Académique Documents
Professionnel Documents
Culture Documents
Cours 4
Cours 4
29 septembre 2014
3 Estimation de fréquence
4 Conclusion
Introduction
Quelle est la meilleure fréquence d’échantillonnage ?
Le théorème de Shannon nous dit qu’elle doit être “assez
élevée”.
Plus on a d’échantillons, meilleure sera notre résolution
fréquentielle.
Mais un signal très échantillonné est volumineux (1 heure de
son CD = 300 Mo) et son traitement requiert d’avoir des
équipements capables de supporter cette cadence.
Il n’est pas toujours possible de savoir au moment de la
conversion analogique-numérique quelle est la bonne fréquence
de travail.
Les collections ne sont pas toujours harmonisées.
⇒ besoin de savoir “ré”-échantillonner en numérique.
Décimation : définition
Sur-échantillonnage : définition
Interpolation : méthodes
Méthodes d’interpolation
Exemple avec M = 2.
Conséquences de l’interpolation
Changement quelconque
Exercice
3 Estimation de fréquence
4 Conclusion
Observations et motivations
1.5
0.5
−0.5
−1
−1.5
0 100 200 300 400 500 600 700 800 900 1000
250
200
150
100
50
0
−0.1 −0.08 −0.06 −0.04 −0.02 0 0.02 0.04 0.06 0.08 0.1
Problème
450
400
350
300
250
200
150
100
50
0
−0.1 −0.08 −0.06 −0.04 −0.02 0 0.02 0.04 0.06 0.08 0.1
L’astuce
Fourier et durée
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
−1
0 2000 4000 6000 8000 10000 12000 14000 16000
“Des gens se sont levés dans les tribunes”, deux secondes de parole à 8000 Hz.
Expression et représentation
Représentation
2.5
20
2
40
1.5
60
80 1
100
0.5
120
5 10 15 20 25 30
Analogie
Incertitude temps-fréquence
Exercice
Dans Scilab :
1 Programmer une fonction calculant la STFT d’un signal avec
une fenêtre de Hamming et un recouvrement de 50%, prenant
en paramètre la longueur de la fenêtre.
2 Générer un signal dont la fréquence varie linéairement dans le
temps (”chirp“).
3 Observez la STFT de ce signal avec différentes longueurs de
fenêtre.
installation de la toolbox image : atomsInstall(’SIVP’);
Visualisation d’une matrice de pixels : imshow
4 Faites de même avec phrase.wav.
TFCT inverse
Estimation de fréquence
3 Estimation de fréquence
Motivation
Détection de pics
Méthodes temporelles
Méthodes spectrales
D’autres méthodes
4 Conclusion
Motivation
Approche naïve
1.5
50
1
40
0.5
30
0
20
−0.5
10
−1 0
−1.5 −10
0 200 400 600 800 1000 50 100 150 200 250 300 350 400 450 500
1
0.6
0.4
0.5
0.2
0
0 −0.2
−0.4
−0.5 −0.6
−0.8
−1
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 2450 2500 2550 2600 2650 2700 2750 2800 2850
1
0.6
0.4
0.5
0.2
0
0 −0.2
−0.4
−0.5 −0.6
−0.8
−1
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 2450 2500 2550 2600 2650 2700 2750 2800 2850
70
60
50
40
30
20
10
0
500 1000 1500 2000 2500 3000 3500 4000
Détection de pics
Détection de pics
La détection de pics (en anglais peak-picking ) est un sujet en
soi !
Il existe de nombreux algorithmes, plus ou moins robustes
(seuillages, dérivation...)
On espère éliminer les faux pics grâce au fait qu’ils ne seront
pas présents dans toutes les trames.
Les pics peuvent être interpolés pour améliorer la précision de
l’estimation.
Méthodes temporelles
Cette méthode (ou des dérivés) ont été très utilisées avant
l’algo de FFT (Fourier coûtait cher)
La fonction d’autocorrélation a en réalité un lien très fort avec
la transformée de Fourier (notion de densité spectrale de
puissance). On en reparlera dans le cadre des signaux
aléatoires.
36 M1 RI Traitement du Signal 29/09/2014
Changement de Fe TFCT Estimation de fréquence Conclusion
Méthodes spectrales
D’autres méthodes
Conclusion
3 Estimation de fréquence
4 Conclusion
Conclusion
Exercice