Université Sidi Mohamed Ben Abdellah

Faculté Des Sciences et Technique Fès

Département Génie Electrique

Cours Traitement Numérique du Signal

Master_1 SIE

1
 Université Sidi Mohamed Ben Abdellah
Faculté Des Sciences et Technique Fès
Département Génie Electrique

SOMMAIRE
CHAP.I: Numérisation des signaux
Echantillonnage, reconstruction, quantification.
CHAP.II: Transformée en z
Stabilité des systèmes, transformée en z inverse,
transformée de Fourier discrète.
CHAP.III: Filtres numériques
Filtres idéaux, stabilité, causalité, notion de gabarit
numérique. Filtres à réponse impulsionnelle finie, filtres à
réponse impulsionnelle infinie.
Synthèse des filtres numériques, techniques de
transformation des filtres, exemples d'implémentation de
filtres.
2
 Université Sidi Mohamed Ben Abdellah
Faculté Des Sciences et Technique Fès
Département Génie Electrique

SOMMAIRE

CHAP. IV: Traitement des signaux aléatoires

- Rappel sur les processus aléatoires. Fonction
d’autocorrélation. Stationnarité, ergodicité. Densité spectrale
de puissance. Bruit blanc, processus de Poisson et
processus gaussien.
- Echantillonnage des signaux aléatoires.
- Filtrage des signaux aléatoires. Filtre adapté, filtre de
Wiener.
- Estimation statistique et estimation spectrale.
Périodogramme.

3
 Université Sidi Mohamed Ben Abdellah
Faculté Des Sciences et Technique Fès
Département Génie Electrique

Chapitre I
Numérisation des signaux

4
 Introduction
Signal ?

C’est une représentation physique d’une information.

C’est une variation dans le temps, ou dans n’importe quel autre
espace, d’une
grandeur physique (courant, tension, température…..).
Le signal est le support d’information émise par une source et
destinée à un récepteur: C’est un véhicule de l’intelligence dans
les Systèmes.
Source : Un émetteur, une parole, une chaleur,….
Destination : Un récepteur, une antenne, des oreilles, un capteur…

5
Exemples de Signaux:

Pression acoustique Courant Tension électrique

Champ électromagnétique Activité bioélectrique

6
Repères historiques:
Le traitement du signal est une discipline jeune :
• Traitement du signal analogique
Avant 1940 : on en fait sans le savoir (télécommunications)
1940-1950 : naissance de l’expression “traitement du signal” ; application
en radar, sonar, téléphonie
• L’essor du traitement du signal numérique
1950-1960 : invention du transistor et du circuit intégré
1960-1970 : premiers ordinateurs numériques
D’abord limité à des applications critiques (radar, sonar militaire, pétrole,
espace, médecine)
1980+ : explosion des ordinateurs personnels et des applications
commerciales
• L’enseignement du traitement du signal
1980 : enseigné en troisième cycle (thèse)
1990 : enseigné dès le premier cycle (souvent en cursus EEA)
Aujourd’hui outil de base pour les scientifiques et les ingénieurs, de plus
en plus éloigné de l’électronique mais de plus en plus proches des
mathématiques, maths applis, optimisation, informatique et algorithmique...
7
 Traitement numérique du Signal

Le Traitement Numérique du Signal (TNS) désigne l’ensemble

des opérations, calculs arithmétiques et manipulations des nombres, qui
sont effectuées sur un signal à traiter, représenté par une suite de
nombres, en vue de fournir une autre suite de nombre qui représentera le
signal traité.

Actuellement, une très grande partie des informations à transmettre

est de nature numérique dès sa naissance. Lorsqu’elle est analogique,
des convertisseurs permettent de transformer ces informations en des
informations numériques.

8
9
Quelques applications :

- téléphonie mobile,
- cartes son, synthèse musicale, …
- codage vidéo et audio en visiophonie, formats d’échange
audio et vidéo, …
- reconnaissance de la parole,
- vision industrielle,
- suivi de cibles, radars, …
- analyse du sous sol (ondes sismiques, recherche pétrolière…)
- aide au diagnostic médical (EEG, ECG, …)
- GPS,
- … !!

