Vous êtes sur la page 1sur 98

→ Objectifs :

1- Etre capable d’utiliser les outils suivants pour réaliser


l’analyse d’un signal numérique :
Transformée de Fourier Numérique
Cours de traitement Densité spectrale de puissance numérique
Auto et inter corrélations numériques

numérique du signal 2- Etre capable de synthétiser un filtre numérique, linéaire


invariant dans le temps de type rationnel.

→ Documents/outils mis à disposition :


Première année 1- Un polycopié : cours, exercices corrigés, textes de TPs
et de projets
Département Sciences du 2- Deux interfaces graphiques sous matlab + quelques
fichiers nécéssaires pour réaliser les TPs.
Numérique
→ Un examen écrit de type QCM

→ Un projet à réaliser au choix parmi 3 :


1- Détection d’arcs électriques dans les câbles
d’alimentation d’un avion.
2- Simulation d’une transmission au format DVB-RCS :
voie retour par satellite pour accéder à Internet.
Nathalie Thomas 3- Réalisation d’un modem téléphonique : modem de
fréquence suivant la recommandation V21 de l’UIT.
Evaluation : compte-rendu + codes +suivi
Cours de traitement Chapitre 1
numérique du signal Introduction

Première année
Département Sciences du - Numérisation du signal
- Intérêt du traitement numérique du signal
Numérique - Outils à numériser
- Temps de traitement

Nathalie Thomas
Signal analogique : Signal analogique :
signal défini à tout instant par des signal défini à tout instant par des
valeurs réelles
valeurs réelles

Exemple :
Numérisation : x(t) = sin (2πf0 t)
Échantillonnage + quantification

Signal numérique : temps

signal défini à des instants discrets


par un nombre fini de valeurs T0 = 1/f0
Signal échantillonné : Conserve t-on toute l’information du
signal défini à des instants discrets signal dans la suite d’échantillons
par des valeurs réelles prélevés ?

Non c’est
Exemple : k = numéro (ou indice) de l'échantillon impossible …

x(kTe) = sin (2πf0 kTe)

Te : période d’échantillonnage

temps
Mais bien sûr
que c’est possible !
À une condition :
Fe > 2 Fmax
Remarque : échantillonnage périodique
Signal de parole :
Exemple 1 Quand on diminue la fréquence d’échantillonnage, les
périodisations se rapprochent et finissent par apparaitre dans
Amplitude la bande occupée par le signal :
Fe> 2Fmax

temps
temps

-Fe Fe fréquences
Fe= 2Fmax - Fmax Fmax

Spectre obtenu en utilisant une transformée de Fourier :


Distribution de l’énergie

-2Fe -Fe - Fmax Fmax Fe 2Fe


Fe< 2Fmax

fréquences
- Fmax Fmax

Spectre du signal échantillonné correctement échantillonné :


-4Fe -3Fe -2Fe -Fe Fe 2Fe 3Fe 4Fe
- Fmax Fmax
Spectre du signal échantillonné avec Fe= Fmax / 12 :

-Fe Fe fréquences
- Fmax Fmax fréquences
Exemple 2 Image sous échantillonnée d’un facteur 2 :
256*256 pixels, quantifiée sur 8 bits
Image d’origine :
512*512 pixels, quantifiée sur 8 bits 50

100

50 150

100

150 200

200
250
250 50 100 150 200 250

300

350 Image sous échantillonnée d’un facteur 4 :


400 128*128 pixels, quantifiée sur 8 bits
450

500 20
50 100 150 200 250 300 350 400 450 500
40

60

80

100

120

20 40 60 80 100 120
Effets de Moiré
Exemple (quantification uniforme par troncature
sur nb = 2 bits) :
Signal quantifié : x(t) = sin (2πf0 t) ∈ {V1, V2, V3, V4}
signal défini à chaque instant par un x(t) = sin (2πf0 t)
nombre fini de valeurs
Signal de départ
V1(00)
Exemple : x(t) = sin (2πf0 t) Signal quantifié
sur 2 bits
V2(01)
temps
V3(11)
Dynamique
du signal

q
V4(10)
temps
La dynamique du signal est divisée en 2nb = 22 =4
niveaux de même taille (quantification uniforme)
et toutes les amplitudes du signal appartenant au même
Le nombre de valeurs possibles pour l’amplitude du niveau se voient affecter une même valeur codée sur
signal après quantification va être donné par le nombre nb=2 bits. La largeur d’un niveau donne ce que l’on
de bits de quantification utilisés. appelle le pas de quantification q :
Avec nb bits on pourra coder 2nb niveaux sur la Dynamique du signal
dynamique du signal q=
2nb
Peut-on conserver même information Mais le signal quantifié et le signal non
dans le signal quantifié ? quantifié peuvent cependant être très
proches…

Oui !! Une opération de quantification correctement


réalisée va ajouter un bruit, dit bruit de
quantification, au signal de départ (non quantifié).
Or on montre que le rapport signal sur bruit (ou SNR)
de quantification est donné par :
Psignal non quantifié
SNRQ(dB) = 10 log = 6nb+constante
Pbruit de quantification
Eh non …
La constante dépend du signal considéré, mais quel que
soit le signal, on remarque que quand le nombre de bits
L’opération de quantification est une de quantification nb augmente, la puissance du bruit
opération irréversible. Le signal quantifié ajouté par la quantification diminue par rapport à celle
ne sera jamais parfaitement identique au du signal non quantifié et la quantification passe alors
pour une opération transparente.
signal non quantifié.
Exemple 1 Image d’origine : Exemple 2
512*512,
→ Signal quantifié sur 16 bits, soit 216 = 65536 niveaux : quantifiée sur 8 bits

50
Amplitude
100

150

200

250
temps
temps 300

350

400

450

500
50 100 150 200 250 300 350 400 450 500

→ Signal quantifié sur nb = 4 bits, soit 24 = 16 niveaux :


Image quantifiée sur 4 bits Image quantifiée sur 2 bits
Amplitude
50 50

100 100

150 150

200 200
temps
250 250

300 300

350 350

400 400

450 450

500 500
50 100 150 200 250 300 350 400 450 500 50 100 150 200 250 300 350 400 450 500
Signal numérique : Exemple 2 : Quantification : 8 bits

signal défini à des instants discrets 45

par un nombre fini de valeurs


50

55
Image d’origine :
= signal échantillonné et quantifié 512*512,
60

65

quantifiée sur 8 bits Zoom 70

Exemple 1 :
75

80

338 340 342 344 346 348 350

x(kTe) = sin (2πf0 kTe) ∈ {V1, V2, V3, V4} 50

100 1 niveau de
150 gris parmi
V1(00)

512 pixels
200
256 (28)
250
V2(01)
300
temps 350
V3(11) 400

450

V4(10) 500
50 100 150 200 250 300 350 400 450 500

Te : période d’échantillonnage
Finalement l’information binaire associée à cette sinusoïde, ou 512 pixels
sinusoïde numérisée, va être donnée par :
010101000000000000010101111111101010101010…
Mais pourquoi numérise t-on un signal
Signal
pour ensuite retransformer l’information
Numérisation binaire en un signal ???
Information binaire : 0110010… Pour plusieurs raisons, parmi lesquelles :
- Une amélioration de la qualité de la transmission
Emetteur
C’est le TEB qui qualifie la qualité d’une transmission numérique
Signal
Signal émis Signal abimé mais TEB=0
0 1 1 0 0 1 0 1 1 1 0
+V
Canal de
0 t
transmission t
-V

Signal abîmé - La possibilité de fonctions nouvelles : codage canal


(ou codage correcteur d’erreur), filtrage adaptatif
Récepteur (égalisation : correction d’un canal mobile)…

Prix à payer : augmentation de la bande nécessaire à la


Information binaire : 0110010… ? transmission, mais heureusement existe la compression
(qu’on appelle aussi le codage source) !
Amplitude Exemple 1
Le traitement du signal
Pourquoi ? temps
temps

→ Pour extraire de l’information des signaux : Distribution de l’énergie


• Identifier la bande de fréquence nécessaire à la
transmission d’un signal,
• Détecter des anomalies, des défauts (ECG,
Arcs électriques sur les câbles d’alimentation
d’un avion, dent cassée dans un engrenage…) fréquences
Bande nécessaire
→ Pour construire/modifier des signaux : (pour transmission sur fréquence
porteuse)
• En vue de les adapter au canal de propagation à
traverser : modulation, filtrage… Exemple de partage de bande : bande FM à Toulouse

96.30 France Culture


• En vue d’éliminer des composantes indésirables :

Virgin Radio
88.10 France Inter

105.5 France Info


105.9 Fun Radio
99.50 Nostalgie
95.20 Le Mouv'
le bruit, certaines fréquences…

100.0 Skyrock
… … … …

88.70 RTL2

104.3 RMC

107.2 BFM
103.9 RTL
100.4 NRJ
fréquences

89.10

96.90

101.0

102.4
102.8

106.3
87.5 MHz Bande FM 108 MHz

Bande passante du canal de transmission


réservée à France Info
Exemple 2
Le traitement du signal
Pourquoi ?

