Vous êtes sur la page 1sur 86

Introduction au traitement

numérique du signal

Vers son utilisation en arithmétique entière

Olivier Sentieys

sentieys@enssat.fr

ENSSAT — Universite´ de Rennes 1

IRISA — Equipe de recherche R 2 D 2

´

ENSSATENSSAT
ENSSATENSSAT

2. Signaux à temps discret

7. Transformée de Fourier rapide (FFT)

9. Quantification et arithmétique entière

Introduction et classification des signaux

6. Filtrage numérique

Quelques outils du traitement du signal

8. Filtrage adaptatif

1. Échantillonnage et reconstruction des signaux

Quelques applications typiques en traitement du signal

4. Transformation de Fourier

Agenda

5. Systèmes discrets

3. Transformation en Z

Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Fourier Agenda 5. Systèmes discrets 3. Transformation en Z Olivier Sentieys – Introduction au traitement numerique´
Definitions´ • Modéliser – ou identifier – consiste en l’analyse d’un signal ou d’un système,
Definitions´
• Modéliser – ou identifier – consiste en l’analyse d’un signal
ou d’un système, dans le domaine temporel ou fréquentiel
(i.e. spectral). On parlera également d’estimation.
• Synthétiser – ou générer – un signal.
• Transmettre un ensemble de signaux sur un support.
• Transformer un ensemble de signaux à l’aide d’un système
◦ linéaire : filtrer, moduler, coder,
◦ ou non linéaire : () 2 , | |,
Classification des signaux et systemes` • Dimension du signal ◦ Signal scalaire pouvant prendre des
Classification des signaux et systemes` • Dimension du signal ◦ Signal scalaire pouvant prendre des
Classification des signaux et systemes` • Dimension du signal ◦ Signal scalaire pouvant prendre des

Classification des signaux et systemes`

Classification des signaux et systemes` • Dimension du signal ◦ Signal scalaire pouvant prendre des valeurs
Classification des signaux et systemes` • Dimension du signal ◦ Signal scalaire pouvant prendre des valeurs
Classification des signaux et systemes` • Dimension du signal ◦ Signal scalaire pouvant prendre des valeurs

Dimension du signal

des signaux et systemes` • Dimension du signal ◦ Signal scalaire pouvant prendre des valeurs réelles
des signaux et systemes` • Dimension du signal ◦ Signal scalaire pouvant prendre des valeurs réelles

Signal scalaire pouvant prendre des valeurs réelles ou

complexes : x( t ) .

prendre des valeurs réelles ou complexes : x ( t ) . ◦ Signal vectoriel pouvant
prendre des valeurs réelles ou complexes : x ( t ) . ◦ Signal vectoriel pouvant

Signal vectoriel pouvant prendre des valeurs réelles ou

complexes : [R, V, B ] = T V ( t ) .

réelles ou complexes : [ R, V, B ] = T V ( t ) .
réelles ou complexes : [ R, V, B ] = T V ( t ) .
réelles ou complexes : [ R, V, B ] = T V ( t ) .
réelles ou complexes : [ R, V, B ] = T V ( t ) .

Dimension des variables du signal

Signal mono-dimensionnel qui correspond à des fonctions

Signal mono-dimensionnel qui correspond à des fonctions à un seul argument, comme par exemple le temps.

à un seul argument, comme par exemple le temps.

fonctions à un seul argument, comme par exemple le temps. ◦ Signal multi-dimensionnel qui correspond à
fonctions à un seul argument, comme par exemple le temps. ◦ Signal multi-dimensionnel qui correspond à
fonctions à un seul argument, comme par exemple le temps. ◦ Signal multi-dimensionnel qui correspond à
fonctions à un seul argument, comme par exemple le temps. ◦ Signal multi-dimensionnel qui correspond à

Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [I ] = T V ( t, x, y ) .

◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
◦ Signal multi-dimensionnel qui correspond à des fonctions à plusieurs arguments : [ I ] =
Classification des signaux et systemes` Caractéristiques temporelles • Signaux à temps continu ou signaux
Classification des signaux et systemes`
Caractéristiques temporelles
• Signaux à temps continu ou signaux analogiques : s( t ) . La
variable t ∈ R .
• Signaux à temps discret : s( n ) (ou s( nT ) ). La variable n ∈ Z.
Ces signaux sont définis pour certaines valeurs de la variable
t : s( n ) = s( nT ) = s( t ) t= nT .
Classification des signaux et systemes` Valeurs prises par le signal • Signaux à valeurs continues
Classification des signaux et systemes`
Valeurs prises par le signal
• Signaux à valeurs continues pouvant prendre une valeur
réelle dans un intervalle continu.
• Signaux à valeurs discrètes prenant seulement des valeurs
parmi un ensemble fini de valeurs possibles (i.e.
quantification).
Classification des signaux et systemes` Prédictibilité des signaux • Signaux déterministes qui peuvent être
Classification des signaux et systemes`
Prédictibilité des signaux
• Signaux déterministes qui peuvent être représentés
explicitement par une fonction mathématique.
• Signaux aléatoires qui évoluent dans le temps d’une manière
imprévisible. Il est cependant possible de décrire
mathématiquement certaines caractéristiques statistiques de
ces signaux.
1 Echantillonnage et reconstruction ´ des signaux Théorème d’échantillonnage de Shannon
1
Echantillonnage et reconstruction
´
des signaux
Théorème d’échantillonnage de Shannon

´

Historique du Theor´ eme` d’echantillonnage´ - I De tout temps, l’Homme a cherché à échantillonner
Historique du Theor´
eme`
d’echantillonnage´
-
I
De tout temps, l’Homme a cherché à échantillonner
a
1918 E.T. Whittaker s’intéresse aux représentations analytiques
d’une fonction connue seulement pour des valeurs
équidistantes : a, a + w, a + 2w,
a
+ nw
Ceci l’a conduit à la forme finale de la série cardinale :
π
w ( t − a − nw )
f ( a + nw ) sin
π
w ( t − a − nw )
n= −∞
a Merci a` Simon Mathieu de l’Universite´ Laval pour cet historique precis´