10
Amplitude A Numérisation d’un signal analogique

Signal analogique

Temps (t)

Amplitude A

Signal échantillonné

Temps (k t)

Amplitude (k A0)

Signal quantifié

Temps (t)

Amplitude (k A0)

Signal numérique

Temps (k t)

11
 Quelques signaux numériques usuels
Signal signe Signal échelon
 1 n  1,  2,....  1 n  0,1, 2,....
sgn( n )   e( n )  
 1 n  0,1, 2,... 0 n  1,  2,...
1 1
1

n n
-1 0

Signal rectangle Signal rampe

1 r(n)

0 1 2 N-1 n
n
1 si 0  n  N  1 n n  0
rect N (n)   r(n)  
 0 ailleurs 0 n  0
12
Impulsion de Dirac

1 k  k 0 (k-k0)
δ(k  k 0 )  
0 k  k 0 1

k0 k

Peigne de Dirac  To

 To   ( t  kT )
k  
o

-2To -To 0 To 2To t

C’est un outil d’échantillonnage

13
 Numérisation des signaux

Les signaux physiques sont souvent des signaux analogiques.

Avant de pouvoir les traiter numériquement, par des processeurs
ou systèmes numériques, il faut d’abord les numériser.

La restitution est l’opération inverse d’une numérisation, elle

consiste à retrouver le caractère analogique d’un signal.

La numérisation est la succession de 3 étapes:

 L’échantillonnage pour rendre le signal discret.
 La quantification pour associer à chaque échantillon une valeur.
 Le codage pour associer un code à chaque valeur.
14
 ….1000101101010….
Systèmes Interprète Processeur numérique
continus (Calculateur)
s(t)
données discrètes
codées(mots binaires)

Monde continu Opérateur d'échantillonnage Monde discret

&
de quantification

Échantillonnage : C’est le prélèvement sur le signal continu de

N valeurs à des instants donnés tn (n = 0,1,2..N-1).
Quantification : Transformation des valeurs prises aux instants tn
en des mots "compréhensibles" par le " processeur numérique ".
15
 s(t)
T: Durée de l’ouverture de
l’interrupteur
Temps: t T: Période de l’interrupteur (ou
période d’échantillonnage.)
KT
1
0 Temps: t

T
s(t)KT

Temps: t

Le symbole d’un échantillonneur est l’interrupteur.

Période d'échantillonnage Te= T

Signal discret
Signal original x(t) xe(t)= x(nT)={x(nTe)}

Temps:
Temps: t T n=0,1,2,..
16
Généralement, les valeurs prélevées sur le signal continu sont régulièrement
espacées dans le temps.
On parle de pas d’échantillonnage constant ou régulier, ce qui définit une
période d’échantillonnage.

Prélèvement Régulier tout les 10s

Prélèvement Régulier tout les 1/10s

Prélèvement Irrégulier

17
Échantillonnage idéal
C’est le prélèvement pendant un temps infiniment court ( T  0 ) des
valeurs de x(t) à des instants t = nT = nTe, n=1,2,……
Dans le domaine temporel, l’échantillonnage idéal peut être vu comme
une multiplication du signal par le peigne de Dirac
n  
Modélisation: x e ( t )  x ( t ).  ( t  nTe)
n  
x ( t ).( t  t o )  x ( t o ).( t  t o )
x(t)
x
n  
 Te ( t )    ( t  nTe )
n  

= x e (t)  x(t )  Te (t )
Les échantillons
t
n  

t
x e (t)   x (nTe)(t  nTe)
n  

18
Le grand-père du traitement du signal

- Mathématicien français
- Travaux sur la décomposition de
fonctions périodiques en séries
trigonométriques
- ... justement devenues célèbres sous le
nom de Séries de Fourier
- Cela pourrait n’être considéré que
Joseph Fourier
“comme des maths”
(1768-1830)
-... s’il ne les avait appliqués à modéliser
les solutions de l’équation de la chaleur

19
Le spectre Xe(f) du signal échantillonné est:
n  
 
X e (f )  TFx e (t )  TF  x(t )   (t  nTe )
 n   

 n    n  
1
Comme TF    ( t  nT e )   Fe   ( f  nF e ) avec Fe 
 n    n   Te
n  
On a (Plancherel): X e (f )  Fe X(f )   (f  nF )
n  
e

Comme le produit de convolution est distributif,


Alors: X e (f )  Fe . 
n  
X ( f  nF e )

Xe (f) est une répétition périodique, de période Fe de X(f)

Remarque: Convoluer par un peigne c’est périodiser!

