3 4 5
10 10 10 10 10 10 10 10 10
4 4
x 10 h(t) pour Fe=10000 et N=256 x 10 h(t) pour Fe=10000 et N=128
1 1
0.5 0.5
0 0
N=256 N=128
-0.5 -0.5
-1 -1
0 0.005 0.01 0.015 0.02 0.025 0.03 0 0.002 0.004 0.006 0.008 0.01 0.012 0.014
A(w) (dB) A(w) (dB)

40 30
20 20
10
0
0
-20
-10
-40 -20
2 3 4 5 2 3 4 5
10 10 10 10 10 10 10 10

33
Exemple : sinc(t)
Sinc(t)
Fe = 10 Hz,
centr dans le vecteur dchantillons
Fe=10 ; t=(-100:99)* 1/Fe;

signal=sinc(t);
title('f(n)')
subplot(212);
plot(frequencies/pi*(Fe/2),abs(fourier);
title('|F(f)|');

34
17
Plan

* NTFD (deviner leffet)
* Fentre de pondration

35
TFD sur NTFD points en frquence 2
NTFD > N : X (k ) x(n)e

N 1 jn ( k )
(k 0...N 1) NTFD
TFD
n 0
|X(f)|
x(t)
A(0)
t f
-fe 0 fe
|W+(f)|
w+(t)
N
t f
- Fe 0 Fe
0 (N-1)Te
|X(k)|
k A(0)/Te
xN+(t)=x(t)w+(t)
t k
0
0 (N-1)Te NTFD-1

36
18
Exemple: TFD de
{x(0), x(1), x(2), x(3),0,0,0,0}
x(3) x(2)
x(0)
e j 0 x(1) x(0) x(2) x(0) x(0)
k=0 x(2) k=1 k=2 k=3
2
x(3) j
8
e
x(3) x(1) x(1) x(3)
x(2) x(1)
x(1) x(2)
x(1) x(3) x(3) x(1)
x(1) x(0) x(0) x(2) x(0) x(0)

k=4 x(2) k=5 k=6 k=7
x(3)
x(2) x(3)
TFD de {x(0), x(1), x(2), x(3)}

37
Exemple : {1,1,1,,1}
Ex: x=ones(1,16)
1
0.5
0
0 2 4 6 8 10 12 14 16
20
abs(fft(x)) 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1
y=[x zeros(1,16)] 0.5
0
0 5 10 15 20 25 30 35
20
abs(fft(y)) 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1
y=[x zeros(1,112)] 0.5
0
0 20 40 60 80 100 120 140
20
abs(fft(x)) 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

38
19
TFD sur NTFD points en frquence
NTFD < N
xN(0), xN(1), xN(2), xN(3), xN(4), , xN(N-1)
NTFD valeurs NTFD valeurs NTFD valeurs NTFD valeurs
|X(k)|
k A(0)/Te
Somme TFD k
0 NTFD-1
39
Exemple: TFD de
{x(0)+x(4), x(1)+x(5), x(2)+x(6), x(3)+x(7)}
x(3)+x(7)

j3
4
e
x(0)+x(4)
x(1)+x(5)
j0
k=0
e x(2) e j 0 x(0)
x(2)+x(6) k=1
+ x(6) j2 +x(4)
x(3)+x(7) e 4

j
4
e
x(1)+x(5)
x(1)+x(5)

j3
4
x(1) x(0) e
+x(5) e j0 +x(4) x(2) e j 0 x(0)
k=2 k=3
x(3) j2
4 x(2) + x(6) j2 +x(4)
e e 4
+x(7) +x(6) j

4
e
x(3)+x(7)

40
20
Exemple: {1,1,1,,1}
Ex: x=ones(1,16)
1
0.5
0
0 2 4 6 8 10 12 14 16
20
abs(fft(x)) 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
2
y=x(1:8)+x(9:16) 1
0
1 2 3 4 5 6 7 8
20
abs(fft(y)) 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
4
y=y(1:4)+y(1:4) 2
0
1 1.5 2 2.5 3 3.5 4
20
abs(fft(y)) 10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8

41
En rsum, pour NTFD

42
21
Pondration par une fentre
{x(n)}.* {w(n)}
1
Ex: sin(130Hz) +
0
0.01 sin(300 Hz) -1
-2
Fe= 1000 Hz
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
N=64 40
NTFD=512 20
-20
0 100 200 300 400 500 600 700 800 900 1000
Autres fentres (que rectangulaire)?

43

{x(n)}.* {w(n)}
Type Largeur du lobe Niveau des lobes
principal (en F) secondaires
Rectangulaire 1/N -13 dB
Hanning 1.5/N -30dB
Hamming 2/N -40 dB
Blackman 2.75/N -60 dB

44
22
1
0.5
0
Ex: sin(130Hz) + 0.01 sin(300
-0.5
Hz) (Fe=1000)
-1
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
2 40
1
1
20
0.5
Hamming
0
0 0
-20
-1 -0.5
-40
-2 -60
-1
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0 1000.01 200 0.02
300 400
0.03 500 0.04
600 700
0.05 800 0.06900 1000
0.07
40 50
Rectangulaire Blackman
20 0
0 -50
-20 -100
0 100 200 300 400 500 600 700 800 900 1000 0 100 200 300 400 500 600 700 800 900 1000