´

Historique du Theor´ eme` d’echantillonnage´ - I De tout temps, l’Homme a cherché à échantillonner
Historique du Theor´
eme`
d’echantillonnage´
-
I
De tout temps, l’Homme a cherché à échantillonner
a
1918
E.T. Whittaker s’intéresse aux représentations analytiques
d’une fonction connue seulement pour des valeurs
équidistantes : a, a + w, a + 2w,
a
+ nw
Ceci l’a conduit à la forme finale de la série cardinale :
π
w ( t − a − nw )
f ( a + nw ) sin
π
w ( t − a − nw )
n= −∞
1928
Nyquist s’intéresse à la communication télégraphique. La
vitesse d’échantillonnage de Nyquist correspond à la vitesse
minimale pour laquelle on peut obtenir une reconstruction
stable.
a Merci a` Simon Mathieu de l’Universite´ Laval pour cet historique precis´

´

Historique du Theor´ eme` - II 1933 Kotel’nikov a introduit ce théorème dans la littérature
Historique du Theor´
eme`
- II
1933 Kotel’nikov a introduit ce théorème dans la littérature
scientifique russe.

´

Historique du Theor´ eme` - II 1933 Kotel’nikov a introduit ce théorème dans la littérature
Historique du Theor´
eme`
- II
1933
Kotel’nikov a introduit ce théorème dans la littérature
scientifique russe.
1948
Shannon énonce un théorème qui selon lui est
généralement admis dans le domaine des communications :
Whittaker
Kotel’nikov
Shannon — WKS
Si une fonction f (t ) ne contient pas de fré-
quences supérieures à ω max en radians
par seconde, alors elle est complètement
déterminée par l’ordonnée d’une série de
π
points espacés de T =
ω max secondes.
Ce théorème prend sa source dans les travaux de Borel,
Cauchy et De La Vallée Poussin au milieu du XIX e siècle.

´

Reconstruction Classe de fonctions de Paley-Wiener (largeur de bande limitée) regroupe les fonctions telles que
Reconstruction
Classe de fonctions de Paley-Wiener (largeur de bande limitée)
regroupe les fonctions telles que :
ˆ
PW B = f ∈ L 2 ( R ) : supp f ⊆ [−σ, σ ] ,
ˆ
f est la transformée de Fourier définie dans L 1 ( R ) , i.e. la
ˆ
définition usuelle de la transformée et supp
f est le plus petit
ˆ
support de
f . Le théorème nous conduit à la série cardinale
utilisée pour reconstruire la fonction originale :
n
n
f ( t ) =
w sinc t −
(1)
w
n∈ Z f

´

Theor´ eme` d’echantillonnage´ de Shannon Il est possible de reconstruire le signal continu à partir
Theor´
eme`
d’echantillonnage´
de Shannon
Il est possible de reconstruire le signal continu à partir du signal
discret si le signal analogique est à bande limitée, i.e. X ( ω ) est
nulle pour |ω | > ω max
On obtient alors :
ω max < 2π
(2)
− ω max
T
1
2f max < f N
avec
f N =
(3)
T
f N est la fréquence limite d’échantillonnage ou encore
appelée fréquence de Nyquist.

´

Exemple d’echantillonnage´ Soit x a ( t ) correspondant à une sinusoïde de fréquence f
Exemple d’echantillonnage´
Soit x a ( t ) correspondant à une sinusoïde de fréquence f = 2Hz.
La fréquence de Nyquist correspond à f N = 2 × 2 = 4Hz.
Signal echantillone a 1.6Hz
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
Temps
f e = 1.6 Hz, reconstruction imparfaite
´
Valeur du signal
Exemple d’echantillonnage´ Soit x a ( t ) correspondant à une sinusoïde de fréquence f
Exemple d’echantillonnage´
Soit x a ( t ) correspondant à une sinusoïde de fréquence f = 2Hz.
La fréquence de Nyquist correspond à f N = 2 × 2 = 4Hz.
Signal echantillone a 3.2Hz
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
Temps
f e = 3.2 Hz, reconstruction imparfaite
´
Valeur du signal
Exemple d’echantillonnage´ Soit x a ( t ) correspondant à une sinusoïde de fréquence f
Exemple d’echantillonnage´
Soit x a ( t ) correspondant à une sinusoïde de fréquence f = 2Hz.
La fréquence de Nyquist correspond à f N = 2 × 2 = 4Hz.
Signal echantillone a 6.4Hz
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
Temps
f e = 6.4 Hz, reconstruction parfaite
´
Valeur du signal
Chaˆıne de traitement a b c d e f C AC A TI P Convertisseur
Chaˆıne de traitement
a
b
c
d
e
f
C
AC
A
TI
P
Convertisseur
Processeur
Convertisseur
E/B
ON
T
A / N
N / A
NE
E
UR
U
R
A (v)
Action
(a)
Numérique
0.2 0.5 0.5
0.3
0.4
F (v)
t
t
(c)
E (v)
(f)
B (v)
(e)
t
(b)
0.3 0.2 0.3
0.3
0.4
t
t
t
(d)