Signal réel
→ Pour extraire de l’information des signaux : 400
Zoom : Signal réel

• Identifier la bande de fréquence nécessaire à la 200


200
100

transmission d’un signal, 0 0


-100

• Détecter des anomalies, des défauts (ECG, -200 -200

0.18 0.2 0.22 0.24 0.26 0.28


-400
Arcs électriques sur les câbles d’alimentation 0 0.1 0.2 0.3 0.4 0.5
t (secondes)
0.6 0.7 0.8 0.9 1
t (secondes)

d’un avion, dent cassée dans un engrenage…) DSP signal réel


Après filtrage passe-haut :
Signal réel filtré deux fois

→ Pour construire/modifier des signaux : 40

Signal réel filtré


20
• En vue de les adapter au canal de propagation à 0

traverser : modulation, filtrage… -20

• En vue d’éliminer des composantes indésirables : -40


0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

le bruit, certaines fréquences… Temps (s)


Statistique de test, seuil considéré
8000
T(X)
6000 seuil

T(X)
4000

2000

0
0 5 10 15 20 25 30 35 40 45 50
Indices période de signal
Exemple 3
Le traitement du signal +V
0 1 1 0 0 1 0 1 1 1

Pourquoi ? temps
-V
Différents
→ Pour extraire de l’information des signaux : Signaux +V
• Identifier la bande de fréquence nécessaire à la transportant
temps
transmission d’un signal, la même
-V
• Détecter des anomalies, des défauts (ECG, Information
Arcs électriques sur les câbles d’alimentation binaire 0 1 1 0 0 1 0 1 1 1
d’un avion, dent cassée dans un engrenage…) +V

→ Pour construire/modifier des signaux : temps


• En vue de les adapter au canal de propagation à -V
traverser : modulation, filtrage…
• En vue d’éliminer des composantes indésirables :
Différentes bandes
le bruit, certaines fréquences…
occupées

fréquences
fréquences
Signal émis et spectre du signal émis
signal émis
Exemple 4
1

Le traitement du signal 0

Pourquoi ? -1

0 100 200 300 400 500 600 700 800 900 1000

Power/frequency (dB/rad/sample)
spectre du signal émis
20

0
Signal reçu et spectre du signal reçu
-20
Avant filtrage de réception
→ Pour extraire de l’information des signaux : -40
2
signal reçu

• Identifier la bande de fréquence nécessaire à la -60


0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Normalized Frequency (×π rad/sample)
0.8 0.9 1 1

0
transmission d’un signal, -1

• Détecter des anomalies, des défauts (ECG, -2


0 100 200 300 400 500 600 700 800 900 1000

Power/frequency (dB/rad/sample)
Arcs électriques sur les câbles d’alimentation 10
spectre du signal reçu

d’un avion, dent cassée dans un engrenage…) Signal reçu et spectre du signal reçu 0

-10
après filtrage de réception -20
signal reçu après filtrage
→ Pour construire/modifier des signaux : 1
-30
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Normalized Frequency (×π rad/sample)
0.8 0.9 1

• En vue de les adapter au canal de propagation à 0.5

0 TEB = 7.8e-04
traverser : modulation, filtrage… -0.5

-1

• En vue d’éliminer des composantes indésirables : 0 100 200 300 400 500 600 700 800 900 1000

le bruit, certaines fréquences…


Power/frequency (dB/rad/sample)
spectre du signal reçu après filtrage
50

-50

-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency (×π rad/sample)
SNR = 10 dB
TEB = 0
Signal émis et spectre du signal émis
signal émis
Exemple 5
1

Le traitement du signal 0

Pourquoi ? -1

0 100 200 300 400 500 600 700 800 900 1000

Power/frequency (dB/rad/sample)
spectre du signal émis
20

-20 Signal reçu et spectre du signal reçu


-40
Avant filtrage de réception
→ Pour extraire de l’information des signaux : -60
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 4
signal reçu

Normalized Frequency (×π rad/sample)


• Identifier la bande de fréquence nécessaire à la 2

transmission d’un signal, -2

• Détecter des anomalies, des défauts (ECG, -4


0 100 200 300 400 500 600 700 800 900 1000

Power/frequency (dB/rad/sample)
Arcs électriques sur les câbles d’alimentation 10
spectre du signal reçu

d’un avion, dent cassée dans un engrenage…) Signal reçu et spectre du signal reçu 0

après filtrage de réception -10

→ Pour construire/modifier des signaux : 2


signal reçu après filtrage -20
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Normalized Frequency (×π rad/sample)
0.8 0.9 1

• En vue de les adapter au canal de propagation à 1


TEB = 0,179
traverser : modulation, filtrage… -1
0

• En vue d’éliminer des composantes indésirables : -2


0 100 200 300 400 500 600 700 800 900 1000

le bruit, certaines fréquences… Power/frequency (dB/rad/sample) 50


spectre du signal reçu après filtrage

-50

-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Normalized Frequency (×π rad/sample)

TEB = 7.53e-04
SNR = 0 dB
Image émise
Exemple 6
Le traitement du signal 100

Pourquoi ? 200

300

400
Image reçue
500 Avant filtrage de réception
→ Pour extraire de l’information des signaux : 50 100 150 200 250 300 350 400 450 500
• Identifier la bande de fréquence nécessaire à la
100
transmission d’un signal,
• Détecter des anomalies, des défauts (ECG, 200

Arcs électriques sur les câbles d’alimentation 300


d’un avion, dent cassée dans un engrenage…) Image reçue 400
après filtrage de réception 500
→ Pour construire/modifier des signaux : 50 100 150 200 250 300 350 400 450 500
• En vue de les adapter au canal de propagation à TEB = 7.86e-04
100
traverser : modulation, filtrage…
200
• En vue d’éliminer des composantes indésirables :
le bruit, certaines fréquences… 300

400

500
50 100 150 200 250 300 350 400 450 500

TEB = 0 SNR = 10 dB
Image émise
Exemple 7
Le traitement du signal 100

Pourquoi ? 200

300

400
Image reçue
500 Avant filtrage de réception
→ Pour extraire de l’information des signaux : 50 100 150 200 250 300 350 400 450 500
• Identifier la bande de fréquence nécessaire à la
100
transmission d’un signal,
200
• Détecter des anomalies, des défauts (ECG,
Arcs électriques sur les câbles d’alimentation 300

d’un avion, dent cassée dans un engrenage…) 400


Image reçue
500
→ Pour construire/modifier des signaux : après filtrage de réception
50 100 150 200 250 300 350 400 450 500
• En vue de les adapter au canal de propagation à TEB = 0.1581
traverser : modulation, filtrage… 100
• En vue d’éliminer des composantes indésirables : 200
le bruit, certaines fréquences… 300

400

500
50 100 150 200 250 300 350 400 450 500

TEB = 7.5483e-04 SNR = 0 dB


Exemple 8
Le traitement du signal
Pourquoi ?