45

Ex: sin(130Hz) + sin(150 Hz) (Fe=1000)
50
Rectangulaire
0
-50
0 100 200 300 400 500 600 700 800 900 1000
50
Hamming
0
-50
-100
0 100 200 300 400 500 600 700 800 900 1000
50
Blackman
0
-50
-100
0 100 200 300 400 500 600 700 800 900 1000

46
23
Compromis temps-frquence
Ex: [sin(100Hz) ; sin(200 Hz)] (Fe=1000)
1
0.5 N=196
0
-0.5
1 -1
0 20 40 60 80 100 120 140 160 180 200
0.5
0
60
-0.5
N=256 40 N=64 N=32
-1
0 20 40 60 80 100 120 140 160 180 200
20
60
0
40 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
20
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
ordre des
sinusoides ?

47

Conclusion
CAUSE EFFET CONTRLE
Duplication du spectre Fe ?
x(t) x(n)
Shannon- recouvrement
x(n) .* w(n) Type de

Fentre ?
N?
x(n) X(k) NTFD ?

48
24

y(n) x(n)* h(n) x(i)h(n i)
i
N*M N M
N 1
yc (n) x(n) h(n) x(i)h((n i) mod N )
i 0
x(n) Compltion x(n)

par des zros FFT
y(n)
x IFFT
h(n) Compltion h(n)

par des zros FFT
[x(n),0,0,,0] et [h(n),0,0,,0] : N+M-1 chantillons

Trs intressant si N et M >>
49

Exemple
200
a=ones(1,200) ; b=ones(1,180) ; 100
y1= conv(a,b);
0
0 100 200 300 400 500 600
200
a(256)=0;b(256)=0;
100
y2=real(ifft(fft(a).*fft(b)));
0
0 100 200 300 400 500 600
200
a(512)=0;b(512)=0;
y3=real(ifft(fft(a).*fft(b))); 100
0
0 100 200 300 400 500 600

50
25
Parler
DES ECHANGES ERASMUS

51
26
Chapitre 5
TRAITEMENT NUMERIQUE
DES SIGNAUX ALEATOIRES
Steven L. Kay, ingnieur lectricien amricain,

professeur de traitement du signal luniversit de
Rhodes Island. Spcialiste en statistique
T. Dutoit
mathmatique en liaison avec le traitement du thierry.dutoit@fpms.ac.be
signal, il est lauteur dun ouvrage de rfrence
dans le domaine de la dtection de signaux
(Fundamentals of Statistical Signal Processing,
Prentice Hall). Membre dhonneur de lIEEE pour
sa contribution la dtection et lestimation
spectrale paramtrique
01/09/2016
|X(f)|
x(t)
A(0)
Signaux dterministes t f
non priodiques : TF-TFTD-FFT

-fe 0 fe
|W+(f)|
w+(t) |X(f)|
x(t)
1 A(0)
1/Te
t f
t f
- Fe 0 Fe
0 (N-1)Te -fe 0 fe
|X+(f)|
A(0)/Te
|W+(f)|
w++(t)
x (t)
1
1/Te
t f
t f
- Fe 0 Fe
0 (N-1)Te -Fe 0 Fe
|X+(f)|
A(0)/Te
x+(t)
t f
-Fe 0 Fe

2
1
|XT0(f)|
xT0(t)
AT0(0)
Signaux dterministes t
-fe 0 fe
f
priodiques : TF-TFTD-FFT
w+(t)
|W+(f)|
1 |XT0(f)|
xT0(t) |XT0(f)|
xT0(t) 1/Te
AT0(0)
t AT0(0) f
- Fe 0 Fe f
0 (N-1)Te t
t f
-fe 0 fe
-fe 0 fe
|W+(f)|
w+(t) |W++(f)|
xwT0++(t)
(t) |X
N T0 (f)|
AT0(0)/Te
11
1/Te
t f
t f
- Fe 0 Fe
0 (N-1)Te - Fe 0 Fe
0 (N-1)Te
|X(k)|
N AT0(0)
xN+(t)=xT0(t)w+(t) |XT0+(f)|
xT0+(t)
AT0(0)/Te
t k
t f
0 (N-1)Te 0 N-1
- Fe 0 Fe

3
Alatoires?
Forme analytique ? Synthse
= Dterministes
Ex : mission radar-sonar, synthse de son-image,
modulations en tlcom, etc.
Forme non analytique ? Analyse (naturel)

(Causes multiples, incontrlables, non mesurables)
= Alatoires
Ex : rception sonar ou radar, parole naturelle,
lectro-cardiogramme, lectro-encphalogramme,
signaux godsiques, signaux boursiers
alatoire dterministe !

