TP 2 Traitement du signal

Réalisé par :

Amal Hamdi

Syrine Blaou Trabelsi

Classe : 1er année Télécommunication 2

Année universitaire 2019/2020

EXERCICE 1 :

f0=350;
f1=450;
fe=800;
tmax=0.05;
t=0:1/fe:tmax;
x=cos(2*pi*t*f0);
y=cos(2*pi*t*f1);
figure(1) ;
plot(t,x,'-o',t,y,'-*');
grid on ;
xlabel('t');
ylabel('x') ;
title(['Fonction x(t)et y(t)']) ;

N=length(t);
nfft=1024;
f = (-N/2: N/2 -1) * fe/N;
xf = fft(x,nfft);
xf = fftshift(xf);
figure(2);
plot(abs(xf));
grid on;
xlabel('Frequence(Hz)');
ylabel('Amplitude');
title('Spectre "amplitude');

yf = fft(y,nfft);
yf = fftshift(yf);
figure(3);
plot(abs(yf));
grid on;
xlabel('Frequence(Hz)');
ylabel('Amplitude');
title('Spectre "amplitude');
figure(4);
stem(t,x);grid on;

figure(5);
stem(t,y);grid on;

Interprétation:

Pour fe =800 , on a fe > 2 f0 on est bien dans le théorème de Shannon

Pour fe =800, ona fe < 2 f0 le théorème de Shannon n’est pas vérifié.
Donc on peut dire que, si on ne respecte pas le théorème de Shannon, les acquisitions seront trop
espacées et le signal comporte des détails pertinents.

EXERCICE 2 :

%%% Representation temporelle %%%%

[x, Fe] = audioread('voix_homme_32.wav');

l=length(x) ;
t=0:1/Fe : (l-1)/Fe ;
figure(1) ;
plot(t,x); grid on ;
title(['Représentation Temporelle du voix homme 32']) ;
%%%% Representetion frequentielle %%%%

xf = fft(x) ;
N1=length(t);
f1=(-N1/2:N1/2-1)*Fe/N1;
xf_=fftshift(xf);
figure(2) ;
plot(f1,abs(xf_)); grid on ;
title(['Spectre d amplitude Du voix homme 32']) ;

%%% Representation temporelle %%%%

[x, Fe] = audioread('voix_homme_8.wav');
l=length(x) ;
t=0:1/Fe : (l-1)/Fe ;
figure(1) ;
plot(t,x); grid on ;
title(['Représentation Temporelle du voix homme 8']) ;
%%%% Representetion Temporelle %%%%

xf = fft(x) ;
N1=length(t);
f1=(-N1/2:N1/2-1)*Fe/N1;
xf_=fftshift(xf);
figure(2) ;
plot(f1,abs(xf_)); grid on ;
title(['Spectre d amplitude Du voix homme 8']) ;

soundsc(x,Fe);
pause(5) ;
soundsc(x2, Fe2) ;

Interprétation:
On remarque que les hommes voix 8 et voix 32 ont la même représentation temporelle mais une
représentation d'amplitude différente. En effet, l'homme voix 8 possède un spectre riche en
harmoniques tandis que l'autre à un pic pour la fréquence nulle. Donc on peut dire que l’homme voix
8 la plus aiguë est la plus acrobatique.
EXERCICE 3 :
f1=270;
f2=290;
a1=1;
a2=1;
pi=3.14;
fe=1200;

%Si N =32
n1=0:1/fe:31/fe;
N1=length(n1);
Xn1 = a1*sin(2*pi*f1*n1) + a2*sin(2*pi*f2*n1);
Lfft = 512;
f3 = (-Lfft/2:Lfft/2-1)*fe/Lfft;
Xf1=fft(xn1,Lfft);
Xf1=fftshift(Xf1,Lfft);
figure(1);
plot(f3,abs(Xf1));
xlabel('Frequence(Hz)');
ylabel('Amplitude');
title('Spectre d"amplitude');

n=0:1/1000:0.03;
N=length(n);
xn = a1*sin(2*pi*f1*n) + a2*sin(2*pi*f2*n);
figure(7);
plot(n,xn);
grid on;
xlabel('Temps');
ylabel('Amplitude');
title('Representtion Temporelle');

%Si N =64
n2=0:1/fe:63/fe;
N2=length(n2);
xn2 = a1*sin(2*pi*f1*n2) + a2*sin(2*pi*f2*n2);
figure(3);
xf2=fft(xn2,Lfft);
xf2=fftshift(xf2,Lfft);
plot(f3,abs(xf2));
xlabel('Frequence(Hz)');
ylabel('Amplitude');
title('Spectre "amplitude');
N2=length(n2);
xn2 = a1*sin(2*pi*f1*n2) + a2*sin(2*pi*f2*n2);
figure(2);
plot(n2,xn2);
grid on;
xlabel('Temps');
ylabel('Amplitude');
title('Representtion Temporelle');

%Question 2: si N=128
%Si L1=64
L1=64;
f0=(-L1/2:L1/2-1)*fe/L1;
n=0:1/fe:127/fe;
xn = a1*sin(2*pi*f1*n) + a2*sin(2*pi*f2*n);
xf3=fft(xn,L1);
xf3=fftshift(xf3,L1);
figure(4);
plot(f0,abs(xf3));
xlabel('Frequence(Hz)');
ylabel('Amplitude');
title('Spectre "amplitude');

%Si L2=512 :
L2=512;
f=(-L2/2:L2/2-1)*fe/L2;
xf4=fft(xn,L2);
xf4=fftshift(xf4,L2);
figure(5);
plot(f3,abs(xf4));
xlabel('Frequence(Hz)');
ylabel('Amplitude');
title('Spectre "amplitude"');

Interprétation:

Plus que N est plus élevé, plus que l'échantillonnage est mieux car on échantillonne avec une grande
précision (on augmente le nombre des échantillons).
EXERCICE 4 :

a=[1 1 1];
b=[4 2 -1];
zplane(b,a);

[z,e,k]=residuez(b,a);

z e

freqz(b,a);
impz(b,a)

r=impz(b,a)
figure(1);
plot(r);