→ Pour extraire de l’information des signaux : 400


Signal réel Zoom Signal réel

• Identifier la bande de fréquence nécessaire à la 200 200


100

transmission d’un signal, 0 0


-100
-200

• Détecter des anomalies, des défauts (ECG, -200


0.18 0.2 0.22 0.24
t (secondes)
0.26 0.28

-400
Arcs électriques sur les câbles d’alimentation 0 0.1 0.2 0.3 0.4 0.5
t (secondes)
0.6 0.7 0.8 0.9 1

d’un avion, dent cassée dans un engrenage…) DSP signal réel


Après filtrage passe-haut pour élimination du 50 Hz :
Signal réel filtré deux fois

→ Pour construire/modifier des signaux : 40

Signal réel filtré


20
• En vue de les adapter au canal de propagation à 0

traverser : modulation, filtrage… -20

• En vue d’éliminer des composantes indésirables : -40


0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

le bruit, certaines fréquences… Temps (s)


Statistique de test, seuil considéré
8000
T(X)
6000 seuil

T(X)
4000

2000

0
0 5 10 15 20 25 30 35 40 45 50
Indices période de signal
Amplitude Exemple 1
Avec quels outils ?
temps
temps

→ Analyse de signaux : Distribution de l’énergie


La transformée
• Fonctions d’autocorrélation, d’intercorrélation
de Fourier
• Transformée de Fourier, Densité Spectrale de
Puissance (DSP)

fréquences
Bande nécessaire
→ Création/modification de signaux : (pour transmission sur fréquence
porteuse)
• Modulation
• Filtrage Exemple de partage de bande : bande FM à Toulouse

96.30 France Culture

Virgin Radio
88.10 France Inter

105.5 France Info


105.9 Fun Radio
99.50 Nostalgie
95.20 Le Mouv'

100.0 Skyrock
… … … …

88.70 RTL2

104.3 RMC

107.2 BFM
103.9 RTL
100.4 NRJ
fréquences

89.10

96.90

101.0

102.4
102.8

106.3
87.5 MHz Bande FM 108 MHz

Bande passante du canal de transmission


réservée à France Info
La modulation : Exemple 2
0 1 1 0 0 1 0 1 1 1
+V
Avec quels
Avec quels outils
outils?? temps
D M
I O -V
F D
F U +V
E L
→ Analyse de signaux : R A temps
• Fonctions d’autocorrélation, d’intercorrélation E T
-V
• Transformée de Fourier, Densité Spectrale de N I
T O
Puissance (DSP) E N
0 1 1 0 0 1 0 1 1 1
S S +V

temps
→ Création/modification de signaux : -V
• Modulation
• Filtrage

fréquences
fréquences
Différentes bandes nécessaires
Exemple 3
Amplitude
Avec quels outils ?

temps

→ Analyse de signaux :
• Fonctions d’autocorrélation, d’intercorrélation
• Transformée de Fourier, Densité Spectrale de
Du bruit ?
Puissance (DSP)
La fonction Rx(τ)
d’autocorrélation Pas que…
→ Création/modification de signaux :
• Modulation
• Filtrage du bruit

et du signal
Image émise
Exemple 4
100
Avec quels outils ?
200

300

400
Image reçue
500 Avant filtrage de réception
→ Analyse de signaux : 50 100 150 200 250 300 350 400 450 500
• Fonctions d’autocorrélation, d’intercorrélation 100
• Transformée de Fourier, Densité Spectrale de
200
Puissance (DSP) Le filtrage 300

400

Image reçue 500


→ Création/modification de signaux : après filtrage de réception 50 100 150 200 250 300 350 400 450 500
• Modulation TEB = 0.1581
• Filtrage 100

200

300

400

500
50 100 150 200 250 300 350 400 450 500

TEB = 7.5483e-04 SNR = 0 dB


Signaux numériques
Temps de traitement
Outils de traitement numériques
→ Quelles différences par rapport aux outils Traitement
théoriques introduits en traitement du signal ? numérique

Exemples :
→ Temps de traitement ? Temps réel ? → Estimation biaisée de la fonction d’autocorrélation de x :

Traitements numériques de base → Transformée de Fourier Discrète (TFD) de x :

→ Fonctions d’autocorrélation, d’intercorrélation → Filtrage numérique à réponse impulsionnelle finie de x :

→ Transformée de Fourier,
Temps de traitement = Nombre d’opérations
→ Densité Spectrale de Puissance (DSP) d’addition/multiplication
(MAC = Multiplication Accumulation)
→ Filtrage
Temps réel : temps de traitement < Te
Cours de traitement Chapitre 2
numérique du signal
Transformée de Fourier
Première année Discrète (TFD)
Département Sciences du
Numérique

Nathalie Thomas
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)

Exemple

TF du signal : Simulation sous Matlab : Tracé du module de la TFD du signal :


50
%Paramètres
f0=100; %fréquence du cosinus 45 Deux cosinus ?
Fe=1000; %fréquence d'échantillonnage 40
Te=1/Fe; %période d'échantillonnage
Tracé du module de la TF du signal : N=100; %nombre d'échantillons
35

30

%Génération du signal 25
x=cos(2*pi*f0*[0:Te:N*Te]);
20

%Tracé du signal 15

figure; plot(x) 10

5
%Calcul de la TFD du signal
X=fft(x); 0
0 20 40 60 80 100 120
11 ? 92 ?
%Tracé du module de la TFD du signal
figure; plot(abs(X))
de fréquences 11 et 92 Hz ?
??
Transformée de Fourier (TF) ?? Transformée de Fourier Discrète (TFD)

1- Echantillonnage temporel

2- Signaux de durées limitées

3- Echantillonnage spectral

Quels impacts ??
Transformée de Fourier (TF) 1- TF du signal échantillonné

1- Echantillonnage temporel => périodisation spectrale !! Respecter la condition de Shannon !!

Exemple

Fe > 2Fmax

Fe < 2Fmax

Recouvrement spectral (aliasing)


Transformée de Fourier (TF) 1- TF du signal échantillonné

1- Echantillonnage temporel => périodisation spectrale !! Lecture du spectre !!

Deux diracs mais un seul cosinus

Visualisation sur [0, Fe] :

+ -

Fe
2
Transformée de Fourier (TF) 1- TF du signal échantillonné

1- Echantillonnage temporel => périodisation spectrale !! Lecture du spectre!!

Exemple

Simulation sous Matlab :


%Paramètres
f0=100; %fréquence du cosinus Tracé du module de la TFD du signal :
Fe=1000; %fréquence d'échantillonnage 50
Te=1/Fe; %période d'échantillonnage
N=100; %nombre d'échantillons
45
+ - Deux cosinus ? Non un seul !
40

%Génération du signal 35
x=cos(2*pi*f0*[0:Te:N*Te]);
30

%Tracé du signal 25
figure; plot(x) 20

%Calcul de la TFD du signal 15

X=fft(x); 10

5
%Tracé du module de la TFD du signal
figure; plot(abs(X)) 0
0 20 40 60 80 100 120
Transformée de Fourier (TF) 1- TF du signal échantillonné

1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!

Exemple

Simulation sous Matlab : Tracé du signal : Tracé du module de la TFD du signal :


%Paramètres 1 50
f0=100; %fréquence du cosinus
Fe=1000; %fréquence d'échantillonnage 0.8 45
+ -
Te=1/Fe; %période d'échantillonnage 0.6 40
N=100; %nombre d'échantillons 0.4 35

0.2 30
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]); 0 25

-0.2 20
%Tracé du signal
-0.4
figure; plot(x) 15

-0.6
10
%Calcul de la TFD du signal -0.8
5
X=fft(x);
-1
0 10 20 30 40 50 60 70 80 90 100 0
0 20 40 60 80 100 120
%Tracé du module de la TFD du signal 11 92
figure; plot(abs(X))
Une période = 10 secondes ?? fréquences f0=11 Hz et Fe- f0=92 Hz ??
Transformée de Fourier (TF) 1- TF du signal échantillonné

1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!

Exemple

Simulation sous Matlab :


%Paramètres Tracé du signal :
f0=100; %fréquence du cosinus 1
Fe=1000; %fréquence d'échantillonnage 0.8
Te=1/Fe; %période d'échantillonnage
0.6
N=100; %nombre d'échantillons
0.4
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]);
0.2
1 période = 10 échantillons
0
de signal
%Tracé du signal -0.2

figure; plot(x) -0.4

-0.6
%Calcul de la TFD du signal
X=fft(x); -0.8

%Tracé du module de la TFD du signal


-1
0 10 20 30 40 50 60 70 80 90 100
n° échantillon
figure; plot(abs(X)) pas temps en secondes !!
Taille du vecteur = 101 échantillons
Transformée de Fourier (TF) 1- TF du signal échantillonné

1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!

Exemple

Simulation sous Matlab :


Tracé du signal :
%Paramètres
1
f0=100; %fréquence du cosinus
0.8
Fe=1000; %fréquence d'échantillonnage
Te=1/Fe; %période d'échantillonnage 0.6
N=100; %nombre d'échantillons 0.4

0.2
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]); 0
1 période = 0,01 secondes
-0.2
%Tracé du signal
-0.4
figure; plot([0:Te:N*Te],x)
-0.6

%Calcul de la TFD du signal -0.8


X=fft(x);
-1
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1
%Tracé du module de la TFD du signal
Temps (secondes)
figure; plot(abs(X))
Une période = 0,01 secondes
Transformée de Fourier (TF) 1- TF du signal échantillonné

1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!

