Filtros Eléctricos

Introduction :

Le traitement numérique du signal, (Digital Signal Processing ou DSP en

anglais) est l’une des technologies les plus puissantes qui va modeler les
techniques scientifiques et technologiques du 21eme siècle.
Des changements révolutionnaires ont déjà eu lieu dans un large domaine
d’applications : les communications, l’imagerie médicale, les techniques
radar et sonar, les techniques de reproduction musicale et autres
applications multimédia, la prospection pétrolière, pour n’en nommer que
quelques-unes.
Chacun de ces domaines a développé en profondeur ses propres méthodes
DSP, avec ses propres algorithmes, méthodes mathématiques et
techniques
spécialisées. Cette diversité fait qu’il est vain de prétendre appréhender
l’ensemble de ces développements.
L’enseignement des techniques DSP implique deux tâches : l’apprentissage
des concepts généraux applicables à l’ensemble du domaine, et l’initiation
aux techniques spécialisées applicable à un champ d’intérêt particulier.
L’utilisation des filtres numériques trouve de plus en plus son ampleur dans divers
application grâce aux avantages qu’ils apportent par rapport aux filtres analogiques
dont en peut citer quelqu’uns :ils sont moins sensible aux bruits, leur caractéristique
s’approche du filtre idéal, coup moins cher…

1
La représentation numérique du signal est cruciale car elle permet de réduire sa
dégradation lors du stockage, de la manipulation et de la reproduction analogique.
Tout le monde peut s’en rendre compte en comparant la qualité d’écoute d’une
cassette

magnétique et d’un CD. Dans un studio d’enregistrement, on enregistre le son sur

plusieurs canaux ou traces magnétiques, quelques fois même séparément pour
chaque instrument. Ce scénario offre plus de flexibilité a l’ingénieur du son qui put ensuite
combiner ces différentes voix pour réaliser le son final. Cette opération de « mixage
» est enrichie par de nombreuses possibilités offertes par les technologies DSP :
filtrages, additions et soustractions de signaux, édition, etc..

Une application DSP fréquente pour la préparation musicale est celle de la

réverbération artificielle. L’acoustique neutre du studio d’enregistrement n’est pas
naturelle et sonne comme si la musique était jouée à l’extérieur. Il est possible
grâce aux technologies DSP de rajouter un écho ou une réverbération artificielle et
ajustable. Un écho avec un délai de quelques centaines de millisecondes produit un
effet de cathédrale. Quelques dizaines de milliseconde suffisent pour produire
l’impression d’une pièce de taille modeste

L’objectif du projet :

2
La conception numériques des filtres (passe-haut, passe-bas, passe-bande)par le
logiciel de simulation Matlab et la caractérisation de ses filtres par les réponses en
fréquences, indicielle, impulsionnelle, ainsi que la mise en évidence des
paramètres qui rend le filtre réalisable et sa caractéristique coïncide avec le filtre
idéal .

Définition :

Un filtre numérique est un système linéaire permanent, fonctionnant en temps

discret, dont l’objet est de modifier
d’une façon précise le contenu fréquentiel (spectral) d’une séquence appliquée
à l’entrée de ce système
Un filtre numérique est composée des dispositifs analogiques et numériques tel que
les multiplieurs ,les registre à décalages les additionneurs.

Les principaux types de filtre :

Les FIR(a) : on retarde légèrement une copie du signal d'entrée (d'une ou

plusieurs périodes d'échantillonnage) et on combine le signal d'entrée retardé avec
le nouveau signal d'entrée. Les filtres numériques basés sur ce fonctionnement sont
dit à "réponse impulsionnelle finie" ou FIR (pour Finite-Impulse-Response).

L’equation aux différence est donnée par :

 y[n] = a0 x[n] + a1 x[n-1] + a2 x[n-2] ... + aN x[n-N]

IIR(b) : on retarde une copie du signal de sortie que l'on combine au nouveau
signal d'entrée. Les filtres numériques basés sur ce fonctionnement sont dit à
"réponse impulsionnelle infinie" ou IIR (pour Infinite-Impulse-Response). On les
qualifie également de filtres récursifs ou à "feedback".

