TNS MST Sidi

Traitement Numérique du signal
Pr. Brahim Aksasse

Filière Master MST SIDI
FST Errachidia
AU: 2018-2019
1
2
Plan du cours (1/2)

I- La numérisation d’un signal
1-1 L’opération d’échantillonnage
1-2 Choix de la fréquence d’échantillonnage
1-3 L’opération de quantification
1-4 Les représentations binaires
II- La convolution
2-1 Cas continu
2-2 Cas discret
III-La transformée de Fourier Discrète
3-1 Définition et propriétés
3-2 Périodisation de la TFD
3-3 Théorème de Shannon
3-4 Aliasing et recouvrement de spectre
3
Plan du cours (2/2)

3-5 Propriétés de la TFD
3-6 TFR avec entrelacement temporel
3-7 TFR avec entrelacement fréquentiel
3-8 Corrélation et densité spectrale de puissance
3-9 Résolution spectrale et précision
IV- Les systèmes LDIT
4-1 Définition
4-2 Notion de causalité
4-3 Transformée en Z
4-4 Energie et puissance des signaux discrets
4-5 Systèmes définis par une équation aux différences
4-6 Stabilité des systèmes
4
Que signifie signal ?

Introduction :Un signal est une fonction qui véhicule de
l'information ou un message. C’est une représentation
obtenue à partir des variations d’une grandeur physique.
Ce terme est utilisé dans tous les domaines qui traitent de
la transmission de données. Ce signal est usuellement
représenté comme une fonction continue à une ou plusieurs
variables.
Traitement du signal :
extraire l’information (filtrage, détection, estimation,
analyse spectrale...)
mettre en forme le signal (modulation, échantillonnage.)
-> forme adaptée à la transmission ou au stockage
analyser l’information
-> reconnaissance de formes
5
Quelques applications en vrac :

- téléphonie mobile,
- cartes son, synthèse musicale, …
- codage vidéo et audio en visiophonie, formats d’échange
audio et vidéo, …
- reconnaissance de la parole, reconnaissance faciale
- vision industrielle,
- suivi de cibles, radars, …
- analyse du sous sol (ondes sismiques, recherche
pétrolière)
- aide au diagnostic médical (EEG, ECG, …)
- GPS,
- … !!
6
Classification des signaux

1-selon leur dimension (classification dimensionnelle)
-Signal parole p(t)= signal unidimensionnel,
-Image statique niveaux de gris ⇔ luminance
I(x,y) =signal bidimensionnel,
-Séquence d’images ⇔vidéo
I(x,y,t) = signal tridimensionnel,
La théorie du signal est indépendante de la nature

physique du signal.
7

2-selon le caractère déterministe ou aléatoire
(classification phénoménologique)
Signal déterministe: l’évolution peut être
parfaitement décrit par un modèle mathématique
approprié,
Signal aléatoire : comportement imprévisible ⇒
description statistique tout signal physique comporte
une composante aléatoire (perturbation externe,
phénomène quantique …),
8

3- selon leur nature discrète ou continue (classification
morphologique)
Signal continu: l’espace de définition est continu x(t),
Signal discret : l’espace de définition est fini x[n].

9

continu discret
s(t) sq(t)
continu
t t
s*(t)
sn
discret
t
n
Figure1: classification continu-discret

10
Problème: comment faire sur les

Ordinateur: nombres 0/1?
Les portes logiques et circuits intégrés
La logique combinatoire et séquentielle
D’où la nécessité de numérisation.

11
Avantages du TNS
Manipulation d'un grand nombre de données (scalaires,
vectorielles, matricielles, multidimensionnelles),
Charges de calcul importantes (multiplications, additions)
Intégration et complexité des tâches réalisées,
Précision pouvant être élevée (liée au nombre de bits du

CAN et du DSP),
Pas de dérive (température, vieillissement) Stabilité,

Simulation ou exécution sur ordinateur; exécution en
temps réel au moyen de structures spécialisées DSP,
12
Avantages du TNS
Architectures et algorithmes permettant le travail en
« temps réel »,
Une simple modification des coefficients en mémoire (par

programmation ou transfert de données) permet de
passer d'un filtre numérique à un autre
Reprogrammabilité ,
Répétitivité: si on répète des opérations des milliers de

fois sur la même machine ou sur plusieurs machines de
même capacité le résultat sera toujours identique, ce qui
n’est pas le cas avec les machines analogiques.
13
Inconvénients du TNS
Nécessité d'une vitesse de calcul élevée si on souhaite

une bande passante large, d'où un compromis
précision - vitesse de calcul,
La réalisation de systèmes simples est relativement

complexe; par exemple un système du premier ordre,
réalisable au moyen d'une résistance et d'un
condensateur, demande beaucoup de matériel si on le
réalise avec des moyens numériques.
14
Introduction du contexte
Puisque les signaux naturels sont presque tous des
signaux continus, il faut les transformer pour les
numériser. Cette transformation est réalisée par un
composant convertisseur analogique numérique. Cette
opération peut se décomposer en deux actions:
s ig n a l: s in u s o id a l
0 .5
amplitude
-0 . 5
-1
0 50 100
tem ps
Figure2: Signal continu (analogique)