Exemple

Simulation sous Matlab : Tracé du module de la TFD du signal :


%Paramètres 50

f0=100; %fréquence du cosinus


Fe=1000; %fréquence d'échantillonnage
45
+ - Deux cosinus ? Non un seul !
40
Te=1/Fe; %période d'échantillonnage
N=100; %nombre d'échantillons 35

30
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]); 25 f0 =10 échantillons
%Tracé du signal
20
de spectre
15
figure; plot([0:Te:N*Te],x)
10

%Calcul de la TFD du signal 5


X=fft(x);
0
0 20 40 60 80 100 120
n° échantillon
11ème 92ème
%Tracé du module de la TFD du signal pas fréquence en Hz !!
figure; plot(abs(X)) 0 101
Taille du vecteur = 101 échantillons
Transformée de Fourier (TF) 1- TF du signal échantillonné

1- Echantillonnage temporel => périodisation spectrale !! Echelles (des temps, des fréquences) !!

Exemple

Simulation sous Matlab : Tracé du module de la TFD du signal :


%Paramètres 50
f0=100; %fréquence du cosinus
Fe=1000; %fréquence d'échantillonnage 45 + - Deux cosinus ? Non un seul !
Te=1/Fe; %période d'échantillonnage 40
N=100; %nombre d'échantillons
35

%Génération du signal 30

x=cos(2*pi*f0*[0:Te:N*Te]); 25 f0 = 100 Hz
20
%Tracé du signal
figure; plot([0:Te:N*Te],x) 15

10
%Calcul de la TFD du signal
5
X=fft(x);
0
0 100 200 300 400 500 600 700 800 900 1000
Fréquences (Hz)
%Tracé du module de la TFD du signal
figure; plot(linspace(0,Fe,length(X)),abs(X)) 0 f0 Fe-f0
Fe
Transformée de Fourier (TF) 1- TF du signal échantillonné

1- Echantillonnage temporel => périodisation spectrale

Exemple

Simulation sous Matlab :


%Paramètres
50
f0=100; %fréquence du cosinus
Fe=1000; %fréquence d'échantillonnage 45
Te=1/Fe; %période d'échantillonnage
40
N=100; %nombre d'échantillons
35 Spectre repositionné
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]);
30 autour de 0
25
%Tracé du signal
20
figure; plot([0:Te:N*Te],x)
15
%Calcul de la TFD du signal
10
X=fft(x);
5
%Tracé du module de la TFD du signal
figure; plot(linspace(-Fe/2,Fe/2,length(X)),fftshift(abs(X)))
0
-500 -400 -300 -200 -100 0 100 200 300 400 500
Fréquences (Hz)
- Fe/2 - f0 0 f0 Fe/2
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée

Exemple

0.8 Signal de durée limitée


0.6

0.4

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 10 20 30 40 50 60 70 80 90 100

Signal de durée infinie x Fenêtre de troncature


Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!

Exemple

TF du signal de durée infinie :

TF du signal de durée infinie


* TF de la fenêtre de troncature :
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!


Problèmes posés :
Exemple 1 Exemple 2
Somme de deux cosinus proches en fréquences Somme de deux cosinus dont un de faible puissance

=> Deux cosinus proches en fréquences => Deux cosinus proches en fréquences

=> Un seul cosinus !! => Un seul cosinus !!

Pouvoir séparateur Taux d’ondulation


Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!

Exemple

Sinus
1

0.8

0.6
Signal de durée limitée cardinal
0.4

0.2

-0.2

-0.4 Taux d’ondulation


-0.6

-0.8 de l’analyse spectrale


-1
0 10 20 30 40 50 60 70 80 90 100

TF numérique
Signal de durée infinie x Fenêtre de troncature
sur une durée T : w(t)
… …

Pouvoir séparateur
de l’analyse spectrale
numérique
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!

Exemple
Noyau de Dirichlet

1 Signal échantillonné
de durée limitée
0.8

0.6

0.4

0.2

-0.2

-0.4
Taux d’ondulation
TF
-0.6

-0.8 x Fenêtre de troncature de l’analyse spectrale


Signal échantillonné
-1
0 10 20 30 40 50 60 70 80 90 100 échantillonnée sur une durée numérique
de durée infinie de N échantillons : w(k)

xxx … x … …

Pouvoir séparateur
de l’analyse spectrale
numérique
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!


Solution proposée :

Exemple

0.8 Signal de durée limitée


0.6

Utiliser d’autres fenêtres de 0.4

0.2

troncature (de pondération, 0

-0.2

d’apodisation) ?
-0.4

-0.6

-0.8

-1
0 10 20 30 40 50 60 70 80 90 100

x Fenêtre de troncature RECTANGULAIRE


Signal de durée infinie
rectangulaire
Hamming
Blackman
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!


Solution proposée : Utiliser d’autres fenêtres de troncature (de pondération, d’apodisation) ?

Exemples
Tracés des fenêtres de troncature Tracés des TF des fenêtres de troncature
1
2
0.9 Différents taux
1 d’ondulation
0.8
0
0.7
-1
0.6
-2
0.5
-3
0.4
-4 Différents pouvoirs séparateurs
0.3 rectangulaire -5
Hamming rectangulaire
0.2 -6
Blackman Hamming
Blackman
0.1 -7

0 -8
0 10 20 30 40 50 60 70 80 90 100 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!


Solution proposée : Utiliser d’autres fenêtres de troncature (de pondération, d’apodisation) ?
Exemple 1
Somme de deux cosinus proches en fréquences
%fenêtre naturelle
x=x1+x2;
%Exemple1 X_V1=fft(x,4096);
%Paramètres %fenêtre de hamming
f1=200; %fréquence du cosinus 1 w=window(@hamming,length(x)); fenetre naturelle
f2=207; %fréquence du cosinus 2 x=(x1+x2).*w.';
Fe=1000; %fréquence d'échantillonnage X_V2=fft(x,4096);
Te=1/Fe; %période d'échantillonnage %Tracés
N=100; %nombre d'échantillons figure 10
1

subplot(2,1,1)
%Génération du signal plot(linspace(0,1,4096),log10(abs(X_V1)));
x1=cos(2*pi*f1*[0:Te:N*Te]); title('fenetre naturelle');
x2=cos(2*pi*f2*[0:Te:N*Te]); subplot(2,1,2) 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

plot(linspace(0,1,4096),log10(abs(X_V2))); fenetre de Hamming


title('fenetre de Hamming');

0
10

-2
10
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!


Solution proposée : Utiliser d’autres fenêtres de troncature (de pondération, d’apodisation) ?
%fenetre naturelle Exemple 2
X=fft(x,4096); Somme de deux cosinus dont un de faible puissance
figure
subplot(3,1,1)
%Exemple 2 semilogy(linspace(0,1,4096),abs(X));
%Paramètres axis([0 1 10^-5 10^5])
f1=200; %fréquence du cosinus 1 title('fenetre naturelle');
f2=320; %fréquence du cosinus 2
%fenetre de hamming fenetre naturelle
Fe=1000; %fréquence d'échantillonnage
Te=1/Fe; %période d'échantillonnage w=window(@hamming,length(x));
N=100; %nombre d'échantillons x=(x1+x2).*w.'; 0
10
X=fft(x,4096);
%Génération du signal subplot(3,1,2)
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x1=cos(2*pi*f1*[0:Te:N*Te]); semilogy(linspace(0,1,4096),abs(X));
fenetre de Hamming
x2=0.005*cos(2*pi*f2*[0:Te:N*Te]); title('fenetre de Hamming');
x=x1+x2; 0
10
%fenetre de blackman
w=window(@blackman,length(x));
%w=blackman(N); 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
x=(x1+x2).*w.'; fenetre de Blackman
X=fft(x,4096); 0
subplot(3,1,3) 10

semilogy(linspace(0,1,4096),abs(X));
title('fenetre de Blackman');
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!

Exemple 3
|X(f)| fenetre naturelle

0
10

0.1 0.2 0.3 0.4 0.5 0.6


Fréquences normalisées
0.7 0.8 0.9 1 Signal ???
2
fenetre de Hamming
10
|X(f)|

0
10
-2
10
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fréquences normalisées
fenetre de Blackman
0
10
|X(f)|

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1


Fréquences normalisées
Transformée de Fourier (TF) 2- TF signal échantillonné et de durée limitée

2- Signal numérique de durée limitée => !! Modification du spectre !!

