Académique Documents
Professionnel Documents
Culture Documents
1 Rappels théoriques
1.1 Transformée de Fourier discrète (TFD)
La transformée de Fourier à temps discret (TFTD) d’un signal numérique est donnée par :
+∞
X
X(f ) = x(n)e−j2πnf (1.1)
n=−∞
où x(n) désigne la séquence discrète (généralement obtenue par échantillonnage d’un signal continu dans le temps).
X(f ) est une fonction continue de la variable f , qui est calculée à partir d’un nombre infini d’échantillons temporels
{x(n)}. La transformée de Fourier discrète (TFD) consiste à faire une estimation discrète de X(f ) (sur L points fréquen-
tiels) à partir d’un nombre limité (N ) d’échantillons temporels. Ce qui donne :
N −1
k
X
XN (k) = x(n)e−j2πn L (1.2)
n=0
k
où L représente la fréquence normalisée; k : 0 · · · L − 1.
On se propose ici d’étudier, dans un premier temps, les propriétés de la TFD. Ensuite, l’effet de la troncature temporelle
et de la discrétisation fréquentielle sur le contenu spectral du signal.
Analyse spectrale
• Effet de la troncature temporelle : le fait de choisir un nombre limité N d’échantillons revient à multiplier, dans le
domaine temporel, le signal x(n) par une fenêtre rectangulaire de largeur N . Ce qui se traduit, dans le domaine
fréquentiel, par un produit de convolution des transformées de Fourier correspondantes. La transformée de Fourier
de la fenêtre rectangulaire est donnée par :
Ainsi, la convolution avec un tel signal fait apparaître des ondulations dans le spectre du signal x(n) :
– sur la bande utile, l’effet est d’autant plus important que la largeur du lobe principal est importante.
– hors bande utile, l’effet est d’autant plus important que l’amplitude des lobes secondaires est importante.
Ce qui affecte la résolution spectrale, définie par, l’aptitude à distinguer deux fréquences voisines contenues dans
le spectre du signal. Cette résolution dépend directement du nombre d’échantillons temporels choisi ainsi que des
caractéristiques spectrale de la fenêtre appliquée au signal : fenêtre rectangulaire, fenêtre de Hamming, Hanning,
Blackman,...
• Effet de la discrétisation fréquentielle : le choix du nombre d’échantillons fréquentiels affecte la précision fréquen-
tielle, la précision de mesurer une fréquence donnée. En fait, l’erreur commise sur la mesure d’une fréquence
fe
donnée est de l’ordre de L.
2 Travail demandé
2.1 Exercice 1 : Analyse spectrale de la TFD
1. Donner les représentations temporelles et spectrales du signal x pour deux valeurs de N (nombre d’échantillons
temporels), N = 32 et N = 64, respectivement. Le nombre d’échantillons fréquentiels étant fixé à Lf f t = 512.
Interpréter en se basant sur la représentation spectrale de la fenêtre rectangulaire utilisée.
........................................................................................................
........................................................................................................
........................................................................................................
avec :
1 d [θ(t)]
fi (t) = . (1.5)
2π dt
Nous considérons un signal dont la fréquence instannée est définie par :
fi (t) = f0 + λt
1. En supposant fi (0) = 0 représenter le signal sur une durée de T = 2s en choisissant une fréquence
d’échantillonnage Fe = 8000 Hz.
1 Rappels théoriques
1.1 Généralités
Soit h(n), la réponse impulsionnelle d’un filtre numérique. La relation entrée-sortie de ce filtre est donnée par :
+∞
X
y(n) = h(n) ∗ x(n) = h(m)x(n − m) (2.1)
m=−∞
Si elle existe, la réponse fréquentielle du filtre est définie par : H(f ) = H(z = ej2πf ).
Le comportement du filtre est décrit par sa réponse fréquentielle :
|Y (f )| = |H(f )| |X(f )|
ΦY (f ) = ΦX (f ) + ΦH (f )
• Permet d’avoir une phase linéaire (pour des coefficients symétriques de la réponse impulsionnelle).
Partant du gabarit d’un filtre idéal, on détermine la réponse impulsionnelle par transformée de Fourier (à temps discret)
inverse. Sans perte de généralités, soit le cas d’un filtre passe-bas :
(
1 si |f | ≤ fc
H(f ) = (2.5)
0 sinon
sin(2πnfc )
h(n) = (2.6)
πn
Il s’agit d’une suite infinie de coefficients → troncature sur une fenêtre finie de largeur N . Ceci revient à multiplier
h(n) par une fenêtre rectangulaire. Ce qui correspond, dans le domaine fréquentiel, à une convolution entre les transfor-
mées de Fourier correspondantes. La réponse fréquentielle H(f ) du filtre est donc affectée par les propriétés de la fenêtre
de troncature.
• la largeur de la bande de transition : fonction de la largeur du lobe principal (de la fenêtre utilisée), qui dépend de
N et du type de la fenêtre utilisée (rectangulaire, Hamming, Hanning,...).
• les ondulations en bande passante et en bande coupée : fonction de l’amplitude des lobes secondaires, qui ne dépend
que du type de la fenêtre.
2 Travail demandé
2.1 Exercice 1
On se propose de synthétiser un filtre RIF de type passe-bande qui laisse passer des signaux pour des fréquences dans la
bande [6.5 8.5] kHZ.