15
Introduction du contexte
L’échantillonnage qui transforme le signal à support
continu en un signal à support discret (une suite de
valeurs)
La quantification qui remplace les valeurs continues par
des valeurs discrètes (nombres entiers).
16
Discrétisation des signaux par

échantillonnage
Discrétisation des signaux par échantillonnage
La manipulation informatique des signaux impose leur

transformation en valeurs numériques.
Cette discrétisation se fait généralement par prélèvement
d’échantillons régulièrement espacés d’une durée Te, période
d’échantillonnage.
Nous pouvons modéliser cette opération en multipliant le
signal s(t) par un peigne de Dirac :
+∞ +∞
xe (t ) = x(t ). ∑ δ(t − nTe ) = ∑ x(nTe ).δ(t − nTe )
n = −∞ n = −∞
17

1- L’opération d’échantillonnage
Ainsi la valeur du signal en un instant t donné est donné
de manière discrète par l'échantillonnage : on approxime
la valeur t par k ∆ t, k entier. ∆t est la durée d'un échantillon,
et elle s'exprime à l'aide de la fréquence d'échantillonnage
fech = 1 / ∆t
Cette fréquence d'échantillonnage s'exprime en Hertz(Hz).
Pour un signal audio d'une qualité équivalente à celle d'un
disque compact, la fréquence d'échantillonnage est de
44100 Hertz.
Théorème de Shannon: Le théorème de Shannon
stipule que pour pouvoir numériser correctement un
signal, il faut échantillonner à une fréquence double (ou
supérieure) à la fréquence du signal analogique que l'on
échantillonne fech ≥ 2 F max
18

Le signal discret xd (n) est obtenu à partir du signal continu
xc (t ) comme une suite de mesures de celui-ci à des instants
successifs séparés de la période d'échantillonnage ∆ t.
xd (n) → xd (n) = xc (n∆ t )
∆t : période d'échantillonnage
f ech = 1 / ∆ t : fréquence d'échantillonnage
Figure3: période d'échantillonnage

19

2- Choix de la fréquence d’échantillonnage
L' opération d'échantillonnage fait apparaître une répartition
périodique du spectre initial. Un recouvrement entre les
spectres translatés introduirait des composantes étrangères
dans le spectre d' origine, rendant impossible la restitution
du signal analogique.
20
Figure4: Forme de la Transformée de Fourier d'un signal échantillonné

21

échantillonnage en temps <==> Périodisation en fréquence
Figure5: Module de la Transformée de Fourier d'un signal échantillonné

22

3- L’opération de quantification
Quantifier un signal revient à approximer sa valeur
instantanée par la valeur discrète la plus proche. On
commet donc une erreur.
le nombre de bits sur lequel on code les valeurs (appelé

résolution): il s'agit en fait du nombre de valeurs
différentes qu'un échantillon peut prendre. Plus celui-ci est
grand, meilleure est la qualité.
23

Plus le nombre de valeurs numériques possibles est
élevé, plus la valeur discrète sera proche de la valeur
instantanée; le signal quantifié sera donc plus fidèle à
l'original.
Par exemple, un signal codé sur 8 bits peut prendre 256

valeurs différentes, sur 16 bits, on passe à 65536 valeurs
possibles On utilise généralement un nombre de pas de
quantification étant une puissance de deux, ce qui permet de
le coder facilement en binaire.
24

4- Les représentations binaires
On représente les nombres à l'aide de chiffres binaires a i qui
peuvent prendre deux valeurs 0 ou 1. Supposons dans la
suite que nous disposons de n bits pour représenter une
valeur.
Nombres entiers positifs
N = {an −1 , an − 2 , L a1 , a0 }
N = a n −1 2 n −1 + a n − 2 2 n − 2 + L + a 1 2 + a 0
Échelle des valeurs représentables
0 ≤ N ≤ (2 n − 1) N = a7 128 + a6 64 + L + a1 2 + a0
Exemple avec 8 bits 0 ≤ N ≤ 255
25
II- La convolution
1- Signaux continus
Le comportement d'un système linéaire invariant dans le
temps et à temps continu, d'entrée x(t) et de sortie y(t), est
décrit par l'intégrale de convolution
∞
y (t ) = ∫ h(τ )x(t − τ )dτ
−∞
dans laquelle la réponse impulsionnelle (présumée connue)

du système est h(t). On note ⊗ l'opération de convolution .
La convolution continue est la succession des opérations

de Retournement, Translation, Multiplication &
Intégration (RTMI)
26
II- La convolution
Propriétés:
La commutativité:
y (t ) = h(t ) ⊗ x(t ) = x(t ) ⊗ h(t )

