Académique Documents
Professionnel Documents
Culture Documents
Signal PDF
Signal PDF
Andrei Doncescu
adoncesc@laas.fr
1
Plan
• Introduction : classification des signaux
• Notions de traitement du signal analogique
– Transformée de Fourier
– Convolution
– Corrélation
• Echantillonnage
• Filtrage Numérique
– F.R.F.
– F.R.I.
2
Introduction
3
Quest-ce quun signal ?
Forme et un outil de communication
« Vivre vraiment, cest vivre en recevant les informations adéquates »
Norbert Wiener
• DEFINITIONS
Signal
– Une suite de nombres et non pas des suites de lettres, de
mots ou de phrases. « Yves Meyer »
– Toutes grandeurs physiques susceptibles de variations
Traitement
Transformation destinée à rendre le signal exploitable
4
Doù un signal vient ?
• De linformation cachée dans la représentation choisie
• Échantillonnage
• Compression
• Décomposition dans un espace orthogonal
5
Bases théoriques du traitement du signal
Techniques et Appareillage
Applications
6
Classification des signaux
7
CLASSEMENT DES SIGNAUX
1er classement :
Signaux certains: sin(2nt), g(t), (t)...pas d'information
Signaux aléatoires: informations, bruits
« Dieu ne joue pas aux dés » Einstein
2ème classement :
Signaux analogiques Infinités d'états
Signaux numériques Nombre limité et discret d'états
8
CLASSEMENT DES SIGNAUX
Signaux Analogiques
• Les signaux périodiques x(t) = x(t+kT)
– Le signal sinusoidal est le plus représentatif de ces signaux périodiques:
• x(t) = A sin(2 t/T + a) = A Sin( t+a) ou = 2 /T = 2 f
9
• Signaux de durée finie
– Signaux de durée limitée ou "support borné" : x(t) = 0 t T
Remarque Tout signal réel peut être décomposé : une partie "paire" et
une partie "impaire".
x(t) = xp(t) + xi(t)
• Signaux causals :
– Un signal est dit causal s'il est nul pour toute valeur négative du temps
x(t) = 0 t< 0. On peut le rendre causal si * u(t)
10
Signaux numériques
• Un signal numérique est un signal discret
dont lamplitude a été quantifiée
signaux à temps discret
Exemple
x(t)=A sin(t+)
X(k)=A sin[2/N (k+k0)
11
Classement des signaux
• Déterministes : fonctions mathématiques réelles ou complexes
• Stationnaires : probabilités
• Non-stationnaires : transformée en ondelettes,
transformations fractales
12
Quelques signaux déterministes
• Fonction de Heaviside u(t)
13
Distributions Fonctions
• Impulsion infinie pendant un intervalle de temps infiniment court
(t)
(t )dt = 1
t
• Remarque : Nous définissons l'impulsion de Dirac (t) au sens
des distributions. Elle a pour valeur en t=0, la valeur égale à 1
de l'intégrale de moins l'infini à plus l'infini d'une impulsion
idéale de largeur nulle centrée en t=0.
14
Méthodes danalyse des
signaux
15
La transformation dinformations
16
Outils mathématiques
Étude des signaux déterministes continus
Représentation fréquentielle
Transformée de Fourier
17
Signaux périodiques
18
Synthèse dun signal triangulaire
à partir de sa série Fourier
19
Effet Gibbs
20
21
La fonction sinus/cosinus
2
2
22
TRANSFORMATION DE FOURIER
Définition
La transformation de Fourier permet de décrire dans l'espace des
fréquences un signal dont on connaît l'histoire au cours du temps, et
réciproquement.
Remarque : On utilise les lettres minuscules pour décrire l'histoire du signal au cours du temps et les lettres
majuscules pour le décrire dans le domaine des fréquences ou domaine spectral.
23
Propriétés
Définition
La bande passante B d'un signal est le domaine de fréquence où
se trouve l'énergie utile transportée par le signal.
Exemples :
Signaux Bande passante
Téléphonique 300Hz < f < 3300Hz
Audio haute fidélité 20 Hz < f < 20 kHz
Télévision 0Hz < f < 5 MHz
24
La transformée de Fourier
f = 1 [ T ,T ]
T
fˆ ( ) = e j t dt =
2 sin(T )
T
25
Transformée de Fourier des signaux dénergie finie
26
Transformée de Fourier des signaux dénergie finie
•
S0
S(f)=
a+ j2f
•Module du spectreS
S(f) =
0
2
a2+4 2 f
•Phase du spectre
(S(f))=arctg(2f )
a
27
Transformée de Fourier des signaux dénergie finie
28
Convolution
• Définition:
On appelle fonction de convolution du signal s1(t) et s2(t)
lintégrale
+
s(t) = s ()s (t)d
1 2
Théorème de convolution
La TF du produit de convolution est le produit algébrique
Des TF des signaux du produit
S()=S1()S2()
29
Propriétés du produit de convolution
• Commutativité
• Associativité
• Distributivité
• Différentiabilité d df dh
( f h)(t ) = h(t ) = f (t )
dt dt dt
30
Algorithme de Convolution
31
convolution en temps
x(t)=eatu(t) y(t)=e2atu(t)
32
•convolution en temps
-Principe de la méthode
33
•convolution en temps
x(t)=eatu(t) y(t)=e2atu(t)
t
-Principe de la méthode
•convolution en temps
35
-On recommence pour t variant sur R et on obtient la convolution x(t)*y(t)
•convolution en temps
x(t)=eatu(t) y(t)=e2atu(t)
-Principe de la méthode
(t )dt = 1
R
37
La distribution de Dirac (t)
• Un Dirac a un support réduit à t=0 et associe à une
fonction continue sa valeur en t=0
Impossible d'acher l'image. Votre ordinateur manque peut-être de
mémoire pour ouvrir l'image ou l'image est endommagée.