´

2 Signaux a` temps discret
2
Signaux a` temps discret
Signaux a` temps discret • Séquence X de nombres dans laquelle le n ieme` x(
Signaux a` temps discret
• Séquence X de nombres dans laquelle le n ieme`
x( n ) . On écrira :
nombre est
X = { x( n ) }
− ∞ < n < ∞
n ∈ Z
• x( n ) est égal à la valeur du signal analogique x a ( t ) au temps
t = nT , i.e.
x( n ) = x a ( nT )
− ∞ < n < ∞
1
• T : période d’échantillonnage, f e =
T : fréquence
d’échantillonnage
Signaux a` temps discret 1. Impulsion unité δ ( n ) , δ ( n
Signaux a` temps discret
1. Impulsion unité δ ( n ) , δ ( n − k )
2. Echelon unité
u ( n ) =
δ ( n − k )
k
=0
3. x 1 ( n ) = Aα n
x 2 ( n ) = Aα n u ( n )
4. Sinusoïde
x 3 ( n ) = A cos ( nω 0 T + ϕ )
5. Cas général
+
x( n ) =
x( k ) δ ( n − k ) .
k
= −∞
e.g. p ( n ) = δ ( n ) + 0.5 δ ( n − 2) − 0 .5 δ ( n − 4)
Propriet´ es´ des signaux a` temps discret 1. Signaux causaux x( n ) = 0,
Propriet´ es´
des signaux a` temps discret
1. Signaux causaux
x( n ) = 0,
∀n < 0
2. Énergie totale : finie ou infinie
E ( ∞ )
|x( n ) | 2
(4)
n= −∞
3. Puissance moyenne : finie ou infinie
N
2
1
P m lim
|x( n ) | 2
(5)
N →∞
N
n= − N
2
Propriet´ es´ des signaux a` temps discret – 2 5. Intercorrélation entre deux signaux x(
Propriet´ es´
des signaux a` temps discret – 2
5. Intercorrélation entre deux signaux x( n ) et y ( n )
+
R xy ( k )
x( n ) y ( n + k ) = R yx ( −k )
(6)
n= −∞
6. Convolution linéaire entre deux signaux x( n ) et y ( n )
+
ϕ xy ( k ) = x( k ) ∗ y ( k )
x( n ) y ( k − n )
(7)
n= −∞
Signaux aleatoires´ Un signal est dit aléatoire si sa valeur instantanée x( t ) ne
Signaux aleatoires´
Un signal est dit aléatoire si sa valeur instantanée x( t ) ne peut
être prévue avec certitude.
• Exemple
Soient a( ω ) et φ( ω ) deux variables aléatoires,
X ( t, ω ) = a( ω ) sin(2πf 0 t + φ( ω ))
définit un signal aléatoire.
• Signaux de parole, mesures, théorie de l’information,
• Protection aux perturbations aléatoires
Statistique du premier ordre • Fonction de répartition F X ( x; t ) =
Statistique du premier ordre
• Fonction de répartition
F X ( x; t ) = P rob { X ( t ) ≤ x}
• Fonction de densité de probabilité
x
d
f X ( x; t ) = dx F X ( x; t ) ⇔ F X ( x; t ) =
f X ( u ; t ) du
−∞
• Moments non centrés d’ordre k
m k ( t ) = E [X k ( t )] = R x k f X ( x; t ) dx
• Moments centrés d’ordre k
◦ M k ( t ) = E [(X ( t ) − E [X ( t )]) k ]
2
◦ Moment centré d’ordre 2 : variance σ
X ( t )
Outils en traitement numérique du signal 3 Transformee´ en Z
Outils en traitement numérique du signal
3
Transformee´
en Z
Transformee´ en Z La transformée en Z établit une correspondance entre l’espace des signaux à
Transformee´
en Z
La transformée en Z établit une correspondance entre l’espace
des signaux à temps discret et l’espace des fonctions
analytiques (ou holomorphes) définies sur un sous-ensemble du
plan complexe, appelé domaine de convergence D CV .
On définit la transformée en Z (dite unilatérale) par :
Z [x( n )] = X ( z ) =
x( n ) z − n
(8)
n=0
D CV correspond à l’extérieur du disque de convergence défini
par |z | > r avec :
1
n→∞ |x( n ) | n = r
lim
Propriet´ es´ de la T Z 1. Linéarité x( n ) = ax 1 (
Propriet´ es´
de la T Z
1. Linéarité
x( n ) = ax 1 ( n ) + bx 2 ( n ) X ( z ) = aX 1 ( z ) + bX 2 ( z )
2. Théorème du retard et de l’avance
Z [x( n − k )] = z − k X ( z )
k
− 1
Z [x( n + k )] = z + k X ( z ) −
x( n ) z k − n
n=0
3. Dérivation dans l’espace en z
d
Z [n.x( n )] = Y ( z ) = −z dz X ( z )
Propriet´ es´ de la T Z – 2 5. Théorème de la valeur initiale x(0)
Propriet´ es´
de la T Z – 2
5. Théorème de la valeur initiale
x(0) = lim
→∞ X ( z )
z
6. Théorème de la valeur finale
z − 1
n→∞ x( n ) = x( ∞ ) = lim
lim
X ( z ) = lim →1 (1 − z − 1 ) X ( z )
z
→1
z
z
7. Théorème de la convolution linéaire discrète
x( n ) = x 1 ( n ) ∗ x 2 ( n ) X ( z ) = X 1 ( z ) X 2 ( z )
Transformee´ en Z inverse Soit X ( z ) la transformée en Z du signal
Transformee´
en Z inverse
Soit X ( z ) la transformée en Z du signal x( n ) . On définit la
transformée en Z inverse, la relation déterminant x( n ) à partir
de X ( z ) telle que :
1
x( n ) = 2 πj C z n− 1 X ( z ) dz
(9)
Il existe trois principales méthodes :
1. l’intégration sur un contour fermé en utilisant le calcul des
résidus,
2. le développement en puissance de z ou de z − 1 ,
3. le développement en fractions élémentaires.
Outils en traitement numérique du signal 4 Transformee´ de Fourier d’un signal discret
Outils en traitement numérique du signal
4
Transformee´
de Fourier d’un signal
discret
Rappels sur les signaux continus Soit un signal analogique x a ( t ) dont
Rappels sur les signaux continus
Soit un signal analogique x a ( t ) dont la transformée de Fourier
est définie par :
X a ( jω ) =
x a ( t ) e − jωt dt
(10)
−∞
avec ω = 2πf .
On retrouve le signal temporel à partir de sa transformée par la
transformée de Fourier inverse définie par la relation suivante :
1
x a ( t ) =
X a ( jω ) e jωt dω
(11)
2 π
−∞
T F d’un signal discret non periodique´ Pour un signal x( n ) discret quelconque
T F d’un signal discret non periodique´
Pour un signal x( n ) discret quelconque non périodique, sa
transformée de Fourier ( T F ) s’écrit :
X ( e j Ω ) =
x( n ) e − jnΩ
(12)
n= −∞
X ( e j Ω ) peut être exprimée à partir de la transformée en Z par la
relation :
X ( e j Ω ) =
x( n ) z − n z = e j Ω = X ( z ) | z = e j Ω
(13)
n= −∞
T F d’un signal discret non periodique´ – 2 • L’équation (12) implique que le
T F d’un signal discret non periodique´
– 2
• L’équation (12) implique que le T F n’existe que si le cercle unité,
caractérisé par z = e j Ω , appartient au domaine de convergence de
X (z ).
• X (Ω) est périodique de période 2 π . Ceci implique que le spectre
d’un signal discret est périodique.
La T F inverse est obtenue à partir de la transformée en Z
inverse de X ( z ) . On obtient :
π 2 π
π
1
x( n ) = 1
X ( e j Ω ) e jnΩ d Ω =
X ( e j Ω ) e jnΩ d Ω
(14)
2
2 π
0
π
T F d’un signal discret non periodique´ – 3 Exemple : x( n ) =
T F d’un signal discret non periodique´
– 3
Exemple : x( n ) = a n u ( n )
1
a n avec a=0.75
0.5
0
0
2
4
6
8
10
12
14
16
18
4
3
Module
2
1
0
−0.5
−0.4
−0.3