La transformée de Fourier d'un produit de convolution
est un produit simple:
y (t ) = h(t ) ⊗ x(t ) ⇔ Y ( f ) = H ( f ) X ( f )
La transformée de Laplace d'un produit de convolution

est un produit simple:
y (t ) = h(t ) ⊗ x(t ) ⇔ Y ( p) = H ( p ) X ( p)
27
II- La convolution
2- Signaux discrets
Le comportement d'un système linéaire, invariant dans le
temps et à temps discret, d'entrée x[n] et de sortie y[n], est
décrit par l'équation de convolution notée ⊗ , dans laquelle la
réponse impulsionnelle du système est h[n]:
y[n] = h[n] ⊗ x[n]
∞
telle que: y[n] = ∑ h[k ]x[n − k ]
k = −∞
La convolution discrète est la succession des opérations de
Retournement, Translation, Multiplication &
Accumulation (RTMA).
28
II- La convolution
Propriétés:
La commutativité:
y[n] = h[n] ⊗ x[n] = x[n] ⊗ h[n]
La transformée de Fourier d'un produit de
convolution est un produit simple:
y[n] = h[n] ⊗ x[n] ⇔ Y ( f ) = H ( f ) X ( f )
avec Z ( f ) = TF {z[n]}
La transformée de Fourier d'un produit simple est un
produit de convolution:
y[n] = h[n]x[n] ⇔ Y ( f ) = H ( f ) ⊗ X ( f )
29
II- La convolution
Remarque:
Pour réaliser rapidement une convolution, on fera appel à
la Transformée de Fourier Rapide (TFR ou FFT).
La convolution ⊗ est une des clés du TNS qui nous

guidera tout le long de ce cours. Réponses temporelles,
filtrage, dualité temps-fréquence, Shannon, reconstitution
des signaux, fenêtrage, DFT, FFT…
30
III- La transformée de Fourier

discrète
1- Définition et propriétés
On rappelle que la transformée de Fourier X(f) d'un signal
x(t) continu dans le temps s'écrit :
+∞
− j 2π f t
X(f )= ∫ x
t = −∞
( t )e dt , f ∈R
Après échantillonnage de x(t), on obtient les échantillons

x[nTe] où Te est la période d'échantillonnage. Le spectre du
signal échantillonné était périodique, de période Fe = 1/Te,
et que son module est pair. D'un point de vue mathématique
la transformée de Fourier X1(f) des échantillons x[nTe],
appelée transformée de Fourier numérique, s'écrit
+∞
X 1( f ) = ∑ x[k ]e− j 2π f k f ∈R
k = −∞
31

discrète
On vérifie bien que X1(f) est une fonction périodique de
période Fe.
e − j 2π ( f + Fe ) kTe = e − j 2π f kTe e − j 2π Fe kTe = e − j 2π f kTe e − j 2π k = e − j 2π f kTe
Sur ordinateur, on peut seulement traiter des données de

taille fini.
Soient x[0],....,x[N-1] des nombres complexes. La
transformée de Fourier discrète (TFD) est définie par la
N −1
formule suivante: x[k ]e − j 2π f k ,
X(f ) = ∑
k =0
Évaluer ces sommes directement donne une complexité de
l'ordre de ο ( N )
2
opérations. Avec un ordinateur il est
impossible de calculer X(f) pour une valeur quelconque de la
fréquence f.
32

discrète
Comme X(f) est périodique, de période Fe dans l'espace des
fréquences, on découpe l'intervalle Fe en N parties égales et
on ne calcule X(f) que pour les multiples de Fe/N, on vient
ainsi d'introduire la transformée de Fourier discrète. On note
X(n) les composantes de la transformée de Fourier discrète;
X(n) = X(f) calculé pour f = nFe/N avec n = 0, 1, ... (N-1),
N −1 n
− j 2π k
X ( n) = ∑ x[k ]e N , n = 0, L , N − 1
k =0
La transformée de Fourier discrète inverse est donnée par:
N −1 n
1 j 2π k
x[k ] = ∑
N n =0
X (n)e N , k = 0, L, N − 1
33

discrète
2- Périodisation de la TFD
La manipulation informatique des signaux impose leur
transformation en valeurs numériques. Cette discrétisation
se fait généralement par prélèvement d’échantillons
régulièrement espacés d’une durée Te, période
d’échantillonnage. Nous pouvons modéliser cette opération
en multipliant le signal x(t) par un peigne de Dirac :
+∞ +∞
xe (t ) = x(t ). ∑ δ(t − nTe ) = ∑ x(nTe ).δ(t − nTe )
n = −∞ n = −∞
34