20
Interprétons cette dernière équation:
x(t) X(f); borné

-fmax 0 fmax

Premier cas lorsque: Fe  2 f max


X e (f )  Fe . 
n  
X ( f  nF e )

Fe X(f  2Fe ) Fe X(f+Fe) Fe X(f ) Fe X(f  Fe ) Fe X(f  2Fe )

-2Fe -Fe -fmax 0 fmax Fe 2Fe

Fe
21
Deuxième cas si: Fe  2 f max

X e (f )  Fe . 
n  
X ( f  nF e )

Fe X(f  2Fe ) Fe X(f+Fe) Fe X(f ) Fe X(f  Fe ) Fe X ( f  2 Fe )

-fmax 0 Fe 2Fe

Fmax

Repliement (recouvrement ou chevauchement ou "aliasing/folding") des

motifs spectraux Fe X(f  nFe ) .

22
L’oncle du traitement du signal

• Mathématicien et ingénieur américain

• Considéré comme le père de la théorie de
l’information
• ... mais aussi responsables de travaux
majeurs en signal :
• Le modèle de communication décrivant les
concepts et étapes dans la transmission d’un
message (source, émetteur, canal, récepteur,
destinataire)
• La démonstration du théorème
Claude Shannon d’échantillonnage qui établit les conditions
(1916-2001) sous lesquelles un signal échantillonné
préserve toute l’information du signal
analogique d’origine.

23
 Théorème de Shannon
Pour échantillonner un signal sans perte d'information, il faut que la
fréquence d'échantillonnage Fe soit supérieure au double de la
fréquence maximale du signal:
Fe  2F max
Fréquence de Shannon:
(de Nyquist ou fréquence de repliement)
Fe
Elle vaut: F max 
2
C’est la fréquence maximale admissible dans un spectre qui permet d’éviter les
distorsions du spectre du signal échantillonné par une fréquence Fe.

Filtre de Shannon :
C’est le filtre passe – bas idéal de fréquence de
coupure égale à la fréquence de Shannon. -Fe /2 0 Fe /2 f

24
 Restitution du signal
Si
Fe  2F max Les motifs sont disjoints deux à deux et il est possible
d'isoler le motif principal en utilisant le filtre de
Shannon et donc de retrouver x(t) par TFI.
Si
Fe  2F max Les motifs se recouvrent aux extrémités selon des
profondeurs qui dépendent de Fe. Le motif principal est
affecté par les motifs qui l’entourent (recouvrement).
Il est impossible de retrouver le spectre de x(t).

Pour restituer un signal x(t) à partir de xe(t) il suffit de pouvoir isoler un motif
du spectre Xe(f). Pour ceci, il faut que:
le spectre initial soit borné.
l’échantillonnage vérifie le théorème de Shannon.

25
 Notons X0(f) le motif de fréquence centrale f = 0, dit aussi motif de rang 0
ou motif principal.

Ce motif peut être extrait à partir du filtre de Shannon.


X-1(f) X0(f) X1(f) X e (f )  Fe . 
n  
X ( f  nF e )

-Fe -fmax 0 fmax Fe

rect ( f / F e )

-Fe/2 0 Fe /2

Fe X(f ) X 0 ( f )  X e ( f ) rect ( f / F e )

-fmax 0 fmax
26
 X 0 ( f )  X e ( f )rect ( f / Fe )
Théorème de Plancherel  x 0 ( t )  x e ( t ) * F e sin c (  F e t )
n  
Comme x e (t )   x(nTe)(t  nTe)
n  

n  
sin(  F e ( t  nTe ))
x 0 (t)  
n  
x ( nTe ). F e
 F e ( t  nTe )