4
2
Exemples de signaux alatoires
Intervalles entre les

battement du cur (ms)
Pression artrielle
moyenne (mm Hg)
Volume respiratoire

5
Signal alatoire
pX (t ) ( x)
x
Signal stationnaire : pX (t ) ( x) = p X ( x) pour tout t

p X ( x) = Statistique dordre 1 ~ moyenne, cart-type
pX (t ) X (t ) ( x, y) = Statistique dordre 2 ~ autocorrlation,
densit spectrale de puissance
6
3
Plan
5.1 Variables alatoires

5.2 Signaux alatoires
5.3 Signaux alatoires a temps discret
5.4 Filtrage dun signal alatoire
5.5 Estimation de sa statistique du 2e ordre

7
5.1 Variable alatoire

PX(x) FX(x)
1
densit de probabilit
fonction de rpartition
x
x 0 x
mx x
b
P ( X (a, b)) p X ( x)dx FX ( x) p

X ( )d
a
Approch par

mX E[ X ] xp

X ( x)dx

X 2 E[( X mX )2 ] (x m

X ) 2 p X ( x)dx

8
4
Variables alatoires
densit de y pY(y| x=1.6)
probabilit
conjointe
p XY ( x, y )
x pY(y| x=1)
Approch par
cov( X , Y ) E[( X mX )(Y mY )]
Indpendance Non-corrlation
pXY ( x, y) pX ( x) pY ( y) cov( X , Y ) 0
9
Algbre des variables alatoires

PX1(x1) PX2(x2)
x2
x1
x1 x2
mx1 mx2
Y X1 X 2 Y X1 X 2
pY ( y ) ? pY ( y ) ?

pY ( y ) p

X1 ( x) p X 2 ( y x)dx ???
pY ( y ) p X1 ( x) * p X 2 ( x)
https://en.wikipedia.org/wiki/Product_distribution

10
5
Exemple : v.a. uniforme
pX(x)
1/q q/2
x3
q/2
x2 q2
x
X2
q / 2
q
dx
3q q / 2 12
-q/2 q/2
x=rand(1,1000);
x=(x-1/2)*10;
80
m=mean(x)
m = 60
0.0211 40
s=std(x)^2; 20
s =
0
8.3717 -5 -4 -3 -2 -1 0 1 2 3 4 5
hist(x,20);

11
Exemple : v.a. Gaussienne N(m,)

PX(x)
1 ( x m)2
p X ( x) exp
2 2 2
6

X2 x p X ( x)dx ... 2
2
x
m
x=randn(1,1000);
x=x*10+8;
m=mean(x) 2000
m = 1500
7.5692 1000
s=std(x)^2; 500
s =
89.0175 0
-30 -20 -10 0 10 20 30 40 50
hist(x,20);

12
6
Exemple : v.a. Gaussienne N(m,)
Tirage dune variable Gausienne?
U=FX(x)
1
tirage uniforme
0 x
Tirage suivant
pX(x)
Thorme central limite
X quelconque(mX,X) X+X+X+X++X : N(NmX,X/N)
PX(x)*PX(x)*PX(x)*PX(x)PX(x) = N(NmX,X/N) !!!

13
A. Einstein a invente l'autocorrlation, la

densit spectrale de puissance et le
thorme de Wiener-Kintchine en
1914 (un an avant la relativit gnrale)
Il tudiait depuis 1904 ( 26 ans!) le
"bruit" du mouvement brownien pour
prouver l'existence des atomes (dont il est
une manifestation macroscopique)

14
7
Fonction dautocorrlation

XX ( ) E[ X (t ) X (t )] xy
* *
p X (t ) X (t ) ( x, y)dxdy

XY ( ) E[ X (t )Y * (t )] (intercorrelation)
Signal
ergodique
1 T /2
mX x(t ) lim x(t )dt
T T
T / 2
1 T /2

X 2 | x(t ) mX |2 lim | x(t ) mX |2dt
T T
T / 2
1 T /2

XX ( ) x(t ) x* (t ) lim x(t ) x* (t )dt =<x(t),x(t-)>
T T
T / 2

15
Fonction dautocorrlation
1 T /2

XX ( ) x(t ) x* (t ) lim
x(t ) x* (t )dt XX ( ) XX * ( )
T T
T / 2 SXX(f)
XX(t)
x(t) X
X
X t t f
0
XX (0) E[ XX * ]
E[( X mX mX )( X mX mX )* ]
E[( X mX )( X mX )* ] E[mX mX ]
*
E[( X mX )mX ] E[mX ( X mX )* ]

*
X | mX |2
2

16
8
Densit spectrale de puissance

S XX ( f )

XX (t )e jt dt avec 2 f
XX ( ) XX * ( ) S XX ( f ) relle
et si XX ( ) relle S XX ( f ) paire
SXX(f)
XX(t)
x(t) X
X
X t t f
0
densit
spectrale de
puissance
17
Exemple : Bruit blanc (thorique)
S XX ( f ) X
2
XX (t ) X 2 (t )
x(t) XX(t) SXX(f)

X
X
3X
t t f
0
Ici: Gaussien 0
X(t1) et X(t2) = non corrles
NB: blanc na rien voir avec Gaussien
2me ordre 1er ordre

18
9
Exemple : Bruit blanc (rel)
x(t) XX(t) SXX(f)
X
X
3X
t t f
0
0
x(t) XX(t) SXX(f)

X/B X
X
3X
t t f
- B/2 0 B/2
0

19
Exemple : Signal priodique

T /2
1
T T
x(t ) Ae j (0t ) XX (t ) lim Ae j (0 ) Ae j (0 ( t ) ) d
T / 2
T0 / 2
A2
S XX ( f ) A2 ( f f0 ) e j0 e j0 ( t ) d A2e j0t
T0 T0 / 2
x(t) X(f)
A A/2
x(t ) A cos(0t )
t f
0 T0 - f0 0 f0
XX(t) SXX(f)
A/2
A/4
t f
0 T0 - f0 0 f0