Exemple 3
+ fenetre naturelle -
3 cosinus
|X(f)|

0
10 de puissances identiques
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fréquences normalisées
4 cosinus : fenetre de Hamming
2
3 de puissances identiques 10
2 cosinus
1 de plus faible puissance
|X(f)|

0
10
de puissances identiques
-2
10 Mais quelque chose de bizarre…
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fréquences normalisées
fenetre de Blackman
0
10
3 cosinus
|X(f)|

de puissances différentes
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Fréquences normalisées

Solution proposée : Utiliser PLUSIEURS fenêtres de troncature (de pondération, d’apodisation)


Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)

3- Echantillonnage fréquentiel

Exemple

Simulation sous Matlab : Tracé du module de la TFD du signal :


%Paramètres
50
f0=100; %fréquence du cosinus
Fe=1000; %fréquence d'échantillonnage 45
+ - Deux cosinus ? Non un seul !
Te=1/Fe; %période d'échantillonnage 40
N=100; %nombre d'échantillons
35 Mais ils sont où
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]);
30
les noyaux de Dirichlet ???
25

%Tracé du signal 20

figure; plot([0:Te:N*Te],x) 15

10
%Calcul de la TFD du signal
X=fft(x); 5

0
0 100 200 300 400 500 600 700 800 900 1000
Fréquences (Hz)
%Tracé du module de la TFD du signal
figure; 0 f0 Fe-f0
Fe
plot(linspace(0,Fe,length(X)),abs(X))
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)

3- Echantillonnage fréquentiel => !! Mauvaise visualisation du spectre !!

Exemple

Tracé du module de la TFD du signal Tracé du module de la TFD du signal

f (Hz) f (Hz)
0 f0 Fe-f0 0 f0 Fe-f0

Fe/N Fe/N
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)

3- Echantillonnage fréquentiel => !! Mauvaise visualisation du spectre !!


Solution proposée : interpolation par Zero Padding

Exemple
Tracé du module de X(n) Tracé du module de Y(n)

x x x x
x x x x
x x
x x
x x
x x x
x
x x
x x x
x x x
x x x x x
x x xx x xx x x x x
x x x x x x x x
xx x x x x
x x x x x xx x x x x x xx x x x x x
x f (Hz) x x x x x x f (Hz)
0 f0 Fe-f0 f0
0 Fe-f0
Fe/N Fe/N Fe/MN
N points distants de Fe/N entre 0 et Fe MN points distants de Fe/MN entre 0 et Fe
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)

3- Echantillonnage spectral => !! Mauvaise visualisation du spectre !!


Solution proposée : interpolation par Zero Padding

Exemple

Simulation sous Matlab :


Tracé du module de la TFD du signal :
%Paramètres 50
f0=100; %fréquence du cosinus Deux cosinus ? Non un seul !
Fe=1000; %fréquence d'échantillonnage
Te=1/Fe; %période d'échantillonnage
45
+ -
40
N=100; %nombre d'échantillons
35 Voilà
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]);
30
les noyaux de Dirichlet !
25

%Tracé du signal 20

figure; plot([0:Te:N*Te],x) 15

10
%Calcul de la TFD du signal
X=fft(x,128); 5

%Tracé du module de la TFD du signal


0
0 100 200 300 400 500 600 700 800 900 1000 Fréquences (Hz)
figure; f0 Fe-f0
plot(linspace(0,Fe,length(X)),abs(X)) 0 Fe
Transformée de Fourier (TF) ?? Transformée de Fourier Discrète (TFD)

3- Echantillonnage spectral => !! Mauvaise visualisation du spectre !!


Solution proposée : interpolation par Zero Padding
Tracé du module de la TFD du signal
Exemple pour différentes valeurs de Zero Padding :
sans ZP ZP : 128
60 60
Simulation sous Matlab :
%Paramètres 40 40

|TFD(x)|

|TFD(x)|
f0=100; %fréquence du cosinus
Fe=1000; %fréquence d'échantillonnage 20 20
Te=1/Fe; %période d'échantillonnage % Tracé du module de la TFD du signal
N=100; %nombre d'échantillons figure;
subplot(2,2,1) 0 0
0 500 1000 0 500 1000
%Génération du signal plot(linspace(0,Fe,length(X1)),abs(X1)) Fréquences (Hz) Fréquences (Hz)
x=cos(2*pi*f0*[0:Te:N*Te]); xlabel(‘Fréquences (Hz)’) ZP : 256 ZP : 512
subplot(2,2,2) 60 60
%Tracé du signal plot(linspace(0,Fe,length(X2)),abs(X2))
figure; plot([0:Te:N*Te],x) xlabel(‘Fréquences (Hz)’)
40 40

|TFD(x)|

|TFD(x)|
subplot(2,2,3)
%Calcul de la TFD du signal plot(linspace(0,Fe,length(X3)),abs(X3))
X1=fft(x); xlabel(‘Fréquences (Hz)’) 20 20
X2=fft(x,128); Paramètre de subplot(2,2,4)
X3=fft(x,256); plot(linspace(0,Fe,length(X4)),abs(X4))
X4=fft(x,512); Zero Padding xlabel(‘Fréquences (Hz)’)
0
0 500 1000
0
0 500 1000
Fréquences (Hz) Fréquences (Hz)
Transformée de Fourier (TF) Transformée de Fourier Discrète (TFD)

TFD TFD-1
Transformée de Fourier inverse (TF-1) Transformée de Fourier Discrète inverse (TFD-1)

x(k) est périodique de période N

3- Echantillonnage spectral => périodisation du signal !! Convolution circulaire !!

Convolution linéaire :

Convolution circulaire :
Transformée de Fourier inverse (TF-1) Transformée de Fourier Discrète inverse (TFD-1)

3- Echantillonnage spectral => périodisation du signal !! Convolution circulaire !!

Exemple (N=3) x(k) est périodique de période N

Convolution linéaire : Convolution circulaire :

x1(p) : ...000123000... x1(pmodulo N) : ...123123123...


x2(p) : ...000111000... x2(pmodulo N) : ...111111111...
x2(k-p) : p=-3. . . 0 0 0 1 1 1 0 0 0 . . . 0 p=-3. . . 1 1 1 1 1 1 1 1 1 . . . 6
p=-2 . . . 0 0 0 1 1 1 0 0 0 . . . 1 p=-2 . . . 1 1 1 1 1 1 1 1 1 . . . 6
p=-1 . . . 0 0 0 1 1 1 0 0 0 . . . 3 p=-1 . . . 1 1 1 1 1 1 1 1 1 . . . 6
p=0 ...000111000... 6 p=0 ...111111111... 6
p=1 ...000111000... 5 p=1 ...111111111... 6
p=2 ...000111000... 3 ...111111111... 6
p=2
...000111000... 0 ...111111111... 6
p=3 p=3
Transformée de Fourier inverse (TF-1) Transformée de Fourier Discrète inverse (TFD-1)

3- Echantillonnage spectral => périodisation du signal !! Convolution circulaire !!

Exemple (N=3) x(k) est périodique de période N

Ajout de N zéros
...000123000... . . . 1 2 3 0 0 0 1 2 3 0 0 0 1 2 3 0 0 0. . .
...000111000... ...111000111000111000...

...000111000... 0 ...111000111000111000... 0
...000111000... 1 ...111000111000111000... 1
...000111000... 3 ...111000111000111000... 3
...000111000... 6 ...111000111000111000... 6
...000111000... 5 ...111000111000111000... 5
...000111000... 3 ...111000111000111000... 3
...000111000... 0 ...111000111000111000... 0
...111000111000111000... 0
Convolution linéaire = convolution circulaire
Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)

4- Propriétés de la TFD :
→ Linéarité

→ Translation => rotation de phase

→ Symétrie hermitienne

→ Convolution circulaire

→ Egalité de Parseval

→ Possibilité d’algorithme de calcul rapide


Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)

5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey
TFD d’ordre N = 2p : N2 opérations +/x

Première décomposition : N+2(N/2)2 << N2 opérations +/x

Indices pairs Indices impairs


(TFD d’ordre N/2) TFD d’ordre N/2

Deuxième décomposition : 2N+4(N/4)2 opérations +/x

Indices pairs Indices impairs Indices pairs Indices impairs

4 TFDs d’ordre N/4


Np TFD d’ordre 2 = N log2(N) opérations +/*


Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)

5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey

Exemple (N=23 = 8) X11(0)


x(0) X1(0) X(0)
X11(1)
1
x(2) TFD X1(1) X(1)
1

ordreX12N/2
(0)
=4 X(2)
x(4) X1(2)
WN/ 2−1
1
1 X12(1)
x(6) X1(3) X(3)
TFD
X21(0) WN−1
x(1) ORDRE NX2(0) X(4)

1 X21(1) WN−2

x(3) X(5)
TFD 1
X2(1)
X22(0) WN−3
x(5) ordre N/2 = 4 X2(2) X(6)
WN/ 2−1
1 X22(1)
X2(3) X(7)
x(7)
Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)