Redémarrez l'ordinateur, puis ouvrez à nouveau le fichier. Si le x
rouge est toujours aché, vous devrez peut-être supprimer l'image
avant de la réinsérer.
Propriétés:
Impossible d'acher l'image. Votre ordinateur manque peut-être de mémoire pour ouvrir l'image ou l'image est endommagée. Redémarrez l'ordinateur,
puis ouvrez à nouveau le fichier. Si le x rouge est toujours aché, vous devrez peut-être supprimer l'image avant de la réinsérer.
Impossible d'acher l'image. Votre ordinateur manque peut-être de mémoire pour ouvrir l'image ou l'image est endommagée. Redémarrez
l'ordinateur, puis ouvrez à nouveau le fichier. Si le x rouge est toujours aché, vous devrez peut-être supprimer l'image avant de la réinsérer.
38
Propriétés de (t)
• Localisation
Impossible d'acher l'image. Votre ordinateur manque peut-être de mémoire pour ouvrir l'image ou l'image est endommagée. Redémarrez l'ordinateur, puis ouvrez à nouveau le fichier. Si le x rouge est toujours aché, vous devrez peut-être supprimer l'image avant de la
réinsérer.
• Élément neutre
Impossible d'acher l'image. Votre ordinateur manque peut-être de mémoire pour ouvrir l'image ou l'image est
endommagée. Redémarrez l'ordinateur, puis ouvrez à nouveau le fichier. Si le x rouge est toujours aché, vous
devrez peut-être supprimer l'image avant de la réinsérer.
Impossible d'acher l'image. Votre ordinateur manque peut-être de mémoire pour ouvrir l'image ou l'image est
endommagée. Redémarrez l'ordinateur, puis ouvrez à nouveau le fichier. Si le x rouge est toujours aché, vous
devrez peut-être supprimer l'image avant de la réinsérer.
39
Application
Définition : La réponse impulsionnelle d'un circuit est la
réponse à une impulsion de Dirac.
Conclusion :
1- Un système linéaire est entièrement décrit par sa
réponse impulsionnelle h(t).
2- La réponse du système à une excitation est égale au
produit de convolution entre l'excitation et la réponse
impulsionnelle.
40
Utilisation de la distribution de Dirac
pour le calcul des Transformées
Fourier
• A partir de la TF dune constante nous pouvons déduire :
TF ( (t ) ) = 1
TF (2 (t ) ) = 1
1
TF (A) = 2A ( )
{ }
TF e = 2 (
j0t
0
)
Donc la transformée Fourier de cos et de sin est :
TF {cos t}= [ ( )+ ( +
0 0 0
)]
TF {sin t}=
0
[j ( ) ( + )]
0 0
41
Corrélation des signaux
• Définition
Cx, y()= x1(t+)x2(t)dt x, y(k)= x(l)y(l +k)
l =
• Propriétés
– Fonction paire
– Cx,y=0 les signaux sont décorrélés
42
Algorithme
43
Autocorrélation
• Définition
Cx,x()= x(t)x(t+)dt Cx,x(k)=x,x(k)= x(l)x(l+k)
- l =
• Propriétés
– Cx,x(0)= l énergie du signal
44
Détection synchrone par corrélation dun
signal périodique noyé dans le bruit
• Corrélation avec un signal sinusoïdal pur xp(t). En faisant varier la
fréquence de ce signal sinusoïdal, la fonction de corrélation sera non-
nulle ou maximale à chaque fois que la fréquence de xp(t) sera
identique à celle contenue dans le signal x(t).
• En effet :
Cs,x () = Cx,x ()+Cb,x ()
p p p
45
Propriétés de la Transformée de
Fourier
46
LIntégrale de Fourier
F()= fˆ()= f(t) exp( jt ) dt ( f L1):
47
Notion de système
• Un système fait subir une transformation à un signal dentrée x(t) et
délivre un signal de sortie y(t).
Filtre
• On appelle filtre, dentrée x(t) et sortie y(t), un système défini par:
y(t)= x(u)h(tu)du = x(tu)h(u)du
R R
49
Transformée de Fourier
Fonction de Transfert:
Les valeurs propres
hˆ( ) = h(u )e j u du
, f (t)= f(t)
la sortie a aussi un retard g (t ) = Lf (t ) g (t ) = Lf (t )
Réponse impulsionelle
f (t ) = f (u)
u (t )du
1 F(f )
• Intégration f(t)dt j2 f
j2ft
f(t) e F(f )
• Décalage temporel
52
j2ft
• Décalage fréquentiel F(f f0 ) e F(f )
*
• Conjugaison f(t)F(f ) f(-t) F (f )
53
Fourier
La transformée de Fourier inverse ( f, f L1):
ˆ
1
f (t ) = fˆ ( )e j t d
2
Parseval:
1
f (t ) h*
(t ) dt = fˆ ( )hˆ* ( )d
2
Plancherel:
2 1 ˆ 2
| f (t ) | dt = | f ( ) | d
2
Et,
lim fˆ () = 0
± 54
La Variation Totale
• Si f est dérivable, la variation totale est :
f v= f '(t)dt
• Exemple:
f(t)=exp(-t 2) f v=2
56
Transformée de Laplace
Définition
Si f(t) désigne une fonction à valeurs réelles ou complexes
de la variable réelle t, définie sur le domaine et nulle
pour ; on appelle Transformée de Laplace de f(t) la
fonction
où p est complexe
- lexistence de F(p) suppose la convergence de lintégrale
- on dit que F(p) est " limage " de f(t)
57
Relation dincertitude de
Heisenberg
• Le principe: Le produit de la variance de x pour |f|2 et de la
variance de x pour |F|2 est supérieur ou égal à 1 2
16
58
Conclusions
• La série de Fourier dune fonction périodique ne comporte
que les sinusoïdes de fréquence égales à des multiples
entiers de la fréquence fondamentale
• La TF de la fonction de corrélation du signal représente la
densité spectrale de lénergie = la redistribution de
lénergie sur les axes de fréquences
59
Défauts de la TF
60
• Le défaut de cette transformée est d avoir
une fenêtre indépendante de la fréquence
que lon calcule.