20
10
Signal alatoire
de moyenne non nulle
( X m X )( X mX) ( ) E[( X( )t mX)( X( t ) m)X] *
XX ( ) | mX | 2
S( X mX )( X mX) ( f ) S XX ( f) | mX| 2 ( )f
SXX(f)
XX(t)
mX+X
x(t) mX X
mX+X mX
mX t t f
0

21
(Signaux alatoires non corrls)

( X Y )( X Y ) ( ) E[( X( t) Y( t))( X( t ) Y( t )) ] *
XX ( ) YY ( ) XY ( ) YX ( )
X et Y = non corrles
( X Y )( X Y ) ( ) XX ( ) YY ( )
S( X Y )( X Y ) (F ) SXX (F ) SYY (F )
(cf. cas prcdent)

22
11
Plan

5.5 Estimation de sa statistique du 2e ordre

23
Signal alatoire temps discret
p X ( k ) ( x)
x
X (n) ..., X ( n),..., X (1), X (0), X (1),..., X (n),...

24
12
Signaux alatoires temps discret
(Signal stationnaire et ergodique)
1 T /2 1 N

mX x(t ) lim x(t )dt
T T
mX x(n) lim
N 2 N 1

x ( n)

T / 2 i N
X 2 | x(t ) mX |2 X 2 | x(n) mX |2
1 T /2 1 N

lim | x(t ) mX |2 dt
T T
lim
N 2 N 1

i N
| x ( n) m X |2

T / 2
XX ( ) x(t ) x* (t ) XX (k ) x(n) x* (n k )
1 T /2 1 N

lim x(t ) x* (t )dt
T T
lim
N 2 N 1

x ( n) x* ( n k )

T / 2 n N
S XX ( f ) XX (t )e dt ( 2 f )
jt S XX ( F )
n
XX (n)e jn ( 2 F )


25
Signaux alatoires temps discret

SXX(f)
A
XX(t)
x(t) X
X t t f
- Fe /2 0 Fe/2
SXX+(f)
XX+(t)
x+(t) A/Te
X X/Te
X t t f
Te Te - Fe/2 0 Fe/2
SXX(F)
XX(n)
x(n) A/Te
X X
X n n F
-1/2 0 1/2

26
13
Ex. : bruit blanc temps discret

2
pour k 0
XX (k ) X S XX ( F ) X
2

0 pour k 0
XX(n) SXX(F)
X X
X
n n F
-1/2 0 1/2
bruit blanc uniforme (0,1)

1
0.8
0.6
0.4
0.2
plot(rand(1,300)) 0
0 50 100 150 200 250 300
plot(randn(1,300)) 4
bruit blanc gaussien (0,1)
-2
-4
0 50 100 150 200 250 300

27
Signaux priodiques
temps discret
XX(t) SXX(f)
x(t) A/2
A/4
A
t t f
0 T0 0 T0 - f0 0 f0
XX+(t)
x+(t) SXX+(f)
A/2
A/4Te
t t f
Te Te - Fe/2 0 Fe/2
XX(n) SXX(F)
x(n)
A/2 A/4
n n F
-1/2 0 1/2

28
14
Application : Quantification
x(t) x(n) xq(n)
fe
xq(x)
pX(x)
2 e(n)
q xq(n)
e(n) xq (n) x(n)
x x(n)
q=2A/2N
-A q A q / 2 e( n ) q / 2
Quantificateur
bruit de quantification
e(x)=xq(x)-x
q/2 x
Rapport Signal sur Bruit (RSB)
-q/2
=10 log(x/ e) = ?
A
facteur de charge
x
29
x

e~bruit blanc uniforme [q/2,q/2]
q2 2A
e2 et q N
12 2
A2
2 N et A x

32
t
x

3 22 N

x2
e
RSB 10 log

t e2
1
10 log 2 3 22 N

6, 02 N 4.44 20.log

30
15
RSB 6,02 N 4.44 20.log
dB RSB = 10 log (x 2 / e 2)
1 bit = + 6dB de RSB 100
90
86
80
70
65,8
60
b = 16 50
14 42
12 40
10
30
8
20
10
10 log (x2 / s2) = - 20 log
-100 -50 0 10 20 (dB)

31

temps discret
x(n) h(n) y(n)
H(F)
1
YY lim y (n)* y ( n) SYY ( F ) H ( F ) H ( F )* S XX ( F )
mY E[Y (n)] N N
1 SYY ( F ) | H ( F ) | S XX ( F )
h(i) E[ X (n i)]
i
lim x(n)* h(n)* h( n)* x( n)
N N
1
h(n)* h(n) * lim x( n)* x( n)
mX h(i)
i
N N
HH * XX
XX(n) HH(n) YY(n)

SXX(F) |H(F)| SYY(F)

32
16
Exemple
SXX(F)
X
X
F
-1/2 0 1/2
H(F)
1
F
-1/2 0 1/2
B
SYY ( F ) X2 H ( F )
2
SYY(F) Y
X 1/ 2
Y2 X2
2
H ( F ) dF
F 1/ 2
-1/2 0 1/2 2 B 2
X

33
Plan

5.5 Estimation de la statistique du 2e ordre
1. Estimation de la fonction dautocorrlation
2. Estimation de la densit spectrale de puissance