discrète
La transformée de Fourier du signal échantillonné s’écrit
+∞
- j2 πf nTe
X(f) = ∑ e
x[nT ]e
n = −∞
De manière évidente,
+∞ +∞
X(f + Fe) = ∑ x[nTe ]e
n = −∞
- j2π ( f + Fe ) nTe
= ∑ e
x[nT
n = −∞
]e - j2πf nTe - j2π n
e = X(f)
Ainsi, la transformée de Fourier d’un signal échantillonné

est périodique, de période Fe = 1/Te.
35

discrète
3- Théorème de Shannon
Spectre X(f) du signal continu x(t): Représentation du
spectre d’amplitude. X(f)
1
Supposons également que Fe
soit supérieure à 2Fmax.
-Fmax Fmax f
On sait que le spectre de xe(t) est périodique, avec une
période égale à Fe : chaque période reproduit exactement le
spectre de x(t). Xe(f)
1
-Fe -Fmax Fmax Fe f
Figure6: périodisation du spectre d'un signal échantillonné

36

discrète
4- Aliasing et recouvrement de spectre
Pour reconstituer le signal original, il faut interpoler, c’est-à-
dire déterminer les valeurs manquantes entre les
échantillons. Les spectres de x(t) et xe(t) sont identiques
dans la période principale, donc, si on élimine les autres
périodes, on obtient le spectre de x(t). Cette opération peut
se réaliser à l’aide d’un filtre passe-bas de fréquence de
coupure égale à Fe/2, appelé filtre cardinal. Le signal
obtenu en sortie du filtre est bien x(t), puisqu’il a le même
spectre que lui. |Xe(f)|
1
-Fe -Fmax Fmax Fe f

37

discrète
On ne retrouve x(t) que si le spectre de x(t) est borné et si
Fe > 2 Fmax. Si cette condition n’est pas respectée, dans le
spectre de xe(t), les différentes « périodes » se chevauchent
dans la période principale, le spectre n’est pas celui de x(t).
Après passage dans le filtre cardinal, le signal obtenu n’est
donc pas x(t).
La condition Fe>2Fmax constitue le théorème de Shannon
ou théorème d’échantillonnage:
La fréquence d’échantillonnage doit être supérieure
au double de la plus haute fréquence contenue dans
le signal à échantillonner. |Xe(f)|
1
-Fe -Fmax Fmax Fe f

38

discrète
5- Propriétés de la TFD
Linéarité
Si x1[n] et x2[n] sont deux signaux à durée limitée à N1 et
N2, alors la TFD de
x[n] = ax1[n] + bx2[n] est donnée par:
X(n) = aX1(n) + bX2(n)
Comme la durée de la somme est donnée par le maximum N
de N1 ou N2, il faut prendre une TFD d’ordre égale à ce
maximum, et prolonger la plus courte des deux séquences
par des zéros.
39

discrète
Inversion
 TFD
n  x[−k ] → X (−n)
TFD N −1 − j 2π k  * TFD *
x[k ] → X (n) = ∑ x[k ]e N , ⇒  x [k ] → X ( − n)
k =0  * TFD
*
 x [− k ] → X (n)

Décalage
n  TFD
n
− j 2π r
N −1 − j 2π k
TFD  x[k − r ] → X (n)e N
x[k ] → X (n) = ∑ x[k ]e N , ⇒  n
j 2 π r TFD
k =0  N → X (n − r )
 x[k ]e
40

discrète
On préfère une représentation fréquentielle centrée autour
de la fréquence nulle. Dans ce cas les expressions
deviennent :
La TFD de la suite {x[0], …, x[N-1]} s’écrit :
N −1 n
− j 2π k
X ( n) = ∑ x[k ]e N
k =0
La TFD inverse (TFDI) se calcule à partir de :

( N −1) / 2 n
1 j 2π k
x[n] = ∑ X (k )e
N k = −( N −1) / 2
N
41

discrète
La précision fréquentielle dépend du nombre de points
adoptés pour le calcul.
Soit N le nombre de points du calcul de la TFD, la précision
en fréquence est égale à 1/N: Les points en fréquences, sont
espacés de 1/N. Pour des signaux échantillonnés à Fe cela
donne une précision en fréquence de Fe .
N
Cette précision est améliorée par la technique du
zeropadding : on calcule la TFD sur un nombre M pouvant
être largement supérieur au nombre de points disponible du
signal N.
42

discrète
6- FFT ave entrelacement temporel
La TFD est restée un outil peu utilisée jusqu’à l’apparition
d’algorithmes «rapides» permettant son calcul. Le plus
connu est du à Cooley et Tuckey et date de 1965. Le calcul
direct de la TFD sur N points nécessite 2N 2 multiplications
et 2 N ( N − 1) additions. L’algorithme proposé réduit àN log 2 ( N ) le
nombre d’opérations.
Principe: décomposer TFR sur N=2m en m étages
successives 7 n
− j 2π k
X (n) = ∑ x[k ]e 8
Pour N=8, Il faut calculer : k =0
On introduit WN , la racine n-ième7 de l’unité («twiddle
 2π 
factor » : WN = exp − j  , X (n) = ∑ x[k ]WNnk
 N k =0
43