61
Filtrage Analogique
62
Filtre Passe-Bas Idéal
• Un filtre passe-bas idéal a une fonction de transfert
H(f)
H(f)=hˆ(f)=1[,]
f
2 t
63
Phénomène de Gibbs
• Pour >0
(t)
uh (t)= sin x dx
x
Démonstration
sin(t) sin(t)
uh(t)= u() d = d
(t ) 0 (t )
64
Du signal analogique au
signal numérique
65
Les avances en moyen informatique (puissance de calcul) ont rendu possible
le expression et traitement de signaux en forme numérique. Mais pour
numériser, il faut d'abord échantillonner. Nous allons voir que la passage
analogique – numérique implique nécessairement une perte d'information.
Cette perte peut être minimiser par l'application des outils adaptés.
66
Échantillonnage
MC68000
TMS320C50
67
Échantillonnage
• Signal Analogique
• Signal discret en temps
• Signal numérique
68
Signal Analogique
Signal échantillonnage
69
A la limite du théorème de
l'échantillonnage
On peut, intuitivement,
remarquer sur l'illustration
précédente, que relier les
échantillons à l'aide d'une
ligne courbe, aussi bien
choisie soit-elle, n'a que peu
de chances de reproduire le
signal original, bien que le
théorème de l'échantillonnage
soit, formellement, respecté.
70
Sous-échantillonnage
Si l'on tente de relier les
échantillons par une courbe,
on ne va pas être en mesure
de reconstituer le signal
original, mais un autre, peu
semblable au précédent.
Ceci est la conséquence de
la violation du théorème de
l'échantillonnage.
71
Modèle mathématique de
léchantillonnage
72
Échantillonnage
• Léchantillonnage idéal prélève des
échantillons à la cadence Te de façon
instantanée.
Impossible d'acher l'image. Votre ordinateur manque peut-être de mémoire pour ouvrir l'image ou l'image est endommagée.
Redémarrez l'ordinateur, puis ouvrez à nouveau le fichier. Si le x rouge est toujours aché, vous devrez peut-être supprimer l'image
avant de la réinsérer.
73
Échantillonnage avec blocage
• En utilisant une impulsion
xe(t)=x1(t)(tnTe)
nZ X(n)
avec
x1(t)=[xa(t)*h(t)]
n
X=[x(0),x(1),…,x(N-1)]T
74
Signaux et Systèmes
X(n)
Notation: X=[x(0),x(1),…,x(N-1)]T
75
Spectre du signal échantillonné
xe(t)=x1(t)(t nTe)
nZ
X e(f )= feX a(f ) * TF[ (t nTe )]= fe Xa(f nfe )
nZ nZ
76
77
Théorème de Shannon
• Pour éviter une superposition des spectres élémentaires il est
nécessaire dimposer le théorème de Shannon
Fe 2f max
78
Spectre dans le cas sinusoïdal
Le spectre d'un signal
échantillonné se compose d'une
série de raies réparties de part
et d'autre des multiples de la
fréquence d'échantillonnage.
Les raies intéressantes pour la
démodulation sont celles qui se
situent aux alentours de 0,
puisque ce sont celles qui
correspondent au signal
original.
79
Quelques valeurs
• En téléphonie, on utilise une largeur de bande de 300 à 3400 Hz. Dans
le cadre du réseau numérique à intégration de services (RNIS, ISDN
pour les anglo-saxons), on utilise une fréquence d'échantillonnage de
8000 Hz (au lieu des 6800 théoriquement nécessaires).
• Remarque: Dans les deux cas, il est essentiel que l'on ait au préalable
limité la largeur de bande du signal original : des fréquences inaudibles
dans le signal original deviennent audibles par le phénomène de
repliement !
80
Quantification
• La quantification est une règle de correspondance entre :
• Lensemble infini des valeurs des échantillons xa(t=nTe)
• et un nombre fini de valeurs xk
81
De lanalogique au numérique
• Discrétisation temporelle
fe2B
• Discrétisation de lamplitude
N niveaux ------------log2N bits par échantillon
• Débit
D=Fe * log2N
82
Encore ….