Comme X e ( f )  F e . 
n  
X ( f  nF e ) X e0 ( f )  Fe . X ( f )

x 0 (t )  Fe .TFI ( X(f ))  Fe .x(t )

alors
n  
sin(Fe (t  nTe))
Et: x(t )   x(nTe)
n   Fe (t  nTe)
C’est la formule d’interpolation de Shannon
27
Théorème de Shannon: Un signal continu de spectre borné par +fmax est
complètement déterminé à l’aide de la formule d’interpolation de Shannon
par les valeurs qu’il prend à des instants régulièrement espacés de 1/(2fmax)
secondes au plus.
sin( Fe (t  nTe ))
En posant  n (t ) 
Fe (t  nTe )
n   n  
Alors x(t )  
n  
x ( nTe )  n ( t )  
n  
x n n (t)

C’est une représentation discrète du signal x(t) sur la base  n (t ) ; les

coefficients étant les échantillons du signal x(t).
x( t )
x 11 (t )
x 2 2 (t )
x 3 3 (t )
x 4 4 (t )

28
 Comment éviter le repliement dans le cas de
spectres non bornés?
La plupart des signaux réels sont à spectre large (la parole par exemple). On
ne peut pas définir une fréquence maximale et l’échantillonnage entraîne
inévitablement le problème de recouvrement .
Dans la pratique, seules des informations fréquentielles d’un certain rang sont
exploitables.
Exemple
 Industrie HiFi: 20 kHz est la fréquence maximale audible par l’homme.
L’échantillonnage se fera donc à 2*20 kHz soit 40 kHz.
Téléphonie: Les signaux sont compris entre 300 et 3400 Hz.
On peut donc échantillonner à 6800Hz. Généralement, on prend 8kHz (125ms
entre 2 échantillons).

29
On fait précéder l’échantillonneur d’un filtre passe-bas, dit anti-repliement, de
fréquence de coupure Fe / 2.

|X(f)|
Te =1/Fe
f
-fmax fmax

xf(t)
Filtre de
Shannon
Signal
original x(t)
X f (f )  X(f )   Fe (f )

-Fe/2 Fe/2 f

30
Échantillonnage réel
Le peigne de Dirac utilisé pour l’échantillonnage idéal est un objet théorique.
Dans la pratique, seules des impulsions approximant ceux de Dirac peuvent être
utilisées: durée courte non nulle.
On utilise donc le peigne réel, défini comme étant une suite d’impulsions de durée
t = T et de période Te.
t

Te nTe
C’est une périodisation d’un signal du type impulsion rectangle.

 n  
Te ,t (t )  t (t ) *  Te (t )   t (t  nTe)
n  
 Te ( t )    ( t  nTe )
n  

31
Le spectre de Te ,t (t ) s’exprime par:

TF(Te ,t )(f )  TF( t (t )).TF( Te (t ))


TF( Te ,t )(f )  t sin c( tf ).Fe  (f  nF )
n  
e


TF(  Te ,t )(f )  t.Fe  sin c( tnF )(f  nF )
n  
e e

32
xe(t) xe(nTe)=x(t) Echantillonnage naturel:
pour
Amplitude égale à celle du signal durant
nTe-t/2 <t< nTe + t/2
la durée t.

t nTe t
xe(t) xe(t)=x(nTe ) Echantillonnage régulier:
pour
Amplitude constante durant toute la
nTe - t/2 <t< nTe + t /2 durée t et égale à celle du signal à
l’instant d’échantillonnage x(nTe).
t nTe t
xe(t) xe(nTe)= moyt(x(t)) Echantillonneur moyenneur:
Amplitude constante durant toute la
pour durée t et égale à la moyenne du signal
nTe -t/2 <t< nTe + t/2 durant l’intervalle t autour de l’instant
d’échantillonnage nTe.
t nTe t
33
Echantillonnage naturel xe(nTe)=x(t)
 pour

x e ( t )  x ( t ).   t ( t  nTe )  x ( t )  t ( t ) *  Te ( t )  nTe -t/2 <t< nTe +t/2
n  