discrète
Explicitons la relation précédente :
 X (0)   W80 W80 W80 W80 W80 W80 W80 W80   x[0]
 X (1)   0 7   x[1] 
   W8 W81 W82 W83 W84 W85 W86 W8   
 X (2)  W80 W82 W84 W86 W88 W810 W812 W814   x[ 2]
   0 
21  x[3] 
 X (3)  =  W8 W83 W86 W89 W812 W815 W818 W8   
 X (4)  W 0 W84 W88 W812 W816 W820 W824 28   x[ 4]
W8 
   80  
 X (5)   W8 W85 W810 W815 W820 W825 W830 35  x[5]
W8  
 X ( 6)   W 0 W86 W812 W818 W824 W830 W836

W842   x[6]
   8
 X (7)  W80 W87 W814 W821 W828 W835 W842 W849   x[7]
Les facteurs WN présentent un certain nombre de propriétés

dont certaines sont mises à profit dans l’algorithme :
N
( )
WNnN = 1, WN 2 = −1, WNn+ N = WNn
44

discrète
Ainsi, le système d’équation précédent devient:
 X (0)  W80 W80 W80 W80 W80 W80 W80 W80   x[0]
 X (1)   0  
  W8 W81 W82 W83 W84 W85 W86 W87   x[1] 
 X (2) W80 W82 W84 W86 W80 W82 W84 W86   x[2]
   0 3 6 1 4 7 2

5  x[3] 
 X (3)  = W8 W8 W8 W8 W8 W8 W8 W8   
 X (4) W 0 
W84 W80 W84 W80 W84 W80 W84   x[4]
   80 5 2 7 4 1 6

3  x[5]

 X (5)  W8 W8 W8 W8 W8 W8 W8 W8  
 X (6)  W 0 
W86 W84 W82 W80 W86 W84 W82   x[6]
   8
 X (7) W80 W87 W86 W85 W84 W83 W82 W81   x[7]
L’algorithme suppose que N est pair : posons N=2P.

Introduisons les 2 sous-suites {u[n]} et {v[n] } de {x[n]} en
fonction de la parité de n.
u[n]n = {x[2n]} v[n] = {x[2n + 1]}
n = 0,..., P −1 n = 0,..., P −1
45

discrète
N −1 P −1 P −1
On obtient Ainsi : X ( n) = ∑ x[k ]WNnk = ∑ u[i ]W22Pin + ∑ v[i]W2(P2i +1)n
k =0 i =0 i =0
P −1 P −1
X ( n) = ∑ in
u[i ]WP + WN n
∑v[i ]WPin
i =0 i =0
X (n) = U (n) + WNnV (n)
N −1 P −1 P −1
(n + P)k 2i ( n + P )
Par ailleurs : X (n + P) = ∑ x[k ]WN = ∑u[i]W2 P + ∑ v[i ]W2(P2i +1)(n + P )
k =0 i =0 i =0
P −1 P −1
X (n + P) = ∑ in iP
u[i ]WP WP + WN WN n P
∑
v[i ]WPinWPiP
i =0 i =0
P −1 P −1
X (n + P) = ∑ in n
∑
u[i ]WP .1 + WN (−1) v[i]WPin .1
i =0 i =0
X (n + P) = U (n) − WNnV (n)
46

discrète
Le calcul de la FFT revient donc à calculer U(n) et V(n) qui
sont les TFD sur P points des suites de termes de rang pair
et impair. Le calcul revient au schéma suivant:
x0 U0 X0
x2 U1 X1
TFR U2
x4 X2
x6 U3 X3
x1 V0 W0 - X4
x3 V1 W1 - X5
TFR V2 W2
x5 - X6
x7 V3 W3 X7
-
47

discrète
Entrelacement temporel
Le même principe est appliqué au calcul de la FFT U(n) et
V(n) des suites {u[k]} et {v[k]} en scindant ces en deux
suites en quatre sous suites de taille P/2=2 points des
suites de termes de rang pair et impair
48

discrète
000 x0 U0
TRF
100 x4 U1
010 X2 - U2
TRF W0
110 x6 - U3
W1
001 x1 V0
TRF
101 x5 V1
011 X3 - V2
TRF W0
111 x7 - V3
W1
49

discrète
7- TFR avec entrelacement fréquentiel
Cet algorithme est symétrique du précédent. Les données
x[k] temporels restent dans l’ordre naturel mais les résultats
X(n) sont désordonnés.
Même Principe :décomposer TFR sur N=2m en m
étages successives.
Les données fréquentiels {X(n)} sont regroupés en deux
paquets: un paquet d’indice paire et un paquet d’indice
impaire.
50

