Chapitre 3

Filtrage numérique

1
 En quoi sert le filtrage ?
1. Extraction de l’information dissimulée dans le signal.
2. Le renforcement ou l’atténuation de certaines bandes de
fréquences.
3. Modifier le contenu spectral d’un signal sans y ajouter de
nouvelles composantes.

2
 Étapes de réalisation d’un filtre
numérique
Deux étapes essentielles :
1. Conception
2. Analyse
1. Conception:
Selon un cahier des charges prédéfinis, il est possible de réaliser un
filtre approprié au signal de sortie : détermination de la fréquence de
coupure. Ainsi que la détermination de l’ordre du filtre (1er, 2ième,
3ième ordre, etc.).
Exemple d’un signal de sortie dont l’information utile se trouve entre
la fréquence 0 et fc (fréquence de coupure). Dans ce cas, le filtre utilisé
est un filtre passe bas (qui laisse passer que les valeurs du signal qui se
trouve dans un intervalle de fréquences inférieures à fc).

3
 Étapes de réalisation d’un filtre
numérique
2. Analyse:
Cette étape vient juste après la réalisation du filtre. On détermine les
caractéristiques du filtre (passe bas, passe haut, passe bandes, etc.) ainsi
que sa fréquence de coupure.

Exemple : déterminer le type de filtre réalisé par une suite numérique

suivante :
e(k) y(k)
1 1
y (k )  e(k )  e( k  1) Filtre
2 2
y(k) : valeur du signal de sortie du filtre à l’instant k.
e(k) : valeur du signal d’entrée à l’instant k.

4
 Exemple : signal mesuré
La figure ci-dessous représente des anomalies de température : écart entre
la température mesurée en un lieu en degrés Celsius par rapport à la
température moyenne normale calculée sur une période d'au moins 30 ans.

5
 Exemple d’application de filtrage:
Lissage des anomalies de température
Premier lissage : calcul sur une fenêtre glissante de 2 échantillons de la
valeur moyenne
1 1 1
y ( k )   e(k  m)  (e( k )  e(k  1))
2 m 0 2

6
 Exemple d’application de filtrage:
Lissage des anomalies de température
Deuxième lissage : calcul sur une fenêtre glissante de 10 échantillons de la
valeur moyenne 9
1
y (k ) 
10

m 0
e(k  m )

7
 Forme récursive / non récursive
d’un traitement numérique
e(k) y(k)
H
H : est un filtre qui sera supposé dans la suite
- Linéaire - Invariant dans le temps - Causal
•Forme non récursive du calcul sur une fenêtre glissante de N échantillons
de la moyenne d’un signal: y(k) = H{e(k)}. 1 N 1
y (k ) 
N

m0
e(k  m )
•Forme récursive du calcul sur une fenêtre glissante de N échantillons de la
moyenne d’un signal: y(k) = H{y(k-1), e(k-1), e(k-m)}.
 1 1
 y ( k )  y ( k  1)  e ( k )  e(k  m )
N N
 N
 y ( k  1)  1


N m 1
e(k  m )
8
 Outils d’analyse des caractéristiques
d’un filtre numérique
Un filtre numérique linéaire peut être décrit par :
– une équation aux différences
– un produit de convolution
– sa fonction de transfert
– sa réponse impulsionnelle
– sa réponse fréquentielle
– son diagramme des pôles et des zéros

La mise en œuvre d’un filtre numérique se réalise par un programme

informatique de calcul.
• L’outil mathématique exploité pour faciliter son analyse est la transformée
en Z.

9
 Transformée en Z
Soit un signal numérique x(k) causal. La transformée en Z est définie par :


Z {x(k )}  X ( z )   x(k ) z  k
k 0

où
– z est la variable de la transformée en Z

z  re j    j 
• On dit que X(z) est la transformée en Z du signal x(k)

10
Quelques propriétés importantes de
la transformée en Z

11
Table de la transformée en Z

12
Équations aux différences

13
Fonction de transfert en Z

14
 Fonction de transfert en Z
• Exemple
y (n)  0.8 y (n  1)  0.2e(n)
Y (z)
H ( z)  ?
E ( z)

Y ( z )  0.8 z  1Y ( z )  0 .2 E ( z )
Y (z) 0.2 0 .2 z
H (z)   1

E ( z ) 1  0 .8 z z  0 .8

15
Types de filtres numériques

16
 Types de filtres numériques
Filtre RIF passe bas non récursif de 1er ordre appliqué aux
anomalies de température

17
 Types de filtres numériques
Filtre RIF passe bas non récursif d’ordre 10 appliqué aux
anomalies de température

18