Académique Documents
Professionnel Documents
Culture Documents
Cours de Traitement de
signal
Niveau : DUT S4
I - Signaux et systèmes
III - Convolution
1
ANALYSE DES SIGNAUX - MODELISATION DES SYSTEMES
I - Signaux et systèmes 3
I-1 - notion de signal 3
I-2 - notion de systèmes 7
III - Convolution 33
III-1 - Définition du produit de convolution 33
III-2 - Procédure de convolution 33
III-3 - Théorème de convolution (Plancherel) 36
2
I - Signaux et systèmes
Exemples :
- intensité i(t) d'un courant électrique
- position d'un mobile M(t) ou M(x,y,t)
- un son
{ - déterministes
- aléatoires
(exactement prévisibles)
(décrits par des probabilités)
{ - analogiques (x=x(t))
- discrets ou échantillonnés (x=xn avec n Î Z)
{ - à valeurs continues
- à valeurs quantifiées
3
20 Signaux déterministes
V(t)
15 (Vi)i=1,N
10
Tension (V)
-5
(V*i)i=1,N
-10
0 20 40 60 80 100 120 140
Temps (s)
20 Signaux aléatoires
V(t)
15 (Vi)i=1,N
10
Tension (V)
-5
(V*i)i=1,N
-10
0 20 40 60 80 100 120 140
Temps (s)
4
• Exemples de signaux
t
0
u(t) modélise l'établissement instantané d'un régime constant
Rq: quelquefois u(0)=1/2
t
-a 0 a
Rq: version normalisée ra(t) = 1/(2a) |t|<a
ra(t) = 0 |t|>a
5
- Signaux sinusoïdaux (réels)
x(t) = A cos(wt+j)
-> w = 2pf la pulsation
-> f = 1/T la fréquence
-> T la période
-> A l'amplitude
-> j la phase à l'origine
6 A cos(wt+j)
-j/w
4
2 A
signal
0
-2
-4
T
-6
0 50 100 150 200 250 300 350
Temps (s)
Notation complexe
On définit : z(t) = A ei(wt+j) = C eiwt
C amplitude complexe, C = A eij
Alors : x(t) = Re(z(t)) = 1/2 (z(t) + z*(t))
6
I-2 - notion de systèmes
e(t) s(t)
Système
On distingue :
- Les systèmes analogiques : e et s sont analogiques
- Les systèmes discrets : e et s sont discrets
- Les convertisseurs
-> convertisseur analogique-numérique (CAN)
e(t) s(t)
CAN
t t
-> convertisseur numérique-analogique (CNA)
e(t) s(t)
CNA
t t
7
• Exemples de systèmes analogiques
• Le circuit RC
R i(t)
e(t) s(t)
8
• Exemple de système mécanique
s(t)
e(t)
k
A B +
Bilan sur B
- force du ressort -k (s(t) - e(t) - lo), lo écart à l'équilibre
- frottement -a s'(t)
RFD => m s"(t) = -k (s(t) - e(t) - lo) - a s'(t)
=> m s"(t) + a s'(t) + k s(t) = k (e(t) + lo)
e(t) s(t)
Capteur
grandeur physique grandeur
ou electrique
mesurande
Capteurs :
- actifs : s = q, i, v
ex : photodiode, thermocouple...
- passifs : s = R, L, C
ex : thermorésistance...
- capteurs composites
ex : détecteur de photons gamma
9
II - Transformée de Fourier d'un signal
v(t) V(n)
t n
10
Exemple :
v(t) To V(n) no = 1
To
t n
v(t) V(n)
Opérateur
t TF n
abscisse (x) inverse de la distance (k)
11
II-2 - TF de fonctions périodiques
• Fonctions périodiques :
∞
[
f(t)=a o + ∑ a k cos(2πνkt)+b k sin(2πνkt)
k=1
]
- n = 1/T : fréquence fondamentale du signal
on pose w = 2pn (pulsation)
12
• Représentation complexe de la série de Fourier
∞
f(t) = ∑ C k e ikωt
k=−∞
avec
T/2
C k = 1 ∫ f(t) e −ikωt dt
T
−T/2
• Propriétés
- f est périodique => on peut choisir l'intervalle
d'intégration de durée T
T/2 T (k+1)T
∫ −− dt = ∫ −− dt = ∫ −−dt
−T/2 0 kT
13
• Spectre en fréquence de f
8
6
4
2
0 20 40 60 80 100 120
t (s)
Ck jk
-> kn , k Î Z et k 1 : harmoniques de f
On peut écrire :
∞
f(t) = X o + ∑ X k cos(kωt − Φ k )
k=1
En identifiant :
Xo = ao
X k = a 2k +b 2k =2C k
bk
Φ k = Arctg = −ϕ k
ak
15
- Exemple : x(t) de période T
∞
x(t) = X o + ∑ X k cos(kωt − Φ k )
k=1
w = 2p/T
Xo valeur moyenne
T
X1
T/2
X2
T/3
X3
.