La Transformée de Fourier
mais
… Discrète
83
Transformée de Fourier à temps
discret
• Si le temps est discrétisé
X ( f ) = x(t) e 2 j f t
tZ
• Et la transformée inverse
1/ 2
2jft
x(t)= x(t)e df
1/ 2
84
Propriétés
• X(f) est périodique T0=1
2j(f +1)k 2jf 2j
X(f +1) = x(k)e =x(k)e e = X(f)
tZ tZ
Remarques:
1. La transformée de Fourier de Xa(t) dun signal analogique
nest pas périodique
2. X(f) est périodique F0=1, tout intervalle de longueur unité
est suffisant pour décrire complètement cette fonction
85
Règle de construction de la TFtd à partir
de la TF de x(t)
xe(n)=x(nTe)
86
Observations spectrales
• Précision
– Pour mesurer la fréquence dune seule
sinusoïde
• Résolution
– La capacité de mesurer des fréquences
distinctes
87
Transformée de Fourier discrète
• En se limitant à un nombre fini de L valeurs de la fréquence, à
savoir f=k/L, on obtient la Transformée de Fourier Discrète
N 1
2jkn/ N
X(k)=x(n)e
n=0
• L est le nombre de points de calcul de Tftd et N est le nombre
de points de la suite temporelle
N 1
x(n)= 1 x(n)wN k{0,...,N-1}
nk
avec wN =exp(2j / N)
N n=0
88
La Transformée de Fourier
Rapide
• Exemple N=2p où p=3
2k 4k 6k k 2k 4k 6k
X k =(x(0)+x(2)w8 +x(4)w8 +x(8)w8 )+w8(x(1)+x(3)w8 +x(5)w8 +x(7)w8 )
• Ce qui donne
4k 2k 4k
(x(0)+x(4)w8 )+w8 (x(2)+x(6)w8 )
4k 2k 4k
(x(1)+x(5)w8 )+w8 (x(3)+x(7)w8 )
x (n) x(t )
1 0 1 2 3 4 5 6 7 n T 0 T 2T 3T 4T 5T 6T 7T t
90
Échelle fréquence
Fréquence physique Fréquence normalisée
X ( e j ) X ( j)
1 1
2 2
0 0 T T
91
Signaux aléatoire
92
Probabilité
• On appelle probabilité toute fonction P définie sur
lensemble des événements dun univers E qui vérifie les
conditions suivantes :
– Pour tout événement A, 0P(A)1
– Pour lévénement certain E, P(E)=1
– Pour tout couple (A,B) dévénements incompatible:
P(AB)=P(A)+P(B)
93
La loi de probabilité dune
variable aléatoire
• On appelle loi de p des valeurs probabilité dune variable
aléatoire discrète la liste des valeurs quelle peut prendre,
accompagnée de la liste des probabilités correspondantes
E(X)=xi pi
94
La Variance
2 2
=V(x)=E[X E(X)]
• V(hX)=h2V(X)
• V(X+k)=V(X)
• V(X)=E(X2)-[E(X)]2
95
Lois continues
• Une variable aléatoire sera définie comme une application de lunivers
dans lensemble des nombres réels.
• La fonction F telle que:
F(x)=P(X <x)
sappelle fonction de répartition.
• Il existe une fonction f telle que :
x
F(x)= f(x)dx
f(x)dx=1
96
Lien continue discret
• Soit X une variable aléatoire continue et f(x) sa densité de
probabilité. Alors,
f(x)dxP[X[x,x+dx]]
97
• On appelle espérance mathématique dune variable
aléatoire continue de densité f(x) lintégrale :
xf(x)dx
• La variance est:
2
V(x)=E[X E(X)]
98
Signaux aléatoire
• Un processus aléatoire PA est défini comme une fonction :
– Du temps t
– Des épreuves aléatoires, dune expérience aléatoire
PA=F(t,)
VA=F(t0,)
Prob[xx<x (n)x]
p(x,n)=lim x =VA
x0 x
100
• Le signal est dit du second ordre sil possède un moment du premier
ordre ou espérance mathématique ou moyenne statistique:
E[x(n)]= x p(x,n)dx=m1[x(n)]
101
• Propriété dergodicité permet de calculer la moyenne temporelle à
partir de la moyenne densemble :
N
E[x]= xp(x)dx=lim 1 x(n)
R N 2N +1n=N
N
E[x(n)x (n p)]=lim 1 x(n)x (n p)=C(p)
* *
N 2N +1n=N
102
Le Bruit Blanc
• Un signal aléatoire x(t) est appelé bruit blanc si, pour tout ensemble de
N valeurs temporelles ni , 0iN,1la variable à N dimensions :
x={x(n0),x(n1),…,x(nN-1)}
satisfait la condition suivante:
, pour p=0
2
b
Remarques:
Il nexiste aucune corrélation entre un échantillon du signal et un autre
dordre différent
103
Réalisation dun générateur de bruit
pseudo-aléatoire blanc
• Utilisation dun polynôme générateur faisant intervenir un registre à
décalage et un opérateur XOR. Le signal obtenu est un ensemble de 0
et de 1 ayant la même probabilité dapparition. Ce type de signal est
utilisé comme signal test pour les système de transmission numériques.