3
L’equation aux différence est donnée par :
y[n] = a0 x[n] + a1 x[n-1] + ... + aN x[n-N] - b1 y[n-1] - b2 y[n-2] - ... - bM y[n-M]

Différence entre FIR et IIR :

Les filtres FIR offrent en général une réponse de phase plus linéaire et ils n'entrent
jamais en oscillation (c'est-à-dire deviennent instable) puisqu'ils sont dépourvus de
récursion. Mais ils requièrent un grand nombre de termes dans leurs équations et
sont ainsi plus coûteux en temps de calcul. Un filtre FIR avec coupure très nette
(bande de transition très courte) peut requérir jusqu'à des centaines de délais.

Les filtres IIR, quant à eux, sont très efficaces et peuvent donner des pentes de
coupure très raides. Toutefois, vu les caractéristiques de feedback, ils ont tendance
à entrer en oscillation et à résonner.

Etude d’un filtre numérique passe-bas  premier ordre:

Pour réaliser un filtre passe-bas FIR simple (qui atténue les fréquences élevées du
signal), il suffit d'effectuer la moyenne des valeurs entre l'échantillon présent et
l'échantillon précédent, tel qu'illustré sur le schéma-bloc ci-dessous et tel
qu'exprimé par l'équation :

Xn
Yn

y[n] = 0.5 x[n] + 0.5 x[n-1]

Intuitivement, on peut comprendre l'effet passe-bas de cette opération puisqu'en

effectuant la moyenne, on atténue des variations brusques du signal, ce qui résulte
en un lissage du signal d'entrée.

4
Simulation du filtre par matlab :

script matlab :

a=[0.5 0.5]
[h,w]=freqz(a,1,512,8000);
plot(w,abs(h));

ce filtre à une fréquence de coupure de 2KHz pour une fréquence

d’échantillonnage de 8kHz(la fréquence utilisé pour les lignes téléphoniques).

Pour une fréquence d’echantionnage Fe=16Khz :

la fréquence de coupure devient Fc=4kHz à –3dB

5
Conclusion :
la fréquence de coupure d’un filtre dépend de la fréquence d’échantillonnage.

Comportement d’un filtre passe-bas d’ordre 1 de fréquence de coupure fc=500Hz pour une entrée
sinusoïdale de fréquence f=1KHz, f=200 Hz

Simulation matlab :

script matlab :

n=100;
f1=200;
f2=1000;
fe=8000;
te=1/fe;
t=0:te:(n-1)*te;
y1=sin(2*pi*f2*t);
y2=sin(2*pi*f1*t);
subplot(2,1,1);
plot(t,y1,t,y2);
[b,a]=butter(1,1/8);
sortie1=filter(b,a,y1);
sortie2=filter(b,a,y2);
subplot(2,1,2);
plot(t,sortie1,t,sortie2);
grid;

Conclusion :

On observe que le filtre atténue la sinusoïde de f=1 KHz, l’atténuation sera autant plus forte que
l’ordre du filtre est grand.

6
Réponse impulsionnelle du filtre passe-bas :

Script Matlab :

imp=[1 zeros(1,100)];
[b,a]=butter(1,1/8);
sortie=filter(b,a,imp);
stem(0:100,sortie);
grid;

réponse indicielle du filtre :

Script matlab :

step=ones(1,100);
[b,a]=butter(1,1/8);
sortie=filter(b,a,step);
plot(1:100,sortie,1:100,
step);
grid;

Conclusion :

La réponse impulsionnelle du filtre tend vers zéros quand le nombre d’échantillons

devient grand ,cela nous de dire que le filtre est stable donc réalisable .
La réponse indicielle montre que le filtre atteint le régime permanent aux de dix
échantillons, c’est un filtre rapide car o atteint le régime permanent à 10% des
échantillons totales .

7
Influence de l’ordre du filtre sur sa caractéristique en fréquence :

A l’aide des fonctions de conception des filtres numériques de matlab , on conçoit

deux filtres de même fréquences de coupure mais d’ordre différents :

Script matlab :

[b,a]=butter(1,1/8); %filtre passe-bas d’ordre 1

[c,d]=butter(3,1/8); %filtre passe-bas d’ordre 3
[h,w]=freqz(b,a,512,8000);
[h1,w1]=freqz(c,d,512,8000);
subplot(2,1,1);
plot(w,abs(h)); %Graphe de la réponse fréquentielle du filtre
grid ;
subplot(2,1,2);
plot(w1,abs(h1));
grid ;

-La fréquence de coupure les deux ordre du filtre est : Fc=500Hz.

8
Conclusion :

-L’observation de ses deux réponses montre que plus l’ordre est élevé plus la
coupure est raide, et plus on s’approche de la caractéristique d’un filtre idéal.