X e (f )  X(f ) * t.Fe  sin c( tnF )(f  nF )
e e
n  
t Te t

X e (f )  t.Fe  sin c( tnF )X(f  nF )
n  
e e

Si t est suffisamment faible, la fonction sinc peut être assimilée à une

impulsion de Dirac. Le spectre de base Xe0(f) peut alors s’écrire (si les
précautions théoriques sont prises) selon:
X e0 (f )  t.Fe .X(f )
Cet échantillonnage est comparable à l’échantillonnage idéal et n’est
pas réalisable en pratique.
34
Echantillonnage régulier: avec blocage
xe(t)=x(nTe)
 pour
x e (t )   x ( nTe ). 
n  
t ( t  nTe )
nTe-t/2 <t< nTe+t/2
On a aussi:

 
x e ( t )   x ( t ).   ( t  nT e )  *  t ( t )
 n    nTe t

 
X e ( f )   X ( f ) * F e .   ( f  nF e )  .t sin c ( t f )
 n   

 t . F e . sin c ( t f ). 
n  
X ( f  nF e )

Spectre de base du signal

X e0 (f )  t.Fe . sin ctf .X(f )
échantillonné
Il y a déformation de X(f) par la fonction sinc. Si t << Te, cette déformation
peut être acceptable.
Exemple: t = 5ms; Fe = 20 kHz; distorsion à f0 = 1KHz de l’ordre de 2% (1.7% ).
35
 Echantillonnage moyenneur xe(nTe)= moyt(x(t))
Échantillonnage réel par moyennage simple pour
nTe-t/2 <t< nTe +t/2
1 nTe  τ/2 1 nTe  τ/2
x e nTe    x(t) dt   Π τ t  nTe x(t) dt
τ e
nT  τ/2 τ e
nT  τ/2

nTe  τ/2
Comme  Π t  nT x(t) dt  x(t) * Π ( t)(nT )
nTe  τ/2
τ e τ e

nTe t
Alors x e nTe   x(t) * Π τ ( t) (nTe )

1
x e t   x e (nTe ) δ(t  nTe )   x(t) * Π τ ( t) (nTe ) δ(t  nTe )
 
n τ n
Le spectre est donc:
1
Xe (f)  τsinc(πτf)X(f)* Feδ(f  nFe )  Fe sinc(πt (f  nFe ))X(f  nFe )
τ n n

Et on a finalement: X e0 (f)  Fe sincπτ f X(f) motif principal

36
Quantification des signaux échantillonnés
La quantification est une discrétisation de l’amplitude du signal.
C’est une opération préliminaire à tout traitement numérique d’un signal car
les systèmes numériques ne travaillent que sur des quantités finies: les
amplitudes, comme le temps, doivent prendre des valeurs finies dans un
ensemble fini de valeurs.
Ceci limite la précision d’une représentation.

Définition:
La quantification consiste à transformer les échantillons d’un signal x(nTe)
= x(n) = xn en des échantillons d’amplitudes y(nTe) = y(n) = yn prises dans
un ensemble fini connu à l’avance.

37
La quantification est donc:
1. Une classification de xn dans des intervalles pré-définis.
2. Une approximation où chaque valeur de xe(t) est représentée
par un multiple entier d'une quantité élémentaire q appelée "pas
de quantification" ou quantum.

Si le quantum q est constant, on parle de quantification

uniforme.
Lois de quantification:
L’association de yn à xn se fait selon une certaine loi: Arrondi
au plus proche voisin, Arrondi par défaut, par excès,…..
La quantification yn = Q(xn ) est une loi non linéaire.

38
Exemples de quantification:
1. Par arrondi: Si  N  1   q  x ( t )  ( N  1 )  q
  e
 2 2
Alors à xe(t) on associe le code N ou la valeur Nq
Toute valeur du signal comprise entre N-1/2)(q et (N+1/2)q est arrondie à Nq
2. Par troncature: Si Nq  x e ( t )  ( N  1)  q
Alors à xe(t) on associe le code N ou la valeur Nq
Dans ce cas la caractéristique se déplace de q/2 vers la droite sur l’axe des
abscisses

Erreur de quantification:
La quantification introduit une erreur dite erreur de
quantification: e(k )  x e (kTe )  x e ,q (kTe )

39
Quantification uniforme ou linéaire
Lorsque le pas de quantification (quantum q) est une constante, on
parle alors de quantification uniforme ou linéaire .
Amplitude
Vmax  Vmin 2Vmax +Vmax
q  N
M 2
M est le nbre de niveaux. -Vmax

La quantification selon le plus proche voisin se fera en associant

l’ensemble xe,q(k) à ensemble xe (k) selon:
 1  1
x e,q (k)  Nq si  N    q  x e (k)   N    q
 2  2

40
 Fonction de transfert d'un CAN
Elle définit la relation entre le code numérique de la sortie du
CAN en fonction de la tension d'entrée .