discrète
8- Corrélation et densité spectrale de puissance
La corrélation de deux séquences {x[n]} et {y[n]} est
définie comme étant la somme du produit de ces deux
fonctions que l'on décale progressivement l'une par rapport
à l'autre.
On parle d'intercorrélation si les deux fonctions sont
différentes. L'intercorrélation de deux suites discrètes x(n) et
y(n) est définie par l'une ou l'autre des expressions
suivantes:
∞ ∞
Rxy [n] = ∑ x[k ] y[k + n] = ∑ x[k − n] y[k ]
k = −∞ k = −∞
51

discrète
L'intercorrélation permet de comparer deux signaux et de
tester leur ressemblance; elle atteint son maximum lorsque
les deux signaux sont superposés "au mieux".
On parle d'autocorrélation si les deux fonctions sont
identiques: ∞ ∞
Rxx [n] = ∑ x[k ]x[k + n] = ∑ x[k − n]x[k ]
k = −∞ k = −∞
La valeur de la fonction d'autocorrélation à l'origine

représente l'énergie du signal.
∞
Rxx [0] = E x = ∑ x [k ]
k = −∞
2
52

discrète
La densité spectrale de puissance est égale à la transformée
de Fourier de la fonction d'autocorrélation. Elle représente
la répartition de la puissance dans le domaine fréquentiel.
La fonction d'autocorrélation permet
d'extraire un signal noyé dans du bruit,
de déterminer une périodicité cachée,
d'évaluer la fréquence moyenne d'un signal et la
dispersion des fréquences (variance) par rapport à cette
valeur moyenne,
de calculer la densité spectrale de puissance
d'estimer la fonction de transfert d'un processus
53

discrète
Pour les signaux aléatoires, La corrélation (autocorrélation
et intercorrélation) de deux séquences {x[n]} et {y[n]} est
définie comme étant l’espérance du produit de ces deux
fonctions que l'on décale progressivement l'une par rapport
à l'autre.
N
1
Rxx(k ) = E ( x[n]x [n − k ]) = lim N →∞ (
*
N
∑ x[n]x [n − k ])
n =0
*
N
1
Rxy(k ) = E ( x[n] y [n − k ]) = lim N →∞ (
*
N
∑ x[n]x [n − k ])
n =0
*
Rxx(0) = Px
54

discrète
9- Résolution spectrale et précision
La résolution fréquentielle est la capacité à discerner des
fréquences distinctes contenues dans un même signal. La
résolution c’est l’aptitude à distinguer deux fréquences
voisines dans un signal. Aussi, on définit la résolution en
fréquence par l’écart minimum qui doit exister entre deux
fréquences de deux sinusoïdes d’amplitude différentes pour
observer sur le spectre de leur somme un creux de plus de
3dB entre les deux maxima.
3 dB
Figure7: Séparation en fréquence (résolution en fréquence)

55

discrète
Le calcul de la TFD engendre une suite de N termes. Ces N
termes sont prélevés avec une fréquence d’échantillonnage
Fe = 1 / Te . Le spectre, composé de N termes sur un domaine
fréquentiel [0, Fe ] ou [− Fe / 2, Fe / 2] avec une distance
fréquentielle entre les points égale à : ∆f = Fe / N
La précision est la capacité à trouver la bonne fréquence

d’un signal. Elle est limitée par le nombre de points utilisés
dans le calcul de la TFD qui se fera par une Transformée de
Fourier rapide.
On considère le modèle suivant: x[n] = Ae j (2πnf + φ) + b[n]

X[n]: signal mesuré, A son amplitude, f: la fréquence, et
b[n]: bruit additif supposé blanc.
56

discrète
N=32 points d’un signal sinusoïdal (f=0.25),
TFD sur 32 points TFD et sur 1024 points (zero-padding)
Figure8: Spectre d’amplitude sur 32 et 1024 points

57

discrète
N=1024 points du même signal (f=0.25)
TFD sur 1024 points
Figure9: Spectre d’amplitude sur 1024 points

58
IV- les systèmes LDIT

1- Définition
Filtre numérique
entrée x[n] sortie y[n]
Relation entrée-sortie
Système: opérateur qui associe à la suite d’entrée {x[n]}
la suite de sortie {y[n]}
Linéarité :x1[n] y1[n] et x2[n] y2[n]
ax1[n]+bx2[n] ay1[n]+by2[n]
Invariance dans le temps: indépendance de l’origine du
temps ∀ n0 x[n-n0] y[n-n0]
59

La réponse impulsionnelle est telleque
x[n] = δ [n] ⇒ y[n] = h[n]
On peut écrire +∞
x[n] = ∑ x[k ]δ [n − k ]
k = −∞
Le système est linéaire, ce qui donne

+∞
y[n] = ∑ x[k ]ℑ(δ [n − k ])
k = −∞
+∞
= ∑ x[k ]h[n − k ] = h[n] ⊗ x[n]
k = −∞
60