34
17
Les estimateurs sont eux aussi des
signaux alatoires !
~ ~
xx(n), Sxx(F) ? Estimateurs xx(n), Sxx(F)
Alatoires!
~
Qualits dun estimateur dune var. alatoire ?
~
Non biais si E()=
Consistant si lim VAR ( ) 0

N

35
Exemple Moyenne dun bruit

blanc de moyenne non-nulle
x(t)
1 N 1
2
VAR x E . x(n) x
t N n 0
1 N 1
2
N 1
X
1
x (n) 2 E x ( n ) N x
N n 0
N n 0
1 N 1
2
1 N 1 Bruit 2 E x ( n ) x
E X E x(n) blanc
N n 0
N n 0
1 N 1 2
VAR x E x ( n) x
N 1
1
E x ( n) N 2 n 0
N n 0
X 1 1
2 N x2 x2
Non biais
N N
Consistant

36
18
Exemple Moyenne dun bruit
blanc de moyenne non-nulle
Ici 100 bruits Gaussiens N(1,1)
moyenne(mux)
1.5
x= randn(100,100)+1 ; 1 Non biais

for N=2:100 0.5
mux= sum(x(1:N ,:))/N ;
meanmux(N)=mean(mux); 0
0 10 20 30 40 50 60 70 80 90 100
varmux(N)=std(mux)*std(mux); variance(mux)
end 0.8
0.6
0.4
0.2
0
Consistant
0 10 20 30 40 50 60 70 80 90 100

37
1. Estimation de la fonction
d'autocorrlation
XX(n)
x(n)
n n
XX (k ) x(n) x* (n k )
1 N

lim
N 2 N 1

n N
x ( n) x* ( n k )

Intuitivement : si on na que N
chantillons?
38
19
1 . Estimation de la fonction
d'autocorrlation
N k 1
1
Estimateur non biais XX (k )
Nk
.
n 0
x(n) x* (n k )
Non biais et consistant
N k 1
1
Estimateur biais XX (k )
N
.
n 0
x ( n) x * ( n k )
Biais et consistant
Nk
XX (k ) XX (k )
N

39
Exemple: signal sinusodal

x= 10*cos(2*pi*1/10*(0:99)+pi/5) ;
subplot(2,1,1) ; plot(xcorr(x, unbiased'));
subplot(2,1,2) ; plot(xcorr(x, 'biased'));

40
20
Exemple: bruit blanc Gaussien
x= 2*randn(1,100) ;
subplot(2,1,1) ; plot(xcorr(x, unbiased'));
subplot(2,1,2) ; plot(xcorr(x, 'biased'));

41
2. Estimation de la PSD :
Priodogramme
N 1
S XX ( F )
k ( N 1)
XX (k )e jk avec 2 F
1
Calcul partir de XX (k ) {xN (n)}*{xN (n)}
*
lestimateur biais ! N
1
S XX ( F ) X N ( ) X * N ( ) avec 2 F
N
1
| X N ( ) |
N
Fentrage
1
S XX ( F ) | FFT ( x(n)) | possible
N (Hamming,
Blackman, etc.)
Biais (biais triangulaire de XX (k ) )

et NON consistant : VAR S XX ( F ) S XX
2
(F )
42
21
Exemple : N(0,2)
x= 2*randn(1,512) ;
plot(10*log10( abs(fft(x,512)).^2 /512 ));

43
2. Estimation de la PSD :
Priodogramme Moyenn
Priodogramme xN(0), xN(1), xN(2), xN(3), xN(4), , xN(N-1)
Moyenn =
M chantillons M chantillons M chantillons M chantillons
Estimateur de
WELSH Priodogramme 1
Priodogramme 2
N=L*M

Priodogramme L
Moyenne
Biais (biais triangulaire de XX (k ))

1
mais Consistant : VAR S XX ( F ) L S XX ( F )
2

44
22
Exemple : N(0,2)
En pratique : pwelch(x,window,NOVERLAP,NFFT,Fe)
Et pour Sxx(F) : pwelch(x,window,NOVERLAP,NFFT,2)
pwelch(x(1:128),boxcar(128),0,128,2) pwelch(x(1:512),boxcar(512),0,512,2)
pwelch(x(1:128),hamming(128),0,128,2) pwelch(x,hamming(128),0,128,2)

45
Exemple : N(0,2)
Par dfaut : pwelch(x,[],[],[], 2)
L=8
Hamming
Overlap=50%

46
23
Exemple : N(0,2)
Estimer x ? variance= sum(x.*x)/length(x)
variance = 4.0372
SXX(F)
XX(n)
x(n)
X X
X n n F
-1/2 0 1/2
^
SXX(k)
k
0 ... NFFT/2
variance=sum(pwelch(x,[],[],128,2))*2*(1/128)
variance = 3.9154

47
Exemple : Bruit color

x=2*randn(1,512) ;
[N,Wn]=ellipord(0.5,0.6,1,40);
[B,A]=ellip(N,1,40,Wn);
freqz(B,A)
xf=filter(B,A,x) ;