Sortie
CAN

Signal
numérique

Signal d’entrée au CAN

Signal analogique
41
Quelques définitions
Définition 1: Plage de conversion
C’est la gamme de tension analogique de l’entrée (tension de pleine
échelle)

Définition 2: La résolution
C’est l'intervalle de tension d'entrée à laquelle correspondra un même
nombre binaire en sortie.

CAN à 8 niveaux de sortie

42
Définition 3: La dynamique d’un signal
C’est le rapport entre la tension maxi et la tension mini que
pourra prendre ce signal.
Définition 4: La dynamique d’un CAN
C’est le nombre de codes binaires différents que peut fournir
le convertisseur (moins un).
Dans la pratique, on arrondira ce nombre à une puissance de
2 ce qui définit le nombre de bits du convertisseur et
s’exprime en db = 20log(‘’Nbe bits’’).
Exemple: Convertisseur 8 bits.
Dynamique vaut (en toute rigueur) 28 - 1 = 255.
Elle s’exprimera par 48db = 20log(255+1)= 20log(28).

43
Définition 5: Le débit binaire en sortie d’un CAN
C’est le produit du nombre de bits par la fréquence
d’échantillonnage soit: D  N Fe  2N Fmax
Son unité est bits/s.

Définition 6: Le volume d’un fichier

C’est le produit du débit binaire D par la durée de capture tC, il est
donné par : V  D τC
V est appelé aussi volume d’informations, son unité est bits ou octets.

(Voir exercice 3 du contrôle unifié Mai 2010)

44
 Erreur de quantification
C’est l’erreur entre l’entrée et la sortie reconstituée du CAN.
Elle s’exprime par: e(t )  x num (t )  x anal (t )

On numérise une rampe.

L’erreur est négative et
oscille entre 0 et –1 (LSB)
Il y a un offset dans le
signal numérique
(quantification par défaut).

45
 Quantification sans offset (CAN corrigé)
On décale le premier LSB d’un demi LSB à gauche.

L’erreur est centrée: elle est

symétrique par rapport à 0
et égale à ±1/2 LSB.

Le 1/2 LSB tronqué au début

se retrouve au dernier état.

L’amplitude du signal d’erreur est comprise entre –q/2 et q/2.

46
La fonction de transfert d’un tel système (CAN corrigé) se présente
comme suit (dans le cas d’une quantification uniforme):
Valeurs de xe,q(k): Nq
3q

2q

1q

0q q 3q 2q 5q 3q
q
2 Valeurs de xe(k)
2 2
Quantification selon le plus proche voisin obtenue à partir de la
relation:
 1  1
x e,q (k)  Nq si  N    q  x e (k)   N    q
 2  2
L’erreur de quantification ds ce cas est égale au demi-pas de
quantification (q/2).
47
Exemples: CAN typiques
Pour un signal variant entre 0 et +5 V:

CAN à 10 bits, soit 210=1024 niveaux: q=5/1024=4.88mV

CAN à 12 bits, soit 212=4096 niveaux: q=5/4096=1.22mV

Modèle du bruit de quantification:

L’erreur de quantification est modélisable mathématiquement par une
variable aléatoire. On parle d’un bruit de quantification e(k).

Système: x e (k ) Quantificateur x e , q ( k )  x e (k )  e (k )

Modèle: x e (k ) x e , q ( k )  x e (k )  e (k )
e(k )
Le bruit de quantification est une variable aléatoire stationnaire et ergodique.
48
Quantification non linéaire

Loi A (Europe): plus facile à implémenter

 Ax
 1  log (A) pour x  1/A linéaire
2

 1  log 2 (Ax)
C(x)   pour x  1/A logarithmi que
 1  log 2 (A)
 A  87,6


Loi m (Amérique du Nord, Japon et Australie):
présente un bon RSB pour les faibles amplitudes
log2 (1  μ x )
C(x)  μ  255
log2 (1 μ)

Les 2 lois ne sont pas compatibles.

49