2- Notion de la causalité
Le système est causal , ⇔ ∀x[n] signal causal, alors la réponse
y[n] = ℑ( x[n]) est causale.
Un système est causal ⇔ h[n] = 0 pour n < 0
Un filtre numérique est un Filtre Linéaire Invariant Discret

Pour les signaux fonction du temps, seuls les filtres causaux
sont implémentables en temps réel.
61

Un filtre numérique peut être représenté par :
Son équation aux différences liant son entrée et sa sortie,
Sa Réponse Impulsionnelle,
Sa Fonction de Transfert en Z,
Son gain complexe (amplitude+ phase).
62

3- Transformée en Z
Pour les filtres analogiques, on utilise la transformée de
Laplace. Pour les systèmes discrets, on utilise la transformée
en Z.
La TZ H(z) de la réponse impulsionnelle {h[n]} est appelée
fonction de transfert du système LDIT.
-1 : X[n] -1 x[n-1]
Opérateur retard z Z
Soit une séquence temporelle échantillonnée, {x[n] n ∈ Z }, on

appelle transformée en Z, la série infinie au sens
mathématique,
+∞
X ( z) = ∑ x[ n
n = −∞
] z −n
avec z ∈ C
63

Cette relation est parfois appelée transformée en z bilatérale.
Pour les systèmes causaux, on parle alors de transformée en
Z mono-latérale. +∞
X ( z ) = ∑ x ( n) z − n
n =0
64

Propriétés de la TZ
Linéarité: TZ {ax1[n] + bx2[n]} = aX 1( z ) + bX 2( z )
Modulation: TZ {a n x(n)} = X ( z )∀a ∈ C
a
Réponse en fréquence d’un système LDIT d’après sa TZ
H ( f ) = H (e j 2πf ) = H ( z ) / z = e j 2πf
Réponse en amplitude : il s’agit de la quantité |H(e2jf )|.

Le gain en décibel correspondant est 20 log10 |H(e2jf )|.
Réponse en phase: il s’agit naturellement de arg H(e2jf ).
Pour un système LDIT,
+∞ +∞
y[n] = h[n] ⊗ x[n] = ∑ x[k ]h[n − k ] = ∑ h[k ]x[n − k ]
k = −∞ k = −∞
Y ( z ) = H ( z ) X ( Z ), Y( f ) = H( f )X ( f )
65

4- Energie et puissance des signaux discrets
Signaux déterministes
Énergie : par définition,
+∞
l’énergie d’un signal x(t) à temps
∑
2
continu, tel que x[ n ] existe et converge. Alors le signal est
k = −∞
dit à énergie finie et la valeur de cette somme est appelée
énergie Ex du signal x; +∞
∑ x[n]
2
Ex =
k = −∞
Puissance : pour le même type de signaux, on définit

également la puissance, notée Px, par
N /2
1
∑ x[n]
2
Px = lim N →∞ ( )
N k =− N / 2
66

Signaux aléatoires (stationnaire et ergodique)
La stationnarité
On dis qu’un processus est stationnaire si ces propriétés
statistiques sont invariantes par translation dans le temps.
p( x[n1 , w], x[n2 , w],..., x[nk , w]) = p ( x[n1 − m, w], x[n2 − m, w],..., x[nk − m, w])
Calculons la covariance C x (n1 , n2 ) = E ( x[n1 , w]x*[n2 , w])
= E ( x[n1 − n2 , w]x*[0, w])
= E ( x[0, w]x *[n2 − n1 , w])
= E ( x[n, w]x*[n − m, w]
= R x ( m)
L’Ergodisme
le signal x[n,w] est dit ergodique si les moyennes
temporelles sont égales aux moyennes statistiques.
67

Transformation de la moyenne:
+∞
y[n] = h[n] ⊗ x[n] = ∑ h[k ]x[n − k ]
k = −∞
+∞
= ∑ x[k ]h[n − k ]
k = −∞
+∞
⇒ E ( y ) = E ( x) ∑ h( k )
k = −∞
68

5- Systèmes définis par une équation aux différences
On classe les filtres suivant leur caractère récursif
Non récursif : Réponse Impulsionnelle Finie (RIF)
Exemple : Modèle MA(moyenne mobile) d’ordre q
Équation aux différences du filtre
y[n] = b 0 x[n] + b1x[n - 1] + … + b q x[n - q]
Fonction de transfert en Z
q
Y ( z)
H ( z) = = ∑ bi z −i
X ( z ) i =0
69

La représentation schématique du filtre MA(q)
70

Récursif : Réponse Impulsionnelle Infinie (RII)
Exemple :
Modèle AR(p) (autorégressif d’ordre p)
ARMA(p,q) (autorégressif à moyenne mobile d’ordre(p,q)
71