Filtre passe-haut :

Simulation Matlab :

script MATLAB :
[b,a]=butter(1,1/8,'high'); %conception d’un filter passé-haut d’ordre 1

[h,w]=freqz(b,a,512,8000);

plot(w,h); %graphe de la réponse fréquentielle du filtre

plot(w,angle(h)); %graphe du déphasage apporté par le filtre

9
La fonction butter est la fonction utilisée par Matlab pour la conception des filtres
numériques à prise en paramètres l’ordre du filtre ,le type du filtre ,pour la
fréquence de coupure matlab prend comme paramètres l’angle θ=2k.Pi.fc/Fe
normalisé par rapport à Pi

Dans l’exemple si-dessus on trouve 1/8 donc θ=Pi/8

On peut ainsi déduire la fréquence de coupure du filtre Fc ,cette fonction matlab se
base sur les filtres Butterworth

C’est un filtre passe-haut premier ordre dont la fréquence de coupure est:

Fc=750Hz .

Réponse du filtre à une sinusoïde échantillonné de fréquence F=250 Hz pour 100 échantillons.

Script MATLAB :
n=99;
Fe=8000;
te=1/Fe
t=0:te:(n-1)*te
y=cos(2*pi*100*t);
[b,a]=butter(1,1/8,'high');
[h,w]=freqz(b,a,512,8000);
sortie=filter(a,1,y);
subplot(2,1,1)
plot(t,y);
grid on
subplot(2,1,2);
plot(t,sortie);
grid on

1
0
le résultat obtenu prouve bien la caractéristique d’un filtre passe-haut, pour une
fréquence F=100Hz<Fc=750Hz on observe bien une atténuation de l’ordre de –
10dB ainsi qu’un déphasage apporté par le filtre.

Réponse indicielle du filtre passe-haut :

Script matlab :

step=ones(1,50);
[b,a]=butter(1,1/8);
sortie=filter(b,a,step);
stem(1:50,sortie);
grid;

Filtre numérique passe-bande :

Simulation matlab :

script matlab:

[b,a]=butter(1,[1/2 1/4],'bandpass'); filtre premier ordre

1
1
[h,w]=freqz(b,a,512,8000); filtre troisième ordre

[c,d]=butter(3,[1/2 1/4],'bandpass');

[h1,w1]=freqz(c,d,512,8000);

plot(w,h,w1,h1);

conclusion

Le filtre passe-bande ainsi conçue à une bande de fréquence de Δf=600Hz à –3dB

autour de la fréquence centrale 1500Hz pour le filtre du premier ordre et Δf=400Hz
pour la même fréquence 1500Hz

le filtre d’ordre supérieur s’approche du filtre sélectif idéal, si on veut concevoir un

filtre à bande étroite il suffit d’augmenter l’ordre du filtre en détriment d’un temps
de calcul plus long .

Filtre numérique coupe-bande :

Simulation matlab :
Script matlab :

[b,a]=butter(1,[1/2 1/4],'STOP');

[h,w]=freqz(b,a,512,8000);

subplot(2,1,1);

plot(w,h);

grid;

subplot(2,1,2);

plot(w,angle(h));

1
2
interprétation :

le filtre coupe-bande numérique conçue permet d’atténuer la bande de fréquence

Δf=600Hz autour de la fréquence centrale f=1500 Hz

Ce type de filtre est aussi nommé filtre rejecteur de bande utilisée surtout pour
éliminer certaines fréquences parasites.

Le digramme de phase constitue un déphaseur dans la bande coupée entre +Pi/2 et

–Pi/2

Si on veut que la coupure soit très raide il faut augmenter l’ordre du filtre .

Comparaison des trois méthodes d ‘équivalence entres les filtres analogiques et

numériques :

 Equivalence de la dérivation

 Equivalence de l’intégration

 Réponse impulsionnelle

On prend comme exemple un filtre passe-bas d’ordre 2 et on cherche par

l’équivalence en numérique par les trois méthodes

Fonction de transfert en analogique :

1
3
 H(p)=Ω² [Ω² +2.m. Ω.p+p²]

On prend Ω=100π rad/s m=0.1

Application de la M. dérivation :

On pose le changement de variable p=Z-1 Z.Te/

L’equation aux différences obtenues est :

yn=1.39805 yn-1-0.65779 yn-2 +0.25965 xn

Application à la méthode d’intégration :