−0.2
−0.1
0
0.1
0.2
0.3
0.4
0.5
1
Argument
0.5
0
−0.5
−1
−0.5
−0.4
−0.3
−0.2
−0.1
0
0.1
0.2
0.3
0.4
0.5
T F d’un signal discret non periodique´ – 4 Exemple : x( n ) =
T F d’un signal discret non periodique´
– 4
Exemple : x( n ) = a n , pour n = 0
N − 1
1
a n limité à 6 points
0.5
0
0
2
4
6
8
10
12
14
16
18
4
3
Module
2
1
0
−0.5
−0.4
−0.3
−0.2
−0.1
0
0.1
0.2
0.3
0.4
0.5
2
1
Argument
0
−1
−2
−0.5
−0.4
−0.3
−0.2
−0.1
0
0.1
0.2
0.3
0.4
0.5
T F d’un signal discret periodique´ Pour un signal x p ( n ) discret
T F d’un signal discret periodique´
Pour un signal x p ( n ) discret périodique de période N , une
décomposition en série de Fourier doit être utilisée sous la
forme :
N − 1
X p ( k ) =
x p ( n ) .e ( − 2 jπ n.k ) , k = 0, 1
N
N − 1
(15)
n=0
N − 1
1
x p ( n ) =
X p ( k ) .e (2 jπ n.k ) , n = 0, 1
N
N − 1
(16)
N
k
=0
Sa Transformée de Fourier s’écrit alors :
X p ( e j Ω ) =
−∞ X p ( k ) δ Ω − k 2 π
(17)
N
k
=
T F d’un signal discret periodique´ – 2 Exemple : x( n ) = a
T F d’un signal discret periodique´
– 2
Exemple : x( n ) = a n , pour n = 0
N − 1 , p´eriodique N
1
a n périodique 6
0.5
0
0
2
4
6
8
10
12
14
16
18
4
3
Module
2
1
0
−0.5
−0.4
−0.3
−0.2
−0.1
0
0.1
0.2
0.3
0.4
0.5
1
Argument
0.5
0
−0.5
−1
−0.5
−0.4
−0.3
−0.2
−0.1
0
0.1
0.2
0.3
0.4
0.5
Propriet´ es´ de la transformee´ de Fourier 1. Linéarité ou superposition a.x (n ) +
Propriet´ es´
de la transformee´
de Fourier
1. Linéarité ou superposition
a.x (n ) + b.y (n ) a.X (e j Ω ) + b.Y (e j Ω )
2. Décalage en temps-fréquence
x (n − n 0 ) e − jn 0 Ω X (e j Ω )
x (n )e jnΩ 0 X (e j (Ω − Ω 0 ) )
3. Dérivation en fréquence
n.x (n ) j dX (e j Ω )
dΩ
Propriet´ es´ de la transformee´ de Fourier 5. Produit de convolution ∞ x 1 (n
Propriet´ es´
de la transformee´
de Fourier
5. Produit de convolution
x 1 (n ) ∗ x 2 (n ) =
x 1 (i) ∗ x 2 (n − i) X 1 (e j Ω ).X 2 (e j Ω )
i= −∞
6. Théorème du fenêtrage (ou de la modulation)
π
1
x 1 (n ).x 2 (n )
X
1 (e j Θ ).X 2 (e j (Ω − Θ) )dΘ
π
7. Théorème de Parseval (conservation de la puissance)
π
1
|x (i)| 2 =
|X (e j Ω )| 2 dΩ
π
i= −∞
Transformee´ de Fourier discrete` (TFD) N − 1 X ( k ) = x( n
Transformee´
de Fourier discrete`
(TFD)
N − 1
X ( k ) =
x( n ) e − j 2πkn N ,
k = 0, · · · , N − 1
(18)
n=0
N − 1
X k e j 2πkn
x( n ) = 1
N
,
n = 0, · · · , N − 1
(19)
N
k
=0
• Calcul rapide (Fast Fourier Transform, F F T )
5 Systemes` discrets
5
Systemes`
discrets
Representation´ temporelle Stratégie générale d’analyse d’un système linéaire invariant : 1. Décomposition
Representation´
temporelle
Stratégie générale d’analyse d’un système linéaire invariant :
1. Décomposition du signal d’entrée en une somme de signaux ou
fonctions de base.
e(n ) = α k e k (n )
k
2. Etude de la réponse du système pour l’ensemble des fonctions de
base.
s k (n ) = T [e k (n )]
3. Recomposition de la sortie en appliquant le principe de
superposition.
s(n ) = α k s k (n )
k
Produit de convolution +∞ e(n ) = e(k )δ (n − k ) k =−∞
Produit de convolution
+∞
e(n ) =
e(k )δ (n − k )
k
=−∞
+∞
+∞
s(n ) = T [e(n )] = T [
e(k )δ (n − k )] =
e(k )T [δ (n − k )]
k
=−∞
k
=−∞
On pose h (n ) = T [δ (n )], alors
+∞
s(n ) =
e(k )h (n − k ) = e(n ) ∗ h (n ) = h (n ) ∗ e(n )
k
=−∞
Un système discret est donc entièrement caractérisé par sa réponse
impulsionnelle h (n ). L’opération ∗ liant la sortie s(n ) à l’entrée e(n ) et à
la réponse impulsionnelle du système h (n ) est appelée produit de
convolution.
Produit de convolution – 2 Exemple 1 1 8 0.9 0.9 7 0.8 0.8 6
Produit de convolution – 2
Exemple
1
1
8
0.9
0.9
7
0.8
0.8
6
0.7
0.7
5
0.6
0.6
0.5
0.5
4
0.4
0.4
3
0.3
0.3
2
0.2
0.2
1
0.1
0.1
0
0
0
-30
-20
-10
0
10
20
30
-30
-20
-10
0
10
20
30
-30
-20
-10
0
10
20
30
indice temporel: n
indice temporel: n
indice temporel: n
h (n ) : réponse impul-
sionnelle
e(n ) :
entrée du sys-
tème
s(n ) : réponse du sys-
tème à l’entrée
reponse impulsionnelle h(n)
signal entrØe e(n)
signal de sortie y(n)
Equation aux differences´ finies Une équation aux différences finies peut s’écrire sous la forme :
Equation aux differences´
finies
Une équation aux différences finies peut s’écrire sous la forme :
N
M
s( n ) = −
a k s( n − k ) +
b k e( n − k )
(20)
k
=1
k
=0
• Système récursif ou non-récursif
• Réponse impulsionnelle infinie (RII ou IIR) ou finie (RIF ou
FIR)
Fonction de transfert en z La fonction de transfert en z H ( z )
Fonction de transfert en z
La fonction de transfert en z H ( z ) d’un système est définie par :
H ( z ) = S ( z )
(21)
E
( z
)
H ( z ) est également la transformée en Z de la réponse
impulsionnelle h( n ) du système.
À partir de l’équation aux différences (20), on obtient :
M
− k = N ( z )
k =0 b k z − k
H ( z ) =
(22)
1 + N
D
( z )
k =1 a k z
Representation´ frequentielle´ Soit l’entrée e( n ) = e jnωT = e jnΩ pour −∞
Representation´
frequentielle´
Soit l’entrée e( n ) = e jnωT = e jnΩ pour −∞ < n < +∞ d’un SLI
de réponse impulsionnelle h( k ) . La sortie peut alors s’écrire :
h( k ) e j ( n− k )Ω = e jnΩ
s( n ) =
h( k ) e − jk Ω
k
= −∞
k
= −∞
H ( e j Ω ) =
h( k ) e − jk Ω
k
= −∞
H ( e j Ω ) est appelé réponse fréquentielle du système. On étudie
son module et sa phase :
H ( e j Ω ) = |H ( e j Ω ) |e j arg[ H ( e j Ω )]
Representation´ frequentielle´ – 2 1 Exemple : H ( z ) = 1+0 . 5
Representation´
frequentielle´
– 2
1
Exemple : H ( z ) =
1+0 . 5 z − 1
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0
0.5
1
Real part
Imaginary part
Representation´ frequentielle´ – 2 1 Exemple : H ( z ) = 1+0 . 5
Representation´
frequentielle´
– 2
1
Exemple : H ( z ) =
1+0 . 5 z − 1
10
5
0
-5
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Normalized frequency (Nyquist == 1)
30
20
10
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Normalized frequency (Nyquist == 1)
Phase (degrees)
Magnitude Response (dB)
6 Filtrage numerique´
6
Filtrage numerique´
Filtrage numerique´ Modification des réponses temporelles et fréquentielles d’un signal discret Un filtre
Filtrage numerique´ Modification des réponses temporelles et fréquentielles d’un signal discret Un filtre
Filtrage numerique´ Modification des réponses temporelles et fréquentielles d’un signal discret Un filtre