Équation aux différences du filtre AR(p)
y[n] = x[n] – (a1 y[n - 1] + ... + a p y [n - p])
Fonction de transfert en Z Y ( z) 1
H (z) = = p
X ( z)
La représentation Schématique 1 + ∑ ai z −i
i =1
du filtre AR(p)
72

Équation aux différences du filtre ARMA(p,q) (autorégressif à
moyenne mobile d’ordre(p,q)
y[n] = b 0 x[n] + b1x[n - 1] + … + b q x[n - q] - (a1 y[n - 1] + ... + a p y [n - p])
Fonction de transfert en Z
Y ( z) ∑b z i
−i
H (z) = = i =0
p
X ( z)
1 + ∑ ai z −i
i =1
Numérateur moyenne mobile (Moving Average) (zéros)

Dénominateur partie autorégressive (AR) (poles)
73

La représentation schématique du filtre ARMA (p,q)
q
Y ( z) ∑b z i
−i
H (z) = = i =0
p
X ( z)
1 + ∑ ai z −i
i =1
Différentiateur y[n] = x[n] - x[n - 1] (MA d’horizon 1)

Intégrateur y[n] = y[n - 1] + x[n] (AR d’ordre 1)
74

6-Stabilité des systèmes
Définition
Domaine "temporel" : stabilité EBSB (BIBO). A vérifier
uniquement pour les modèles AR, MA et ARMA.
La condition nécessaire et suffisante sur la réponse
impulsionnelle est : +∞
∑ h[k ] ≤ +∞
k = −∞
Y ( z) ∑b z i
−i
H ( z) = = i =0
Si on connais la fonction p
X ( z)
1 + ∑ ai z −i
de transfert en H(z) : i =1
Le système est stable <=>, les pôles de H(z) sont de

module strictement inférieur à 1
Domaine de stabilité = disque unité
75

Passage entre filtre MA et AR
Un filtre MA à déphasage minimal <=>, filtre AR d’ordre
infini tronqué;
Un filtre AR stable et d’ordre fini <=>, filtre MA infini

tronqué;
La démarche est basée sur l’identification et la combinaison

des séries de Laurent.

TNS MST Sidi

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

TNS MST Sidi

Transféré par

Droits d'auteur :

Formats disponibles

Traitement Numérique du signal

Pr. Brahim Aksasse

Plan du cours (1/2)

Plan du cours (2/2)

Que signifie signal ?

Quelques applications en vrac :

Classification des signaux

La théorie du signal est indépendante de la nature

Classification des signaux

Classification des signaux

Signal continu: l’espace de définition est continu x(t),

Signal discret : l’espace de définition est fini x[n].

Classification des signaux

Figure1: classification continu-discret

Problème: comment faire sur les

La logique combinatoire et séquentielle

D’où la nécessité de numérisation.

Charges de calcul importantes (multiplications, additions)

Intégration et complexité des tâches réalisées,

Précision pouvant être élevée (liée au nombre de bits du

Pas de dérive (température, vieillissement) Stabilité,

Une simple modification des coefficients en mémoire (par

Répétitivité: si on répète des opérations des milliers de

Nécessité d'une vitesse de calcul élevée si on souhaite

La réalisation de systèmes simples est relativement

Figure2: Signal continu (analogique)

Discrétisation des signaux par

La manipulation informatique des signaux impose leur

I- La numérisation d’un signal

I- La numérisation d’un signal

Figure3: période d'échantillonnage

I- La numérisation d’un signal

I- La numérisation d’un signal

Figure4: Forme de la Transformée de Fourier d'un signal échantillonné

I- La numérisation d’un signal

Figure5: Module de la Transformée de Fourier d'un signal échantillonné

I- La numérisation d’un signal

le nombre de bits sur lequel on code les valeurs (appelé

I- La numérisation d’un signal

Par exemple, un signal codé sur 8 bits peut prendre 256

I- La numérisation d’un signal

dans laquelle la réponse impulsionnelle (présumée connue)

La convolution continue est la succession des opérations

y (t ) = h(t ) ⊗ x(t ) = x(t ) ⊗ h(t )

La transformée de Laplace d'un produit de convolution

La convolution ⊗ est une des clés du TNS qui nous

III- La transformée de Fourier

Après échantillonnage de x(t), on obtient les échantillons

III- La transformée de Fourier

Sur ordinateur, on peut seulement traiter des données de

III- La transformée de Fourier

III- La transformée de Fourier

III- La transformée de Fourier

Ainsi, la transformée de Fourier d’un signal échantillonné

III- La transformée de Fourier

-Fe -Fmax Fmax Fe f

Figure6: périodisation du spectre d'un signal échantillonné

III- La transformée de Fourier

-Fe -Fmax Fmax Fe f

III- La transformée de Fourier

-Fe -Fmax Fmax Fe f

III- La transformée de Fourier

III- La transformée de Fourier