T
. etc...
.
x(t)
temps (s)
16
- Représentation de Xn : Spectre de raies
Xo X2
X4
X1
X3
n
n 2n 3n 4n
- Identification
17
-> Signal sinusoïdal : f(t) = sin(2pnt)
par identification => an = 0 "n, b1 = 1 et bn = 0 "n 1
a k − i bk
=> C k = donc C1 = -i/2 et C-1 = i/2
2
Spectre d'amplitude Spectre de phase
Ck jk
p /2
1/2 n n
-n
n -p /2
-n n
Reconstruction du signal :
∞
f(t) = ∑ C k e ikωt => f(t) = sin(wt)
k=−∞
1/2 n
-n n
n
-n n
Reconstruction du signal :
∞
f(t) = ∑ C k e ikωt => f(t) = cos(wt)
k=−∞
18
- décomposition d'un signal carré.
A
signal
0.0
-A
-2T -T 0 T 2T
temps (s)
-5n -3n -n n 3n 5n
19
• Remarque importante :
Souvent, le spectre contient une infinité de termes non
nuls. Seuls les coefficients (Xk ou Ck) de valeurs
élevées sont indispensables pour reconstruire le signal avec
une bonne approximation.
kmax=1 kmax=3
kmax=5 kmax=35
temps
20
• Représentation d'un spectre discret - "fonction de Dirac"
d(x) = 0 "n 0
d(x) = 1 si x=0
d(x) d (x-a)
x x
0 0 a
n
-n n
21
- La distribution de Dirac
t t
-e e
Propriétés :
∞
-> ∫ δ(x) dx = 1
−∞
∞
-> ∫ δ(x)f(x)dx = f(0)
−∞
-> δ(cx) = 1 δ(x)
c
22
II-3 - TF de fonctions non-périodiques
∞ T o /2
i2 π kν o t −i2 π kν o t
on a : x(t) = ∑ C k e et C k = 1 ∫ x(t) e dt
To
k=−∞ − T o /2
∞ C k i2 π kν o t
on peut écrire : x(t) = ∑ e ∆ν
k=−∞
∆ν
avec Dn = (n+1)no - nno = no = 1/To
écart entre 2 fréquences successives dans le spectre
∞
x(t) = ∫ C(ν)e i2πνt dν
−∞
23
• Expression de la transformée de Fourier C(n)
Ck
D'aprés le calcul précédent : C(ν) = lim
T o →∞ ∆ν
T o /2
−i2 π kν o t
=> C(ν) = lim 1 ∫ x(t) e dt
T o →∞ ∆νT o − T o /2
24
• Exemple : calcul de la TF du signal créneau
Rappel : r(t) = 1 |t|<a et r(t) = 0 |t|>a
r(t)
1
t
-a 0 a
∞ a
−i2πνt sin(2πνa)
C(ν) = ∫ r(t) e dt = ∫ e −i2πνt dt=>C(ν) = 2a
2πνa
−∞ −a
2a
|TF[ra (t)]|
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
a a a a a a a a a a
fréquence
25
II-4 - Spectre de puissance de Fourier
• Définition :
Le spectre de puissance est le carré du spectre d'amplitude.
• Théorème de Parseval:
La puissance totale dans le spectre est égale à la
puissance totale dans le signal.