Filtrage numerique´

Filtrage numerique´ Modification des réponses temporelles et fréquentielles d’un signal discret Un filtre
Filtrage numerique´ Modification des réponses temporelles et fréquentielles d’un signal discret Un filtre
Filtrage numerique´ Modification des réponses temporelles et fréquentielles d’un signal discret Un filtre
Filtrage numerique´ Modification des réponses temporelles et fréquentielles d’un signal discret Un filtre
Filtrage numerique´ Modification des réponses temporelles et fréquentielles d’un signal discret Un filtre
Filtrage numerique´ Modification des réponses temporelles et fréquentielles d’un signal discret Un filtre

Modification des réponses temporelles et fréquentielles d’un signal discret

temporelles et fréquentielles d’un signal discret Un filtre numérique est défini par : • sa réponse
temporelles et fréquentielles d’un signal discret Un filtre numérique est défini par : • sa réponse
temporelles et fréquentielles d’un signal discret Un filtre numérique est défini par : • sa réponse

Un filtre numérique est défini par :

sa réponse impulsionnelle ;

est défini par : • sa réponse impulsionnelle ; • sa fonction de transfert en z

sa fonction de transfert en z ;

impulsionnelle ; • sa fonction de transfert en z ; • son équation aux différences finies
impulsionnelle ; • sa fonction de transfert en z ; • son équation aux différences finies

son équation aux différences finies ;

sa réponse fréquentielle.

aux différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ;
aux différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ;
aux différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ;
aux différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ;
aux différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ;
aux différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ;

Deux principales classes :

différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •

filtre RIF ;

filtre RII.

différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •
différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •
différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •
différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •
différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •
différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •
différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •
différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •
différences finies ; • sa réponse fréquentielle. Deux principales classes : • filtre RIF ; •
Fonction de transfert en z H 1 (z) X(z) Y(z) X(z) H 2 (z) Y(z)
Fonction de transfert en z
H
1 (z)
X(z)
Y(z)
X(z)
H
2 (z)
Y(z)
H(z)
.
a) Forme directe
H
M (z)
b) Forme parallèle
X(z)
Y(z)
H
1 (z)
H
2 (z)
.
H
M (z)
c) Forme cascade
FIG. 1 – Représentations en fonction de transfert en z
Specification´ Gabarit défini par sa sélectivité, son ondulation en BP, son atténuation en BA |H(e
Specification´
Gabarit défini par sa sélectivité, son ondulation en BP, son
atténuation en BA
|H(e jΩ )|
|H(e jΩ )| (dB)
p
a
1+δ 1
20log(1+δ 1 )
1
0 dB
20log(1-δ 1 )
1-δ 1
π
δ
20logδ 2
2
π
p
a
a) Gabarit fréquentiel linéaire
b) Gabarit fréquentiel en dB
FIG. 2 – Gabarit fréquentiel d’un filtre passe-bas
Filtres RII N i=0 b i .z − i H ( z ) = N
Filtres RII
N
i=0 b i .z − i
H ( z ) = N ( z ) =
(23)
D
( z )
N
1 +
a i .z − i
i=1
N
N
y ( n ) =
b i .x( n − i) −
a i .y ( n − i)
(24)
i=0
i=0
Principales caractéristiques des filtres RII :
1. une bande de transition qui peut être étroite ;
2. une instabilité potentielle due à des pôles situés en dehors
du cercle unité (i.e. ∃i, |p i | ≥ 1 ;
3. une instabilité numérique (i.e. après quantification des
coefficients et du signal).
Filtres RIF N − 1 H ( z ) = b i .z − i
Filtres RIF
N − 1
H ( z ) =
b i .z − i
(25)
i=0
N − 1
N − 1
y ( n ) =
b i .x( n − i) =
h( i) .x( n − i)
(26)
i=0
i=0
Principales caractéristiques des filtres RIF :
1. une bande de transition plus large ;
2. des méthodes de synthèse efficaces ;
N − 1
3. une stabilité inhérente (
|h( n ) | < ∞ );
n=0
4. une meilleure stabilité numérique que les RII ;
5. une phase qui peut être exactement linéaire.
Structures des filtres RIF Graphe flot de signal dérivé de l’équation aux différences finies b
Structures des filtres RIF
Graphe flot de signal dérivé de l’équation aux différences finies
b
0
x(n)
+
y(n)
b
0
x(n)
+
y(n)
Z
-1
b
Z
-1
1
b
+
1
x(n-1)
+
Z
-1
b
N-1
+
b
N-1
Z
-1
+
b
N
x(n-N)
Z
-1
b
N
+
a) Structure directe
b) Structure transposée
FIG. 3 – Structures des filtres RIF
P calcul ( MMACS ) > ( N + 1).F e / 10 6
(27)
Structures des filtres RII N 1 1 H ( z ) = N ( z
Structures des filtres RII
N
1
1
H ( z ) = N ( z ) = [N ( z )]×
b
i .z − i ×
D
( z )
D ( z ) =
N
1 +
i=0
i=1 a i .z − i
(28)
b
b
0
x(n)
0
+ +
y(n)
x(n)
+
y(n)
Z
-1
Z
-1
Z
-1
Z
-1
b
-a 1
b
-a 1
1
1
+ +
x(n-1)
+
y(n-1)
b
b
N-1
-a N-1
N-1
-a N-1
+
+
+
Z
-1
Z
-1
Z
-1
Z
-1
b
-a N
b
-a N
N
N
x(n-N)
y(n-N)
RIF
RII
a) Cascade
b) Structure directe
FIG. 4 – Structures directes des filtres RII
Structures des filtres RII – 2 1 N W ( z ) = z )
Structures des filtres RII – 2
1
N
W ( z ) =
z ) .X ( z ) ) w ( n ) = x( n ) − i=1 a i .w ( n − i)
D
(
(29)
N
Y ( z ) = N ( z ) .W ( z
y ( n ) = i=0 b i .w ( n − i)
b
b
0
0
x(n)
+
+
y(n)
x(n)
+
y(n)
w(n)
Z
-1
Z
-1
b
b
-a 1
-a 1
1
1
+
+
+
w(n-1)
Z
-1
Z
-1
b
b
N-1
N-1
-a N-1
-a N-1
+
+
+
Z
-1
Z
-1
b
b
-a N
-a N
N
N
+
w(n-N)
a) Structure canonique directe
b) Structure canonique transposée
FIG. 5 – Structures canoniques des filtres RII
7 Transformee´ de Fourier rapide (FFT)
7
Transformee´
de Fourier rapide
(FFT)
Transformee´ de Fourier rapide (FFT) La transformation de Fourier rapide (TFR), ou encore Fast Fourier
Transformee´
de Fourier rapide (FFT)
La transformation de Fourier rapide (TFR), ou encore Fast
Fourier Transform (FFT), est directement issue d’une
réorganisation du calcul des matrices de la transformée de
Fourier discrète (TFD).
1
1
1
·
·
·
1
X
(0)
x(0)
1
2
N −1
1
W
W
·
·
·
W
N
N
N
X
(1)
x(1)
.
.
.
.
.
=
.
.
.
.
.
×
.
.
.
.
.
.
.
.
.
.
.
2( N −1)
2
4
1
W
W
·
·
·
W
N
N
N
X (N − 1)
x(N − 1)
N −1
2( N −1)
( N −1) 2
1 W
W
·
·
·
W
N
N
N
(30)
π
avec W N = e ( − 2 j
N )
FFT Decimation in Time (DIT) nk nk X (k ) = x(n ).W + x(n
FFT Decimation in Time (DIT)
nk
nk
X
(k ) =
x(n ).W
+
x(n ).W
(31)
N
N
n pair
n impair
N/ 2 −1
N/ 2 −1
2
nk
(2 n +1) k
X
(k ) =
x(2n ).W
+
x(2n + 1).W
(32)
N
N
n
=0
n
=0
N/ 2 −1
N/ 2 −1
nk
k
nk
X
(k ) =
x(2n ).W 2 + W
x(2n + 1).W
2 (33)
N/
N
N/
n
=0
n
=0
k
X
(k ) = G (k ) + W N .H (k )
(34)
k
X (k + N ) = G (k ) − W N .H (k )
(35)
2
G (k ) : TFD sur les N/ 2 points d’indices pairs,
H (k ) : TFD sur les N/ 2 points d’indices impairs.
FFT Decimation in Time (DIT) – 2 x(0) X(0) 0 W 8 x(2) TFD X(1)
FFT Decimation in Time (DIT) – 2
x(0)
X(0)
0
W
8
x(2)
TFD
X(1)
1
W
8
x(4)
N/2 points
X(2)
2
W
8
x(6)
X(3)
3
W
8
x(1)
X(4)
4
W
8
x(3)
TFD
X(5)
5
W
8
x(5)
N/2 points
X(6)
6
W
8
x(7)
X(7)
7
W
8
FIG. 6 – Décomposition DIT de la TFD
• N
log 2 N multiplications de nombres complexes
2
• Nlog 2 N additions/soustractions de nombres complexes
FFT Decimation in Time (DIT) – 3 X m (p) X m +1 (p) X
FFT Decimation in Time (DIT) – 3
X m (p)
X
m +1 (p)
X m (q )
X m +1 (q )
-1
W r N
FIG. 7 – Papillon DIT de la TFR
r
X m+1 ( p ) = X m ( p ) + W N .X m ( q )
(36)
r
X m+1 ( q ) = X m ( p ) − W N .X m ( q )