48
24
Exemple : Bruit color
pwelch(xf(1:128),boxcar(128),0,128,2) pwelch(xf(1:512),boxcar(512),0,512,2)
pwelch(xf(1:128),hamming(128),0,128,2) pwelch(xf,hamming(128),0,128,2)
variance=sum(pwelch(xf,[],[],128,2))/128*2
variance = 1.9973
49
Exemple : Cisode
x= 10*cos(2*pi*1/10*(0:511)+pi/5) ;
XX(n) SXX(F)
x(n)
A/2 A/4
n n F
-1/2 0 1/2
^
SXX(k)
x(n)
XX(n) A/2 N.A/4
|FFT|2/N n k
0 NFFT/2
N 2N+1

50
25
Exemple : Cisode
NFFT A/4
pwelch(x(1:128),boxcar(128),0,128,2) pwelch(x(1:512),boxcar(512),0,512,2)
pwelch(x(1:128),hamming(128),0,128,2) pwelch(x,hamming(128),0,128,2)
variance=sum(pwelch(x,[],[],128,2))/128*2
variance = 49.9994

51
Exemple : Cisode + bruit blanc

x=10*randn(1,512)+10*cos(2*pi*1/10*(0 :511));
b = 100 s = A/2=50
RSB = 10log10(s/ b)=-3dB
RSB ?
s ? b?
s(n)? b(n)? Inconnus
Seul s(n)+b(n) est connu !

52
26
Exemple : Cisode + bruit blanc
x=10*randn(1,512)+10*cos(2*pi*1/10*(0 :511));
pwelch(x,hamming(128),0,128,2)
NFFTA/4=35dB
A=10 s=A/2=50
b=100
(10log(b)=20dB)
RSB=10log10(s/ b)=10log10(1/2)=-3dB

53
Ce que la FFT peut faire pour vous
Observation spectrale (estimateur de

Transorme de Fourier)
Convolution linaire (c.--d. filtrage)
Estimation de PSD
Calcul dautocorrlation
Caf

54
27
La FFT fait AUSSI le caf
The SANI (Smart Appliance Network Interface)

Wireless Network transmits and receives data
between your appliances.
1. Simple point and click web interface allows unique on and off times for each
day of the week
2. Clock time and day of week set automatically by home hub
3. Time of day and program recovery from a power outage means you will
have your morning coffee even if the power has been interupted.
4. Home Hub reminder if user forgets to prepare coffee the night before
5. "Coffee Brewing" and "Coffee Ready" status updates to Home Hub

55
28
Chapitre 6
SYNTHESE DES FILTRES
NUMERIQUES
Thomas W. Parks and James H. McClellan ont
marqu le traitement du signal au dbut des
annes 70, alors que J. McClellan tait encore
tudiant Rice University (Houston, Texas), par
l'invention d'une technique d'approximation
numrique de filtres FIR phase linaire. Connue T. Dutoit
aujourd'hui sous le nom d'algorithme de Parks-
McClellan, ce procd est trs largement utilis
dans les systmes de tlcommunications
thierry.dutoit@fpms.ac.be
numriques.
R. Boite (1928-2002) et H. Leich (1941-),
professeurs mrites de la FPMs, ont fortement
contribu au dveloppement des techniques de
filtrage numrique au dbut des annes 80,
notamment par la publication de leur ouvrage "Les
filtres numriques" (Masson, Paris)
01/09/2016
Plan
6.1 Cas simple : La cellule du second degr
6.1.1 Stabilit
6.1.2 Le rsonateur du second ordre
6.1.3 Le filtre coupe-bande du second ordre
6.1.4 Implmentation d'une cellule du second degr
6.2 Approximation et synthse des filtres IIR
6.2.1 La transformation qui prserve h(n)
6.2.2 La transformation bilinaire
6.2.3 Le problme de la quantification des coefficients
6.2.4 Synthse des filtres IIR en virgule fixe
6.3 Approximation et synthse des filtres FIR
6.3.1 Filtres phase linaire
6.3.2 Approximation optimale des FIR phase linaire
6.3.3 Synthse des filtres FIR phase linaire

2
1
Filtres simples (d1-2-3)
"The Swiss Army Knife of Digital Networks" de R.
Lyons et A. Bell (IEEE Signal Processing
Magazine, Mai 2004, pp. 90-100)

3
Filtres simples (d1-2-3)

4
2
6.1 La Cellule du second degr
b0 b1 z 1 b2 z 2
H ( z) Stable(b1,b2)?
1 a1 z 1 a2 z 2
Si Ples Cplxes*
b z b1 z b2 b0 z b1 z b2 a2<1
H ( z) 0
z a1 z a2 z 2 z
Si Ples Rels
ba22
Ples complexes
ples conjugus
complexes conjugus (1 a1 a2 ) 0
1 (1 a1 a2 ) 0
2
ba22=
=ab11/4
/4
-2 -1 0 1 2 ab
11
Ples
ples rels
rels
0
b2 =
1+
b1+
1-a1+ a2=0 1+a1+ a2=0

b1 +
b 2=
1-

5
Le rsonateur du 2nd degr

1 bz 1 1 bz 1
H ( z) K 1 2
K
1 a1.z a2 .z (1 p1.z 1 ).(1 p2 .z 1 )
(Z)
p1 a1 2 cos a2 b cos

Z0
si 1
K
AM f ( )
p2
2(1 ).
A()
1
f
2 2(1 ) radians
f 2(1 ).Fe / 2 Hertz
fe/2 fe f