L’équation aux différence est :

yn=1.55193 yn-1- 0.89181 yn-2 + 0.084971(xn + 2 xn-1 + xn-2)

1
4
Application à la méthode de la réponse impulsionnelle :

Equation aux différence :

yn=1.523 yn-1 – 0.8819 yn-2 + 0.18325 xn-1 +0.1756 xn-2

Script matlab:

b1=[1 -1.39805 0.65779] %coefficient pour M.Dérivation

b2=[1 -1.55193 0.89181] %coefficient pour M.D’intégration

1
5
a2=[0.084971 2*0.084971 0.084971]
b3=[1 -1.523 0.8819] %coefficient pour M.impulsionnelle.
a3=[0 0.18325 0.1756]
step=ones(1,100);
integration=filter(0.25965,b,step);
derivation=filter(a2,b2,step);
impulsionnelle= filter(a3,b3,step);
plot(1:100,integration,'r',1:100,derivation,'b',1:100,impulsionne
lle,'g');
grid;

Conclusion :

La méthode impulsionnelle est la meilleure méthode pour trouver l’équivalence

entre les filtres analogique et les filtres numériques, cependant cette méthode
présente un calcul très lourd et assez compliqué lorsqu’il ‘agit des filtres d’ordres
supérieurs, les méthodes d’intégartion et de dérivation sont peu faciles pour la mise

1
6
en œuvre car il les méthodes et les algorithmes numériques qui ont été bâtis pour
faire ses tâches.

Analyse spectrales des signaux à l’entrée et à la sortie des filtres :

Exemple :
On considére un signal d’entrée composée de deux fréquence f1=1
KHz et f2=2 KHz ,on considère un filtre passe bas d’ordre 3 et de fréquence
de coupure Fc=1 KHz , analysons les spectres d’entrée et de sortie de ce
filtre, exemple d’un signal contaminé d’un bruit

Simulation matlab :
Script matlab :

n=300;
f1=1000;
f2=2000;
fe=15000;
te=1/fe;
t=0:te:(n-1)*te;
y=sin(2*pi*f1*t)
+sin(2*pi*f2*t);
[b,a]=butter(3,0.133);
sortie=filter(b,a,y);
close all;
plage=1:91;
plot(t(plage),y(plage));
entree=abs(fft(y))/(n/2);
spectre des signaux  : sortie1=abs(fft(sortie))/(n/2);
fmax=4000;
df=fe/(n-1);
f=0:df:fmax;
m=length(f);
s=s(1:m);
sortie1=sortie1(1:m)
figure;
subplot(2,1,1);
plot(f,s);
1 subplot(2,1,2);
7 plot(f,sortie1);
grid;
Conclusion :

L’analyse spectrale est plus communicante concernant l’étude des filtres, le signal
d’entrée est formé de deux raies f1=1 KHz et f2=2 KHz , ce filtre élimine la raie de
f=2 kHz tout en gardant la raie de f=1KHz avec une certaine atténuation

Pour la visualisation du spectre on utiliser la fonction ‘fft’ basé sur l’algorithme de

la transformée de Fourier rapide , elle permet de calculer les coefficient de la
transformée discrète de Fourier , par transposition de la discrétisation de fréquence
on peut visualiser le spectre à échelle continue en fréquence.

Application des filtres :

Isoler deux sinusoïdes de fréquences f1 et f2 dans la somme forment un signal E

Signal filtré avec

Filtre passe-bas d’ordre 4 avec F=200 Hz
Signal d’entrée fc=200Hz
E=cos(2.pi .1000.t)
+cos(2.pi.200.t)
Filtre passe-haut d’ordre 4 avec Signal filtré avec
fc=1000Hz F=1000Hz

1
8
Conclusion :

Les filtres numériques représente une grande souplesse au niveau de la

manipulation des paramètres caractérisant les filtres ,il sont de plus en plus utilisées
dans les domaines de la reconnaissance de parole, dans la compression du son,
ainsi que dans la récupération des trames effacées en diffusion audio sur Internet ,
des recherches se font actuellement pour la réduction du temps de calcul de ses
filtres en se basant sur la physique des composant pour mettre au point des
dispositifs ultrarapides cela concerne le hardware , pour le software les travaux sont
poussés vers l’amélioration des algorithmes d’une compléxité de plus en plus faible
afin de diminuer le temps de calcul.

1
9