FFT Decimation in Time (DIT) – 4

X(0)

X(0)

X(1)

X(8)

X(2)

X(4)

X(3)

X(12)

X(4)

X(2)

X(5)

X(10)

X(6)

X(6)

X(7)

X(14)

X(8)

X(1)

X(9)

X(9)

X(10)

X(5)

X(11)

X(13)

X(12)

X(3)

X(13)

X(11)

X(14)

X(7)

X(15)

X(15)

 

FIG. 8 – Graphe d’une FFT DIF sur 16 échantillons

Autres graphes • Decimation in Frequency (DIF) • Radix 4, • Géométrie constante •
Autres graphes
Decimation in Frequency (DIF)
Radix 4,
Géométrie constante
8 Filtrage adaptatif
8
Filtrage adaptatif
Filtrage adaptatif • Pas de connaissance a priori des propriétés des signaux et systèmes aléatoires
Filtrage adaptatif • Pas de connaissance a priori des propriétés des signaux et systèmes aléatoires

Filtrage adaptatif

Filtrage adaptatif • Pas de connaissance a priori des propriétés des signaux et systèmes aléatoires traités
Filtrage adaptatif • Pas de connaissance a priori des propriétés des signaux et systèmes aléatoires traités
Filtrage adaptatif • Pas de connaissance a priori des propriétés des signaux et systèmes aléatoires traités
Filtrage adaptatif • Pas de connaissance a priori des propriétés des signaux et systèmes aléatoires traités

Pas de connaissance a priori des propriétés des signaux et systèmes aléatoires traités

Le filtre «optimal» se construit au fur et à mesure de l’arrivée

«optimal» se construit au fur et à mesure de l’arrivée des échantillons • Les coefficients du

des échantillons

Les coefficients du filtre s’adaptent selon un critère d’erreur

du filtre s’adaptent selon un critère d’erreur • Convergence vers le filtre «optimal» •

Convergence vers le filtre «optimal»

d’erreur • Convergence vers le filtre «optimal» • Égalisation, codage, annulation d’écho,
d’erreur • Convergence vers le filtre «optimal» • Égalisation, codage, annulation d’écho,