CK
R1 R2 Rp Rn S
XOR
104
Ri = Registre à décalage contenant le bit Ri
Conditions initiales R1=1, Ri=0
• Ce circuit est la traduction expérimentale du polynôme générateur
p n
Pn,p(x)=1+ x + x ,n> p1,+ = XOR =addition modulo 2
105
Les signaux gaussiens
Loi gaussienne, théorème « Central-Limit »
Une VAR a une distribution normale ou gaussienne si sa densité de
probabilité est de la forme:
μ = moyenne statistique
(xμ)2
p(x)= 1 exp 2 = écart type
2 2
2 = variance
Un signal aléatoire x(t) est appelé gaussien si, pour tout ensemble de N
valeurs temporelles ni , 0iN 1 , la variable à N dimensions :
x={x(n0),x(n1),…,x(nN-1)} est gaussienne
106
La Densité Spectrale
• … est obtenue par la Transformée de Fourier de la fonction
dautocorrélation (théorème de Wiener-Khintcine):
S(f ) = TF{C(p)}=C(p)exp(2jfpTe)
pZ
107
Rapport Signal/Bruit
• Cest un moyen pour caractériser un système de transmission en
comparant le rapport S/B à son entrée e avec le rapport de sa sortie
s
• Soit un signal x(t) de puissance Px mélangé avec du bruit blanc b(t),
dont la puissance est Ps=Px+Pb
• On définira donc le rapport signal/bruit:
T T
P
= = 2x Px
où Ps = lim 1 [x(t)] dt+lim 1 [b(t)] dt=Px+Pb
2 2
Pb b T 0 T 0
T + T +
108
Sources de Bruit
• Bruit externe
– Perturbations naturelles: Bruit cosmique, bruit atmosphérique
– Perturbations artificielles:
• Bruit interne
– La commutation de courant
– Le bruit de fond
• bruit thermique
• bruit de grenaille
109
Bruit thermique
• Relation Nyquist-Johnson:
2
beff
= 4kTRf
K= const de Boltzman 1.38x10-23 J/K
• La puissance totale du bruit Pth=kTf
• Dans la bande de fréquence f ce bruit a une densité spectrale
B(f)=B0 avec B0 =1/2 kT bruit blanc
• Donc sa fonction dautocorrélation
Cb(t)=B0 (t)
Toutes les valeurs en temps sont indépendantes
110
Détection dun signal noyé dans le
bruit
• Détection par corrélation dun signal périodique noyé dans un
bruit blanc
• Soit un signal réel périodique x(t) et un signal de bruit n(t),
indépendant de x(t) et sans mémoire Cbb( )=0 . Le signal à traiter est
donné par la somme de ces deux signaux s(t)=x(t)+b(t)
• La fonction dautocorrélation Css(t) de ce signal est donnée par la
relation :
T/ 2 T/ 2
Css() = s(t)s(t-)dt = [x(t)+b(t)][x(t)+b(t)]dt
-T/2 -T/2
Css()=Cxx()+Cxb()+Cbx()+Cbb() Css()=Cxx()
111
Détection synchrone
112
Détection synchrone par corrélation dun
signal périodique noyé dans le bruit
• Corrélation avec un signal sinusoïdal pur xp(t). En faisant varier la
fréquence de ce signal sinusoïdal, la fonction de corrélation sera non-
nulle ou maximale à chaque fois que la fréquence de xp(t) sera
identique à celle contenue dans le signal x(t).
• En effet :
Cs,x () = Cx,x ()+Cb,x ()
p p p
113
114
Quantification uniforme
xk
q q
xk(kTe)=nq pour nq - xe(kTe) nq +
2 2
xa
e(t)=xk xa(t) e(t) est l'erreur de quantification ou le
bruit de quantification
qk=q=cte
En écrivant que la somme des probabilités
2
est égale à 1 :
K 2 q
p(x )q=1 k e
=
12
k =1
116
On a ainsi:
2
=12
2
x
=12 2x 22M
V
dB=10.8+6.M 20log(V )
x
117
Exemples
1) Pour un signal dentrée sinusoïdal damplitude V/2
x=V /2 2=valeur efficace
dB=10.8+6.M 20log(2 2)=6M +1.77
2) Un signal avec une distribution gaussienne : la règle de 3
donc V=6x
x=V /6
dB=10.8+6.M 20log(6)=6M 4.76
Remarque:
Moyen simple de déterminer le nombre de bits dun convertisseur
linéaire permettant dassurer un rapport signal à bruit connaissant la
statistique du signal dentrée.
118
Convertisseur Logarithmique
Définition: Découper les amplitudes en intervalles d'autant plus petits
que l'amplitude est faible.
119
La loi μ Etats Unis Japon
x = signal dentrée
y=sgn(x)ln(1+μ x)/ln(1+μ)
μ = le paramètre de conversion
Remarque:
Dans la pratique la loi A est une loi approchée par des segments de droite :
chaque pas de quantification vaut le double du pas précédent
120
Numéro de segments / 8bits
13 segments
100
110
101
100
011
010
001
000
1/4 1/2 1 Entrée
normalisée
121
Corrélation des signaux
• Définition
x, y(k)= x(l)y(l +k)
l =
• Algorithme
– Le signal y(l) est décalé dune certaine quantité k
– Le produit x(l)y(l+k) est effectué échantillon par
échantillon pour tous les k
– Les valeurs ainsi obtenus sont additionnées
122
Propriétés
2jfk
xy(f )=xy(k) e =X *(f )Y(f )
Théorème de Parseval
1/ 2
(0)=x (l)= (f ) df
x
2
x k =0
1/ 2
123
Représentation par la
Transformée en z
• Définition
On appelle transformée en z bilatérale dune suite {x(n)},
la somme Xb(z) définie par :
Xb(z) = Tzb{x(n) }=x(n)z
n
nZ
Remarque :
On peut considérer la transformée monolatérale:
Xb(z) = Tzb{x(n) }=x(n)z
n
n=0
124
Propriétés
• Linéarité
w(n)=ax(n)+by(n)W(z)=aX(z)+bY(z)
n0
x(nn0)z X(z)
1
x(n) X(z )
125
Propriétés
• Multiplication par une exponentielle
n x(n)X( 1)
• Convolution
y(n)=x(n)h(n)Y(z)= X(z)H(z)
126
Lien avec la Transformée de
Laplace
• Pour p=+2jf, lamortissement et f=fréquence
Tz{x(n)}=TL{x(n)}z= =x(n)e
npTe
pt pt
e nZ e
z=
Plan de Laplace
2jf Plan des {z}
0
127
Signaux Déterministes
• Dans un contexte de logique câblée ou programmée, il est
immédiat de créer certains signaux déterministe:
x(n)=rectN(n)
x(n)=triangN (n)
• Par contre il est moins facile de créer des signaux plus élaborés
comme par exemple:
128
Génération des signaux
numériques
• Relation de récurrence :
x(k)=a x(k 1) k k0
x(0)=1 x(k)=a
0 en rest
x(0)=0 x(k)=sin(kb)
y(0)=1 y(k)=cos(kb)
129
Relation de récurrence et
transformée en z monolatérale
• Considérons la relation de récurrence:
• La Transformée en z est :
+
(z)=
{b y(1)+b y(2)}+{b y(1)}z
1 2 2
1
Y 1+b1z1+b2 z 2
130
Systèmes linéaires
• Les systèmes linéaires sont caractérisés complètement par
leur réponse à une impulsion unité
131
Systèmes linéaires invariants
• Définition
Lx(k)= y(k) Lx(k k0)= y(k k0)
N M
b y(k n)=a x(k m)
n=0
n
m=0
m
Questions:
1. Quel lordre minimal (K,L) qui permettre de représenter le signal de
façon convenable ?