5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey

Exemple (N=23 = 8) X11(0)


x(0) X1(0) X(0)
X11(1)
1
x(2) TFD X1(1) X(1)
1
Etape 1 ordreX12N/2
(0)
=4
x(4) X1(2) X(2)
Indices pairs Indices impairs
WN/ 2−1
(TFD d’ordre N/2 = 4) (TFD d’ordre N/2 = 4) 1
1 X12(1)
x(6) X1(3) X(3)

X21(0) WN−1
a a+W Nkb
x(1) X2(0) X(4)

1 X21(1) WN−2
WN k
x(3) X(5)
b a-W Nkb TFD 1
X2(1)
X22(0) WN−3
Papillon de la FFT x(5) ordre N/2 = 4 X2(2) X(6)
= 2 opérations +/x 1
WN/ 2−1
X22(1)
X2(3) X(7)
x(7)
Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)

5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey

Exemple (N=23 = 8)
TFD
x(0) X11(0) X1(0) X(0)
Ordre

x(4) N/2 = 2 X11(1) X1(1) X(1)


1

Etape 1 TFD X(2)


x(2) X12(0) X1(2)
1
Ordre WN/ 2−1

x(6)
X12(1)
X1(3) X(3)
N/2 = 2
Etape 2 WN−1
x(1) TFD X21(0) X2(0) X(4)
Indices pairs Indices impairs Indices pairs Indices impairs
(TFD d’ordre N/4=2) (TFD d’ordre N/4=2) (TFD d’ordre N/4=2) (TFD d’ordre N/4=2) Ordre WN−2

x(5) X21(1) X2(1) X(5)


N/2 = 2 1

WN−3
x(3) TFD X22(0) X2(2) X(6)

Ordre WN/ 2−1


X22(1) X2(3) X(7)
x(7) N/2 = 2
Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)

5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey

Exemple (N=23 = 8)
x(0) X11(0) X1(0) X(0)
1
X11(1) X1(1) X(1)
x(4) 1
Etape 1
x(2) X12(0) X1(2) X(2)
1
1 WN/ 2−1
X12(1) X(3)
x(6) X1(3)
Etape 2 WN−1
x(1) X21(0) X2(0) X(4)
Indices pairs Indices impairs Indices pairs Indices impairs
(TFD d’ordre N/4=2) (TFD d’ordre N/4=2) (TFD d’ordre N/4=2) (TFD d’ordre N/4=2) 1 WN−2
x(0) X11(0) x(2) X12(0) x(1) X21(0) x(3) X22(0) X21(1) X2(1) X(5)
x(5)
Etape 3 1

1 1 1 WN−3
1 X22(0) X(6)
x(4) X11(1) x(6) X12(1) x(5) X21(1) x(7) X22(1) x(3) X2(2)
WN/ 2−1
1

x(7) X22(1) X2(3) X(7)


Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)

5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey

Exemple (N=23 = 8) X11(0)


x(0) X1(0) X(0)
1
X11(1) X(1)
TFD d’ordre N = 2p : N2 opérations +/x x(4) 1
X1(1)

x(2) X12(0) X1(2) X(2)


1
1 WN/ 2−1
X12(1) X(3)
x(6) X1(3)
Temps de calcul avec l’algorithme FFT : WN−1
x(1) X21(0) X2(0) X(4)
1 WN−2
opérations +/x X21(1) X2(1) X(5)
x(5) 1

WN−3
x(3) X22(0) X2(2) X(6)
WN/ 2−1
1

x(7) X22(1) X2(3) X(7)


Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)

5- Algorithme de calcul rapide : FFT (Fast Fourier Transform) – Algorithme de Cooley Tuckey

Exemple (N=23 = 8) X11(0)


x(0) X1(0) X(0)
1
X11(1) X1(1) X(1)
Présentation des données à l’algorithme : x(4) 1

Entrelacement temporel x(2) X12(0) X1(2) X(2)


1
k rep. binaire renv. Bits nouvel ind. echantillon 1 WN/ 2−1
0 "000" "000" 0 x(0) X12(1) X(3)
x(6) X1(3)
1 "001" "100" 4 x(4)
2 "010" "010" 2 x(2) WN−1
3 "011" "110" 6 x(6) x(1) X21(0) X2(0) X(4)
4 "100" "001" 1 x(1)
5 "101" "101" 5 x(5) 1 WN−2
X21(1) X2(1) X(5)
6 "110" "011" 3 x(3) x(5) 1
7 "111" "111" 7 x(7)
WN−3
x(3) X22(0) X2(2) X(6)
algorithme de renversement de l'adresse binaire WN/ 2−1
1
(« bit reversal ») x(7) X22(1) X2(3) X(7)
Transformée de Fourier Discrète inverse (TFD-1) Transformée de Fourier Discrète (TFD)

→ Echantillonnage temporel => périodisation spectrale


- Respecter la condition de Shannon
- Attention à la lecture du spectre, à la lecture des échelles (temporelle et fréquentielle)

→ Signal de durée limitée => distorsion du spectre


- Utiliser plusieurs fenêtres de pondération du signal
=> différents pouvoirs séparateurs, différents taux d’ondulation

→ Echantillonnage spectral => périodisation temporelle


- Attention à la mauvaise visualisation du spectre
=> nécessité absolue d’interpoler (zero padding)
- TFD et TFD-1 transforment un produit en produit de convolution circulaire
=> si besoin convolution linéaire = convolution circulaire avec du zero padding

→ Algorithme de calcul rapide : FFT = Fast Fourier Transform


- Condition N=2p => décomposition en sous suites entrelacées
- Temps de calcul : Nlog2(N) << N2
Cours de traitement Chapitre 3
numérique du signal
Fonctions d’auto et d’inter
Première année corrélations numériques
Département Sciences du
Numérique

Nathalie Thomas
(Symétrie hermitienne)

Exemple

Simulation sous Matlab : ??


60

%Paramètres
40
f0=100; %fréquence du cosinus
Fe=1000; %fréquence d'échantillonnage
Te=1/Fe; %période d'échantillonnage 20

N=100; %nombre d'échantillons

x
0

R
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi);
-20

% Calcul et tracé de son autocorrélation biaisée


Rx=xcorr(x); -40

figure; plot([-N*Te:Te:N*Te],Rx);
xlabel('Temps (s)'); ylabel('R_x') -60
-0.1 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1
Temps (s)
Estimateur BIAISE
(Symétrie hermitienne)

Exemple

Simulation sous Matlab :


60

%Paramètres Biais multiplicatif


40
f0=100; %fréquence du cosinus
Fe=1000; %fréquence d'échantillonnage triangulaire
Te=1/Fe; %période d'échantillonnage 20

N=100; %nombre d'échantillons

x
0

R
%Génération du signal
x=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi);
-20

% Calcul et tracé de son autocorrélation biaisée


Rx=xcorr(x); -40

figure; plot([-N*Te:Te:N*Te],Rx);
xlabel('Temps (s)'); ylabel('R_x') -60
-0.1 -0.08 -0.06 -0.04 -0.02 0 0.02 0.04 0.06 0.08 0.1
Temps (s)
Estimateur NON BIAISE
(Symétrie hermitienne)

Exemple

Variance importante
Simulation sous Matlab : sur les bords
1 1
%Paramètres 0.8
réalisation 1
réalisation 1
réalisation 2 0.8
f0=100; %fréquence du cosinus 0.6
réalisation3
réalisation 2
réalisation3
0.6
Fe=1000; %fréquence d'échantillonnage
0.4
Te=1/Fe; %période d'échantillonnage 0.4

N=100; %nombre d'échantillons Rx 0.2


zooms

Rx
0.2

0
0
1
% Calcul et tracé de son autocorrélation non biaisée -0.2
-0.2
réalisation 1
% pour différentes réalisations de signal -0.4
réalisation 2 -0.4

x1=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi); -0.6
2 4 6 8 10 12 14
réalisation3
-0.6
175 180 185 190 195 200 205 210
Rx1=xcorr(x1,'unbiased'); Temps (s)
0.5
Temps (s)

x2=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi);
Rx2=xcorr(x2,'unbiased');

Rx
x3=cos(2*pi*f0*[0:Te:N*Te]+rand*2*pi);
Rx3=xcorr(x3,'unbiased'); 0
figure
plot(Rx1); hold on; plot(Rx2,'r'); plot(Rx3,'g')
legend('réalisation 1','réalisation 2','réalisation3')
xlabel('Temps (s)'); ylabel('R_x') -0.5

0 20 40 60 80 100 120 140 160 180 200


Temps (s)
Temps de calcul de la fonction d’inter corrélation numérique

1 - Estimation temporelle (biaisée ou non biaisée)

Temps de calcul ~ N2 opérations +/x

2- Estimation fréquentielle
Convolution linéaire :