6
3
Le filtre coupe-bande du 2nd degr
(Z)
1 2cos .z 1 z 2
P1
Z1
H ( z) K. 1 1
|0P1|=
1 2 cos .z 1 2 z 2
P2
Z2
A()
2 2(1 ) radians
f
f 2(1 ).Fe / 2 Hertz
fc/2 f


7
Implmentation d'une cellule du

second degr
Structure directe I (dite immdiate) Structure directe II
MATLAB?
filter : structure directe II transpose
dfilt : autres structures
Structure directe II transpose

8
4
Rgle de MASON
P ( z) i
H ( z) i
1 B j ( z)
j
b0 b1 z 1 b2 z 2
H ( z)
1 a1 z 1 a2 z 2
Structure transpose :
1. Remplacer les nuds de sommation par
des nuds de dispersion, et inversment
2. Inverser tous les sens de parcours

9
rappel
Butterworth Chebyshev (I-II) - Cauer
|H(f)| (dB)
|H(f)| (dB)
f (Hz)
0 f (Hz)
|H( 0
f)|
(dB
) Butterworth Chebyshev I
n=2
|H( n=3
f)|
(dB n=2 n=4
)
n=4 n=3
n=2 (dB)
|H(f)| |H(f)| (dB)
f (Hz)
f (Hz) 0
0
Chebyshev II
Cauer n=4
n=3
(ou n=3
n=4
Elliptique)
Prof. Thierry Dutoit, TCTS Lab

10
5
6.2 Approximation et synthse des
filtres IIR
N ( p)
H a ( p) Butterworth, Chebyshev, Cauer, etc.
D( p )
B( z )
H ( z) En maintenant la stabilit et la rponse en frquence?
A( z )
Tsfo qui maintient h(n) Tsfo bilinaire

11
1. La transfo. qui prserve h(n)

h(n) ha (nTe )

H ( z ) h(i ) z i ha (iTe ) z i FIR : degr >>>
i 0 i 0
IIR : comment ?
A
H a ( p) ha (t ) Aeat h( n) Ae anTe H ( z)
A
pa 1 e aTe z 1
N
Ai
H a ( p) K
N
Ai
H ( z) K
i 1 p pi i 1 1 e
piTe 1
z
N
Ai
H ( z ) KTe piTe 1
i 1 1 e z

12
6
Exemple : Chebyshev type I
H ( f ) (dB)
0
-1
-40
f (Hz)
1000 1200
Fe=3000;
[n,wn]=cheb1ord(2*pi*1000,2*pi*1200,1,40,'s');
[N,D]=cheby1(n,1,wn,'s');
[B,A]= impinvar(N,D,Fe);

13

% Calcul de la rponse impusionnelle analogique
[r,p,k]=residue(N,D);
t=0:1/(5*Fe):.02;
ha=real([exp(t'*(p.'))*r]);
% Calcul de la rponse impusionnelle numrique

h=filter(B,A,[1;zeros(49,1)]);
% Comparaison des ples et zros

figure;
zplane(N,D)
figure
zplane(B,A)
% Calcul des rponses en frquence
[Ha,Wa]=freqs(N,D,2*pi*(1:10:Fe));
[H,W]=freqz(B,A, 1:10:Fe,Fe);

14
7
15
2. La transformation bilinaire
1 z 1 1 p
p z
1 z 1 1 p
(z)
j ( p)
p j z e j

16
8
1 e j 1 e j H ( z ) H a ( p) p(1 z 1 ) /(1 z 1 )
ja
1 e j 1 e j
2 j sin
H ( ) H a (a )
2 2cos
avec 2arctan(a )
j 2sin cos f
2 2

2 cos
2

j tan( ) a
2

17

2
tgf 2
Te
f
Af (dB)
( FILTREANALOGIQ UE
)
Af ( dB)
Pr-distorsion des ( FILTRE

NUMERIQUE)
f
0 fc fs

18
9
H ( f ) (dB)
0
-1
-40
f (Hz)
1000 1200
Fe=3000;
[n,wn]=cheb1ord(1000/(Fe/2),1200/(Fe/2),1,40);
[B,A]=cheby1(n,1,wn);
% Calcul du filtre analogique, pour comparaison

[n,wn]=cheb1ord(2*pi*1000,2*pi*1200,1,40,'s');
[N,D]=cheby1(n,1,wn,'s');

19

20
10
3. Quantification des coefficients
MATLAB = 16 chiffres dcimaux (64 bits!) En virgule fixe?
Ex : (Fe = 4 kHz) passe-bas IIR de Cauer, d8, fc=300 Hz,

ripple=0.5 dB et Am=50 dB
% Approximation de dpart
[b,a]=ellip(8,.5,50,300/2000);
[h,f]=freqz(b,a,256,4000);
% 6 chiffres dcimaux
b6=round(b*1e6)/1e6;
a6=round(a*1e6)/1e6;
[h6,f]=freqz(b6,a6,256,4000);
% 5 chiffres dcimaux
b5=round(b*1e5)/1e5;
a5=round(a*1e5)/1e5;
[h5,f]=freqz(b5,a5,256,4000);
21
3. Quantification des coefficients
16 chiffres
6 chiffres
5 chiffres