2. Comment déterminer les {ak} et les {bl} ? Ces coefficients restent-ils
invariants lorsque lon considère différentes réalisation du signal ?
133
Application aux système linéaires
invariants
• La transformée en z du signal de sortie est donnée par :
K 1
-k
A(z)=akz L1 (l 1)
A(z) I(z) k =0 I(z)=bl [y(l)+...+ y(1)z ]
Y (z) = X(z)
+
l =0
B(z) B(z) K 1
-l
B(z)=blz
l =0
Permanent Transitoire
H0(z)=
Y(z) A(z)
= X(z) Y(z)
X(z) B(z) H0(z)
134
Lexpression de la Tz du signal de sortie, tenant compte de
conditions initiales non-nulles
Y(z)=H0(z)X(z)I(z)/ B(z)
135
Filtres
• Filtres récursifs
Entrée Sortie
Xk RII-ARMA yk
• Filtres non-récursifs
Entrée Sortie
Xk RIF-MA yk
136
Stabilité des Modèles ARMA
• La CNS pour quun système linéaire, de réponse
impulsionnelle {h(n)} soit stable est que :
h(n) < sommabilité
n=0
137
Théorème « Central-Limit »
• Soit le signal:
x(n) = ak (n-k) x(n)=an nZ
kZ
avec 2
ak =1,
kZ
kak=μ=0 et k2ak= , fini, nonnul
kZ kZ
138
Filtrage Numérique
139
Gabarit dun filtre
• Pour un filtre passe-bas, est conduit à introduire 3 régions
– Bande passante, plage de fréquences où le gain prend des valeurs
comprises entre (1-p,1+ p) où p est le taux dondulation
– Bande affaiblie, plage de fréquences où le gain prend des valeurs
inférieurs à p
– Bande de transition, plage de fréquence où le gain satténue dans un
rapport A.
• Le lien entre le gabarit et la position des pôles et des zéros.
– Le cercle unité est gradué en valeur de la fréquence qui varie entre –et
– Si les pôles et les zéros sont complexes conjugués |H(j)| est paire
– La partie du plan complexe où se trouvent les pôles correspond à la bande
passante. Plus les pôles sont proches du cercle unité, plus les surtension
sont grandes. Plus les pôles est grandes, plus les ondulations dans la bande
passante pourront être rendues faibles.
140
• La partie du plan complexes où se trouvent les zéros correspond à la
bande affaiblie. Plus les zéros sont proches du cercle unité, plus
latténuation est grande. Plus le nombre de zéros est grand, plus les
ondulations dans la bande affaiblie pourront être rendues faibles.
Im(z)
H(f) zéros
- 3dB x pôles
B. affaiblie
f=1/4
B. passante x
x f=0
f Re(z)
f=1/2 x
f=-1/4
141
La phase
Phase linéaire
Représente le retard entre les
différentes fréquences
f
Delay
f
142
Synthèse dun filtre réel à temps continu
• Problème :
Comment réaliser en numérique un filtrage
analogique ?
– Donc, si xa(t) et ya(t) sont les signaux dentrée et de
sortie dun filtre analogique: comment fabriquer les
échantillons de ya(t) à partir de ceux de xa(t) ?
143
Solution :
• Soit le filtrage linéaire réel analogique défini par léquation en
fréquence :
Ya(f )=Ha(f )Xa(f )
Si Xa(f)=0 pour |f|>B, alors Ya(f) est lui-même à bande limitée B. On
prend Fe=1/Te>2B
144
Conclusion
• Cest donc un filtrage à temps discret dont la réponse en
fréquence sobtient par troncature de Ha à la bande (-B,B)
suivie dune division de laxe des fréquences par Fe
145
Preuve
• En utilisant la formule de Poisson:
2jf 2jfn
Ye(e ) = ye(n)e =Fe Ya((k f)Fe)
nZ kZ
=Fe Ha((k f)Fe) X a((k f)Fe)
kZ
~
Et en posant Ha(f)=Ha(fFe) rect(b,b)(f) on a :
2jf ~
Ye(e ) = Fe Xa((k f)Fe)Ha((k f)Fe)
kZ kZ
146
ANALYSE DES FILTRES
NON RECURSIFS OU RIF
147
RIF
• Il existe des méthodes de conception de filtre RIF simple à
mettre en œuvre
• Phase linéaire, donc pas de dispersion
• Stabilité
• Cher en réalisation
• Le retard entre lentrée et la sortie peut être relativement
longue
148
X(n) 1 1
z z
a0 a1 ak
y(n)
149
Filtre à réponse impulsionelle
finie (RIF)
yn=h0 xn+...+hL1xnL1
151
Synthèse RIF passe-bas par la
méthode de la fenêtre
• On veut construire un filtre numérique idéal réel de bande
b(0,1/2) définie par :
H(e2jf )=rect(b,b)(f)
b
2jnf sin(2nb)
• Donc hn= e df =
b n
{
gn= hn si n[N,...,N}
0 sinon
Remarque: cette troncature introduit des lobes dans la réponse
en fréquence 152
Algorithme
1. On se donne le gain complexe H(f) à réaliser et le nombre N de
coefficients du filtre
2. On détermine les coefficients h(n) par la formule précédente en
limitant le calcul à N valeurs réparties de facon symétrique autour
de n
3. On multiplie terme à terme la suite obtenue par une suite w(n)
appelée fenêtre de pondération
153
Fenêtre de pondération
• Sont des fenêtres qui présentent des lobes secondaires de
moindre amplitudes.