26
II-5 - Remarque sur la TF inverse
• Notations
x(t) ->TF-> C(n)
=> C(n) = TF[x(t)](n) ou TF(x(t)) ou TF(x)
C(n) = x̂(ν)
27
II-6 - Propriétés essentielles de la TF
• Linéarité
• Transposition - conjugaison
• Translation ou retard
• Modulation
TF(f(at)) = 1 f̂ ν
a a ()
• Dérivation
28
II-7 - Applications de la TF en analyse temporelle
En outre la TF permet :
29
Bruit Blanc
"Signal"
0.8
0.6
0.4
0.2
signal
0
-0.2
-0.4
-0.6
-0.8
-400 -200 0 200 400
t(s)
Spectre
10-1
spectre d'amplitude
10-2
10-3
10-4
0.01 0.1 1
frequence (Hz)
Rq: spectre plat
30
Bruit "Brownien"
"Signal"
10
-10
signal
-20
-30
-40
-400 -200 0 200 400
t(s)
Spectre
102
101
spectre d'amplitude
100
10-1
10-2
10-3
0.001
0.01 0.1 1
frequence (Hz)
Rq: spectre de puissance en 1/f2
31
Bruit "rouge"
"Signal"
3.5
3.0
2.5
2.0
signal
1.5
1.0
0.5
0.0
-400 -200 0 200 400
t(s)
Spectre
100
spectre d'amplitude
10-1
10-2
10-3
10-4
0.001
0.01 0.1 1
frequence (Hz)
Rq: spectre de puissance en 1/f
32
III - Convolution
∞
f(t) = g(t) * h(t) = ∫ g(τ)h(t−τ) dτ
−∞
Commutativité : f(t) = g(t) * h(t) = h(t) * g(t)
33
h g
g(t) h(t-t)
Intégration :
∞
∫ g(τ)h(t −τ) dτ
−∞
34
Exemple 2 : g(t) * [d(t-t1) + d(t-t2)] réplication d'une fonction
t t
0 t1 0 t2
g(t-t1) + g(t-t2)
t
t1 0 t2
35
III-3 - Théorème de convolution (Plancherel)
TF
y(t)∗x(t) ↔Y(ν)X(ν)
TF
Y(ν)∗X(ν) ↔y(t)x(t)
36
IV - Transformée de Fourier de signaux discrets
Phénomène
Physique
t
Bruit
s(t)
Capteur T
Echantillonneur si*(t i)
Quantification
} Electronique
t
(CAN)
ti
Traitement
Ordinateur
Stockage
t
- la fonction h(t)
t
-T0/2 T0/2
- fenêtre temporelle
... ...
t
- peigne de Dirac
t
t0 t1 ... tN-1
- suite (kk)
∞
Fonction : h(t) r T (t) ∑ δ( t − t k )
0 k=−∞
38
IV-2 - Transformée de Fourier discrète
N−1
a j = ∑ h k ei2πν jt k
k=0
1 N / 2−1
hk = N ∑ a j e−i2πν jt k
j=−N / 2
- A noter :
N−1
• a 0 = ∑ h k => moyenne = a0/N
k=0
- Remarques importantes :
1 N−1 N / 2−1
-> a j = ∑ h k ei2πν jt k et hk = 1 ∑ a j e−i2πν jt k
N k=0 N j=−N / 2
1 N−1 N / 2−1
-> a j = N ∑ h k ei2πν jt k et hk = ∑ a j e−i2πν jt k
k=0 j=−N / 2
• Calcul pratique
40
IV-3 - Pathologie des données discrétisées
0 k=−∞
( )
h̃(t) = h(t) r T (t) ∑ δ t−t k
∞ ∞
=>
0 k=−∞
( )
h̃'(t) = h(t) r T (t) ∑ δ t−t k ∗ j=−∞
(
∑ δ t−jT0 )
ß ß ß
∞ ∞
[]
=> TF h̃' = TF[h]∗TF r T ∗TF ∑ δ t−t k
0 k=−∞
( ) TF
j=−∞
∑ δ t−jT(0
)
ß ß ß
( )
∞ ∞
[]
=> TF h̃' =TF[h]∗TF r T ∗ ∑ δ ν− ∆t
0 k=−∞
k j
∑ δ ν− T
j=−∞ 0
ß ß ß
Fenêtrage Repliement Discrétisation
41
• Repliement (Aliasing)
42
• Fenêtrage (Leakage)
43
• Conclusions sur les pathologies
44
IV-4 - Théorème d'échantillonnage
TF(f) n e=2n c
... ...
-n c 0 n c n (Hz) -n c 0 n c n (Hz)
n e>2n c n e<2n c
-n c 0 n c n (Hz) -n c 0 n c n (Hz)
45
Exemple : signal sinusoïdal à la fréquence no.
-> ne>2no
-ne -ne/2 ne/2 ne
t n
-n e-n o -n e+n o -n o n o n e-n o n e+n o
-> ne=2no
-ne -ne/2 ne/2 ne
t n
-2n o -n o no 2n o
-> ne<2no
-ne -ne/2 ne/2 ne
t n
-2n e+n o -n o -n e+n o n e-n o n o 2n e-n o
46
IV-5 - Spectre de Puissance discret
avec nj = j/T0
N−1 N/2−1
∑ hk 2
= 1 ∑ aj 2
k=0
N j=−N/2
47
V - Systèmes linéaires et filtres
Introduction
e(t) s(t)
Système
48
V-1 - Notion de convolution et réponse impulsionnelle
• Réponse impulsionnelle
La réponse impulsionnelle d'un système S linéaire est le signal
de sortie s(t) de ce sytème lorsqu'on lui applique une impulsion
unité (distribution de Dirac) à l'entrée.
t t
...