22
11
4. Bruit de calcul
Les chantillons sont eux aussi quantifis sur N bits
1. Chaque multiplieur cre un nombre sur 2N bits, qui doit tre
recadr sur N bits
Larrondi est lui aussi quivalent un bruit de calcul
Pour limiter la puissance du bruit de calcul, les sorties des
multiplieurs sont recadre sur Nc bits avec N<Nc<2N
2. Chaque additionneur peut tre source de dpassement,

interprt comme un changement de signe, et crer un transitoire
Dans certains cas, on constate mme lapparition dun
transitoire permanent = cycle limite
Pour viter les dpassements, on applique des facteurs
dchelle
On montre que les structures dir I, dir II, dir II tsp ont des
performances de bruit trs tester et prendre la
meilleure (souvent dir II tsp)
23
Synthse par cascade de

cellules du 2nd degr
1 z0 z 1 M /2
(1 bi1 z 1 bi 2 z 2 )
H ( z ) K0
1 p0 z 1
Ki
i 1

(1 ai1 z 1 ai 2 z 2 )

24
12
Exemple : Cauer
[b,a]=ellip(8,.5,50,300/2000);
sos=tf2sos(b,a,'up',Inf)
>sos=
0.0261 -0.0085 0.0261 1.0000 -1.6853 0.7290
0.3027 -0.4761 0.3027 1.0000 -1.7250 0.8573
0.6795 -1.1687 0.6795 1.0000 -1.7542 0.9488
0.8641 -1.5131 0.8641 1.0000 -1.7705 0.9882

26
6.3 Approximation et synthse des

filtres FIR
Toujours stables
N 1
Intrt : crer des filtres qui ne
H ( z ) h( n) z n dforment pas les signaux
n 0
(filtres symmtriques,
phase linaire) h(n) h(n)
Ex: interpolation - dcimation
Inconvnient : degr lev
Phase nulle
=> pas de dformations
n0
Simple retard
=> pas de dformations
27
13
Approximation optimale des FIR
phase linaire
Parks et McClellan FIR de d min

pour des spcifications donnes
= Approximation numrique base
sur la minimisation de | H ( ) Hd ( ) |
NB : sensibilit la quantification <<<

pas besoin de cellules du 2nd d

28
Exemple
Fe=5 kHz, d 32, Passe-bande(600-900 Hz),
bande attnue <400 Hz, >1100 Hz
f=[0 400/2500 600/2500 900/2500 1100/2500 1];
m=[0 0 1 1 0 0];
b=remez(31,f,m);
stem(b)
freqz(b,1)

29
14

Traitsig PPT PDF

Transféré par

Informations du document

Titre original

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

Traitsig PPT PDF

Transféré par

Droits d'auteur :

Formats disponibles

Traitement du

Alan Turing (1912-1954) T. Dutoit

Un signal est une variation dune

Prof. Thierry Dutoit

Prof. Thierry Dutoit

1. Classification des signaux

Prof. Thierry Dutoit

Analogique / x(t) x(n) xq(n)

Prof. Thierry Dutoit

2. Caractrisation des signaux

Prof. Thierry Dutoit

x(t) x(n) xq(n)

ADC : analog-digital converter (CAN : convertisseur

Prof. Thierry Dutoit

Prof. Thierry Dutoit

Prof. Thierry Dutoit

Quantification x(t) xq(t)

Prof. Thierry Dutoit

NB : Les chantillons sont

Exemple 1 Echantillonnage dun sinus

Prof. Thierry Dutoit

Prof. Thierry Dutoit

4. Rapport signal sur bruit

S RMS 10000 100 40 dB

% out = awgn(in,snr) : additive

Prof. Thierry Dutoit

Exemple 4 Image bruite avec

Prof. Thierry Dutoit

RSBdB 6,02b 1,76

Chaque bit supplmentaire de quantification = + 6 dB de RSB.

Prof. Thierry Dutoit

5. Traitement numrique du Signal

=Thories et mthodes permettant de:

Prof. Thierry Dutoit

Domaines dapplication Exemples dapplications

Prof. Thierry Dutoit

6. Systmes analogique vs.

Prof. Thierry Dutoit

2000- ? : Vers lembarqu ( embedded systems )

Prof. Thierry Dutoit

Carte RaspBerry Pi3 : un ordinateur QuadCore

Caractristiques des rsaux LoRa.

Prof. Thierry Dutoit

Voir le document Introduction au

(o lon apprend quil existe un lien

Prof. Thierry Dutoit

Leonardo Pisano Fibonacci (1170-1250), mathmaticien italien T. Dutoit

1.1 Signaux numriques

Prof. Thierry Dutoit

Prof. Thierry Dutoit

1.2 Systmes numriques

x(n) Systme y(n)

x1(n)+ x2(n) Systme y1(n)+ y2(n)

x(n-n0) Systme y(n-n0)

Systme stable ssi [x(n)< y(n)< ]

Prof. Thierry Dutoit

y(n)=ax(n)? Lin, Inv, Stable

y(n)=ax(n)+b? Non Lin, Inv, Stable

y(n)=x(n-1)? Lin, Inv, Stable

y(n)=ax(n)+bx(n-1)? Lin, Inv, Stable

y(n)=ax(n)+by(n-1)? Lin, Inv, Stable?

y(n)=nx(n)? Lin, Non Inv, Instable

Prof. Thierry Dutoit