• Conséquence: lélargissement de la bande de transition.
• Exemple: Hamming
wn=0.54+0.46cos(n/N) où n{-N,...,N}
gn=hnwn
• Remarque: la pondération utilisée conserve la symétrie de
la fenêtre et donc la propriété de phase linéaire
154
Synthèse RIF passe-bande à partir dun
RIF passe-bas
• Soit hn la réponse impulsionnelle dun filtre passe-bas de bande B.
• Considérons le filtre de réponse impulsionnelle:
155
Exemple
• Supposons que l'on veuille faire un filtre passe-bas de fréquence de
coupure fc,
sn=1en+ 1en1
On peut prendre 2 2
• Réponse de ce filtre :
S(z) 1 1 1
S(z)=1 E(z)+1 E(z)z1 H(z) = = +
E(z) 2 2 z
2 2
• On a donc une réponse fréquentielle du type :
Te jTe
jTe jTe jTe 2
H(j)=1 + 1e =1(e
jTe
2 +e 2 )e 2 =cos e
2 2 2 2
158
159
ANALYSE DES FILTRES
RECURSIFS OU RII
160
Synthèse des filtres numériques par
transformation de H(p) en H(z)
• Transposer la fonction de transfert H(p) de son homologue
analogique du plan p dans le plan z par une règle reliant p à z
p z
1
Te
[
Y(z)= 1 X(z) X(z) z
Te
]
1 1
= z X(z)
Te
161
162
Traitement Multicadence
• Un système multicadence est caractérisé par le fait que des cadences
de traitement différentes sont présentes simultanément en divers points
de la chaîne de calcul
• Exemple: les opérations de sur et de sous-échantillonnage
• Avantage: gain en termes defficacité de calcul
163
Applications du traitement du signal
« multicadence »
• Filtrage bande étroite : Audio numérique
• Le codage en sous-bandes
• La conversion analogique/digitale (-)
• Transmultiplexeurs (OFDM)
• MPEG audio/vidéo
• ………
164
Problématique
Les systèmes de communications mobiles (GSM) ou interactifs sur câbles sont
des systèmes où divers utilisateurs sont autorisés à communiquer
simultanément.
Solution:
• Structures en bancs de filtres (systèmes sous-bandes) , qui sont plus
généraux que les systèmes à transformation orthogonale.
165
Introduction
Un banc de filtre est un ensemble de filtres numériques travaillant en
parallèle et découpant la bande de fréquence en K sous bandes.
Dans les systèmes banc de filtres, nous avons deux nouveaux bloc
Décimateur
M
Expandeur
L
166
Sur-échantillonnage
• Consiste à effectuer une interpolation sur une suite x(n) en calculant
M-1 valeurs intermédiaires entre deux points consécutifs
Sous-échantillonnage
• Consiste à calculer, à partir dune suite échantillonnée à fe, les valeurs
de la même suite qui aurait été échantillonnée à fe/M
167
M Décimateur
M décimation: x
M
y
y (n) = x( Mn)
M 1
1
Y ( z) = X (z 1/ M
W k
), W = e j 2 / M
M k =0
M 1
1
z =e j
j
Y (e ) = X (e j ( 2 k ) / M
)
M k =0
168
Échelle temps
Séquence Temps physique
x (n) x(t )
1 0 1 2 3 4 5 6 7 n T 0 T 2T 3T 4T 5T 6T 7T t
y (n) y (t )
1 0 1 2 3 4 n 0 2T 4T 6T t
169
Échelle fréquence
Fréquence physique Fréquence normalisée
X ( e j ) X ( j)
1 1
2 2
0 0 T T
Y ( e j ) Y ( j)
1 1
2 2
2
0 2 0 T T
170
L Expandeur
x y
L
L-expandeur:
y(n)=x(n/ L),n est un multiple de L
0, en rest
Y ( z) = X ( z L ) z = e j Y (e j ) = X (e jL )
171
Filtre Décimateur
x u y
H (z ) M
Filtre Décimateur
Décimateur
U ( z) = X ( z)H ( z) u ( n) = x ( k ) h( n k )
k =
M 1
1 1/ M k
y (n) = u ( Mn)
Y ( z) =
M
U
k =0
( z W )
1 M 1
1/ M k 1/ M k
= x(k )h( Mn k )
=
M
X (z
k =0
W )H (z W ) k =
172
Filtre Interpolateur
x u y
L H (z )
expandeur filtre
interpolateur
Y ( z) = U ( z)H ( z)
L
= X ( z )H ( z)
y ( n) = u ( k ) h( n k )
k =
= x(k )h(n kL)
k =
173
Connexion des éléments dun schéma bloque
x y x y
c M M c
x2
x2 M
x1 y x1 y
M M
x2
x2 M
x1 y x1 y
M M
174
Décimateur-Expandeur en
cascades
x u0 y0
L M
x u1 y1
M L
175
Simplification
Identité 1:
x y x y
H (z M ) M M H (z )
Identité 2:
x y x y
L L
H (z ) H (z ) L
176
Filtres Spéciaux
E0 ( z ) = c
Représentation fréquentielle:
2 M 1
H (z ) H (zW ) H ( zW ) H ( zW )
0 2
177
Banc de Filtres Numériques
Analyse Synthèse
x H 0 ( z) x0 y0 F0 ( z )
H1 ( z ) x1 y1 F1 ( z )
H M 1 ( z ) xM 1 y M 1 FM 1 ( z ) y
178
Conclusions:
M-banc de filtres:
x x0 v0 u0
H 0 ( z) M M F0 ( z )
x1 v1 u1
H1 ( z ) M M F1 ( z )
xM 1 vM 1 u M 1 x̂
H M 1 ( z ) M M FM 1 ( z )
179
M=2 :
x x0 y0
G0(z) 2 2 H0(z)
x1 y1
G1(z) 2 2 H1(z)
Y0(z)=H0(z)[G0(z)X(z)+G0(z)X(z)]/2
Y1(z)=H1(z)[G1(z)X(z)+G1(z)X(z)]/2
• QMF: G1(z)=G0(-z)
181
Transmission Numérique
182
Types de transmission
183