Égalisation, codage, annulation d’écho, caractérisation ou

extraction d’informations, filtrage et réduction de bruit

codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
codage, annulation d’écho, caractérisation ou extraction d’informations, filtrage et réduction de bruit
Annulation d’echo´ acoustique Ambient Noise Microphone to far end + - speaker near end speach
Annulation d’echo´
acoustique
Ambient
Noise
Microphone
to far end
+ -
speaker
near end
speach
Computation
Ht
of coefficients
from far end
speaker
Loud
speaker
Reflections
FIG. 9 – Annulation d’écho acoustique
Algorithme du gradient stochastique • Minimise l’erreur quadratique entre le filtre et son optimal :
Algorithme du gradient stochastique
• Minimise l’erreur quadratique entre le filtre et son optimal :
Least Mean Square (LMS)
• Minimisation de la fonction d’erreur par la méthode du
gradient stochastique
Filtrage :
T
y n = U
W
n
n− 1
Erreur :
n = y n − yˆ n
Gradient :
W n = W n− 1 + µ n n U n
9 Quantification et arithmetique´ entiere`
9
Quantification et arithmetique´
entiere`
Bruit d’une conversion analogique/numerique´ FIG. 10 – Bruit de conversion analogique numérique
Bruit d’une conversion analogique/numerique´
FIG. 10 – Bruit de conversion analogique numérique
Modele` du bruit de quantification x Q( ) y x + y • Hypothèses :
Modele`
du bruit de quantification
x
Q( )
y
x
+
y
• Hypothèses :
e
◦ e(n ) est stationnaire,
◦ e(n ) n’est pas corrélé avec x(n ),
◦ les bruits de quantification sont statistiquement indépendants,
◦ e(n ) est un bruit blanc uniformément réparti,
◦ e(n ) est borné par le pas de quantification,
◦ la distribution de probabilité de e(n ) est uniforme,
◦ l’ergodicité implique que les moyennes temporelles et statistiques
sont équivalentes.
• Selon la loi de quantification utilisée :
2
◦ arrondi : m e = 0, σ
= q 2
e
12 ,
2
◦ troncature : m e = q , σ
= q 2
2
e
12 .
Modeles` du bruit (dus aux calculs) m−1 m−1 X e = −2 m .S +
Modeles`
du bruit (dus aux calculs)
m−1
m−1
X e = −2 m .S +
b i 2 i ,
X s = −2 m .S +
b i 2 i
(37)
−n
−j
X s est le résultat de la quantification de X e , i.e. X s = Q[X e ]
2 -j+1
2 -j
2
-j-1
2
-n+2
2
-n+1
2
2
_n
-n
b
b
b
b
b
b
b
b
b
b
b
b
b
b
b
m-1
m-2
1
-j+1
j-1
-j
j
j+1
-j-1
n-2
2-n
n-1
1-n
-n
n
Bits restants b-k bits
Bits tronqués k bits
avec
k
=
n - j
FIG. 11 – Représentation des données lors d’une troncature
L’expression du bruit de quantification correspondant à la différence
entre les deux variables X e et X s , est la suivante : b g = n
i =j −1 b −i 2 −i
Modeles` du bruit – 2 2 k − 1 p ( x q ) =
Modeles`
du bruit – 2
2 k − 1
p ( x q ) =
2 − k δ ( x q − i.2 − n )
(38)
i=0
p(x q )
-k
2
0
1
2
3
2 k -1
x
q .2 n
FIG. 12 – Fonction de distribution du bruit généré lors d’une troncature
Modeles` du bruit – 3 La moyenne de cette variable aléatoire est la suivante :
Modeles`
du bruit – 3
La moyenne de cette variable aléatoire est la suivante :
+∞
2 k −1
µ b g =
y i p (y i ) =
i.2 −n .2 −k
(39)
i
=−∞
i
=0
soit
µ b g = 2 −j −1 (1 − 2 j −n ) = q (1 − 2 −k )
(40)
2
La variance de cette variable aléatoire est égale à :
+∞
2
σ
y
i 2 p (y i ) − µ 2
(41)
b g =
b
g
i
=−∞
soit
−2 j
2
2
2
σ
(1 − 2 2( j −n ) ) = 12 q (1 − 2 −2 k )
(42)
b g =
12
Modeles` du bruit – 4 b p Erreur b g Erreur propagée générée b x
Modeles`
du bruit – 4
b p
Erreur
b g
Erreur
propagée
générée
b
x
b s
b s
b q
x
op
+
+
z
y
b
y
FIG. 13 – Modélisation du bruit de calcul
Propagation des bruits dans le graphe
Filtrage d’un bruit de quantification 2 2 x x 2 RSB = σ = σ
Filtrage d’un bruit de quantification
2
2
x
x
2
RSB =
σ =
σ 12 = 12 × 2 2( b− 1) σ
(43)
x
σ
2
q
2 /
e
2
RSB dB = 10 log RSB = 6.02 × b + 4.77 × 10 log σ
(44)
x
FIG. 14 – Filtrage d’un bruit de quantification
Filtrage d’un bruit de quantification – 2 En sortie du filtre, si on considère que
Filtrage d’un bruit de quantification – 2
En sortie du filtre, si on considère que le filtre ne génère pas de
bruit, on aura alors :
y ( n ) = x( n ) ∗ h( n ) + e( n ) ∗ h( n ) = x( n ) ∗ h( n ) + f ( n )
(45)
où f ( n ) est le bruit de quantification en sortie du filtre. On définit
2
alors les moyennes m f et puissance du bruit σ f du bruit f ( n ) :
+
m f
= m e
h( n ) = m e H ( e j 0 )
(46)
n= −∞
+
2
π
σ
2
2
e
= σ
|h( n ) | 2 =
|H ( e j Ω ) | 2 d Ω
σ f
(47)
e
2 π
π
n= −∞
Effets de la quantification N − 1 Filtrage RIF H ( z ) = i=0
Effets de la quantification
N − 1
Filtrage RIF H ( z ) =
i=0
b i x n− i
×
×
×
×
×
FIG. 15 – Bruits de quantification dans un filtre RIF
• b gx représente le bruit en entrée du filtre associé au signal x ( n) .
• b gb i représente le bruit généré par les multiplications.
• b gadd représente le bruit généré par le changement de format en sortie du filtre.
Effets de la quantification – 2 Bruit en sortie du filtre RIF pour une architecture
Effets de la quantification – 2
Bruit en sortie du filtre RIF pour une architecture simple
précision
N − 1
2
2
2
σ f = σ
|h( n ) | 2 + N q
(48)
e
12
n=0
Bruit en sortie du filtre RIF pour une architecture double
précision
N − 1
2
2
2
σ f = σ
|h( n ) | 2 + q
(49)
e
12
n=0
Débordement du filtre RIF
N − 1
|y ( n ) | ≤ x max
|h( n ) |
(50)
n=0
Effets de la quantification – 3 Filtrage RII du second ordre
Effets de la quantification – 3
Filtrage RII du second ordre
 

Pour plus d’informations

 

Ref´ erences´

 

[Bel87]

M. Bellanger. Traitement Numérique du Signal. Collection

 

CNET-ENST, MASSON, 1987.

[EW92]

Van Den Enden and Werdeckh. Traitement Numérique du

 

Signal : Une Introduction. Masson, 1992.

[HL97]

D. Hanselman and B. Littlefield. Matlab : the language of

 

technical computing. Prentice Hall, 1997.

[Ka91]

M. Kunt and al. Techniques modernes de Traitement

 

Numérique du Signal. Collection CNET-ENST, Presses Romandes, Masson, 1991.

[ME93]

C. Marven and G. Ewers. a simple approach to Digital Signal

 

Processing. Texas Instruments Mentors, 1993.

 

Pour plus d’informations

 

Ref´ erences´

 

[MSY98] J. McClellan, R. Schafer, and M. Yoder. DSP First : a

 
 

Multimedia Approach. Prentice Hall, 1998.

[OS75]

A. V. Oppenheim and R. W. Schafer. Digital Signal

 

Processing. Prentice-Hall, 1975.

[OS99]

A. V. Oppenheim and R. W. Schafer. Discrete-Time Signal

 

Processing, second edition. Prentice-Hall, 1999.

[PM96]

J. Proakis and D. Manolakis. Digital Signal Processing :

 

Principles, Algorithms and Applications. Prentice Hall, 1996.

[Poa97]

 

B. Poart. A Course in Digital Signal Processing. John Wiley & Sons, 1997.

[SS88]

R. David S. Stearns. Signal Processing Algorithms. Prentice

 

Hall, 1988.

Pour plus d’informations

Olivier.Sentieys@enssat.fr

http ://lasti.enssat.fr/GroupeArchi/enseignements/Tns

− = ∑ − =
=
=
− = ∑ − = 9. Quantification et arithmetique´ entiere` – p. 80

Table des matieres`

Table des matieres`

1 Échantillonnage et reconstruction des signaux

8

 

15

2 Signaux à temps discret

3 Transformée en Z

22

4 Transformée de Fourier d’un signal discret

27

5 Systèmes discrets

38

6 Filtrage numérique

46

7 Transformée de Fourier rapide (FFT)

55

8 Filtrage adaptatif

62

9 Quantification et arithmétique entière

66