...
t
ti t i+1 t i+2 t i+3
∞
ẽ(t)≅ ∑ e(t i ) r ∆t/2 (t −t i )∆t
i=−∞
49
Avec :
- rDt/2(t) fonction créneau normalisée rDt/2(t) = 1/Dt |t|<Dt/2
rDt/2(t) = 0 |t|>Dt/2
- ti = i Dt
50
-> Représentation graphique
e(t) s(t)
-S->
t t
e1=e(t1) s1(t)
-S->
t t
e2=e(t2) s2(t)
-S->
t t
e3=e(t3) s3(t)
-S->
t t
e4=e(t4) s4(t)
-S->
t t
51
• Exemple de convolution : le circuit RC
R
e(t) s(t)
h(t)
1/RC
e-1/RC
0
t
0 t=RC
52
V-2 - Définition d'un filtre - Réponse harmonique
∞
-> Considérons un signal périodique e(t) =>e(t) = ∑ C n e 2πinλt
n=−∞
avec l : fréquence fondamentale
nl (n 1) : harmoniques
T=1/l : période fondamentale
T/2
Cn = 1
∫ e(t) e −2πinλt dt : coefficients de Fourier
T
−T/2
53
-> Remarque: Pour un signal e(t) non périodique on a un
résultat similaire :
∞
e(t) = ∫ C(ν)e i2πνt dν
−∞
∞
C(ν) = ∫ e(t) e −i2πνt dt
−∞
∞ ∞
i2πνt
s(t) = A e(t) = A ∫ C(ν)e dν = ∫ C(ν) Ae i2πνt dν
−∞ −∞
=> Pour connaitre s(t) quelque soit e(t) il suffit
de connaitre Ae 2πiνt
54
• Conclusion
TF(s)
=> H(ν) =
TF(e)
C
=> RC s'(t) + s(t) = e(t)
1
Module : H(ν) = filtre passe-bas
1 + (2πνRC) 2
1.2
RC=1
1.0
0.8
|H(n )|
0.6
0.4
0.2
0.0
-40 -30 -20 -10 0 10 20 30 40
n (Hz)
Représentation log-log
100
RC=1
1/÷2
|H(n )|
10-1
1
nc =
2pRC
10-2
0.01 0.1 1 10
n (Hz)
56
V-3 - Réponse indicielle - Gain d'un filtre
• Réponse indicielle
Système
e(t)=u(t) s(t)=h1(t)
∞
h1(t) = u(t) * h(t) = ∫ h(t' )u(t −t' )dt'
−∞
t
= ∫ h(t' ) dt' puisque u(x) = 0 pour x<0
−∞
t
= ∫ h(t' ) dt' puisque h(x) = 0 pour x<0 (voir chap V-5)
0
=> K = H(0)
57
V-4 - Cas général : Méthode de calcul des réponses
q (k) p (j)
TF ∑ b k s = TF ∑ a j e
k=0 j=0
P(2πiν)
=> TF(s) = TF(e)
Q(2πiν)
58
P(2πiν) TF(s)
On a donc : TF(s) = TF(e) et comme H(ν) =
Q(2πiν) TF(e)
P(2πiν)
=> H(ν) =
Q(2πiν)
2 cas :
P(2πiν)
- H(ν) = n'a que des pôles simples (1)
Q(2πiν)
P(2πiν)
- H(ν) = a des pôles multiples (2)
Q(2πiν)
59
P(2πiν) q βk
(1) H(ν) = = ∑
Q(2πiν) z −2πiν
k=1 k
zk : pôles de H (zéro de Q)
bk : coefficient de la décomposition
q
βk
=> h(t) = TF (H) = ∑ TF −1
−1
k=1 z k −2πiν
−1
1 β km
mk −1
=> h(t) = TF (H) = ∑ ∑ TF m
k=1 m=1 (z k −2πiν)
60
V-5 - Stabilité et causalité
• Filtre stable
P(2πiν)
(a) sinon H(ν) = ne décroit pas avec n
Q(2πiν)
=> pas de TF-1(H)
(b) sinon $n0 tel que H(n0) = ¥
61
En effet, si -> support(h) Ì [0, +¥[ => h(s)=0 "s<0
-> e(t)=0 "t<t0
∞
alors le produit de convolution s(t)= ∫ h(s)e(t−s)ds devient
−∞
t−t 0 0
s(t)= ∫ h(s)e(t −s)ds et en particulier s(t 0 )= ∫ h(s)e(t 0 −s)ds = 0
0 0
Application :
62
63