Si :
alors :
Et : Temps de calcul : N+3Nlog2(N) opérations +/x
TFD

L’estimation fréquentielle permet de diminuer le temps de calcul :


N+3Nlog2(N) opérations +/x <<N2

Si :
- somme infinie dans l’expression de Rxy(k) au lieu de 0,…, N-1 MAIS
- la TFD transforme un produit en produit de convolution !! Signaux périodiques !!
Cours de traitement Chapitre 4
numérique du signal
Densité Spectrale de
Première année Puissance (DSP)
Département Sciences du
Numérique

Nathalie Thomas
Deux estimateurs de base

1 – Deux estimateurs de base :

→ Périodogramme
Remarque : périodogramme corrélogramme « biaisé »
→ Corrélogramme
140

120

→ Inconvénient : estimateurs non consistants 100

Noyau de Fejer : 80

• Biais convolutif : 60

40

20

0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Frequences normalisées

• Variance indépendante de la durée d’observation du signal :


Deux estimateurs de base

1 – Deux estimateurs de base :


→ Exemple 5
DSP simulée
4.5 DSP théorique
1 000 échantillons de signal 4
0.5

0.4 3.5
0.3
3
0.2

DSP
2.5
0.1

2
x (t)

-0.1 1.5
-0.2
1
-0.3
0.5
-0.4

-0.5
0
0 100 200 300 400 500 600 700 800 900 1000 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Temps Fréquences normalisées

5
DSP simulée
10 000 échantillons de signal 4.5 DSP théorique
0.5
4
0.4

3.5
0.3

0.2
3

DSP
0.1
2.5
0

2
-0.1

1.5
-0.2

-0.3
1

-0.4
0.5
-0.5
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Temps
0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées
Deux estimateurs de base

2- Des variantes

Objectif : diminuer la variance d’estimation quand la durée d’observation du signal augmente

→ Périodogramme cumulé (Bartlett) :


0.5

0.4

0.3

0.2

0.1

-0.1

-0.2

-0.3

-0.4

-0.5
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Temps

L
N=ML

Deux estimateurs de base
2- Des variantes
→ Périodogramme cumulé (Bartlett) :
Exemples :
N= 10 000 échantillons, M=10 fenêtres N= 100 000 échantillons, M=100 fenêtres
N= 10 000 échantillons, 1 fenêtre de L= 1000 échantillons de L=1 000 échantillons
7 2 1.4
DSP simulée DSP simulée DSP simulée
DSP théorique 1.8 DSP théorique DSP théorique
6 1.2
1.6

5 1.4 1

1.2
4 0.8

DSP
DSP

DSP
1
3 0.6
0.8

2 0.6 0.4

0.4
1 0.2
0.2

0 0
0 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées
Fréquences normalisées Fréquences normalisées

Inconvénient : pour une durée d’observation du signal donnée augmentation du biais donnée quand on veut diminuer
la variance
10000
100 échantillons 100
10 échantillons
Exemple : 9000 90

(N=100, M=1) => (N=100, M=10, L=10) 8000

7000
80

70

6000 60

Noyau de Fejer : 5000

4000
50

40

3000 30

2000 20

1000 10

0 0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Frequences normalisées Frequences normalisées

2/N
Deux estimateurs de base

2- Des variantes
→ Périodogramme modifié:

→ Corrélogramme modifié :

Fenêtre de pondération
Inconvénient : lissage des variations importantes, diminution du pouvoir séparateur

→ Périodogramme de Welch = périodogramme cumulé et modifié

- Fenêtre glissante => M’ > M fenêtres de taille L en les autorisant à se recouvrir


- Périodogramme modifié sur chaque tranche de signal

- Exemple : M=100 fenêtres M=100 fenêtres de L=1 000 échantillons


de L=1 000 échantillons Recouvrement de L/2, fenêtrage de Hamming
1.4 1.4
DSP simulée DSP simulée
DSP théorique DSP théorique
1.2 1.2

1 1

N= 100 000 échantillons 0.8 0.8

DSP
DSP

0.6 0.6

0.4 0.4

0.2 0.2

0 0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées Fréquences normalisées
Deux estimateurs de base

2- Des variantes
→ Exemples de périodogrammes cumulés :
K= 10 000 échantillons, K= 10 000 échantillons, M=10 fenêtres K= 100 000 échantillons, M=100 fenêtres
1 fenêtre de L= 1000 échantillons de L=1 000 échantillons
7 2 1.4
DSP simulée DSP simulée DSP simulée
DSP théorique 1.8 DSP théorique DSP théorique
6 1.2
1.6

5 1.4 1

1.2
4 0.8
DSP

DSP

DSP
1
3 0.6
0.8

2 0.6 0.4

0.4
1 0.2
0.2

0 0 0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées Fréquences normalisées Fréquences normalisées
2
1.4
DSP simulée
DSP simulée
1.8 DSP théorique
DSP théorique
1.2
1.6

1.4 1

1.2
→ Périodogramme de Welch : 0.8
DSP

DSP
1
(recouvrement de L/2) 0.8
0.6

0.6
0.4

0.4
0.2
0.2

0 0
-0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5 -0.5 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 0.5
Fréquences normalisées Fréquences normalisées
Cours de traitement
numérique du signal Chapitre 5

Première année Filtrage Numérique


Département Sciences du
Numérique

Nathalie Thomas
Filtres analogiques linéaires invariants dans le temps
OUTIL D’ETUDE : LA TRANSFORMEE DE LAPLACE

→ Définition :
Rappels
→ Analyse des systèmes linéaires invariants dans le temps ANALOGIQUES

Fonction de transfert

o Étude temporelle (réponse indicielle, réponse à une rampe): stabilité (pôles de H(p) à partie réelle négative), rapidité
(temps de montée, temps de réponse à x%), précision (erreur statique, erreur de trainage)

o Etude fréquentielle (réponse à une entrée sinusoïdale) : diagrammes de Bode => fréquence de coupure, bande passante,
atténuation en bande coupée, résonnance …
Réponse
en fréquence
o Exemple : Réponse indicielle

w0 -90°
Filtres numériques linéaires invariants dans le temps
OUTIL D’ETUDE : LA TRANSFORMEE EN Z

→ Définition :

→ Analyse des systèmes linéaires invariants dans le temps NUMERIQUES

o Principales propriétés :
• Linéarité :

• Décalage temporel :

• Produit de convolution :

o Domaine d’existence :

o TZ inverse :

o Existence de tables
Filtres numériques linéaires invariants dans le temps
DEFINITIONS

→ Linéarité : Filtre
Filtre
Filtre

→ Invariance dans le temps : Filtre Filtre

→ Réponse impulsionnelle et fonction de transfert : Réponse


impulsionnelle
Impulsion numérique Filtre
(symbole de Kronecker)
Fonction de transfert

→ Réponse en fréquence (ou réponse harmonique) et temps de propagation de groupe (TPG)

Réponse TPG
en fréquence Remarque :
Filtres numériques linéaires invariants dans le temps
REALISABILITE

o Causalité :

o Stabilité :

→ Trois conditions sur la réponse impulsionnelle :

o Réponse impulsionnelle réelle :


Filtres numériques linéaires invariants dans le temps
FILTRES RATIONNELS (RII)

→ Par analogie avec les filtres analogiques :

Exemple : R
i(t)
Équation différentielle en temporel
x(t) C y(t)
+
Fonction de transfert rationnelle en p

→ Définition des filtres numériques :

Fonction de transfert RATIONNELLE en z


%filtrage sous Matlab
y=filter(B,A,x);
Signal filtré Signal à filtrer
Définition du filtre Équation récurrente en temporel
à utiliser (deux tableaux
de coefficients) (Remarque : on impose )
Système bouclé

→ Filtres de type RII = à Réponse Impulsionnelle Infinie :


Filtres numériques linéaires invariants dans le temps
STABILITE DES FILTRES RATIONNELS DE TYPE RII

→ Condition sur les pôles de la fonction de transfert :


Condition de stabilité
des filtres numériques rationnels

(hypothèse : N<M)

(solution causale(1))

→ Condition sur les coefficients :


Triangle de stabilité
des RII du 2nd ordre
o Filtres du 1ier ordre 1

Condition de stabilité des RII du 1ier ordre

-2 -1 1 2
o Filtres du 2nd ordre
Filtre stable
-1
Condition de stabilité des RII Filtre instable
du 2nd ordre

(1)) La TZ inverse n’est pas unique. Elle sera différente selon le contour choisi dans le domaine de convergence pour la calculer : voir exercices poly sur la TZ.
Filtres numériques linéaires invariants dans le temps
FILTRES RATIONNELS (RIF)