Quantité dinformation
• La quantité dinformation I contenue dans un caractère est :
I =log2 p(xi)
• Quantité dinformation moyenne dune source Entropie
Soit une source ayant émis un message de m caractère issus dun
alphabet de n caractère alors
n
H(X)= p(xi)log2 p(xi)
i=1
184
Message numérique en bande de
base
• Le message numérique est une suite {dk} de v.a. à valeurs
dans {0,1}
• Le modulateur associe de façon bijective à chacun de 2k
message possible un signal à temps continue x(t)
• Exemple: le signal numérique est engendré à partir dune
impulsion h(t) décalée et modulée par dk
K
x(t)=dk h(t kTb)
k =1
Db= 1
Tb
185
Transmission binaire
• On considère un alphabet fini à M symboles
M =2m
• On choisit un codage qui associe à toute suite de m bits du message
numérique un symbole ak de lalphabet A
Codage de Gray
100 -7
• Le modulateur fournit le signal numérique: 101 -5
x(t)=ak h(tkT) où T =mTb 111 -3
k 110 -1
010 1
• Donc 011 3
R= 1 = Db baud 001 5
T log2(M) 000 7
186
Modulation sur fréquence
porteuse
• On associe à un symbole dans lintervalle de temps (kT,(k
+1)T) le signal:
x(t)=A cos(2f0t+k)
Lenveloppe complexe de x(t) a pour expression
187
Introduction
• Lors de transmission sont émis, soit des signaux analogique numérisés
soit des données purement et initialement numérique
188
Modulation PCM
• Supposons que le signal analogique à transmettre ait quantifié en
amplitude sur q niveaux représentés par des nombres binaires de n
bits : q=2n Donc, il faut transmettre n impulsions binaires pour chaque
échantillons soit nFe impulsion par seconde.
• Le débit de moments est donc :
M =nFe (Bd)
• La bande passante nécessaire à la transmission PCM dun signal
analogique dont le spectre est borné par par valeur supérieure à
fmax=Fe/2 est :
B= M = n Fe=nfmax
2 2
189
Modulation delta
Principe
190
Bande passante
• Le débit de moments est donc M=Fe (Bd).
• Les erreurs de traînage cest à dire la possibilité que lécart entre x(t)
et x(t) ne soit supérieure à qui impose :
dx(t) dx(t)
fe 1
Te dt max dt max
191
Analyse Temps-Fréquence
192
L’Analyse Temps Fréquence
La representation temps-fréquence affiche comment les fréquence
contenues dans un signal change avec le
La transformée de Fourier
N’est pas adaptée pour ce type de
signaux
194
Noise Corrupted Residuals
Measurement White Noise (0, 0.2)
0 0
1 1
2 2
0 0
1 1
2 2
195
Noise free case
196
Solution :
197
Les Ondelettes « temps-échelle » de
Grossman-Morlet
• Léchelle signifie que le signal sera, à une échelle donnée,
remplacé par lapproximation la plus adéquate que lon
puisse tracer à cette échelle .
• C est une projection sur une « base » dite d ondelettes
issues de la même ondelette mère.
198
Analyse fréquentielle et
analyse espace-échelle
• analyse de Fourier
cos(t) et sin(t)
• analyse en ondelettes : temps-échelle
fréquence analysée en fonction de la largeur de
fenêtre
199
La transformée en ondelettes continue
unidimensionnelle (x)
• D'après cette interprétation, nous pouvons représenter un signal
monodimensionnel f(x) (ou une fonction) sous forme d'un champ à deux
dimensions WT(b,a); en faisant varier b (homogène à un temps), et a
(homogène à une échelle). Le résultat est une représentation temps-échelle de
f(x).
ab= 1 xb
a a
( )
avec a 0 et a,b R, ainsi, toutes les ondelettes ont la même énergie.
200
La transformée en ondelettes continue
unidimensionnelle
• La transformée continue s'écrit :
a a
( )
1 f(x) xb dx
ˆ>
2WTf, (a,b)=< f,
ˆ a,b()= a exp(iab)
ˆ (a)
201
Ondelettes mère
• dilatations et translations dune fonction analysante
oscillante normée
localisée
202
Propriétés fondamentales
203
Conservation de l'énergie
L'information contenue dans le signal est conservée dans le
passage de f à ses coefficients d'ondelettes.
204
Linéarité, invariance par dilatation
et translation
• La transformée en ondelettes est une application linéaire.
Une des propriétés importantes est le principe de
superposition qui est respecté.
205
Localisation espace-échelle
• La localisation d'ondelettes dans le temps et dans
les fréquences permet de représenter la zone
d'influence dans le demi-plan espace-échelle R x R
d'un événement se produisant à l'instant x pour le
signal f.
206
Transformée de Fourier
207
Transformée en Ondelettes
Exercice
208