1. Sachant que la fréquence d’échantillonnage est fe = 32 kHZ, réaliser un tel filtre en utilisant une fenêtre rectan-
gulaire de largeur N = 15. (fonction fir1)
4. Refaire le même travail en considérant une fenêtre de type Hamming ou Blackman. Comparer et interpréter le
résultat.
2.2 Exercice 2
Le filtre à moyenne glissante est une technique de filtrage basée sur les filtres RIF et généralement utilisée comme un filtre
passe-bas pour éliminer les fluctuations présentes dans un signal. La relation entrée sortie est décrite par :
1
y[n] = (x[n] + x[n − 1] + · · · + x[n − M + 1])
M
où M désigne la largeur de la fenêtre glissante.
Soit le signal xd (fichier data.mat)
5. Appliquer ces filtres au signal considéré. Observer le signal obtenu dans le domaine temporel et commenter.
6. Appliquer maintenant deux fois de suite le même filtre pour M = 3 et interpréter le résultat obtenu en se basant sur
la réponse fréquentielle du filtre résultant.
1 Rappels théoriques
Appelés aussi filtres récursifs, ils sont définis par l’équation aux différences de la forme :
N
X N
X
ak y(n − k) = bl x(n − l) (3.1)
k=0 l=0
Y (z) b0 + b1 z −1 + · · · + bM z −M
H(z) = = (3.2)
X(z) a0 + a1 z −1 + · · · + aN z −N
Ou encore :
QM
(1 − qm z −1 )
H(z) = Qm=1
N −1 )
n=1 (1 − pn z
Avec, {qm } et {pn } représentent, respectivement, les zéros et les pôles de H(z). On s’intéresse ici au cas de sys-
tèmes causaux et stables. Les pôles sont donc tous à l’intérieur du cercle unité.
Comparés aux filtres RIF, les filtres RII permettent une meilleure sélectivité fréquentielle pour le même ordre de complex-
ité. Cependant, ils présentent des limitations en termes de stabilité, de linéarité de la phase et de sensibilité aux erreurs
d’arrondi (des coefficients).
Non-linéarité de la phase
Les filtres RII sont caractérisés par une phase non linéaire en fonction de la fréquence. Le filtre introduit un retard de
phase, défini (à la fréquence f0 ) par :
1 ΦH (f )
τp (f0 ) = − (3.3)
2π f f =f0
1 dΦH (f )
τg (f0 ) = − (3.4)
2π df f =f0
A cause de la non-linéarité de la phase, le temps de propagation de groupe n’est pas constant. Il varie selon la valeur
de la fréquence. Ce qui induit une distorsion du signal à la sortie du filtre.
En analogique, certains modèles de filtres prédéfinis, tels que par exemple les filtres de Chebyshev, Butterworth,
elliptic, permettent d’établir une relation directe entre les paramètres du gabarit et les coefficients du filtre.
Le passage entre un modèle analogique et un modèle numérique peut se faire, moyennant une transposition entre le plan
p et le plan z par la méthode de la transformation bilinéaire. Sous Matlab, des fonctions prédéfinies (tq butter, cheby1,
cheby2,...) permettent de calculer les coefficients d’un filtre à partir de la donnée des paramètres du gabarit souhaité.
2 Travail demandé
2.1 Exercice 1
4 2
(1 − z1 .z −1 )(1 − z1∗ .z −1 ) Y (c∗k − z −1 )(ck − z −1 )
H(z) = .
(1 − p1 .z −1 )(1 − p∗1 .z −1 ) (1 − ck .z −1 )(1 − c∗k .z −1 )
k=1
où :
• z1 = 0.98expj0.8π ;
• p1 = 0.8expj0.4π ;
• ck = 0.95expj(0.15+0.02k)π .
1. Représenter les pôles et les zéros de ce système sur le plan z. fonction zplane
2. Représenter le gain en amplitude , la phase ainsi que le temps de propagation de groupe de ce filtre (fonctions :
freqz, abs, phase, grpdelay). Interpréter.
avec,
(1 + si (n)).sin(2πfi n) si n ∈ [0, N − 1]
xi (n) =
0 sinon
• si (n) = 0.5sin(2πF ci n)
7. Expliquer le résultat obtenu en se référant à la réponse fréquentielle du filtre (gain en amplitude et group-delay).
8. Réaliser un filtre RIF, de même ordre que Hg , permettant d’éliminer la composante f1 . Représenter sa réponse
fréquentielle (gain et group-delay).
9. Représenter le signal yrif , obtenu par application de ce filtre sur le signal x. Interpréter.
1 − 2cos(θ)z −1 + z −2
G(z) = Avec
1 − 2ρcos(θ)z −1 + ρ2 z −2
pi
ρ = 0.75 et θ = 4 (3.5)
6. Ajouter une composante sinusoidale à la fréquence f0 = 500Hz au signal. Le signal bruité résultant sera noté xb .
7. Appliquer maintenant le filtre G avec un choix approprié des paramètres ρ et θ pour débruiter le signal xb .
9. Réaliser un filtre FIR de même ordre que G pour débruiter les signal xb . Comparer.
2.3 Exercice 3
On se propose ici de synthétiser et de comparer des filtres numériques obtenus à partir de modèles analogiques (Butter-
worth, Chebyshev).
1. Déterminer les coefficients d’un filtre passe-bas de type Butterworth d’ordre n = 2 et de fréquence de coupure
normalisée fc = 0.1. (fonction butter)
3. Représenter et comparer les réponses fréquentielles des deux filtres (gain et phase).
• fp = 0.1, Rp = 1dB
• fs = 0.15, As = 15dB