→ Définition de filtres purement numériques : filtres RIF = à Réponse Impulsionnelle Finie

Équation récurrente en temporel sans boucle de réaction

%filtrage sous Matlab


o Filtres non récursifs y=filter(B,1,x);
o Inconditionnellement stables Signal filtré Signal à filtrer
o Définis par un seul jeu de coefficients bk, k=0, …, N-1 Définition du filtre (RIF)
à utiliser (un seul tableau
de coefficients)
Filtres numériques linéaires invariants dans le temps
SYNTHESE ET IMPLANTATION DES FILTRES RATIONNELS

Spécifications à respecter :
GABARIT

SYNTHESE

COEFFICIENTS

d’un filtre respectant le gabarit fixé

IMPLANTATION sous Matlab : IMPLANTATION en temps réel :


Filtre RII
Tableaux de coefficients
définissant le filtre à utiliser
y=filter(B,A,x);
Filtre RIF
Signal filtré
Signal à filtrer

Remarque : A=[1] pour les filtres RIF


À réaliser en Te secondes
(période d’échantillonnage)
Filtres numériques linéaires invariants dans le temps
NOTION DE GABARIT A RESPECTER
→ Fonctions de transfert cibles idéales :

Filtre passe-bas Filtre passe-haut Filtre passe-bande Filtre coupe-bande

→ Gabarit à respecter :
o Sur le module de la fonction de transfert

Exemples : Filtre PASSE-BAS Filtre PASSE-HAUT

Bande Bande
Bande Bande
Bande passante Bande atténuée
passante passante
atténuée atténuée

Zone de Zone de Zone de


transition transition transition
o Sur la phase de la fonction de transfert : filtres de phase ou passe-tout
Filtres numériques linéaires invariants dans le temps
NOTION DE GABARIT A RESPECTER
→ Fonctions de transfert cibles idéales :

Filtre passe-bas Filtre passe-haut Filtre passe-bande Filtre coupe-bande

→ Gabarit à respecter :
o Sur le module de la fonction de transfert

Exemples : Filtre passe-bas Filtre passe-bas


GABARIT EN LINEAIRE GABARIT EN dB

Bande Bande
Bande passante atténuée
Bande passante Bande
atténuée atténuée

Zone de Zone de
Zone de
transition transition
transition
o Sur la phase de la fonction de transfert : filtres de phase ou passe-tout
Filtres numériques linéaires invariants dans le temps
SYNTHESE ET IMPLANTATION DES FILTRES RATIONNELS

Spécifications à respecter :
GABARIT
Synthèse de RIF
Deux méthodes
SYNTHESE différentes
Le filtre qui respecte Synthèse de RII
le gabarit n’est pas unique
COEFFICIENTS

D’UN FILTRE respectant le gabarit fixé

IMPLANTATION sous Matlab : IMPLANTATION en temps réel :


Filtre RII
Tableaux de coefficients
définissant le filtre à utiliser
y=filter(B,A,x);
Filtre RIF
Signal filtré
Signal à filtrer

Remarque : A=[1] pour les filtres RIF


À réaliser en Te secondes
(période d’échantillonnage)
Filtres numériques linéaires invariants dans le temps
SYNTHESE DES FILTRES RIF

→ Exemple : filtre passe-bas NUMERIQUE

Spécifications à respecter :
GABARIT

SYNTHESE
+
++ Limitation de la durée
COEFFICIENTS à N coefficients
Echantillonnage + +
ORDRE DU FILTRE
+ +
+++ + + +
+ +
+ ++ ++ +
+ +

- Atténuation des transitions


Distorsions : - Oscillations autour des transitions
Périodisation fréquentielle
Filtres numériques linéaires invariants dans le temps
SYNTHESE DES FILTRES RIF

→ Exemple : filtre passe-bas NUMERIQUE

Spécifications à respecter : Filtre non causal : +


GABARIT ++

+ +
SYNTHESE + +
+++ + + +
+ +
+ ++ ++ +
+ +
COEFFICIENTS

Filtre rendu causal :


(Hyp : ordre N impair)
+
++

+ +

+ +
+++ + + +
+ +
+ ++ ++ +
+ +

Introduction d’un retard


Filtres numériques linéaires invariants dans le temps
SYNTHESE DES FILTRES RIF

→ Exemple : filtre passe-bas NUMERIQUE CAUSAL


Introduction d’un retard sur la réponse
impulsionnelle : Introduction d’un retard sur les signaux filtres :
signal filtré

+
(Hyp : ordre N impair) ++ 1

0
+ +

+ + -1
+++ + + +
+ +
+ ++ ++ +
+ +
0 20 40 60 80 100 120 140 160 180

(ordre = 81)
signal filtré

1
(Hyp : ordre N impair) + (Hyp : ordre impair)
++
0

+ +
-1
+ + + +
+ + + + + + + + + ++ + + + + +
++ + + + + + + ++ + + + + + +
+ ++ +
+ + 0 50 100 150 200 250

(ordre = 201)
Filtres numériques linéaires invariants dans le temps
SYNTHESE DES FILTRES RIF

→ Exemple : filtre passe-bas NUMERIQUE CAUSAL

(Hyp : ordre N impair)


Ajout d’une valeur constante au TPG :
+
++

+ +

+ +
+++ + + +
+ +
+ ++ ++ +
+ +

Constant si h(n) paire (0) ou


impaire (π/2)

TPG RIF constant


si h(n) paire ou impaire
Filtres numériques linéaires invariants dans le temps
SYNTHESE DES FILTRES RIF

→ Paramètres permettant de respecter le gabarit : ORDRE et FENETRE DE TRONCATURE


→ Influence de l’ordre → Influence de la fenêtre de troncature
(fenêtre rectangulaire) (ordre fixé à 21)
2
1.2 10
Ordre = 51 Fenêtre rectangulaire
Ordre = 101 Fenêtre de Hamming
Ordre = 201 Fenêtre de Blackman
1 0
10

0.8
-2
10
H(f)

H(f)
0.6
-4
10
0.4

-6
10
0.2

-8
10
-200 -150 -100 -50 0 50 100 150 200 250 -500 -400 -300 -200 -100 0 100 200 300 400 500
Fréquences (Hz) Fréquences (Hz)

Atténuation plus ou moins Ondulations plus ou moins


importantes des transitions importantes autour des transitions
Filtres numériques linéaires invariants dans le temps
SYNTHESE DES FILTRES RIF

→ Exemple : filtre passe-bas NUMERIQUE CAUSAL


Introduction d’un retard sur la réponse
impulsionnelle : Introduction d’un retard sur les signaux filtres :
signal filtré

+
(Hyp : ordre N impair) ++ 1

0
+ +
(Hyp : ordre impair)
+ + -1
++ +
+ +
+
++
+ ++ ++ +
+ +
0 20 40 60 80 100 120 140 160 180

Ajout d’une valeur constante au TPG :

Constant si h(n) paire (0) ou


impaire (π/2)

TPG RIF constant si h(n) paire ou impaire


Filtres numériques linéaires invariants dans le temps
SYNTHESE DES FILTRES RII

Spécifications à respecter : Spécifications à respecter :


GABARIT H(~ f)
1
? tan
SYNTHESE Spécifications à respecter :
H(f) Prédistorsion

COEFFICIENTS
Bibliothèques
de modèles analogiques :
Butterworth, Tchebycheff,
Cauer, Bessel…

TRANSFORMEE BILINAIRE :
Fonction de transfert :
H(p)
? Stabilité et réponse en fréquence conservées
Fonction de transfert :
MAIS Distorsion de l’axe des fréquences:
H(z) 1
arctan
→ Exemple de synthèse d’un filtre passe-bas RII dans les exercices corrigés
Filtres numériques linéaires invariants dans le temps
IMPLANTATION DES FILTRES RATIONNELS

→ Structure directe : → Structure canonique :

M+N+1 opération +/x, 2 files d’attente

M+N+1 opération +/x, 1 file d’attente


Filtres numériques linéaires invariants dans le temps
IMPLANTATION DES FILTRES RATIONNELS

→ Structures décomposées :

→ Série (ou cascade) : → Parallèle :

Hi(z) Cellules du premier ou du deuxième ordre :

→ Structure non récursive :


Pour aller plus loin

→ Traitement numérique du signal, une introduction, par A.V.M.Van Den


Enden et N.A.M. Verhoeckx, chez Masson.

→ Traitement numérique du signal, théorie et pratique, par M.Bellanger, chez


Masson, Collection technique et scientifique des télécommunications.

→ Traitement numérique des signaux, par M. Kunt, chez Dunod,

Vous aimerez peut-être aussi